一种面向边缘计算平台的多用户复杂任务卸载方法

本发明属于任务卸载，具体涉及一种面向边缘计算平台的多用户复杂任务卸载方法，可以用于边缘计算平台的端边协作方向，主要用于提高平台的任务完成率，也可以联合优化能耗以降低系统运行成本。

背景技术：

1、近年来，随着物联网、云计算、以及人工智能等信息技术的广泛应用，教育行业整体教学思维发生巨大改变，智慧课堂作为一种信息化的教学手段受到广泛关注。新型智慧课堂通过利用人工智能技术可以实现对全体学生的课堂全过程学习状态的自动化评估，以辅助教师了解学生的学习状况，采取针对性的教学方法，提高学生的个性化培养水平。

2、当多个用户同时使用智慧教育平台时，位于网络边缘的终端设备会产生大量的数据和计算任务，处理这些数据需要强大的算力。在本地计算能力受限的情况下，目前大多数平台处理复杂任务都采用云计算架构进行处理。云计算架构属于中心化服务架构，终端用户需要将其产生的所有原始数据发送到云端进行处理，但长距离的数据传输造成的时延是这些实时智能感知应用无法接受的。因此基于云计算架构的解决方案已经不适合应用于新型智慧教育平台。

3、边缘计算作为一种新型的计算范式，为上述新应用提供了解决方案。边缘计算的物理位置是靠近终端设备或者用户的地方，能丰富终端设备的计算和存储资源。一种典型的边缘计算架构图如图1所示，包括终端设备、边缘层以及云数据中心三层结构，终端设备用于采集数据或进行简单的预处理；边缘层用于处理来自终端设备的卸载任务，同时边缘服务器间可进行协作通信，并通过因特网连接到云数据中心。

4、智慧教育平台集成有多种智能感知应用，重点分析学生的上课状态。在实际场景中，当多个用户同时使用时，智能感知应用会产生大量的具有截止时间的计算任务，如何确保计算任务在规定时间内完成，需要制定一个合理的任务卸载策略。任务卸载的核心思想是将计算任务卸载到计算能力更强的边缘服务器或云服务器执行，以减少响应时延，提升用户体验。计算任务是否需要卸载根据任务之间是否存在依赖关系分两种：整体卸载和部分卸载。

5、在整体卸载研究中，任务之间不存在依赖关系，任务作为一个整体在本地执行或卸载到边缘服务器执行。在整体卸载模型中，任务建模后，通常是一个np-hard问题。hou等人将任务分为不同的类型进行分配，该问题属于np-hard问题，作者提出一种在线激励驱动任务分配算法，提高计算速度，使系统效用最大化。huang等人从能耗和完成任务的时延方面权衡，以最小化总体卸载成本为目标。此问题是一个混合整数非线性规划问题，作者提出基于深度强化学习的任务卸载方案和带宽分配的联合优化方案，并将原始的非凸优化问题等效为强化学习问题，采用dqn(deep-q network)方法来找到最优解。

6、上述整体卸载方案不考虑任务之间的依赖关系，只需做出最优分配策略。然而在实际情况中，当一个应用被划分为多个子任务时，这些子任务之间存在依赖关系，这是在制定任务卸载策略时需要重点考虑的关键问题。

7、近年来随着模型分解等技术的发展，细粒度任务卸载研究逐渐成为任务卸载的研究热点。与整体卸载方案不同，在部分卸载方案中，应用可划分为多个子任务，一部分子任务可以在本地执行，另一部分可卸载至边缘服务器执行，这使得卸载策略更加灵活、多变。yang等人建立完成多任务时延模型，将任务分为多个阶段完成并对设备能耗进行分析，同时研究如何部署cloudlet，能以最小的能耗，在规定时间内完成请求任务，这是一个np-hard问题。此文献将问题建模为混合整数线性规划问题，并提出一种基于benders分解的算法以解决优化问题。yi等人针对时延敏感应用设计边缘计算平台，以最小化任务响应时间。此文献将任务是否卸载问题建模为混合整数非线性规划问题，并使用序列二次规划方法求解。但此文献的设定具有一定的局限性，并且当使用多任务，不能仅仅只考虑使得时延最小化，要综合考虑所有应用的状况，以最大化满足截止时间的任务完成率。

8、综上所述，整体卸载方案并不适用于计算任务复杂的场景，细粒度任务卸载方案大多数只考虑降低应用时延。

技术实现思路

1、为了解决现有技术中存在的自研边缘计算智慧教育平台中的多用户复杂任务卸载问题，本发明提供了一种面向边缘计算平台的多用户复杂任务卸载方法，以提高平台的任务完成率。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供了一种面向边缘计算平台的多用户复杂任务卸载方法，包括：

3、s1：按时间顺序建立多用户复杂任务模型，其中包括终端设备模型、边缘服务器模型、任务模型；

4、s2：利用层次分析法对所述任务模型中的任务进行优先级排序；

5、s3：构建决策模型、执行模型以及能耗模型；

6、s4：根据所述优先级排序和所述决策模型、执行模型以及能耗模型建立目标优化问题，所述目标优化问题设定为能耗和任务完成率联合优化；

7、s5：利用多智能体强化学习算法对所述目标优化问题进行求解。

8、在本发明的一个实施例中，所述终端设备集合m＝{1,2,...,}中包括多个终端设备，所述终端设备m描述为其中，表示终端设备m的处理能力，表示终端设备m的本地计算队列，表示任务传输队列；

9、所述边缘服务器集合n＝{1,2,...,}中包括多个边缘服务器，所述边缘服务器n描述为其中，表示边缘服务器n的计算能力，表示卸载到边缘服务器n的任务队列，表示数据传输队列。

10、在本发明的一个实施例中，所述任务模型采用有向无环图g＝(v,e)描述任务的执行顺序，其中，节点集合v＝{v1,v2,...,vn}，节点vi表示一个任务的子任务，边集合e＝{e1,e2,...}，用于表示任务之间的依赖关系，

11、所述子任务定义为：vi＝(mi,ii,oi,si,ci,fi,ti,di)

12、其中，mi表示处理子任务vi的边缘服务器，ii表示子任务vi的前置任务集合，oi表示子任务vi的后置任务集合，si表示子任务vi的输入数据量大小，ci表示子任务vi需要的计算量大小，fi表示子任务vi的生成频率，ti表示子任务vi的开始时间，di表示子任务vi的截止时间。

13、在本发明的一个实施例中，所述层次分析法包括三个不同的层次结构，依次为目标层、准则层和方案层，其中，所述准则层包括四项指标：任务的截止时间、任务的生成频率、任务的计算量大小和任务的数据量大小；

14、利用所述层次分析法中的特征值法计算所述准则层中四项指标的权重值。

15、在本发明的一个实施例中，所述s3包括：

16、使用变量xi∈{0,1}表示子任务vi是否在本地执行，使用yi＝(yi,n,n∈n)表示任务vi卸载到哪个边缘服务器，子任务vi的卸载决策向量为(xi,yi)；

17、若任务在终端设备执行，获得子任务vi在本地所需要的处理时间为：

18、

19、其中，si表示子任务vi的输入数据量大小，表示终端设备的处理能力；

20、获得子任务vi在本地所需要的等待处理时延为：

21、

22、其中，l表示当前任务的位置；

23、获得任务vi在本地的执行能耗：

24、

25、其中，ρ表示能耗密度；

26、若任务卸载到边缘节点执行，获得终端设备卸载子任务vi到边缘服务器的传输时间为：

27、

28、其中，表示终端设备的上行带宽；

29、获得子任务vi的等待传输时间为：

30、

31、获得子任务vi在边缘服务器n上所需要的处理时间为：

32、

33、获得子任务vi在边缘服务器上所需要的等待处理时延为：

34、

35、获得子任务vi在边缘服务器上的执行能耗：

36、

37、获得终端设备卸载子任务vi的能耗计算方式：

38、

39、其中，psend表示终端设备的发送功率；

40、获得边缘节点接收子任务vi的能耗计算方式：

41、

42、其中，precv表示边缘节点的接收功率，为接收时间。

43、在本发明的一个实施例中，所述s4包括：

44、获取子任务vi的最早开始执行时间为：

45、

46、其中，ftj表示子任务vi的完成时间，ii表示当前子任务的前置任务集合；

47、获取子任务vi的完成时间为：

48、

49、其中，ti表示子任务vi可以开始执行的时间，表示子任务vi的全部数据均传输至指定位置所需的时间，表示子任务vi在计算队列中的等待时间，tcomp表示子任务vi在指定设备上的计算时间；

50、根据子任务的截止时间，判断任务完成或丢弃；

51、获得任务完成率为：

52、

53、其中，snum表示任务完成的数量，fnum表示任务失败的数量；

54、根据平台运行期间的任务完成率以及能耗，将目标函数定义如下：

55、max{α(-total)+(ratesuccess)}

56、s.t.xi∈{0,1},

57、α+β＝1,

58、

59、其中，etotal表示任务的执行能耗，若xi＝0，则若xi＝1，则

60、在本发明的一个实施例中，所述s5包括：

61、获得t时刻边缘设备对子任务vi的观测空间、动作空间和奖励函数；

62、根据所述观测空间、动作空间和奖励函数，利用maddpg算法获得每个子任务的最优动作。

63、与现有技术相比，本发明的有益效果有：

64、1、本发明面向边缘计算平台的多用户复杂任务卸载方法主要针对自研的智慧教育平台，使用本方法可以极大提高任务完成率，使得平台能够为用户提供高质量服务。

65、2、本发明的多用户复杂任务卸载方法能够提升边缘计算平台的任务完成率，考虑到现实任务是复杂且可拆分的。因此将任务建模为有向无环图，并使用层次分析法，得到基于任务依赖关系的优先级拓扑序列，将其输入到算法中。本发明在多用户同时使用时，算法的提升效果更明显，可以大幅提升系统的任务完成率。

66、3、本发明的多用户复杂任务卸载方法并不仅限于使用在智慧教育领域，所有类似的基于边缘计算的静态边端协作计算平台都可使用本方法，以为用户提供高质量服务。

67、以下将结合附图及实施例对本发明做进一步详细说明。