一种基于协同边缘智能中的效益优化和负载感知的动态异构资源管理方法

【】本发明涉及算法设计领域，尤其涉及一种动态异构资源管理方法，具体为一种基于协同边缘智能中效益优化和负载感知的动态异构资源管理系统。

背景技术

0、
背景技术：

1、随着物联网、智慧城市、智能视频监控的快速发展，基于嵌入式ai的边云协同计算作为一种通过将计算能力放置在距离数据源最近的位置来扩展云计算的计算范式。关于ai模型部署在边缘计算中的研究，一般通过采用模型分割和模型压缩等人工智能技术，可以解决处理大规模模型参数的挑战，从而为基于边缘的视频监控提供轻量级的机器学习模型和较低的计算复杂度。此外，对于使用ai算法解决边缘计算研究的问题，现有基于云边协作的工作主要集中在任务调度以及通信和计算资源的联合优化。这些问题可以描述为混合整数非线性规划问题。最近，使用深度强化学习技术解决了卸载决策和资源分配的联合问题。尽管边缘云协作具有潜力，但一个明显的缺点是在边缘服务器上运行的任务可以减少延迟，边缘服务器有限的计算资源能力及其对集中式云资源的依赖仍然会导致延迟增加和网络拥塞，尤其是在高峰期间。此外，基于云边协同的系统在网络中断时容易出现服务中断，影响系统整体可用性和可靠性。因此，边缘对边缘协作，成为一种有前途的范例，其中多个边缘服务器协作集成充足的资源来处理计算任务，从而减少延迟和带宽消耗。

2、现有的cei研究工作较少，主要侧重于用户与边缘服务器的协作，忽略了边缘与边缘的协作以及多用户任务的优先级调度，在联合任务卸载和资源分配的背景下，多用户任务调度问题和对用户的服务质量容易被忽视。关于cei的资源管理方面，现有的优化效益的解决方案侧重于包括计算资源或通信资源在内的同质资源，往往孤立地考虑资源管理问题，而没有充分考虑实际场景。一方面，任务调度过程中没有考虑任务优先级、任务依赖关系、处理能力和通信延迟等因素。另一方面，不同设备和边缘服务提供商(esp)之间的资源可能是异构的，需要考虑基于不同任务需求和设备资源的资源分配以优化esp的效益，同时提高整体系统效率和服务质量。

技术实现思路

0、
技术实现要素：

1、本发明目的在于提供一种基于协同边缘智能中的动态异构资源管理方法，为基于人工智能的嵌入式边缘计算设备开发的单个边缘服务器具有低延迟，但缺乏足够的计算能力来处理日益增加的延迟敏感服务。因此，迫切需要提出一种能够同时实现低延迟和高计算能力的协作边缘智能(cei)架构。本发明研究了cei中的效益优化和负载感知的动态异构资源管理模型，所述的模型包括协同的异构边缘智能系统模型、任务模型、资源需求模型和服务付费模型，联合上述模型并公式化为最esp总效益问题。该问题被表述为混合整数非线性规划问题(minlp)，并分解为三个子问题：多用户任务调度、异构资源分配和esp协作。我们为每个子问题开发三层交互算法。在第一层中，确定任务的优先级和调度顺序，并提出一种基于资源权重和延迟相结合的最优任务调度算法。第二层采用强化学习(rl)方法来优化异构资源的分配。第三层涉及设计三种经济支付模型(epm1、epm2和epm3)以最大化esp的效益。通过三层算法交互，验证了epm3提供了最接近最优解的近似值，并且所提出的算法在各种场景下都显着优于其他基线方法。

2、为实现上述目的，本发明提供了如下技术方案：

3、一种基于协同边缘智能中的效益优化和负载感知的动态异构资源管理方法，所述的方法包括一种能够同时实现低延迟和高计算能力的cei架构和一个三层交互算法框架，所述的cei架构包含效益优化和负载感知的动态异构资源管理模型，所述的模型包括协同的异构边缘智能系统模型、任务模型、资源需求模型和服务付费模型，所述的异构边缘智能系统模型、任务模型、资源需求模型和服务付费模型为最大化esp总效益，所述的总效益分解为三个子任务：多用户任务调度、异构资源分配和esp协作，所述的多用户任务调度对应第一层：一种确定任务调度顺序的匹配算法，有助于确定哪些任务将在何时执行，以及在什么顺序下执行，通过匹配任务和可用资源，可以更好地安排任务的执行顺序，以最大限度地提高系统效益；所述的异构资源分配对应第二层：一种基于强化学习的异构资源分配算法，可以根据当前环境状态和已有知识，来动态分配资源给不同的任务，它可以在不同任务之间进行权衡，以最大程度地提高系统的整体效益；所述的esp协作对应第三层：基于服务付费模型的资源管理算法，该算法根据服务付费模型的策略，管理资源的分配和释放。这有助于确保资源的合理使用，以满足用户需求并实现经济效益。

4、进一步的，所述的cei架构由边缘公有云和边缘私有云组成，所述的边缘私有云服务提供商负责时延敏感和安全性敏感度高的任务，如视频监控服务，所述的边缘公有云负责多个其他延时较为敏感的任务，所述的边缘私有云和边缘公有云的esp各自为用户提供异构的资源，包括计算资源、存储资源和通信资源；当边缘私有云服务器负载过载，剩余的资源无法为本地用户提供资源请求服务时，边缘私有云的esp将租用边缘公有云的esp的资源来处理本地用户请求；所述的边缘私有云的esp通过处理本地多用户任务请求获得的本地收入、边缘私有云的esp维护和运营本地资源的成本，租用边缘公有云的其他服务资源处理本地用户请求获得的收入以及维护和运营租用的资源。

5、进一步的，所述的协同的异构边缘智能系统模型包括n个用户，m个esp，j个边缘集群，m’个边缘私有云，m-m’个边缘公有云。假设p≤m'为每个私有espp建立索引，通过假设q≥m'+1为公有云espq建立索引；

6、所述的任务模型中，每个设备ui有k种独立计算任务ti＝{ti,1,ti,2,...,ti,k}；

7、进一步的，所述的资源需求模型中，sei为espi的存储资源总量，cei为espi的计算资源总量，cui为espi的通信资源总量，i＝p。ui的存储资源、计算资源和通信资源需求分别计算如下：

8、

9、

10、

11、其中sdi,k(t)，cpi,k(t)，cmi,k(t)分别记为在时隙t时ui的tik在espi服务区域内的存储资源需求量，计算资源需求量和通信资源需求量；

12、进一步的，所述服务付费模型中包括基于成本的资源预留方案(epm1)，差别支付方案(epm2)和拉姆齐资源管理方案(epm3)，当私有边缘esp租用公有边缘esp资源时，通过三种不同的付费方案来获得一个合理的资源需求价格。所述基于成本的资源预留方案(epm1)：基于成本的定价是最常见、最简单的定价策略，通过计算服务的总成本，再加上成本的百分比作为“期望效益”确定服务的价格。所述差别支付方案(epm2)向不同的服务提供商提供相同产品的不同价格。本发明将边缘服务提供商是否处理本地终端设备任务请求的行为可信度作为定价导向因素之一。本地用户和与之相连接的边缘esp同属一个网络区域，因此本地用户对于本地的esp而言，其身份信任度是可靠的，资源提供方的边缘提供商可对本地用户收取较低的价格。然而，当本地的esp在计算资源过载从而不能为本地用户提供资源服务的情况下，需要向其他边缘服务提供商租用资源处理不能在本地运行的用户任务需求，此时，资源需求方的边缘esp对于资源提供方的边缘esp而言，其身份信任度是较弱的。所述拉姆齐资源管理方案(epm3)—拉姆齐定价指针对不同市场对商品的不同需求采用不同的定价策略。与差支付方案不同之处在于，拉姆齐定价是在保证一定的资源供应商效益的前提下最大化市场福利。

13、进一步的，所述的智能系统模型、任务模型、资源需求模型和服务付费模型进行转换，目标函数表示为：

14、

15、其中，espp和espq总效益记为esptol＝{espp,espq}，αp表示espq通过为本地多用户任务请求提供服务资源而获得的效益。espp通过为本地多用户任务请求提供服务资源而获得的效益记为：

16、

17、其中，θi表示espp向本地用户ui收取的存储资源单位单价，βi表示espp向本地用户ui收取的计算资源单位单价，φi表示espp向本地用户ui收取通信资源费用。cis表示espp按单位存储资源收取本地用户的成本费用，表示espp按单位计算资源收取本地用户的成本费用，表示espp按单位通信资源收取本地用户的成本费用。espp中维护和操作本地资源的成本用三种支付模型得到价格波动因子ρi,ηi,δi，

18、进一步的，espp和espq总效益函数可以表示为：效益最大化的目标函数表述如下：

19、maxuti(esptol)

20、进一步的，所述的一个三层交互算法框架，以最大化esp总效益问题进行转换为联合优化多用户任务调度、基于异构资源分配和服务付费选择三个子问题。所述的一种确定任务调度顺序的匹配算法，确定任务调度的顺序，步骤如下：

21、s1：计算sdi、cpi和cmi占ui系统总资源需求的比例和

22、s2：计算ui的传输时延和处理时延占系统总时延的相对比例

23、s3：计算ui的sdi、cpi和cmi的资源分配比重

24、s4：计算归一化：

25、s5：基于s1-s4，计算ui的资源需求量，得到最优匹配的调度顺序

26、进一步的，一种基于强化学习的异构资源分配算法，是基于最佳匹配调度顺序，采用强化学习方法用户多用户和多服务器的异构资源分配，包括以下步骤：

27、s6：定义状态空间和动作空间，服务器资源分配问题转化为状态和动作的组合问题，其中状态是服务器当前的负载情况，动作是服务器资源分配策略。根据用户是否属于本地边缘簇来决定动作，生成系统的初始状态，s＝(uc，ac)，uc为系统消耗的资源量，ac为服务器资源分配情况；

28、s7：在当前状态下，根据q表或根据约束以一定概率的探索策略(例如ε-greedy)选择最优动作，以发现新的资源分配策略动作a′＝argmaxπq*(s,a)。a为初始动作，只需要考虑服务器资源分配；

29、s8：定义奖励函数，根据uctotal指标评估资源预留方案在每个状态下的性能。奖励函数应为正r>0，并且具有显着的性能差异；

30、s9：将a′代入s＝(a，c)。得s′＝(uc′，ac′)，将uc′带入r＝uc/uctotal。重复s7-s8，直到达到终止条件。终止条件可以是一定的训练轮数或一定的收敛误差，输出最优的异构资源分配

31、进一步的，所述的经济付费模型是基于确定的用户对应的最优任务调度顺序和最优资源分配，可以作为资源管理机制算法的输入数据。此外，和为各自的服务区域内的用户任务请求和如果过载，则需要向租用资源来处理本地用户请求，根据资源付费模型确定价格ρi,ηi,δi，计算输出最大效益值uti(esptol)。其中espi＝espp，espj＝espq。

32、进一步的，所述异构边缘智能系统模型在边缘计算环境中存在多种不同类型的智能设备、传感器和计算资源，具有不同的计算能力、存储能力和通信能力。该模型的作用是描述这些不同类型的设备和资源，以便在资源管理过程中考虑它们的特性和能力。

33、进一步的，所述任务模型描要在边缘计算网络中执行的任务、工作负载或应用程序，任务模型帮助算法了解任务的性质，以便更好地分配适当的资源。

34、进一步的，所述资源需求模型指定了每个任务或应用程序对计算能力、存储空间、网络带宽等资源的需求，有助于算法在资源管理时预测每个任务所需的资源，从而更好地进行资源分配。

35、进一步的，所述服务付费模型是关于如何对使用的资源进行付费的方式和策略。该模型能够影响资源管理决策，以确保资源的有效利用和公平分配。

36、本发明的有益效果：本发明提供一种基于协同边缘智能中的效益优化和负载感知的动态异构资源管理方法，认为不同的esp属于具有合作关系的不同利益相关者，平衡不同esp之间的工作负载以实现最佳系统利用率是需要解决的问题之一，除此之外，考虑任务调度、异构资源和esp协作的联合问题。

37、本发明提出一个三层交互算法框架，采用三层交互算法框架的目的是为了在动态异构资源管理方法中实现高效的效益优化和负载感知，每一层都承担不同的任务和功能，协同工作，以确保系统在不同层面上达到最佳性能。一种最佳任务匹配算法，一种基于强化学习的异构资源分配算法和使用epm来解决按服务付费的模型，通过三层算法协作框架优化各种系统变量，例如任务调度、计算、存储和通信资源分配以及边缘协作，以增强用户端和服务器端的性能，最大化esp的总体效益。