本发明属于边缘计算领域,特别涉及一种边缘计算卸载技术。
背景技术:
云计算解决了物联网中用户数据本地处理能力不足和存储空间有限的问题。然而在促进物联网设备和数据巨幅增长的同时,云计算的高延迟也成为了当前网络发展的瓶颈。it行业分析公司gartner预计物联网终端的增长速度约为30%,到2020年物联网接入设备的总数将会高达200亿。接入设备的爆发为数据分析和数据处理带来了新的挑战,这些终端设备将生成大量的数据。如果将这些数据传输到云计算中进行数据管理、分析和决策不仅费用高昂且效率低下,还可能阻碍网络基础设施的发展,从而导致网络延迟问题。近年来边缘计算被提出来解决这个问题,边缘计算负责从各种设备中经由多种的协议转换提取所需的数据和功能,实时处理或者上传到云计算中心,在提供传输能力的同时,边缘计算还可以将物联网设备产生的计算任务转移到网络边缘的服务器节点处理以达到降低延迟的目的。
边缘计算兼顾了资源受限节点的计算卸载以及任务处理的时延需求,在移动互联网、物联网等网络具有越来越广泛的应用。然而,现有的计算卸载机制中,通常以卸载源(资源受限、无法独立完成任务处理的节点)为中心,在卸载源周围寻找具有充分计算资源的节点(卸载目标)来代替卸载源进行相关任务的处理。卸载目标的选择,通常会将目标节点的剩余计算资源、卸载源到卸载目标之间的通信代价等因素协同考虑,寻求最优解决方案。
然而,现有的这种<卸载源,卸载目标>的二元计算卸载机制,并不能满足边缘计算领域一种广泛应用的场景:节点a由于资源受限,其任务需要卸载给节点b进行处理,处理后的数据并不返回节点a,而是另一个需要该数据的节点c(数据目标)。这种场景构成了一种基于目标导向的计算卸载需求,其选择计算卸载节点时,不仅需要考虑源节点和卸载节点之间的场景因素,同时需要考虑目标节点的存在对原有计算卸载场景的影响。
技术实现要素:
为解决上述技术问题,本发明提出一种基于目标导向的计算卸载方法,同时考虑源节点到mec服务器的传输和处理时延,以及mec服务器到目的节点的传输时延,使得从源节点到目的节点的整个过程的时延最小化。
本发明采用的技术方案为:一种基于目标导向的计算卸载方法,包括:
s1、源节点检测当前计算任务所需计算资源是否超过本地最大计算资源门限;若是,则执行步骤s3;否则执行步骤s2;
s2、当前计算任务在源节点本地进行计算,并将计算结果通过最短路由传输给目的节点;
s3、源节点根据总时延最小化卸载策略,将计算任务卸载给最优的mec服务器处理;
s4、最优的mec服务器处理完成后,将计算结果通过最短路由传输给目的节点。
步骤s3中总时延最小化策略具体为:
首先,建立计算卸载最优化模型;
以目标为导向的边缘计算卸载最优化目标是从源节点发出计算任务,到目的节点接收计算结果,整个通信和计算过程的总时延t最小。
t=[tts+ttp+tw+tc]*fk,i
其中,tts表示传输时延,ttp表示传播时延,tw表示排队时延,tc表示计算时延,fk,i表示第k个计算任务卸载给第i个mec服务器时的卸载系数;
传输时延tts包括:计算任务从源节点到mec服务器的传输时延,与计算结果从mec服务器到目的节点的传输时延;计算式为:
其中,h1表示源节点到mec服务器的路由跳数,h2表示mec服务器到目的节点的路由跳数,dk表示计算任务的数据大小,dr表示计算结果的数据大小,bp表示h1中第p跳数据传输的带宽,bq表示h2中第q跳数据传输的带宽;
传播时延ttp包括:计算任务从源节点到mec服务器的传播时延,与计算结果从mec服务器到目的节点的传播时延;具体计算式为:
其中,dp表示h1中第p跳数据在传播介质中的物理距离,vp表示h1中第p跳数据在传播介质中的传播速率,dq表示h2中第p跳数据在传播介质中的物理距离,vq表示h2中第q跳数据在传播介质中的传播速率;
然后,确定最优化模型的约束条件;
约束条件包括:
带宽上限:每一个mec服务器的最大带宽限制;
卸载唯一性:fk,i取值为0或1;
计算资源充足性:第i个mec服务器总的计算资源大于或等于处理完第k个计算任务总共所需要的计算资源;
安全隐私保障:第i个mec服务器能提供的最高安全隐私级别大于或等于第k个计算任务所需的安全隐私级别;
最后,求解卸载最优化模型,得到最优的mec服务器。
本发明的有益效果:本发明通过将基于目标导向的计算卸载策略问题转化为从源节点到目的节点的计算卸载服务器的选择最优化问题,最优化目标是从源节点发出计算任务,到目的节点接收计算结果整个过程的时延最小;相对于现有技术,本发明的具备以下优点:
(1)本发明处理过程将在本地边缘计算层完成,弥补了云计算中心化控制、大流量、高延迟的不足,大大提升了处理效率,减轻云端的负荷,由于更加靠近用户,处理时延更低,可为用户提供更快的响应;
(2)本发明中的边缘计算卸载策略兼顾了资源受限节点的计算场景需求以及任务处理的时延需求,在保证带宽、安全隐私、计算资源满足要求的情况下,最小化了整个计算卸载传输过程中的时延,尤其适用于对计算任务实时性要求很高的服务类型;
(3)本发明是基于目标导向的计算卸载策略,源节点发送计算任务请求后,计算任务卸载处理后得到的计算结果并不返回源节点,而是直接传输给目的节点,由传统的<卸载源->卸载节点->卸载源->卸载目的>变为<卸载源->卸载节点->卸载目的>的传输路径,大大缩减了传输时延。
(4)本发明在选择计算卸载节点时,不仅要考虑源节点到mec服务器的传输和处理时延,同时需要考虑mec服务器到目的节点的传输时延,使得整个过程的时延最小化。
附图说明
图1为本发明实施例提供的物联网边缘计算的场景图;
图2为本发明实施例提供的方案流程图;
图3为本发明实施例提供的最优化模型求解流程图。
具体实施方式
本发明实施例是基于在物联网中部署mec服务器的边缘计算网络架构,如图1所示。边缘计算网络由m={1,2,…,m}个mec服务器和n={1,2,…,n}个物联网设备组成,mec服务器部署在物联网设备周围。物联网设备之间,mec服务器之间,以及物联网设备和mec服务器之间都通过无线网络连接,mec服务器部署在蜂窝基站附近,蜂窝基站通过有限光纤与核心网相连。
如图1所示的网络场景中,物联网设备a产生计算任务k,而需要该计算结果的是物联网设备c时。首先优先在物联网设备a本地完成数据处理,但是由于物联网设备一般存储空间较小,处理器不够强大,所以导致计算资源受限,即物联网设备a无法在本地完成计算任务的处理。这种情况下,物联网设备a就会选择将计算任务卸载给边缘网络的其中一个mec服务器上完成。物联网设备a和附近的mec服务器之间定时进行信息交互,每个物联网设备都能得知整个边缘网络中的拓扑结构,网络以及mec计算资源等各项参数值。物联网设备a在本地执行以目的为导向的计算卸载策略,决定选择哪个mec服务器作为计算任务的卸载节点,使得计算任务从源节点发出到目的节点接收计算结果的时延最小。
本发明的实现过程主要包括以下4个步骤:
步骤1:建立通信模型。
在物联边缘网络中,其中一个物联网设备a产生一个计算任务k,数据大小是dk,是该通信场景的源节点,计算结果的目标是物联网设备c。初始化设置数据处理都在本地进行,当源节点检测到所需计算资源超过本地最大计算资源门限时,通过无线传输的方式向该边缘网络中有限的所有mec服务器发送计算任务请求,mec服务器收到计算请求后向源节点做出回复,源节点在得到该通信场景当前所有的参数值后,在本地执行以目的为导向的最优卸载的决策。
步骤2:建立计算卸载最优化模型。
在本发明的实例中,源节点产生的一个计算任务只能卸载给一个mec服务器进行处理。fk,i表示卸载系数,只能取值0或者1,第k个计算任务卸载给第i个mec服务器时fk,i取值为1,否则取0。以目标为导向的边缘计算卸载最优化目标是从源节点发出计算任务,到目的节点接收计算结果,整个通信和计算过程的总时延t最小。
t=tts+ttp+tw+tc
总时延t为四个部分时延之和,其中,tts表示传输时延,ttp表示传播时延,tw表示排队时延,tc表示计算时;
传输时延包括两个部分,前半部分表示计算任务从源节点到mec服务器的传输时延,后半部分表示计算结果从mec服务器到目的节点的传输时延;dk表示计算任务的数据大小,dr表示计算结果的数据大小,h1表示源节点到mec服务器的路由跳数,h2表示mec服务器到目的节点的路由跳数,bp表示h1中第p跳数据传输的带宽,bq表示h2中第q跳数据传输的带宽。
传播时延也包括两个部分,前半部分表示计算任务从源节点到mec服务器的传播时延,后半部分表示计算结果从mec服务器到目的节点的传播时延;dp表示h1中第p跳数据在传播介质中的物理距离,vp表示h1中第p跳数据在传播介质中的传播速率,dq表示h2中第p跳数据在传播介质中的物理距离,vq表示h2中第q跳数据在传播介质中的传播速率,h1表示源节点到mec服务器的路由跳数,h2表示mec服务器到目的节点的路由跳数。
排队时延主要包括计算任务在mec服务器排队等待计算的时间。dw,i表示计算任务到达计算卸载的第i个mec服务器时当前排队等待计算的数据大小,θi表示该mec服务器的计算速率。
计算时延是计算任务在mec服务器的计算处理时间。dk表示计算任务的数据大小,θi表示该mec服务器的计算速率。
综上,从源节点发送计算任务到目的节点接收到计算结果的总时延t可以用以下公式表示:
步骤3:列出最优化模型的约束条件
在源节点上建立卸载最优化模型后,接下来根据每一个mec服务器的计算资源、安全系数、对应最优化路径的跳数、带宽等参数作为限制条件,筛选出符合卸载条件的mec服务器:
c1:带宽上限
对于mec服务器i,当前时刻接受源自不同物联网节点的所有l个计算任务的总带宽不能超过其最大带宽限制bi。bk表示第k个计算任务上传给mec服务器的带宽。
c2:卸载唯一性
本发明的计算卸载策略,设定一个计算任务要么全部在本地完成,要么全部卸载给一个mec服务器上计算,不考虑部分卸载的情况。源节点所在边缘网络总共有m个mec服务器。
c3:计算资源充足性
当源节点本地计算资源不足时,源节点将计算任务卸载给计算资源更充足,计算速度快的mec服务器。sk表示处理完第k个计算任务总共所需要的计算资源,si表示第i个mec服务器总的计算资源。当前mec服务器剩余资源不够时,计算任务k进入计算等待的排队队列中。
sk*fk,i≤si
c4:安全隐私保障
不同类型的业务服务有不同安全隐私级别的要求,一般的物联网设备的安全隐私性都比较差,容易被窃取数据信息。rk表示第k个计算任务所需的安全隐私级别,ri表示第i个mec服务器能提供的最高安全隐私级别。
rk*fk,i≤ri
步骤4:最优化模型的求解算法
本模型将基于目标导向的计算卸载问题描述为以下0-1整数线性规划问题:
mint=[tts+ttp+tw+tc]*fk,i
本发明中,最优化式子的目标是选择一个mec服务器作为卸载解节点,使得从源节点到目的节点的全局时延t最小,源节点的计算任务只能卸载给一个mec服务器,变量fk,i只能取0或者1,所以该问题的实质变成0-1整数规划求解问题,可能存在多个卸载系数fk,i取值为1时都满足最优化的约束条件,但是有且仅有一个非零fk,i使得目标函数值t最小。将约束条件中的卸载变量fk,i都移到不等式的左边,重新整理后得到的如下式子:
pi=min{p1,i,p2,i,p3,i},每一个mec服务器都有3个约束条件,分别可以得到卸载参数fk,i的3个约束值。若pi≥1,则该第i个mec服务器的卸载参数fk,i=1;若pi<1,则fk,i=0。在实际执行算法时,只要有一个约束值小于1则fk,i=0,即直接短路,该mec服务器不满足约束条件不能作为源节点的卸载节点。边缘网络的源节点附近部署了m个mec服务器可供计算卸载,选择不同的mec服务器时,从源节点到目的节点的路由路径都不一样,即h1和h2的值都不一样,每一跳的传输带宽和传播速率也不相同,在选择最优mec服务器作为卸载节点时,需要将每一个mec服务器都进行约束条件的计算,得到卸载参数fk,i。fk,i取值为1的mec服务器满足卸载的约束条件,但不一定是最优的计算卸载节点。
对每一个满足约束条件的mec服务器,都将其跳数、带宽、距离等参数带入目标公式中进行计算得到对应的时延的值ti,最后选择全局时延最小的mec服务器作为唯一的计算卸载节点,其卸载系数fk,i的值取1,其余的fk,i值取0,得到时延t值就是该最优化问题的最优解。整个算法的实质即枚举法,其核心思想是将问题的所有可能的答案一一列举,然后根据条件判断此答案是否合适,保留合适的,舍弃不合适的。在本发明中,边缘网络中的mec服务器数量相对于物联网设备是少量且有限的,源节点得知相关参数后判断任意mec服务器是否满足卸载的约束条件也相对简单,所以采用枚举法求解该最优化问题是最简单可行的。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。