任务队列感知的边缘计算实时信道分配和任务卸载方法

1.本发明涉及的是一种分布式计算领域的技术，具体是一种基于李雅普诺夫优化和博弈论的任务队列积压感知的实时信道分配和任务卸载方法。


背景技术：

2.移动边缘计算(mobile edge computing，mec)被广泛认为是实现下一代互联网愿景的一项重要技术。传统的云计算系统依赖于远程公共云，由于数据交换，会导致较长的延迟，而mec是在无线接入网边缘部署一个云计算平台，为应用服务提供计算、存储、网络和通信资源，可以缓解计算密集型应用程序和资源有限的移动设备之间的紧张关系。因此，通过将移动设备上的计算任务卸载到mec服务器上，可以缩短与应用服务之间的距离，从而减少能量消耗和执行延迟，显著提高用户的体验质量。
3.现有的计算任务卸载技术在无线传输部分时大多进行的是信道的一次性分配，即任务在传输过程中不改变信道，但是由于信道是时变的，而任务需要在多个时隙内才能传输完成，在信道质量差时可能造成较大的传输时延。此外，目前的技术没有考虑边缘服务器不同应用服务的任务队列状态，可能会造成某种服务超出负载而其他服务空闲的状况，从而导致较大的计算时延。


技术实现要素：

4.本发明针对现有技术在信道分配时造成的无线传输时延和任务计算时延较大、无法感知mec服务器的不同类型的任务队列状况，从而过多相同类型的任务同时到达导致任务队列积压任务过多而造成较大的计算时延以及在用户密集场所下，边缘服务器中个别应用服务的任务队列积压导致所有应用任务的平均时延增加等问题，提出一种任务队列感知的边缘计算实时信道分配和任务卸载方法，基于李雅普诺夫优化框架进行单时隙的目标转化，分析边缘服务器中任务队列的积压程度和任务的剩余时间，利用博弈算法对用户设备进行实时的信道分配和任务卸载，以达到最小化任务的平均时延。
5.本发明是通过以下技术方案实现的：
6.本发明涉及一种任务队列感知的边缘计算实时信道分配和任务卸载方法，包括：
7.步骤a，基于用户与基站间的距离生成每个时隙的信道增益矩阵和用户在每个子信道能达到的传输速率，并根据边缘服务器应用服务任务队列的任务量计算每个任务相应的等待时延、传输时延和边缘计算时延，具体包括：
8.步骤a-1，用户在子信道上的信道增益其中：dm为用户m到基站的距离，l
l
(dm)为子信道l在距基站dm处的路径损耗，为小尺度零均值高斯分布。
9.步骤a-2，用户与基站之间的接收信噪比sinr为：p
l,m
为用户m在子信道l的发送功率，所述的用户在不同信道的发送功率不随时间改变；σ为热噪声功率方差。在不损失一般性的前提下，第l个子信道上用户的信道增益估计顺序为
10.步骤a-3，计算用户m在第t时隙子信道l上的传输速率其中：l为子信道总数量，w为基站总信道带宽，平均分配给每个子信道；为信道分配决策变量。
11.步骤a-4，计算每个时隙每个任务在传输完成后的剩余大小：其中：为每个用户的任务卸载决策变量，δt为每个时隙的持续时间。
12.步骤a-5，计算每个任务的等待时延，即任务生成到任务开始传输时的时延和传输时延：其中：为任务的生成时间，和为每个任务的无线传输开始时隙和结束时隙。
13.步骤a-6，边缘服务器中应用服务k在第t时隙的任务队列任务量为qk(t)，计算每个任务传输完成时刻任务队列长度：其中：为第n个任务的传输完成时刻，(m,k)
→
n为用户的每个任务的传输完成时映射的任务队列的任务索引。当n＝0时，任务队列任务量qk(0)＝0。
14.步骤a-7，计算每个任务的边缘计算时延：其中：νk为边缘服务器中应用服务k的平均任务处理频率，具体为νk＝μk/fk，其中：μk为k类型应用每比特需求的计算量，fk为边缘服务器为k类型应用服务分配的计算资源。
15.步骤b，将任务队列感知的基站信道分配和用户任务卸载问题建模为以最小化任务平均时延为目标的优化模型，并根据李雅普诺夫优化框架转化为单时隙优化目标，具体包括：
16.步骤b-1，建立最小化任务平均时延为目标的优化模型。
17.步骤b-2，优化目标转换为最大化所有时隙最大传输和边缘处理的任务大小的累加和。
18.步骤b-3，基于李雅普诺夫优化框架，通过建立的时延剩余队列和任务队列任务积压队列，将时域内的优化目标转换为单时隙模型：其中：uk(a
t
,c
t
)为每种应用服务的效用函数。
19.步骤c，构建基于合作博弈的组合集合，即请求同一类型应用服务的用户进行组合，用户之间以系统效用最大化为目标进行博弈，最终组合集合达到收敛稳定，具体包括：
20.步骤c-1，初始化组合集合：基站随机分配信道给服务请求的用户，每个用户随机选择待传输的任务，根据任务传输类型相同的用户构建初始组合集合π。
21.步骤c-2，在所在组合下计算用户m的效用um(φ)，各个组合的效用uk(φ)和总系统效用。
22.步骤c-3，用户m从组合集合中选择一个组合，当用户没有与子信道进行关联，则首先将组合中关联的子信道分配给用户m，计算其加入后的自身效用、组合效用和总系统效用，判断用户m是否满足以下转移条件：
23.步骤c-3-1，用户m从当前组合φi转移到组合φj时，自身效用不小于加入前的效用；
24.步骤c-3-2，用户m从当前组合φi转移到组合φj时，系统效用大于加入前的原组合集合下的系统效用。
25.步骤c-4，当满足转移条件，则将组合φi加入到候选集合中；当不满足转移条件，则重新选择一个组合加入。
26.步骤c-5，当候选集合不为空时，在用户m的候选组合中选择使系统效用最大的组合φ
opt
，更新用户加入后的新组合与旧组合。
27.步骤c-6，当所有用户的组合不再发生改变，则博弈结束，获得稳定的组合集合。
28.步骤c-7，根据最终稳定的组合集合生成信道分配和任务卸载策略。
29.步骤d，在每个时隙内根据获得的信道分配和任务卸载策略进行任务传输，并根据队列更新规则更新时延剩余队列和任务队列任务积压队列，继续执行步骤c，直到所有任务传输完成。
30.本发明涉及一种实现上述方法的系统，包括：数据处理单元、信道分配和任务卸载决策单元以及数据更新单元，其中：数据处理单元根据信道增益信息和用户任务信息，计算用户在每个子信道能达到的传输速率，并根据边缘服务器每个应用服务的任务队列任务量计算其每个任务相应的等待时延、传输时延和边缘计算时延，信道分配和任务卸载决策单元根据用户任务的时延信息和任务队列状态，进行用户间的组合博弈，得到稳定的信道分配和任务卸载策略，数据更新单元根据当前的信道分配和任务卸载策略对时延剩余队列和任务积压队列进行更新。技术效果
31.与现有技术相比，本发明考虑mec服务器中任务队列的数据积压对信道分配和任务卸载决策的影响，在具有多种任务的用户密集场景下联合考虑任务队列的数据量和用户任务的剩余时延进行信道分配和任务卸载，使得任务队列数据量较少的应用任务获得较高的优先级，降低服务器计算时延，从而达到更低的平均时延。
32.本发明在任务传输过程中，将时域划分为多个时隙，在每个时隙综合考虑应用服务的任务队列积压和任务剩余时延，进行用户组合之间的博弈从而获得稳定的信道分配和任务卸载策略。本发明将博弈论理论和信道分配与任务卸载进行结合，在根据任务类型形成的用户组合之间进行合作博弈，形成收敛稳定的组合集合，进而得到较优的信道分配和任务卸载策略，最终结果表明本发明相较传统算法拥有更好的稳定性，能够达到更低的平均时延。
附图说明
33.图1为实施例场景示意图；
34.图2为平均任务大小与平均时延的关系图；
35.图3为平均任务大小与任务超时百分比的关系图；
36.图4为平均任务大小与任务队列积压方差的关系图；
37.图5为用户与基站距离与平均时延的关系图；
38.图6为用户与基站距离与任务队列积压方差的关系图；
39.图7为本发明的具体步骤流程图。
具体实施方式
1.本实施例实验环境为windows10 64bit操作系统，cpu为intel i7-7600u，内存为16gb，实验的开发语言为python。mec网络场景包括一个边缘服务器和一个基站，基站存在l个子信道，即l∈l＝{1,2,...,l}；其覆盖范围内存在m个服务请求用户，即m∈m＝{1,2,...,m}；每个用户存在k种类型的应用请求，即k∈k＝{1,2,...,k}；k类型应用程序的平均任务生成大小为bk，同种应用任务大小b
m,k,j
服从均值为bk的均匀分布；k类型应用任务每比特需求的计算量为μk。
2.所述的时域划分为t个时隙，即t∈t＝{1,2,...,t}，每个时隙的持续时间为δt，用户m的k类型应用程序在t个时隙内共有个任务，其索引按照到达时间排序后为个任务，其索引按照到达时间排序后为
3.如图7所示，本实施例涉及一种任务队列感知的边缘计算实时信道分配和任务卸载方法，具体步骤包括：
4.步骤一、根据用户与基站间的距离生成每个时隙的信道增益矩阵h和用户在每个子信道能达到的传输速率，并根据边缘服务器每个应用服务的任务队列任务量计算其每个任务相应的等待时延、传输时延和边缘计算时延；
5.所述的通信采用非正交多址(non-orthogonal multiple access，noma)技术，其允许多个用户同时使用同一资源块，并进一步应用串行干扰抵消(successive interference cancellation，sic)技术来缓解用户的同信道干扰，以有效提高资源利用率。根据noma协议的规则，基站采用sic进行多用户检测，具体来说，基站顺序解码来自具有更高信道增益的设备的信号，并将所有其他信号视为干扰。
6.所述的用户在子信道上的信道增益为：其中：dm为用户m到基站的距离，l
l
(dm)为从子信道l在距离基站dm处的路径损耗，为小尺度零均值高斯分布。在不损失一般性的前提下，第l个子信道上用户的信道增益估计顺序为不损失一般性的前提下，第l个子信道上用户的信道增益估计顺序为则用户与基站之间的接收信噪比sinr为：p
l,m
为用户m在子信道l的发送功率，所述的用户在不同信道的发送功率不随时间改变；σ为热噪声功率方差，计算得到每个时隙在所有信道上用户的信噪比，对于数据传输，计算其传输速
率和传输时延。
7.所述的用户m在第t时隙子信道l上的传输速率为其中：w为基站总信道带宽，平均分配给每个子信道；为信道分配决策变量，当时，在第t时隙基站将子信道l分配给用户m。为减小信道间干扰，每个用户最多只能与1个子信道进行关联，即
8.根据上述无线传输速率得到每个时隙用户在关联每个子信道时的传输完成后剩余的任务大小，具体为其中：为每个用户的任务卸载决策变量，具体为：当时，在第t时隙用户m选择k类型应用程序的任务进行传输。即仅当基站为用户分配子信道且用户选择相应应用程序时其剩余任务大小才会改变，对于初始时隙的剩余任务大小为任务生成大小
9.通过剩余任务的改变可得到用户所有任务的无线传输开始时隙和结束时隙具体为对于同一个用户的同种应用程序其任务的传输顺序按照fifo顺序，每种应用的第j+1个任务只能在第j个传输完成后才能开始传输，即
10.通过上述信息得到所述的每个用户每个任务的等待时延和传输时延为通过上述信息得到所述的每个用户每个任务的等待时延和传输时延为其中：为任务的生成时间，每种应用程序的任务到达速率服从λk的泊松分布，空间域的非均匀移动流量用对数正态分布进行建模，即
11.对于边缘服务器，所述的边缘服务器中应用服务k在第t时隙的任务队列任务量为qk(t)，用户的每个任务在传输完成时映射为任务队列的任务索引，即用户m应用k的第j个任务的传输完成时为应用服务k的任务队列中的第n个任务，(m,k)
→
n。
12.根据传输时延可得第n个任务的传输完成时刻为则每个任务传输完成时刻任务队列任务量为对于n＝0时，任务队列任务量qk(0)＝0。
13.对于应用服务的任务队列，其任务量大小不能超出其最大长度，即其中：为边缘服务器中k类型的应用服务的任务队列最大长度。
14.通过任务队列长度可得到每个任务的边缘计算时延为其中：νk为边缘服务器中应用服务k平均任务处理频率，具体为νk＝μk/fk，其中：μk为k类型应用每比特需求的计算量，fk为边缘服务器为k类型应用服务分配的计算资源。
15.步骤二、将任务队列感知的基站信道分配和用户任务卸载问题建模为以最小化任
务平均时延为目标的优化模型，并根据李雅普诺夫优化框架转化为单时隙优化目标。
16.所述的任务队列感知的基站信道分配和用户任务卸载问题是指：当边缘服务器中某一应用服务的任务队列任务挤压较多时，可以通过给拥有其他类型应用任务的用户分配信道，优先传输服务空闲的应用的任务来使得边缘服务器的应用服务负载均衡，以减少任务在任务队列中的等待时间来降低计算时延，进而降低任务的平均时延并提高用户的满意度。
17.所述的最小化任务平均时延为目标的优化模型，具体为：
[0018][0019][0020][0021][0022]23.其中：d
m,k,j
为用户m的应用程序k的第j个任务的总时延，具体为：
24.所述的优化模型必须满足所有任务的总时延在其应用程序要求的范围之内，即所述的优化模型必须满足所有任务的总时延在其应用程序要求的范围之内，即
25.将上述最小化用户平均时延的优化模型转化为对时域积分的优化目标，等效为最大化所有时隙内最大传输和边缘处理的任务大小的累加和，具体为：
[0026][0027][0028][0029][0030][0031][0032]33.基于李雅普诺夫优化理论将任务时延约束和任务队列约束转化为时延剩余队列和任务队列任务积压队列，具体为：其中：为用户m的k类型应用第j个任务的剩余执行时间，具体为为用户m的k类型应用第j个任务的剩余执行时间，具体为
34.所述的单时隙优化目标，基于李雅普诺夫优化框架，通过上述建立的时延剩余队
列和任务队列任务积压队列，将上述时域内的优化目标进行单时隙转换，即通过在每个时隙内求解信道分配和任务传输策略来获取整个时域的策略，单时隙优化目标具体为：
[0035][0036][0037]38.其中：uk(a
t
,c
t
)为每种应用服务的效用函数，具体为
39.步骤三、构建基于合作博弈的组合集合，即请求同一类型应用服务的用户进行组合，用户之间以系统效用最大化为目标进行博弈，最终组合集合达到收敛稳定。
[0040]
所述的组合集合为在m中请求同一类型应用服务的用户进行组合形成的用户组合的集合π＝{φ1,φ2,...,φk}，其中：k≠k
′
,当没有组合φk内的用户会通过加入其它组合φk′
来改变当前的分区时，该组合集合π是稳定的集合。
[0041]
所述的基于合作博弈是指：每个用户选择任意一种类型的任务进行传输，并与组合中的其他用户共同构建边缘服务器中应用服务的任务队列，具体为：对于用户m，定义＞m为用户m可能形成的所有的可行组合上的一个完整的可传递的关系；当φi＞mφj，表示用户m相比于组合φj更愿意加入组合φi，这种偏好关系会影响着最终组合集合的形成。用户之间互相博弈形成组合，根据这种偏好关系即组合规则考虑是否加入新组合，最后达到所有组合稳定。在组合形成博弈中，偏好顺序可以保证组合稳定性的存在。
[0042]
所述的组合规则是指：当用户m加入组合后组合效用高于加入组合前的组合效用且自身效用提高，则该用户将加入到新组合中，即当用户选择加入组合φi时，其自身效用增加，并且会增加系统总效用，该组合规则具体为：增加，并且会增加系统总效用，该组合规则具体为：其中：其中：为用户的效用，为用户m加入组合φi后的新组合φi和原组合φj的组合效用，是用户m加入组合φi前的组合φi和原组合φj的组合效用。由于用户m的加入只会影响新旧组合，对其他组合不会产生影响，因此考虑新旧组合的组合效用进而影响总系统效用是可行的。
[0043]
所述的组合集合达到收敛稳定是指：通过所有用户根据组合规则不断博弈并最终收敛形成稳定的组合集合，具体包括：
[0044]
3.1)初始化组合集合：基站随机分配信道给服务请求的用户，每个用户随机选择待传输的任务，根据任务传输类型相同的用户构建初始组合集合为π。
[0045]
3.2)在所在组合下计算用户m的效用um(φ)，各个组合的效用uk(φ)和总系统效用。
[0046]
3.3)用户m从组合集合中选择一个组合，当用户没有与子信道进行关联，则首先将组合中关联的子信道分配给用户m，计算其加入后的自身效用、组合效用和总系统效用。
[0047]
判断用户m是否满足以下转移条件：
[0048]
a)用户m从当前组合φi转移到组合φj时，自身效用不小于加入前的效用；
[0049]
b)用户m从当前组合φi转移到组合φj时，系统效用大于加入前的原组合集合下的系统效用。
[0050]
当满足转移条件，则将组合φi加入到候选集合中；当不满足转移条件，则重新选择一个组合加入。
[0051]
3.4)当候选集合不为空，在用户m的候选组合中选择使系统效用最大的组合φ
opt
，更新用户加入后的新组合与旧组合。
[0052]
3.5)当所有用户的组合不再发生改变，则博弈结束，获得稳定的组合集合。
[0053]
根据最终稳定的组合集合生成信道分配和任务卸载策略。
[0054]
步骤四、在每个时隙内根据获得的信道分配和任务卸载策略进行任务传输，并根据队列更新规则更新时延剩余队列和任务队列任务积压队列，继续执行步骤三，直到所有任务传输完成。
[0055]
如图1所示，本实施例涉及的具体应用场景包括：一个基站、一个与基站相连的mec服务器、5个子信道、8个用户和3种不同类型的应用程序。所述的用户，其位置随机分布在半径为200m的仿真区域，总带宽w＝5mhz，平均任务生成大小为bk＝1mb，根据上述方法得到的仿真结果如图2-图6所示。
[0056]
如图2所示，为任务的平均时延在不同的平均任务大小下本发明提出的任务队列感知的实时信道分配与任务卸载方法与贪婪算法和随机算法的对比情况，如图可见，本发明可以达到最低的时延。
[0057]
如图3所示，为超出最大时延的任务所占总任务的百分比在不同的平均任务大小下本发明提出的任务队列感知的实时信道分配与任务卸载方法与贪婪算法和随机算法的对比情况，如图可见，本发明可以满足更多任务的实验要求。
[0058]
如图4所示，为边缘服务器中不同类型应用服务任务队列任务积压的方差在不同的平均任务大小下本发明提出的任务队列感知的实时信道分配与任务卸载方法与贪婪算法和随机算法的对比情况，如图可见，本发明可以达到更好的负载均衡。
[0059]
如图5所示，为任务的平均时延随着用户与基站距离的变化，本发明提出的任务队列感知的实时信道分配与任务卸载方法与贪婪算法和随机算法的对比情况，如图可见，本发明可以达到最低的时延。
[0060]
如图6所示，为边缘服务器中不同类型应用服务任务队列任务积压的方差随着用户与基站距离的变化，本发明提出的任务队列感知的实时信道分配与任务卸载方法与贪婪算法和随机算法的对比情况，如图可见，本发明可以达到更好的负载均衡。
[0061]
综上，本方法将基站信道分配和用户任务卸载问题建模为以最小化任务平均时延为目标的优化模型，综合考虑应用服务的任务队列的任务积压和任务剩余时延，基于李雅普诺夫优化框架将时域模型转换为单时隙模型，在每个时隙根据博弈论将用户划分为不同组合进行合作博弈，根据收敛形成的稳定的组合集合进行信道分配和任务传输并更新时延剩余队列和任务积压队列，直到所有任务传输完成，最终结果显著降低任务平均时延。
[0062]
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。