一种基于移动边缘计算的任务卸载及服务缓存联合优化方法

本发明属于移动通信，具体涉及一种基于移动边缘计算的任务卸载及服务缓存联合优化方法。

背景技术：

1、随着全球互联网和物联网(iot)技术的发展和融合，促使终端设备和智能应用呈指数增长。自动驾驶、智慧医疗、虚拟现实等各种应用都需要低时延和低能耗来保证自身的高可靠性，为用户提供高质量体验。但随着对beyond 5g网络的使用，小区内密集部署了许多小型基站，这可能会导致网络性能下降和回程拥塞。同时，由于用户设备与远程云之间的长传播延迟，应用频繁通过云端获取与特定计算任务相关的服务，因此无法满足应用对时延的需求。移动边缘计算(mec)是一种具有通信、计算和存储功能的共享应用模式。与云计算相比，mec将数据和服务的前沿从集中式云基础设施推向互联网的逻辑边缘，可以有效解决时延和网络拥塞等问题。

2、在mec系统中使用高速缓存来动态存储特定应用所需的服务已经成为了一种有效的方法，可以节约回程链路的带宽资源，减少任务处理时延。有许多工作考虑在mec框架下研究计算卸载与边缘缓存的相关问题，例如：一种mec系统的服务缓存和计算卸载问题的研究使用混合整数非线性规划对计算卸载决策、服务缓存放置进行联合优化，并设计了一种降低复杂度的交替最小化技术来交替更新卸载决策和缓存放置策略。一种多用户计算卸载与数据缓存问题的研究提出了一种用于混合移动云的联合数据缓存和计算卸载策略，并使用交替方向乘子法来获得最优的性能。一种服务缓存、计算迁移和资源分配联合优化问题的研究提出了一种基于半定松弛的方法和交替优化的有效近似算法来解决多用户多任务场景下的计算卸载和服务缓存问题。但在beyond 5g分布式网络中，由于大量多元化的边缘节点是高度自治的，例如，小型基站，wi-fi ap，边缘节点之间存在着差异化的通信特征、缓存能力和计算能力，可能会引起边缘节点的缓存内容与用户的任务需求不完全匹配的问题。因此，在不同的边缘节点服务区域中，边缘节点应该根据异构任务的特征和用户偏好，预先缓存满足用户任务需求的服务。

技术实现思路

1、针对现有技术存在的不足，本发明提出了一种基于移动边缘计算的任务卸载及服务缓存联合优化方法，该方法包括：

2、s1：构建移动边缘计算系统网络模型；

3、s2：基于移动边缘计算系统网络模型构建通信模型、计算卸载模型和服务缓存模型；

4、s3：根据通信模型、计算卸载模型和服务缓存模型建立任务卸载及服务缓存联合优化问题；

5、s4：采用基于dpfl算法的分布式边缘协同卸载和服务缓存方法求解任务卸载及服务缓存联合优化问题，得到任务卸载策略和服务缓存策略。

6、优选的，移动边缘计算系统网络模型包括：n个边缘节点，定义边缘节点集合每个边缘节点均部署了mec服务器；每个边缘节点服务区域内有u个用户设备，定义用户集合网络中具有q种服务类型，定义网络中的服务类型集合为在边缘节点n中，第i个用户设备ui,n的任务为μi,n(t)＝(gi,n(t),qi,n(t),ρi,n(t),τi,n(t))，其中gi,n(t)为计算任务大小，qi,n(t)是任务所需的服务，ρi,n(t)是处理任务每字节所需要的cpu周期数，τi,n(t)表示完成该任务所能容忍的最大时延；边缘节点下所有用户的任务表示为μn(t)＝{μ1,n(t),μ2,n(t),…,μu,n(t)}。

7、优选的，通信模型包括：任务通过无线上行链路信道从用户设备发送到边缘节点，并由该边缘节点部署的mec服务器进行处理。

8、优选的，计算卸载模型包括：任一边缘节点具有四种计算任务处理方式，不同任务处理方式具有不同的任务处理时延和用户设备能耗；四种任务处理方式分别为：本地计算、卸载到关联节点进行处理、通过关联节点将卸载的任务转发到相邻节点进行处理、卸载到云端进行处理。

9、优选的，服务缓存模型包括：采用二进制变量表示边缘节点n在时隙t的服务缓存决策；若边缘节点n缓存了服务qi,n，则否则，在时隙t内，边缘节点n的服务缓存决策表示为

10、优选的，建立任务卸载及服务缓存联合优化问题的过程包括：根据不同任务处理方式下的任务处理时延和用户设备能耗构建成本最小优化目标函数；构建优化约束条件，包括任务处理时延约束、服务存储容量约束和任务卸载决策约束；根据成本最小优化目标函数和联合优化约束条件建立任务卸载及服务缓存联合优化问题。

11、进一步的，任务卸载及服务缓存联合优化问题表示为：

12、

13、

14、

15、

16、

17、其中，φn(t)表示在时隙t内，边缘节点n下完成所有用户计算任务的总成本，表示边缘节点n在时隙t的服务缓存决策，表示边缘节点n在时隙t的卸载决策，ti,n(t)表示边缘节点n在时隙t的任务处理时延，τi,n(t)表示边缘节点n在时隙t的任务处理最大容忍时延，表示边缘节点集合，表示用户设备集合，表示边缘节点n在时隙t是否缓存了服务q，cq表示服务q的存储空间，cn表示边缘节点n的服务存储空间，表示服务类型集合，表示边缘节点n下的用户设备i在时隙t的卸载决策，n表示边缘节点数量。

18、优选的，求解任务卸载及服务缓存联合优化问题的过程包括：

19、将任务卸载及服务缓存联合优化问题描述为马尔科夫决策问题并训练dqn模型，得到训练好的dqn模型；将dqn模型作为全局模型，采用个性化联邦学习训练模型训练全局模型，得到训练好的全局模型；边缘节点从训练好的全局模型获取任务卸载策略和服务缓存策略。

20、进一步的，训练dqn模型的过程包括：

21、将边缘节点作为dqn代理，初始化代理的状态、动作和奖励，初始化估计网络和目标网络；

22、在估计网络中根据当前状态获取任务卸载策略和服务缓存策略，根据任务卸载策略和服务缓存策略执行动作并更新奖励，进入下一状态；

23、根据当前状态、下一状态、动作和奖励生成经验，采样多条经验训练估计网络和目标网络，得到训练好的估计网络和目标网络；

24、更新奖励的公式为：

25、

26、其中，rn(t)表示奖励值，χn(t)表示边缘节点n存储的服务是否超过总容量，u表示用户设备数量，βi,n(t)表示任务处理时延是否满足终端需求，φn(t)表示在时隙t内，边缘节点n下完成所有用户计算任务的总成本。

27、进一步的，个性化联邦学习训练模型训练全局模型的过程包括：

28、将边缘节点作为客户端，云服务器作为中央控制器；在一个决策周期内，多个客户端从中央控制器下载全局模型和服务缓存策略，将下载的全局模型作为本地模型；

29、每个客户端根据当前的服务需求训练个性化模型；根据个性化模型更新本地模型，将更新后的本地模型上传至中央控制器；

30、中央控制器根据多个本地模型更新全局模型，得到训练好的全局模型。

31、本发明的有益效果为：本发明考虑到用户差异化的需求以及动态时变的网络环境等因素，以最小化任务处理时延和设备能耗为目标，提出了一种基于移动边缘计算的任务卸载及服务缓存联合优化方法，并提出了一种基于深度强化学习和个性化联邦学习的分布式边缘协同卸载和服务缓存方法。个性化联邦学习可以解决fl在非独立同分布数据和共享模型上的问题，并通过训练dqn模型，对本地边缘节点的数据进行额外的训练，考虑到用户对应用偏好的差异，利用个性化联邦学习算法基于历史请求信息预测流行服务，使mec服务器做出更优的决策，达到区域模型个性化的目的，为异构区域中的用户提供适应的服务缓存策略，同时保护用户的数据隐私。大量的仿真结果表明，本发明所提方案可以实现更低的时延和设备能耗，以及更高的缓存命中率，验证了所提方案的有效性。