首页 / 专利库 / 电信 / 迭代 / 一种计算任务卸载方法、装置及计算机可读存储介质

一种计算任务卸载方法、装置及计算机可读存储介质

阅读:914发布:2021-09-19

专利汇可以提供一种计算任务卸载方法、装置及计算机可读存储介质专利检索,专利查询,专利分析的服务。并且根据本 发明 实施例 公开的一种计算任务卸载方法、装置及计算机可读存储介质,分别计算移动边缘计算环境下用户终端卸载计算任务的通信时间 和卸载能耗 用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 移动边缘计算MEC 服务器 执行卸载的计算任务的任务执行时间 基于 和 计算用户的平均能耗,以及基于 和 计算任务的平均响应延迟;针对用户的平均能耗和任务的平均响应延迟建立多目标优化模型;对多目标优化模型进行求解,得到多个满意的计算卸载决策方案。本发明将计算任务卸载问题转化为多目标优化问题后进行求解,得到多个满意的卸载决策方案,在快速变化的网络环境下,可以使得决策者拥有更多的选择,并更利于适应随时变化的需求。,下面是一种计算任务卸载方法、装置及计算机可读存储介质专利的具体信息内容。

1.一种计算任务卸载方法,应用于多用户移动通信网络,所述多用户移动通信网络中包括多个通信小单元以及与所述多个通信小单元通过有线网络连接的宏基站,所述通信小单元包括多个微基站以及与各所述微基站通过无线网络连接的用户终端,所述宏基站上设置有移动边缘计算MEC服务器,其特征在于,包括:
分别计算所述用户终端卸载计算任务的通信时间 和卸载能耗 所述用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 所述MEC服务器执行从所述用户终端卸载过来的计算任务的任务执行时间
基于所述 和 计算用户的平均能耗,以及基于所述 和 计算任务
的平均响应延迟;
针对所述用户的平均能耗和所述任务的平均响应延迟建立多目标优化模型,所述多目标优化模型表示为:
其中,所述P1为优化目标,所述C1、C2和C3均为约束条件,所述Om,j,k为第m个所述微基站连接的第j个所述用户终端的第k个所述计算任务的卸载决策,所述E为所述用户的平均能耗、所述T为所述任务的平均响应延迟,所述fm,j为第m个所述微基站连接的第j个所述用户终端的任务处理速率,所述PRm,j为第m个所述微基站连接的第j个所述用户终端的所述计算任务在本地执行所占的百分比,所述λm,j为第m个所述微基站连接的第j个所述用户终端的计算任务的平均到达率,所述F为所述MEC服务器的任务处理速率,所述NS为所述微基站的数量,所述Nm为第m个所述微基站连接的所述用户终端总数量;
对所述多目标优化模型进行求解,得到多个满意的卸载决策方案。
2.如权利要求1所述的计算任务卸载方法,其特征在于,所述基于所述 和 计算用户的平均能耗,以及基于所述 和 计算任务的平均响应延迟包括:
基于所述 和 计算用户的平均能耗,计算公式表示为:
其中,所述em,j为第m个所述微基站连接的第j个所述用户终端执行本地的计算任务时的能耗系数,所述Km,j为第m个所述微基站连接的第j个所述用户终端生成的任务数量,所述dm,j,k为第m个所述微基站连接的第j个所述用户终端的第k个所述计算任务的数据量,所述ω为第m个所述微基站连接的第j个所述用户终端所占用的信道带宽,pm,j为第m个所述微基站连接的第j个所述用户终端的数据传输功率,所述Gm,j为第m个所述微基站连接的第j个所述用户终端与第m个所述微基站之间的信道增益,所述σ2为背景噪声,所述Im,j为第m个所述微基站连接的第j个所述用户终端受到的信道干扰;
基于所述 和 计算任务的平均响应延迟,计算公式表示为:
3.如权利要求1所述的计算任务卸载方法,其特征在于,所述对所述多目标优化模型进行求解,得到多个满意的卸载决策方案包括:
步骤A、将所述卸载决策编码成种群中的个体,并生成初始种群;其中,所述种群中包括NP个个体,所述种群中各个体的维度为所述多用户移动通信网络中的所述用户终端的总数量,每一维度的值对应一个所述用户终端的所有计算任务的卸载决策,第m个所述微基站连接的第j个所述用户终端Um,j在所述个体中对应维度的值的取值范围为
步骤B、分别计算种群中每个个体所对应的个体支配平;
步骤C、基于所计算的所有所述个体支配水平,对所述种群内的所有个体进行分层排序;
步骤D、对所述分层排序后的各层级内的个体进行层内排序,并将排序后的所述种群作为父代种群;
步骤E、对所述父代种群中的个体进行交叉或变异操作,得到后代种群;
步骤F、分别计算所述后代种群内每个个体所对应的个体支配水平,并基于包括所述父代种群以及所述后代种群的整体种群内所有个体的个体支配水平,对所述整体种群内的所有个体进行分层排序,并对所述整体种群分层后的各层级内的个体进行层内排序,得到所述整体种群的排序结果;
步骤G、根据所述整体种群的排序结果,选择其中最优的NP个个体组成下一代父代种群,迭代次数加一;
步骤H、对所述下一代父代种群重复执行所述步骤E至所述步骤G,直至到达预设的迭代次数,将最终所得到的种群的第一层个体作为解集输出,并对输出结果中的各个体分别进行解码,得到多个满意的卸载决策方案。
4.如权利要求3所述的计算任务卸载方法,其特征在于,所述生成初始种群包括:
生成两个第一类个体,其中一个第一类个体的所有维度的值均取最大值Gx,另一个第一类个体的所有维度的值均取最小值0;其中, 所述A为所述多
用户移动通信网络中的所述用户终端的总数量,
生成A个第二类个体,所述第二类个体中所有个体的一个维度的值为0,其余维度的值为
生成NP-A-2个第三类个体,所述第三类个体中所有个体的所有维度的值均根据各自的取值范围随机生成;
由所述第一类个体、第二类个体和第三类个体组成初始种群。
5.如权利要求3所述的计算任务卸载方法,其特征在于,所述分别计算每个个体所对应的个体支配水平包括:
分别计算每个个体的目标函数值;所述目标函数值包括所述用户的平均能耗和所述任务的平均响应延迟;
将满足所述约束条件的个体组成可行域,并将不满足所述约束条件的个体组成非可行域;
基于所述可行域内的每个个体的函数值确定所述可行域内的每个个体所对应的个体支配水平;
计算所述非可行域内的每个个体的约束违反值,并基于所述非可行域内的每个个体的约束违反值和函数值,确定所述非可行域内的每个个体所对应的个体支配水平;所述约束违反值用于表征所述非可行域内的个体与可行域的距离。
6.如权利要求5所述的计算任务卸载方法,其特征在于,所述计算所述非可行域内的每个个体的约束违反值包括:
采用预设的约束违反值计算公式计算所述非可行域内的每个个体的约束违反值CV,所述约束违反值计算公式表示为:
其中,
7.如权利要求3所述的计算任务卸载方法,其特征在于,所述对所述分层排序后的各层级内的个体进行层内排序包括:
采用预设的拥挤距离计算公式计算所述分层排序后的各层级内的个体的拥挤距离;所述拥挤距离计算公式表示为:
其中,所述CDi为个体xi的拥挤距离,所述l为处于同一层级的个体的数量,所述M为目标函数值的数量, 和 分别为第k个目标函数的最大值和最小值,所述目标函数值包括所述用户的平均能耗和所述任务的平均响应延迟;
基于所计算的所述各层级内的个体的所述拥挤距离,对所述各层级内的个体进行层内排序。
8.一种计算任务卸载装置,应用于多用户移动通信网络,所述多用户移动通信网络中包括多个通信小单元以及与所述多个通信小单元通过有线网络连接的宏基站,所述通信小单元包括多个微基站以及与各所述微基站通过无线网络连接的用户终端,所述宏基站上设置有移动边缘计算MEC服务器,其特征在于,包括:
第一计算模,用于计算所述用户终端卸载计算任务的通信时间 和卸载能耗所述用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 所述MEC服务器执行从所述用户终端卸载过来的所述计算任务的任务执行时间
第二计算模块,用于基于所述 和 计算用户的平均能耗,以及基于所述
和 计算任务的平均响应延迟;
建立模块,用于针对所述用户的平均能耗和所述任务的平均响应延迟建立多目标优化模型,所述多目标优化模型表示为:
其中,所述P1为优化目标,所述C1、C2和C3均为约束条件,所述Om,j,k为第m个所述微基站连接的第j个所述用户终端的第k个所述计算任务的卸载决策,所述E为所述用户的平均能耗、所述T为所述任务的平均响应延迟,所述fm,j为第m个所述微基站连接的第j个所述用户终端的任务处理速率,所述PRm,j为第m个所述微基站连接的第j个所述用户终端的所述计算任务在本地执行所占的百分比,所述λm,j为第m个所述微基站连接的第j个所述用户终端的计算任务的平均到达率,所述F为所述MEC服务器的任务处理速率,所述NS为所述微基站的数量,所述Nm为第m个所述微基站连接的所述用户终端总数量;
求解模块,用于对所述多目标优化模型进行求解,得到多个满意的卸载决策方案。
9.一种电子装置,其特征在于,包括:处理器、存储器和通信总线;
所述通信总线用于实现所述处理器和存储器之间的连接通信;
所述处理器用于执行所述存储器中存储的一个或者多个程序,以实现如权利要求1至7中任意一项所述的计算任务卸载方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至7中任意一项所述的计算任务卸载方法的步骤。

说明书全文

一种计算任务卸载方法、装置及计算机可读存储介质

技术领域

[0001] 本发明涉及通信技术领域,尤其涉及一种计算任务卸载方法、装置及计算机可读存储介质。

背景技术

[0002] 随着物联网规模的不断扩大,智能设备的数量和数据量快速增长,但硬件技术却已经长久地停滞不前,也因此导致了大多物联网应用体验质量不佳的尴尬局面。移动边缘计算(Mobile Edge Computing,MEC)技术的出现对这一尴尬局面的缓解提供了全新的解决方案。移动边缘计算通过计算卸载技术能够为设备提供更多更强大的资源,在满足应用延时要求的同时还实现了降低能耗和提高用户体验的目的。
[0003] 一般而言,计算卸载技术的卸载决策指标包括降低延时、减少能耗以及延时和能耗之间的平衡三种。对于延迟敏感型的任务,优先选择降低延时是理所当然的;对于计算密集型任务,为了延长设备的生命周期,减少能耗是更好的选择;对于一些复杂的任务,如人脸识别、车联网等,延时和能耗都直接影响用户的体验质量,因此需要同时考虑。此外,由于信道质量的变化和用户需求的变化等不稳定因素,对于能耗和延时的优先级是不一样的。
[0004] 目前,在同时考虑延时和能耗的计算卸载方法中,通常都是利用加权的方法将能耗和时延统一成单目标问题来进行求解,然而这样的做法中延时和能耗的权重带有很大的主观性,而且只能求出唯一解,从而造成优化结果过于单一,无法考虑全局优化,无法满足用户随时变化的需求。

发明内容

[0005] 本发明实施例的主要目的在于提供一种计算任务卸载方法、装置及计算机可读存储介质,至少能够解决相关技术中利用加权的方法将能耗和时延统一成单目标问题来进行求解,所导致的计算卸载决策较为单一、无法考虑全局卸载决策以及无法满足用户随时变化的需求的问题。
[0006] 为实现上述目的,本发明实施例第一方面提供了一种计算任务卸载方法,应用于多用户移动通信网络,所述多用户移动通信网络中包括多个通信小单元以及与所述多个通信小单元通过有线网络连接的宏基站,所述通信小单元包括多个微基站以及与各所述微基站通过无线网络连接的用户终端,所述宏基站上设置有移动边缘计算MEC服务器,该方法包括:
[0007] 分别计算所述用户终端卸载计算任务的通信时间 和卸载能耗 所述用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 所述MEC服务器执行
从所述用户终端卸载过来的计算任务的任务执行时间
[0008] 基于所述 和 计算用户的平均能耗,以及基于所述 和 计算任务的平均响应延迟;
[0009] 针对所述用户的平均能耗和所述任务的平均响应延迟建立多目标优化模型;所述多目标优化模型表示为:
[0010]
[0011] 其中,所述P1为优化目标,所述C1、C2和C3均为约束条件,所述Om,j,k为第m个所述微基站连接的第j个所述用户终端的第k个所述计算任务的卸载决策,所述E为所述用户的平均能耗、所述T为所述任务的平均响应延迟,所述fm,j为第m个所述微基站连接的第j个所述用户终端的任务处理速率,所述PRm,j为第m个所述微基站连接的第j个所述用户终端的所述计算任务在本地执行所占的百分比,所述λm,j为第m个所述微基站连接的第j个所述用户终端的计算任务的平均到达率,所述F为所述MEC服务器的任务处理速率,所述NS为所述微基站的数量,所述Nm为第m个所述微基站连接的所述用户终端总数量;
[0012] 对所述多目标优化模型进行求解,得到多个满意的卸载决策方案。
[0013] 为实现上述目的,本发明实施例第二方面提供了一种计算任务卸载装置,应用于多用户移动通信网络,所述多用户移动通信网络中包括多个通信小单元以及与所述多个通信小单元通过有线网络连接的宏基站,所述通信小单元包括多个微基站以及与各所述微基站通过无线网络连接的用户终端,所述宏基站上设置有MEC服务器,该装置包括:
[0014] 第一计算模,用于分别计算所述用户终端卸载计算任务的通信时间 和卸载能耗 所述用户终端执行本地的计算任务的任务执行时间 和本地执行能耗所述MEC服务器执行从所述用户终端卸载过来的计算任务的任务执行时间
[0015] 第二计算模块,用于基于所述 和 计算用户的平均能耗,以及基于所述和 计算任务的平均响应延迟;
[0016] 建立模块,用于针对所述用户的平均能耗和所述任务的平均响应延迟建立多目标优化模型;所述多目标优化模型表示为:
[0017]
[0018] 其中,所述P1为优化目标,所述C1、C2和C3均为约束条件,所述Om,j,k为第m个所述微基站连接的第j个所述用户终端的第k个所述计算任务的卸载决策,所述E为所述用户的平均能耗、所述T为所述任务的平均响应延迟,所述fm,j为第m个所述微基站连接的第j个所述用户终端的任务处理速率,所述PRm,j为第m个所述微基站连接的第j个所述用户终端的所述计算任务在本地执行所占的百分比,所述λm,j为第m个所述微基站连接的第j个所述用户终端的计算任务的平均到达率,所述F为所述MEC服务器的任务处理速率,所述NS为所述微基站的数量,所述Nm为第m个所述微基站连接的所述用户终端总数量;
[0019] 求解模块,用于对所述多目标优化模型进行求解,得到多个满意的卸载决策方案。
[0020] 为实现上述目的,本发明实施例第三方面提供了一种电子装置,该电子装置包括:处理器、存储器和通信总线;
[0021] 所述通信总线用于实现所述处理器和存储器之间的连接通信;
[0022] 所述处理器用于执行所述存储器中存储的一个或者多个程序,以实现上述任意一种计算任务卸载方法的步骤。
[0023] 为实现上述目的,本发明实施例第四方面提供了一种计算机可读存储介质,该计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述任意一种计算任务卸载方法的步骤。
[0024] 根据本发明实施例提供的计算任务卸载方法、装置及计算机可读存储介质,分别计算移动边缘计算环境下用户终端卸载计算任务的通信时间 和卸载能耗 用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 MEC服务器执行卸载的计算任务的任务执行时间 基于 和 计算用户的平均能耗,以及基于
和 计算任务的平均响应延迟;针对用户的平均能耗和任务的平均响应延迟建立多目标优化模型;对多目标优化模型进行求解,得到多个满意的卸载决策方案。通过本发明的实施,将计算任务卸载问题转化为多目标优化问题后进行求解,而得到多个满意的卸载决策方案,在快速变化的网络环境下,可以使得决策者拥有更多的选择,并更利于适应随时变化的需求。
[0025] 本发明其他特征和相应的效果在说明书的后面部分进行阐述说明,且应当理解,至少部分效果从本发明说明书中的记载变的显而易见。附图说明
[0026] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0027] 图1为本发明第一实施例提供的多用户移动通信网络的系统架构示意图;
[0028] 图2为本发明第一实施例提供的计算任务卸载方法的基本流程示意图;
[0029] 图3为本发明第一实施例提供的基于NSGA-II算法的求解方法的基本流程示意图;
[0030] 图4为本发明第一实施例提供的初始种群的组成示意图;
[0031] 图5为本发明第一实施例提供的拥挤距离计算示意图;
[0032] 图6为本发明第一实施例提供的变异操作示意图;
[0033] 图7为本发明第一实施例提供的交叉操作示意图;
[0034] 图8为本发明第二实施例提供的一种计算任务卸载装置的结构示意图;
[0035] 图9为本发明第三实施例提供的电子装置的结构示意图。

具体实施方式

[0036] 为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0037] 第一实施例:
[0038] 为了解决相关技术中利用加权的方法将能耗和延时统一成单目标问题来进行求解,所导致的计算卸载决策较为单一、无法考虑全局卸载决策以及无法满足用户随时变化的需求的技术问题,本实施例提出了一种计算任务卸载方法,应用于包括多个通信小单元以及与多个通信小单元通过有线网络连接的宏基站的多用户移动通信网络,通信小单元包括多个微基站以及与各微基站通过无线网络连接的用户终端,宏基站上设置有移动边缘计算MEC服务器。
[0039] 如图1所示为本实施例提供的多用户移动通信网络的系统架构示意图,本实施例适用于多用户场景下的移动边缘计算系统。其中,网络中的通信小单元(Small cell)内有许多微基站(Small-cell eNodeB,SeNB),每个微基站都连接有若干个智能移动设备(Smart Mobile Devices,SMD),即本实施例的用户终端,每个用户终端仅连接一个微基站,用户终端与对应的微基站之间通过无线网络连接,而所有微基站都以有线的形式连接到宏基站(Macro eNodeB,MeNB),该宏基站上部署了移动边缘计算(MEC,Mobile Edge Computing)服务器,MEC服务器的计算能为F。设NS是微基站的数量,将第m个微基站称为Sm(m={1,2,...,NS})。设第m个微基站连接的用户终端总数为Nm,记第m个微基站连接的第j个用户终端为Um,j。每个用户终端被记作3元组Um,j=(fm,j,pm,j,em,j),其中fm,j是Um,j的计算能力,这里的计算能力也可称为任务处理速率,pm,j是Um,j的传输功率,em,j是用户终端设备执行计算任务时的能耗系数。
[0040] 另外,在本实施例中,假设Um,j需要处理若干个计算密集型和延迟敏感型的计算任务,这些任务的产生遵循平均到达率为λm,j的泊松过程,并且这些任务之间彼此独立,不能再被分割。假设Um,j生成的任务量是Km,j,本实施例将每个任务建模为2元组τm,j,k={dm,j,k,cm,j,k},其中dm,j,k是任务τm,j,k的数据大小,cm,j,k是执行任务τm,j,k所需的计算性能。每个任务可以在本地执行或卸载到MEC服务器执行,卸载任务时的卸载决策记作Om,j,k,其中,如果Om,j,k=1,该任务将被卸载到MEC服务器,反之,如果Om,j,k=0,则任务将在用户终端的本地执行。
[0041] 如图2所示为本实施例提供的计算任务卸载方法的基本流程示意图,本实施例提出的计算任务卸载方法包括以下的步骤:
[0042] 步骤201、分别计算用户终端卸载计算任务的通信时间 和卸载能耗 用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 MEC服务器执行从用
户终端卸载过来的计算任务的任务执行时间
[0043] 具体的,在本实施例中,在整个计算任务卸载过程中,用户终端的能耗分为两个部分:本地执行任务的计算能耗和卸载任务所需的通信能耗;而任务的响应延迟由三部分组成:本地执行延迟、传输延迟和MEC服务器执行延迟。基于此分析,本实施例分别对通信过程、本地计算过程和MEC服务器计算过程进行建模。
[0044] 应当说明的是,在本实施例中,假设信道总带宽是B,并且有N个信道,其中每个信道的带宽相等,每个通信小单元中用户终端和微基站之间的无线通信遵循对数正态阴影衰落模型。通信小单元内信道的分配是完全随机的,每个用户终端仅分配一个信道,通信小单元内的用户终端不存在通信干扰,而通信干扰只可能来源于其他小单元中使用相同信道的用户终端。还应当理解的是,本实施例只考虑从用户终端卸载任务到微基站的过程,因为微基站与宏基站通过有线连接,传输时间几乎可以忽略不计,从微基站返回的任务执行结果的数据量通常非常小,因此,传输的时间远远小于上传过程的时间,对结果返回的时间可以进行忽略。
[0045] 在本实施例中,对于用户Um,j而言,如果存在需要卸载的任务,可以根据Shannon-Hartley定理计算用户终端的数据传输速率Rm,j,计算公式表示为:
[0046]
[0047] 其中,ω是子带宽,pm,j为第m个微基站连接的第j个用户终端的传输功率,Gm,j为第m个微基站连接的第j个用户终端与第m个微基站之间的信道增益,σ2为背景噪声,Im,j为第m个微基站连接的第j个用户终端受到的信道干扰。
[0048] 应当说明的是,信道干扰Im,j通过以下计算公式得到:
[0049]
[0050] 其中,al,i,m,j∈{0,1}是一个二进制变量,代表是否有干扰存在。
[0051] 由此,可以计算出卸载任务的通信时间 为:
[0052]
[0053] 并且,卸载任务所损失的能耗 为:
[0054]
[0055] 在本实施例中,假设任务的执行过程遵循M/M/1队列模型。假设在用户终端本地执行的任务的百分比是PRm,j,则本地执行这些任务的平均停留时间 (包括排队延迟和执行延迟)定义如下:
[0056]
[0057] 以及,本地执行计算所消耗的能量 为:
[0058]
[0059] 此外,假设MEC服务器的任务执行过程也遵循M/M/1队列模型。对于MEC服务器,任务的到达率可以如下计算:
[0060]
[0061] 从而,在MEC中执行任务所需时间 为:
[0062]
[0063] 步骤202、基于 和 计算用户的平均能耗,以及基于 和 计算任务的平均响应延迟。
[0064] 在本实施例中,用户终端的总能耗是本地执行能量消耗和传输能量消耗的总和,则用户的平均能耗可以计算如下:
[0065]
[0066] 其中,em,j为第m个微基站连接的第j个用户终端执行任务时的能耗系数,Km,j为第m个微基站连接的第j个用户终端生成的任务数量,dm,j,k为第m个微基站连接的第j个用户终端的第k个计算任务的数据量,ω为第m个微基站连接的第j个用户终端所占用的信道带宽,pm,j为第m个微基站连接的第j个用户终端的数据传输功率,Gm,j为第m个微基站连接的第j个用户终端与第m个微基站之间的信道增益,σ2为背景噪声,Im,j为第m个微基站连接的第j个用户终端受到的信道干扰。
[0067] 另外,在本实施例中,任务的总延迟时间是传输延迟与MEC执行延迟之和,或本地执行延迟。则任务的平均响应延迟可以计算如下:
[0068]
[0069] 步骤203、针对用户的平均能耗和任务的平均响应延迟建立多目标优化模型。
[0070] 具体的,在本实施例中,将卸载决策过程建模为包含两个目标函数的多目标优化问题,目的在于寻找响应延时与能耗之间的平衡。其中,多目标优化模型以以下形式表示:
[0071]
[0072] 其中,P1为优化目标,C1、C2和C3均为约束条件,Om,j,k为第m个微基站连接的第j个用户终端的第k个计算任务的卸载决策,E为用户的平均能耗、T为任务的平均响应延迟,fm,j为第m个微基站连接的第j个用户终端的任务处理速率,PRm,j为本地的计算任务所占的百分比,λm,j为第m个微基站连接的第j个用户终端的计算任务的平均到达率,F为MEC服务器的任务处理速率,NS为微基站的数量,Nm为第m个微基站连接的用户终端总数量。
[0073] 另外,应当说明的是,“s.t.”表示受限制于、受约束于,约束条件C1保证本地执行的任务到达率小于用户的任务处理速率;约束条件C2确保MEC服务器的任务到达率低于MEC的任务处理速率;约束条件C3确保卸载决策是二进制的。
[0074] 步骤204、对多目标优化模型进行求解,得到多个满意的卸载决策方案。
[0075] 可选的,为了达到优化目标P1,本实施例可以利用NSGA-II算法对其进行求解。首先,将P1中的决策变量Om,j,k编码成种群中的个体。假设网络中的用户总数为用户终端Um,j有Km,j个任务需要进行决策,则种群中每个个体的维度为 每一维
度的值对应一个用户终端的所有任务的卸载决策。由于卸载决策变量Om,j,k为二进制变量,每一维度的值又同时对应Km,j个任务的卸载决策。因此,本实施例将这Km,j个卸载决策的组合转化为十进制表示,即为对应维度的值。例:用户终端Um,j有Km,j=3个任务需要卸载,对应的卸载决策为{1,0,1},则该用户终端在个体中对应维度的值为101(二进制)=5(十进制)。
显然,用户终端Um,j在个体中对应维度的值的取值范围为 相应的,
当种群进化完成得到Pareto解集之后,我们只需对个体进行解码,即将十进制数转化为二进制表示即可得到所有任务的卸载决策。将决策变量编码成个体以后,只需利用NSGA-II的算法机制求出Pareto解集,即可得到问题P1的多个满意解。具体的NSGA-II算法运行机制描述如下:
[0076] 如图3为本实施例提供的基于NSGA-II算法的求解方法的流程示意图,本实施例在对多目标优化模型进行求解时,具体包括以下步骤:
[0077] 步骤301、将各卸载决策均编码成种群中的个体,并生成初始种群。
[0078] 其中,种群中包括NP个个体,种群中各个体的维度为多用户移动通信网络中的用户终端的总数量,每一维度的值对应一个用户终端的所有计算任务的卸载决策,第m个微基站连接的第j个用户终端Um,j在个体中对应维度的值的取值范围为此外,还应当理解的是,在种群初始化之前,本实施例中先初始化NSGA-II的主要参数,包括种群大小NP,最大迭代次数G,交叉概率CR和变异概率MP。
[0079] 如图4所示为本实施例提供的一种初始种群的组成示意图。可选的,生成初始种群包括:生成两个第一类个体,其中一个第一类个体的所有维度的值均取最大值Gx,另一个第一类个体的所有维度的值均取最小值0;其中, A为多用户移动通信网络中的用户终端的总数量, 生成A个其中一个维度的值为0,其余维
度的值 为的第二类个体;生成NP-A-2个第三类个体,第三类个体中所有个体的所有维度的值均根据各自的取值范围随机生成;由第一类个体、第二类个体和第三类个体组成初始种群。
[0080] 步骤302、分别计算每个个体所对应的个体支配平。
[0081] 可选的,分别计算每个个体所对应的个体支配水平可以通过以下方式实现:分别计算每个个体的目标函数值,目标函数值包括用户的平均能耗和任务的平均响应延迟;将满足约束条件的个体组成可行域,并将不满足约束条件的个体组成非可行域;基于可行域内的每个个体的函数值确定可行域内的每个个体所对应的个体支配水平;计算非可行域内的每个个体的约束违反值,并基于非可行域内的每个个体的约束违反值和函数值,确定非可行域内的每个个体所对应的个体支配水平;约束违反值用于表征非可行域内的个体与可行域的距离。
[0082] 进一步地,计算非可行域内的每个个体的约束违反值包括:
[0083] 采用预设的约束违反值计算公式计算非可行域内的每个个体的约束违反值CV,约束违反值计算公式表示为:
[0084]
[0085] 其中,
[0086]
[0087] 还应当说明的是,本实施例中通过目标函数评估每个个体的优劣,也即通过前述的E和T的计算公式来计算卸载决策所对应的能耗和延时大小。需要注意的是,可能有一些个体不满足约束条件,我们称这些个体是不可行的解决方案,所有不满足约束条件的个体构成非可行域。CV的值可以反映它们与可行域的距离。在可行域内,函数值越小,个体的支配水平越高;可行域内的个体总是比非可行域内的个体支配水平高;在非可行域内,CV的值越小,支配水平越高,相同CV时,函数值越小,个体的支配水平越高。
[0088] 步骤303、基于所计算的所有个体支配水平,对种群内的所有个体进行分层排序。
[0089] 具体的,本实施例对种群进行分层,所有个体都将分配在不同的层级。分层的依据是个体的支配水平。首先,在整个种群中寻找所有不被任何个体支配的个体,以形成第一层。然后,我们在剩余的个体中找到不被任何个体支配的个体,以形成第二层。一直重复此过程,直到所有个体都被分配了层级。
[0090] 步骤304、对分层排序后的各层级内的个体进行层内排序,并将排序后的种群作为父代种群。
[0091] 可选的,在本实施例中对同层级的个体进行层内排序的方式可以通过以下方式实现:
[0092] 采用预设的拥挤距离计算公式计算分层排序后的各层级内的个体的拥挤距离,拥挤距离计算公式表示为:
[0093]
[0094] 其中,CDi为个体xi的拥挤距离,l为处于同一层级的个体的数量,M为目标函数的数量, 和 分别为第k个目标函数值的最大值和最小值,目标函数值包括用户的平均能耗和任务的平均响应延迟;
[0095] 基于所计算的各层级内的个体的拥挤距离,对各层级内的个体的进行层内排序。
[0096] 具体的,在对种群进行分层后,本实施例通过拥挤距离(Crowding Distance,CD)来评估个体的多样性。如图5所示为本实施例提供的拥挤距离计算示意图,其中,横坐标f1与纵坐标f2分别表示能耗与延时,圆圈代表处于同一层级的个体,xi为目标个体,xi+1以及xi-1为与目标个体最近的两个个体。对于目标个体xi,考虑与其在同一层级的两个最近的个体构成的矩形,在构建该矩形时,矩形的长和宽分别与两条坐标轴平行,而与目标个体最近的两个同层个体分别位于矩形的对上,从而通过该矩形将目标个体包围在内,而个体xi的CD即是该矩形的平均边长。
[0097] 另外,应当说明的是,对于任意两个个体x1和x2,x1比x2好(x1支配x2)当且仅当满足两个条件之一:
[0098] 1)x1的层级比x2更高;
[0099] 2)x1和x2在同一层但
[0100] 根据这一原则可以对相同层级的个体进行排序,则所有个体都将得到最终的排序。层级序号越小,该层级别越高,代表个体越好,被选为下一代个体的概率就越高。
[0101] 步骤305、对父代种群中的个体进行交叉或变异操作,得到后代种群。
[0102] 具体的,本实施例在种群中随机选择两个个体并且生成一个(0,1)范围内的随机数。如果此值大于交叉概率CR,则将对这两个个体进行变异操作。否则,将执行交叉操作。
[0103] 如图6所示为本实施例提供的变异操作示意图,本实施例按照如下公式对个体的每一维进行变异操作:
[0104]
[0105] 其中,x′i是xi的后代,j∈[1,A]是个体xi的维度,j=jrand确保至少有一个维度会发生变化。
[0106] 如图7所示为本实施例提供的交叉操作示意图,本实施例按照如下公式对个体的每一维进行变异操作:
[0107]
[0108] 其中x′1和x′2都是后代,并且θ∈(0,1),用于控制整个算法探索与开发的程度(图7中θ=0.2)
[0109] 步骤306、分别计算后代种群内每个个体所对应的个体支配水平,并基于包括父代种群以及后代种群的整体种群内所有个体的个体支配水平,对整体种群内的所有个体进行分层排序,并对整体种群分层后的各层级内的个体进行层内排序,得到整体种群的排序结果。
[0110] 步骤307、根据整体种群的排序结果,选择最优的NP个个体组成下一代父代种群,迭代次数加一。转至步骤305,对下一代父代种群重复执行步骤305至步骤307,。
[0111] 步骤308、在到达预设的迭代次数时,将最终所得到的种群的第一层个体作为解集输出,并对输出结果中的各个体分别进行解码,得到多个满意的卸载决策方案。
[0112] 具体的,在产生后代种群后,本实施例继续估计后代种群的个体支配水平,然后,对包括父代种群和后代种群的整个种群进行分层排序和层级内排序,根据排序结果,选择最好的前NP个个体继续形成下一代种群继续进行算法迭代,当算法一直循坏直到达到最大迭代次数,则将第一层的个体输出作为Pareto解集,并将这些解转换为二进制形式作为最佳卸载决策方案,最佳卸载决策方案即多个满意的卸载决策方案。
[0113] 根据本发明实施例提供的计算任务卸载方法,分别计算用户终端卸载计算任务的通信时间 和卸载能耗 用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 MEC服务器执行卸载的计算任务的任务执行时间 基于 和 计算
用户的平均能耗,以及基于 和 计算任务的平均响应延迟;针对用户的平均
能耗和任务的平均响应延迟建立多目标优化模型;对多目标优化模型进行求解,得到多个满意的卸载决策方案。通过本发明的实施,将计算任务卸载问题转化为多目标优化问题后进行求解,而得到多个满意的卸载决策方案,在快速变化的网络环境下,可以使得决策者拥有更多的选择,并更利于适应随机变化的需求。
[0114] 第二实施例:
[0115] 为了解决相关技术中利用加权的方法将能耗和时延统一成单目标问题来进行求解,所导致的计算卸载决策较为单一、无法考虑全局卸载决策以及无法满足用户随时变化的需求的技术问题,本实施例示出了一种计算任务卸载装置,应用于包括多个通信小单元以及与多个通信小单元通过有线网络连接的宏基站的多用户移动通信网络,通信小单元包括多个微基站以及与各微基站通过无线网络连接的用户终端,宏基站上设置有移动边缘计算MEC服务器,具体请参见图8,本实施例的计算任务卸载装置包括:
[0116] 第一计算模块801,用于分别计算用户终端卸载计算任务的通信时间 和卸载能耗 用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 MEC服务器执行从用户终端卸载过来的计算任务的任务执行时间
[0117] 第二计算模块802,用于基于 和 计算用户的平均能耗,以及基于和 计算任务的平均响应延迟;
[0118] 建立模块803,用于针对用户的平均能耗和任务的平均响应延迟建立多目标优化模型;多目标优化模型表示为:
[0119]
[0120] 其中,P1为优化目标,C1、C2和C3均为约束条件,Om,j,k为第m个微基站连接的第j个用户终端的第k个计算任务的卸载决策,E为用户的平均能耗、T为任务的平均响应延迟,fm,j为第m个微基站连接的第j个用户终端的任务处理速率,PRm,j为本地的计算任务所占的百分比,λm,j为第m个微基站连接的第j个用户终端的计算任务的平均到达率,F为MEC服务器的任务处理速率,NS为微基站的数量,Nm为第m个微基站连接的用户终端总数量;
[0121] 求解模块804,用于对多目标优化模型进行求解,得到多个满意卸载决策。
[0122] 在本实施例的一些实施方式中,第二计算模块802具体用于基于以下计算公式计算用户的平均能耗:
[0123]
[0124] 并基于以下计算公式计算任务的平均响应延迟:
[0125]
[0126] 在本实施例的一些实施方式中,求解模块804具体包括:生成子模块,用于将卸载决策编码成种群中的个体,并生成初始种群,其中,种群中包括NP个个体,种群中各个体的维度为多用户移动通信网络中的用户终端的总数量,每一维度的值对应一个用户终端的所有计算任务的卸载决策,第m个微基站连接的第j个用户终端Um,j在个体中对应维度的值的取值范围为 计算子模块,用于分别计算每个个体所对应的个体支配水平;第一排序子模块,用于基于所计算的所有个体支配水平,对种群内的所有个体进行分层排序;第二排序子模块,用于对分层排序后的各层级内的个体进行层内排序,并将排序后的种群作为父代种群;操作子模块,用于对父代种群中的个体进行交叉或变异操作,得到后代种群;第三排序子模块,用于分别计算后代种群内每个个体所对应的个体支配水平,并基于包括父代种群以及后代种群的整体种群内所有个体的个体支配水平,对整体种群内的所有个体进行分层排序,并对整体种群分层后的各层级内的个体进行层内排序,得到整体种群的排序结果;选择子模块,用于根据整体种群的排序结果,选择最优的NP个个体组成下一代父代种群,迭代次数加一;迭代子模块,用于将下一代父代种群输入至操作子模块重复执行对应步骤,直至到达预设的迭代次数,将最终所得到的种群的第一层个体作为解集输出,并对输出结果中的各个体分别进行解码,得到多个满意的卸载决策方案。
[0127] 进一步地,在本实施例的一些实施方式中,生成子模块在生成初始种群时,具体用于生成两个第一类个体,其中一个第一类个体的所有维度的值均取最大值Gx,另一个第一类个体的所有维度的值均取最小值0;其中, A为多用户移动通信网络中的用户终端的总数量, 生成A个其中一个维度的值为0,其余维度
的值 为的第二类个体;生成NP-A-2个第三类个体,第三类个体中所有个体的所有维度的值均根据各自的取值范围随机生成;由第一类个体、第二类个体和第三类个体组成初始种群。
[0128] 进一步地,在本实施例的一些实施方式中,计算子模块具体用于分别计算每个个体的目标函数值,目标函数值包括E和T;将满足约束条件的个体组成可行域,并将不满足约束条件的个体组成非可行域;基于可行域内的每个个体的函数值确定可行域内的每个个体所对应的个体支配水平;计算非可行域内的每个个体的约束违反值,并基于非可行域内的每个个体的约束违反值和函数值,确定非可行域内的每个个体所对应的个体支配水平;约束违反值用于表征非可行域内的个体与可行域的距离。
[0129] 更进一步地,在本实施例的一些实施方式中,计算子模块在计算非可行域内的每个个体的约束违反值时,具体用于采用预设的约束违反值计算公式计算非可行域内的每个个体的约束违反值CV,约束违反值计算公式表示为:
[0130]
[0131] 其中,
[0132]
[0133] 进一步地,第二排序子模块具体用于采用预设的拥挤距离计算公式计算所述分层排序后的各层级内的个体的拥挤距离;所述拥挤距离计算公式表示为:
[0134]
[0135] 其中,所述CDi为个体i的拥挤距离,所述l为处于同一层级的个体的数量,所述M为目标函数值的数量, 和 分别为第k个目标函数的最大值和最小值,所述目标函数值包括所述E和所述T;基于所计算的各层级内的个体的拥挤距离,对各层级内的个体进行层内排序。
[0136] 应当说明的是,前述实施例中的计算任务卸载方法均可基于本实施例提供的计算任务卸载装置实现,所属领域的普通技术人员可以清楚的了解到,为描述的方便和简洁,本实施例中所描述的计算任务卸载装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
[0137] 采用本实施例提供的计算任务卸载装置,分别计算用户终端卸载计算任务的通信时间 和卸载能耗 用户终端执行本地的计算任务的任务执行时间 和本地执行能耗 MEC服务器执行卸载的计算任务的任务执行时间 基于 和 计算用户
的平均能耗,以及基于 和 计算任务的平均响应延迟;针对用户的平均能耗
和任务的平均响应延迟建立多目标优化模型;对多目标优化模型进行求解,得到多个满意的卸载决策方案。通过本发明的实施,将计算任务卸载问题转化为多目标优化问题后进行求解,而得到多个满意的卸载决策方案,在快速变化的网络环境下,可以使得决策者拥有更多的选择,并更利于适应随时变化的需求。
[0138] 第三实施例:
[0139] 本实施例提供了一种电子装置,参见图9所示,其包括处理器901、存储器902及通信总线903,其中:通信总线903用于实现处理器901和存储器902之间的连接通信;处理器901用于执行存储器902中存储的一个或者多个计算机程序,以实现上述实施例一中的计算任务卸载方法中的至少一个步骤。
[0140] 本实施例还提供了一种计算机可读存储介质,该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(Electrically Erasable Programmable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
[0141] 本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序,其存储的一个或者多个计算机程序可被处理器执行,以实现上述实施例一中的方法的至少一个步骤。
[0142] 本实施例还提供了一种计算机程序,该计算机程序可以分布在计算机可读介质上,由可计算装置来执行,以实现上述实施例一中的方法的至少一个步骤;并且在某些情况下,可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
[0143] 本实施例还提供了一种计算机程序产品,包括计算机可读装置,该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
[0144] 可见,本领域的技术人员应该明白,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路
[0145] 此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。所以,本发明不限制于任何特定的硬件和软件结合。
[0146] 以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈