一种具有性能与需求匹配能力的边缘节点计算卸载方法

文档序号：25537593发布日期：2021-06-18 20:32阅读：165来源：国知局

本发明属于本发明属于物联网应用技术领域，具体涉及一种具有性能与需求匹配能力的边缘节点计算卸载方法。

背景技术：

随着物联网的快速发展，越来越多的设备通过物联网技术进行连接并产生海量的数据和需求。然而，大多数物联网设备具有非常受限的计算资源，无法满足日益复杂的应用需求，边缘计算则被认为是解决这个关键问题的富有前景的计算范式。在边缘计算中有两种协作计算方式，一是将计算资源被部署到靠近设备的地方，如智能网关、接入点、基站等，并集成作为边缘服务器，而是利用物联网节点数量庞大的特点，利用某一设备附近其余空闲的物联网设备的计算资源。通过以上两种计算方式，资源受限设备可以将计算任务通过单跳的无线传输卸载到边缘服务器或其他空闲节点进行计算并且返回计算结果，实现了计算资源的共享利用。

任务卸载的目标选择技术被认为是边缘计算的关键技术之一，通过选择合适的卸载目标，物联网设备可以实现计算与能耗优化以及并行计算。然而，由于物联网设备多数具有较高的移动性，现实中物联网的网络拓扑结构非常复杂且易变。这种动态变化的网络拓扑结构对任务卸载决策具有重要的影响。此外，从计算任务的角度看，现实中的计算任务具有较大的多样性，每一种任务对于具体的计算需求都不尽相同；从计算协助者的角度看，不同的边缘节点往往也具备不同的硬件配置，对应的计算能力和特点亦会有较大的差异。上述的计算任务与计算节点的多样性导致了计算需求与实际性能的倾斜，而这也引入了需求与性能的匹配能力。

计算延迟对于物联网环境中的任务卸载是至关重要的指标，如果没有为每一个任务进行需求与性能的匹配，会导致任务卸载的延时并不能达到最优，进而影响整个系统的运行效率。

现有技术中，解决任务卸载的目标选择问题通常采用分布式解决方案，典型代表如基于随机型多臂老虎机的alto在线学习算法（“adaptivelearning-basedtaskoffloadingforvehicularedgecomputingsystems,”ieeetransactionsonvehiculartechnology,vol.68,no.4,pp.3061–3074,2019.）、基于q-learning的qpi强化学习算法（“learningbasedmobilitymanagementunderuncertaintiesformobileedgecomputing,”in2018ieeeglobalcommunicationsconference(globecom).ieee,2018,pp.1–6）。以上两个算法的共同的缺点是其将卸载延时看成一个整体，根据完整的卸载延迟作为反馈更新算法的选择。

目前在边缘计算中已有的节点间任务卸载选择算法普遍存在一些问题：已有的卸载选择算法主要将计算延迟看成一个整体，并没有考虑到计算延迟的一些组成部分之间是相对独立的，而这些独立的部分与边缘节点的性能配置有关，例如计算速度和传输速度是两个相对独立的性能指标。对于计算任务，主要可以分为计算密集型任务和数据密集型任务。前者在卸载时，计算能力将会比传输能力更加重要，而后者则相反，这一特点使得传统的任务卸载算法很难真正选择适合某一任务的边缘节点。

技术实现要素：

本发明认为卸载延迟是由传输延迟和计算延迟两部分组成的。这两部分性能指标在多数情况下互不相关，不同的可用设备在这两部分的性能也具有差异性。传输延迟和计算延迟在卸载过程中的分别受传输数据量和计算密度的影响，这两个属性在任务中也是相对独立的。因此，本发明的目的是提供一种具有性能与需求匹配能力的方法，该方法将考虑到任务和需求具有多样性的实际情况，解决在物联网场景下的任务卸载问题以更好地降低计算任务的执行延迟。本发明主要考虑边缘节点之间进行的卸载，不考虑与云端进行卸载。

本发明的目的至少通过如下技术方案之一实现。

一种具有性能与需求匹配能力的边缘节点计算卸载方法，包括以下步骤：

s1：建立拥有多个移动边缘节点设备的协同计算网络系统；

s2：构建并初始化节点性能估计模型、任务需求估计模型，初始化所需的运行变量；

s3：使用基于对抗型多臂老虎机的强化学习方法进行卸载目标的在线选择；

s4：将任务卸载至所选目标，观察实际卸载延迟；

s5：使用本次卸载的实际延迟更新节点性能估计模型；

s6：中心设备使用更新的节点性能估计模型作为下一次卸载的行为依据；

s7：判断是否有新的卸载请求，若有则跳至步骤s3，否则继续执行本步骤，等待新的卸载请求。

进一步地，步骤s1中，考虑一个包括个物联网设备的物联网系统，；对物联网系统内任一中心设备建立以自身为中心的单跳星型网络；其单跳星型网络中包括的可以提供协助计算的边缘节点的物联网设备称为可用设备，以符号表示，可用设备构成的集合称为可用设备集合；运行总时间为，在每次运行前更新当前时隙的，在任一时隙内保持恒定不变，但在不同时隙间可能会发生改变；该单跳星型网络即为中心设备视角下的协同计算网络系统。

进一步地，步骤s2中，对于每一个需要发起计算卸载请求的中心设备都需要建立属于自己的节点性能估计模型和任务需求估计模型；中心设备在某一时隙需要卸载一个计算任务至第个可以提供协助计算的可用设备，；则中心设备需要对所有可用设备建立对应的节点性能估计模型，对自身建立任务需求估计模型，初始化。

进一步地，任务需求估计模型用以评估的各个组分的需求与以往卸载过的任务相比所占的比重；定义为的计算密度，单位为cycles/bit，表示计算每bit的任务数据所需的cpu循环数；为的数据量，单位为bits；使用、分别表示各组分在历史卸载任务中所占的比重，具体如下：

，(1)

；(2)

使用、分别表示计算任务各组分在当前任务中所占的比重：

，(3)

；(4)

构建计算任务的任务需求估计模型：

(5)

其中，为需求模型学习速率；

中心设备通过建立节点性能估计模型并结合历史卸载表现对其余设备的性能的估计进行修正；性能估计模型由和两个元素的列向量构成，和分别表示在时隙对可用设备的计算性能和传输性能的估计，具体如下：

。(6)

其中，和的取值范围为，其值越大代表估计的性能越强；对于新设备，初始化。

进一步地，步骤s3具体包括以下步骤：

s3.1、获取计算任务的和计算密度，并生成任务需求估计模型；

s3.2、将任务需求向量输入基于对抗型多臂老虎机的强化学习方法，得到各个节点的余弦加权权重；

s3.3、以各个可用设备的余弦加权权重为参数，使用多项式分布进行试验，每个可用设备的多项式试验次数,试验次数集合,则所选择的作为卸载目标的可用设备为，。

进一步地，步骤s3.1中，根据节点性能估计模型与任务需求估计模型，定义任务需求与节点性能的匹配值为：

(7)

其中，表示任务需求模型与性能估计模型的方向夹角；显然，越匹配的设备节点与任务，两个向量的方向越接近，匹配值也就越接近1，反之则越接近0。

进一步地，步骤s3.2中，对每个设备建立余弦加权权重，余弦加权权重是可用设备参与选择的依据，从初始值开始根据每次的卸载反馈进行迭代更新，反应了每个可用设备的累积历史性能；对于首次运行或中途新加入的可用设备，其初始余弦加权权重，余弦加权权重集合。则余弦加权权重的迭代公式为：

(8)

其中，表示观测延迟的估计，表示前一次卸载所观测到的归一化实际卸载延迟，表示可用设备在多项式试验中的试验概率，为卸载学习速率。

进一步地，将设备自身的余弦加权权重除以所有可用设备的余弦加权权重之和，得到每个设备的试验概率：

(9)

构建用于多项式概率分布采样的设备选择概率集合：

(10)

最后，以为参数执行多项式试验，得到本次选择的目标卸载可用设备编号，。

进一步地，步骤s4中，完成卸载目标选择后，将任务卸载至，观察实际延迟；注意到实际延迟的取值范围是，因此接下来对其进行归一化处理：

定义观测延迟上界和下界分别为和；时，步骤s2将初始化，每次完成卸载任务后按照如下规则动态更新上下界：

,(11)

(12)

定义归一化实际卸载延迟：

；(13)

特别的，当时，；显然，。

进一步地，步骤s5中，根据本次卸载观测到的归一化实际卸载延迟，迭代更新性能估计模型；迭代模型如下：

；(14)

其中，为需求模型学习速率，代表时隙卸载到可用设备的观测延时；为指示函数，当时值为1，其他情况时值为0。

与现有技术相比，本发明具有如下的优点与技术效果：

1、对于动态变化的网络拓扑结构具有较强的自适应能力。相比于现有技术，使用指数权重预测方法可以通过预设初始权重，免去对新加入的物联网设备进行单位卸载测试。

2、对于具有负载平衡的负反馈对抗卸载场景，传统的置信区间上界选择算法无法适应设备性能的期望是动态变化而非独立同分布的特殊场景。本发明对各设备的权重使用多项分布进行取样，可以保证平衡探索与利用的同时适应动态期望。

3、本发明将传统单一卸载延迟解构为独立双变量的卸载延迟加以考虑，更符合物联网设备的实际应用场景。

4、本发明创建了性能需求匹配机制，可以根据任务对传输和计算的需求去匹配对应性能指标最匹配的可用设备，进一步的降低卸载延迟。

附图说明

图1为本发明方法的具体实施过程中的流程示意图。

图2为本发明方法中所述物联网系统在交通场景下的模型示意图。

图3为本发明方法中所述物联网系统在以为中心设备建立的单跳星形网络示意图。

具体实施方式

在下面的描述中结合具体图示阐述了技术方案以便充分理解本发明申请。但是本发申请能够以很多不同于在此描述的的其他方法来实施，本领域普通技术人员在没有作出创造性劳动前提下所做的类似实施例，都属于本发明保护的范围。

在本说明书中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语，这些术语仅用与区别类似的对象，不必用于本说明书一个或多个实施例所描述特征的先后顺序或次序。此外，术语“具备”、“包含”以此相似表达，意图在于说明覆盖不排它的一个范围，例如，包含了一系列的步骤或者模块的过程、方法、系统、产品或设备不必限于详细列出的内容，而是可包括没有列出的对于这些步骤或模块所涉及的固有内容。

本发明考虑如下的任务场景：物联网系统中有若干物联网设备，每个物联网设备都能和其周围一定范围内的节点进行单跳通信。对于任一时刻，物联网系统中可能会有一个物联网设备发起一次计算任务卸载请求，这些计算任务是抢占的并且不可分割的工作单元。物联网设备之间可以通过无线链路进行直接通信，将计算任务直接传递给其余节点设备，假定设备间的无线通信速率是稳定的，但每个设备同时也都是自私的：设备会使用滑动窗口策略对一段时间内的卸载任务负载进行控制，以保证自己不会承受大量且连续的卸载任务。具体而言，每个设备会提前设定一个滑动负载阈值，当一段时间内承受的负载超过阈值时，设备将会对提供给协助计算的资源进行衰减限制。每一个物联网设备都不了解其他设备的实际硬件性能，也不能得知其他设备的当前负载承受情况，它们只能发现设备、计算任务需求、执行卸载、观测延迟、更新本地的预测模型。

实施例：

一种具有性能与需求匹配能力的边缘节点计算卸载方法，如图1所示，包括以下步骤：

s1：建立拥有多个移动边缘节点设备的协同计算网络系统；

以图2所示，考虑一个包含个物联网设备的物联网系统，。如图3所示，以物联网设备作为中心设备建立单跳星型网络。网络中可以提供协助计算的可用设备为。此实施例中，可用设备集合；

s2：构建并初始化节点性能估计模型、任务需求估计模型，初始化所需的运行变量；

中心设备在时隙需要卸载一个计算任务至第个可以提供协助计算的可用设备,。为所有的可用设备初始化节点性能估计模型。此实施例中，。

根据公式计算、：

，(1)

；(2)

，(3)

；(4)

构建计算任务的任务需求估计模型：

。(5)

其中，为需求模型学习速率。

中心设备通过建立节点性能估计模型并结合历史卸载表现对其余设备的性能的估计进行修正；性能估计模型由和两个元素的列向量构成，和分别表示在时隙对可用设备的计算性能和传输性能之估计，具体如下：

。(6)

其中，和的取值范围为，其值越大代表估计的性能越强；对于新设备，此实施例中，初始化。

s3：使用基于对抗型多臂老虎机的强化学习方法进行卸载目标的在线选择，具体包括以下步骤：

s3.1、获取计算任务的和计算密度，并生成任务需求估计模型；

根据节点性能估计模型与任务需求估计模型，定义任务需求与节点性能的匹配值为：

(7)