一种基于时空任务需求预测的时延感知资源预留方法

1.本发明涉及边缘计算、端边云协同技术领域，具体涉及一种基于时空任务需求预测的时延感知资源预留方法。


背景技术：

2.随着自动驾驶、智慧交通、智慧城市等领域的快速发展，各种类型终端对于资源的需求显著增加。由于终端设备受到自身能量供应、计算能力等限制，无法有效执行计算密集型任务和长期稳定的执行任务。计算卸载解决了终端设备在上述因素的限制，通过将任务卸载至云服务器或边缘服务器以辅助终端设备完成计算密集型任务以及多样化类型的任务，可以有效节省终端设备的能量消耗，保证终端设备长期稳定运行。相较于云计算，边缘计算拥有任务完成时延低、能量消耗低的优势，所以将任务卸载至边缘服务器是优先选项。现有关于边缘服务器资源预留的研究都是采用基于历史数据统计的方式，但资源需求常具有空间和时变特性，受此影响，如何灵活预留边缘服务器的资源是一个值得研究的方向，这将提升城市级规模边缘网络的资源调度和运转效率。


技术实现要素：

3.本发明针对由于现有各种类型终端对于资源需求常具有空间和时变特性，存在如何灵活地预留面向空间区域的边缘服务器资源的问题，提出了一种基于时空任务需求预测的时延感知资源预留方法。首先构建深度学习模型对区域时空关联任务卸载需求进行预测，紧接着基于任务卸载需求提出面向空间区域的时延感知的边缘服务器资源预留策略，设计出基于资源预留的终端任务卸载时延最小化模型，通过区域边缘服务器资源预留最小化终端任务卸载时延，从而得到区域中终端卸载任务的最小完成时间。
4.本发明方法包括如下步骤：
5.步骤1、将整个区域划分为若干子区域，然后预测每个子区域的任务卸载需求。将区域划分为若干个彼此不相交的子区域，使用ν,ν∈s表示子区域，其中s表示子区域的集合。将每个子区域中的边缘服务器整合为一个边缘服务器以简化问题。
6.首先，通过图结构表示子区域之间的空间相关性，在图中把每个子区域表示成一个顶点，此时子区域的集合s是图中的顶点集合，域表示成一个顶点，此时子区域的集合s是图中的顶点集合，是图的邻接矩阵，表示图中顶点的连通性，考虑子区域之间的四种空间相关性模型包括区域邻居图、区域连通图、区域功能相关性图、区域任务类型相关性图。通过图结构来表示其非线性相关性，多图的特征提取和进一步融合通过多图卷积网络实现。
7.同时考虑时间序列上的相关性，使用o
|s|
(τ)表示在时间槽τ所有子区域观测值的阶数。假设在时间槽τ的观测值受到前ω个时间槽的影响，则区域时空关联任务卸载需求预测问题表述为给定时间长度的单步时空预测问题。通过学习函数ψ∶对前ω个时间槽的终端任务卸载需求历史数据进行学习，从而获取时间槽τ的区域终端任务卸
载需求，时间槽τ
k+1
的观测值受到前ω个时间槽的影响，o
|s|
(τ
k+1
)＝ψ{o
|s|
(τ
k-ω+1
),
…
,o
|s|
(τk)}，|s|表示区域数量，k表示时间槽个数。
8.通过图卷积网络提取区域的全局特征，即区域以及区域之间的空间相关性特征，通过公式聚合当前区域和关联区域的特征。其中θ表示聚合函数，聚合当前区域特征信息以及空间相关性区域的特征信息，形成区域特征描述。表示多图卷积操作，表示图的拉普拉斯矩阵度的最大值。
9.然后经全局平均池化操作和降维得到当前子区域和其相关性子区域的区域描述，其中表示全局平均池化操作，为通过多图卷积网络聚合当前子区域和关联子区域的特征，表示不同当前区域及其关联区域的特征。
10.然后通过操作为不同观测序列自适应分配相应的权重系数，s表示时间观测序列的权重向量，表示给不同时间观测序列赋予权值操作，w1和w2是权重参数，σ和φ分别表示激活函数relu和sigmoid。
11.通过为原观测序列赋予权重系数从而得到新的观测序列，k表示时间槽个数，o
|s|
(τk)表示第k个时间槽的所有子区域观测值的阶数，s(τk)表示第k个时间槽的时间观测序列的权重向量，表示给原观测序列重新赋予权重后得到新观测序列的操作。
12.通过门控循环神经网络聚合不同时间槽的观测值，每个子区域的门控输入序列通过共享rnn层聚合为单个向量ωi，，m表示时间槽个数k的最大值，i表示子区域的个数，最大为|s|，w3表示权重参数，表示不同时间槽的赋予权重系数后得到的新观测序列。最后通过全连接层将提取的特征转化为预测结果，即区域时空关联任务卸载需求。
13.从而构建基于区域空间相关性和时间相关性关联任务卸载需求预测模型(spatiotemporal correlation task offloading demand，简称stctod)。
14.步骤2、根据步骤1构建的stctod模型对每个子区域任务卸载需求进行预测，云服务器根据预测值分别向子区域边缘服务器发出资源预留请求，对子区域拥有的资源进行预留；子区域的资源预留请求未得到满足，则在子区域之间进行资源调度；资源预留请求仍未得到满足的区域将由云接收。
15.由于与云服务器的远距离传输会导致高时延以及如带宽等资源的过高消耗，云服务器应作为资源预留请求的最后选择。在资源预留请求未满足的子区域和资源富足的子区域之间进行资源调度的时间成本进行最小化计算，时间成本包括任务迁移时间和任务计算
时间。
16.具体如下：
17.构建基于端边云协同的边缘网络区域拓扑图，定义时间消耗模型，主要包括任务在区域之间迁移的成本以及在边缘服务器计算的时间成本定义基于区域资源预留的终端任务卸载时延最小化问题；为使终端任务卸载时延最小化，边缘服务器资源预留的时间成本应最小化。
18.为了确保边缘服务器的正常工作，边缘服务器的实际工作负载要小于其最大工作负载，边缘服务器中资源使用的阈值系数设置为∈；构建基于资源预留的任务卸载时延最小化模型：
[0019][0020][0021][0022][0023][0024]
表示在时间槽τk的任务卸载总时间成本，m表示时间槽个数k的最大值，式(2)表明当前任务是否需要从当前边缘服务器vi迁移，vs包含云服务器和边缘服务器，f表示当前任务所请求的任务计算量，fi表示边缘服务器或云服务器的任务计算量，定义决策变量表示任务i在时间槽τ迁移至其它边缘服务器或者云服务器。表示迁移至其它边缘服务器，表示迁移至云服务器；式(3)表明当任务需要从当前边缘服务器迁移时，任务是迁移至其它边缘服务器还是云服务器，定义决策变量表示边缘服务器vi上的任务是否需要迁移。表示任务在当前边缘服务器上执行，表示需要将任务从当前边缘服务器迁移至其它边缘服务器或云服务器进行计算；式(4)表明当前任务所请求的计算能力hi不应超过边缘服务器或云服务器的计算能力阈值hi；式(5)表明每个区域的最终资源预留值ai(τ)不应超过当前区域可利用资源的阈值ri(τ)
×
∈。
[0025]
输入每个区域终端任务卸载需求，输出每个子区域边缘服务器可接收的资源预留策略以及云接收的资源预留策略
[0026]
相对于现有技术，本发明的优点与积极效果在于：
[0027]
1、从空间因素分析，不同区域之间存在着复杂的空间相关性。例如，某一区域的交通流量和终端任务卸载需求往往会受到相邻区域交通流量和关联区域任务卸载需求的影响。从时间因素分析，连续时间序列上不同时间段的终端任务卸载需求观测值之间也存在相关性。例如，终端任务卸载需求预测通常与其卸载任务的历史数据相关。由此可见，区域时空关联任务卸载需求预测存在复杂的区域时空相关性，本发明采用图结构构建区域之间
的四种空间相关性模型、多图卷积网络和基于注意力机制的全局门控循环神经网络准确预测终端任务卸载需求，有效减少终端任务卸载的延迟，帮助城市级规模边缘网络高效调度计算资源，提高城市运行效率。
[0028]
2、为了解决任务卸载过程中实时边缘服务器资源分配导致的资源过度调度，通过区域资源预留有效减少资源调度、提升资源调度效率、节省终端任务卸载成本。本发明通过合理的区域资源预留模型有效应对局部时段和区域任务卸载需求的爆发，减少因调度造成的资源浪费，以支持系统长期高效的运行。
[0029]
3、构建基于资源预留的任务卸载时延最小化模型，考虑了任务在边缘服务器节点之间的迁移时间和终端卸载任务计算时间，通过预留区域边缘服务器的资源从而使得终端卸载的任务尽可能在本区域执行，减少任务在边缘服务器之间迁移导致的资源浪费，最终使得区域中终端卸载任务的完成时间最小化。
附图说明
[0030]
图1为本发明的整体架构图。
[0031]
图2为实施例中区域划分图
[0032]
图3为空间相关性模型示意图。
[0033]
图4为时间相关性模型示意图。
[0034]
图5为边缘网络区域拓扑图。
具体实施方式
[0035]
下面结合附图与具体实施方式对本发明作进一步详细描述：
[0036]
以车联网场景为例，由于车辆终端设备的高移动性，以及局部时段、区域的爆发流量，会导致资源的调度变得路径更长、成本更高、效率更低。如果能够提前为区域资源需求进行资源预留可以有效减少资源调度、提升资源调度效率、节省任务卸载成本。因此，通过有效的区域任务卸载需求预测从而预留区域的资源是十分具有现实应用价值的。
[0037]
如图1所示，一种基于时空任务需求预测的时延感知资源预留方法，将基于时空任务需求预测的时延感知资源预留的问题分解为任务卸载需求预测和时延感知的资源预留。
[0038]
首先针对时空关联任务卸载需求预测，构建了时空深度学习模型stctod预测区域任务卸载需求，融合图卷积神经网络和基于注意力机制的门控循环神经网络，用于提取区域间高度复杂的任务卸载需求空间相关性和时间相关性。第二步提出了时延感知区域边缘服务器资源预留策略，构建基于端边云协同的边缘网络区域拓扑图并基于此构建区域边缘服务器资源预留模型。紧接着定义了时间消耗模型，主要包括任务在区域之间迁移的成本以及在边缘服务器计算的时间成本。从而构建基于资源预留的任务卸载时延最小化模型esrr，通过区域边缘服务器资源预留最小化终端任务卸载时延。
[0039]
本实施例的具体实现过程如下：
[0040]
步骤1：通过时空多图卷积网络和基于注意力机制的门控循环神经网络构建基于区域空间相关性和时间相关性关联任务卸载需求预测模型stctod，从而获取区域任务卸载需求。
[0041]
如图2所示，为了更好对终端任务卸载需求进行预测，将整个区域划分为3
×
3共9
个子区域，即vi,i＝1,2,
…
,|s|，其中|s|＝9。子区域中分布着不同类型的终端，如汽车，各类终端有一系列的任务需要卸载，通过无线传输的方式经路边单元将任务卸载至边缘服务器，将每个子区域中的边缘服务器整合为一个边缘服务器以简化问题，然后预测每个子区域的任务卸载需求，构建区域任务卸载需求预测深度学习模型stctod，考虑每个子区域任务的时空相关性，任务卸载需求空间相关性分别从区域邻近性、区域连通性、区域功能相关性、区域任务类型相关性四个维度进行考虑，通过图结构来表示其非线性相关性，多图的特征提取和进一步融合通过多图卷积网络实现。如图3所示为空间相关性模型的四个图结构。
[0042]
使用图结构表示子区域之间的空间相关性，其中s是图中的顶点集合，表示区域集合，是图的邻接矩阵，表示图中顶点的连通性。是图的度矩阵，表示集合s中节点的度，i为子区域个数，最大为9。图的拉普拉斯(laplacian)矩阵则通过图的邻接矩阵a和度矩阵d得到，对称归一化拉普拉斯矩阵l＝i-d-1/2
ad-1/2
，其中i为单位矩阵。
[0043]
区域邻居图表示子区域之间空间临近的相关性，通过公式表示，3
×
3网格的中心区域拥有最多的八个邻居区域。
[0044]
两个子区域具有连通性指两个子区域能够通过道路(如高速道路)直接连通，通过公式表示，由于区域邻居图中区域邻近关系和区域连通图中连通关系会有一定程度的重叠，为了降低复杂度将区域连通图进行简化，排除在区域邻居图中已经表示过的相关性关系从而使其成为稀疏图，上述公式可表示为表示为
[0045]
不同区域在规划中的定位不同，导致其承载的功能不同，功能定位相同的区域也具有时空相关性。因此，在预测终端任务卸载需求时，需考虑功能相似的区域的相关性关系，通过公式系，通过公式表示，使用表示区域vi和vj之间的区域功能相关性，其中和分别表示区域vi和vj的区域特征向量。当两个区域之间的功能特征重叠越多，则表示两者之间关联度越高。
[0046]
不同区域的任务类型也可以表明区域之间的相关性，通过判断任务标签在不同区域的重叠程度来判断这种相关性，通过公式叠程度来判断这种相关性，通过公式表示。其中表示区域vi和vj之间的区域任务类型相关性，其中和分别表示区域vi和vj的区域任务类型向量。当两个区域之间的任务类型标签重叠越多，则表示两者之间关联度越高。
[0047]
多图的特征提取和进一步融合通过多图卷积网络实现，得到区域之间的空间相关性关系。通过公式x
i+1
＝σ(∑
a∈z
f(a；θi)x
lwl
)进行图卷积操作。和分别表示图卷积网络中第l+1层和第l层的区域特征向量，p
l
和p
i+1
表示第l层和第l+1层图卷积网络。σ表示激活函数relu。f(a；θi)表示图的拉普拉斯矩阵l的k阶多项式函数。表示特征转换矩阵。多图卷积的模型示意图如图3所示。
[0048]
通过循环神经网络建模时间序列上的相关性，即基于注意力机制的全局门控循环神经网络。首先，通过多图卷积网络聚合当前区域和关联区域的特征，即通过公式获取，其中θ表示聚合函数，聚合当前区域特征信息以及空间相关性区域的特征信息，表示区域的全局特征。空间相关性的特征提取通过多图卷积操作实现，其中表示多图卷积操作，表示图的拉普拉斯矩阵度的最大值。令表示在时间槽τ的区域观测值，其中p表示区域特征向量的维度。
[0049]
接下来，基于注意力机制对区域观测信息进一步处理，给不同时间槽观测值赋予权重系数。先通过全局平均池化操作对时间槽τ各区域的观测信息进行压缩提取区域的全局特征。通过公式局特征。通过公式进行平均全局池化。其中表示全局平均池化操作，|s|表示区域数量，表示不同当前区域及其关联区域的特征。第二步，执行基于注意力机制的操作，即给不同的观测序列分配权重，自适应地为关键信息赋予更高的权重系数，使其对结果产生更大的影响，对过时等信息做一定程度的丢弃。通过操作为不同观测序列自适应分配相应的权重系数，s表示时间观测序列的权重向量，表示给不同时间观测序列赋予权值操作，w1和w2是权重参数，σ和φ分别表示激活函数relu和sigmoid。
[0050]
通过为原观测序列赋予权重系数从而得到新的观测序列，k表示时间槽个数，o
|s|
(τk)表示第k个时间槽的所有子区域观测值的阶数，s(τk)表示第k个时间槽的时间观测序列的权重向量，表示给原观测序列重新赋予权重后得到新观测序列的操作。
[0051]
通过门控循环神经网络聚合不同时间槽的观测值，每个子区域的门控输入序列通过共享rnn层聚合为单个向量ωi，，m表示时间槽个数k的最大值，i表示子区域的个数，最大为|s|，w3表示权重参数，表示不同时间槽的赋予权重系数后得到的新观测序列，m表示时间槽个数k的最大值，i为子区域个数，最大为|s|。最后通过全连接层将提取的特征转化为预测结果，即区域时空关联任务卸载需求。
[0052]
时间相关性的建模通过上述步骤实现，能够更好的捕获不同时间槽的历史数据对预测的影响，时间相关性的模型如图4所示。首先，输入ω个观测序列{o
|s|
(τ
k-ω+1
),
…
,o
|s|
(τk)}，经全局平均池化操作和降维得到当前区域和其相关性区域的区域描述，进一步通过操作为不同观测序列自适应分配相应的权重系数，最后，通过操作为原观测序列赋予权重系数从而得到新的观测序列，观测序列的权重系数表示其重要程度，即权重越高，对终端任务卸载需求预测结果的影响越大。
[0053]
步骤2：基于预测值在区域间进行资源调度以满足区域的资源预留请求，构建面向空间区域的时延感知的边缘服务器资源预留模型。
[0054]
首先构建基于端边云协同的边缘网络区域拓扑图，共分为四层，分别是终端设备层、路边单元层、边缘层和云层。终端设备层由终端组成，终端有一系列的任务需要卸载。路边单元层用于连接各种终端，为终端进行任务卸载提供中继通信服务。边缘层由广泛分布于城市中的边缘服务器组成，用于承载终端设备层的各种终端卸载的计算任务，边缘节点在通信范围内可以相互连接。云层是由强大的服务器集群组成，用于承载边缘服务器执行不了的任务和高计算量的任务，缓解边缘服务器的计算压力。边缘网络拓扑图如图5所示。
[0055]
构建网络图g(v,e)表示边缘网络区域拓扑图，其中v表示节点集合，即v＝{vi,i＝1,
…
,m}，m表示节点数量的最大值。e表示边的集合，即网络通信链路，且|e|为边数的最大值n。节点集合v由云、边缘服务器、路边单元、终端设备组成。本发明在不混淆的情况下，使用v0特指云服务器，vs特指边缘服务器，vr特指路边单元，vm特指终端设备。节点集合v划分为三个子集，分别使用vs、vr和vm表示，其中vs包含云服务器和边缘服务器，vr包含路边单元，vm包含各类终端设备，即e
jk
表示从节点vj到vk的一条通信链路。考虑任务卸载过程中的时变因素，本发明将时间离散为间隔相等的n个时间槽，使用τk,k＝1,2,
…
n表示。时间槽τk的开始时刻使用tk,k＝0,1,2,
…
,n表示。每个时刻tk确定时间槽τk的变量值。时间槽位于两个时刻之间，如时间槽τk位于时刻t
k-1
和tk之间。
[0056]
区域边缘服务器资源预留是指通过模型stctod得到区域终端任务卸载需求，从而为该区域预留充足的边缘服务器计算资源。令ρi(τ)表示终端设备vi在时间槽τ的任务卸载量。令ri(τ)表示区域i的终端任务卸载量，在不混淆的情况下，ri(τ)也表示区域i的资源预留请求值，ri(τ)受到区域i的终端卸载任务量的影响，通过vj在vi范围内，这一公式计算得到。位于区域i的边缘服务器在时间槽τ的资源总量为qi(τ)。当位于区域i的边缘服务器资源不足以满足当前区域的资源预留请求，即ri(τ)》qi(τ)时，将会向区域j发送资源预留请求迁移。如果存在区域j，使得区域i的资源预留请求满足ri(τ)≤qj(τ)，则称其为从区域i到区域j的可行区域资源预留请求迁移，使用p
ij
(τ)表示，资源预留请求值为|p
ij
(τ)|。当给定的区域i，对于任意的区域j，满足条件ri(τ)》qj(τ)，此时将资源预留请求分为两个部分分别处理。第一部分寻找区域j的边缘服务器预留资源，资源值为|p
ij
(τ)|。另一部分资源预留请求发送给云，资源预留请求量定义为bi，bi＝ri(τ)-|p
ij
(τ)|。定义变量ai表示区域边缘服务器i的最终资源预留值。定义两个集合变量和分别包含每
个区域需要预留的边缘服务器资源量和每个区域请求的云服务器资源预留量，即
[0057]
终端任务卸载的时间成本主要包含四个部分，分别是终端传输任务到路边单元的时间成本路边单元卸载任务到边缘服务器的时间成本任务在边缘服务器之间迁移或任务从边缘服务器迁移至云的时间成本边缘服务器或云完成任务的时间成本
[0058]
令为vm节点vi在时间槽τ将任务传输至vr节点vj的速率。则在时间槽τ，终端卸载的任务传输至路边单元的时间成本通过公式通过公式计算，ρi(τ)表示终端设备vi在时间槽τ的任务卸载量。令为vr节点vi在时间槽τ将任务卸载至vs节点vj的速率，则任务从路边单元卸载至边缘服务器的时间成本的时间成本通过公式的时间成本通过公式计算，d(vi,vj)表示vr节点vi和vs节点vj的欧氏距离，通过公式计算。
[0059]
最后设计基于资源预留的任务卸载时延最小化模型esrr。由于将任务卸载至云服务器会导致高延迟和边缘服务器的不充分利用，采用基于边缘服务器资源预留的方法来解决该问题，即区域边缘服务器尽力接收资源预留请求。任务在边缘服务器之间迁移的时间消耗主要由迁移距离决定，即寻找从区域i到j的路径是最短的。dijkstra算法能够有效的求解单源最短路径问题。另外，边缘服务器执行任务的时间也纳入到考虑范围之内。公式表示边缘服务器vi上的任务是否需要迁移，其中受到边缘服务器资源预留策略影响的时间成本为任务迁移时间和任务计算时间因此，在考虑边缘服务器资源预留时简化为公式
[0060]
通过公式计算，定义决策变量表示任务i在时间槽τ迁移至其它边缘服务器或者云服务器。表示迁移至其它边缘服务器，表示迁移至云服务器。令表示在时间槽τ任务从边缘服务器节点vi迁移至其它边缘服务器节点vj的速率。令表示在时间槽τ任务从边缘服务器节点vi迁移至v0节点的速率。d(vi,vj)为vr节点vi和vs节点vj的欧式距离。计算公式为计算公式为其中fi(τ)表示边缘服务器vi或云服务器v0的任务计算量，hi(τ)表示边缘服务器vi或云服务器v0的计算能力。
[0061]
最后，选择一个迁移时间与执行时间之和最小的区域边缘服务器接收资源预留请
求。esrr模型的输入包括区域终端任务卸载历史观测数据o
|s|
(τ1),o
|s|
(τ2),
…
,o
|s|
(τ
k-1
)，终端的平均卸载任务量ρ，边缘服务器在时间槽τk的可用资源q(τk)，边缘服务器工作负载阈值系数∈和在时间槽τk的传输速率α(τk)、β(τk)、γ(τk)、η(τk)。模型的输出包括区域边缘服务器的资源预留策略云的资源预留策略模型的具体执行步骤如下。首先，输入终端任务卸载历史观测数据，通过模型stctod进行预测，获取时间槽τk的区域终端任务卸载需求o
|s|
(τk)。接下来，将和未满足资源预留请求的区域集合置为空集。对于每个区域i,vi∈s，根据边缘服务器工作负载阈值系数∈更新边缘服务器在时间槽τk的实际可用资源qi(τk)。根据预测的终端任务卸载需求o
|s|
(τk)以及终端卸载任务量ρ计算区域i的资源预留请求ri(τk)。如果当前区域的边缘服务器资源满足资源预留请求，则接收该请求。否则，将当前区域进行标记，并放入集合对于每个区域对于每个区域通过dijkstra算法寻找距离请求区域最近的区域j。如果j≠-1，则表明满足条件的区域存在，该区域将接收资源预留请求。如果j＝-1则表明没有区域满足资源预留请求，则资源预留请求上传至云。最终的输出为每个区域可接收的资源预留策略以及云接收的资源预留策略