一种缓存增强的任务卸载优化方法

本发明属于无线通信，涉及一种缓存增强的任务卸载优化方法

背景技术：

1、随着移动网络的快速发展，手机、可穿戴设备、车载终端等智能设备日益普及，移动设备的数量呈惊人增长势头。同时，新型应用程序快速发展，包括计算机视觉，语音控制，物体识别等。一系列新兴的业务带来了丰富体验的同时也给网络基础设施带来了巨大的压力。然而，资源有限的移动设备无法满足当前资源密集型应用的低延迟、高可靠等需求。

2、移动云计算(mobile cloud computing,mcc)就是为了解决这一问题而提出的。通过将资源密集型任务转移到强大的远程云上，mcc可以延长移动设备电池寿命，支持复杂的计算，并提供潜在的无限存储空间。虽然通过将资源密集型任务转移到强大的远程云上可以满足用户需求，但云与用户之间的长距离传输可能会导致较高的延迟和抖动。这将严重影响用户性能，且海量的任务上传到核心网会造成网络拥塞。

3、mec作为一种可行的架构应运而生，其针对不同业务场景的需求，在靠近人、物或者数据源头的网络侧提供服务。实现更安全、实时地响应不同业务需求，有效降低时延与能耗成本，缓解核心网的负载。此外，除了强大的算力，mec服务器还具备缓存能力，可直接应用于在边缘提供缓存服务。将大量用户频繁请求的热门内容缓存到靠近用户的一侧，可以减少冗余数据的传输，提高用户体验并有效缓解回程链路的流量压力。相比于云计算，mec虽然可以弥补移动设备自身能力的不足。但是，它自身的存储和计算资源依旧有限的，将缓存和计算资源相结合是一个可行的解决方案。考虑多维资源的结合，从而弥补单维资源的不足。任务卸载时为了避免重复传输相同的任务，可以利用边缘缓存根据用户请求的任务，动态的在服务器上部署热门请求的任务。任务卸载的时延主要受到传输时延和计算时延的影响，当缓存命中时可以降低卸载的传输能耗与时延，从而进一步达到改善卸载成本的目的。

技术实现思路

1、有鉴于此，本发明的目的在于针对边缘网络中时延敏感的移动用户任务卸载问题，提出一种缓存增强的任务卸载优化方法，考虑任务卸载的能耗和时延，通过规划合理的缓存策略达到改善任务卸载成本的目的。

2、为达到上述目的，本发明提供如下技术方案：

3、一种缓存增强的任务卸载优化方法，考虑一个边缘网络中多用户任务卸载的城市场景，基于用户的移动性，首先对执行任务的能耗和时延进行建模；然后考虑区域内用户可能会在不同的时刻重复请求相同任务的情况，引入边缘缓存技术；根据基站间任务请求的相似度，聚集成社区，社区内基站共享信息；设计双时间尺度，分别在长短期时隙内更新社区任务流行度和基站任务流行度；最后建立收益最大化模型，将优化问题转化为01背包问题进行求解。

4、进一步，该方法具体包括以下步骤：

5、s1：系统冷启动：确定用户的数量和移动速度、系统的总带宽以及mec服务器的计算资源以及缓存资源；

6、s2：构建系统模型：根据步骤s1的信息，建立移动设备层和边缘层；所述边缘层位于网络边缘靠近数据源侧，由基站和移动边缘计算(mobile edge computing,mec)服务器组成；

7、s3：确定卸载成本：根据步骤s2的信息，分别对任务卸载时的时延和能耗进行建模；构建卸载成本，引入边缘缓存；

8、s4：根据任务相似度确定社区划分：根据步骤s3信息，收集请求的任务信息；建立基站间相似度矩阵，基于louvain算法进行社区类聚；

9、s5：双时间尺度更新：根据步骤s4的信息，在社区内采用双时间尺度更新社区和基站处的任务流行度；

10、s6：确定缓存策略：设定缓存收益，分析缓存收益最大化的缓存放置问题；将问题转化为01背包问题进行求解；

11、s7：卸载优化：根据步骤s6得到缓存放置策略，当卸载任务在边缘有缓存时，减少传输时延和能耗，优化卸载成本。

12、进一步，步骤s2具体包括以下步骤：

13、s21：设计一个多用户的城市场景，移动用户的速度在0-60m/s之间；沿路部署基站由集合表示，基站的覆盖半径为r并配备一台mec服务器；系统带宽由b表示，mec的计算资源由f表示，mec的缓存资源由表示；表示在基站的覆盖范围内的n个用户；

14、在t时刻，每个用户发起一个任务，任务n定义为cn表示tn需要的计算资源，dn表示tn的大小；表示执行任务的最大可容忍时延；假设每个任务有两种处理模式，本地执行和边缘卸载；

15、ue n的任务卸载决策具体表示如下所示：

16、c1:

17、采取卸载的用户集由表示；最多有n个用户执行任务，则约束如下：

18、c2:

19、进一步，步骤s3具体包括以下步骤：

20、s31：用户n在计算卸载模式下的任务总卸载时延包括任务上传时间服务器执行时间以及结果传输时延若用户移动导致用户在下载结果时已经移动到了基站的覆盖半径外，则考虑用户从相邻基站的边缘服务器下载结果，此时的结果传输时延为：

21、

22、其中，bwired代表基站之间光纤的传输速度；tn的卸载总时间成本表示如下：

23、

24、其中，γn为二进制变量，γn＝1表示tn在计算完成时，用户已经移动到了基站的无线电半径外，需要从相邻的基站收到结果；反之则表示用户没有离开当前基站；

25、根据香农原理，t时刻将tn卸载到基站上行传输速率rn(t)表示为：

26、

27、pn为tn接入基站的传输功率，hn(t)表示t时刻从用户n到基站之间的信道增益：

28、

29、其中disn(t)表示t时刻用户n与基站之间的距离；假设用户在恒定的方向上以速度v前进，基站的坐标是(x0,y0)，t时刻用户的二维坐标由矢量l＝{(x1(t),y1(t)),..(xn(t),yn(t)),..(xn(t),yn(t))}表示；因此t时刻用户n与基站的距离表示为：

30、

31、α是路径损耗指数，h0是遵循复正态分布cn(0,1)的复高斯信道系数；n0是加性高斯白噪声；

32、tn的传输时延定义为：

33、

34、fn表示mec分配给tn的计算资源，tn的计算时延定义为：

35、

36、pn表示用户n的发射功率，tn的卸载能耗定义为：

37、

38、s32：卸载tn的卸载成本表示为：

39、

40、其中，θe和θt分别为时延和能耗的权重因子；确定优化目标为最小化卸载成本：

41、

42、s.t.c1-c3.

43、进一步，步骤s4具体包括以下步骤：

44、s41：针对用户偏好的区域性，根据用户请求偏好将基站划分进不同的社区；相同社区内基站服务的用户偏好相似，设定每个社区内的基站可进行协作缓存；基站被划分进k个社区social＝{sok|k∈k}，其中sok表示第k个社区内基站的集合，每个基站只能属于一个社区，应满足约束：

45、c3:

46、基站间通过光纤相连接，每个基站m内用户发起的任务都被记录文件库中jm；当有新的任务类型到来就会被加入jm；只有一部分热门请求的计算任务被缓存在mec服务器中，表示基站m缓存的任务集合；缓存变量为二元变量，值为1时表示基站m有缓存tn，值为0则没有缓存；缓存资源的容量约束表述为：

47、c4:

48、s42：将基站划分不同的社区，将具有相似任务兴趣偏好的基站，划分到同一个社区上；同一个社区内，基站间相互协作更快响应需求；定义t1时刻基站m和基站z之间的相似度基站间的相似度采用杰卡德系数来衡量，其可用来描述两个集合间的相似度；jm和jz分别表示t时刻基站m和基站z之间的任务请求集合，表示从t1-1到时t1刻基站m和基站z之间基站相似度的统计平均值：

49、

50、其中，jm∩jz表示基站m和基站z之间相同的请求；越大说明两个基站间的相似度越高；

51、s43：由此构建一个基站间m*m维的相似矩阵ψ，根据相似矩阵ψ构建无向加权图g＝{v,e}，图的每个顶点表示一个基站，基站间的边权由基站间的相似度表示；使用基于louvain的聚类算法将基站划分进不同的社区，从而获得集合social；最开始每一个顶点各为一个社区，每次进行顶点合并时，只考虑未合并过以及距离可达的相邻社区；计算顶点i合并到社区a将带来的模块增益，公示表示如下：

52、

53、其中，括号内的ki,in表示顶点i与社区a之间的边权和；第二项的分子∑totki表示与节点i相连的所有边权总和与所有和与社区a相连的外部边的边权总和的乘积；分母sum表示图中的所有边权的总和；i最终选择向δq值最大的社区移动，当最大的δq小于0时候，节点i保持不动；完成一个阶段后，将每个社区合并为一个新的超级节点，超级节点的边权重为原始社区内所有节点的边权重之和，形成一个新的网络；再重复以上步骤，直到新的移动不会带来任何模块增益算法停止。

54、进一步，步骤s5具体包括以下步骤：

55、s51：不同空间尺度tn的流行度都根据zipf分布初始化为：

56、

57、其中，a为zipf因子，a控制着不同任务间流行度差异的程度，其增大时任务间的流行度差异加剧；j表示任务的流行度排序；r_f表示历史数据中该任务的排名；

58、在每个时隙t更新不同尺度下的文件流行度；当前时隙t表示x-1个tlong，tlong对应长更新时隙，x为正整数；则更新长期全局流行度，表达式为：

59、

60、其中，与分别表示社区和基站处的任务n的流行度；而对应的短时隙tshort的基站任务流行度更新表达式为：

61、

62、其中，β为权重因子，表示任务n被请求的历史次数。

63、进一步，步骤s6具体包括以下步骤：

64、s61：定义pron,m为基站m缓存任务n的收益值，它主要与3个因素相关：任务流行度、传输时延以及传输能耗，后两个参数在预置阶段无从得知分配给任务的具体通信资源，因此，在计算时给所有任务都分配一个统一的带宽b：

65、

66、s62：把缓存收益最大化问题建模为：

67、

68、s.t.c3-c4,

69、c5:

70、其中，目标函数为实现缓存收益最大化，优化变量为缓存决策矩阵d；c1限制社区内的用户数不能超过总用户数；c2缓存关联变量二元变量约束；c3为基站缓存容量约束；

71、s63：获得明确的社区划分后，确定缓存收益；将缓存放置问题转化为背包问题，其中，每种物品有价格和重量两个属性；采用低复杂度的动态规划求解背包问题；把缓存放置问题描诉为01背包问题，在有限的缓存容量内放入缓存收益最优的物品；背包有限的容量类比于基站m的缓存容量stm，缓存任务的收益表示为物品的价格，每个物品的重量由任务的大小表示；每种物品包含两个状态，即被放置和不被放置；当相比于不放置，加入该任务的收益减去缓存该任务的成本使得整体收益变得更优时dp[i]＝max(dp[i],dp[i-d[n]]+pron)，任务就会被缓存。

72、进一步，步骤s7具体包括以下步骤：

73、s71：在缓存增强的mec系统架构中，引入边缘缓存，确定缓存策略后；当用户发起请求时，基站检查自身是否有缓存该任务，如果没缓存就去其所在的社区中寻找是否有缓存该任务；如果有，则只上传大小可忽略的数据即被基站计算；此时，任务的传输时延和传输能耗将得到很大改善；此时重新定义缓存增强后的任务传输时延和传输能耗分别为和

74、当用户向基站m发起请求时，卸载的任务可能出现以下3种缓存情况：

75、(1)基站m处缓存了任务n：任务n无需上传，直接从本地基站获取任务相关数据无需上传，此时

76、(2)基站m处没有缓存任务n：基站m所属的社区缓存了任务n，任务n从某一协作基站z获得，此时tb2b表示基站间的传输时延；

77、(3)目标基站和社区内的其他基站都没有缓存任务n：此时任务n仅通过无线链路上传至基站处理，此时有

78、本发明的有益效果在于：在任务卸载中引入边缘缓存，通过在边缘缓存热门计算任务，当请求命中时可以有效降低上传时间成本和能耗成本。通过在基站间划分协作社区，设计双时间尺度分别更新基站处的任务流行度和社区处的任务流行度。此方法能够在保证整体流行趋势的情况下，尽可能追踪长短期热门内容的变化情况。有效解决城市场景下，区域内热门请求任务重复的情况。

79、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。