跨本地边缘和云资源的多层协作任务卸载优化方法

本公开实施例涉及数据处理，尤其涉及一种跨本地边缘和云资源的多层协作任务卸载优化方法。

背景技术：

1、目前，随着通信技术和物联网(iot)的快速发展，各类移动设备呈现出显著的增长态势。与此同时，大量计算密集型应用如增强现实/虚拟现实(ar/vr)、实时网络游戏等也正在迅速普及。这些应用对移动设备的计算能力和电池续航能力提出了更高的标准。

2、然而，移动设备由于其物理尺寸的限制、电池寿命的需求以及散热问题的考虑，其内置的cpu计算能力,内存和电池寿命等资源往往存在瓶颈。这种限制使得移动设备的计算资源在应对日益复杂和计算需求高的应用时显得力不从心。因此，这些物联网设备必须在体验质量和它们的能量消耗之间取得平衡。

3、为了解决这一挑战，各种新型计算模式应运而生。在云计算中，设备可以通过骨干网络将任务迁移到中心云。中心云作为资源丰富的平台，能够降低移动应用程序的能量消耗。然而，利用云计算进行长距离传输会产生较高的延迟对于延迟敏感的应用程序来说不太适合。

4、边缘计算采用了一种新的方法，利用附近的设备作为边缘计算节点，通过高速无线局域网为移动设备提供任务卸载执行服务。相较于云计算，边缘计算具有更少的网络跳跃点，因此能够显著降低任务卸载执行的延迟。这使得边缘计算成为延迟敏感的应用程序的理想选择。然而，边缘设备的计算能力和存储容量通常比云端服务器要小得多，因此将所有任务都卸给边缘服务器可能是不可行的。

5、devices-to-devices(d2d)链接卸载任务在设备层利用其他用户设备的计算资源，通过主动将任务转移给其他用户可以大大降低边缘服务器在峰值流量时的压力.然而d2d通信可能导致设备在直接通信中消耗更多的能量，尤其是在数据传输的过程中。这可能影响设备的电池寿命，特别是对于移动设备而言。

6、总之，现有的背景技术包括云计算、边缘计算和设备层级协作等多种计算模型及资源调度策略，尽管各有所长，但仍存在诸如延迟、能耗、资源利用率不均衡等问题。

7、可见，亟需一种能提升卸载效率和资源利用率的跨本地边缘和云资源的多层协作任务卸载优化方法。

技术实现思路

1、有鉴于此，本公开实施例提供一种跨本地边缘和云资源的多层协作任务卸载优化方法，至少部分解决现有技术中存在卸载效率和资源利用率较差的问题。

2、本公开实施例提供了一种跨本地边缘和云资源的多层协作任务卸载优化方法，包括：

3、步骤1，在目标任务产生后使用深度强化学习判断目标任务卸载的目标层次；

4、步骤2，当目标任务卸载到目标层次后使用knn算法在选择的层次中最合适的目标设备执行任务；

5、步骤3，当目标任务被卸载到目标设备后使用模糊推理对任务队列中目标任务的运行状态进行分类，得到最优执行次序。

6、根据本公开实施例的一种具体实现方式，所述步骤1具体包括：

7、步骤1.1，获取当前的环境状态，其中，所述环境状态包括边缘服务器和云服务器的计算资源集合、无线信道的状态、本地设备状态和任务状态；

8、步骤1.2，生成随机数判断是否大于设定的阈值,若是，则使用q网络估计动作空间中预测值最大的卸载位置，若否值则随机选择卸载位置；

9、步骤1.3，运行后将采取的动作，执行之前的状态，执行之后的状态，和回报合成一个向量存储到经验回放池中。

10、根据本公开实施例的一种具体实现方式,所述步骤1.3之后，所述方法还包括：

11、每执行步骤1.3预设次数后，从经验回放池中选择多个向量，计算预测值和环境状态的差值，使用梯度下降更新深度q网络的参数。

12、根据本公开实施例的一种具体实现方式，所述动作空间的动作包括在本地执行、在邻近设备执行、在边缘服务器执行和在云服务器执行。

13、根据本公开实施例的一种具体实现方式，所述步骤2具体包括：

14、步骤2.1，获取目标层次中每个设备的可用资源信息并用向量形式表示；

15、步骤2.2，获取目标任务的属性信息并用向量形式表示；

16、步骤2.3，对目标任务和设备的向量表示进行标准化；

17、步骤2.4，计算目标任务信息向量和设备信息向量的余弦距离；

18、步骤2.5，根据余弦距离，获得前k个最近邻居作为最合适的k个设备；

19、步骤2.6，遍历k个设备，若发起目标任务的设备可以与其中任一设备通信则将该设备作为目标任务卸载对应的目标设备，否则目标任务在本地执行。

20、根据本公开实施例的一种具体实现方式，所述步骤3具体包括：

21、步骤3.1，获取目标任务的延迟、目标设备的平均cpu使用率和目标设备的队列长度作为输入量；

22、步骤3.2，将输入量转化为模糊集中的一个成员，通过隶属函数量化输入量与模糊集之间的隶属度；

23、步骤3.3，计算规则库中每条模糊规则前提部分的模糊逻辑组合，通过最小操作或最大操作结合所有输入量的隶属度，然后，将组合后的隶属度与该条模糊规则结论部分的模糊集进行映射，得到每条模糊规则下输出量与模糊集之间的隶属度；

24、步骤3.4，对于所有激活的模糊规则的结论部分，执行一个合成运算确定最终输出量的隶属度；

25、步骤3.5，利用预设方法将输出模糊集转换为一个具体的数值作为解模糊化的结果；

26、步骤3.6，根据解模糊化的结果赋予目标任务状态，生成最优执行次序。

27、本公开实施例中的跨本地边缘和云资源的多层协作任务卸载优化方案，包括：步骤1，在目标任务产生后使用深度强化学习判断目标任务卸载的目标层次；步骤2，当目标任务卸载到目标层次后使用knn算法在选择的层次中最合适的目标设备执行任务；步骤3，当目标任务被卸载到目标设备后使用模糊推理对任务队列中目标任务的运行状态进行分类，得到最优执行次序。

28、本公开实施例的有益效果为：通过本公开的方案，在云、边缘和设备三个层次之间进行任务调度，决定任务是在本地执行还是通过无线网络分发至临近设备、边缘服务器或云端进行处理。引入了knn算法以实现同一层次内多个设备间的负载均衡，不仅改进了任务在多层计算架构中的智能分配策略，而且通过精确的负载平衡机制和高效的任务执行顺序安排，实现了资源利用率的最大化和系统性能的显著提升，为解决物联网及大规模分布式计算环境下复杂任务卸载问题提供了新的解决方案和技术手段。

技术特征：

1.一种跨本地边缘和云资源的多层协作任务卸载优化方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：

3.根据权利要求2所述的方法，其特征在于,所述步骤1.3之后，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于,所述动作空间的动作包括在本地执行、在邻近设备执行、在边缘服务器执行和在云服务器执行。

5.根据权利要求4所述的方法，其特征在于,所述步骤2具体包括：

6.根据权利要求5所述的方法，其特征在于,所述步骤3具体包括：

技术总结
本公开实施例中提供了一种跨本地边缘和云资源的多层协作任务卸载优化方法，属于数据处理技术领域，具体包括：步骤1，在目标任务产生后使用深度强化学习判断目标任务卸载的目标层次；步骤2，当目标任务卸载到目标层次后使用KNN算法在选择的层次中最合适的目标设备执行任务；步骤3，当目标任务被卸载到目标设备后使用模糊推理对任务队列中目标任务的运行状态进行分类，得到最优执行次序。通过本公开的方案，提升了卸载效率和资源利用率，为解决物联网及大规模分布式计算环境下复杂任务卸载问题提供了新的解决方案和技术手段。

技术研发人员：邓晓衡,凌博文,桂劲松,林思雨,王鑫
受保护的技术使用者：中南大学
技术研发日：
技术公布日：2024/6/13