一种时延与能耗综合感知的边缘计算任务卸载方法与流程

本发明涉及边缘计算，特别是涉及到一种时延与能耗综合感知的边缘计算任务卸载方法。

背景技术：

1、随着科技的发展，5g网络逐渐普及，步入每个人的生活，依赖于其极高的网络速度和稳定性，使得越来越多的大规模物联网、高性能计算等应用成为可能。因云无线接入网其拥有极高的效率，研究人员认为它能够帮助在5g网络中实现这些应用。同时，5g中越来越多的计算密集型应用对延迟极为敏感，需要很低的延迟才能正常运行，且能耗较高，如智能联网车辆、增强现实、虚拟现实等。对于用户设备而言，其计算能力有限，高能耗应用也会极大影响设备电池寿命。为了解决用户设备和应用之间的矛盾，最近提出的移动边缘计算(multi-access edge computing,mec)是一种可行的解决方案。

2、在云无线接入网的基础上，有人提出了使用边缘计算服务器mec来解决上述问题。它提高了网络边缘的计算能力，且能够允许用户设备将自己的任务卸载至服务器上代替用户设备进行计算，计算完毕后将结果返回给用户。通过这种方式，用户设备的时延明显得到降低，且耗能减少，提高了对用户的服务质量。因此，计算卸载和计算资源分配作为mec系统的一个关键点具有深刻的研究价值。同时，mec相比云计算而言也具有优势。传统的云计算解决方案将任务卸载到中心云，以缓解计算资源的短缺。

3、然而，考虑到不同的信道条件以及各种计算任务的不同延迟要求，协调多个用户之间的计算任务卸载是一个挑战。将任务卸载至边缘服务器这一做法也并不是那么简单。目前的研究主要针对与单一考虑能耗或时延的系统进行建模研究，而对于用户而言，这两者都是影响用户对计算任务满意程度的关键因素。为解决以上现有技术问题，我们发明了一种新的时延与能耗综合感知的边缘计算任务卸载方法。

技术实现思路

1、本发明的目的是提供一种构建时延能耗综合感知模型，通过强化学习方法进行任务卸载策略决策，从而在时延和能耗两方面达到更好的效果的时延与能耗综合感知的边缘计算任务卸载方法。

2、本发明的目的可通过如下技术措施来实现：时延与能耗综合感知的边缘计算任务卸载方法，该时延与能耗综合感知的边缘计算任务卸载方法包括：

3、步骤1，构建边缘计算任务卸载模型；

4、步骤2，将构建的边缘计算任务卸载模型划分为各设备在本地计算模型，以及此设备的任务卸载计算模型；

5、步骤3，根据设备在本地计算模型，将本地计算的总代价设置为时间延迟与能耗的加权和；

6、步骤4，根据设备的任务卸载计算模型，用户将任务部分卸载到mec服务器进行计算；

7、步骤5，综合步骤3本地计算模型与步骤4卸载计算模型，计算系统总代价。

8、本发明的目的还可通过如下技术措施来实现：

9、在步骤1，依据用户与mec服务器的距离，mec服务器及用户设备的计算能力，构建边缘计算任务卸载模型。

10、在步骤1，假设各个用户设备uen，其各自的计算任务wn可由三元组(dn，mn，tn)表示；其中dn表示用户所需计算数据的大小，单位为kbits；mn表示表示将该用户设备执行完成所需的cpu周期数，单位为mcycle；tn表示用户对于其任务的满意延迟，单位为s，超过此延迟则无法达到该用户的满意程度；用户的计算任务mn在该模型下既可在用户本地执行完毕，也可以将其卸载到mec服务器上，使用边缘计算的方式执行完毕后，将结果返回给用户；在该模型下，不讨论将用户任务部分卸载的方式；故可以将n个用户的卸载决策用一维向量组的形式表示；可定义为[γ1，γ2，...，γn]，γ∈[0，1]，其中γ取0时代表任务完全在本地计算，取1代表全部卸载至mec服务器计算。

11、在步骤3，在本地计算中，总时间延迟为用户在本地计算所需的时间，将用户执行计算任务所需的cpu总数mn除以用户设备的计算能力cn，即可得出该模型下的所需时延其计算公式为：

12、

13、总代价的另一部分为系统能耗，此处为执行任务rn所需的能耗根据计算经验，由此可以利用下述公式计算能耗：

14、

15、由于先前定义系统的总代价为所需时间延迟和能耗的加权和，故综合本地时延和能耗的计算公式可以得到该模型下系统的总代价为：

16、

17、上式中比例系数α和β的含义分别为系统总代价对时延的比例系数以及对能耗的比例系数；若α的值较大，则表示该场景下系统对时延变化更为敏感，反之则说明对能耗更为敏感，它们的值取决于任务类型；其中比例系数满足0≤α≤1，0≤β≤1且α+β＝1；这两个参数根据用户对时延和敏感程度进行自由设定。

18、在步骤4，卸载过程分为以下几个步骤：用户向基站发送所要计算的数据，基站进而将用户的数据转发给mec服务器，mec服务器分配自己的资源完成计算，为了简化场景，将服务器的资源平均分配给需要mec计算的用户，执行完毕之后将执行结果返回给用户。

19、步骤4具体包括：

20、步骤41，对于设备向基站传输数据时的情况，将设备在无线信道中传输数据的速度设为vn，其时延计算公式为：

21、

22、其中dn表示用户所需计算数据的大小，单位为kbits；

23、步骤42，将设备n的功耗定义为pn，则步骤41所对应的能耗计算公式为：

24、

25、步骤43，对于mec执行任务过程，其时延计算公式为：

26、

27、其中dn表示用户所需计算数据的大小，单位为kbits；

28、设备在无线信道中传输数据的速度为vn

29、步骤44，在mec执行任务过程中相应的能耗为：

30、

31、其中为mec执行任务过程中设备n的功耗，为步骤43中mec执行任务过程的时延；

32、在步骤43，步骤44中，需要满足约束条件，mec计算资源总量必须大于其分配给用户的资源；

33、不考虑mec执行完成后将结果返回给用户的时延与能耗对系统的影响；综合步骤41，步骤42，步骤43，步骤44，可以得到卸载计算模型下的系统时延与能耗的总表达式如下，表示系统总时延，代表系统总能耗：

34、

35、

36、其中dn表示用户所需计算数据的大小，wn为计算任务，mn为完成计算任务所需cpu周期数总数，cn代表用户设备的计算能力。

37、综合以上两个表达式，可以得到卸载计算模型中总的代价表达式：

38、

39、其中，表示系统总时延，代表系统总能耗，比例系数α和β的含义分别为系统总代价对时延的比例系数以及对能耗的比例系数。

40、在步骤5，综合步骤3本地计算模型与步骤4卸载计算模型，可知系统总代价sall可表示为：

41、

42、其中表示本地卸载的总代价，表示卸载至边缘服务器计算所需的总代价，γn表示第n个用户的卸载决策，其中γ取0时代表任务完全在本地计算，取1代表全部卸载至mec服务器计算。

43、在使系统代价最小的同时，要满足一些约束条件，在满足约束条件的基础上，获得系统最小代价，将这个优化问题公式化如下：

44、

45、

46、

47、

48、

49、其中cn表示用户设备的计算能力，f表示边缘计算服务器的计算能力上限，tn表示用户对时延的要求的上限。其中表示本地卸载的总代价，表示卸载至边缘服务器计算所需的总代价，γn表示第n个用户的卸载决策，其中γ取0时代表任务完全在本地计算，取1代表全部卸载至mec服务器计算。

50、各约束条件解释如下：c1表示因为该模型只考虑完全卸载，故γ的值只能取0或1；c2表示任务在本地计算或卸载执行时的时间都不能超过用户对时间的容忍限度；c3表示给某个具体用户分配的资源不能大于边缘服务器的总计算能力；c4表示所有用户分配给边缘服务器计算的任务量总和不能超过边缘服务器的计算能力。

51、该时延与能耗综合感知的边缘计算任务卸载方法还包括，在步骤5之后，步骤6，利用强化学习的方法，即奖励、行动和状态为用户卸载提供系统开销最少的卸载策略。

52、在步骤6，将系统的状态描述为二元关系组(tc，ac)，其中tc＝sall，即系统的总代价，定义为时延与能耗的加权和；

53、其中，表示边缘计算服务器剩余的计算能力，f表示边缘计算服务器的计算能力上限，cn为用户设备的计算能力。

54、在步骤6，将每个设备是否选择卸载与边缘计算服务器的资源对每个设备的分配量合并为一个向量，作为行动向量，即[γ1，γ2，...γn，c1，c2，...，cn]，其中γi，i∈[1，n]表示是否卸载，取值为[0，1]，ci，i∈[1，n]，表示用户卸载的数据量。

55、在步骤6，在当前s状态做完特定行动a之后，此时将获得在此特定情况下的奖励r(s，a)；针对建立的任务卸载计算模型，系统的优化目标是获得最小代价；故代价越低，奖励值应越高；因此定义奖励为：

56、

57、其中，tclocal为本地计算总代价，tc(s，a)为当前环境状态下的真实成本；经过之前的讨论，随着设备数n增加，决策空间呈指数式增加，故采取预分类的方式来减少动作空间的大小；在行动开始之前，对每个用户设备进行判断，若其在本地计算的时延已经不能满足用户对时间的要求，即将直接将此用户判定为进行卸载计算，即直接赋值γn＝1；通过上述的预分类方式可以通过减少可能的状态空间数量的方式来限制行动空间，从而优化系统计算。

58、本发明中的时延与能耗综合感知的边缘计算任务卸载方法，针对用户设备在边缘计算过程中需要将任务进行卸载至mec服务器执行时能耗和时延较高的技术问题，在用户进行边缘计算任务卸载的过程中，构建时延能耗综合感知模型，通过强化学习方法进行任务卸载策略决策，从而在时延和能耗两方面达到更好的效果。与现有技术相比，本发明的有益效果为：

59、本发明能够为进行边缘计算任务卸载的用户提供一种综合了时延与能耗感知的任务卸载方法，在用户对时间容忍限制、边缘计算服务器计算能力限制，用户设备计算能力有限的条件下，基于强化学习算法对边缘计算任务卸载的决策结果，并根据不同用户的时延和能耗需求不同，进行动态卸载决策的制定。对于用户进行用户卸载的处理过程可以分为三个部分，首先，用户向基站发送所要计算的数据，其次基站进而将用户的数据转发给mec服务器，mec服务器分配自己的资源完成计算，最后mec服务器执行完毕之后将执行结果返回给用户。本发明采用时延与能耗综合感知的方式对该问题进行建模，为用户达到理想中的系统消耗提供有力保障，具有很强的实用价值。