一种配备缓存辅助装置的边缘计算网络任务卸载方法

一种配备缓存辅助装置的边缘计算网络任务卸载方法

　　技术领域

　　本发明涉及一种多项二元变量的联合卸载方法，尤其涉及移动边缘计算 网络系统中当加入内容缓存决策时用户数据的任务卸载和资源优化方法。

　　背景技术

　　计算卸载技术是5G移动边缘计算(Mobile Edge Computing,MEC)网络 中发展起来的一种新型的、高效的数据任务处理方法，是MEC系统实现终端应 用实时化执行的重要手段。作为云计算的拓展与延伸，边缘计算可以分布式承担 云的计算任务，因此，计算卸载可以将全部或部分计算功能卸载到靠近用户端的 MEC服务器,其主要操作过程包括卸载决策制定、卸载信息执行、数据结果回 传3部分。其中，卸载决策由MEC控制中心制定，决定是否将某项计算任务应 该进行卸载处理，是计算卸载的先行条件；卸载信息执行是终端设备与MEC服 务器划分执行卸载决策所规定的任务数据；是计算卸载的核心元素；数据结果回传是将MEC处理的结果数据通过下行链路回馈给用户，是计算卸载过程最终实 现并完成的关键。利用计算卸载技术，移动设备所产生实时应用数据卸载到边缘 云服务中，能够有效扩展终端设备的即时计算能力，降低任务执行延迟与能量消 耗。因此，高效的计算卸载方法在边缘计算网络中起着举足轻重的作用，近年来 引起了学术界和产业界的广泛关注。

　　从目前的国内外研究现状来看，国内外专家和学者的研究重点主要在特 殊场景下的MEC系统任务卸载方法及装置上，在卸载方法的研制中，多维度、 自适应、智能化的卸载机制不断被提出，使得设备功率和计算能力受限的MEC 系统用户能够最大限度地利用边缘服务器执行卸载任务，保证了通信网络的高效 率运行及用户延迟方面的体验质量(QoE)要求。专利CN110543336A、 CN110505165A、CN110460650A、分别公开了一种基于非正交多址接入技术、 双向拍卖机制、多边缘服务器场景下任务的卸载决策方法及装置，专利CN110096318A公开了一种基于移动边缘计算的任务卸载方法及装置，通过制定 服务部署以及任务卸载方法，一方面提高了通信资源的利用率，同时也提高了运 营商的期望收益，但问题是边缘服务器资源基于预设的约束方程进行资源部署和 决策制定时，无法判定不同用户之间的应用差异，容易使得卸载决策更集中于期 望值更高的终端用户，造成不公等卸载。专利CN110087257A公开了一种支持 移动边缘计算的任务卸载装置及方法，该发明在确保最大可容忍时延约束下，最 小化任务执行能耗，以实现MEC场景中用户任务的最佳卸载、降低设备执行能 耗及提升执行性能的目的。这项发明的问题是任务特性感知模块并未提交用户卸 载任务所消耗的能量，因此信息分析处理模块对最佳候选卸载MEC服务器的性能进行评估时，而数据任务的大小类型将会对这一卸载方法产生不小的影响。需 要指出的是，专利CN110096318A和专利CN110087257A都是基于固定边缘服 务器能力的情况下讨论的，以及并未考虑内容缓存等其他辅助计算条件下的决策 制定，实际应用范围窄、拓展性低。

　　在基于边缘计算任务卸载的专利中，传统方法未考虑更多的卸载因素， 实际应用范围窄、拓展性低。且未来5G网络中面临的新兴应用，具有计算任务 大、热点内容集中、超低时延等特征。因此，基于已有的边缘计算卸载的专利， 本发明通过在边缘服务器增加缓存辅助能力，依据设备本地、边缘服务计算与缓 存辅助多因素下进行任务卸载方法研制。

　　发明内容

　　本发明的目的是提供一种配置缓存辅助的边缘计算卸载方法，在边缘计 算网络中为用户任务的实时处理提供了更多的选择，该实例可较好地适用于热点 内容集中，应用数据类型差异大的终端用户。

　　本发明是一种配备缓存辅助装置的边缘计算网络任务卸载方法，其步骤 为：

　　(1)在边缘基站中部署内容缓存辅助装置；

　　(2)根据步骤(1)建立的边缘计算网络内容缓存辅助装置架构，建立网络 用户设备数据业务模型，计算用户任务在本地CPU处理、边缘服务器执行以及 通过内容缓存辅助装置下不同能量消耗；

　　(3)利用步骤(2)得到的不同执行方式下的能耗值，构建最小化用户在任 务执行时最坏情况下的能耗值，获得缓存辅助下的预选卸载集合；

　　(4)根据步骤(3)得到的预选卸载集合，通过不同的资源配置进行对比该 集合中的设备能耗得到最优的卸载决策。

　　本发明与现有技术相比，具有以下优点：(1)所述方法在边缘服务器中 增加内容缓存能力，能够辅助处理一些热点数据内容，减少数据反复重传的资源 消耗，提升边缘网络系统性能。(2)所述方法考虑了不同用户执行任务时的公平 性，构建了最小化用户在最差情况下执行的能量消耗，一定程度上确保了不同差 异下的用户尽可能多样地去选择不同的卸载方式。(3)所述方法在加入缓存资 源决策时，对于存在的多项二元变量的能耗函数，采用随机概率映射的方式获取 预选卸载决策，极大节省了MEC控制中心搜索其结果的过程。

　　附图说明

　　图1是边缘网络任务卸载模型图，图2是任务卸载流程图，图3是边缘 计算网络中卸载方法获得流程图，图4是选择不同卸载方法时的终端能量消耗变 化图。

　　具体实施方式

　　本发明是一种配备缓存辅助装置的边缘计算网络任务卸载方法，其步骤 为：

　　(1)在边缘基站中部署内容缓存辅助装置；

　　(2)根据步骤(1)建立的边缘计算网络内容缓存辅助装置架构，建立网络 用户设备数据业务模型，计算用户任务在本地CPU处理、边缘服务器执行以及 通过内容缓存辅助装置下不同能量消耗；

　　(3)利用步骤(2)得到的不同执行方式下的能耗值，构建最小化用户在任 务执行时最坏情况下的能耗值，获得缓存辅助下的预选卸载集合；

　　(4)根据步骤(3)得到的预选卸载集合，通过不同的资源配置进行对比该 集合中的设备能耗得到最优的卸载决策。

　　以上所述的配备缓存辅助装置的边缘计算网络任务卸载方法，所述步骤1 建立的内容缓存辅助装置，具体按以下过程实施：缓存辅助装置附属或内嵌于边 缘基站中的硬件服务平台，可以与基站天线在一跳的网络范围建立通信；引入内 容流行度作为一项重要指标来制定边缘网络的缓存策略，确定在边缘节点中缓存 的内容能够被用户请求的概率，被请求的概率越大，流行度越高，反之则越低， 其可以用Zipf分布来量化表示：

　　计算第f个内容在整个F内容分布下的流行度为：

　　

　　其中，参数γ为描述流行度的正常数，也称偏斜系数。参数γ值越高，表示 该内容可以重复得到的概率就越大，并且有：

　　

　　以上所述的配备缓存辅助装置的边缘计算网络任务卸载方法，所述步骤2 建立网络用户设备数据业务模型，具体按以下过程实施：①设用户设备 i＝{1,2,L,N}，随机产生数据任务Ai＝{Di,Ti}，Di表示该任务的数据大小，Ti表 示执行此任务时所能容忍的最大延迟；用户设备的计算能力为(CPU cycles/s)，本地执行功率为(W)，则计算该任务Ai在用户本地执行时，所需 要的时延及能量消耗为

　　②边缘计算分配给用户i的计算资源为最大值为Fm；在边缘处理中，用 户设备处于空闲状态，空闲功率消耗为则时间消耗包括传输和执行时间两 部分即设备的能量消耗可计算为

　　③当收到可缓存的信息数据时，不再将该应用数据上传到边缘服务器，通过缓存 技术对相应的原始数据进行处理，并将结果数据经下行链路传到终端；在进行缓 存处理时所需要的执行时间较快，在时间上可近似等于边缘服务器的执行时长， 在用户端的时间与能量消耗计算为

　　以上所述的配备缓存辅助装置的边缘计算网络任务卸载方法，所述步骤3 建立的最小化用户在任务执行时最坏情况下的能耗值，并获得缓存辅助下的预选 卸载集合，具体按以下过程实施：

　　①设其决策变量为分别代表本地计算变量、边缘计算变量与 边缘缓存变量，即当分别表示用户i的任务可以通过本地执行、 边缘服务器执行以及边缘缓存的方式来处理，反之则有基于系统模型的描述，用户i处理任务的总能量消耗可表示为：

　　②表示执行决策向量为用户传输功率分配以及边缘计算资源分配向量为避免较多的任务集中于条 件较好的执行方式造成拥塞现象，在考虑用户进行选择的公平度下，建立该能耗 目标优化问题为最小化用户在最差执行下的消耗值，计算为：

　　

　　以上所述的配备缓存辅助装置的边缘计算网络任务卸载方法，所述步骤4 通过不同的资源配置进行对比预选卸载集合中的设备能耗得到最优的卸载决策， 具体按以下过程实施：

　　①根据非线性分数规划理论，将用户设备功率分配问题可以转化为凸优化问题 min{pm，Ep；Ep}，通过拉格朗日对偶分解算法从原目标函数中分解出优化变 量，从而获得最优功率分配

　　②获得传输功率后，继续对边缘端的计算资源进行分配，得到在计算资源变量下 的计算为：

　　

　　其中，N2代表在边缘计算单元执行任务的用户， 为常数。

　　本发明的思路是：搭建由多个用户、一个服务器及内容缓存装置组成的 边缘计算网络，用户实时产生的任务数据可以在用户本地CPU处理、也可以卸 载到边缘服务器执行或通过内容缓存获取，首先计算出用户在最差执行情况下的 能量消耗，并给出所有的预选卸载决策集合，其次通过对发送功率及边缘计算资 源的优化分配，从预选卸载集合中选出最佳的任务卸载方式。

　　具体而言，本发明采用如下技术方案：本发明所述的配置缓存辅助功能 的边缘计算网络任务卸载方法模型如图1所示，用户i向MEC控制中心发送包 含任务特性的请求信息，该信息数据占比很小，在实际分析中可忽略不计，MEC 收到请求信息后进行分析处理作出卸载方法并将决策信息通过下行链路反馈到 用户设备控制器，任务卸载流程图如附图2所示。

　　所述任务特性请求信息包含任务数据大小、本地计算能力及发送功率、 最大可容忍时延等。

　　所述决策信息为MEC控制中心最后作出的执行方式分别代 表本地计算变量、边缘计算变量与边缘缓存变量。当表示 用户i的任务通过本地方式执行、边缘服务器执行以及可以通过边缘缓存来处理， 反之有即卸载方式可以表述为 {[1,0,0]T,[0,1,0]T,[0,0,1]T}。

　　所述内容缓存装置的放置方式采用固定偏斜系数为γ＝1的内容服务流行 度，即可以准确缓存用户所需内容的程度。

　　所述任务卸载为用户向边缘基站发送待处理的任务数据，在无线信道环 境下，其发送速率可表示为

　　

　　其中，W为系统带宽，σ2为噪声功率谱密度，表示用户i的传输功率， 其最大值为

　　所述能耗函数构建为基于用户可以进行公平选择的考虑，建立能耗目标 约束函数为最小化用户设备在最差执行下的消耗值，计算为

　　

　　其中，xi表示任务卸载向量，pm表示用户发送功率向量，fmec表示边缘计 算资源分配向量。

　　所述缓存辅助下的预选卸载决策制定为进行卸载决策制定时先不考虑用 户功率、边缘计算能力等资源分配约束。总之，本发明一种配备缓存辅助装置的 边缘计算网络任务卸载方法可通过以下更为详细的步骤实现：

　　(1)搭建配置一个内容缓存装置的边缘计算网络系统。

　　(2)根据步骤(1)建立的边缘计算网络环境，创建能够实时产生应用任务 数据的有限用户集合(任务集合A)，建立数据上行链路卸载传输模型。

　　(3)为能准确的获得用户端的任务执行需求，设备向MEC控制中心发送 应用需求信息Di、Ti、等，其中，假设MEC控制中心已知边缘信道 状态信息hi、σ2等。

　　(4)利用步骤(3)得到的请求信息，判断是否在内容缓存装置(γ＝1)已 有相关原始数据缓存，若有，直接转化结果数据并进行下行回传，若无，进一步 判断本地或边缘执行方式。

　　(5)根据步骤(4)得到的执行方式集合，分别计算其能量消耗量，选择出 最佳的卸载方式集合，其操作流程如图3所示。

　　下面结合附图以具体实施例来详细说明本发明。本实施例仅表示对本发 明的原理性说明，不代表对本发明的任何限制。

　　本发明是一种配备缓存辅助装置的边缘计算网络任务卸载方法，如附图2 所示，首先根据技术方案所述建立最小化用户设备在最差执行下的消耗函数，对 于二元约束的存在使得目标函数成为凸的情况，进行转化：定义(4N+1)×1的向量 将双层优化问题整理成标准的QCQP模型，表示为：

　　

　　约束有：yiTdiag(ej)yi-(ej)Tyi＝0,j∈{1,2,3}、其中，b0@[01×4N,1]T、以及

　　半定松弛作为简化求解QCQP函数模型的一种有效方法，经转化后可以 得到一个相应的半定规划(SDP)问题，而SDP问题可借助于MatlabCVX工具 包(如SeDuMi)进行求解。则该SDP问题可阐述为：

　　

　　转化约束有：Tr(GjZ)＝0,j∈{1,2,3}、i∈N i∈NZ(4N+2,4N+2)＝1。

　　其中，

　　将其优化解表示为则所需要的预选卸载决策仅存在于中左顶角 3N×3N的子矩阵中，表示为由于中的优化向量解无法直接提取为二元 决策变量，采用随机概率映射方法，对随机产生的向量解以概率约束的形式映射 到整数集{0,1}3N中。具体地，定义即对执行的选择 以概率形式表示有s＝l、m、c，代表了任务分别通过本地、边缘 计算与缓存处理执行方式。为满足约束执行方式的二进制特性，进一步对概率约 束：从 而得到，最后将整理所得到的概率集合表述为 即可得到所述的预选卸载决策集合。

　　当获得预选卸载决策时，需要对每个决策的执行方式进行资源分配分析 处理，判断其用户能量消耗变化情况，资源分配包括计算资源和用户传输功率分 配两部分，其函数表达式为：

　　

　　其中，将获得的预选卸载决策代入能耗函数，通 过拉格朗日对偶分解法完成用户发送功率的分配，以及边缘计算资源的分配，分 配的功率方式为：

　　

　　根据拉格朗日更新乘子可对上式进行 迭代。

　　最后，计算每一次进行分配后的用户设备能耗，选出能耗值最低时对应 的那个卸载决策，即为所需的理想卸载决策方法，详细操作步骤如附图3所示， 以及该方法下获得的用户设备能耗变化如附图4所示。取N＝12，Cd＝120MB， 固定偏斜系数为γ＝1时，计算得减少最少能耗值5.6％。

　　上述实施例只是本发明较佳的可行实施例，只是为了使本发明的目的、 技术方案及优点更加清楚，并非用于限制本发明的专利保护范围，因此，凡是运 用本发明的说明书及附图内容所作的等同结构变化，都应在本发明的保护范围之 内。