一种面向移动边缘计算的低时延任务分解与卸载方法

技术领域

本发明涉及一种面向移动边缘计算的低时延任务分解与卸载方法，属于无线通信技术领域。

背景技术

新兴的移动物联网应用(例如，自动驾驶、增强/虚拟现实)需要执行具有严格延迟要求的计算密集型任务。鉴于移动设备的处理能力有限，及时完成这些任务是一项挑战。移动边缘计算(MEC)是支持延迟敏感物联网应用的一种很有前途的解决方案。

移动边缘计算(MEC)网络中任务分解和任务卸载的方法就是通过在网络边缘部署MEC服务器，例如，靠近基站(BSs)或接入点(AP)，移动用户可以将其计算任务分解然后卸载到附近的MEC服务器，以便快速处理。近年来，随着5G网络的部署，数百亿移动设备很快就能接入互联网，其中许多移动设备将得到未来MEC系统的支持，移动边缘计算(MEC)网络中任务分解和任务卸载的方法应运而生，有效减少了系统成本，并降低了所有用户的平均延迟。

发明内容

发明目的：为实现所有用户的平均延迟的最小化，本发明提供一种任务分解和任务卸载的方案，可以根据任务分解后子任务间的关系优化任务分配比例，扩大任务卸载选项，从而降低用户的平均延迟，缓解本地服务器压力。

针对上述子任务间的任务分配和任务卸载问题，本发明运用一种离散三元粒子群优化算法(DTPSO)。我们首先采用水平分解，将给定计算任务分解为子任务，然后根据任务间的关系制定混合整数线性规划(MILP)问题以确定任务分配比例，接着根据概率映射函数，将粒子群算法中的粒子位置对应于任务卸载决策，然后使用离散三元粒子群优化算法(DTPSO)得到最优任务卸载决策。

技术方案：本发明为实现以上要点，具体包括以下步骤：一种面向移动边缘计算的低时延任务分解与卸载方法，其特征在于，所述方法具体包括以下步骤：

步骤1：用户在本地使用水平分解将给定的计算任务分解为多个子任务；

步骤2：用户确定独立子任务以及顺序依赖子任务的最优任务分配比例；

步骤3：在任务分配比例获得最优解的基础上，用户在本地决定每个子任务的具体卸载方案，执行卸载过程。

本发明扩展了任务分配的概念，允许对单个任务进行分区，考虑了给定任务的子任务之间的依赖关系，根据不同的依赖关系结构推导出了最优的任务分配比例。

本发明上述步骤1中将给定的计算任务分解为子任务的多个部分，具体步骤包括：

步骤1-1.对于需要处理大量数据的应用程序，确定应用程序的计算任务；

步骤1-2.根据数据条目或对象对给定的计算任务进行任务分解。

本发明上述步骤2中确定独立子任务和顺序依赖子任务的最优任务分配比例，具体步骤包括：

步骤2-1.计算UEk(第k个移动用户设备)的子任务在本地设备、ENj(第j个边缘节点)和云服务器上完成的总耗时，表达式为：

其中，

步骤2-2.由于子任务是独立的，它们可以并发执行，因此，完成整个任务的延迟时间为最近完成部分的延迟时间，所以，计算独立子任务的延迟时间的表达式为：

其中，x

步骤2-3.应用上述表达式，计算独立子任务中UEk的最优任务分配比

其中W为每个EN的接入信道带宽；Q

步骤2-4.在得到UEk的最优任务分配比的基础上，根据[x

其中，[x

步骤2-5.接下来讨论顺序依赖子任务，由于开始阶段的子任务分配给本地设备执行，一旦本地设备开始执行，它也开始在同一时间卸载其余的子任务到EN；本地设备完成子任务后，将输出发送给EN；在接收到输出后，EN开始执行中间阶段的子任务；同时，EN将在最后阶段执行的子任务发送到云服务器；EN在中间阶段完成子任务后，将输出发送到云服务器；最后，云服务器在完成其部分的执行后将任务的最终输出返回给UE，

步骤2-6.由于子任务是相互依赖，它们需要在不同阶段依次执行，因此，完成整个任务的延迟时间为各阶段完成时间之和，所以，计算顺序依赖子任务的延迟时间的表达式为：

步骤2-7.结合步骤2-1的表达式，计算顺序依赖子任务中UEk的最优任务分配比

步骤2-8.同步骤2-4解得顺序依赖子任务的最优任务分配比α

本发明在步骤3中，应用了离散三元粒子群优化算法(DTPSO)解决具体单个子任务的卸载问题。

本发明在步骤3中，求解任务卸载决策问题的具体步骤包括：

步骤3-1.计算单个子任务n的本地计算的时延、传输时延、执行时延，表达式为：

其中，w

步骤3-2.对于任务卸载决策，建立如下优化问题：

其中

步骤3-3.将粒子群算法中的粒子位置对应于任务卸载决策，具体为：

粒子速度为：v

速度与概率的映射关系为:

根据概率映射函数，相应的粒子位置可更新为:

其中p

步骤3-4.得到x

x

步骤3-5.在计算完所有子任务的卸载决策后，对比步骤2所得的最优任务分配，若卸载决策与任务分配方案不统一，分别计算两个方案的平均延迟，选择平均延迟较小的方案，修改对应卸载决策，得到最终的最优卸载决策。。

有益效果：

1.本发明将给定的计算任务划分为多个子任务，然后将各个部分分配给本地设备、边缘服务器或云服务器执行，减少了这些实体上的工作负载。

2.本发明扩展了任务分配的概念，通过允许对单个任务进行分区，充分利用本地设备、边缘服务器和云服务器的计算能力。

3.本发明通过为设备提供更多的任务卸载选项，有效地缓解本地服务器压力。

附图说明

图1为本发明一个实施例的流程图。

具体实施方式

下面结合附图以及具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明实施例提供一种面向移动边缘计算的低时延任务分解与卸载方法，考虑更多限制条件的同时，通过将任务分解后卸载到各个服务器最小化所有用户的平均延迟。

如图1所示，本发明实施例包括以下步骤：

步骤101：我们考虑一个场景，即用户在本地通过水平分解，将给定的计算任务分解成多个子任务。

步骤102：根据子任务间的关系，即子任务之间相互独立，或子任务间顺序依赖，制定混合整数线性规划(MILP)问题，通过求解规划问题确定子任务的最优任务分配比。

具体过程如下：

步骤102-1.UEk(第k个移动用户设备)的子任务在本地设备、ENj(第j个边缘节点)和云服务器上完成的总耗时为：

其中，

步骤102-2.由于子任务是独立的，它们可以并发执行。因此，完成整个任务的延迟时间为最近完成部分的延迟时间。所以，计算独立子任务的延迟时间的表达式为：

其中，x

步骤102-3.应用上述表达式，计算独立子任务中UEk的最优任务分配比

其中W为每个EN的接入信道带宽；Q

步骤102-4.在得到UEk的最优任务分配比的基础上，根据【x

其中，[x

步骤102-5.接下来讨论顺序依赖子任务。由于开始阶段的子任务分配给本地设备执行，一旦本地设备开始执行，它也开始在同一时间卸载其余的子任务到EN。本地设备完成子任务后，将输出发送给EN。在接收到输出后，EN开始执行中间阶段的子任务。同时，EN将在最后阶段执行的子任务发送到云服务器。EN在中间阶段完成子任务后，将输出发送到云服务器。最后，云服务器在完成其部分的执行后将任务的最终输出返回给UE。

步骤102-6.由于子任务是相互依赖，它们需要在不同阶段依次执行。因此，完成整个任务的延迟时间为各阶段完成时间之和。所以，计算顺序依赖子任务的延迟时间的表达式为

步骤102-7.根据步骤102-1的表达式，计算顺序依赖子任务中UEk的最优任务分配比

步骤102-8.同步骤102-4解得顺序依赖子任务的最优任务分配比α

步骤103：在各个子任务的最优任务分区确定的基础上，将粒子群算法中的粒子位置对应于任务卸载决策，利用离散三元粒子群优化算法(DTPSO)来解决具体单个子任务的卸载问题，具体步骤包括：

步骤103-1.计算单个子任务n的本地计算的时延、传输时延、执行时延，表达式为：

其中，w

步骤103-2.对于任务卸载决策，建立如下优化问题：

其中

步骤103-3.将粒子群算法中的粒子位置对应于任务卸载决策，具体为：

粒子速度为：v

速度与概率的映射关系为:

根据概率映射函数，相应的粒子位置可更新为:

其中p

步骤103-4.得到x

x

步骤103-5.在计算完所有子任务的卸载决策后，对比步骤102所得的最优任务分配，若卸载决策与任务分配方案不统一，分别计算两个方案的平均延迟，选择平均延迟较小的方案，修改对应卸载决策，得到最终的最优卸载决策。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。