一种数字孪生辅助的边缘计算资源分配方法

技术领域

本发明涉及边缘计算资源分配技术领域，具体为一种数字孪生辅助的边缘计算资源分配方法。

背景技术

随着智能物联网设备的快速增多，面向物理世界的边缘网络产生了海量的感知数据,云计算不能很好的支持这些物联网设备的低时延的计算需求。因此，为了减少物联网设备之间的传输时间，边缘计算被提出。边缘计算的概念是将部分计算负载移向更靠近用户端的网络边缘，利用边缘节点(例如基站、交换机等)完成计算。由于边缘设备资源有限，边缘计算设备在一定的通信延迟条件下获得资源高效的任务分配方案是一个亟待解决的问题。

数字孪生技术最早源于美国国家航天局(NASA)的阿波罗计划，主要用于对太空中的航天器的工作状态进行模拟，来辅助航天员完成太空中的正确决策，减少了航天员的各种操作风险。“数字孪生”一词首次出现于2009年美国空军研究实验室提出的“机身数字孪生体”概念中，而“数字孪生”作为独立概念首次出现则是在2010年NASA的2份技术报告中，其被定义为集成多物理量、多尺度、多概率的系统或飞行器仿真过程。此后，数字孪生正式进入公众的视野，也开始得到各研究领域的重视。数字孪生(Digital Twin,DT)的定义是物理系统的虚拟表示，通过物理系统和虚拟系统之间的信息交换进行更新。当前，数字孪生技术已经在边缘计算中得到了应用，研究人员为了提高边缘计算性能提出支持DT的移动边缘计算，在边缘计算模型中提出针对延迟、能耗等方面的问题，旨在提高边缘计算效率。

发明内容

本发明提供了一种数字孪生辅助的边缘计算资源分配方法，解决了上述背景技术中提出的数字孪生辅助边缘计算资源分配不均衡的问题。

本发明提供如下技术方案：一种数字孪生辅助的边缘计算资源分配方法，针对数字孪生辅助边缘计算资源分配不均衡问题，构建联合优化函数，针对鲸鱼优化前期收敛较慢的问题，提出贪心初始化方法。针对鲸鱼优化算法寻优能力不足，改进捕食机制和包围机制，提升了优化效果。

一种数字孪生辅助的边缘计算资源分配方法，包括以下步骤：

步骤一、初始化边缘设备和计算任务的内存、计算资源、时间限制等参数，将初始参数编码生成鲸鱼种群，并设置鲸鱼种群个数，最大迭代次数等基本参数；

步骤二、使用公式X(i)＝min{s

步骤三、如果达到终止迭代条件则执行步骤七，否则执行步骤四；

步骤四、根据公式

步骤五、产生随机数A，如果abs(A)＜1，则通过公式

步骤六、产生随机数A如果abs(A)＜1，则通过公式

X

Y(t+1)＝Y(t)+Ar

X(t+1)＝X(t)+Y(t+1)

更新鲸鱼位置，否则，通过公式X(t)＝D·e

步骤七：输出最优的鲸鱼个体，并记录最优的计算资源分配结果。

优选的，所述步骤二中X(i)为第i个任务所分配的计算资源，s

优选的，所述步骤四中θ

优选的，所述步骤五中X

优选的，所述步骤六中X

与现有技术对比，本发明具备以下有益效果：

1、该数字孪生辅助的边缘计算资源分配方法，通过数字孪生辅助边缘计算资源分配，减少了数据传输时间和能耗；针对鲸鱼优化算法求解数字孪生辅助边缘计算资源分配系统中，前期收敛慢的问题，提出贪心初始化策略，提升了收敛速度；针对鲸鱼优化寻优能力不足问题，通过改进捕食机制和包围策略，提升了寻优效果。

附图说明

图1为数字孪生辅助边缘计算系统结构图；

图2为算法迭代示意图；

图3为平均最优目标分配函数值示意图；

图4为数字孪生优化功耗示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，构建数字孪生辅助的边缘计算资源分配系统。系统由用户设备、边缘服务器、资源设备以及数字孪生体组成。用户设备向边缘服务器发起任务请求，边缘设备对请求任务进行计算资源的分配，数字孪生体部署在边缘服务器内。

假设第m个任务的数据量为D

由于数字孪生模型和物理实体之间不是完全相同，则第m个任务模拟传输的误差

计算延迟第m个任务所需要的计算资源为C

数字孪生体产生的计算时间误差

则所有任务的总计算时间为：

因此，分配过程中数据传输、计算和数字孪生模型校正的总时间为：

假设第m个任务的功耗：P

共有N台资源设备，第m台资源设备中资源为S

则第i台设备M种资源的平均使用率：

则第i台设备的资源分配不均衡率：

则所有资源设备资源分配不均衡率：

最终本文优化的目标问题表述为：

s.t.C1：0＜θ

C2：θ

其中θ

该数字孪生辅助的边缘计算资源分配方法使用时，包括以下步骤：

步骤一、初始化边缘设备和计算任务的内存、计算资源、时间限制等参数，将初始参数编码生成鲸鱼种群，并设置鲸鱼种群个数，最大迭代次数等基本参数；

步骤二、使用公式X(i)＝min{s

步骤三、如果达到终止迭代条件则执行步骤七，否则执行步骤四；

步骤四、根据公式

步骤五、产生随机数A，如果abs(A)＜1，则通过公式

步骤六、产生随机数A如果abs(A)＜1，则通过公式

X

Y(t+1)＝Y(t)+Ar

X(t+1)＝X(t)+Y(t+1)

更新鲸鱼位置，否则，通过公式X(t)＝D·e

步骤七：输出最优的鲸鱼个体，并记录最优的计算资源分配结果。

本发明提出的方法考虑到资源设备所拥有的资源可能不同，实验时资源设备的计算频率范围为[50,80]KHz,带宽资源为[180,230]KB,内存资源为

[190,250]MB。误差为0～1％范围，系数k的范围设置为(0，1)；相应的不同的任务占用的计算资源为[8,13]KHz,内存资源为[18,25]KB,占用的内存资源为[15,26]MB,时间约束为[0.7,1.25]S，基于以上参数进行了实验。

如图4所示，本文对粒子群优化算法(PSO)、灰狼优化算法(GWO)、鲸鱼优化算法(WOA)和改进鲸鱼优化算法(IPWOA)进行仿真实验。使用上述算法分别实验迭代200次来求解优化任务，由于原始的WOA是随机初始化，所以前期收敛慢于IPWOA，我们通过对WOA的改进，寻优结果也好与WOA，最终结果显示改进的IPWOA的最优目结果比原始的WOA小15.2％。本文还进行了消融实验，图中的IWOA是仅对鲸鱼优化进行初始化的改进、PWOA是仅对鲸鱼优化进行2.2.3节的改进。同时，为了验证改进效果更具有一般性，本文对算法多次迭代的平均最优结果进行分析，结果如表1、图3所示，迭代60次的平均结果，IPWOA最优结果相比于WOA提升了12.6％，与PSO、GWO相比也都取得了更好的结果。

数字孪生技术可以辅助边缘计算资源分配，让边缘计算系统减少数据的传输次数，使得资源设备将更多的时间投入到计算中。当资源设备拥有更多的计算时间，则分配的频率相对较少，计算功耗也就相应减少。如图4所示，根据仿真结果，在数字孪生辅助下的功耗为没有数字孪生辅助下的89.6％。

表1平均优化结果

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术，尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。