[发明专利]应用于雾计算网络的任务卸载方法、系统、设备及介质

说明书

本发明的应用于雾计算网络的任务卸载方法、系统、设备及介质，其中，任务节点将其前若干时隙内产生的若干个任务中的至少一个归于自身，且将其余任务分别卸载至各服务节点；获取各任务的资源占用信息；其中，资源占用信息包含：各任务被所在节点处理的开销、以及各该任务的卸载决策；根据所获取的资源占用信息估计各该组中各节点的可用资源状况；在生成新任务时，根据估计的该组中各节点的可用资源，估计该新任务在该组中各节点被处理所需的开销；将任务卸载到所估计的开销最小的节点；本发明将动态权衡利用和探索之间的利弊，赋予用户实时智能地做出任务卸载决策，从而以在线学习的方式解决雾计算网络中的任务卸载问题。

技术领域

本发明涉及通信技术领域，尤其涉及应用于雾计算网络的任务卸载方法、系统、设备及介质。

背景技术

随着物联网的快速发展，各类移动智能设备需要处理的任务量不断提高。比如，应用了增强现实技术的在线交互游戏设备需要大量计算和通信可用资源状况。因此，传统的个人电脑、智能手机等移动设备和物联网设备在电池和计算能力方面遇到了巨大的挑战。虽然将这些计算任务卸载到能源和计算可用资源状况丰富的云端服务器是一个解决方案，但是远距离云端传输将会不可避免的引来额外的通信时间。为了满足低时延的服务要求，研究人员提出利用雾计算节点(如具有闲置可用资源状况的移动、物联网设备)数量庞大、无处不在的天然优势，将计算、存储、控制和通信服务分布在云到雾的连续体中[1]。因此，为了更好的利用周围的雾节点，我们急需一个高效的算法，来决定在雾计算网络中哪些计算任务需要卸载、以及卸载到哪个节点。

一般来说，把高复杂度的计算任务卸载到其他的节点上，能够有效的节约自己本地节点上的计算可用资源状况与能量可用资源状况。任务卸载问题在[2]-[4]中被建模成一个确定性最优化问题。然而在现实场景中，由于用户的服务需求是动态的、随机的，要实时获取整个雾计算网络的全部信息将会消耗大量通信可用资源状况。因此，一个实际的算法需要能够适应动态变化的环境，比如不同时间用户和服务器的状态、节点的计算队列长度。针对这一需求，一些学者将问题建模成随机优化问题[5]-[8]，并按照李雅普诺夫优化方法将难以解决的随机优化问题转化成一个在每个时隙内只包含一系列容易解决的确定性优化问题的顺序决策问题。然而，上面所有提到的模型都假设系统参数是能够得到的。但是在许多场合中用户无法或只能够了解部分参数。比如文献[9]的作者假设通信和计算的延迟是未知的，文献[10]的作者假设用户的移动是未知的。特别地，当用户的计算和通信可用资源状况有限而且对服务节点的信息了解不充分时，求解问题就会陷入“探索”和“利用”的两难局势，即用户需要权衡究竟是完全相信历史信息寻找并利用“最高”回报的节点，还是继续探索其他未知但有可能会有更高回报的节点。

[1]M.Chiang and T.Zhang,“Fog and IoT:An overview ofresearchopportunities,”IEEE Internet Things J.,vol.3,no.6,pp.854–864,Dec.2016.

[2]Y.Yang,K.Wang,G.Zhang,X.Chen,X.Luo,and M.Zhou,“MEETS:Maximalenergy efficient task scheduling in homogeneous fog networks,”IEEE InternetThings J.,in press.

[3]C.You,K.Huang,H.Chae,and B.-H.Kim,“Energy-efficientresourceallocation for mobile-edge computation offloading,”IEEETrans.WirelessCommun.,vol.16,no.3,pp.1397–1411,Mar.2017.