[发明专利]一种基于深度学习的能量高效雾计算迁移方法

说明书

本发明公开了一种基于深度学习的能量高效雾计算迁移方法，首先构建了任务完成时间最小化雾计算迁移优化问题，提出了一个基于深度学习的雾计算迁移决策算法用于解决上述优化问题，该算法具有较快的收敛性能，并且能够最大程度地降低复杂网络场景下的任务完成时间；其次，为了进一步优化雾计算迁移的能耗，构建了终端用户能耗最小化雾计算迁移优化问题，基于上述迁移决策算法求解的最优迁移决策，提出了最优传输功率分配求解算法用于解决上述优化问题，该求解算法对传输功率进行了动态分配，从而获得最优传输功率即最小能耗；最后，本发明方法的具体实施验证了所提雾计算迁移方法在降低任务完成时间和用户能量消耗上的优势。

技术领域

本发明涉及雾计算迁移方法，特别涉及一种基于深度学习的能量高效雾计算迁移方法。

背景技术

随着大数据时代的到来，人们对计算资源和存储资源的需求不断上升，传统的用户设备已不能满足人们的需求。云计算的概念应运而生，其提供的按需付费模式使得用户能够以低廉的价格获得所需计算资源和存储资源。用户可将其产生的计算任务传输至远程云服务器进行处理。但是，这种长距离的传输会造成极大的通信开销和通信延迟。而雾计算的普及在一定程度上弥补了上述缺陷，雾节点距离终端用户更近，拥有更低的网络延迟。然随着增强现实技术、虚拟现实技术、网络对战游戏和高清视频播放等资源密集型任务的兴起，如何平衡雾节点的负载压力成为了一个亟待解决的问题。

为解决上述问题，人们引入了计算迁移技术，并充分考虑了如何分配资源和将计算任务迁移至何处的问题，从而缓解雾节点和用户设备的负载压力、提升用户体验。目前，主流的雾计算迁移方案大致分为以下三类：

第一类方案仅考虑了最小化任务完成时间。该类方案基于雾服务器的负载压力，对计算资源分配进行了一定的优化，用以降低端对端时延和任务完成时间。

第二类方案仅考虑了最小化能量消耗。该类方案运用第一类方案的思想，对计算资源、传输功率和信道带宽进行了联合优化，使得用户在给定时延约束下最小化能耗。

第三类方案同时考虑了最小化完成时间和能量消耗。其主要思想为：建立完成时间和能耗联合优化问题，并将其转化为单目标优化问题，在迭代过程中降低误差、提高计算精度，从而降低能量消耗和完成时间。

但是，上述主流的雾计算迁移方案并不能适用于复杂动态变化的网络场景。

发明内容

发明目的：本发明目的是实现复杂物联网场景中计算迁移方案的自适应性，并最大程度地降低任务完成时间和终端用户能量消耗。

技术方案：本发明提供一种基于深度学习的能量高效雾计算迁移方法，包括如下步骤：

(1)构建完成时间最小化模型，提出基于深度学习的雾计算迁移决策算法，用以最小化任务完成时间；

(2)基于上述迁移决策算法求解的最优迁移决策，构建终端用户能耗最小化模型，提出最优传输功率分配求解算法，用以最小化终端用户能耗。

进一步地，所述步骤(1)中的完成时间最小化模型定义如下：

P1:

s.t.α_n＝{0,1},

进一步地，所述模型求解的第一个约束条件表示用户n的实时计算任务的迁移决策，α_n＝1说明任务在本地设备进行处理，α_n＝0说明任务在雾服务器进行处理；第二个约束条件表示任意一个在本地执行的计算任务的完成时间应小于等于所有计算任务的完成时间；第三个约束条件表示任意一个迁移出去的计算任务的完成时间应小于等于所有计算任务的完成时间。