[发明专利]一种基于机器学习的任务卸载系统及卸载方法

说明书

本发明涉及一种基于机器学习的任务卸载系统及卸载方法，属于边缘计算任务卸载技术领域。该卸载系统包括代理控制模块、卸载决策模块、任务分类模块、数据管理模块和本地执行模块，所述卸载决策模块又包括卸载预测单元和数据分析单元两部分。本发明通过代理控制模块连接最近的边缘服务器；对于所执行的卸载任务，任务分类模块使用字典树对任务进行分类；针对划分好的子任务，卸载预测单元给出卸载预测；数据分析单元统计卸载结果，同时记录卸载执行数据；对于卸载结果为本地执行的子任务，由本地执行模块负责执行；数据管理模块负责移动设备与边缘服务器之间的数据传输。本发明实现的卸载决策预测精确性高，能够提升卸载效率。

技术领域

本发明涉及一种基于机器学习的任务卸载系统及卸载方法，属于边缘计算任务卸载技术领域。

背景技术

边缘计算是一种小型数据中心，相较于云数据中心，其在地理位置上更加接近用户和终端设备。边缘计算在保证低延时的前提下为用户提供更加贴近数据源的服务，同时解决了云计算模式下实时性低、隐私保护差、能耗高等问题。边缘计算的目的是为了弥补云计算的缺点和不足，将部分原本卸载到云数据中心的任务转为卸载到边缘数据中心执行。卸载决策的优劣直接影响到应用的执行效率，进而影响用户的使用体验。

任务卸载主要以能耗和时延为度量指标，随着入网设备的增加及任务规模的增长，所执行的卸载任务会出现共性。针对这种现象，相关研究也只是向同一网络环境下的其他设备同步该任务信息，移动设备只能被动接受任务信息，无法主动做出预测，影响卸载决策的过程。

发明内容

针对移动设备进行任务卸载无法进行主动预测的问题以及任务卸载的时延与能耗问题，我们提出了一种基于机器学习的任务卸载系统及卸载方法，能综合卸载任务类型、网络时延、卸载任务数据、移动设备能耗等多个条件，使用支持向量机对卸载过程进行预测，根据预测结果做出任务卸载决策。本发明实现的卸载决策预测精确性高，能够提升卸载效率。

本发明为解决其技术问题采用如下技术方案：

一种基于机器学习的任务卸载系统，包括代理控制模块、卸载决策模块、任务分类模块、数据管理模块和本地执行模块，其中所述代理控制模块和任务分类模块连接，所述卸载决策模块和任务分类模块分别与数据管理模块连接，所述卸载决策模块和任务分类模块分别与本地执行模块连接；

所述代理控制模块，用于移动设备与边缘服务器连接；

所述卸载决策模块，用于制定卸载决策；

所述任务分类模块，用于对任务进行划分；

所述数据管理模块，用于移动设备与边缘服务器之间的数据传输；

所述本地执行模块，用于任务执行。

所述卸载决策模块包括两个子模块，第一个子模块为卸载预测单元，用于基于支持向量机算法，结合多种条件制定卸载决策；第二个子模块为数据分析单元，用于负责卸载过程中的数据统计，同时负责结合移动设备电量辅助卸载决策制定。

一种基于机器学习的任务卸载系统的卸载方法，包括如下步骤：

(1)通过代理控制模块连接最近的边缘服务器；

(2)对于所执行的卸载任务，任务分类模块使用字典树对任务进行分类；针对划分好的子任务，综合任务类型、数据大小、网络带宽、移动设备电量条件，卸载预测单元给出卸载预测；数据分析单元统计卸载结果，同时记录卸载执行数据，结合当前电量对卸载结果进行调整；

(3)对于卸载结果为本地执行的子任务，由本地执行模块负责执行；数据管理模块负责移动设备与边缘服务器之间的数据传输。

所述卸载决策模块有三种卸载模式，分别是低电量模式、能耗优先模式和时间优先模式。