[发明专利]一种边缘服务器的计算卸载分配方法

说明书

本发明公开了一种边缘服务器的计算卸载分配方法，该方法包括如下步骤：依据每个用户终端在边缘服务器上执行的任务在每个用户终端任务的占比构建待优化向量利用第一目标子函数、第二目标子函数和第三目标子函数，以构造目标优化函数，第一目标子函数为所有用户终端上本地执行任务的计算时间和边缘服务器上执行任务的计算时间的总和，第二目标子函数为所有用户终端上本地执行任务的能量消耗和边缘服务器上执行任务的能量消耗的总和，第三目标子函数为边缘服务器上执行任务所产生的资费的总和，利用目标优化函数求解待优化向量的优化值，依据待优化向量的优化值对每个用户终端在边缘服务器上执行的任务在每个用户终端任务的占比进行相应的配置。

技术领域

本发明属于云边缘服务器计算领域，具体涉及一种边缘服务器的计算卸载分配方法。

背景技术

随着互联网的快速发展和4G/5G无线网络的普及，万物互联的时代已经到来，网络边缘设备数量的迅速增加，使得该类设备所产生的数据爆炸式增长，已经达到了ZB级别。以云计算模型为核心的集中式大数据处理时代，其关键技术已经不能高效处理网络边缘设备所产生的数据，主要表现在：1)集中式的云计算能力呈线性增长，无法匹配爆炸式增长的海量边缘数据；2)网络边缘设备需传输海量数据到云中心，而云中心则将处理后的结果返回用户，由此产生的传输致使网络传输带宽的负载量急剧增加，造成较长的网络延迟；3)边缘设备会产生用户的私密数据，将这些数据交由云计算中心无疑会破坏用户数据的私密性4)网络边缘设备与云中心传输数据的过程会产生电能消耗。由此，以边缘计算模型(MEC)为核心的边缘式大数据处理应运而生，与现有以云计算模型为核心的集中式大数据处理相结合，二者相辅相成，应用于云中心和网络边缘端的大数据处理，较好地解决了上述问题。

图1为现有技术中的边缘计算模型的示意图。如图1所示，边缘计算，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。而边缘计算中十分重要的问题是计算卸载问题，即计算用户终端(UE)与MEC服务器(MEC Server)的任务分配情况。现有移动边缘计算的卸载策略考虑两个目标：一是使得完成计算任务的总时间最小(即从开始任务到得到最终计算结果的总时间最小，主要时间包括在UE与MEC Server分别的执行时间，以及UE与MEC Server之间数据传输所花费的时间)，二是使得完成任务的总能耗最小(主要包括在UE与MEC Server分别执行的能耗，以及UE与MEC Server之间数据传输的能耗)。然而，用户的设备通过互联网进行的数据上传与下载，均需要支付一定的费用。事实上，截止到2019年12月8日，中国移动超出流量按0.29元/MB收费(数据来源于百度知道)。在数据规模日益庞大的今天，这是一笔不容忽视的经济开销。

现有的优化方法，多采用基于分解的多目标优化算法，同时优化总时间与总能耗，并将动态电压频率调整技术引入MOEA/D中，在不增加总时间的前提下，调节移动设备的CPU时钟频率以进一步降低移动设备的总能耗。该方法存在的以下不足，其将计算卸载问题视为0-1整数规划，这就造成了UE的任务分割变得极端，限制了UE任务分割的灵活性。同时尽管MOEA/D已表现出较强的性能，但对于复杂前沿的多目标优化问题，其得到的非支配解极不均匀，同时，对于高维多目标优化问题，其在分布性处理方面也不是很好。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种边缘服务器的计算卸载分配方法，旨在解决现有的复杂前沿的多目标优化问题无法再兼顾能耗和时间最小化的同时，兼顾流量资费的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种边缘服务器的计算卸载分配方法，该方法包括如下步骤：

依据每个用户终端在边缘服务器上执行的任务在每个用户终端任务的占比构建待优化向量，获取关于待优化向量的第一目标子函数、第二目标子函数和第三目标子函数，其中，第一目标子函数为所有用户终端上本地执行任务的计算时间和边缘服务器上执行任务的计算时间的总和，第二目标子函数为所有用户终端上本地执行任务的能量消耗和边缘服务器上执行任务的能量消耗的总和，第三目标子函数为边缘服务器上执行任务所产生的资费的总和；