[发明专利]一种基于PD-BPSO技术的任务卸载决策方法

说明书

一种基于PD‑BPSO技术的任务卸载决策方法，首先将每个用户任务数据量化为一个待执行粒子，表示为Qsubgt;i/subgt;＝{Dsubgt;i/subgt;,Csubgt;i/subgt;,Tsubgt;i/subgt;supgt;max/supgt;}，其中，Dsubgt;i/subgt;代表该粒子数据量大小，Csubgt;i/subgt;为执行该粒子所需的CPU周期数，Tsubgt;i/subgt;supgt;max/supgt;为粒子的处理时延阈值。用户终端产生所有的执行粒子都有其各自的位置xsubgt;i/subgt;和速度vsubgt;i/subgt;。粒子的不同位置代表不同卸载决策的可行决策解，而粒子的速度则表明每次执行粒子下一时刻位置与当前位置间的距离。其次为寻求最小化终端用户能量消耗的粒子卸载决策，建立基于多目标约束下的粒子数据任务执行能耗模型。通过比较所在位置对应的目标函数值来判断某一粒子位置是否为最优，用pbest表示第i个粒子历史状态的最优位置，gbest表示整个粒子群中所有粒子历史状态的最优位置。

技术领域

本发明涉及一种集群式粒子寻优过程的卸载决策方法，尤其涉及移动边缘计算系统中随着各种应用程序的增长，需要的卸载决策种类较多，难以通过常规方法直接搜索的数据卸载方法。

背景技术

PD-BPSO是Population Diversity-Binary Particle Swarm Optimization的缩写。任务卸载策略是MEC系统中计算卸载技术最核心的部分，其作用主要是决定终端用户实时产生的数据任务是选择在本地处理，还是卸载到边缘服务器或其他具有计算能力的节点单元去执行，同时需要决定用户卸载数据所需要的传输功率、MEC执行时所分配的计算资源、无线资源，以及各个子任务在执行过程中的顺序等。不同的卸载策略机制直接决定了卸载决策制定的方式，其包含的主要问题有卸载哪种任务(what)、何时执行卸载(when)及具体的卸载位置(where)，所展示出的基本卸载策略包含随机卸载决策、二元卸载决策、部分卸载决策等。随着卸载机制的不断完善，更加细化的卸载方式逐渐完善，即：将待卸载的子任务看作一个个不可再细分的任务模块，而卸载粒度的细化，又使得其执行的有效性、公平性及实用性程度大大增加。因此，发明一种高效的细粒度任务卸载方法在移动边缘计算网络中起着举足轻重的作用，在近年来引起了学术界和产业界的广泛关注。

从目前的国内外研究现状看，国内外专家和学者的研究重点主要是MEC系统任务卸载策略制定的方式上。一方面在于集中化控制策略，是一个以整体的视角，综合全局地分析MEC网络中无线信道状态、本地和边缘计算能力、应用数据任务特性以及多方位需求，完成集中式的最优控制，旨在取得最优的信息规划、资源分配和卸载决策制定。另一方面属于分布式任务卸载策略制定，其注重的是每个用户/计算任务的具体偏好，是大量用户基于自身最大化各自效益下的权衡结果，一般采用纳什博弈或拍卖模型来进行分析处理。专利CN110557732A、CN108990016B基于车载无线通信领域，分别公开了一种车辆边缘计算网络任务卸载、多车协同的计算任务卸载与传输方法，通过将车载终端任务数据卸载到MEC服务器并确定最佳的卸载策略，使得需求车辆获取核心数据的等待时间降低，提升智能车辆的应用深度。专利CN110430593A公开了一种边缘计算用户任务卸载策略，考虑了多类型接入下存在同频干扰时的用户任务卸载情况，使用模拟退火算法循环改变边缘端MEC服务器，以及使用对数和多项式相结合的降温函数控制解的搜索方法，实现终端用户的平均卸载时延降低的任务卸载策略，但该发明以选择匹配的方式进行卸载，弱化了信道变化的情况，没有对边缘服务改变时所产生的动态信道变化进行具体建模分析。专利CN110377353A公开了一种基于移动边缘计算场景下的任务卸载决策非合作博弈模型，其较好的优化了终端用户任务进行卸载时的能量消耗与时间延迟，获得了优化能量消耗和时间延迟的纳什均衡解，但该发明仅为用户端的能耗与时延建立了Stackelberg博弈，并未考虑边缘服务能力的特征，其博弈纳什均衡解的存在性也并未印证。需要指出的是，专利CN110430593A和专利CN110377353A都是基于部分任务卸载决策问题，均未考虑不同任务模块之间相互影响的结果，与目前超细粒度的任务粒子分割研究相比，其效用价值显得相行失色。