[发明专利]一种多接入边缘计算网络计算卸载系统及其计算卸载方法

权利要求书

1.一种基于算力网络图的多接入边缘计算网络计算卸载系统，基于算力网络图的多接入边缘计算网络计算卸载系统包括云端服务器、边缘智能网关和输入设备，其特征在于：

云端服务器，云端服务器上部署多个与计算卸载相关的模块，用于提供容器集群调度、网络性能监控、算力网络图生成与分发，其中，云端服务器上运行的容器集群调度模块负责对各个边缘节点上部署的容器进行管理，提供基础的负载均衡、弹性伸缩；云端服务器上运行的网络性能监控模块，用于定时收集各个边缘节点提供的网络性能数据并进行统一整理，提供一系列数据接口供其它程序调用；云端服务器上运行的算力网络图模块提供进行算力网络图生成与分发，用于将网络监控模块提供的网络性能数据通过程序接口获取后封装为算力网络图结构，并通过通信协议将最新的算力网络图分发给边端的算力网络图模块；

边缘智能网关，边缘智能网关上运行多个与计算卸载模块，每个计算卸载模块均以容器的形式部署，用于提供算力网络图存储、计算卸载、任务缓存与分发，其中，边缘智能网关上运行的算力网络图模块用于将从云端服务器上运行的算力网络图模块接收的算力网络图进行集中缓存；边缘智能网关上运行的计算卸载模块用于为边缘智能网关集群中到达的任务进行卸载并决定将当前任务迁移到对应的边缘智能网关上的任务处理模块上执行，并将决策结果发送至任务调度客户端，整个集群只需要有一个计算卸载模块处于开启状态即可；边缘智能网关上运行的任务调度客户端模块用于对输入设备的输入数据进行任务识别、任务分类与数据缓存，向计算卸载模块发送任务到达信息，并从计算卸载模块接收计算卸载的结果；

输入设备，输入设备包括环境传感器、智能摄像头在内，环境传感器、智能摄像头用于对环境内容进行采集，通过SDK转换成可通过固定API接口调用或处理的数据；每个输入设备负责一种计算任务，不同的输入设备负责接收不同的输入数据，而不同的输入数据代表着不同的计算任务；将计算任务分为时延敏感任务与时延不敏感任务，时延敏感任务，其计算任务需要得到实时保证，其截止期限相对时延不敏感任务短；时延不敏感任务，其计算任务不需要得到实时保证，其截止期限相对时延敏感任务长。

2.一种多接入边缘计算网络计算卸载的方法，具体包括以下步骤：

步骤1、在基于算力网络图的多接入边缘计算网络计算卸载系统中，有一个云端服务器与若干个边缘智能网关，云端服务器上部署着集群管理模块、网络监控模块、算力网络图模块，每个边缘智能网关上部署着算力网络图模块、计算卸载模块、任务调度客户端模块，云端服务器的容器集群调度模块与若干个边缘智能网关相连，负责对边缘智能网关上部署的容器进行调度；云端服务器的网络监控模块负责在各个节点收集节点监控数据，云端服务器的算力网络图模块定时从网络监控模块获取最新的网络监控数据并封装为算力网络图结构，将算力网络图分发给边缘智能网关上部署的算力网络图模块；

步骤2、边缘智能网关上部署的算力网络图模块将定时接收云端服务器上部署的算力网络图模块分发的算力网络图，并将其存储在算力网络图队列中，算力网络图队列为存储算力网络图结构体的数据结构；

步骤3、边缘智能网关的任务调度客户端模块接收输入设备采集的环境数据，并判断当前的数据是否可以看作计算任务的输入数据；

步骤3.1、当目前的环境数据可以看作计算任务的输入数据，则将这些环境数据进行缓存，并通过获取传输这些环境数据的输入设备的ID以确定对应的任务类型；设定N＝{n|1,2,...c}表示边缘智能网关集合，n表示边缘智能网关，c表示边缘智能网关数目；

步骤3.2、环境数据为由输入设备采集到的数据，包括图像、音频、示数，输入数据为一个计算任务执行所需要的数据，其中含有连续图像、非噪声的音频、示数序列；

步骤4、在边缘智能网关上部署的任务调度客户端模块通过通信协议，向边缘智能网关的计算卸载模块发送计算卸载请求，并等待计算卸载模块的回复；

步骤5、在边缘智能网关上部署的计算卸载模块接收到任务调度客户端模块的计算卸载请求后，将请求加入卸载队列，并开始监听是否有其它计算卸载请求，记监听的时间间隙为一个监听时间帧；

步骤5.1、在监听时间帧的时隙范围内，计算卸载模块等待是否有其它计算卸载请求到达，当有其他计算卸载请求到达时，则将新到达任务的计算卸载请求加入卸载队列；

步骤5.2、卸载队列为存储计算卸载请求这一消息结构体的数据结构，监听时间帧的时隙长度称为冷却时间；

步骤6、在步骤5的基础上，当一帧间隔的时间帧结束后，边缘智能网关上部署的计算卸载模块从边缘智能网关上部署的算力网络图模块拉取最新的算力网络图，结合算力网络图的信息与计算卸载请求所提供的任务类型，计算卸载模块调用时延预测模型，生成计算卸载时延矩阵，M＝{m|1,2,...r}表示当前时间帧内共同进行计算卸载的计算任务集合，m表示计算任务，r表示计算任务数目，T＝{τ_m,n|m∈M,n∈N}表示计算卸载时延矩阵，τ_m,n表示将计算任务m卸载至边缘智能网关n的时延；

时延预测模型，包括传输时延的预测模型与处理时延的预测模型，记计算任务m卸载至边缘智能网关n的时延为τ_m,n，则该时延计算方法如公式(1)：

在公式(1)中，τ_prof为任务特征数据上传时延；τ_d为卸载算法执行时延，与算法的时间复杂度有关；τ_up为输入数据上传时延，与输入数据大小、信道速率有关；τ_wait为等待时延，与计算任务数有关；为卸载执行计算任务的处理时延，与工作量、本地节点计算速度有关；τ_down为输出数据下载时延；

在忽略掉在τ_m,n中占比极小的τ_prof、τ_wait和τ_down后，计算卸载时延计算方法如公式(2)：

由于实际上用于传输时延、处理时延、并发用户数的参数并不容易获得，因此在实践中可以采取另一种方法对传输时延、处理时延进行求解，将距离计算任务m最近的边缘智能网关记为n_m，根据发送数据大小为D₀的数据包的时延求出由边缘智能网关n_m至边缘智能网关n的平均传输速率进而可以求解出传输时延，其计算方法如公式(3)：

处理时延与节点性能、任务特征、并发用户数的若干类相关参数，记节点性能其包括计算资源F、存储资源C与I/O资源E；其中，计算与存储资源设置三个子参数：资源总量([·]_s)、任务到达时的资源占用比例( )、任务执行时任务的资源平均占用比例I/O资源设置两个子参数：任务到达时的I/O读写速度(E₀)、任务执行时的I/O平均读写速度记任务特征S＝(W,D)，其包括任务工作量W为、输入数据大小D；其中，任务工作量与处理该任务所需算法的时间复杂度成正比；记K为并发用户数，表示每个节点允许同时执行任务的个数；通过一系列实际数据建立节点性能、任务特征、并发用户数与处理时延的关系，借助神经网络求解，如公式(4)：

步骤7、在边缘智能网关上部署的计算卸载模块调用计算卸载时延矩阵，使用相应的计算卸载算法进行计算卸载决策；

步骤8、边缘智能网关上部署的计算卸载模块将计算卸载决策结果封装为计算卸载响应结构体，通过通信协议回传给边缘智能网关上部署的任务调度客户端模块，通信协议与步骤4中的通信协议一致；

步骤9、在边缘智能网关上部署的任务调度客户端模块根据获取的计算卸载响应数据所提供的目标节点IP地址，将缓存的计算任务输入数据通过通信协议传输至指定的边缘智能网关上部署的任务处理模块，在任务处理模块完成任务后回传计算结果，任务调度客户端将处理结果上传至云端的展示平台进行展示。