[发明专利]一种边缘计算中基于任务缓存的计算卸载方法

权利要求书

1.一种边缘计算中基于任务缓存的计算卸载方法，其特征在于，在单小区场景情况下，包括如下步骤：

1)构建系统模型：在基站处配置MEC服务器，MEC服务器通过光纤与远程中心云相连，假设多个移动设备在小区中随机分布，每个用户在一个服务周期或时隙中只有一个任务产生，移动用户的编号表示为M∈{1,2,...,M}，移动设备产生的任务T_i(i∈{1,2,...,N})表示为一个四元组，即其中表示任务的输入数据量，单位为kbit；C_i为完成任务所需要的CPU周期数,单位为cycle；表示任务的输出数据量，即任务计算结果输出大小，单位为kbit；τ_i表示完成任务的最大容忍时延，单位为ms，完成系统模型构建；

2)构建系统通信模型：MEC服务器可以为小区内的移动设备提供计算服务，每个用户在每个时隙只产生一个计算密集型任务，用户可以选择是否将任务卸载至MEC执行，令A＝{a₁,a₂,...,a_N}表示所有MD的决策动作集合，其中a_i＝0表示M_i的任务在本地设备执行，a_i＝1表示任务卸载至MEC执行，假设小区内不存在小区内的干扰，根据香农公式，M_i将任务传输至MEC服务器的传输速率为：

其中g_i表示移动设备M_i和MEC服务之间的信道增益，p_i表示M_i的发射功率，N为高斯噪声功率，单位为dbm，完成系统通信模型构建；

3)构建系统计算模型：在处理任务过程中，用户向边缘服务器发出卸载请求，只有在满足应用程序容忍时延并且能够降低系统开销的情况下，计算任务才会卸载；

3.1)构建本地计算模型：当任务T_i选择在本地执行时，移动设备M_i的CPU频率为f_i^l，单位为GHz，则任务T_i在本地执行的计算时延为T_i^l:

能量消耗由下式计算：

其中，κ表示CPU能耗系数，取决于芯片工艺，为固定常量，κ设置为κ＝10^-26，

当计算任务T_i在本地执行时，系统的总开销包括本地计算时延和终端能量的消耗，此时，单个设备的开销为：

式中，α和β分别为时延和能耗的权重系数，且满足如下条件：

α+β＝1，0≤α≤1,0≤β≤1；

3.2)构建MEC计算模型：当计算任务T_i选择卸载至MEC执行时，时延包括从移动设备M_i至MEC的传输时延和在MEC的执行时延，将MEC分配给用户的计算能力表示为f_i^c，卸载至MEC计算产生的时延包括传输T_i^tran和执行时延T_i^exec卸载，因此，任务卸载至MEC总时延表示为T_i^c：

此时，移动设备卸载至MEC产生的能耗为任务通过无线链路卸载所产生，传输能耗表示为

MEC的能量消耗和用户无关，固不考虑作为系统开销，因此，任务卸载至MEC服务器的总开销为：

完成系统计算模型构建；

4)构建资源分配模型：在任务的容忍时延约束下，边缘服务器根据任务属性分配合适的计算资源，f＝[f₁,f₂,...,f_n]表示为计算资源的分配向量，其中f_i表示为M_i分配的计算资源，完成资源分配模型构建；

5)构建任务价值模型及缓存模型：将MEC对用户请求任务内容的缓存向量表述为H＝{h₁,h₂,...,h_n}，其中h_i是一个二进制变量，表示MEC是否缓存了用户M_i任务及相关数据内容，h_i＝0表示MEC没有缓存该内容，h_i＝1表示MEC已经缓存该内容，如果MEC已经缓存该内容，则该请求该任务时无需进行任务卸载，MEC将任务完成后，直接将结果返回移动设备，在成本以及存储空间的限制下，将缓存价值更高的任务存储至MEC，将缓存价值低的任务替换，根据流行性文件的齐夫分布，计算任务的流行度计算公式如下：

式中，θ_i表示第i个任务的流行度，Z表示齐夫常量，其中MEC服务缓存的任务集合表示为H_c＝{1,2,...,c}，C为最大存储数量，初始化为空，由于MEC服务器存储容量有限，因此，MEC服务器只对缓存价值较高的任务进行缓存，然后输出任务缓存策略H^*，缓存价值定义如下：

其中w₁、w₂和w₃分别为任务流行度、任务输入数据大小和任务所需计算量大小的权重系数，且满足如下条件：

w₁+w₂+w₃＝1，0≤w₁≤1,0≤w₂≤1,0≤w₃≤1，

完成系统任务价值模型及缓存模型构建；

6)构建系统开销模型：任务完成时延和移动终端能耗都是计算卸载策略好坏的关键指标，在MEC计算能力、存储资源和任务容忍时延的约束下，最小化系统开销，将开销最小化问题建模如下：

优化目标以系统效益为目标，获得最优的卸载策略A^*，计算资源分配F^*和任务缓存策略H^*,使得系统开销最小，因此，将优化问题表示为：

A＝{a₁,a₂,...,a_N}

F＝{f₁,f₂,...,f_N}

H＝{h₁,h₂,...,h_N}，

约束条件：

C1:a_i∈{0,1},

C2:f_i^c＞0,

C3：

C4：

C5:τ_i≤τ，

其中，A为卸载策略集合，F为计算资源分配策略集合，H为任务缓存策略集合，约束条件C1表示计算任务只能选择在本地或者MEC服务器执行，C2和C3表示MEC服务器分配的计算资源总和不能超过MEC服务器的计算能力，C4表示缓存总容量不能超过MEC服务器总存储空间，C5表示时延控制，即任务的完成时间不能超过任务的所能容忍的最大时延，完成系统开销模型构建；

7)问题求解：采用Q-Learning算法和层次分析法进行求解：

Q-Learning算法：

系统状态：系统状态s卸载策略集合A、计算资源分配策略集合F和剩余计算资源向量G，即：

S＝{A,F,G}，

系统动作：在系统中，通过Agent决定哪些任务卸载，哪些任务不卸载，对于每个任务分配多少计算资源，因此系统动作表示为：

a＝{a_i,f_i}，

其中a_i表示任务T_i的卸载方案，f_i表示给任务T_i分配的计算资源；

系统奖励：在t时隙，Agent执行每个可能的动作后，在一定的状态下会得到一个奖励R(S,A)，奖励函数应该关联目标功能，此时的优化问题是最小化系统总开销，具体定义如下：

其中c_local表示t时刻任务均在本地执行的系统总开销，c_(s,a)表示当前状态下联合优化计算卸载、资源分配和任务缓存(Joint Offloading、Resource allocation and Caching,简称JORC)方法的系统总开销；

在Q-Learning算法中，智能体在t时刻观察当前环境状态s_t，根据Q表选择动作a_t，执行动作a_t后进入到状态s_t+1，获得奖励r，通过如下公式更新Q表，并不断循环迭代，直至Q值收敛，得到最优策略π^*：

式中，δ是学习率，γ，0＜γ＜1是折扣因子；

Q-Learning学习算法如下：

输入：训练回合数T，学习速率μ，折扣因子γ，贪婪系数ε，任务集合M1，MEC剩余计算资源；

输出：卸载策略A^*,计算资源分配F^*

1.初始化Q矩阵

2.进入以下循环

3.在起始状态s,根据贪婪策略选择动作a

4.进入以下循环

5.根据贪婪策略在s选择动作a得到回报r并进入下一状态s_t+1

6.

7.s＝s_t+1

8.直到s是终止状态，退出当层循环

9.直到Q值收敛，退出总循环；

层次分析法：

1.建立层次结构模型

层次模型为3层，第一层为任务优先级P，第二层为任务最大容忍时延τ，任务计算量大小C和任务数据量大小D，第三层为任务T；

2.构造出层次中判断矩阵，用a_ij表示第i个元素与第j个元素相对于上一层某个因素的重要性，准则层共有3个元素参与，构造出判断矩阵A＝(a_ij)_3×3，

其中，

三个元素τ，C，D都受P支配，判断矩阵为：

根据判断矩阵求出矩阵的最大特征值λ_max和对应的权重向量W＝(w₁,w₂,w₃)^T；

3.一致性检验，根据评价指标计算判断矩阵A的不一致程度指标CI，并根据RI值求出随机一致性比率CR值：

当CR0.1时，证明判断矩阵具有满意的一致性，否则重新修改A，直至达到满意一致性，最终得到计算任务的权重向量W，其中任务的缓存价值表示如下：

其中w₁、w₂和w₃分别为任务流行度、任务输入数据大小和任务所需计算量大小的权重系数，且满足如下条件：

w₁+w₂+w₃＝1，0≤w₁≤1,0≤w₂≤1,0≤w₃≤1，

通过联合优化计算卸载、资源分配和任务缓存方法来最小化系统的时延和能耗成本，MEC服务器检测任务是否被缓存过，若MEC缓存有任务计算结果，则直接返回，并通过JORC方法决定是否替换MEC缓存任务集合，若计算任务结果没有被缓存，则通过Q-learning算法决定卸载策略和资源分配策略，来最小化系统成本，具体JORC方法描述如下，其中JORC方法是通过联合优化计算卸载、资源分配和任务缓存方法：

输入：用户请求集合N1，服务器信息G，缓存状态H，

输出：H^*,A^*,F^*

1.当i＝1:N1时，进入以下循环

2.移动设备i产生任务T_i并发出卸载请求

3.如果T_i在缓存集合中

4.返回计算结果

5.否则

6.任务加到任务集合M1

7.结束判断

8.将M1输入到Q-learning算法中，得到A^*,F^*

9.如果H中有任务缓存价值小于

10.将T_i替换原结果

11.结束判断

12.输出任务缓存策略H^*

13.结束循环；

完成问题求解。