[发明专利]一种边缘计算中基于任务缓存的计算卸载方法

说明书

本发明公开了一种边缘计算中基于任务缓存的计算迁移方法，包括如下步骤：1）构建系统模型；2）构建系统通信模型；3）构建系统计算模型；4）构建资源分配模型；5）构建任务价值模型及缓存模型；6）构建系统开销模型；7）问题求解。这种方法，能够有效降低算法运行时间，提高服务器响应速度，并且任务缓存机制可以降低重复运算的系统能耗，降低了服务器的计算成本，降低所有任务的完成时延和能耗加权和。

技术领域

本发明涉及移动边缘计算系统的应用领域，具体是一种边缘计算中基于任务缓存的计算卸载方法。

背景技术

随着无线通信技术、物联网技术和5G技术的迅猛发展，移动设备快速普及，数据流量急剧增长。一些新兴应用比如在线游戏、人工智能和虚拟现实等对时延要求比较高，且需要大量的计算资源。然而，移动终端计算能力和电池容量有限，运行这些应用会带来较高的计算延迟并增加移动终端的能量消耗。而基于云计算中心的服务模式因为较长的传输距离所导致的传输时延常常难以满足实时应用的需要。由此边缘计算(Mobile EdgeComputing，简称MEC)范式应运而生，通过将服务下沉到网络边缘，从而减少网络传输时延，满足低时延业务的需求。

边缘计算不但解决了移动设备计算、存储等资源不足的问题，而且改善了传统云计算中心模式存在的传输时延过高，服务器负载过大等问题。但是随着网络用户的不断增加，人们在从众心理的驱驶下，会有相同的访问请求，造成骨干网中大量内容在一个服务周期内重复传输的现象。如果将这些热点内容缓存在网络边缘，可以减轻骨干网的压力并减少传输延时，提高用户体验。Tan[Z.Tan,F.R.Yu,X.Li,H.Ji,and V.C.Leung,Virtualresource allocation for heterogeneous services in full duplex-enabled SCNswith mobile edge computing and caching,IEEE Transactions on VehicularTechnology,vol.67,no.2,pp.1794-1808,2017.]等提出了一种在全双工小蜂窝网络(SCNs)中的MEC卸载和缓存框架，通过结合计算卸载和内容缓存来提高系统收益。Gu[W.-C.Chien,H.-Y.Weng,and C.-F.Lai,Q-learning based collaborative cacheallocation in mobile edge computing,Future Generation Computer Systems,vol.102,pp.603-610,2020.]等为了提高内容缓存命中率，提出了基于SDN的MEC架构，首先建模出缓存模型，在MEC存储资源的限制下最大化缓存命中率，使用Q学习求解缓存策略。然而上述文献内容缓存和任务卸载是互相独立的。目前很少有针对主动缓存任务结果进行研究，如果将一些流行度高的任务主动缓存在边缘服务器，当该任务再次被用户请求时，可以直接将计算结果从MEC传输给用户，极大的减少任务的计算时延，并减少用户能量消耗。现实场景中，有很多计算结果可以重用的场景，比如某些游戏渲染场景可以被玩家重用；AR场景中，有些AR服务经常会被重复请求；视频任务中，一些热点视频会被重复解码，若将热点计算任务结果缓存可以减轻边缘服务器的计算负担。Zhao等[H.Zhao,Y.Wang,and R.Sun,Task Proactive Caching Based Computation Offloading and Resource Allocationin Mobile-Edge Computing Systems,in 2018 14th International WirelessCommunicationsMobile Computing Conference(IWCMC),2018,pp.232-237:IEEE.]在单小区场景内，为了降低任务的完成时延，联合优化了基于任务缓存的计算卸载和资源分配策略。文中首先建模出卸载、资源分配和任务缓存模型，以最小化所有任务的完成时延为优化目标，建模出的时延优化问题属于NP难问题，无法在多项式时间内完成，文中将其拆解为两部分求解，首先，基于任务流行度设计一种任务主动缓存算法，该算法同时联合MEC服务器和云服务器进行任务缓存，构成两级的缓存结构；然后设计基于改进的贪心算法求解卸载策略。