[发明专利]一种具有性能与需求匹配能力的边缘节点计算卸载方法

说明书

本发明公开了一种具有性能与需求匹配能力的边缘节点计算卸载方法。所述方法包括以下步骤：建立拥有多个移动边缘节点设备的协同计算网络系统；构建并初始化节点性能估计模型、任务需求估计模型，初始化所需的运行变量；使用基于对抗型多臂老虎机的强化学习方法进行卸载目标的在线选择；将任务卸载至所选目标，观察实际卸载延迟；使用本次卸载的实际延迟更新节点性能估计模型；中心设备使用更新的节点性能估计模型作为下一次卸载的行为依据；判断是否有新的卸载请求，若有则重新进行卸载目标的在线选择，否则继续等待新的卸载请求。本发明将传统单一卸载延迟解构为独立双变量的卸载延迟加以考虑，更符合物联网设备的实际应用场景。

技术领域

本发明属于本发明属于物联网应用技术领域，具体涉及一种具有性能与需求匹配能力的边缘节点计算卸载方法。

背景技术

随着物联网的快速发展，越来越多的设备通过物联网技术进行连接并产生海量的数据和需求。然而，大多数物联网设备具有非常受限的计算资源，无法满足日益复杂的应用需求，边缘计算则被认为是解决这个关键问题的富有前景的计算范式。在边缘计算中有两种协作计算方式，一是将计算资源被部署到靠近设备的地方，如智能网关、接入点、基站等，并集成作为边缘服务器，而是利用物联网节点数量庞大的特点，利用某一设备附近其余空闲的物联网设备的计算资源。通过以上两种计算方式，资源受限设备可以将计算任务通过单跳的无线传输卸载到边缘服务器或其他空闲节点进行计算并且返回计算结果，实现了计算资源的共享利用。

任务卸载的目标选择技术被认为是边缘计算的关键技术之一，通过选择合适的卸载目标，物联网设备可以实现计算与能耗优化以及并行计算。然而，由于物联网设备多数具有较高的移动性，现实中物联网的网络拓扑结构非常复杂且易变。这种动态变化的网络拓扑结构对任务卸载决策具有重要的影响。此外，从计算任务的角度看，现实中的计算任务具有较大的多样性，每一种任务对于具体的计算需求都不尽相同；从计算协助者的角度看，不同的边缘节点往往也具备不同的硬件配置，对应的计算能力和特点亦会有较大的差异。上述的计算任务与计算节点的多样性导致了计算需求与实际性能的倾斜，而这也引入了需求与性能的匹配能力。

计算延迟对于物联网环境中的任务卸载是至关重要的指标，如果没有为每一个任务进行需求与性能的匹配，会导致任务卸载的延时并不能达到最优，进而影响整个系统的运行效率。

现有技术中，解决任务卸载的目标选择问题通常采用分布式解决方案，典型代表如基于随机型多臂老虎机的ALTO在线学习算法（“Adaptive learning-based taskoffloading for vehicular edge computing systems,” IEEE Transactions onVehicular Technology, vol. 68, no. 4, pp. 3061–3074, 2019.）、基于Q-Learning的QPI强化学习算法（“Learning based mobility management under uncertainties formobile edge computing,” in 2018 IEEE Global Communications Conference(GLOBECOM). IEEE, 2018, pp. 1–6）。以上两个算法的共同的缺点是其将卸载延时看成一个整体，根据完整的卸载延迟作为反馈更新算法的选择。

目前在边缘计算中已有的节点间任务卸载选择算法普遍存在一些问题：已有的卸载选择算法主要将计算延迟看成一个整体，并没有考虑到计算延迟的一些组成部分之间是相对独立的，而这些独立的部分与边缘节点的性能配置有关，例如计算速度和传输速度是两个相对独立的性能指标。对于计算任务，主要可以分为计算密集型任务和数据密集型任务。前者在卸载时，计算能力将会比传输能力更加重要，而后者则相反，这一特点使得传统的任务卸载算法很难真正选择适合某一任务的边缘节点。

发明内容