[发明专利]一种延迟与能耗联合优化的MEC计算卸载方法

权利要求书

1.一种延迟与能耗联合优化的MEC计算卸载方法，其特征在于，是通过建立以延迟和能耗为约束的成本评价模型，设计服务器选择算子和以响应延迟、能耗和服务器负载为适应值函数的COSIDE算法，构建计算卸载决策服务系统，实现MEC中低开销的高效计算卸载；

所述的计算卸载决策服务系统以基站和边缘服务器为超级节点，以手机和电脑等移动终端为边缘节点；边缘节点接入超级节点获取计算服务资源，实现网络资源共享，提供计算卸载服务；

在计算卸载决策服务系统中，以完成任务消耗的延迟和能耗为约束，构建计算卸载成本评价模型，求解某一时隙内任务的最佳卸载决策；

在计算卸载决策服务系统中，任务根据满足响应延迟要求下，最小化能耗的方式卸载，设计服务器选择算子和以响应延迟、能耗和服务器负载为适应值函数的改进差分COSIDE求解计算卸载成本最小化问题，实现低开销且服务器负载均衡的高效计算卸载；该方法具体包括如下步骤：

1)边缘节点产生计算任务；

2)以完成任务消耗的延迟和能耗为约束构建计算卸载成本评价模型，通过最低成本决策模拟任务本地计算或卸载计算；

3)本地计算：由产生任务的用户终端执行并完成任务，将完成任务消耗的成本结果返回特征数据库中；

4)卸载计算：以任务截止响应延迟为约束，建立服务器选择算子，选择满足任务响应延迟的服务器作为卸载目标；服务器依据成本选择接受或拒绝用户的卸载请求，若接受请求，则由服务器执行并完成任务，否则将任务返回用户终端执行并完成任务；将完成任务消耗的成本结果返回特征数据库中；

5)以总成本和计算卸载决策服务系统中服务器负载标准差为适应值函数，利用COSIDE算法更新适应值更小的卸载决策；当适应值不满足要求或COSIDE算法迭代次数不满足最大时，返回步骤2)；

6)当COSIDE算法迭代次数达到最大时，依据最新决策完成任务的计算卸载。

2.根据权利要求1所述的一种延迟与能耗联合优化的MEC计算卸载方法，其特征在于，步骤4)中，所述卸载计算，以任务截止响应延迟为约束，建立服务器选择算子，选择满足任务响应延迟的服务器作为卸载目标，具体包括如下步骤：

4-1)预估将任务卸载至可协作的服务器执行并完成所消耗的延迟，其中包括传输和服务器计算任务消耗的延迟；

4-2)评估可协作的服务器；

将任务r_i的截止响应延迟与预估完成任务延迟的差值作为任务r_i对服务器e_j的特征计算如下：

对于任务r_i，可卸载的服务器的特征集合为将该特征归一化后，特征集合描述为计算如下：

用负指数函数，将归一化后的特征转换为任务r_i对服务器e_j的偏好值计算如下：

4-3)在的整数区间内，用户将任务发送至偏好值最大的服务器等待响应；

4-4)服务器评价任务本地计算和卸载计算消耗的成本，判断是否接受请求，若卸载计算的成本小于本地计算，则接受卸载请求，执行并完成任务，否则拒绝卸载请求，将任务返回用户终端执行并完成任务。

3.根据权利要求1所述的一种延迟与能耗联合优化的MEC计算卸载方法，其特征在于，步骤5)中，所述以总成本和系统中服务器负载标准差为适应值函数，利用COSIDE算法搜索适应值最小的卸载决策，具体包括如下步骤：

5-1)以响应延迟、能耗和服务器负载为约束，构建计算卸载决策的适应值函数；

5-1-1)建立计算卸载决策成本评价模型；

为量化表征卸载决策，引入任务的成本对于任务截止响应延迟为的任务r_i，在满足延迟时仅计算其能耗，超出延迟时根据延迟线性增加能耗，计算如下：

其中，和分别为完成任务消耗的延迟和能耗，ξ为放大系数，一个时隙内，完成网络中任务所需的总成本H_T计算如下：

MEC计算卸载的优化目标函数表示如下：

其中，e₁,…,e_i表示服务器，A为时隙内所有任务的卸载决策矩阵；

5-1-2)评估服务器的负载情况；

用服务器接受用户卸载请求次数表示服务器的负载，用矩阵G＝{g_i,j}_n×m表示用户与服务器的连接情况，g_i,j＝η表示服务器e_j接收了η次用户u_i的卸载请求，g_i,j＝0表示用户u_i与服务器e_j不连接，一个时隙内，服务器e_j的负载L_j计算如下：

标准差是评价负载是否均衡的指标，服务器的负载标准差σ计算如下：

其中，表示服务器的平均负载；

5-1-3)以总成本和服务器负载标准差的乘积为约束，构建适应值函数S，计算如下：

其中，β为标准差的影响因子；

5-2)将计算卸载决策问题转化为0-1背包问题，设计COSIDE算法求解，搜索适应值最低的卸载决策，通过改进的变异、交叉和选择算子更新种群，假设种群规模为N，最大迭代次数为G，其更新公式如下：

5-2-1)变异算子，将种群中与目标个体基因不同的对应基因数量记为时，变异时，以变异概率μ变异变异过程表示如下：

其中，为变异个体的基因，g为上一轮的迭代次数；

5-2-2)交叉算子，选择某基因或以交叉概率ω，将变异的基因插入原基因中，产生新个体，交叉过程表示如下：

其中，为交叉个体的基因，r_rand为[1,n]区间内的一个随机整数；

5-2-3)选择算子，选择父个体X_i(g)和交叉个体C_i(g+1)中适应值小的成为下一代父个体X_i(g+1)，表示如下：

5-2-4)更新迭代次数g＝g+1，更新卸载决策。