[发明专利]一种混合移动云/边缘计算的任务卸载和数据缓存方法

摘要

一种混合移动云/边缘计算的任务卸载和数据缓存方法，属于决策优化以及多用户资源分配技术领域。包括：1)计算出信道功率增益；2)将计算数据上传至AP，计算上下行传输速率；3)判决计算任务处理在用户终端层的用户、边缘层的MEC服务器或者云层中的云服务器中的哪一部分完成，判断出来后，再计算对应情况完成的任务处理时延与能耗；4)得到任务处理过程时延的最小化优化问题；5)复制局部变量并储存于MEC服务器；6)用交替方向乘子法得到增广拉格朗日函数；7)迭代更新得到优化目标函数的最终表达形式，找到任务处理过程时延的最小化。本方法满足用户的能源消耗、AP的存储计算能力约束的同时最小化总用户延迟。

主权项

1.一种混合移动云/边缘计算的任务卸载和数据缓存方法，其特征在于：依托于包括云层、边缘层以及用户终端层的三层网络系统；其中，云层包括云服务器，云服务器的计算能力为f_i^c；边缘层包括M个AP，m代表AP的序号，其中1个AP包含1个MEC服务器与1个Cache，MEC服务器的计算能力为f_i^M；用户终端层包括I个用户，i代表用户序号，用户计算能力为f_i^L；所述任务卸载和数据缓存方法，包括如下步骤：步骤一、假设每个AP在一个时隙仅服务于一个用户，用户终端层基于公式(1)计算出信道功率增益G_i,m；其中，i代表用户序号，m代表AP的序号，g_i,m为有效信道功率增益系数，d_i,m为用户i与第m个AP之间距离，由于假设计算卸载时用户移动速率非常缓慢，g_i,m为常数，α为路损因子；步骤二、用户将收集的计算数据上传至AP，同时为了减轻返回链路上的业务负担AP将计算任务由下行链路发送给对应用户，计算上下行传输速率，上行链路传输速率表示为(2)：其中，B是可用频谱带宽，σ²是噪声功率，p_i是用户i的传输功率，p_m是第m个AP的传输功率，I是用户终端层的用户数；计算下行链路用户的发送速率为(3)：步骤三、判决计算任务处理在用户终端层的用户、边缘层的MEC服务器或者云层中的云服务器中的哪一部分完成，判断出来后，再计算对应情况完成的任务处理时延与能耗，具体为：步骤3.1随机生成满足a_i,m+b_i,m+c_i,m＝1条件的a_i,m、b_i,m、c_i,m；并分别判断a_i,m、b_i,m及c_i,m的值，若a_i,m＝1表示计算任务处理在用户终端层完成，跳至步骤3.2A；否则，若b_i,m＝1表示计算任务处理在MEC服务器上完成，跳至步骤3.2B；否则，若c_i,m∈{0,1}表示U_i计算任务处理在云服务器上完成，跳至步骤3.2C；其中，a_i,m∈{0,1}表示D_i是否卸载至第m个AP，a_i,m＝1表示D_i卸载至第m个AP，a_i,m＝0表示D_i未卸载至第m个AP；b_i,m∈{0,1}表示H_i是否在云服务器上处理，b_i,m＝1表示H_i在云服务器上处理，b_i,m＝0表示H_i未在云服务器上处理；c_i,m∈{0,1}表示U_i是否缓存于第m个MEC服务器，c_i,m＝1表示U_i缓存于第m个MEC服务器，c_i,m＝0表示U_i未缓存于第m个MEC服务器；计算任务记为：其中，H_i表示计算模型，S_i表示计算输入数据大小，W_i表示完成任务所需CPU转数；其中，计算输入数据大小S_i又分为用户端收集的数据D_i和云服务器数据库中的数据U_i；3.2A分别通过公式(4)和(5)计算在用户终端层的任务处理时延与处理能耗其中，代表用户i与第m个AP之间的下行传输时间，代表用户i处理任务H_i的时间，代表云服务器与第m个AP之间的数据传输时延，r^MC代表云服务器与第m个AP之间的数据传输速率，其为常数，ε为能量参数；3.2B分别通过公式(6)和(7)计算在MEC服务器上的任务处理时延与用户将数据D_i从用户终端层卸载到MEC服务器的处理能耗其中，代表用户i与第m个AP之间的下行传输时间，代表第m个AP处理任务H_i的时间；3.2C分别通过公式(8)计算在云服务器上的任务处理时延处理能耗与用户将数据卸载至MEC服务器的处理能耗相同：其中，代表第m个AP处理任务H_i的时间，代表云服务器与第m个AP之间的下行数据传输时延；步骤四、采取McCormick方法和二元变量松弛方法，得到任务处理过程时延的最小化优化问题的改写，即公式(9)：s.t.∑_i∈Ia_i,mW_i≤O_m,m∈Mz_i,m＝b_i,m(1‑c_i,m),i∈I,m∈Mz_i,m≤b_i,m,i∈I,m∈Mz_i,m≤1‑c_i,m,i∈I,m∈Mz_i,m≥0,i∈I,m∈Mz_i,m≤b_i,m‑c_i,m,i∈I,m∈M其中，a_i,m∈{0,1}表示D_i是否卸载至第m个AP；b_i,m∈{0,1}表示H_i是否在云服务器上处理；c_i,m∈{0,1}表示U_i是否缓存于MECm服务器，a_i＝{a_i,1,a_i,2,...,a_i,M},b_i＝{b_i,1,b_i,2,...,b_i,M},z＝{z_i,1,z_i,2,...,z_i,M}，i代表用户序号，m代表AP的序号，O_m代表MECm服务器最大计算能力，C_m代表第m个AP的最大存储空间，W_i表示完成任务所需CPU转数,代表用户i与第m个AP之间的下行传输时间，代表用户i处理任务H_i的时间，代表云服务器与第m个AP之间的数据传输时延，r^MC代表云服务器与第m个AP之间的数据传输速率，其为常数，ε为能量参数，代表用户i与第m个AP之间的下行传输时间，代表第m个AP处理任务H_i的时间，代表第m个AP处理任务H_i的时间，代表云服务器与第m个AP之间的下行数据传输时延，代表任务在用户终端层处理时的能耗，表示用户i卸载任务至云服务器所用能耗，表示用户i卸载数据D_i至MEC服务器的能耗，是用户i的总电池容量，ρ_i是相对于用户i的总电池容量的剩余能量消耗的权重的因子；步骤五、复制变量a_i,m,b_i,m,z_i,m，得到局部变量将局部变量储存于MEC服务器进行计算，简化公式(9)得到公式(10)：其中，g_m是指公式(9)，n是局部变量复制到MEC服务器的服务器编号；步骤六、用交替方向乘子法，即ADMM算法分解公式(10)得到增广拉格朗日函数L_ρ(e,s,{σⁿ,δⁿ,ηⁿ})；其中s＝{a_i,m,b_i,m,z_i,m}，和是公式(10)的拉格朗日乘数；步骤七、迭代更新拉格朗日函数的变量e,s,和{σⁿ,δⁿ,ηⁿ}，得到优化目标函数的最终表达形式是具有二次目标函数和凸问题，通过使用原始对偶内点算法，找到任务处理过程时延的最小化；其中，{e^(t),s^(t),θ^(t)}表示第t次迭代后的优化变量，按照公式更新拉格朗日乘积，公式为：其中，u^m(t),v^m(t),w^m(t)是第t次迭代后缩放的拉格朗日算子新变量，u^m(t+1),v^m(t+1),w^m(t+1)是第t+1次迭代后缩放的拉格朗日算子新变量。