[发明专利]一种基于K-shell影响力最大化计算迁移优化方法

权利要求书

1.一种基于K-shell影响力最大化计算迁移优化方法，其特征在于，该方法是假设移动边缘计算系统由1个基站、n个边缘服务器和m个智能终端组成；n个边缘服务器共同构成网络G(P,E)，其中P为边缘服务器构成的集合，P＝{p_i|i＝1,2,...,n}，E为边缘服务器连接矩阵；m个终端集合形式表示为D＝{d_k|k＝1,2,...,m}，对于第k个终端d_k的计算任务由本地计算任务与迁移计算任务组成；具体包括如下步骤：

1)初始任务：当一个用户智能终端发布任务时，依据计算复杂度δ_k将任务分为本地计算与迁移计算；

2)本地计算：当任务属于本地计算时，依据移动智能设备(Mobile Smart Device，MSD)自身属性与本地任务量构建能耗与时延模型，计算本地能耗与时延；

本地能耗与时延的计算，是设用户终端d_k分配的任务运行功率为CPU频率为则本地计算所需时延与能耗表示如下：

由公式(1)、(2)得本地计算服务质量公式

3)迁移计算：当任务属于迁移计算时，将能耗与时延分为传输部分和计算部分：

3-1)传输部分的能耗与时延分为上行传输、边缘服务器(Edge Server，ES)路径内传输、下行传输三部分，其中上行传输代表将任务从用户终端传输到边缘服务器，ES路径内传输代表任务在边缘服务器组内传输，下行传输代表将服务器任务计算结果回传到用户终端；

3-2)计算部分的能耗与时延依据ES自身属性与本地任务量构建能耗与时延模型，描述任务迁移在服务器上任务计算所需的能耗与时延；

所述的迁移计算，是将密集型任务在ES上进行模拟选择最为适合的迁移路径，即ES路径L′＝(p₁,p₂,p₃,...,p_l)，其中l≤n；终端利用OFDMA信道连接请求ES，且每条信道之间相互独立；设θ为信道增益，为d_k至p_i任务上行传输功率，为ES路径内传输功率，为任务下行传输功率，其中ijl，j＝i+1，b_k为基站分配给d_k的带宽，b_kb_max，B为基站带宽，N₀为噪声平均功率，则上行传输速率ES路径内传输速率下行传输速率根据香农定理表示为：

终端d_k迁移到边缘的任务在当前ES因资源受限无法完全计算时，将部分剩余任务迁移到与之相邻的ES，综合考虑传输、计算时延与能耗，迁移请求发起后，设传输过程中为迁移到ES路径L′的计算任务，λ为计算结果复杂度0λ1，则上行传输时延T_loc,mec、ES路径内传输时延T_mec,mec、下行传输时延T_mec,loc分别表示为：

表示下行传输任务量，上行传输能耗E_loc,mec、ES路径内能耗E_mec,mec、下行传输能耗E_mec,loc分别表示为：

根据公式(5)、(6)得传输时延T_tran、传输能耗E_tran分别为：

T_tran＝T_loc,mec+T_mec,mec+T_mec,loc (7)

E_tran＝E_loc,mec+E_mec,mec+E_mec,loc (8)

任务计算时，设p_i的CPU工作频率为运行功率为最大计算任务能力为则计算时延T_mec与计算能耗E_mec模型为：

根据任务传输和计算两部分时延与能耗模型，得出迁移计算所需要的时延与能耗分别为：

由式(11)、(12)得迁移计算服务质量公式

则任务迁移需要的总时延与总能耗表示为：

由公式(14)、(15)得任务迁移服务质量公式

4)ES路径影响力：针对不同ES所组成集合的计算能力与传输能力不同进行评判的标准，由ES路径自身影响力与潜在影响力所构成，在潜在影响力的构成模型中充分考虑任务迁移过程中所消耗的能耗与时延；

所述的ES路径影响力，包括ES自身影响力和潜在影响力；ES自身影响力是考虑ES在网络中所处位置与自身属性；潜在影响力主要是考虑任务迁移所需时延、能耗与传输通信质量；依据网络拓扑结构，综合考虑ES在所在位置，利用度中心方法度量ES重要性，表示如下：

p_i(center)＝drgee(p_i) (17)

ES自身属性包括运行功率CPU工作频率等待列队处理能力则ES的自身影响力表示为：

潜在影响力表示ES路径具有的潜在计算能力，包括与之相连的ES等级、交互强度、通信质量、性能，其中ES等级通过K-shell方法进行区分；设σ表示ES之间的交互频率强弱；C_qua表示ES之间通信质量，即传输信噪比；性能包括任务迁移时延能耗则ES的潜在影响力表达式为：

其中D(p_i)为邻居节点p_j的集合，k_s为ES所处等级值，θ为随机分布变量，N₀为噪声功率；

则ES路径影响力计算表示如下：

5)问题转化：将用户体验质量作为计算迁移策略优化目标转化为ES路径影响力最大化问题，其本质是计算迁移路径选择优化转化为ES路径影响力最大化；

6)执行K_S-IMCO算法：将ES类比为社会网络节点，利用K-shell方法将ES进行等级分类，结合贪心与启发式思想求解ES路径影响力最大化问题；

所述的K_S-IMCO算法，其运行方法包括如下步骤：

6-1)依据度中心求解方法计算出每个ES的p_i(center)值；

6-2)依据ES自身影响力模型计算出每个ES的值；

6-3)依据K-shell方法计算出每个ES的k_s值；

6-4)依据ES潜在影响力模型计算出每个ES的值；

6-5)对每个初始ES进行路径统计，将任务量按ES路径内数量划分，计算出每个ES路径L′的值；

6-6)将每个ES路径L′统计出来，选择影响力最大路径进行计算迁移；

6-7)得到最终计算迁移路径。

2.根据权利要求1所述的一种基于K-shell影响力最大化计算迁移优化方法，其特征在于，步骤5)中，所述的问题转化，是充分考虑ES计算能力、基站带宽资源、任务迁移时延与能耗因素，将用户体验质量QoE作为多终端迁移策略联合优化目标，构建近于实际应用环境中的密集型任务系统模型min Q：

将用户体验质量作为计算迁移策略优化目标转化为ES路径影响力最大化问题，计算迁移路径选择优化转化为ES路径影响力最大化，ES路径影响力最大化公式表示如下：

由公式(21)得：

由公式(22)得：

由于k_s、σ、C_qua均大于零，且大于1，则正比于由此将用户体验质量作为迁移策略优化目标转化为ES路径影响力最大化问题。