[发明专利]云边端满足截止时间要求的资源代价最小的任务卸载方法

说明书

本发明涉及一种云边端满足截止时间要求的资源代价最小的任务卸载方法，计算所有设备完成所有任务的时间和能耗，并分别存储在时间矩阵和能耗矩阵中；分别将时间矩阵和能耗矩阵中的所有元素进行归一化处理；设定每个任务的目标权重向量，采用加权算术平均算子对目标代价值进行加权求和，求出设备完成任务付出的代价值，并将求解得到的代价值存放在资源代价矩阵中；通过匈牙利算法，基于为任务匹配最小代价的设备，为所有任务匹配最佳资源，得到所有任务的最佳卸载方案，不断解决任务资源需求的冲突，使得全体任务的卸载方案满足系统总的代价最小，能够满足任务处理截止时间的前提下最小化系统总代价，表现出较好的处理性能。

技术领域

本发明涉及一种云边端满足截止时间要求的资源代价最小的任务卸载方法。

背景技术

随着在线游戏、图像信号实时处理、增强现实和实时翻译服务等计算密集型和延迟敏感型移动任务的大规模增长，给移动移动终端(MD)带来了巨大的计算需求，但移动移动终端如手机、平板电脑、VR等，它们的电量和计算能力有限，很难满足这些任务对长时间续航和低延迟的需求。云服务器有强大的计算能力，能够完成移动终端无法完成的大量计算问题，但移动终端通常距离云服务器较远，将大量数据上传到云服务器时不可避免会产生大量的能耗和传输时延，很难满足用户的高服务质量要求。

移动边缘计算(mobile edge computing，简称MEC)在近移动终端的网络边缘布置服务器，将远程云端提供服务和计算的能力缩短到距离移动终端更近的位置，从而以较低的时延和服务器进行数据传输，提高服务器的处理效率。当移动终端提交任务时，可以选择在计算能力较强的边缘服务器进行数据处理，不需要传输到云端处理，减少数据的传输时间，提高任务的处理效率。因而，移动边缘计算计算模式很好地解决了移动设备能力有限、云计算模式时延较高的问题。与云计算相比，边缘计算提供的计算、网络及存储资源还是有限的。当大量用户同时向边缘服务器提交任务卸载请求时，不可避免带来用户会对边缘服务器资源的竞争，不合理的任务卸载可能会导致计算、存储、网络等资源利用不充分，存在忙闲不均的情况，严重降低了边缘计算的服务效率，造成服务质量下降。因此，多用户同时向资源受限的边缘服务器提交任务卸载请求的边缘计算资源分配问题非常值得研究。

现有中，将移动任务卸载问题转化为马尔可夫决策过程，根据移动任务缓冲区的排队状态、本地处理单元的执行状态以及传输单元的状态对移动任务进行调度。通过分析完成每个任务的平均时间和移动设备的平均能耗，建模功率约束的移动任务时延最小化问题，通过一维搜索算法找到问题的最佳卸载策略。现有还提出一种多用户协作移动边缘计算系统，通过优化任务分配、时间分配和功率分配来最小化本地用户的计算时延。上述的工作都是从理论层面出发，通过大量仿真实验验证结果的有效性。在真实环境条件下，如果仅考虑最小化时延卸载，由于移动设备的电池容量有限，当电池能量耗尽时，相应的任务处理就会中断，相应的决策就无法继续进行下去。在真实环境条件下，通过优化设备的发射功率和网络链路的质量降低能耗，虽然降低了能耗，但由于网络环境是随时间变化而变化的，设备在低功率状态下可能导致高时延。

现有还提出一种“端-边-云”协同的5G车联网边缘计算模型，针对该系统模型设计了深度强学习和深度强化学习协同的分布式服务卸载方法，该方法能够降低0.4％-20.4％的用户平均服务时延和能耗。虽然综合考虑了减少时延和降低能耗，但没有考虑任务之间的依赖关系，然而在现实中每一个移动终端都会产生多个任务，这些任务之间可能会产生一定的依赖关系，如人脸识别任务，目标跟踪任务等，这时如果仅考虑单任务计算卸载，可能会引起具有依赖关系的任务卸载失败，从而引起连锁反应导致卸载结果与预期出现较大偏差。

发明内容

为了解决上述技术问题，本发明提供一种云边端满足截止时间要求的资源代价最小的任务卸载方法。

本发明采用以下技术方案：

一种云边端满足截止时间要求的资源代价最小的任务卸载方法，包括：

计算所有设备完成所有任务的时间和能耗，并分别存储在时间矩阵和能耗矩阵中；