CN113950103B 一种移动边缘环境下多服务器完全计算卸载方法及系统 （西安电子科技大学）

一种移动边缘环境下多服务器完全计算卸本发明属于移动边缘计算的任务卸载与资多用户多服务器MEC系统问题规划；提出基于近MEC服务器系统的动态目标优化问题。本发明优载和基于DQN的完全计算卸载四种基准算法进行数量、MEC服务器数量等不同参数，对系统总效益，任务执行时延和移动设备能耗方面进行衡2终端u将任务Tu从本地上传至选择的MEC服务器所需输入数据量；Xu表示工作负载，即所需MEC系统模型将总时间划分为个时长均为的时间片，每一时间片t终端u上都会有一个u,c每一移动终端u设置一个以先进先出FIFO顺序计算的本地等u3u(t+1)为时间片t+1上移动终端u计算队列上的待执行任务量，xu为指示任务Tuu,c(t+1)表示时间片t+1上边缘服务器c为终端u维护的任务队列待执行任务量，步骤二中，所述根据Shannon-Hartley定律计算出数据传输率，构建无线网络通信模在网络通信模型中，假设多个移动终端在正交信道上u为第t个时间片上基站分配给第u个移动终端的带宽资源比例，Pu为移动终端u间的信道增益，第t个时间片移动终端u与MEC服务器c之间的上行数据传输速率ru,c计算公在时间片t上为每一移动终端分配的网络上行带宽资源比例步骤三中，所述构建任务计算模型，实现对两地计算时延r,"表示为：4任务Tu选择在本地执行时的能量消耗",任务Tu通过基站卸载到第c个MEC服务器上的u,c是指示任务Tu是否卸载到服务器c上的决策变量，qu表u,c为根据上文网络通信模型得到的设备u与服务器c之间的上行传输速率，Pu是第ucMEC表示MEC服务器c的CPU计算能力；5s:t.c1:x,e(0,},vueu其中，和分别表示当前时间片第u个移动设备生成的任务Tu完全本地计算和完全卸载到服务器端的执行时延，和分别表示任务Tu本地执行能耗及边缘卸载情况载到服务器c上的变量；C3和C4分别表示基站分配给移动终端的带宽资源比率指基站分配给移动终端的带宽资源比例和MEC服务器分配给移动终端的计算资源比例，都不应大于1；在强化学习框架的基础上，将时间片t上多移动终端多服务器M6MEC服务器c为移动终端u所分配的计算资源比例，则将时间片t上的动作a(t)定义为a(t)=而算法的目标则是最大化长期奖励PPO算法的目标是最大化受策略更新大小①输入任务请求集合{T1,T2,...,T|U|}、无线信道总带宽B、每一MEC服务器计算能力⑥重复G次步骤②~步骤⑤,G为episode数；2.一种实施权利要求1所述移动边缘环境下多服务器完全计算卸载方法的移动边缘环任务计算模块，用于构建任务计算模型，实现对两种任问题规划模块，用于表述每一时间片内多移动终端多MEC服务器模型下的完全任务卸7算法优化模块，用于提出基于近端策略优化的完全得所述处理器执行权利要求1所述的移动边缘环境下多8卸载的场景下，实现基站无线带宽资源和服务器计算资源的合理分配也是一个重要挑战。[0003]第一类策略主要是降低任务处理延迟。例如Wang和Yao等人在“ointtaskassignment,transmission,andcomputingresourceallocationinmultilayerMobileComputationOffloadingwithHardDeadlineConstraints”(IEEETransactionsonmobilecomputing,2020,19(9):2160-2173)考虑了受任务完成期限约束[0005]第三类策略主要是时延与能耗折中。T.Alfakih和M.Hassan等人在“TaskOffloadingandResourceAllocationforMobileEdgeComputingbyDeepReinforcementLearningBasedonSARSA”(IEEEAccess,2020,8:54074-54084)中考虑向服务器或远程云进行卸载计算的应用场景，设计了一种基于强化学习中SARSA算法的卸9[0008](1)现有降低任务处理延迟的计算卸载策略中，未能考虑在进行计算卸载时移动终端设备一端的能耗，终端设备可能出现由于电能不足使得卸载策略无法正常运行的情[0009](2)现有减少设备能耗的计算卸载策略中，在某些系统中用户更希望系统的时间消耗和能源总耗总和能达到最小来降低系统的整体消耗或者对时间消耗和能源消耗进行[0010](3)现有时延与能耗折中的计算卸载策略中，在实际的卸载过程中不同的系统可境因素做出最合理的任务卸载决策以及资源分配方案则是如今计算卸载框架研究中亟需切需要一种以任务执行总时延和移动设备总能耗为共同[0026]MEC系统模型将总时间划分为个时长均为的时间片，每一时间片t终端u上都会有[0032]每一用户终端u设置一个以先进先出FIFO顺序计算的本地等待被处理任务缓存队u,c为表明任务Tu是否被卸载到服务器c上的决策变量，n.c()则是时间片t内计算队无线信道可用总带宽为B，第t个时间片移动用户u与MEC服务器c之间的上行数据传输速率之间的信道增益，第t个时间片移动用户u与MEC服务器c之间的上行数据传输速率ru,c计算[0044]在时间片t上为每一用户终端分配的网络上行带宽资源比例bu满足如下约束条[0049]当卸载变量xu＝0，即选择将任务Tu加入到本地等待被处理任务缓其本地计算时延r"表示为：u需等待本地缓存队列Iu上的任务均处理完毕后才能够被",备u将任务Tu通过基站卸载到第c个MEC服务器卸载问题，实现多用户多服务器MEC系统的问题规划，为卸载方案提供优化目标和相关约和完全卸载到服务器端的执行时延，和分别表示任务Tu本地执行能耗及边缘卸载＝1；是否被卸载到服务器c上的变量；C3和C4分别表示基站分配给终端用户的带宽资源比率指基站分配给终端用户的带宽资源比例和MEC服务器分配给终端用户的计算资源比例，都不2为移动设备u维护的任务队列待执行任务量以及设备u与MEC服务器c之间的上行传输速率，片t上MEC服务器c为用户u所分配的计算资源比例，则将时间片t上的动作a(t)定义为a(t)而算法的目标则是最大化长期奖励[0096]⑥重复G次步骤②~步骤⑤,G为episode数；[0098]本发明的另一目的在于提供一种应用所述的移动边缘环境下多服务器完全计算[0102]问题规划模块，用于表述每一时间片内多用户多MEC服务器模型下的完全任务卸多用户多MEC服务器模型下的完全任务卸载问题，实现多用户多服务器MEC系统的问题规多用户多MEC服务器模型下的完全任务卸载问题，实现多用户多服务器MEC系统的问题规应队列执行的时间延迟和能量消耗情况；表述每一时间片内多用户多MEC服务器模型下的完全任务卸载问题；最后利用基于近端策略优化的完全计算卸载方案解决多用户多MEC服[0112](1)在多移动设备多MEC服务器的完全卸载条件下，将深度强化学习理论中的PPO[0115]图1是本发明实施例提供的移动边缘环境下多服务器完全计算卸载方法的流程[0116]图2是本发明实施例提供的移动边缘环境下多服务器完全计算卸载方法的原理[0117]图3是本发明实施例提供的移动边缘环境下多服务器完全计算卸载系统的结构框[0119]图4是本发明实施例提供的移动边缘环境下多服务器完全计算卸载系统的结构原[0120]图5是本发明实施例提供的仿真实验结中MEC服务器计算能力对系统总效益的影[0121]图6是本发明实施例提供的仿真实验结果中终端设备数量对任务总时延的影响示[0124]如图1所示，本发明实施例提供的移动边缘环境下多服务器完全计算卸载方法包[0130]本发明实施例提供的移动边缘环境下多服务器完全计算卸载方法的原理图如图2[0131]如图3所示，本发明实施例提供的移动边缘环境下多服务器完全计算卸载系统包[0137]本发明实施例提供的移动边缘环境下多服务器完全计算卸载系统的结构原理图[0139]如图2所示，本发明实施例提供的移动边缘环境下多服务器完全计算卸载策略具[0140]1)应用场景描述。构建一个部署有多用户终端、单基站和多MEC服务器的应用场[0142]3)构建任务计算模型。任务计算模型分为完全本地模型和MEC服务器卸载计算模下的完全任务卸载问题，目标是实现多用户多服务器MEC系统下所有任务的时延与能耗成端策略优化的完全计算卸载方案解决多用户多MEC服务器系[0151]MEC系统模型将总时间划分为个时长均为的时间片，每一时间片t终端u上都会有[0152]引入卸载决策x＝[x1,x2,[0157]每一用户终端u设置一个以先进先出FIFO顺序计算的本地等待被处理任务缓存队u,c为表明任务Tu是否被卸载到服务器c上的决策变量，n.c()则是时间片t内计算队无线信道可用总带宽为B，第t个时间片移动用户u与MEC服务器c之间的上行数据传输速率之间的信道增益，第t个时间片移动用户u与MEC服务器c之间的上行数据传输速率ru,c计算[0169]在时间片t上为每一用户终端分配的网络上行带宽资源比例bu满足如下约束条[0173]当卸载变量xu＝0，即选择将任务Tu加入到本地等待被处理任务缓u需等待本地缓存队列Iu上的任务均处理完毕后才能够被",Tu的工作负载和本地CPU工作频率S:可将其计算为：[0185]终端设备u将任务Tu通过基站卸载到第c个MEC服务器上的时延和能耗分是否被卸载到服务器c上的变量；C3和C4分别表示基站分配给终端用户的带宽资源比率指基站分配给终端用户的带宽资源比例和MEC服务器分配给终端用户的计算资源比例，都不2为移动设备u维护的任务队列待执行任务量以及设备u与MEC服务器c之间的上行传输速率，而算法的目标则是最大化长期奖励其主要目的是以选取被剪切和未被剪切目标最小值的方式来有效[0225]本发明利用python3.6对所提基于近端策略优化的完全计算卸载算法进行仿真[0227]本发明所提策略与现有文献中策略不同，评估所提基于PPO的完全计算卸载算法给多个MEC服务器进行处理且将每一MEC服务器的计算资源平均分配给为每个终端用户所配MEC服务器进行处理且将每一MEC服务器的计算资源平均分配给为每个终端用户所维护[0231](4)基于DQN的完全计算卸载算法：将为每一终端用户u做出的带宽资源分配比例和示。实验结果表明，本发明提出的PPO算法始终较