CN114489977B 一种移动边缘计算系统的任务卸载方法及装置 （广州杰赛科技股份有限公司）

司KR20210147240A,2021.12.07一种移动边缘计算系统的任务卸载方法及本发明公开了一种移动边缘计算系统的任发送任务的能耗和计算过程中CPU的能耗，得到化学习的DQN算法对联合优化问题进行求解，得2根据每个所述移动设备的计算时延、每个所述移动设备将任务卸根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动对每个所述移动设备的用户使用模式和位置信息进行量化，得到根据每个所述移动设备的任务卸载时延、任务卸载能耗、任务卸基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进其中，所述对每个所述移动设备的用户使用模式和位置根据以下公式，对每个所述移动设备的用户使用模式进行量化刻产生的新任务，An(t)为边缘服务器或云服务器记录的第m个移动设备卸载到本服务器的任务量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)=1表示信道质量根据以下公式，对每个所述移动设备的位置信息进行量化，得3;取的信道质量，hm(t)E{0,1},hm(t)=1表示信道质量好，hn(t)=0表示信道质量差，B(t)为第m个移动设备的电池放电量，Q(t)为存储在第m个移动设备的设备缓冲区的任;Tmno(t)为第m个移动设备将任务卸载至边缘服务器或云服务器的传输时延，Tnurc(t)为边缘服务器的计算时延，Tmcuud(t)为地执行，表示任务是否在边缘服务器执行，amc(t)表示任务是否在云服务器执所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述移动设备的任务卸计算每个所述移动设备发送任务的能耗与计算过程中CPU的能耗的和值，以作为每个将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因根据每个所述移动设备的任务卸载总损耗和所述任务卸载隐私水平，构建以时延最述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚因子，并根据每个所述移动设备的任务卸载时延和任务卸载能耗，计算每个所述移动设备的任务卸载总损4任务卸载时延，En(t)为第m个所述移动设备的任务卸载能耗，Qa(t)I(·)为指示函数。Enin≤B(t)≤Enex:务器可以并行处理的所有任务量对应的移动设备数量，B(t)为第m个移动设备的电池放r4为边缘服务器的最大工作频率，fc为云服务器的工作频率，为云服务器的最大工作频率，fm(t)为第m个移动设备一个CPU周期对应的频率，fmax为第m个移动设备一个CPU周期对强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问题进行求解，得到将所述状态队列和预先获取的动作队列输入至预先构建的神经网5状态集合构建模块，用于根据每个所述移动设备的任务数据，建时延计算模块，用于根据每个所述移动设备的计算时隐私量化模块，用于对每个所述移动设备的用户使用模式优化问题求解模块，用于基于深度强化学习的DQN算法和每个所述移动设备的状态集根据以下公式，对每个所述移动设备的用户使用模式进行量化刻产生的新任务，An(t)为边缘服务器或云服务器记录的第m个移动设备卸载到本服务器的任务量，hm(t)为第m个移动设备在t时刻所获取的信道质量，hm(t)=1表示信道质量根据以下公式，对每个所述移动设备的位置信息进行量化，得其中，pm(t)为第m个移动设备的任务卸载隐私水平，为pm(t)的权重，为6统能够将一部分计算卸载任务到边缘服务器，从而减少用户在本地设备的任务负载和延大多集中于单一的能耗优化或者时延优化，也有一部分工作考虑了能耗和时延的共同优[0005]为实现上述目的，本发明实施例提供了一种移动边缘计[0009]根据每个所述移动设备发送任务的能耗和计算过程中CPU的能耗，得到每个所述[0012]基于深度强化学习的DQN算法和每个所述移动设备的状态集合对所述联合优化问7m,M[0022]计算每个所述移动设备发送任务的能耗与计算过程中CPU的能耗的和值，以作为为第m个移动设备的用户使用隐私水平，Am(t)为第m个移动设备在tI(·)为指示函数；8[0034]将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚[0036]作为上述方案的改进，所述将每个所述移动设备的能量变化小于0的指示函数和2为I(Bn(t+1)<0)的权重，为指示函数。题P:9[0050]作为上述方案的改进，所述基于深度强化学习的DQN算法和每个所述移动设备的度强化学习的DQN算法对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载[0057]能耗计算模块，用于根据每个所述移动设备发送任务的能耗和计算过程中CPU的[0058]隐私量化模块，用于对每个所述移动设备的用户使用模[0060]优化问题求解模块，用于基于深度强化学习的DQN算法和每个所述移动设备的状[0061]与现有技术相比，本发明上述发明实施例中的任意一个实施例具有如下有益效据每个所述移动设备计算过程中CPU的能耗和发送任务的能耗，得到每个所述移动设备的[0063]图1是本发明一实施例提供的一种移动边缘计算系统的任务卸载方法的流程示意[0065]图3是本发明一实施例提供的一种移动边缘计算系统的任务卸载装置的结构示意[0067]参见图1，是本发明一实施例提供的一种移动边缘计算系统的任务卸载方法的流[0081]需要说明，第m个移动设备获取到的能量em(t)，即第m个移m,M[0100]可以理解，假设边缘服务器或云服务器对于M个移动设备到达的所有任务都可以[0102]计算每个所述移动设备发送任务的能耗与计算过程中CPU的能耗的和值，以作为的能耗和回传结果给移动设备的能耗，那么任务卸载的能耗主要是设备发送任务的能耗。若移动设备在本地设备执行任务时，则在本地执行的能耗主要是移动设备计算过程中CPU为第m个移动设备的用户使用隐私水平，Am(t)为第m个移动设备在tI()为指示函数；[0123]将每个所述移动设备的能量变化小于0的指示函数和未执行的任务作为两项惩罚[0125]进一步地，所述将每个所述移动设备的能量变化小于0的指示函数和未执行的任[0132]值得说明的是，若不考虑惩罚因子，则第m个所述移动设备的任务卸载总损耗Cmm因子：未执行的任务Qm(t)和第m个移动设备的能量变化小于0的指示函数I(Bn(t+1)<0)。[0140]osfcsfdx;度强化学习的DQN算法对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载可以将联合优化问题转化为马尔科夫决策(MDP)问题，目标是让移动设备学习为[0153]值得说明的是，基于深度强化学习的DQN算法对所述联合优化问题进行求解的主[0155]参见图3，是本发明一实施例提供的一种移动边缘计算系统的任务卸载装置的结[0160]能耗计算模块24，用于根据每个所述移动设备发送任务的能耗和计算过程中CPU[0161]隐私量化模块25，用于对每个所述移动设备的用户使用模式和位置信息进行量[0163]优化问题求解模块27，用于基于深度强化学习的DQN算法和每个所述移动设备的m,M动设备发送任务的能耗与计算过程中CPU的能耗的和值，以作为每个所述移动设备的任务为第m个移动设备的用户使用隐私水平，Am(t)为第m个移动设备在tI(·)为指示函数；[0184]任务卸载损耗计算单元，用于将每个所述移动设备的能量变化小于0的指示函数2为I(Bn(t+1)<0)的权重，为指示函数。[0197]osfcsfdx;度强化学习的DQN算法对所述联合优化问题进行求解，得到移动边缘计算系统的任务卸载相关具体描述和有益效果可以参考上述的移动边