申请/专利权人：江南大学

申请日：2022-06-01

公开（公告）日：2024-03-22

公开（公告）号：CN114980216B

主分类号：H04W28/16

分类号：H04W28/16;H04W28/24

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.09.16#实质审查的生效;2022.08.30#公开

摘要：本发明公开了移动通信技术领域的基于移动边缘计算的依赖型任务卸载系统及方法，包括：将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；计算工作流中各任务的时延和能耗；以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策。本发明中移动终端的应用程序完成时延和终端能耗显著减少，充分利用了计算资源，有效保证了服务质量。

主权项：1.基于移动边缘计算的依赖型任务卸载方法，其特征是，包括：将移动终端上的应用形式化为多个任务组成的工作流，并用DAG图表示，图中顶点表示任务，边表示任务之间的依赖关系；遍历应用的DAG图，依据遍历的深度将工作流中所有任务划分为不同调度层并确定各调度层的执行顺序；为每个调度层内的各任务分配不同的优先级，依据任务的优先级顺序调整调度层内各任务执行顺序；计算工作流中各任务的时延和能耗；以应用的所有任务时延和能耗最小化为目标，按照任务执行顺序依次确定每个任务的卸载决策；计算工作流中各任务的时延和能耗，其中，移动应用程序m完成时延Tm的计算公式为： 式中，ESTm,i为任务vm,i的最早开始时间，为资源对于任务vm,i的最早空闲时间，EFTm,i为任务vm,i的最早结束时间，prevm,i为任务vm,i的前驱任务集合，EFTm,i,为任务vm,i'的最早结束时间且vm,i'是vm,i的前驱任务，为各资源层之间的数据通信时延，为传输时延，为计算时延，为输出任务的最早开始时间，为输出任务的计算时延；传输时延计算时延和在系统中各资源层之间的数据通信时延计算公式为： 式中，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，xm,i为任务vm,i的卸载决策，代表移动终端资源，wm,i为任务vm,i的计算数据量，fl为移动终端的计算能力，fedg为边缘服务器的计算能力，fcld为云服务器的计算能力，dm,i,j为任务vm,i与vm,j之间的通信数据量，BLAN和BWAN分别为局域网LAN和广域网WAN的带宽，STi表示任务vm,i'和vm,i卸载决策的五种情况，其中： 式中，为异或二进制运算，SQxm,i和SZxm,i为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z；ST1表示卸载决策的第一种情况，任务vm,i'和vm,i被分别卸载到边缘端不同的边缘服务器上；ST2表示第二种情况，任务vm,i'和vm,i被分别卸载到云端不同的云服务器上；ST3表示第三种情况，任务vm,i'和vm,i被分别分配到移动终端和边缘端；ST4表示第四种情况，任务vm,i'和vm,i被分别分配到移动终端和云端或者被分别卸载到边缘端和云端；当任务vm,i'和vm,i的执行位置完全相同即卸载决策相同时为第五种情况，用ST5表示；计算工作流中各任务的时延和能耗，其中，任务vm,i的能耗em,i和移动应用程序m的总能耗Em分别表示为： 其中，为运行能耗，为通信能耗，计算公式为： 式中，为任务vm,i的计算时延，为任务vm,i的等待时延，Pidle和Pcomp分别为移动终端在空闲和计算状态下的功率,xm,i为任务vm,i的卸载决策，代表移动终端资源，LLAN和LWAN分别为局域网LAN和广域网WAN的卸载延迟，为各资源层之间的数据通信时延，Ptransfer为移动终端的数据传输功率，SEi为任务vm,i'和vm,i不同的卸载决策情况，其中： 式中，SE1表示第一种情况：任务vm,i'和vm,i的数据通信发生在移动终端和边缘端或者移动终端和云端之间，其中，SQxm,i为返回卸载决策xm,i对应计算资源的类型值q，为异或二进制运算；SE2表示第二种情况：任务vm,i'和vm,i间的数据通信与移动终端无关；按照任务执行顺序依次确定每个任务的卸载决策，包括：对于各调度层逐一采用一种改进的D-NSGA算法确定每个调度层上各任务的卸载决策，包括：步骤S4.1：种群初始化：确定算法的参数，包括最大迭代次数，种群规模和种群中的个体，其中OP种群中包含某些预先定义好的个体，所述个体每个基因的二元组值被设置为对应的移动终端，OP种群中剩下的个体和DP种群中的个体采用随机算法生成；步骤S4.2：通过D-NSGA算法进行交叉变异，基于OP种群和DP种群中父代个体集合生成新的子代个体集合；步骤S4.3：通过D-NSGA算法对OP种群和DP种群分别采用不一样的适应性函数定义方式，并在此基础上根据不同的方法进行排序选择；在D-NSGA算法中对OP种群中的个体采用非支配排序方式，首先，分别计算出OP种群中个体的全局时延适应性值和全局能耗适应性值，并找出个体之间的Pareto支配关系；然后，在种群中找到第一非支配层的非支配个体，将这些个体的Pareto等级设置为1；接着，将个体的Pareto等级设置为2，依次类推，得到该种群中所有个体的Pareto等级；最后，根据个体的Pareto等级得到排序后的种群，OP种群中基于拥挤距离大小选择较优的个体；对于DP种群，适应性函数的计算公式可以表示为： 式中，PopSize表示D-NSGA算法中OP种群和DP种群的规模，和分别表示OP种群和DP种群中的个体，表示个体和个体之间的汉明距离，它体现了具有不同卸载策略的个体之间的差异性，计算公式可以表示为： 式中，f表示个体的大小，即调度层任务的数量，df表示多样性因子；基于卸载策略中分配的资源类型和编号，多样性因子可以定义为： 式中sgn为一个符号函数，和分别表示OP和DP种群个体中的第k个基因即任务，SQxm,i和SZxm,i为不同的函数，分别返回卸载决策xm,i对应计算资源的类型值q和编号值z，由DP种群中个体的适应性函数定义方式可知，适应性值越大，个体越具有多样性，DP种群中的个体只需要根据适应性值由大到小进行排序就可以，DP种群中根据适应性值大小选择较优的个体得到；步骤S4.4：重复S4.1，S4.2和S4.3上述步骤，逐一处理各调度层，最终处理完系统中应用的所有组成任务。

全文数据：

权利要求：

百度查询： 江南大学 基于移动边缘计算的依赖型任务卸载系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD