买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明公开一种多对多边缘计算场景下的计算卸载方法及系统，包括：获取多边缘服务器多移动终端场景下的边缘计算场景数据，并基于边缘计算场景数据，构建边缘计算场景；基于边缘计算场景，构建卸载模型，其中卸载模型基于马尔科夫决策过程进行建模；通过策略迭代法对卸载模型进行求解，得到最优卸载策略。本发明能够对于不同性质的终端产生的的异构任务，以能量消耗最小化为目标进行任务卸载建模，并获取卸载方法的最优策略。

主权项：1.一种多对多边缘计算场景下的计算卸载方法，其特征在于，包括：获取多边缘服务器多移动终端场景下的边缘计算场景数据，并基于边缘计算场景数据，构建边缘计算场景；基于边缘计算场景，构建卸载模型，其中卸载模型基于马尔科夫决策过程进行建模；通过策略迭代法对卸载模型进行求解，得到最优卸载策略；所述卸载模型包括状态空间，动作空间，奖励函数，策略及回报；其中状态空间包括若干个不同状态，所述状态包括各车辆位置，各车辆下的剩余计算能力及各边缘服务器剩余计算能力；动作空间包括若干个不同动作，所述动作包括本地处理及边缘服务器卸载处理动作；所述奖励函数基于本地处理能耗及卸载处理能耗进行构建；所述策略为不同状态下不同动作的概率；所述回报为通过对奖励函数进行计算得到的总奖励；通过策略迭代法对卸载模型进行求解的过程包括：基于卸载模型，构建状态值函数，其中状态值函数为不同状态下采用不同策略时，各车辆的奖励函数值的数学期望总和，其中奖励函数值由奖励函数计算得到；对状态及策略进行初始化，基于初始化的状态及策略对状态值函数进行计算，获取初始状态值，然后对状态及策略进行迭代更新，更新过程中，基于迭代更新的状态及策略对初始状态值进行更新，直到更新的状态值收敛，获取收敛状态值下的策略即最优卸载策略；获取多边缘服务器多移动终端场景下的边缘计算场景数据，并基于边缘计算场景数据，构建边缘计算场景的过程包括：一个由若干个边缘服务器覆盖下的工业园区内，若干种AGV车辆在园区内执行运输任务；假设共有m个边缘服务器组成一个集合EC＝{EC1,EC2,EC3...ECm}，并在工业园区内均匀分布；AGV车辆数为n，组成一个集合AGV＝{AGV1,AGV2,AGV3...AGVn}；AGVi在某一时刻产生多个任务，AGVi产生的任务集合为Ti＝{Ti1,Ti2,Ti3...}，且Ti∈T＝{T1,T2...Tn}表示所有AGV车辆产生的任务总集合；所有任务产生后有两种处理方式：本地处理和卸载到某个边缘服务器处理；任务其中ω表示任务的紧急程度，根据紧急程度将任务分为：紧急任务和非紧急任务，分别被AGV车辆标记为{0，1}；对于紧急任务直接由本地处理，并且可以抢占非紧急任务的计算资源；对于非紧急任务，则利用马尔可夫决策过程的建模方法，以AGV车辆能量消耗最小化为目标进行决策，来判断各任务的处理方式；表示任务的数据量大小；θ表示任务量化后的优先级值，优先级值根据任务的紧急程度，对延迟的敏感程度以及对工业园区整体运行的影响大小来确定，优先级高的任务在调度过程中，在任务缓存队列中优先处理；基于边缘计算场景，构建卸载模型，即建立“多对多“边缘计算的任务卸载模型，具体的：卸载模型主要由五个元组组成{S,A,R,π,r},S为状态空间，该时间段内状态St＝{x,y,fAGV,fEC}，包括各个AGV车辆的位置，各AGV车辆的剩余计算能力，各边缘服务器剩余计算能力；A为动作空间，由该时间段内所有车辆的动作组成，A＝{a1,a2,a3...an}，A表示各AGV车辆对于本身产生的所有任务的处理方式的集合，包括：本地处理和卸载到某一边缘服务器处理；R为奖励函数，主要是与各AGV车辆处理任务的总能耗相关的函数；π为策略，表示各状态下AGV车辆做出各种动作的概率；r为回报，表示最终得到的总奖励；对于奖励函数R，定义如下：①对于本地处理的任务，根据是否超过AGV车辆计算能力上限分为两种情况， ②卸载到边缘云服务器的任务： 由于利用马尔可夫决策过程的最终目标为：确定各AGV车辆产生的所有任务是卸载到边缘服务器处理还是本地处理，得到最终回报等于各AGV车辆奖励函数之和: 在任务卸载过程中考虑各个AGV车辆剩余计算能力，各个边缘服务器剩余计算能力，也就是说各个边缘服务器接受的任务或者AGV车辆自行处理的任务不能超过其处理能力上限；通过策略迭代法对卸载模型进行求解，得到最优卸载策略即确定最优卸载策略，具体的：对于上述得到的卸载模型，采用策略迭代法进行求解最优策略；马尔可夫决策过程方法中每一种状态对应一个状态值函数：Vπsi＝Eπ[ΣRi|si]该函数表示由当状态为si、所以采用的策略为π时，各AGV车辆产生的所有任务做出决策后的奖励函数值R的数学期望之和；给定一个初始状态s0和初始策略π0，求得该策略下s0的Vs值，根据Vs值进行策略改进，然后继续根据新的Vs值，进行新一轮策略改进，直到最后收敛，利用贪婪算法得到最优策略的近似解；在随机初始状态s0和初始策略π0下，该方法具体包括以下步骤：步骤一：随机选定一个AGV车辆，只调整该AGV车辆的任务分配策略，同时保证各个服务器的计算能力上限以及AGV车辆本身的计算能力上限，在不改变其他AGV车辆分配策略的前提下使Vs达到最大；步骤二：和步骤一一样，只随机改变一个AGV车辆的任务分配策略，但步骤一中的AGV车辆的分配策略保持不变；步骤三：和步骤二一样，只随机改变一个AGV车辆的任务分配策略，但步骤一、步骤二中的选择的AGV车辆的分配策略保持不变；以此类推，一个循环后最终得到一种较优于初始策略π0的一种策略；开始下一个循环：改变步骤一中选出的AGV车辆，便得到各种情况下的策略，比较选择其中Vs值最大的策略，此时该策略下终端的总能耗最小。

全文数据：

权利要求：

百度查询： 大连理工大学 一种多对多边缘计算场景下的计算卸载方法及系统