Nothing Special   »   [go: up one dir, main page]

CN115686821A - 一种边缘计算任务的卸载方法及装置 - Google Patents

一种边缘计算任务的卸载方法及装置 Download PDF

Info

Publication number
CN115686821A
CN115686821A CN202211029664.1A CN202211029664A CN115686821A CN 115686821 A CN115686821 A CN 115686821A CN 202211029664 A CN202211029664 A CN 202211029664A CN 115686821 A CN115686821 A CN 115686821A
Authority
CN
China
Prior art keywords
task
edge node
calculation
computing
energy consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211029664.1A
Other languages
English (en)
Inventor
钟春彬
魏薇郦
宋宇诚
姚冕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202211029664.1A priority Critical patent/CN115686821A/zh
Publication of CN115686821A publication Critical patent/CN115686821A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种边缘计算任务的卸载方法及装置，涉及物联网技术领域。所述方法包括：获取N个计算任务以及每个计算任务的数据量和计算量；根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；根据用户端效用函数和服务端效用函数，获得N个计算任务的任务卸载结果。所述装置用于执行上述方法。本发明实施例提供的边缘计算任务的卸载方法及装置，提高了资源利用率。

Description

一种边缘计算任务的卸载方法及装置
技术领域
本发明涉及物联网技术领域，具体涉及一种边缘计算任务的卸载方法及装置。
背景技术
边缘计算在用户或数据源的附近位置进行计算，以降低延迟、减少带宽使用，能够满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。
当计算任务较为连续且计算任务较少时，通过本地边缘节点完成计算任务，可以达到时延和功耗最优的目标。而当终端设备数量较多，导致计算任务迅速增长并且计算任务不均衡时，会导致本地边缘节点处理压力过大，无法及时处理计算任务，最终影响计算任务的响应时间和能耗，增加计算任务的时延并加大了本地能耗。
发明内容
针对现有技术中的问题，本发明实施例提供一种边缘计算任务的卸载方法及装置，能够至少部分地解决现有技术中存在的问题。
第一方面，本发明提出一种边缘计算任务的卸载方法，包括：
获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；
根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型和所述能耗模型是预先建立的；
根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；
根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
第二方面，本发明提供一种边缘计算任务的卸载装置，包括：
获取模块，用于获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；
获得模块，用于根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型、所述能耗模型；
建立模块，用于根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；
卸载模块，用于根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
第三方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述边缘计算任务的卸载方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述边缘计算任务的卸载方法。
第五方面，本发明提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述边缘计算任务的卸载方法。
本发明实施例提供的边缘计算任务的卸载方法及装置，能够获取N个计算任务以及每个计算任务的数据量和计算量，根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数，根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数，根据用户端效用函数和服务端效用函数，获得N个计算任务的任务卸载结果，通过时延、能耗以及激励价格三个因素的考虑，在本地边缘节点、异地边缘节点和云计算中心进行计算任务的卸载，提高计算任务的处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本发明第一实施例提供的多边缘协同计算任务的处理系统的结构示意图。
图2是本发明第二实施例提供的边缘计算任务的卸载方法的流程示意图。
图3是本发明第三实施例提供的边缘计算任务的卸载方法的流程示意图。
图4是本发明第四实施例提供的二层卸载模型的结构示意图。
图5是本发明第五实施例提供的边缘计算任务的卸载方法的流程示意图。
图6是本发明第六实施例提供的银行监控系统的结构示意图。
图7是本发明第七实施例提供的边缘计算任务的卸载装置的结构示意图。
图8是本发明第八实施例提供的边缘计算任务的卸载装置的结构示意图。
图9是本发明第九实施例提供的边缘计算任务的卸载装置的结构示意图。
图10是本发明第十实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
为了便于理解本申请提供的技术方案，下面先对本申请技术方案的相关内容进行说明。
计算任务的卸载：包括完全卸载和部分卸载，完全卸载是指本地边缘节点没有足够的存储和计算能力，其产生的计算任务需全部卸载到异地边缘节点或云计算中心处理；部分卸载是指本地边缘节点将计算任务均衡卸载到本地边缘节点、异地边缘节点和云服务中心，使功耗、时延、带宽等指标达到最优。
图1是本发明第一实施例提供的多边缘协同计算任务的处理系统的结构示意图，如图1所示，本发明实施例提供的多边缘协同计算任务的处理系统包括云计算中心1、多个边缘节点2以及与每个边缘节点2对应的终端设备3，其中：
云计算中心1分别与每个边缘节点2通信连接，每个边缘节点2与至少一个终端设备3通信连接。
终端设备3将产生的数据发送给对应的边缘节点2，边缘节点2用于基于终端设备3产生的数据生成计算任务，并进行计算任务的卸载。云计算中心1用于进行计算任务的处理。本地边缘节点可以将计算任务卸载到异地边缘节点，本地边缘节点即进行计算任务卸载的边缘节点，异地边缘节点即本地边缘节点以外的边缘节点。
其中，云计算中心1通常采用计算和存储能力强大的服务器集群，根据实际需要进行设置，本发明实施例不做限定。边缘节点2包括但不限于计算机、服务器等设备，通常靠近对应的终端设备进行部署。终端设备3包括但不限于传感器、摄像头、智能家居等设备。
在实际应用中，存在有的边缘节点繁忙，而有的边缘节点空闲的情况，繁忙的边缘节点处理压力大，而空闲的边缘节点资源利用率低。针对上述情况，本发明提出一种边缘计算任务的卸载方法，在本地边缘节点进行计算任务卸载时，将异地边缘节点纳入卸载考虑的范围，以提高计算任务的处理效率，并提高边缘节点的资源利用率。
下面以本地边缘节点作为执行主体为例，对本发明实施例提供的边缘计算任务的卸载方法的具体实现过程进行说明。
图2是本发明第二实施例提供的边缘计算任务的卸载方法的流程示意图，如图2所示，本发明实施例提供的边缘计算任务的卸载方法，包括：
S201、获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；
具体地，本地边缘节点获取当前需要处理的N个计算任务，每个计算任务包括两个属性，数据量和计算量。计算任务的数据量是指计算任务的需要处理的数据大小。计算任务的计算量根据实际需要进行设置，比如为需要占用的CPU的算力，本发明实施例不做限定。
例如，本地边缘节点从对应的终端设备接收采集数据，然后需要对接收的采集数据进行处理并产生相应的处理结果。本地边缘节点为处理一次采集数据生成一个计算任务，采集数据的大小即计算任务的数据量，本地边缘节点估算完成采集数据的处理所需要的CPU的算力，作为计算任务的计算量。
S202、根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型和所述能耗模型是预先建立的；
具体地，对于每个计算任务，所述本地边缘节点将计算任务的数据量和计算量代入到时延模型中，可以获得计算任务的时延代价函数，计算任务的时延代价函数用于估算完成计算任务的时间消耗。对于每个计算任务，所述本地边缘节点将计算任务的计算量代入到能耗模型中，可以获得计算任务的能耗代价函数，计算任务的能耗代价函数用于估算完成计算任务的能量消耗。其中，所述时延模型和所述能耗模型是预先建立的。
S203、根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数；并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；
具体地，所述本地边缘节点将各个计算任务的时延代价函数、各个计算任务的能耗代价函数代入到用户端激励模型中，可以获得用户端效用函数。所述将N个计算任务的计算量代入到服务端激励模型中，可以获得服务端效用函数。其中，服务端激励模型和用户端激励模型是预先建立的。
S204、根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
具体地，所述本地边缘节点基于所述用户端效用函数和所述服务端效用函数进行优化求解，获得使服务端收益和用户端代价的平衡的任务卸载结果作为N个计算任务的任务卸载结果，即用户端效用函数和服务端效用函数均取得极大值情况下的N个计算任务的任务卸载结果。任务卸载结果包括N个计算任务的分配情况，即哪些计算任务在本地边缘节点处理，哪些计算任务在哪个异地边缘节点处理，哪些计算任务在云计算中心处理。其中，对于一个计算任务只会卸载到一个节点进行处理，该节点为本地边缘节点、云计算中心或者异地边缘节点。
例如，可以采用逆向归纳法求解所述用户端效用函数和所述服务端效用函数。
本发明实施例提供的边缘计算任务的卸载方法，能够获取N个计算任务以及每个计算任务的数据量和计算量，根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数，根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数，根据用户端效用函数和服务端效用函数，获得N个计算任务的任务卸载结果，通过时延、能耗以及激励价格三个因素的考虑，在本地边缘节点、异地边缘节点和云计算中心进行计算任务的卸载，提高了计算任务的处理效率。此外，通过引入异地边缘节点执行计算任务，使异地边缘节点能够参与到本地边缘节点的计算任务，提高了边缘节点的资源利用率。
图3是本发明第三实施例提供的边缘计算任务的卸载方法的流程示意图，如图3所示，在上述各实施例的基础上，进一步地，所述根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果包括：
S301、初始化资源定价策略，获得初始资源定价策略；其中，所述资源定价策略包括各个服务端对本地用户端的资源定价；所述用户端效用函数和所述服务端效用函数包括所述资源定价策略；
具体地，所述本地边缘节点可以随机生成初始化资源定价策略，获得初始资源定价策略。所述资源定价策略包括各个服务端对本地用户端的资源定价。其中，服务端是指异地边缘节点或者云计算中心。所述用户端效用函数和所述服务端效用函数包括所述资源定价策略。
S302、基于所述初始资源定价策略和用户端效用函数，获得用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数；
具体地，将所述初始资源定价策略代入到用户端效用函数中，再对用户端效用函数进行极大值求解，在用户端效用函数取得极大值时，求解用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数，获得用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数。其中，奖励倍数对应的参数为用户端效用函数中的一个参数。
例如，以xk、yk为自变量分别对用户端效用函数求一阶导数，在一阶导数同时取得0时，用户端效用函数取得极大值。
S303、根据用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数以及所述服务端效用函数，获得服务端效用函数取得极大值时的资源定价策略；
具体地，所述本地边缘节点将用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数代入到所述服务端效用函数，再对服务端效用函数进行极大值求解，在服务端取得极大值时求得此时的资源定价策略，作为服务端取得极大值时的资源定价策略。
例如，服务端效用函数在一阶导数为0时，服务端效用函数取得极大值。
S304、若判断获知所述服务端效用函数取得极大值时的资源定价策略使得用户端效用函数取得极大值，则重新获取用户端效用函数取得极大值时的N个计算任务的任务卸载结果作为N个计算任务的任务卸载结果；否则，重新初始化资源定价策略直到用户端效用函数和服务器效用函数均取得极大值。
具体地，所述本地边缘节点将所述服务端效用函数取得极大值时的资源定价策略代入到用户端效用函数，再对用户端效用函数求一阶导数，如果在一阶导数为0，说明用户端效用函数取得极大值，在用户端取得极大值时求得此时的资源定价策略，重新求解用户端效用函数取得极大值时的N个计算任务的任务卸载结果，作为N个计算任务的任务卸载结果。
如果用户端效用函数未取得极大值，那么重新初始化资源定价策略，即调整资源定价策略，重复步骤S302和S303，重新获得服务端效用函数取得极大值时的资源定价策略，再判断用户端效用函数是否取得极大值，如果用户端效用函数取得极大值，那么重新获取用户端效用函数取得极大值时的N个计算任务的任务卸载结果作为N个计算任务的任务卸载结果；如果用户端效用函数没有取得极大值，继续重复上述过程，直到用户端效用函数和服务器效用函数均取得极大值。
在上述各实施例的基础上，进一步地，所述时延模型为：
Figure BDA0003816034850000071
其中，Tk表示第k个计算任务的时延，
Figure BDA0003816034850000072
Figure BDA0003816034850000073
表示第k个计算任务在本地边缘节点的执行时间，wk表示第k个计算任务的计算量，fL表示本地边缘节点的计算能力，
Figure BDA0003816034850000074
Figure BDA0003816034850000075
表示第k个计算任务从本地边缘节点传输到异地边缘节点的时间，bk表示第k个计算任务的数据量，RLR表示本地边缘节点到异地边缘节点的链路传输速率，
Figure BDA0003816034850000076
Figure BDA0003816034850000077
表示第k个计算任务在异地边缘节点的执行时间，fR表示异地边缘节点的计算能力，
Figure BDA0003816034850000078
Figure BDA0003816034850000079
表示第k个计算任务从本地边缘节点传输到云计算中心的时间，RLC表示本地边缘节点到云计算中心的链路传输速度，
Figure BDA0003816034850000081
Figure BDA0003816034850000082
表示第k个计算任务在云计算中心的执行时间，fC表示云计算中心的计算能力，xk＝{0,1},yk＝{0,1}，xk＝1表示第k个计算任务卸载到本地边缘节点执行，xk＝0表示第k个计算任务不在本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于N。
具体地，对于某个计算任务，会卸载到本地边缘节点、异地边缘节点和云计算中心中的一个执行。对于卸载到本地边缘节点执行的第k个计算任务，第k个计算任务的时延与本地边缘节点执行计算任务所耗费的时间有关，
Figure BDA0003816034850000083
Wk表示第k个计算任务的计算量，本地边缘节点在生成第k个计算任务时，会估算出第k个计算任务的计算量，fL表示本地边缘节点的计算能力，与计算任务的计算量相对应，用于衡量本地边缘节点的算力。
对于卸载到异地边缘节点执行的第k个计算任务，需要将第k个计算任务传输到异地边缘节点，再由异地边缘节点执行，所以第k个计算任务的时延与第k个计算任务从本地边缘节点传输到异地边缘节点的时间
Figure BDA0003816034850000084
以及第k个计算任务在异地边缘节点的执行时间
Figure BDA0003816034850000085
有关。
Figure BDA0003816034850000086
bk表示第k个计算任务的数据量，bk表示第k个计算任务的数据量，即为了执行第k个计算任务需要传输的数据量，RLR表示本地边缘节点到异地边缘节点的链路传输速率，RLR为常数，在本地边缘节点到异地边缘节点的通信硬件安装完成之后，RLR也就确定了。
Figure BDA0003816034850000087
fR表示异地边缘节点的计算能力，用于衡量异地边缘节点的算力。
对于卸载到云计算中心执行的第k个计算任务，需要将第k个计算任务传输到云计算中心，再由云计算中心执行，所以第k个计算任务的时延与第k个计算任务从本地边缘节点传输到云计算中心的时间
Figure BDA0003816034850000088
以及第k个计算任务在云计算中心的执行时间
Figure BDA0003816034850000089
有关。
Figure BDA00038160348500000810
RLC表示本地边缘节点到云计算中心的链路传输速度，
Figure BDA00038160348500000811
Figure BDA00038160348500000812
W表示信道频带宽度，PLC为本地边缘节点的传输功率，G为本地边缘节点与云计算中心的信道增益，σ2为高斯噪声功率，由于PLC、G和σ2都为已知量，所以可以预先计算出RLC。
Figure BDA00038160348500000813
fC表示云计算中心的计算能力，用于衡量云计算中心的算力。其中，在不同的应用场景可以采用不同的计算量和计算能力的衡量指标，根据实际需要进行设置，本发明实施例不做限定。
可理解的是，为了简化时延模型，可以设置本地边缘节点与异地边缘节点具有相同的硬件结构，那么本地边缘节点与异地边缘节点的计算能力相同，并且本地边缘节点与各个异地边缘节点之间的链路传输速率相同。
例如，计算能力采用每秒浮点运算次数，计算量采用浮点运算数。
例如，本地边缘节点与异地边缘节点之间通过有线光纤传输信息，传输速率由通信基础设施确定，可认为是定值，RLR＝Rc，Rc表示有线光纤的链路传输速率。
在上述各实施例的基础上，进一步地，所述能耗模型为：
Figure BDA0003816034850000091
其中，Ek表示第k个计算任务的能耗，
Figure BDA0003816034850000092
Figure BDA0003816034850000093
表示第k个计算任务在本地边缘节点执行的能耗，bk表示第k个计算任务的数据量，ke表示本地边缘节点的单位数据量的执行能耗，
Figure BDA0003816034850000094
Figure BDA0003816034850000095
表示第k个计算任务从本地边缘节点传输到异地边缘节点的能耗，γe表示从本地边缘节点传输单位数据量到异地边缘节点的传输能耗，
Figure BDA0003816034850000096
Figure BDA0003816034850000097
表示第k个计算任务在异地边缘节点执行的能耗，kR表示异地边缘节点的单位数据量的执行能耗，
Figure BDA0003816034850000098
Figure BDA0003816034850000099
表示第k个计算任务从本地边缘节点传输到云计算中心的能耗，γc表示从本地边缘节点传输单位数据量到云计算中心的传输能耗，
Figure BDA00038160348500000910
Figure BDA00038160348500000911
表示第k个计算任务在云计算中心执行的能耗，kc表示云计算中心的单位数据量的执行能耗，xk＝{0，1}，yk＝{0，1}，xk＝1表示该任务在本地边缘节点执行，xk＝0表示第k个计算任务不在本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于N。
具体地，对于某个计算任务，会卸载到本地边缘节点、异地边缘节点和云计算中心中的一个执行。对于卸载到本地边缘节点执行的第k个计算任务，第k个计算任务的能耗与第k个计算任务在本地边缘节点执行的能耗
Figure BDA00038160348500000912
有关，
Figure BDA00038160348500000913
bk表示第k个计算任务的数据量，ke表示本地边缘节点的单位数据量的执行能耗。本地边缘节点的单位数据量的执行能耗可以通过实验测量获得。
对于卸载到异地边缘节点执行的第k个计算任务，需要将第k个计算任务传输到异地边缘节点，再由异地边缘节点执行，所以第k个计算任务的能耗与第k个计算任务从本地边缘节点传输到异地边缘节点的能耗
Figure BDA00038160348500000914
以及第k个计算任务在异地边缘节点执行的能耗有关，
Figure BDA0003816034850000101
γe表示从本地边缘节点传输单位数据量到异地边缘节点的传输能耗。
Figure BDA0003816034850000102
kR表示异地边缘节点的单位数据量的执行能耗。从本地边缘节点传输单位数据量到异地边缘节点的传输能耗和异地边缘节点的单位数据量的执行能耗都可以通过实验测量获得。
对于卸载到云计算中心执行的第k个计算任务，需要将第k个计算任务传输到云计算中心，再由云计算中心执行，所以第k个计算任务的能耗与第k个计算任务从本地边缘节点传输到云计算中心的能耗
Figure BDA0003816034850000103
以及第k个计算任务在云计算中心执行的能耗
Figure BDA0003816034850000104
有关。
Figure BDA0003816034850000105
γc表示从本地边缘节点传输单位数据量到云计算中心的传输能耗。
Figure BDA0003816034850000106
kc表示云计算中心的单位数据量的执行能耗。从本地边缘节点传输单位数据量到云计算中心的传输能耗和云计算中心的单位数据量的执行能耗可以通过实验测量获得。
可理解的是，为了简化时延模型，可以设置本地边缘节点与异地边缘节点具有相同的硬件结构，那么本地边缘节点与异地边缘节点的单位数据量的执行能耗相同，从本地边缘节点传输单位数据量到异地边缘节点的传输能耗相同。
本地边缘节点通过本发明实施例提供的边缘计算任务的卸载方法决定计算任务在本地边缘节点、异地边缘节点或者云计算中心其一卸载，因此，可以建立二层卸载模型。
二层卸载模型如图4所示，将本地边缘节点作为用户，将异地边缘节点和云计算中心最为服务端，为本地边缘节点提供计算服务。将拥有计算能力的服务端作为领导者(leader)，将用户作为跟随者(follower)。在博弈过程中，领导者(服务端)先对用户使用的计算资源进行定价，设定服务端m对用户k(第k个计算任务所在的本地边缘节点)的单位计算资源定价为pm，k，则各个服务端对每个用户的资源定价表示为P＝{p1，1，p1，2…，p1，K，p2，1，p2，2…，p2，K，…，pM，1，pM，2…，pM，K}。
在上述各实施例的基础上，进一步地，所述用户端激励模型为：
Figure BDA0003816034850000107
其中，maxV表示用户端效用极大值，Tk表示第k个计算任务的时延，Ek表示第k个计算任务的能耗，wk表示第k个计算任务的计算量，pm，k表示第m个服务端对第k个计算任务的资源定价，Q表示奖励倍数，xk＝{0，1}，yk＝{0，1}，xk＝1表示该任务卸载到本地边缘节点执行，xk＝0表示第k个计算任务不卸载到本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于K，m为正整数且m小于等于M，M为异地边缘节点的总数量和云计算中心的总数量之和，所述服务端为一个异地边缘节点或者一个云计算中心。
具体地，用户端激励模型是考虑时延、能耗和激励价格建立的。对异地边缘节点额外提供原本收益的Q倍奖励，奖励异地边缘节点参与到计算任务的卸载过程。与云计算中心相比，存在离本地边缘节点更近异地边缘节点，计算任务卸载到异地边缘节点，比卸载到云计算中心，时延和能耗会更低，因此可以给异地边缘节点增加额外奖励。
对各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及各个计算任务的激励价格求和，构建用户端激励模型。
在上述各实施例的基础上，进一步地，所述服务端激励模型为：
Figure BDA0003816034850000111
其中，max U表示服务端效用极大值，wk表示第k个计算任务的计算量，pm，k表示第m个服务端对第k个计算任务的资源定价，xk＝{0，1}，yk＝{0，1}，xk＝1表示第k个计算任务卸载到本地边缘节点执行，Q表示奖励倍数，xk＝0表示第k个计算任务卸载到服务端执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于K，m为正整数且m小于等于M，M为异地边缘节点的总数量和云计算中心的总数量之和，所述服务端为一个异地边缘节点或者一个云计算中心。
图5是本发明第五实施例提供的边缘计算任务的卸载方法的流程示意图，如图5所示，在上述各实施例的基础上，进一步地，本发明实施例提供的边缘计算任务的卸载方法还包括：
S501、获取所述任务卸载结果中每个服务端的空闲处理数量；其中，所述服务端的空闲处理数量是指服务端当前能够即时处理的计算任务的实际数量；
具体地，由于异地边缘节点和云计算中心可能存在其他任务需要处理，或者虽然能够分担一定数量的计算任务，但不一定分担任务卸载结果中分配的所有计算任务。所述本地边缘节点可以获取各个服务端的空闲处理数量，所述服务端的空闲处理数量是指服务端当前能够即时处理的计算任务的实际数量。其中，服务端为异地边缘节点或者云计算中心。
例如，所述本地边缘节点向所述任务卸载结果中的各个服务端发送协同处理请求，所述任务卸载结果中的各个服务端向所述本地边缘节点返回的空闲处理数量。比如，每个计算任务需要占用一个进程，如果一个服务端能够同时运行100个进程，当前已经运行了80个进程，那么还剩余20个进程，该服务端的空闲处理数量为20。
S502、若判断获知所述任务卸载结果中存在空闲处理数量小于卸载数量的服务端，则统计滞留计算任务总量；其中，服务端的卸载数量是指所述任务卸载结果中卸载给服务端处理的计算任务的数量；滞留计算任务总量等于所有滞留服务端的卸载数量减去空闲处理数量的差的和；滞留服务端是指空闲处理数量小于卸载数量的服务端；
具体地，所述本地边缘节点将所述任务卸载结果中的每个服务端的空闲处理数量与每个服务端的卸载数量进行比较，获得空闲处理数量小于卸载数量的服务端，空闲处理数量小于卸载数量说明服务端不能即时处理将要卸载给服务端的所有计算任务。所述本地边缘节点计算每个滞留服务端的卸载数量减去空闲处理数量的差，获得每个滞留服务端对应的超额数量，然后计算各个滞留服务端对应的超额数量之和，作为滞留计算任务总量。
S503、对滞留计算任务总量的计算任务重新进行计算任务卸载。
具体地，对于滞留计算任务总量的计算任务，由于不能即时进行处理，会导致计算任务的处理延时。所述本地边缘节点将N个计算任务的任务卸载结果中的除了滞留计算任务总量的计算任务以外的计算任务卸载到相应的节点进行处理，对滞留计算任务总量的计算任务重新进行计算任务卸载，即重复步骤S202、步骤S203和步骤S204的流程，对滞留计算任务总量的计算任务进行卸载，可理解是，在对滞留计算任务总量的计算任务重新进行计算任务卸载时，滞留服务端由于不再空闲，不会参与到滞留计算任务总量的计算任务的卸载过程。
可理解的是，所述本地边缘节点在对N个计算任务进行卸载之前，可以向各个服务端发送协同处理请求，各个服务端向所述本地边缘节点返回的空闲处理数量。对于空闲处理数量为0的服务端，不参与此次N个计算任务的卸载。
可理解的是，为了提高计算任务的卸载效率，本地边缘节点可以估算本地边缘节点当前能够处理的计算任务的数量S，从N个计算任务中减去本地边缘节点当前能够处理的计算任务的数量S，若N-S大于0，则对剩余的N-S个计算任务进行卸载，即完全卸载的情况。若N-S小于等于0，说明本地边缘节点能够处理N个计算任务。
针对完全卸载的情况，由于不需要考虑本地边缘节点对计算任务的处理，xk＝0，对时延模型进行简化，获得完全卸载时的时延模型为：
Figure BDA0003816034850000131
同理，xk＝0，对能耗模型进行简化，获得完全卸载时的能耗模型为：
Figure BDA0003816034850000132
同理，xk＝0，对用户端激励模型进行简化，获得完全卸载时的用户端激励模型为：
Figure BDA0003816034850000133
同理，xk＝0，对服务端激励模型进行简化，获得完全卸载时的服务端激励模型为：
Figure BDA0003816034850000134
根据完全卸载时的用户端效用函数和服务端效用函数，可以获得N-S个计算任务的任务卸载结果。具体实现过程与步骤S204类似，此处不进行赘述。
图6是本发明第六实施例提供的银行监控系统的结构示意图，如图6所示，本发明实施例提供的银行监控系统包括云监控中心601、各个银行网点的监控服务器602和部署在每个银行网点的各个摄像头603，其中：
云监控中心601与每个监控服务器602通信连接，各个监控服务器602之间通信连接，每个银行网点的监控服务器602与每个银行网点的各个摄像头603分别通信连接。
银行网点的各个摄像头603将视频数据传输给银行网点的监控服务器602，监控服务器602用于基于视频数据进行异常识别，监控服务器602会生成异常识别任务。
监控服务器602会将异常识别任务作为计算任务，执行本发明实施例提供的边缘计算任务的卸载方法，将异常识别任务卸载到本地监控服务器、异地监控服务器或者云监控中心执行。
图7是本发明第七实施例提供的边缘计算任务的卸载装置的结构示意图，如图7所示，本发明实施例提供的边缘计算任务的卸载装置包括获取模块701、获得模块702、建立模块703和卸载模块704，其中：
获取模块701用于获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；获得模块702用于根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型和所述能耗模型是预先建立的；建立模块703用于根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；卸载模块704用于根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
具体地，获取模块701获取当前需要处理的N个计算任务，每个计算任务包括两个属性，数据量和计算量。计算任务的数据量是指计算任务的需要处理的数据大小。计算任务的计算量根据实际需要进行设置，比如为需要占用的CPU的算力，本发明实施例不做限定。
对于每个计算任务，获得模块702将计算任务的数据量和计算量代入到时延模型中，可以获得计算任务的时延代价函数，计算任务的时延代价函数用于估算完成计算任务的时间消耗。对于每个计算任务，所述本地边缘节点将计算任务的计算量代入到能耗模型中，可以获得计算任务的能耗代价函数，计算任务的能耗代价函数用于估算完成计算任务的能量消耗。其中，所述时延模型和所述能耗模型是预先建立的。
建立模块703将各个计算任务的时延代价函数、各个计算任务的能耗代价函数代入到用户端激励模型中，可以获得用户端效用函数。所述将N个计算任务的计算量代入到服务端激励模型中，可以获得服务端效用函数。其中，服务端激励模型和用户端激励模型是预先建立的。
卸载模块704基于所述用户端效用函数和所述服务端效用函数进行优化求解，获得使服务端收益和用户端代价的平衡的任务卸载结果作为N个计算任务的任务卸载结果，即用户端效用函数和服务端效用函数均取得极大值情况下的N个计算任务的任务卸载结果。任务卸载结果包括N个计算任务的分配情况，即哪些计算任务在本地边缘节点处理，哪些计算任务在哪个异地边缘节点处理，哪些计算任务在云计算中心处理。其中，对于一个计算任务只会卸载到一个节点进行处理，该节点为本地边缘节点、云计算中心或者异地边缘节点。
本发明实施例提供的边缘计算任务的卸载装置，能够获取N个计算任务以及每个计算任务的数据量和计算量，根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数，根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数，根据用户端效用函数和服务端效用函数，获得N个计算任务的任务卸载结果，通过时延、能耗以及激励价格三个因素的考虑，在本地边缘节点、异地边缘节点和云计算中心进行计算任务的卸载，提高了计算任务的处理效率。此外，通过引入异地边缘节点执行计算任务，使异地边缘节点能够参与到本地边缘节点的计算任务，提高了边缘节点的资源利用率。
图8是本发明第八实施例提供的边缘计算任务的卸载装置的结构示意图，如图8所示，在上述各实施例的基础上，进一步地，卸载模块704包括初始化单元7041、第一获得单元7042、第二获得单元7043和判断单元7044，其中：
初始化单元7041用于初始化资源定价策略，获得初始资源定价策略；其中，所述资源定价策略包括各个服务端对本地用户端的资源定价；所述用户端效用函数和所述服务端效用函数包括所述资源定价策略；第一获得单元7042用于基于所述初始资源定价策略和用户端效用函数，获得用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数；第二获得单元7043用于根据用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数值以及所述服务端效用函数，获得服务端效用函数取得极大值时的资源定价策略；判断单元7044用于在判断获知所述服务端效用函数取得极大值时的资源定价策略使得用户端效用函数取得极大值之后，获取用户端效用函数取得极大值时的N个计算任务的任务卸载结果作为N个计算任务的任务卸载结果；否则，重新初始化资源定价策略直到用户端效用函数和服务器效用函数均取得极大值。
在上述各实施例的基础上，进一步地，所述时延模型为：
Figure BDA0003816034850000151
其中，Tk表示第k个计算任务的时延，
Figure BDA0003816034850000152
Figure BDA0003816034850000153
表示第k个计算任务在本地边缘节点的执行时间，wk表示第k个计算任务的计算量，fL表示本地边缘节点的计算能力，
Figure BDA0003816034850000161
Figure BDA0003816034850000162
表示第k个计算任务从本地边缘节点传输到异地边缘节点的时间，bk表示第k个计算任务的数据量，RLR表示本地边缘节点到异地边缘节点的链路传输速率，
Figure BDA0003816034850000163
Figure BDA0003816034850000164
表示第k个计算任务在异地边缘节点的执行时间，fR表示异地边缘节点的计算能力，
Figure BDA0003816034850000165
Figure BDA0003816034850000166
表示第k个计算任务从本地边缘节点传输到云计算中心的时间，RLC表示本地边缘节点到云计算中心的链路传输速度，
Figure BDA0003816034850000167
Figure BDA0003816034850000168
表示第k个计算任务在云计算中心的执行时间，fC表示云计算中心的计算能力，xk＝{0,1},yk＝{0,1}，xk＝1表示第k个计算任务卸载到本地边缘节点执行，xk＝0表示第k个计算任务不在本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于N。
在上述各实施例的基础上，进一步地，所述能耗模型为：
Figure BDA0003816034850000169
其中，Ek表示第k个计算任务的能耗，
Figure BDA00038160348500001610
Figure BDA00038160348500001611
表示第k个计算任务在本地边缘节点执行的能耗，bk表示第k个计算任务的数据量，ke表示本地边缘节点的单位数据量的执行能耗，
Figure BDA00038160348500001612
Figure BDA00038160348500001613
表示第k个计算任务从本地边缘节点传输到异地边缘节点的能耗，γe表示从本地边缘节点传输单位数据量到异地边缘节点的传输能耗，
Figure BDA00038160348500001614
Figure BDA00038160348500001615
表示第k个计算任务在异地边缘节点执行的能耗，kR表示异地边缘节点的单位数据量的执行能耗，
Figure BDA00038160348500001616
Figure BDA00038160348500001617
表示第k个计算任务从本地边缘节点传输到云计算中心的能耗，γc表示从本地边缘节点传输单位数据量到云计算中心的传输能耗，
Figure BDA00038160348500001618
Figure BDA00038160348500001619
表示第k个计算任务在云计算中心执行的能耗，kc表示云计算中心的单位数据量的执行能耗，xk＝{0,1},yk＝{0,1}，xk＝1表示该任务在本地边缘节点执行，xk＝0表示第k个计算任务不在本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于N。
在上述各实施例的基础上，进一步地，所述用户端激励模型为：
Figure BDA00038160348500001620
其中，maxV表示用户端效用极大值，Tk表示第k个计算任务的时延，Ek表示第k个计算任务的能耗，wk表示第k个计算任务的计算量，pm，k表示第m个服务端对第k个计算任务的资源定价，Q表示奖励倍数，xk＝{0，1}，yk＝{0，1}，xk＝1表示该任务卸载到本地边缘节点执行，xk＝0表示第k个计算任务不卸载到本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于K，m为正整数且m小于等于M，M为异地边缘节点的总数量和云计算中心的总数量之和，所述服务端为一个异地边缘节点或者一个云计算中心。
在上述各实施例的基础上，进一步地，所述服务端激励模型为：
Figure BDA0003816034850000171
其中，max U表示服务端效用极大值，wk表示第k个计算任务的计算量，pm，k表示第m个服务端对第k个计算任务的资源定价，xk＝{0，1}，yk＝{0，1}，xk＝1表示第k个计算任务卸载到本地边缘节点执行，Q表示奖励倍数，xk＝0表示第k个计算任务卸载到服务端执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于K，m为正整数且m小于等于M，M为异地边缘节点的总数量和云计算中心的总数量之和，所述服务端为一个异地边缘节点或者一个云计算中心。
图9是本发明第九实施例提供的边缘计算任务的卸载装置的结构示意图，如图9所示，在上述各实施例的基础上，进一步地，本发明实施例提供的边缘计算任务的卸载装置还包括数量获取模块705、统计模块706和重卸载模块707，其中：
数量获取模块705用于获取所述任务卸载结果中每个服务端的空闲处理数量；其中，所述服务端的空闲处理数量是指服务端当前能够即时处理的计算任务的实际数量；统计模块706若判断获知所述任务卸载结果中存在空闲处理数量小于卸载数量的服务端，则统计滞留计算任务总量；其中，服务端的卸载数量是指所述任务卸载结果中卸载给服务端处理的计算任务的数量；滞留计算任务总量等于滞留服务端的卸载数量减去空闲处理数量的差的和；滞留服务端是指空闲处理数量小于卸载数量的服务端；重卸载模块707用于对滞留计算任务总量的计算任务重新进行计算任务卸载。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
需要说明的是，本发明实施例提供的边缘计算任务的卸载方法及装置可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对边缘计算任务的卸载方法及装置的应用领域不做限定。
图10是本发明第十实施例提供的电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1001、通信接口(Communications Interface)1002、存储器(memory)1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令，以执行如下方法：获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型和所述能耗模型是预先建立的；根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
此外，上述的存储器1003中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型和所述能耗模型是预先建立的；根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型和所述能耗模型是预先建立的；根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种边缘计算任务的卸载方法，其特征在于，包括：
获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；
根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型和所述能耗模型是预先建立的；
根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；
根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果包括：
初始化资源定价策略，获得初始资源定价策略；其中，所述资源定价策略包括各个服务端对本地用户端的资源定价；所述用户端效用函数和所述服务端效用函数包括所述资源定价策略；
基于所述初始资源定价策略和用户端效用函数，获得用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数；
根据用户端效用函数取得极大值时的N个计算任务的任务卸载结果和奖励倍数以及所述服务端效用函数，获得服务端效用函数取得极大值时的资源定价策略；
若判断获知所述服务端效用函数取得极大值时的资源定价策略使得用户端效用函数取得极大值，则重新获取用户端效用函数取得极大值时的N个计算任务的任务卸载结果作为N个计算任务的任务卸载结果；否则，重新初始化资源定价策略直到用户端效用函数和服务器效用函数均取得极大值。
3.根据权利要求1所述的方法，其特征在于，所述时延模型为：
Figure FDA0003816034840000011
其中，Tk表示第k个计算任务的时延，
Figure FDA0003816034840000012
Figure FDA0003816034840000013
表示第k个计算任务在本地边缘节点的执行时间，wk表示第k个计算任务的计算量，fL表示本地边缘节点的计算能力，
Figure FDA0003816034840000021
Figure FDA0003816034840000022
表示第k个计算任务从本地边缘节点传输到异地边缘节点的时间，bk表示第k个计算任务的数据量，RLR表示本地边缘节点到异地边缘节点的链路传输速率，
Figure FDA0003816034840000023
Figure FDA0003816034840000024
表示第k个计算任务在异地边缘节点的执行时间，fR表示异地边缘节点的计算能力，
Figure FDA0003816034840000025
Figure FDA0003816034840000026
表示第k个计算任务从本地边缘节点传输到云计算中心的时间，RLC表示本地边缘节点到云计算中心的链路传输速度，
Figure FDA0003816034840000027
Figure FDA0003816034840000028
表示第k个计算任务在云计算中心的执行时间，fC表示云计算中心的计算能力，xk＝{0，1}，yk＝{0，1}，xk＝1表示第k个计算任务卸载到本地边缘节点执行，xk＝0表示第k个计算任务不在本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于N。
4.根据权利要求1所述的方法，其特征在于，所述能耗模型为：
Figure FDA0003816034840000029
其中，Ek表示第k个计算任务的能耗，
Figure FDA00038160348400000210
Figure FDA00038160348400000211
表示第k个计算任务在本地边缘节点执行的能耗，bk表示第k个计算任务的数据量，ke表示本地边缘节点的单位数据量的执行能耗，
Figure FDA00038160348400000212
Figure FDA00038160348400000213
表示第k个计算任务从本地边缘节点传输到异地边缘节点的能耗，γe表示从本地边缘节点传输单位数据量到异地边缘节点的传输能耗，
Figure FDA00038160348400000214
Figure FDA00038160348400000215
表示第k个计算任务在异地边缘节点执行的能耗，kR表示异地边缘节点的单位数据量的执行能耗，
Figure FDA00038160348400000216
Figure FDA00038160348400000217
表示第k个计算任务从本地边缘节点传输到云计算中心的能耗，γc表示从本地边缘节点传输单位数据量到云计算中心的传输能耗，
Figure FDA00038160348400000218
Figure FDA00038160348400000219
表示第k个计算任务在云计算中心执行的能耗，kc表示云计算中心的单位数据量的执行能耗，xk＝{0，1}，yk＝{0，1}，xk＝1表示该任务在本地边缘节点执行，xk＝0表示第k个计算任务不在本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于N。
5.根据权利要求1所述的方法，其特征在于，所述用户端激励模型为：
Figure FDA00038160348400000220
其中，maxV表示用户端效用极大值，Tk表示第k个计算任务的时延，Ek表示第k个计算任务的能耗，wk表示第k个计算任务的计算量，pm，k表示第m个服务端对第k个计算任务的资源定价，Q表示奖励倍数，xk＝{0，1}，yk＝{0，1}，xk＝1表示该任务卸载到本地边缘节点执行，xk＝0表示第k个计算任务不卸载到本地边缘节点执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于K，m为正整数且m小于等于M，M为异地边缘节点的总数量和云计算中心的总数量之和，所述服务端为一个异地边缘节点或者一个云计算中心。
6.根据权利要求1所述的方法，其特征在于，所述服务端激励模型为：
Figure FDA0003816034840000031
其中，max U表示服务端效用极大值，wk表示第k个计算任务的计算量，pm，k表示第m个服务端对第k个计算任务的资源定价，xk＝{0，1}，yk＝{0，1}，xk＝1表示第k个计算任务卸载到本地边缘节点执行，Q表示奖励倍数，xk＝0表示第k个计算任务卸载到服务端执行，yk＝1表示第k个计算任务卸载到异地边缘节点执行，yk＝0表示将第k个计算任务卸载到云计算中心执行，k为正整数且k小于等于K，m为正整数且m小于等于M，M为异地边缘节点的总数量和云计算中心的总数量之和，所述服务端为一个异地边缘节点或者一个云计算中心。
7.根据权利要求1至6任一项所述的方法，其特征在于，还包括：
获取所述任务卸载结果中每个服务端的空闲处理数量；其中，所述服务端的空闲处理数量是指服务端当前能够即时处理的计算任务的实际数量；
若判断获知所述任务卸载结果中存在空闲处理数量小于卸载数量的服务端，则统计滞留计算任务总量；其中，服务端的卸载数量是指所述任务卸载结果中卸载给服务端处理的计算任务的数量；滞留计算任务总量等于滞留服务端的卸载数量减去空闲处理数量的差的和；滞留服务端是指空闲处理数量小于卸载数量的服务端；
对滞留计算任务总量的计算任务重新进行计算任务卸载。
8.一种边缘计算任务的卸载装置，其特征在于，包括：
获取模块，用于获取N个计算任务以及每个计算任务的数据量和计算量；其中，N为正整数；
获得模块，用于根据每个计算任务的数据量和计算量以及时延模型，获得每个计算任务的时延代价函数，并根据每个计算任务的数据量以及能耗模型，获得每个计算任务的能耗代价函数；其中，所述时延模型和所述能耗模型是预先建立的；
建立模块，用于根据各个计算任务的时延代价函数、各个计算任务的能耗代价函数以及用户端激励模型，建立用户端效用函数，并根据N个计算任务的计算量以及服务端激励模型，建立服务端效用函数；其中，所述服务端激励模型和用户端激励模型是预先建立的；
卸载模块，用于根据所述用户端效用函数和所述服务端效用函数，获得N个计算任务的任务卸载结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
CN202211029664.1A 2022-08-25 2022-08-25 一种边缘计算任务的卸载方法及装置 Pending CN115686821A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211029664.1A CN115686821A (zh) 2022-08-25 2022-08-25 一种边缘计算任务的卸载方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211029664.1A CN115686821A (zh) 2022-08-25 2022-08-25 一种边缘计算任务的卸载方法及装置

Publications (1)

Publication Number Publication Date
CN115686821A true CN115686821A (zh) 2023-02-03

Family

ID=85060986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211029664.1A Pending CN115686821A (zh) 2022-08-25 2022-08-25 一种边缘计算任务的卸载方法及装置

Country Status (1)

Country Link
CN (1) CN115686821A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116069414A (zh) * 2023-03-06 2023-05-05 湖北工业大学 一种电力物联网计算任务卸载激励优化方法和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116069414A (zh) * 2023-03-06 2023-05-05 湖北工业大学 一种电力物联网计算任务卸载激励优化方法和存储介质
CN116069414B (zh) * 2023-03-06 2023-06-09 湖北工业大学 一种电力物联网计算任务卸载激励优化方法和存储介质

Similar Documents

Publication Publication Date Title
CN112181666B (zh) 一种基于边缘智能的设备评估和联邦学习重要性聚合方法
CN110971706A (zh) Mec中近似最优化与基于强化学习的任务卸载方法
CN114340016B (zh) 一种电网边缘计算卸载分配方法及系统
CN111093203A (zh) 一种基于环境感知的服务功能链低成本智能部署方法
CN111176820A (zh) 一种基于深度神经网络的边缘计算任务的分配方法及装置
CN113660325B (zh) 一种基于边缘计算的工业互联网任务卸载策略
CN111898484A (zh) 生成模型的方法、装置、可读存储介质及电子设备
CN116669111A (zh) 一种基于区块链的移动边缘计算任务卸载方法
CN115686821A (zh) 一种边缘计算任务的卸载方法及装置
CN112261120A (zh) 一种配电物联网云边协同任务卸载方法及装置
CN112312299A (zh) 服务卸载方法、装置及系统
CN111106960B (zh) 一种虚拟网络的映射方法、映射装置及可读存储介质
CN113703970B (zh) 基于拍卖机制的服务器资源分配方法、装置、设备及介质
CN113687876B (zh) 信息处理方法、自动驾驶控制方法和电子设备
CN115208518A (zh) 数据传输控制方法、装置及计算机可读存储介质
CN115242800B (zh) 一种基于博弈论的移动边缘计算资源优化方法及装置
CN111158893A (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
CN110362952B (zh) 一种快速计算任务分流方法
CN111124439A (zh) 一种云边协同的智能动态卸载算法
CN116827515A (zh) 一种基于区块链和强化学习的雾计算系统性能优化算法
CN115665160A (zh) 一种面向电力安全工器具的多接入边缘计算系统及方法
CN114997401A (zh) 自适应推理加速方法、装置、计算机设备和存储介质
CN118170524B (zh) 基于强化学习的任务调度方法、装置、设备、介质及产品
CN117812564B (zh) 一种应用于车联网的联邦学习方法、装置、设备及介质
US20240070518A1 (en) Smart communication in federated learning for transient and resource-constrained mobile edge devices

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination