[发明专利]一种移动边缘环境下工作流卸载优化方法

说明书

本发明公开了一种移动边缘环境下工作流卸载优化方法，包括以下步骤：步骤S1.构建移动边缘环境下的工作流调度模型；步骤S2.根据拓扑结构寻找基于工作流本地计算量计算关键路径，将关键路径上的节点和剩余节点分别存入关键节点队列和剩余节点队列中并等待调度；步骤S3.将eNB节点抽象成拓扑结构后，根据用户历史移动路径并结合预测模型得到符合条件的eNB集，并根据预测概率、预测速度和预测方向筛选最优可卸载eNB并将其提供给用户执行任务卸载；步骤S4.分别将任务按调度策略动态的分为在本地执行或卸载至边缘侧执行，并在调度过程中动态更新关键路径；步骤S5.根据调度结果分配任务至移动边缘环境下的设备，直至完成整个工作流的调度。

技术领域

本发明涉及移动边缘计算环境技术领域，尤其涉及一种移动边缘环境下工作流卸载优化方法。

背景技术

随着智能手机的不断发展以及诸如人脸识别、自然语言处理、VR等技术的不断出现，用户对移动设备便携式的管理以及处理大量及时性的信息等方面的需求也逐渐增长。而在这一情况下，如何保证移动设备在计算能力和电池容量受限的情况下，设备仍能保持高性能是本领域有待解决的一个技术问题，在应对边缘环境中网络环境变化时，基于静态调度的应对策略存在实时性差，同时基于边缘侧选择的策略存在卸载失败率高的问题，从而导致工作流的调度产生大量时间和能源的消耗。主要包括以下两个方面：1、保证任务能够较为合理的卸载至边缘侧，以减少卸载失败率。2、在移动边缘计算环境中真实的网络环境是研究移动边缘计算调度的一个必要考虑因素，不合理的任务卸载会导致设备产生大量时间和能源的消耗，因此需要对任务进行实时的调度。

故，针对现有技术的缺陷，实有必要提出一种技术方案以解决现有技术存在的技术问题。

发明内容

有鉴于此，确有必要提供一种移动边缘环境下工作流卸载优化方法，基于本地计算量的关键路径算法对用户提交的工作流进行调度，并在此基础上提出了面向边缘侧卸载优化的策略，该策略通过隐性马尔科夫模型得到可卸载eNB(eNodeB,演进型基站)集，再基于速度与偏移量筛选最优eNB，从而将用户需要卸载的任务迁移至该节点执行，在调度过程中通过动态更新关键路径，弥补了移动边缘环境下任务调度缺少即时调度能力的缺陷，保证了调度的实时性并确保计算密集型任务能卸载至边缘侧执行。

为了克服现有技术的缺陷，本发明的技术方案如下：

一种移动边缘环境下工作流卸载优化方法，包括以下步骤：

步骤S1.构建移动边缘环境下的工作流调度模型；

步骤S2.根据拓扑结构寻找基于工作流本地计算量计算关键路径，将关键路径上的节点和剩余节点分别存入关键节点队列和剩余节点队列中并等待调度；

步骤S3.将eNB节点抽象成拓扑结构后，根据用户历史移动路径并结合预测模型得到符合条件的eNB集，并根据预测概率、预测速度和预测方向筛选最优可卸载eNB并将其提供给用户执行任务卸载；

步骤S4.分别将任务按调度策略分为在本地执行或卸载至边缘侧执行；

步骤S5.根据调度结果分配任务至移动边缘环境下的设备，直至完成整个工作流的调度；

其中，所述步骤S1进一步包括以下步骤：

步骤S11.UE将任务卸载至边缘侧以减少本地的计算负担，在传输过程中传输速率受信噪比的影响，UE与任务卸载节点的传输信噪比可表示为：