[发明专利]一种基于网络时延和资源管理的优化任务卸载方法

权利要求书

1.一种基于网络时延和资源管理的优化任务卸载方法，其特征在于，任务卸载方式为MUB按照一定的比例将原始任务划分为多个子任务，并分别卸载至不同类型的雾节点进行处理；设MUB将任务划分为三部分，分别卸载到BN，FN和MN，设任务的总任务量为Q_n，卸载到BN、FN和MN的任务量占总任务量的比例分别为α，β，γ，满足0≤α≤1，0≤β≤1，0≤γ≤1及α+β+γ＝1，包括以下步骤：

步骤1收益分析

根据Nakamoto的定义，安装了区块链应用程序的移动用户MUB(Mobile User withBlockchain)能够获取虚拟货币的概率与PoW(Proof of Work)难题的数据量之间存在线性关系；MUB计算的任务数量越多，其获得奖励的概率就越大，预期收益就越高；设任务的任务量为Q_n，执行完此任务MUB能够获得数字货币奖励的概率为p_income，则MUB获取的收益表达为：

U_exp＝p_incomeQ_n (1)

步骤2时延分析

设基站处部署了a个雾服务器，其计算能力均为f_bn；将任务量为αQ_n的PoW难题迁移至基站雾节点，需要的传输时间表述为：

为MUB到基站之间的信道速率；W_i代表信道i的带宽，P_m为MUB的发射功率，为信道增益，ω_i和I_i分别代表信道i的噪声和干扰；

将任务迁移至基站雾服务器BN(Base station-based fog Node)进行求解需要的计算时间为：

进一步得到将任务卸载至BN所花费的总时间为：

此外，设在MUB的通信范围内有b个计算能力均为f_fn的固定位置雾服务器，则将任务量为βQ_n的PoW难题迁移至固定位置雾服务器FN(Fixed-location fog Node)需要的传输时间表述为：

代表MUB到第j个FN间的达信道速率；W_j为信道j的带宽，P_m为MUB的发射功率，为信道增益，ω_j和I_j分别代表信道j的噪声和干扰；

任务在FN处进行计算所需要的计算由下式给出：

则将任务卸载到FN需要执行的总时间为：

再设在MUB的通信范围内有c个具有相同计算能力f_mn的移动雾服务器，则将任务量为γQ_n的PoW难题迁移至MN花费的传输时间表述为：

代表MUB到第k个MN间的信道速率；W_k为信道带宽，P_m为MUB的发射功率，为信道增益，ω_k和I_k分别代表信道k的噪声和干扰；

MN处理数据所需要的时间为：

则将任务卸载至MN需要的总时间表述为：

根据上述分析，成功求解PoW难题的总时延以表述为：

T_s＝arg max(T^bn,T^fn,T^mn)+T_back (11)

式中，T_back代表某个网络节点成功解决PoW难题后，通过回传链路将交易记录信息传回MUB所消耗的时间；由于成功求解PoW难题后的回传信息是区块链系统中的交易记录，与PoW难题的任务量相比而言，此交易记录的数据量极小，在许多研究中均将其设置为0，采用同样的分析方法，最终得到任务执行时延的表达式为：

T_s＝arg max(T^bn,T^fn,T^mn) (12)

步骤3一阶段支出分析

将节点的剩余资源和总资源均视为影响雾节点报价的因素，目的是将三种类型的雾节点的报价置于相同的标准上进行比较，提升节点间报价的公平性，方便MUB选择最为经济的任务卸载方式；三种类型的雾节点的单位报价表述为：

式中，和分别代表基站雾节点的总存储资源、总计算资源和总功率资源；s^bn(t)、c^bn(t)和e^bn(t)则分别代表t时刻剩余的存储资源、计算资源和功率资源；和为权重值，分别代表三种不同类型的资源对价格的影响；不同类型的雾节点对每种资源的侧重不同，如MN对功率资源较为重视，故的取值会高于和同时也高于和式(14)和(15)中的符号定义和上述分析一致；

步骤4二阶段支出分析

设MUB消耗在第二阶段内的总时间为T_s2；

代表MUB和第i个RMUB通过讨价还价达成交易所花费的时间，设网络中MUB的个数为m，构成集合M＝{1,2,3…m}，再设最终与MUB达成交易的RMUB的个数为n，构成集合N＝{1,2,3…n}，成立；则MUB在第二阶段内消耗的时间表达为：

此外，m和n间满足下述关系：

经过T_s2时间之后交易完成，设MUB在此期间支付给每个RMUB的费用为C_i(t)i＝1,2...n，则MUB在第二阶段内的总花销表述为

还包括步骤5数学建模

根据Nakamoto的定义，MUB的最终收益等于其预期收益减去第一、第二阶段内的花销，所以，MUB的最终收益表述为：

U_u＝Q_np_income-C_s1-C_s2 (19)

相应地，最大化MUB收益的优化模型表达为：

限制条件C1将总时延限制在T_τ范围内以保证MUB解决PoW的速度；C2和C3则是将总任务划分为子任务分别卸载到BN，FN和MN以达到降低执行任务总时长的目的；C4式则保证在第二阶段内，MUB能够与网络中51％的RMUB达成一致，获得虚拟货币奖励；C5单独对第二阶段的时延进行要求，确保在第二阶段内消耗的总时间不能超过消息的生存时长TTL；

考虑到MUB挖矿的过程主要分为两个阶段，同时由于优化目标中的总支出也分别由两个阶段的支出组成，在松弛上述模型的过程中，同时将原优化模型分解为两个次优化模型，分别对MUB在两个阶段中的支出进行优化；其次，在任务量固定的条件下，最大化MUB的收益等同于最小化其开销，所以在将原始问题进行松弛之后进一步将原始优化模型的优化目标进行转换；

步骤5最终得到两个子优化模型，分别表述为：

子优化模型1：

子优化模型2：

由于子优化模型1的优化目标与约束条件之间存在非线性关系，所以利用适合解决此类问题的模拟退火算法对其进行求解；而对于子优化模型2，由于存在MUB和RMUB间的讨价还价，所以使用适合解决讨价还价问题的Rubinstein-Stahl博弈对其进行求解。