[发明专利]物联网边缘计算任务卸载方法及系统

说明书

本发明实施例提供物联网边缘计算任务卸载方法及系统。该方法包括：获取物联网边缘计算网络的场景模型；基于深度强化学习PPO算法，设计任务卸载策略，定义环境状态向量和行为向量；根据环境状态变量和行为向量设定预设任务请求规定，基于预设任务请求规定完成所述场景模型中若干网元的计算任务卸载请求。本发明实施例通过在物联网场景下引入边缘计算技术和深度强化学习技术，利用深度强化学习中的PPO算法逐步学习，完善其神经网络模型，应用更优的边缘计算任务卸载策略，在保证复杂度不高的情况下，可以灵活地降低网络时延。

技术领域

本发明涉及网络资源分配技术领域，尤其涉及物联网边缘计算任务卸载方法及系统。

背景技术

云计算作为一种网络的重要计算应用模式，快速推动互联网的发展，高速且可靠的空中接口使得远端的云数据中心可以对应用设备进行计算服务。然而，云数据中心与边缘设备之间较长的数据传输链路导致了移动互联网应用的长响应时延，无法满足现如今大部分时延敏感性互联网应用的需求，由此产生了边缘计算技术。边缘计算技术具有低时延、低带宽成本、高安全性、高弹性等特点，这些特点使得边缘计算的应用场景十分广泛，目前常被应用到智能穿戴设备、视频流分析、语言语音处理、物联网无线传感器、增强现实技术等多种场景。边缘计算通过部署多个边缘服务器，将数据中心的部分计算、存储能力下放到网络的边缘侧，从而大幅缩短数据的传输链路长度，减小网络的传递时延。

传统物联网场景主要是将设备、环境以及人在生产生活时所产生的数据采集统计到远端的云数据中心，随后利用云服务器的软件系统以及强大的计算能力对数据进行筛选、分析或者预测，从而获得场景的状况，移动物联网在此基础上更增加了设备以及环境在位置上变化的考量。然而，随着物联网范畴的不断扩张，涉及的场景越来越广阔，设备性能不断变化，且部分设备具有了很强的计算能力，使得网络结构更加复杂化，同时急速膨胀的连网终端设备数量带来了更多高智能计算的需求。在云计算应用模式中云功能的分散使得网络使用效率低下，且如果在这种情况下将云端的计算服务下放到边缘侧将导致网络连接的复杂与混乱，而现如今通过云融合技术形成云间的网络协同，并通过边缘计算技术提高网络效率，从而满足移动物联网的需求。

现有技术中针对上述问题，提出了一些解决方案：

方案一：移动边缘计算服务器的资源分配方法包括：根据用户的计算任务需求和缓存任务需求判断本地基站服务器是否满足用户的计算任务需求和缓存任务需求，如果满足，则所述本地基站服务器为用户提供服务；否则，则所述本地基站服务器向所属核心移动边缘计算服务器发出资源调用请求；判断所述核心移动边缘计算服务器是否满足用户的计算任务需求和缓存任务需求，如果满足，则所述核心移动边缘计算服务器为用户提供服务；否则，利用所属云端服务器为用户提供服务。

方案二：涉及方法包含以下步骤：A：建立移动边缘计算网络模型、本地计算模型、边缘云计算模型、用户的效用函数和云服务商效用函数；B：根据步骤A中建立的模型和函数,将保证用户利益前提下的云服务商利润最大化问题转化为合约设计问题P1的目标函数；C：对于步骤B中的合约设计问题P1的目标函数进行求解,得到针对用户类型的基于合约设计的移动边缘计算任务卸载的最优合约,即用户类型的合约CPU循环周期数、合约存储量和合约价格

方案三：根据每个物联网终端的任务卸载速率,获取每个物联网终端的最大卸载时间槽和单位价值；将每个物联网终端按照所述单位价值进行降序排列,得到降序排列后的物联网终端,并根据所述最大卸载时间槽和所述单位价值,通过中断指标获取中断终端；根据所述中断终端的排序位置,获取降序排列后的每个物联网终端的卸载时间,以对降序排列后的物联网终端进行任务调度。

而上述几个方案也存在如下几个缺陷：