[发明专利]一种移动感知的云边端协同应用卸载方法、系统及其存储介质

权利要求书

1.一种移动感知的云边端协同应用卸载方法，其特征在于，包括如下步骤：

获取目标终端的移动轨迹、终端任务集和云边端协同系统中所有资源节点的信息，所述终端任务集中包括多个子任务；

根据终端任务集和所有资源节点的信息，利用训练好的线性回归模型计算每个子任务在每个资源节点的卸载时间；

根据目标终端的移动轨迹和所有资源节点的信息，利用训练好的SGAN模型计算移动终端在每个资源节点的逗留时间；

根据卸载时间和逗留时间从所有资源节点中选取每个子任务的最优卸载节点，完成应用卸载；

其中，每个子任务在每个资源节点的卸载时间的计算操作如下：

根据子任务的计算任务所需CPU资源量、计算任务所需内存资源量和资源节点的CPU、内存，利用预先构建的线性回归模型获得每个子任务在每个资源节点的任务计算时间；

根据任务计算时间、子任务的任务文件大小和资源节点的网络上下行带宽计算每个子任务在每个资源节点的卸载时间，计算公式如下：

其中，T_卸载表示每个子任务在每个资源节点的卸载时间，Time表示每个子任务在每个资源节点的任务计算时间，D_in表示子任务的任务文件大小，R表示资源节点与目标终端之间的传输带宽；

SGAN模型的训练方法包括如下步骤：

获取目标终端和其他终端的历史轨迹数据，所述历史轨迹数据包括目标终端和其他终端在历史时刻的坐标信息；

利用特征提取网络从目标终端和其他终端的历史轨迹数据中提取目标终端的轨迹特征集合；

基于目标终端的轨迹特征集合，利用注意力机制生成目标终端的影响力向量；

根据目标终端的历史轨迹数据和影响力向量，利用生成器生成多个生成轨迹，所述生成轨迹为历史轨迹对应的虚假未来运行轨迹；

利用鉴别器对目标终端的历史轨迹数据和生成轨迹进行真假鉴别，并将鉴别结果反馈到生成器；

通过生成器和鉴别器的极大极小博弈，获得训练好的SGAN模型。

2.根据权利要求1所述的一种移动感知的云边端协同应用卸载方法，其特征在于，所述子任务包括任务文件、任务文件大小、计算任务所需CPU资源量、计算任务所需内存资源量；所述资源节点包括本地服务器、边缘服务器和云端服务器；所述资源节点的信息包括资源节点的IP、端口号、CPU、内存、网络上下行带宽和资源节点服务范围。

3.根据权利要求1所述的一种移动感知的云边端协同应用卸载方法，其特征在于，所述轨迹特征集合包括目标终端与其他终端的欧氏距离、目标终端的余弦相似度、目标终端与其他终端的余弦相似度、目标终端与其他终端的最小距离。

4.根据权利要求1或2所述的一种移动感知的云边端协同应用卸载方法，其特征在于，计算移动终端在每个资源节点的逗留时间的过程为：

根据目标终端的移动轨迹，利用训练好的SGAN模型获得目标终端的未来运行轨迹；

根据资源节点服务范围和未来运行轨迹计算目标终端在每个资源节点的逗留时间。

5.根据权利要求1所述的一种移动感知的云边端协同应用卸载方法，其特征在于，针对终端任务集中的每个子任务，最优卸载节点的选取方法包括如下步骤：

比较每个资源节点的卸载时间和对应的逗留时间，当卸载时间小于逗留时间时，将该资源节点存入该子任务的可用节点集合；

根据卸载时间对可用节点集合中的资源节点进行排序，选择卸载时间最小的资源节点作为该子任务的最优卸载节点。

6.根据权利要求4所述的一种移动感知的云边端协同应用卸载方法，其特征在于，所述目标终端的移动轨迹包括当前时刻之前3.2s内目标终端的坐标信息。