[发明专利]一种移动边缘计算环境中的任务卸载方法及其应用

说明书

本发明属于边缘计算领域，具体涉及一种移动边缘计算环境中的任务卸载方法及其应用。该方法包括如下步骤：S1：将完整的工作任务划分为不同的环节，进而构建表征工作任务的工作流依赖图WDG；S2：确定WDG中各个任务结点的属性集；S3：创建表征工作任务的能耗传递全图ETG；S4：将不可卸载的任务结点对应的入度边和出度边删除，生成简化能耗传递图ETG1；S5：根据ETG1生成对应的线性能耗传递图ETG2；S6：以满足时间约束且最小化终端的设备能耗为优化目标，得到具有最小化设备能耗的路径，并进行任务卸载。本发明解决了现有MEC环境无法完成对复杂的非线性任务进行计算任务卸载，且容易造成任务处理过程的能耗升高，实时性降低的问题。

技术领域

本发明属于边缘计算领域，具体涉及一种移动边缘计算环境中的任务卸载方法及其应用。

背景技术

随着网络等线上购物方式的流行，物流运输的市场规模也在不断扩大，物流企业需要在规定时间内完成订单的配送工作。在整体配送流程中，将货物从站点交付用户手中的过程称为“最后一公里”环节。最后一公里配送环节由于需要耗费大量的人力成本，因此占据了运输总时间和配送总成本的30％和50％。

目前，很多企业正在开发利用无人机进行货物配送的技术；无人机因其具有灵活部署、成本低廉、高速飞行的特点，在最后一公里配送场景中具有得天独厚的优势。在无人机配送场景下，无人机需要运行大量人工智能应用，例如动态路径规划，飞行中智能避障和通过认知计算方式进行收货人身份验证等，以保证配送的准确高效和配送过程的安全可靠。然而受限于无人机终端的计算能力和电池容量，其无法高效的执行此类计算密集型的人工智能应用。同时，诸如目标检测，姿势识别，人脸识别等人工智能应用需要对大量数据进行实时处理。

为了解决无人机算力有限的弊端，部分技术人员拟通过云计算代替无人机处理复杂的计算任务。但是即使在成熟的云计算环境下，由于无人机总在进行高速的位置变换，无人机终端设备受限于距离过远和网络带宽有限的弊端，容易出现不可预知的网络拥塞和抖动，也无法满足无人机配送过程中各类人工智能应用的实时性要求。

近年来，移动边缘计算(MEC，Mobile Edge Computing)环境因其具有低延时、分布式、高效率等特性被广泛应用于各类场景中，延迟时间进一步缩短的同时增加了覆盖范围。移动边缘计算将边缘服务器建立在贴近终端设备的地方，通过LAN和WLAN方式进行数据的传输，使得大数据量和计算量的任务卸载到高性能的边缘服务器上执行具有可行性。移动边缘计算通过将计算资源下沉至更靠近终端设备，使得服务更贴近用户，可以避免网络拥塞，降低时间延迟，这可以解决无人机配送过程中各类计算任务的需求。将无人机需要处理的复杂的计算任务卸载到附近边缘服务器，可以快速处理人工智能应用并优化无人机终端设备的能耗。

在无人机配送过程中，对于计算量较大的任务，在终端设备上处理需要付出巨大的开销并且可能无法满足人工智能应用的实时性要求。因此这些任务需要在边缘服务器中完成。但是，也并不是所有的计算任务都应当卸载到边缘服务器中处理。例如，对于数据量较大而计算量较小的任务(如特征提取)，卸载到边缘服务器上执行反而会增加不必要的传输时间和传输能耗，同样无法满足要求。综上，采用移动边缘计算处理无人机配送过程中各类复杂计算任务的一个前提是要制定合理的卸载策略，将配送过程中的各类计算任务合理分配到边缘服务器和本地进行处理。但是现有技术中还没有很好的计算任务卸载方法可以实现该任务分配过程。

现有的对MEC环境中计算卸载的研究主要集中于独立计算任务的卸载问题，这些研究大多仅考虑了简单任务依赖关系，对于任务间数据依赖关系或数据传输因素考虑较少，因此无法应用到无人机配送过程这一高度复杂的非线性计算处理任务中。例如现有的启发式算法或穷举方法的效率较低，而且还无法保证得到算法效率与结果均最优的卸载方案。同时，现有的方法都没有考虑算法执行所需要付出的时间开销，在实时性要求较高的人工智能应用中无法适用。此外，移动边缘计算环境中各类计算资源与网络环境均非常复杂，不合理的计算任务卸载决策会导致终端能耗与任务响应时间过高等问题。

发明内容