[发明专利]一种基于混合云计算的网络卸载方法

摘要

本发明提供了一种基于混合云计算的网络卸载方法，本模型从单用户计算卸载问题入手，定义了计算卸载的传输延迟，处理延迟以及总延迟，并利用分支定界算法得到单用户最优解。然后，在此基础上之上考虑边界计算资源受限和用户之间的传输干扰，将多用户计算卸载问题建模为混合整数线性规划MILP问题。由于MILP问题高计算复杂度，本模型设计了一个迭代启发式移动边界计算资源分配IHRA算法来求解MILP问题并做出卸载决策。仿真结果表明，本发明设计的IHRA算法在应用程序运行延迟和卸载效率方面优于基准算法，为混合云计算网络卸载模型的资源分配问题提供了一种新的解决方案。

主权项

1.一种基于混合云计算的网络卸载方法，其特征在于，步骤如下：(1)确定网络卸载模型的优化目标，给出优化目标各组成部分的定义式网络卸载模型的优化目标为多用户总的应用程序运行延迟，包括处理延迟和传输延迟两部分；每个应用程序子模块选择在本地处理或选择卸载到边界服务器或远端的云服务器进行计算；对应于不同的计算平台，有不同的处理能力；对于模块j，在本地处理，边界服务器处理和云服务器处理的计算时间分别记为和并且满足网络卸载模型定义计算任务τ_i,j＝{d_i,j,c_i,j}，其中d_i,j是第i个用户的第j个模块的输入数据的大小，c_i,j是完成任务所需的CPU时钟周期；f^c分别为本地设备、移动边界服务器和云服务器的计算能力；当计算任务τ_i,j在本地设备上处理时，本地处理延迟由如下公式计算得到：当计算任务卸载到边界节点时，边界处理延迟计算如下：此时，k表示第k个移动边界计算服务器，1≤k≤M；当计算任务在云端处理时，处理延迟计算如下：M+1表示云服务器；任务τi,j只能被分配到三个平台之一进行处理，所以总的处理时间pi,j为：其中α+β+γ＝1，且满足{α,β,γ}∈{0,1}，即α，β，γ均为二元变量；如果相邻的两个模块j和j‑1在不同的平台的处理，那么两者之间的数据传输时间记为tj；否则，该传输时间可忽略；从本地设备卸载程序到远端服务器的过程中，用户通过基站向边界节点或云节点发送输入数据而不是直接发送；由于基站建设在移动边界计算服务器附近，两者之间的传输延迟忽略；此外，输出数据的大小远小于输入数据，回程链路的时间开销也忽略；所以网络卸载模型主要研究从用户本地设备到基站的上行链路和基站至云服务器的传输延迟；网络卸载模型定义三个二元变量yi,j,α，yi,j,β，yi,j,γ，与α，β，γ类似，三个二元变量用来指示第i个用户设备上应用程序的第j个模块是否在本地执行或被卸载到远程服务器执行，值为1代表该模块在相应的平台上执行；如果用户设备i在信道n上通过基站卸载应用到远端服务器k，获取的传输速率ri,k,n通过如下公式计算：根据香农定理，ω为带宽，由于总带宽B被分为N个子信道，即ω＝B/N；pi,k,n为传输功率，hi,k,n为从用户i到服务器k传输过程中无线链路的信道损耗；分式的分母为信号与干扰加噪声比，其中ρ2为噪声功率，Ii,k,n表示子信道n上的临近用户对用户i的干扰，计算方式如下：其中x和y分别表示用户和服务器的序列编号；ax,y,n为二元变量，ax,y,n＝1表示信道n被分配给用户x到服务器y进行计算任务τi,j的卸载，否则ax,y,n＝0；因此，这个频段的总传输速率由全部子信道之和得到：每项任务最多占用一条信道，即满足得到传输速率之后，计算用户i卸载模块j的传输延迟，本模型定义传输延迟如下：ti,j＝ti,j,α→β+ti,j,α→γ+ti,j,β→γ+ti,j,γ→β网络卸载模型考虑传输延迟分为四种情况，箭头指示卸载过程的起点和终点平台以及卸载方向；ti,j,α→β＝1表示应用程序第j‑1个模块在本地设备执行，而第j个模块被卸载到边界节点上执行，在线性序列处理应用模型下，模块j‑1的输出作为模块j的输入，网络卸载模型模型考虑从本地设备发送模块j‑1的输出数据到MEC服务器作为模块j的输入数据的传输延迟；ti,j,α→γ＝1表示模块j‑1在本地执行，模块j在移动云计算服务上执行；ti,j,β→γ和ti,j,γ→β对称，表示前后模块分别位于MEC和MCC服务器上的情形；以下公式给出了四种情况下传输延迟的计算方法：ti,j,β→γ＝yi,j‑1,βyi,j,γπi,j,kti,j,γ→β＝yi,j‑1,γyi,j,βπi,j,k其中πi,j,k表示从基站k到云服务器的传输延迟，与基站到边界服务器的近距离相比；(2)根据步骤(1)中定义的处理延迟和传输延迟构建单用户计算卸载问题网络卸载模型考将用户应用程序模型抽象为一个包含η个模块的线性序列处理程序；每个模块选择在本地处理或选择卸载到边界服务器或远端的云服务器进行计算；给定计算开销pj(1≤j≤η)和传输开销tj(0≤j≤η+1)的情况下，求解单用户计算卸载问题SCOP得到使总运行延迟最短的卸载决策，该决策记录了每个模块应该在哪个平台上处理，以下是SCOP问题描述：其中α+β+γ＝1，并且满足：处理延迟pj和模块数据量的大小和各平台CPU处理能力有关，而传输延迟tj则受到通信环境的影响；(3)将步骤(2)中的单用户计算卸载问题扩展为多用户计算卸载问题，该问题被建模为混合整数线性规划问题网络卸载模型将多用户计算卸载问题MCOP描述为以下混合整数线性规划问题：s.t.C1:α+β+γ＝1,{α,β,γ}∈{0,1}C2:yi,j,α+yi,j,β+yi,j,γ＝1,{yi,j,α,yi,j,β,yi,j,γ}∈{0,1}C3:C4:C5:C6:C7:C8:其中，约束C1和C2保证每个模块只能在本地设备或MEC服务器或MCC服务器中的一个地方处理；约束C3确保每个用户的应用程序的所有模块都被执行，约束C4表明每个用户只能被分配一条信道，约束C5和C6反映MEC资源是有限的，每个MEC服务器在某一时间只能处理一个计算卸载请求；与之相对，约束C7和C8体现MCC资源不受限的特点，多用户可并行接入；(4)设计迭代的启发式移动边界计算资源分配算法求解步骤(3)中的多用户计算卸载问题迭代的启发式移动边界计算资源分配算法分为以下四个步骤：(4.1)首先，运用分支定界算法求解步骤(2)中定义的单用户计算卸载问题，得到每个用户设备的初始最优应用执行延迟D_orig，输出初始卸载调度结果并记录在初始卸载决策矩阵中，此时不考虑MEC资源受限；然后统计占用MEC资源的用户设备集，记为(4.2)本步骤计算多用户调整后的执行延迟D_adj和调整后决策矩阵的计算，计算方法类似于步骤(4.1)，但此时系统内没有可用的MEC资源，仅考虑本地设备和MCC服务器两者之间的选择；为了降低算法的时间复杂度，本算法仅计算集合内的用户设备(4.3)得到初始执行延迟Dorig和调整执行延迟Dadj后，本步骤根据以下公式计算每个用户的反馈函数值并得到反馈函数列表；将反馈函数列表降序排列，此时列表排在第一的用户设备在调整前后延迟增加最小，对MEC资源的依赖性最小，将其作为调整目标；F＝Dorig‑Dadj(4.4)本步骤中，构建一个while循环通过迭代循环更新初始调度决策进行MEC资源分配直至解决所有的资源冲突问题；在每个循环里，选取反馈函数列表的第一个用户设备λ_i，用调整后的卸载调度结果更新初始卸载调度决策，即用用户λ_i对应的和D_adj值更新和D_orig值；更新完成后，输出经过资源分配的最终的计算卸载决策矩阵。