一种多服务器间任务分配的计算卸载方法与流程

1.本发明涉及云计算与大数据相关领域，更具体地说，涉及一种多服务器间任务分配的计算卸载方法。


背景技术：

2.在单个mec服务器、多个用户的前提下，当移动设备急剧增多时，mec服务器处理的任务数量和数据规模会相应的增加，由于每个服务器的计算资源是有限的，因此会导致服务器处理任务的能耗高，响应时间过长等问题，容易影响用户的体验感。
3.考虑到移动设备的数量和mec服务器计算资源之间的矛盾，且在实际的生产应用环境中，一个mec系统也会配备多个mec服务器，将多个服务器的计算资源合理的分配给已经卸载的任务是一个挑战，因此需要一种计算策略来对多服务器间的任务进行相应的卸载，以达到时延和能耗最小化。


技术实现要素：

4.本发明要解决的技术问题是提供一种多服务器间任务分配的计算卸载方法，通过对传统的蚁群算法进行改进、通过调整蚁群算法中信息素更新策略和对转移概率进行优化来对任务进行合理的分配，从而充分利用服务器的计算资源，达到有效降低任务执行期间的系统总开销的目的。
5.为了达到上述目的，本发明采取以下技术方案：
6.一种多服务器间任务分配的计算卸载方法，包括如下步骤：
7.s1：选择任务候选的卸载模式；
8.s2：将卸载模型对应到蚁群模型，其中一个任务对应于蚂蚁到达的一个点，一个卸载模式对应蚂蚁行进的一个路径；采用蚁群算法决定每个任务对应的卸载模式，使所有设备的系统开销最小化；
9.s3：将mec服务器的评价因子与启发因子相结合，根据每次任务卸载的不同调整下一次任务卸载选择的转移概率；
10.s4：进行信息素的更新；
11.s5：利用适应度函数在蚁群算法中衡量卸载策略的优劣。
12.进一步地，s1中，若任务在某种卸载模式下连最小的计算资源都不能得到满足，那么就排除这种卸载模式。
13.进一步地，所述卸载模式包括local模式和mec模式；
14.所述local模式下，任务在本地设备进行计算；
15.所述mec模式下，任务卸载到不同编号的mec服务器上进行计算。
16.进一步地，定义矩阵t为一个n
×
(m+1)阶矩阵，当t
i0
＝1时，表示任务i在自身设备中执行；当t
ij
＝1时，j∈m，表示任务i被卸载到服务器j上执行，其中，m为服务器的集合，t
ij
为任务i被卸载到服务器j上；
17.定义矩阵s为一个n
×
(m+1)阶矩阵，其中，s
i0
表示任务i在本地执行时所获得的计算资源，s
ij
表示任务i在服务器j执行时所获得的计算资源；令其中是最大计算资源，l表示local本地模式；
18.则mec服务器的评价因子的公式如下：
[0019][0020]
其中，ζj表示服务器j的稳定性，该值越小，说明服务器越稳定，后续对任务的处理能力越强。
[0021]
进一步地，任务i被卸载到服务器j上的启发因子为：
[0022][0023]
其中：z为系统总开销，为任务i在服务器j执行时t时刻的转移概率，为任务i在服务器上的开销。
[0024]
进一步地，当任务在本地设备执行时，转移概率的公式为：
[0025][0026][0027]
其中，τ
iz
为路径《i,z》上的信息素浓度，cmi表示任务的候选执行模式集合，z为系统开销，α表示蚂蚁在运动过程中所积累的信息量在指导蚁群搜索中的相对重要程度，其值越大，蚂蚁选择以前走过的路的可能性越大，β表示在搜索时路径上的信息素在指导蚂蚁选择路径时的向导性，其值越大，蚂蚁在某个局部点上选择最短路径的可能性越大。
[0028]
进一步地，s4中信息素的更新机制计算公式如下：
[0029][0030][0031][0032]
其中，τ
ij
为路径《i,j》上的信息素浓度，l
*
和l
**
分别表示本次循环中局部最优的路径长度和局部最差的路径长度；δ和ω分别表示本次循环中局部最优和局部最差路径中蚂蚁的个数；t表示t时刻；q表示信息素浓度常数；ρ表示信息素挥发指数。
[0033]
进一步地，s5中适应度函数，如下：
[0034][0035][0036]
其中，z
iz
为任务i选择任务执行方式的开销，k表示蚁群种群的大小，fitness为适应度函数。
[0037]
本发明相对于现有技术的优点在于：
[0038]
1.本发明对传统蚁群算法中的转移概率函数进行优化，在传统蚁群算法转移概率的基础上，引入mec服务器的评价因子，用于记录服务器中已用资源占服务器总资源的比重，避免出现任务继续卸载到已负载的服务器上，导致最后的系统崩溃。
[0039]
2.本发明对传统蚁群算法中的信息素更新策略进行了优化，传统的蚁群算法中的信息素更新策略采用固定的模式进行更新，在蚁群算法寻优迭代的后期，可能会因为收敛速度变慢而使蚁群陷入局部最优的情况中。因此，本发明采用基于狼群的分配原则对信息素进行更新。在每次循环迭代中，对于局部最优路径的蚂蚁，增大其信息素的释放，去除局部最差路径上的蚂蚁释放的信息素，提高了系统整体的性能。
[0040]
3、本发明很好的考虑了实际情况中，随着移动设备增加，数据量增加时，数据计算所等待的时延，提高用户体验感。
[0041]
4、本发明避免了在多服务器下，有的服务器负载运行，而有的服务器一直处于空闲状态，有效的利用各服务器资源，减少系统的整体开销。
附图说明
[0042]
图1是本发明计算卸载策略模块图；
[0043]
图2是本发明改进蚁群算法流程图。
具体实施方式
[0044]
下面结合附图对本发明的具体实施方式作描述。
[0045]
如图1至图2所示，本发明：
[0046]
1.一种基于改进蚁群算法的多服务器间任务分配的计算卸载策略包括：任务候选卸载的模式、模型的转换、转移概率、信息素更新和适应度函数，见附图1。
[0047]
2.任务候选卸载的模式，考虑到每个任务的执行时延不能够超过用户所能忍受的最大时延，因此针对每个任务的不同卸载模式采用了剪枝的操作。若任务在某种卸载模式下连最小的计算资源都不能得到满足，那么就不考虑这种卸载模式。这里针对任务卸载的模式主要有local模式，即任务在本地设备进行计算，mec模式，即任务卸载到不同编号的mec服务器上进行计算。
[0048]
2.1local模式所产生的总成本包括本地设备所需要的时间和设备在计算期间产生的能耗
[0049]ci
＝d
ici
[0050][0051][0052]
结合时延与能耗进行加权，local模式总体成本
[0053][0054][0055]
2.2 mec模式所产生的总成本包括编号为j的mec服务器处理任务期间产生的时延(包括传输阶段和计算阶段)和设备自身产生的能耗
[0056][0057][0058]
结合时延与能耗进行加权，mec模式总体成本
[0059][0060]
3.模型的转换，本发明的优化目标是设计一种改进的蚁群算法能够在任务进行合理分配的时候达到负载均衡，使所有设备的系统开销最小化，在模型转换中，定义矩阵t是一个n
×
(m+1)阶矩阵，用于描述n个任务进行选择的方式。矩阵的具体描述为：
[0061][0062]
其中，当t
i0
＝1时，表示任务在自身设备中执行，当t
ij
＝1时，表示任务i被卸载到服务器j上执行。
[0063]
当任务i被卸载到mec服务器上执行时，此时并不清楚服务器的剩余资源状态，为防止出现mec服务器资源利用不均的现象发生，故借助矩阵s来记录每个任务所获得的mec服务器分配的资源。矩阵具体描述为：
[0064][0065]
其中，s
i0
表示任务i在本地执行时所获得的计算资源，本发明为简化计算过程，令
[0066]
在蚁群算法中，每只蚂蚁找到的路径都是一种卸载策略为，每只蚂蚁每次到达一个点(一个任务)都需要选择一个路径(从候选模式中选择一种卸载方式)，然后到下一个点，直至最后的终点(任务完成)，从而获得一种可行的卸载策略。
[0067]
4.转移概率，在蚁群算法寻优的过程中，可能会出现某个mec服务器的资源被耗尽而不能继续卸载，因此，将mec服务器的评价因子与启发因子相结合，根据每次任务卸载的不同调整下一次任务卸载选择的转移概率。
[0068]
mec服务器评价因子用于记录服务器中已使用资源占服务器总资源的比例，公式如下：
[0069][0070]
其中，ζj表示服务器j的稳定性，该值越小，说明服务器越稳定，后续对任务的处理能力越强。
[0071]
启发因子进一步改进为：
[0072][0073]
上述情况考虑的是当任务被卸载到服务器上的转移概率公式，当任务在本地设备执行时，服务器的负载均衡排除在考虑范围内，故启发因子和转移概率的公式可优化为：
[0074][0075][0076]
5.信息素更新：
[0077]
信息素是为了协助蚂蚁寻找到最优的路径，主要包括两个阶段，信息素的挥发和释放。信息素的释放是蚂蚁在寻找路径过程中所留下的信息，引入挥发的目的是为了防止蚂蚁因为最短路径上残留过多的信息素而导致忽略新路径的信息。
[0078]
研究发现，狼群在捕食的过程中，会把大部分的食物分发给相对强壮的狼，尽管会饿死部分幼小的狼，但是能够保存整个狼群不会被饿死，提高狼群的生存能力。
[0079]
因此，按照狼群分配原则进行信息素的更新机制，具体的计算公式如下：
[0080][0081][0082][0083]
其中，l
*
和l
**
分别表示本次循环中局部最优的路径长度和局部最差的路径长度；δ和ω分别表示本次循环中局部最优和局部最差路径中蚂蚁的个数。
[0084]
6.适应度函数，适应度函数在蚁群算法中用来衡量卸载策略的优劣，与系统总开销的值呈现正相关。
[0085][0086][0087]
作为一个实施例，如下：
[0088]
1：matlab 2016a搭建仿真环境。
[0089]
2：尽可能满足真实的环境需求，构建一个500(m)
×
500(m)的仿真区域，区域内随机布置移动边缘设备和mec服务器，对于移动设备的计算能力和mec服务器的计算资源在一定的范围内生成随机数。
[0090]
3：设置余下仿真参数，移动设备数范围：10-100，mec服务器数：8，种群：50，计算1bit数据所需要的cpu周期：2.5
×
103cycles/bit，最大迭代次数：150，时延权重w
t
和能耗权重we：0.5、0.5，以及其他相应参数。
[0091]
4：算法训练模块执行仿真数据，获取系统总开销作为最后的性能测评标准。
[0092]
5：不同算法进行对比，本发明提出的算法在系统总开销的各方面指标表现最优。
[0093]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种多服务器间任务分配的计算卸载方法，其特征在于，包括如下步骤：s1：选择任务候选的卸载模式；s2：将卸载模型对应到蚁群模型，其中一个任务对应于蚂蚁到达的一个点，一个卸载模式对应蚂蚁行进的一个路径；采用蚁群算法决定每个任务对应的卸载模式，使所有设备的系统开销最小化；s3：将mec服务器的评价因子与启发因子相结合，根据每次任务卸载的不同调整下一次任务卸载选择的转移概率；s4：进行信息素的更新；s5：利用适应度函数在蚁群算法中衡量卸载策略的优劣。2.根据权利要求1所述多服务器间任务分配的计算卸载方法，其特征在于，s1中，若任务在某种卸载模式下连最小的计算资源都不能得到满足，那么就排除这种卸载模式。3.根据权利要求1或2所述多服务器间任务分配的计算卸载方法，其特征在于，所述卸载模式包括local模式和mec模式；所述local模式下，任务在本地设备进行计算；所述mec模式下，任务卸载到不同编号的mec服务器上进行计算。4.根据权利要求1所述多服务器间任务分配的计算卸载方法，其特征在于，定义矩阵t为一个n
×
(m+1)阶矩阵，当t
i0
＝1时，表示任务i在自身设备中执行；当t
ij
＝1时，j∈m，表示任务i被卸载到服务器j上执行，其中，m为服务器的集合，t
ij
为任务i被卸载到服务器j上；定义矩阵s为一个n
×
(m+1)阶矩阵，其中，s
i0
表示任务i在本地执行时所获得的计算资源，s
ij
表示任务i在服务器j执行时所获得的计算资源；令其中是最大计算资源，l表示local本地模式；则mec服务器的评价因子的公式如下：其中，ζ
j
表示服务器j的稳定性，该值越小，说明服务器越稳定，后续对任务的处理能力越强。5.根据权利要求4所述多服务器间任务分配的计算卸载方法，其特征在于，任务i被卸载到服务器j上的启发因子为：其中：z为系统总开销，为任务i在服务器j执行时t时刻的转移概率，为任务i在服务器上的开销。6.根据权利要求4或5所述多服务器间任务分配的计算卸载方法，其特征在于：当任务在本地设备执行时，转移概率的公式为：
其中，τ
iz
为路径<i,z>上的信息素浓度，cm
i
表示任务的候选执行模式集合，z为系统开销，α表示蚂蚁在运动过程中所积累的信息量在指导蚁群搜索中的相对重要程度，其值越大，蚂蚁选择以前走过的路的可能性越大，β表示在搜索时路径上的信息素在指导蚂蚁选择路径时的向导性，其值越大，蚂蚁在某个局部点上选择最短路径的可能性越大。7.根据权利要求6所述多服务器间任务分配的计算卸载方法，其特征在于，s4中信息素的更新机制计算公式如下：的更新机制计算公式如下：的更新机制计算公式如下：其中，τ
ij
为路径<i,j>上的信息素浓度，l
*
和l
**
分别表示本次循环中局部最优的路径长度和局部最差的路径长度；δ和ω分别表示本次循环中局部最优和局部最差路径中蚂蚁的个数；t表示t时刻；q表示信息素浓度常数；ρ表示信息素挥发指数。8.根据权利要求7所述多服务器间任务分配的计算卸载方法，其特征在于，s5中适应度函数，如下：函数，如下：其中，z
iz
为任务i选择任务执行方式的开销，k表示蚁群种群的大小，fitness为适应度函数。

技术总结
本发明公开了一种多服务器间任务分配的计算卸载方法，涉及云计算与大数据相关领域，包括如下步骤：S1：选择任务候选的卸载模式；S2：将卸载模型对应到蚁群模型，其中一个任务对应于蚂蚁到达的一个点，一个卸载模式对应蚂蚁行进的一个路径；采用蚁群算法决定每个任务对应的卸载模式，使所有设备的系统开销最小化；S3：将MEC服务器的评价因子与启发因子相结合，根据每次任务卸载的不同调整下一次任务卸载选择的转移概率；S4：进行信息素的更新；S5：利用适应度函数在蚁群算法中衡量卸载策略的优劣。本发明可有效降低任务执行期间的系统总开销。开销。开销。


技术研发人员：后同佳 涂悦
受保护的技术使用者：天翼云科技有限公司
技术研发日：2023.03.12
技术公布日：2023/8/24