工业物联网边缘计算卸载和任务迁移方法及工业物联网系统

1.本发明涉及工业物联网技术领域，尤其涉及一种工业物联网边缘计算卸载和任务迁移方法及工业物联网系统。


背景技术：

2.随着移动通信网络的发展，工业物联网(iiot)中充满着各种移动设备。移动设备有限的资源，使得iiot系统需要利用计算卸载和任务迁移技术，将计算密集型任务卸载到计算能力更强的边缘服务器。由于设备会移动，移动性卸载和资源分配策略也是移动边缘计算(mobile edge computing，mec)需要考虑的问题。在mec中最具挑战性的问题是为移动设备提供灵活的计算服务。
3.在研究移动感知计算卸载问题时，除了要考虑设备移动带来的资源波动，也必须考虑设备与服务器断开连接造成的任务执行失败，即：由于设备位置的变化和通信距离的影响，使得服务器的计算结果不能够传输到目标设备。由于任务执行失败会造成额外的资源浪费，为此引入计算迁移的方式，将卸载后的任务迁移到合适的边缘服务器，由该迁入服务器负责计算处理和结果返回。当讨论移动感知计算卸载问题，迁移决策需根据任务和设备资源。简言之，需要充分利用整个系统的资源和设备的带宽资源，也需要适应设备移动到新位置可能导致的任务失败，或者任务周转时延和系统能耗的增加。
4.针对上述移动计算卸载中设备移动会导致计算卸载决策执行失败这一主要问题，为了减少任务失败率，故iiot系统需要将卸载后的任务从一个边缘服务器迁移至另一个更靠近移动设备的服务器，由该迁入服务器执行计算任务。因此，移动计算卸载主要步骤为：(1)任务是否需要卸载，(2)将任务卸载至哪里，(3)任务是否需要迁移，且迁移至哪个服务器，(4)如何为任务分配资源。即通过卸载和迁移决策联合处理以实现最大化效用。为此需要开发一直能实现最大化效用的工业物联网边缘计算卸载和任务迁移方法。


技术实现要素：

5.本发明所要解决的第一个技术问题是针对上述现有技术，而提供一种能实现最大化效用的基于移动感知的工业物联网边缘计算卸载和任务迁移方法。
6.本发明所要解决的第二个技术问题是提供一种应用有上述工业物联网边缘计算卸载和任务迁移方法的工业物联网系统。
7.本发明解决上述第一个技术问题所采用的技术方案为：一种工业物联网边缘计算卸载和任务迁移方法，适用于包括移动设备、边缘主服务器和多个边缘服务器的工业物联网系统，其中移动设备用于生成计算任务，边缘主服务器用于生成移动设备上所对应计算任务的卸载和任务迁移决策，边缘服务器用于执行移动设备上的任务卸载以及执行将卸载后的任务迁移至其他边缘服务器，工业物联网中的移动设备和所有边缘服务器均为工业物联网系统中的一个节点；其特征在于包括如下步骤：
8.步骤1、边缘主服务器接受来自工业物联网中移动设备的计算任务数据包；
9.其中，计算任务数据包包括n个移动设备t个时隙的计算任务，并将第n个移动设备un在第t个时隙的计算任务记为在第t个时隙的计算任务记为中包含有当前移动设备un在第t个时隙所处的位置在第t个时隙所处的位置分别为当前移动设备un在第t个时隙的经度和纬度；
10.步骤2、在边缘主服务器中，根据每个移动设备的历史位置信息预测得到各移动设备第t+1个时隙的位置，同时根据各移动设备和所有边缘服务器的历史计算资源预测得到工业物联网中各节点在第t+1个时隙的计算资源；
11.步骤3、在边缘主服务器中构建用于计算卸载、任务迁移和资源分配决策的决策网络，并将预测得到的各移动设备第t+1个时隙的位置和预测得到的工业物联网中各节点在第t+1个时隙的计算资源作为决策网络的输入，通过该决策网络输出最小任务处理时延和系统能耗的计算卸载和任务迁移方案，将该方案作为决策结果，该决策结果包括当前计算任务是否需要卸载和迁移，以及如果当前计算任务需要卸载和迁移时，当前计算任务需要卸载的第一目标边缘服务器所在位置，以及当前计算任务需要迁移的第二目标边缘服务器所在位置；
12.步骤4、工业物联网中的移动设备根据步骤3计算获得的决策结果，如果决策结果为不需要卸载迁移，则直接该计算任务在当前移动设备中完成；如果决策结果为需要卸载迁移，则移动设备将当前计算任务卸载至第一目标边缘服务器，然后第一目标边缘服务器将上述卸载的计算任务迁移至第二目标边缘服务器，并在第二目标边缘服务器上执行该计算任务，第二目标边缘服务器将计算结果直接返回给移动设备。
13.为实现移动设备的轨迹预测，所述步骤2中采用拉格朗日插值预测移动设备轨迹，具体预测过程为：
14.根据每个移动设备的历史位置来构建拉格朗日插值的轨迹方程，根据利用轨迹方程计算第t时隙的轨迹斜率，之后则根据第t时隙的轨迹斜率预测得到第t+1个时隙的移动设备位置。
15.具体地，所述步骤2中移动设备的轨迹方程为具体地，所述步骤2中移动设备的轨迹方程为x为移动设备un在某个时刻所处的经度，(t+1)！表示(t+1)的阶乘运算；
16.第t时隙的轨迹斜率为则t+τ时隙设备的位置是则t+τ时隙设备的位置是这里表示在τ时间内移动设备的平均移动速度。
17.为实现各节点计算资源的预测，所述步骤2中采用长短期记忆神经网络预测计算资源，具体预测过程为：
18.边缘主服务器会获取各移动设备和边缘服务器的历史计算资源，并将收集到的历史计算资源传输长短期记忆神经网络中，长短期记忆神经网络的输出即为工业物联网系统中各节点计算资源的预测结果。
19.优选地，所述步骤3中的决策网络为ddpg网络。
20.在上述方案中，所述ddpg网络的目标是获得最大的奖励反馈，最小化周转延迟、能量消耗和迁移率，ddpg网络的奖励函数r
t
计算公式为：
[0021][0022]
其中，ω1、ω2和ω3分别为对应参数的比例系数，为移动设备un生成计算任务的总周转时延，为移动设备un生成计算任务的总周转能耗，ζ
t
为t个时隙的工业物联网边缘计算系统中的任务迁移率。
[0023]
第二目标边缘服务器的选取原则为：综合移动设备的移动路径预测，以及为移动设备中的计算任务所花费的最小任务处理时延和系统能耗，选出离经过移动后的移动设备距离最近的边缘服务器，作为第二目标边缘服务器。
[0024]
本发明解决上述第二个技术问题所采用的技术方案为：一种工业物联网系统，包括移动设备、边缘主服务器和多个边缘服务器，其特征在于：该工业物联网系统采用如上述的方法将移动设备中的计算任务进行卸载和迁移。
[0025]
与现有技术相比，本发明的优点在于：预测移动设备的轨迹和各节点的计算资源，该预测结果用于辅助进行计算卸载、任务迁移和资源分配决策，极大降低了移动设备移动的影响，并且决策网络输出最小的任务处理时延和系统能耗的卸载和迁移方案，解决移动感知工业物联网的计算卸载问题的同时，降低了任务时延和系统能耗以及任务迁移率。
附图说明
[0026]
图1为本发明实施例中工业物联网边缘计算卸载和任务迁移方法的流程图；
[0027]
图2为本发明实施例中计算卸载和任务迁移的原理图；
[0028]
图3为本发明实施例中工业物联网边缘计算卸载和任务迁移方法的具体框图。
具体实施方式
[0029]
以下结合附图实施例对本发明作进一步详细描述。
[0030]
如图1～3所示，本实施例中工业物联网边缘计算卸载和任务迁移方法适用于包括移动设备、边缘主服务器和多个边缘服务器的工业物联网系统，其中移动设备用于生成计算任务，边缘主服务器用于生成移动设备上所对应计算任务的卸载和任务迁移决策，边缘服务器用于执行移动设备上的任务卸载以及执行将卸载后的任务迁移至其他边缘服务器，工业物联网中的移动设备和所有边缘服务器均为工业物联网系统中的一个节点。
[0031]
本实施例中的工业物联网边缘计算卸载和任务迁移方法包括如下步骤：
[0032]
步骤1、边缘主服务器接受来自工业物联网中移动设备的计算任务数据包；
[0033]
其中，计算任务数据包包括n个移动设备t个时隙的计算任务，将第n个移动设备un在第t个时隙的计算任务记为在第t个时隙的计算任务记为中包含有当前移动设备un在第t个时隙所处的位置在第t个时隙所处的位置分别为当前移动设备un在第t个时隙的经度和纬度；
[0034]
工业物联网中边缘服务器集合s＝{s1,s2,...,sn}，s1,s2,...,sn分别为第1个边缘服务器，第2个边缘服务器，
…
第n个边缘服务器，为移动设备提供边缘计算服务的边缘服务器的位置是固定的，边缘服务器sm的位置表示为(xm,ym)，其中xm和ym表示边缘服务器sm的经度和纬度。移动感知的工业物联网中计算任务被描述为度和纬度。移动感知的工业物联网中计算任务被描述为表示计
算任务的数据量大小，表示计算任务所需的cpu周期，表示完成计算任务的最大容忍时延；
[0035]
步骤2、在边缘主服务器中，根据每个移动设备的历史位置信息预测得到各移动设备第t+1个时隙的位置，同时根据各移动设备和所有边缘服务器的历史计算资源预测得到工业物联网中各节点在第t+1个时隙的计算资源；
[0036]
本实施例中，采用拉格朗日插值预测移动设备轨迹，具体预测过程为：
[0037]
根据每个移动设备的历史位置来构建拉格朗日插值的轨迹方程，根据利用轨迹方程计算第t时隙的轨迹斜率，之后则根据第t时隙的轨迹斜率预测得到第t+1个时隙的移动设备位置；
[0038]
其中，移动设备的轨迹方程为其中，移动设备的轨迹方程为x为移动设备un在某一个时刻所处的经度，(t+1)！表示(t+1)的阶乘运算；
[0039]
第t时隙的轨迹斜率为则t+τ时隙设备的位置是则t+τ时隙设备的位置是这里表示在τ时间内移动设备的平均移动速度；
[0040]
另外，采用长短期记忆神经网络(简称：lstm网络)预测计算资源，该lstm网络采用现有技术，在此不再展开赘述，具体预测过程为：
[0041]
边缘主服务器会获取各移动设备和边缘服务器的历史计算资源，并将收集到的历史计算资源传输长短期记忆神经网络中，长短期记忆神经网络的输出即为工业物联网系统中各节点计算资源的预测结果；
[0042]
步骤3、在边缘主服务器中构建用于计算卸载、任务迁移和资源分配决策的决策网络，并将预测得到的各移动设备第t+1个时隙的位置和预测得到的工业物联网中各节点在第t+1个时隙的计算资源作为决策网络的输入，通过该决策网络输出最小任务处理时延和系统能耗的计算卸载和任务迁移方案，将该方案作为决策结果，该决策结果包括当前计算任务是否需要卸载和迁移，以及如果当前计算任务需要卸载和迁移时，当前计算任务需要卸载的第一目标边缘服务器所在位置，以及当前计算任务需要迁移的第二目标边缘服务器所在位置；
[0043]
第二目标边缘服务器的选取原则为：综合移动设备的移动路径预测，以及为移动设备中的计算任务所花费的最小任务处理时延和系统能耗，选出离经过移动后的移动设备距离最近的边缘服务器，作为第二目标边缘服务器；
[0044]
本实施例中，解决计算卸载和任务迁移问题的本质是对移动设备的计算任务进行卸载和迁移操作，为其分配边缘服务器的资源；
[0045]
本施例中建立了两个决策变量和其中是计算卸载决策变量，意味着第t个时隙的计算任务将从移动设备un卸载至边缘服务器sm；是任务迁移决策变量，表示第t个时隙的计算任务将从边缘服务器sm迁移至另一边缘服务器sm′
；但是，时，也必须为0，即不发生卸载动作，则不会产生任务迁移；
[0046]
本实施例中，决策网络为ddpg网络(deep deterministic policy gradient深度
确定性策略梯度)，其中ddpg网络的目标是获得最大的奖励反馈，ddpg网络的奖励函数r
t
计算公式为：
[0047][0048]
其中，ω1、ω2和ω3分别为对应参数的比例系数，为移动设备un生成计算任务的总周转时延，为移动设备un生成计算任务的总周转能耗，ζ
t
为t个时隙的工业物联网边缘计算系统中的任务迁移率；
[0049]
首先，在计算卸载决策中，包括：
[0050]
(1)本地计算
[0051]
当工业物联网系统执行本地计算时，移动设备un为计算任务分配的cpu资源为计算任务需满足需满足为移动设备un为计算任务分配的最大cpu资源；因此，计算任务的本地计算时延是
[0052]
计算任务在本地计算的能耗为其中κn表示移动设备un的能耗系数，耗系数，为移动设备un的最大电池容量；
[0053]
(2)边缘计算
[0054]
首先，确认计算任务在卸载过程中的总时延和总能耗；
[0055]
2-1、计算任务被卸载至边缘服务器sm的总时延
[0056]
当工业物联网系统执行计算卸载决策时，计算任务将被卸载至边缘服务器sm，边缘服务器sm的最大计算容量为则计算任务被卸载至边缘服务器sm的上载时延为其中表示移动设备un与边缘服务器sm之间的传输速率；计算任务的计算时延为时延为表示边缘服务器sm为计算任务分配的计算资源，满足满足为边缘服务器sm为计算任务分配的最大cpu资源；计算任务的下载时延为因此，计算任务被卸载至边缘服务器sm的总时延为
[0057]
2-2、计算任务被卸载至边缘服务器sm的总能耗
[0058]
计算任务的上载能耗为pn为移动设备un的发送功率，也可以理解为传输任务的功率；计算任务的计算能耗为其中κm为边缘服务
器sm的能耗系数；故计算任务被卸载至边缘服务器sm的总能耗为
[0059]
其次，为了确定是否需要为已卸载的计算任务执行迁移操作，本实施例中分别度量迁移成本和非迁移成本，当迁移成本小于非迁移成本并且达到阈值条件时，就会发生迁移；
[0060]
2-3、迁移的时间成本
[0061]
迁移时间成本中断时延其中表示计算任务从边缘服务器sm开始迁移至另一边缘服务器sm′
的时间戳，表示移动设备un的计算任务卸载完成的时间戳，即完全卸载至边缘服务器sm的时间；因此，中断时延就表示这个任务需要执行迁移，但这个过程是先卸载至一个边缘服务器，并在该服务器执行了，然后因为迁移决策变化，需要执行迁移，在当前卸载的服务器上产生了计算时间，这个时间就是中断时延；
[0062]
迁移时延其中表示被迁移任务的传输速率；
[0063]
迁移后的计算时延其中表示为迁移后的任务分配的计算资源；
[0064]
下载时延为
[0065]
因此，迁移的时间成本是
[0066]
2-4、迁移的能耗成本
[0067]
迁移能耗成本包括中断能耗
[0068]
迁移至边缘服务器m,的迁移能耗其中pm为边缘服务器sm的传输功率；
[0069]
迁移后的计算能耗其中κm′
为边缘服务器sm的能耗系数；
[0070]
故迁移模型中的迁移能耗成本为
[0071]
因此，t时隙工业物联网边缘计算系统中的任务迁移率为迁移率作为衡量迁移效率的元素，较低迁移率将因迁移成本的降低带来周转时间和系统能耗最优化。
[0072]
不迁移成本包括卸载服务器的计算和下载成本；
[0073]
2-5、不迁移的时间成本
[0074]
不迁移的时间成本是由当前服务器的计算时延和下载时延组
成，故如果由于远距离传输而中断任务，则非迁移时间成本中的下载时间视为无限大；
[0075]
2-6、不迁移的能耗成本
[0076]
不迁移的能耗成本为只需边缘服务器的计算能耗
[0077]
故
[0078]
在一个实施例中，为了降低迁移成本，需要比较不迁移以及迁移的成本，通过最小化成本的方法找到最优决策，即和为了保证任务能够在其容忍时延内完成，采用最小化时延优先的方法确定迁移决策；
[0079]
移动设备un生成计算任务的总周转时延为：的总周转时延为：
[0080]
并且移动设备un生成计算任务的总周转能耗为：的总周转能耗为：
[0081]
这里若不发生任务迁移，则即不需要将不迁移成本和加入计算。为了找到最优的计算卸载和任务迁移，需以最小任务周转时延和最小能耗为指标，本实施例中将和作为计算卸载和任务迁移的决策依据，并在后续执行计算。
[0082]
在线资源分配、计算卸载和任务迁移的决策过程可以描述为马尔可夫决策过程(mdp)。在每个时隙t，代理获取系统状态s
t
∈s，然后选择一个动作a
t
∈a执行。动作执行后，根据状态转移概率p(s
t+1
|s
t
，a)，环境将转移到下一个状态s
t+1
；其中状态s
t
就是t时刻移动设备所处位置和系统资源状态，然后，当前环境中，工业物联网系统执行一个动作(卸载、迁移和资源分配)，因为这个动作产生了资源占用，动作结束后，系统资源发生变化，系统也会更新到下一个状态s
t+1
，也就是新的设备位置和系统资源，在此之后，系统决策将获得即时奖励r
t
∈r。与基于值的强化学习不同，ddpg是一种基于策略的方法，其网络结构可参考：https://zhuanlan.zhihu.com/p/75551912中所示，策略π由动作的概率表示，因此策略记为π(st；α)＝at，这里α表示网络权重。在本发明中，状态被描述为at，这里α表示网络权重。在本发明中，状态被描述为状态集描述了每个系统组件的状态。表示移动设备的位置，和分别表示移动设备和边缘服务器的资源状态。移动感知计算卸载和任务迁移问题的动作是系统代理制定的资源分配，卸载节点和迁移节点策略，该动作描述为因此，ddpg算法的目标就是找到最优的动作策略，并获得最大的奖励反馈。而系统代理决策的目标是最小化周转延迟、能量消耗和迁移率。所以本实施例中设计了一个奖励函数标是最小化周转延迟、能量消耗和迁移率。所以本实施例中设计了一个奖励函数这里ω1，ω2和ω3分别表示对应参数的比例系数；
[0083]
步骤4、工业物联网中的移动设备根据步骤3计算获得的决策结果，如果决策结果为不需要卸载迁移，则直接该计算任务在当前移动设备中完成；如果决策结果为需要卸载迁移，则移动设备将当前计算任务卸载至第一目标边缘服务器，然后第一目标边缘服务器将上述卸载的计算任务迁移至第二目标边缘服务器，并在第二目标边缘服器上执行该计算任务，第二目标边缘服务器将计算结果直接返回给移动设备。

技术特征：
1.一种工业物联网边缘计算卸载和任务迁移方法，适用于包括移动设备、边缘主服务器和多个边缘服务器的工业物联网系统，其中移动设备用于生成计算任务，边缘主服务器用于生成移动设备上所对应计算任务的卸载和任务迁移决策，边缘服务器用于执行移动设备上的任务卸载以及执行将卸载后的任务迁移至其他边缘服务器，工业物联网中的移动设备和所有边缘服务器均为工业物联网系统中的一个节点；其特征在于包括如下步骤：步骤1、边缘主服务器接受来自工业物联网中移动设备的计算任务数据包；其中，计算任务数据包包括n个移动设备t个时隙的计算任务，将第n个移动设备u
n
在第t个时隙的计算任务记为t∈{1、2
…
t}，n∈{1、2
…
n}；中包含有当前移动设备u
n
在第t个时隙所处的位置个时隙所处的位置分别为当前移动设备u
n
在第t个时隙的经度和纬度；步骤2、在边缘主服务器中，根据每个移动设备的历史位置信息预测得到各移动设备第t+1个时隙的位置，同时根据各移动设备和所有边缘服务器的历史计算资源预测得到工业物联网中各节点在第t+1个时隙的计算资源；步骤3、在边缘主服务器中构建用于计算卸载、任务迁移和资源分配决策的决策网络，并将预测得到的各移动设备第t+1个时隙的位置和预测得到的工业物联网中各节点在第t+1个时隙的计算资源作为决策网络的输入，通过该决策网络输出最小任务处理时延和系统能耗的计算卸载和任务迁移方案，将该方案作为决策结果，该决策结果包括当前计算任务是否需要卸载和迁移，以及如果当前计算任务需要卸载和迁移时，当前计算任务需要卸载的第一目标边缘服务器所在位置，以及当前计算任务需要迁移的第二目标边缘服务器所在位置；步骤4、工业物联网中的移动设备根据步骤3计算获得的决策结果，如果决策结果为不需要卸载迁移，则直接该计算任务在当前移动设备中完成；如果决策结果为需要卸载迁移，则移动设备将当前计算任务卸载至第一目标边缘服务器，然后第一目标边缘服务器将上述卸载的计算任务迁移至第二目标边缘服务器，并在第二目标边缘服务器上执行该计算任务，第二目标边缘服务器将计算结果直接返回给移动设备。2.根据权利要求1所述的工业物联网边缘计算卸载和任务迁移方法，其特征在于：所述步骤2中采用拉格朗日插值预测移动设备轨迹，具体预测过程为：根据每个移动设备的历史位置来构建拉格朗日插值的轨迹方程，根据利用轨迹方程计算第t时隙的轨迹斜率，之后则根据第t时隙的轨迹斜率预测得到第t+1个时隙的移动设备位置。3.根据权利要求2所述的工业物联网边缘计算卸载和任务迁移方法，其特征在于：所述步骤2中移动设备的轨迹方程为所述步骤2中移动设备的轨迹方程为x为移动设备u
n
在某个时刻所处的经度，(t+1)！表示(t+1)的阶乘运算；第t时隙的轨迹斜率为则t+τ时隙设备的位置是则t+τ时隙设备的位置是这里表示在τ时间内移动设备的平均移动速度。4.根据权利要求1所述的工业物联网边缘计算卸载和任务迁移方法，其特征在于：所述步骤2中采用长短期记忆神经网络预测计算资源，具体预测过程为：
边缘主服务器会获取各移动设备和边缘服务器的历史计算资源，并将收集到的历史计算资源传输长短期记忆神经网络中，长短期记忆神经网络的输出即为工业物联网系统中各节点计算资源的预测结果。5.根据权利要求1～4任一项所述的工业物联网边缘计算卸载和任务迁移方法，其特征在于：所述步骤3中的决策网络为ddpg网络。6.根据权利要求5所述的工业物联网边缘计算卸载和任务迁移方法，其特征在于：所述ddpg网络的目标是获得最大的奖励反馈，最小化周转延迟、能量消耗和迁移率，ddpg网络的奖励函数r
t
计算公式为：其中，ω1、ω2和ω3分别为对应参数的比例系数，为移动设备u
n
生成计算任务的总周转时延，为移动设备u
n
生成计算任务的总周转能耗，ζ
t
为t个时隙的工业物联网边缘计算系统中的任务迁移率。7.根据权利要求6所述的工业物联网边缘计算卸载和任务迁移方法，其特征在于：第二目标边缘服务器的选取原则为：综合移动设备的移动路径预测，以及为移动设备中的计算任务所花费的最小任务处理时延和系统能耗，选出离经过移动后的移动设备距离最近的边缘服务器，作为第二目标边缘服务器。8.一种工业物联网系统，包括移动设备、边缘主服务器和多个边缘服务器，其特征在于：该工业物联网系统采用如权利要求1～7任一项所述的方法将移动设备中的计算任务进行卸载和迁移。

技术总结
本发明涉及工业物联网边缘计算卸载和任务迁移方法及工业物联网系统，其中卸载和任务迁移方法包括：边缘主服务器根据每个移动设备的历史位置信息预测得到各移动设备位置以及根据各移动设备和边缘服务器的历史计算资源预测得到各节点计算资源；构建决策网络，并将预测得到的各移动设备位置和计算资源作为决策网络的输入，通过该决策网络输出最小的任务处理时延和系统能耗的卸载和迁移方案；最后工业物联网中的移动设备按照卸载决策进行计算卸载和将计算任务从一个边缘服务器迁移至另一个服务器。该方法解决移动感知工业物联网的计算卸载问题的同时，降低了任务时延和系统能耗以及任务迁移率。耗以及任务迁移率。耗以及任务迁移率。


技术研发人员：陈海明 秦伟 王磊
受保护的技术使用者：宁波大学
技术研发日：2023.04.17
技术公布日：2023/7/25