专利名称:QoE感知的移动辅助边缘服务方法、系统和设备
专利类型:实用新型专利
专利申请号:CN202410716197.2
专利申请(专利权)人:中国人民解放军国防科技大学
权利人地址:湖南省长沙市开福区德雅路109号
专利发明(设计)人:任棒棒,程梓宸,刘晗,罗来龙,郭得科,廖汉龙
专利摘要:本申请涉及QoE感知的移动辅助边缘服务方法、系统和设备,该方法包括:获取用户终端发出的新任务;根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列;混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分;根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发。大幅提高了计算节点在用户的体验质量维度下的任务处理能力。
主权利要求:
1.一种QoE感知的移动辅助边缘服务方法,其特征在于,包括步骤:获取用户终端发出的新任务;
根据设定目标函数和约束条件对所述新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;所述设定目标函数为最小化任务的最大完成时间,所述约束条件包括任务分配方案满足任务的精度要求、任务在负责该任务的移动边缘节点之间分配和子任务的权值不小于0;各所述移动边缘节点包括智能汽车、无人机和机器人,子任务的外部延迟为:表示子任务 的外部延迟, 表示任务 到移动边缘节点 的权值,
表示任务 从用户终端到达固定边缘节点 的速率, 表示固定边缘节点 到移动边缘节点 的速率, 表示移动边缘节点 到固定边缘节点 的速率, 表示固定边缘节点 发出任务 的用户终端的速率;
对每个所述移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各所述任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各所述任务缓存队列;
所述混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分;
根据重新排序后的各所述任务缓存队列分别向各相应所述移动边缘节点进行任务分发;其中,获取用户终端发出的新任务的步骤,包括:周期性收集所述用户终端发出的用户服务请求;
从所述用户服务请求中提取所述新任务并存入所属时间片对应的用户请求集;每一个时间片对应有一个所述用户请求集,所述用户请求集中的每一个任务通过参数元组表示;其中, 表示任务 的总上传数据量, 表示任务 的总下载数据量, 表示任务 所需的计算资源量。
2.根据权利要求1所述的QoE感知的移动辅助边缘服务方法,其特征在于,所述设定目标函数为:所述约束条件为:
其中,min表示最小值,max表示最大值, 表示队列 的任务完成时间, 表示权值向量, 表示任务 到第j个移动边缘节点 的权值, 表示移动边缘节点 的计算精度,表示任务 的需求精度,n表示移动边缘节点数量。
3.根据权利要求1所述的QoE感知的移动辅助边缘服务方法,其特征在于,若所述新任务不可拆分,则将所述新任务的拆分权值设置为布尔变量并将所述新任务交由单个所述移动边缘节点进行处理。
4.一种QoE感知的移动辅助边缘服务系统,其特征在于,包括:
任务接收模块,用于获取用户终端发出的新任务;
任务分配模块,用于根据设定目标函数和约束条件对所述新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;所述设定目标函数为最小化任务的最大完成时间,所述约束条件包括任务分配方案满足任务的精度要求、任务在负责该任务的移动边缘节点之间分配和子任务的权值不小于0;各所述移动边缘节点包括智能汽车、无人机和机器人,子任务的外部延迟为:表示子任务 的外部延迟, 表示任务 到移动边缘节点 的权值,
表示任务 从用户终端到达固定边缘节点 的速率, 表示固定边缘节点 到移动边缘节点 的速率, 表示移动边缘节点 到固定边缘节点 的速率, 表示固定边缘节点 发出任务 的用户终端的速率;
重排序模块,用于对每个所述移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各所述任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各所述任务缓存队列;所述混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分;
任务分发模块,用于根据重新排序后的各所述任务缓存队列分别向各相应所述移动边缘节点进行任务分发;获取用户终端发出的新任务的步骤,包括:周期性收集所述用户终端发出的用户服务请求;
从所述用户服务请求中提取所述新任务并存入所属时间片对应的用户请求集;每一个时间片对应有一个所述用户请求集,所述用户请求集中的每一个任务通过参数元组表示;其中, 表示任务 的总上传数据量, 表示任务 的总下载数据量, 表示任务 所需的计算资源量。
5.根据权利要求4所述的QoE感知的移动辅助边缘服务系统,其特征在于,所述设定目标函数为:所述约束条件为:
其中,min表示最小值,max表示最大值, 表示队列 的任务完成时间, 表示权值向量, 表示任务 到第j个移动边缘节点 的权值, 表示移动边缘节点 的计算精度,表示任务 的需求精度,n表示移动边缘节点数量。
6.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至3任一项所述的QoE感知的移动辅助边缘服务方法的步骤。 说明书 : QoE感知的移动辅助边缘服务方法、系统和设备技术领域[0001] 本发明属于边缘计算技术领域,涉及一种QoE感知的移动辅助边缘服务方法、系统和设备。背景技术[0002] 随着物联网设备的规模化应用,越来越多的新兴物联网服务如移动游戏、移动视频处理、图像识别等已经出现并得到迅速普及,这些新兴物联网服务对边缘计算提出了更高的要求。这一类型的服务通常具有高时延敏感度、高资源消耗量和高计算密集度的特点。然而,物联网设备通常被设计为更加灵活、更易移动,这极大限制了设备本身的计算处理能力。面对这一现实需求,新兴的边缘计算(EdgeComputing)提出了一种通过在靠近用户部署的边缘计算节点中预先缓存所需服务功能,从而为网络边缘的物联网服务提供低时延体验的计算范式。针对云‑边‑端三层边缘计算架构中可能出现的服务资源“供不应求”的问题,已经有研究工作提出了一种移动辅助的新兴边缘计算架构。但以往关于移动辅助边缘计算架构的研究工作多从提高服务质量(QualityofService,QoS)角度出发,如降低服务器端平均时延;但由于时延对用户体验质量的异质影响,其对于提高用户体验质量是效率低下的,因此,在实现本发明的过程中,前述传统移动辅助的新兴边缘计算技术,仍然存在着计算节点在用户的体验质量(QualityofExperience,QoE)维度下的任务处理能力不足的技术问题。发明内容[0003] 针对上述传统方法中存在的问题,本发明提出了一种QoE感知的移动辅助边缘服务方法、一种QoE感知的移动辅助边缘服务系统以及一种计算机设备,能够大幅提高计算节点在用户的体验质量维度下的任务处理能力。[0004] 为了实现上述目的,本发明实施例采用以下技术方案:[0005] 一方面,提供一种QoE感知的移动辅助边缘服务方法,包括步骤:[0006] 获取用户终端发出的新任务;[0007] 根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;设定目标函数为最小化任务的最大完成时间,约束条件包括任务分配方案满足任务的精度要求、任务在负责该任务的移动边缘节点之间分配和子任务的权值不小于0;[0008] 对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列;混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分;[0009] 根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发。[0010] 另一方面,还提供一种QoE感知的移动辅助边缘服务系统,包括:[0011] 任务接收模块,用于获取用户终端发出的新任务;[0012] 任务分配模块,用于根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;设定目标函数为最小化任务的最大完成时间,约束条件包括任务分配方案满足任务的精度要求、任务在负责该任务的移动边缘节点之间分配和子任务的权值不小于0;[0013] 重排序模块,用于对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列;混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分;[0014] 任务分发模块,用于根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发。[0015] 又一方面,还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的QoE感知的移动辅助边缘服务方法的步骤。[0016] 上述技术方案中的一个技术方案具有如下优点和有益效果:[0017] 上述QoE感知的移动辅助边缘服务方法、系统和设备,通过获取用户终端发出的新任务后,根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列,进而再对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列,最后根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发,以完成用户终端所请求的服务处理。[0018] 相比于现有技术,上述方案在传统的“云边端”三层网络计算架构之上,以最大化用户的体验质量为目标,采用两阶段的任务调度策略来执行任务的分配调度,以降低任务优化分配问题的复杂度,对在线到达的新任务进行合理划分,实现各移动边缘节点之间的负载均衡。而在此策略中,引入了一种同时考虑了体验质量灵敏度和任务处理时间的混合灵敏度排序方法(MSR),对各移动边缘节点对应的任务缓存队列进行子任务重排序,使得整体体验质量得到最大化,从而达到大幅提高计算节点在用户的体验质量维度下的任务处理能力的效果。附图说明[0019] 为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。[0020] 图1为CRI拍卖机制的示意图;[0021] 图2为体验质量与服务延迟的关系示意图;[0022] 图3为体验质量感知的移动辅助边缘服务框架的示意图;[0023] 图4为调度器设计示意图;[0024] 图5为一个实施例中体验质量感知的移动辅助边缘服务方法的流程示意图;[0025] 图6为一个实施例中体验质量感知的调度模块设计示意图;[0026] 图7为一个实施例中任务分配过程示意图;[0027] 图8为一个实施例中体验质量‑服务延迟曲线图;[0028] 图9为一个实施例中600秒内不同在线到达任务的体验质量值的对比结果图;[0029] 图10为一个实施例中600秒内不同在线到达任务的服务延迟的对比结果图;[0030] 图11为一个实施例中不同任务到达率下的平均体验质量与任务完成率结果图,其中,(a)为不同任务到达率下的平均体验质量值,(b)为不同任务到达率下的任务完成率;[0031] 图12为一个实施例中同一组实验下总计体验质量与平均服务延迟的对比结果图;[0032] 图13为一个实施例中QoE感知的移动辅助边缘服务系统的模块结构示意图。具体实施方式[0033] 为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。[0034] 除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。[0035] 需要说明的是,在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。[0036] 本领域技术人员可以理解,本文所描述的实施例可以与其它实施例相结合。在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。[0037] 就移动设备而言,现有文献从内容缓存和内容传递的角度研究了连接性和自动驾驶车辆(CAV),还研究了基于无人机辅助的蜂窝网络,其中无人机可作为中继节点以改善无线连接。现有文献还研究了边缘节点如何帮助移动机器人更好地执行任务,此处可以CAV为例,总结相关研究要点。现有文献使用车载缓存以减轻网络负担,而现有文献提出的深度强化学习(DDPG)框架在车载边缘计算环境下,能够有效地联合优化内容放置和内容传递问题。[0038] 这些研究者成功地发现,许多移动设备都具备计算、通信和存储功能,因此它们可以像具有移动性的计算机一样工作。这也是下文提出移动辅助边缘计算框架,并将移动边缘节点引入边缘计算中的重要认知前提。在所有关于移动边缘节点的研究中,现有文献也考虑了利用移动设备的处理能力,探索了如何通过放置移动边缘设备来增强移动和固定边缘设备的原始任务分配问题。[0039] 边缘计算是一种具有前途的模式,它可以通过在固定边缘节点上预缓存所需服务来为网络边缘的物联网应用提供超低延迟体验。然而,在满足某些特定服务请求的高峰时段时,供需不匹配的问题可能会出现。对于对延迟敏感的用户请求,固有边缘计算供应能力与用户需求之间的不匹配可能是致命的,而且这种不匹配可能会因服务供应周期较长而进一步加剧。为了解决这个问题,有学者已经提出了移动辅助边缘计算框架,利用移动边缘节点来提高固定边缘节点的服务质量。[0040] 针对移动辅助边缘计算框架,学者还设计了一个可信、互惠和激励(CRI)的拍卖机制,以激励移动边缘节点参与为用户请求提供服务。提出的移动辅助边缘计算框架具有以下优点:更高的任务完成率、最大化利润和计算效率。[0041] 移动辅助边缘计算框架将移动设备描述为具有理想特性的移动边缘节点,即具有可观的资源和移动性。像智能汽车、无人机和机器人这样的移动设备通常能够通过无线网络接收和发送信息,且具有一定的计算和存储资源,因此它们具有了接入点与服务器的性质。拥有类似性质的移动设备都可以看作移动边缘节点。[0042] 在边缘计算环境下,不同参与者的角色不同,但它们之间需要协同工作以提供最佳的服务。在移动辅助计算框架中考虑了以下五种角色,如1)终端用户:终端用户希望获得最佳的服务体验,因此需要向服务提供商和基础设施提供商支付相应的费用。2)服务提供商:服务提供商的责任是为终端用户提供广泛的服务,这些服务可以部署在固定边缘节点、移动边缘节点或远程云中。3)基础设施提供商:基础设施提供商主要提供计算、存储、通信和其他网络资源,例如固定边缘节点和远程云。4)移动边缘节点:移动边缘节点则对边缘计算框架的性能起着至关重要的作用,它们可以帮助固定边缘节点处理相应的服务请求。当处理来自固定边缘节点的任务时,移动边缘节点需要负责自己的一些业务,包括计算任务完成时间并给出报价,以及规划相应的移动路径。运营商需要对移动边缘节点进行付费来激励其处理一些用户请求。5)远程云:远程云缓存终端用户所需的所有服务,并被认为具有相对无限的网络资源。每个固定边缘节点需要在每个时间片内拍卖本地生成的用户请求任务,拍卖的任务由运营商决定。这些参与者需要密切合作,以确保最终用户获得最佳的服务体验。[0043] 对于固定边缘节点和移动边缘节点,移动辅助计算框架给出了涉及到的相关资源如下:[0044] 网络链路:在移动辅助边缘计算框架中,每个终端用户或移动边缘节点都可以与AP(无线接入点,Accesspoint)建立蜂窝链路。除此之外,该框架假设5G时代提供的带宽足以支持它们建立链路。此外,考虑到实现快速路由选择,运营商通过回程网络与固定边缘节点建立连接。远程云缓存网络边缘所需的所有服务,通常部署在远离最终用户的地方。虽然这些服务可以通过主干网连接到固定边缘节点,但由于时延大,对于时延敏感的用户请求是无法满足的,因此并不将调度服务到远程云作为优先选择。[0045] 缓存能力:在该框架中,所有的固定边缘节点都被设计为具有灵活的服务缓存能力。可以通过使用容器或虚拟机等技术来快速缓存服务功能。这意味着使用工具箱、设置和算法等来快速缓存各种服务。与固定边缘节点不同,移动边缘节点只能实现特定的服务类型。尽管如此,假设移动边缘节点预先部署了特定的服务,仍然有一些场景可以发挥它们的优势。例如,在自然灾害应急和未来的城市场景中,大量的移动设备将对现有的边缘服务器发挥更大的支持作用。此外,远程云具有丰富的存储资源,可以缓存所有需要的服务。相比之下,固定边缘节点和移动边缘节点的存储资源有限,无法缓存过多的服务。因此,边缘节点可以利用其灵活的缓存能力,在每个时间片中预先缓存一些服务。[0046] 处理能力:在移动辅助边缘计算框架中,固定边缘节点和移动边缘节点的处理能力都指处理用户请求的能力,涉及到CPU、GPU和TPU等性能。它关系到每单位时间内处理任务量的多少,或者处理同一请求所需时间的长短。该框架中,将全部用户请求划分为两类:一类是可以被固定边缘节点处理的,另一类是固定边缘节点无法处理,需要移动边缘节点介入的。前者即时处理,后者则需要通过移动边缘节点进行处理。[0047] 对于边缘计算环境中的移动边缘节点,移动辅助计算框架还设计了一种可信、互惠和激励的拍卖机制(CRI),以激励移动边缘节点自愿参与到边缘计算环境中。该机制通过奖励方式促进了移动边缘节点与运营商之间的互惠关系,形成了一种市场机制。作为市场环境中的一员,移动边缘节点始终在追求自身利益的最大化。由于计算资源是闲置的,如果能够获得盈利,市场环境中就会存在激励机制,移动边缘节点倾向于处理运营商安排的任务。图1中展示了CRI机制的具体细节,其中,(1)表示发送用户算力请求,(2)表示发布任务,(3)表示发布移动边缘节点信息有机PoP,(4)表示发送算力任务分配方案及PoA,(5)表示返回任务处理结果,(6)表示工作量付费。其中,PoP(ProofofParticipation)指来自移动边缘节点的参与证明,PoA(ProofofAssignment)指来自固定边缘节点的分配证明。[0048] 由于人工智能(AI)算法的高度复杂性,将其在资源有限的物联网(IoT)设备上执行已被证明是不切实际的。为解决这一问题,边缘计算为执行AI任务提供了有效的计算范例,其中大量的AI任务可以卸载到边缘服务器上执行。目前,现有的研究工作主要集中在通过提高服务质量(QoS)来实现高效的计算卸载,例如降低平均服务器端延迟。然而,由于延迟对于用户体验质量(QoE)的异质影响,这些努力往往效率低下。因此,有学者从正交角度重新考虑调度方法,即通过为边缘AI应用设计QoE感知服务增强策略,最终实现了体验质量的改进。[0049] 为了建立一种基于可量化的服务质量参数的有效体验质量控制机制,需要确定体验质量与服务质量之间的定量关系。为此,许多研究致力于寻找描述体验质量和服务质量参数之间相互联系和依赖的通用公式。例如,一些研究对现有的质量评估方法进行分类和调查,以找到可以与最终用户感知的体验质量相关的服务质量指标。部分学者分析了服务取消率与服务延迟或传输带宽之间的关系。还有人提出体验质量和延迟通过一种指数关系相互关联,称为IQX假设。此外,IQX假设已被证明具有与使用多个服务质量度量作为特征进行训练的机器学习方法相当的准确性。[0050] 这样一种定量的体验质量和服务质量之间的关联模型是体验质量控制机制设计的关键。这不仅可以帮助优化边缘计算中的任务调度策略,还可以提高用户体验质量,从而提高边缘计算系统整体的性能和效率。图2展示了IQX假设中服务延迟和体验质量之间的关系,根据这个图可以将体验质量的敏感程度分为三类:[0051] 恒定最优体验质量:此类中体验质量对服务延迟不敏感,因此增加服务延迟的影响并不显著,如图2中A1区所示,也为传统的任务期限。[0052] 下沉体验质量:此类中体验质量对服务延迟非常敏感,随着延迟的增加,体验质量快速下降,并且曲线左端比右端更加敏感,如图2中A2区所示。[0053] 不可接受的体验质量:此类中,用户不会因为服务器端延迟而放弃服务,而是可能因为超过设定的延迟约束而停止使用服务,如图2中A3区所示。[0054] 传统中,服务的最后期限设置在恒定最优体验质量区域的最右端,即体验质量开始下降的地方。然而,这种设置可能会消耗大量计算资源来处理快速生成的任务。此外,当服务延迟超过阈值时,体验质量并不会立即降为零,而是逐渐降低。现有文献据此提出了体验质量感知服务模型,以进一步分配计算资源,使得在相同情况下可以实现更高的任务完成率和总体的体验质量值。[0055] 图3展示了体验质量感知服务增强模型的概览。物联网设备由多种智能终端组成,支持多种人工智能应用。由于这些设备的处理能力和电池寿命有限,许多任务需要卸载到边缘进行处理。Cloudlet服务器是一类可信任、资源丰富的计算机或计算机集群,可以部署在网络边缘,与互联网连接良好。它们可以被附近的移动设备使用,例如部署在蜂窝基站上或商用的现货路由器和智能灯柱上。[0056] 模型认为这样的Cloudlet服务器可以为该地区的物联网设备提供计算服务。物联网设备将人工智能任务卸载到云计算服务器,在移动蜂窝网络或其他方式下执行。调度器负责调度这些任务。确定在Cloudlet服务器上计算的任务首先会缓存在缓冲池中,然后在其算法池中执行。[0057] IoT设备的任务将通过调度器分配到缓冲池和算法池。调度器是运行在cloudlet服务器内部的进程,由接入路由器、任务分配器和缓冲池动态适配器等三个基本模块组成,如图4所示。其中接入路由器模块负责确定哪些任务可以在边缘执行。如果任务不能在Cloudlet服务器上执行,例如需要额外的计算开销或者边缘服务器没有配置相应算法,该任务将被上传到数据中心进行计算。否则,该任务将被安排到任务分配器中。[0058] 任务分配器将任务的输入数据(如原始视频数据)划分为不同大小的多个(视频)片段,并分配给属于该类型任务的虚拟机。这个分配是基于任务所需的准确性和每个虚拟机的工作量的。然后,每个任务的输入数据存储在一个专门的队列中等待计算。为了便于参考,此处在表1符号注释中列举了本文涉及的主要符号。[0059] 表1[0060][0061] 下面将结合本发明实施例图中的图5至图13,对本发明实施方式进行详细说明。[0062] 请参阅图5,在一个实施例中,本申请实施例提供了一种QoE感知的移动辅助边缘服务方法,包括如下处理步骤S12至S18:[0063] S12,获取用户终端发出的新任务;[0064] S14,根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;设定目标函数为最小化任务的最大完成时间,约束条件包括任务分配方案满足任务的精度要求、任务在负责该任务的移动边缘节点之间分配和子任务的权值不小于0;[0065] S16,对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列;混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分;[0066] S18,根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发。[0067] 可以理解,上述方法步骤可以由固定边缘服务器执行,如图6所示,固定边缘服务器可以包含服务分析器、QoE优化器和调度器模块三个部分。其中:服务分析器负责周期性收集用户服务请求的数据;服务请求提交后,服务分析器对用户服务所包含的任务进行提取,如包括任务的时延、分布式计算特性、计算环境需求与数据量大小等。此外,服务分析器同样需要收集有意向进行服务的移动边缘节点的信息,并对节点的成本、服务时长信息进行提取。这些信息将被按批次发送到QoE优化器,AP即为无线接入点。[0068] QoE优化器执行优化算法。根据各个服务请求,固定边缘服务器自身状况和有意愿参与资源共享的移动边缘节点的实际状况,以及部署的优化算法模块给出最优匹配调度,即在各个移动边缘节点上的服务部署方案。[0069] 调度器模块负责根据优化方案分发服务数据,并保持在线状态实时与移动边缘节点和用户终端设备进行交互,例如对用户进行收费并对移动边缘节点进行付费。由于移动边缘节点可能出现断开连接,不在服务范围内的突发状况,调度器模块需要实时向QoE优化器提交服务质量状态并重新调度,保证用户服务的体验质量。[0070] 上述QoE感知的移动辅助边缘服务方法,通过获取用户终端发出的新任务后,根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列,进而再对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列,最后根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发,以完成用户终端所请求的服务处理。[0071] 相比于现有技术,上述方案在传统的“云边端”三层网络计算架构之上,以最大化用户体验质量为目标,采用两阶段的任务调度策略来执行任务的分配调度,以降低任务优化分配问题的复杂度,对在线到达的新任务进行合理划分,实现各移动边缘节点之间的负载均衡。而在此策略中,引入了一种同时考虑了体验质量灵敏度和任务处理时间的混合灵敏度排序方法,对各移动边缘节点对应的任务缓存队列进行子任务重排序,使得整体体验质量得到最大化,从而达到大幅提高计算节点在用户的体验质量维度下的任务处理能力的效果。[0072] 进一步的,关于上述的步骤S12,具体可以包括如下处理步骤:[0073] 周期性收集用户终端发出的用户服务请求;[0074] 从用户服务请求中提取新任务并存入所属时间片对应的用户请求集。[0075] 可以理解,终端用户通过其使用的用户终端不断向固定边缘服务器发出请求,在每一个时间片上固定边缘服务器都有一个选择派发给移动边缘节点的用户请求集,本文用表示在时间片 上的这一集合,以便于请求管理和服务。[0076] 进一步的,每一个时间片对应有一个用户请求集,用户请求集中的每一个任务都可通过参数元组 表示;其中, 表示任务 的总上传数据量, 表示任务 的总下载数据量, 表示任务 所需的计算资源量。[0077] 具体的,对每个任务 ,可通过参数元组 表示,其中是任务 的总上传数据量, 是任务 的总下载数据量, 是任务 所需的计算资源量(例如CPU周期)。此外,对于任务 有覆盖此任务的固定边缘服务器 ,任务的需求精度 ,以及时间片 上的可用移动边缘节点集合 。对每一个此时的可用移动边缘节点 ,为其配置一个缓存队列并记作 ,从而便于服务处理,避免任务管理出错。[0078] 当一个终端用户的新任务 被发出后,该任务 首先以 的速率到达固定边缘节点 。固定边缘节点上的调度器则将在线到达的任务中进行拆分,分配到不同的移动边缘节点进行处理,其拆分权值记为 。[0079] 进一步的,若新任务不可拆分,则将新任务的拆分权值设置为布尔变量并将该新任务交由单个移动边缘节点进行处理。可以理解,当考虑不能被分割的部分任务时,只需将此时的权值 设置为布尔变量,则此时的任务只能交由单个移动边缘节点进行计算。为了更好地描述任务状态,假设每个新任务拆分后得到一系列子任务,则每个子任务将以的速率被发送至各个移动边缘节点。如图7所示,给出了上述过程的一个示意图。[0080] 需要说明的是,假设新的子任务到达时,每个移动边缘节点 的队列中已有多个子任务等待或被处理。将已经在队列 中的任务 的子任务状态记作 ,其中:[0081] ;[0082] 由此,每个子任务则可以重新以一个元组来进行表示,其中的每个元素分别代表子任务的任务量、状态和外部延迟。为了计算队列 中子任务的处理时间,定义为处理时间的向量,用 表示移动边缘节点的处理能力,则有:[0083] ;[0084] 对于每个子任务的外部延迟,每个子任务都经过了终端→固定节点→移动边缘节点→固定节点→终端的过程。则有:[0085] ;[0086] 为了表示队列 中每个子任务的位置,令 表示子任务 是否在队列的第 位置,则:[0087] ;[0088] 因此,以下 阶矩阵可以用于表示第 个在时间片 上发出的任务到达时,其所有任务服务请求的位置信息表示为:[0089] ;[0090] 最终得到重新调度后的 中第 个子任务的服务器端延迟:[0091] ;[0092] 以及第 个子任务的外部延迟:[0093] ;[0094] 因此得到 中第 个子任务的总服务延迟为 。定义元组 的位置为 ,其中,元组位置 。因此,任务 的总延迟可表示为:[0095] ;[0096] 故服务增强模型的目标和约束可总结为:[0097] ;[0098] ;[0099] ;[0100] ;[0101] ;[0102] ;[0103] ;[0104] 其中,该目标函数意在最大化用户体验质量。第一个约束(s.t.)用于保证任务分配能够满足要求的计算精度。第二个约束确保任务完整地分配到可用移动边缘节点当中。第三个约束表示每个被分配的子任务仅包含每个移动边缘节点的一个队列位置信息。第四个约束表示在任何队列的任何位置上都只能有一个子任务。最后两个约束用于定义决策变量的域。[0105] 通过定义服务增强模型的感知质量主要目标和约束条件,该模型可以被表示为混合整数非线性规划问题(MINLP)的一个变体。然而,由于MINLP问题被认为是非确定性多项式(NP‑hard),因此需要在降低计算复杂度的前提下,寻找一种有效解法来确定多项式时间内的次优解。[0106] 进一步的,关于上述步骤S14和S16,对应为本申请设计的两阶段任务调度策略,可降低NP‑hard问题的复杂度。为了实现任务负载均衡和提高体验质量,选择将策略分为两个阶段。第一阶段旨在平衡所有相关移动边缘节点的工作负载,通过将在线到达的任务划分为多个子任务,并分配给特定的移动边缘节点,以减少总体任务处理时间。具体来说,此处使用不同的算法对节点的在线到达任务进行合理的划分,以实现各个移动边缘节点之间的负载均衡。在第二阶段,通过对移动边缘节点队列的重新调度来提高整体用户的体验质量,特别是在节点出现任务堆积的情况下。需要考虑到不同在线任务对体验质量的敏感程度以及处理时间的差异,以便调整每个移动边缘节点的任务队列,使得整体体验质量得到最大化。因此,此处提出的两阶段调度策略包括以下步骤:[0107] 1)任务划分实现负载均衡:这一阶段使用不同的算法对在线到达的任务进行合理的划分,以期实现移动边缘节点之间的负载均衡。[0108] 2)体验质量感知的动态队列调度:为了最大化整体体验质量,这一阶段根据任务的敏感度和处理延迟来调整每个移动边缘节点的任务队列。[0109] 第一阶段的内容是进行任务划分,以平衡各个移动边缘节点的工作负载。当前,每个移动边缘节点都配置了一个任务缓存队列,每个在线到达固定边缘服务器的任务都由多个移动边缘节点并行完成。因此,对于新到达的任务 ,调度器应当确定任务 的任务分配方案,以最小化其中最长的任务计算延迟,从而实现各个移动边缘节点之间的负载均衡。假设对于在时间片 发出的任务 有 个移动边缘节点负责处理。和 分别代表移动边缘节点的计算精度和移动边缘节点的处理能力。每个移动边缘节点都维护一个任务队列,用于该任务的所有移动边缘节点的队列可表示为 。权值向量 给出了任务 的分配方案,其中 。具体而言,对于任务 ,有 的CPU周期计算量分配给移动边缘节点 。一个可行的任务划分方案则应当满足任务的总精度要求,即:[0110] ;[0111] 在上式中, 指移动边缘节点 的计算精度, 表示任务 需求的精度。依据上述的任务划分方案,完成队列 中任务所需的计算量为。任务 到达后,队列 的任务完成时间计算如下:[0112] ;[0113] 为了满足精度要求,任务的输入数据被分割成多个数据段,并由不同的移动边缘节点计算,其中最后一个移动边缘节点的处理时间决定了该任务的服务器端延迟。为了让所有相关的移动边缘节点工作负载平衡并保证结果准确性,需要尽可能缩短所有队列的最大完成时间。[0114] 为了最小化任务的最大完成时间,此处的设定目标函数被设计成一个优化问题。此处同时需要满足一些约束条件,包括任务的精度要求和负责处理该任务的移动边缘节点之间的任务分配。此外,变量的取值应在特定的范围内。因此,可以将设定目标函数和约束条件总结如下:[0115] 设定目标函数:最小化任务的最大完成时间。[0116] 约束条件1:任务分配方案必须满足任务的精度要求。[0117] 约束条件2:任务应该在负责该任务的移动边缘节点之间分配。[0118] 约束条件3:变量的取值必须在特定的范围内。[0119] 进一步的,设定目标函数最终公式化为:[0120] ;[0121] 约束条件为:[0122] ;[0123] ;[0124] ;[0125] 其中, 表示最小值, 表示最大值, 表示队列 的任务完成时间,表示权值向量, 表示任务 到第 个移动边缘节点 的权值, 表示移动边缘节点的计算精度, 表示任务 的需求精度, 表示移动边缘节点数量。[0126] 在第二阶段,则重点关注根据基于体验质量的任务敏感性和处理时间,对任务队列进行重新排序,以最大化总体体验质量。对于具有一定数量子任务的任务队列,不同子任务的执行顺序可能会导致整体体验质量结果发生显著变化,因为不同任务之间的外部延迟、等待时间和处理时间可能存在异质性。因此,需要提供一种有效的重新调度策略,对等待的子任务序列进行排序,以提高整体体验质量值。[0127] 基线方法采用先到先服务(FAFS)的调度策略,其中第一个到达的任务被赋予最高的优先级。这种方法存在两个缺点。首先,当在线任务以相对较高的速率到达时,由于FAFS的执行顺序,可能会发生任务积压的情况。这会导致一些高体验质量敏感性的任务无法及时得到执行,服务延迟时间长,体验质量值低。其次,FAFS无法考虑任务的体验质量敏感性,因此可能会导致低体验质量敏感性的任务优先执行,而忽略了高体验质量敏感性的任务。[0128] 为了提高整体用户的体验质量,本文重新引入了排序方法,并从体验质量敏感性的角度进行优化。模型记录每个任务的外部延迟和队列等待时间信息,还考虑了任务的CPU周期和虚拟机的计算速度,以计算任务处理延迟。模型的目标是重新调度每个相关任务的队列序列,从而提高用户的体验质量。考虑到体验质量敏感性的异质性,此处尝试通过按照服务延迟在体验质量曲线上的导数对所有请求进行排序,以调整队列顺序。这可以代表服务延迟对体验质量的微小影响。具体的,此处将体验质量灵敏度设置为任务的外部延迟对体验质量模型的导数。根据体验质量模型,任务的外部延迟斜率越大,则该任务将被优先分配,按此方式依次处理其他任务。[0129] 然而,任务外部延迟的导数并不能完全代表服务延迟微小变化对体验质量值的影响。这是因为队列等待时间和任务处理延迟同样会对体验质量值及其灵敏度产生影响。因此,本文在此处使用任务服务延迟的导数作为体验质量灵敏度的值。举例来说,对于子任务,体验质量灵敏度可以表示为:[0130] ;[0131] 其中 表示子任务 的服务延迟,其中包含外部延迟 ,预计的处理时间 和目前为止的队列等待时间。通过这种方式,可以更准确地衡量每个子任务对体验质量的影响,从而更好地指导队列调度的决策。值得注意的是,这种方法可以和文献中的灵敏度优先排序法(SFR)相结合,通过按体验质量灵敏度排序来调整队列顺序,从而提高整体用户的体验质量。[0132] 需要注意的是,相同体验质量灵敏度的任务会导致不同的体验质量值。这是因为处理时间长的任务会导致后续任务等待时间的延长,从而严重降低整体体验质量。因此,这里引入了一种名为混合灵敏度排序方法(MSR)的新的排序策略,该策略同时考虑了体验质量灵敏度和任务处理时间。此处根据任务的体验质量灵敏度和处理时间计算每个任务的混合灵敏度得分,并将任务按照得分从高到低进行排序。新的混合灵敏度得分计算方式如下:[0133] ;[0134] 该方法优先处理的子任务需要同时满足较高的体验质量敏感度和较短的处理时间。需要注意的是,对于给定的任务,不同队列中子任务的排序顺序可能不同,因为在每个队列中,子任务分配的CPU周期和处理时间并不相同。为了实现体验质量的整体提升,任务完成时间,即给定任务的所有子任务的最大完成时间应尽可能小。因此,在本文中尝试通过根据计算量最大的子任务的排列顺序来调整每个队列的排序方式,以在确定任务完成时间和体验质量敏感性方面起到至关重要的作用。该排名指数如图8所示。[0135] 以上的两阶段任务调度策略可以概括为一种调度处理算法,该算法的输入为任务,队列状态、移动边缘节点计算精度、移动边缘节点处理能力和任务到达情况。将后四项分别记为变量 、 、 和 。输出则是重新调度后得到的队列顺序。[0136] 在一些实施方式中,还通过实验对比了三种任务排列算法FAFS、SFR和MSR,可以发现600秒内不同在线到达任务的体验质量值如图9所示,相比之下,MSR方法显然能取得最好的效果,大部分任务都能获得较高的体验质量。600秒内不同在线到达任务的服务延迟,结果如图10所示,与SFR方法相比,MSR方法的服务器端延迟更加无序,因为在这种方法当中考虑了任务调度的体验质量敏感性和任务处理时间。不同任务到达率下的平均体验质量与任务完成率的结果如图11所示,(a)为不同任务到达率下的平均体验质量值,(b)为不同任务到达率下的任务完成率,对于MSR方法,当任务到达率 时可以完成70%以上的任务,而FAFS和SFR方法的任务完成率仅为52%左右。同一组实验中总计体验质量与平均服务延迟的对比的结果如图12所示,相较之下,MSR始终可以实现比其他两种方法显著更高的总体体验质量值。[0137] 应该理解的是,虽然图5流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且图5的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。[0138] 请参阅图13,在一个实施例中,提供一种QoE感知的移动辅助边缘服务系统100,包括任务接收模块12、任务分配模块14、重排序模块16和任务分发模块18。其中,任务接收模块12用于获取用户终端发出的新任务。任务分配模块14用于根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;设定目标函数为最小化任务的最大完成时间,约束条件包括任务分配方案满足任务的精度要求、任务在负责该任务的移动边缘节点之间分配和子任务的权值不小于0。重排序模块16用于对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列;混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分。任务分发模块18用于根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发。[0139] 上述QoE感知的移动辅助边缘服务系统100,通过获取用户终端发出的新任务后,根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列,进而再对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列,最后根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发,以完成用户终端所请求的服务处理。[0140] 相比于现有技术,上述方案在传统的“云边端”三层网络计算架构之上,以最大化用户体验质量为目标,采用两阶段的任务调度策略来执行任务的分配调度,以降低任务优化分配问题的复杂度,对在线到达的新任务进行合理划分,实现各移动边缘节点之间的负载均衡。而在此策略中,引入了一种同时考虑了体验质量灵敏度和任务处理时间的混合灵敏度排序方法,对各移动边缘节点对应的任务缓存队列进行子任务重排序,使得整体体验质量得到最大化,从而达到大幅提高计算节点在用户的体验质量维度下的任务处理能力的效果。[0141] 在一个实施例中,上述QoE感知的移动辅助边缘服务系统100还可以用于实现上述QoE感知的移动辅助边缘服务方法各实施例中增加的步骤或者子步骤对应的功能。[0142] 关于QoE感知的移动辅助边缘服务系统100的具体限定,可以参见上文中QoE感知的移动辅助边缘服务方法的相应限定,在此不再赘述。[0143] 在一个实施例中,还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如下处理步骤:获取用户终端发出的新任务;根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;设定目标函数为最小化任务的最大完成时间,约束条件包括任务分配方案满足任务的精度要求、任务在负责该任务的移动边缘节点之间分配和子任务的权值不小于0;对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列;混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分;根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发。[0144] 可以理解,上述计算机设备除上述述及的存储器和处理器外,还包括其他本说明书未列出的软硬件组成部分,具体可以根据不同应用场景下的具体边缘服务器的型号确定,本说明书不再一一列出详述。[0145] 在一个实施例中,处理器执行计算机程序时还可以实现上述QoE感知的移动辅助边缘服务方法各实施例中增加的步骤或者子步骤。[0146] 在一个实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如下处理步骤:获取用户终端发出的新任务;根据设定目标函数和约束条件对新任务进行任务划分,得到划分后的各子任务并分配到当前可用的各移动边缘节点所对应的任务缓存队列;设定目标函数为最小化任务的最大完成时间,约束条件包括任务分配方案满足任务的精度要求、任务在负责该任务的移动边缘节点之间分配和子任务的权值不小于0;对每个移动边缘节点所对应的任务缓存队列,按照混合灵敏度排序法分别对各任务缓存队列中的子任务进行重新排序处理,得到重新排序后的各任务缓存队列;混合灵敏度排序法中使用任务服务延迟的导数和任务处理时间的比值计算混合灵敏度得分;根据重新排序后的各任务缓存队列分别向各相应移动边缘节点进行任务分发。[0147] 在一个实施例中,计算机程序被处理器执行时,还可以实现上述QoE感知的移动辅助边缘服务方法各实施例中增加的步骤或者子步骤。[0148] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(RambusDRAM,简称RDRAM)以及接口动态随机存储器(DRDRAM)等。[0149] 以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。[0150] 以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可做出若干变形和改进,都属于本申请保护范围。因此本申请专利的保护范围应以所附权利要求为准。
专利地区:湖南
专利申请日期:2024-06-04
专利公开日期:2024-09-03
专利公告号:CN118301666B