2024年3月10日发(作者:)

2022年5月

第46卷第3期

JournalofYanshanUniversity

燕山大学学报Vol.46

No.3

May2022

  

文章编号:1007-791X(2022)03-0273-10

基于单用户和分类任务的MEC任务

卸载策略及性能优化

李小良

1

,李 伟

2

,金顺福

2,∗

(1.

开滦集团信息与控制中心,河北唐山

063018;2.

燕山大学信息科学与工程学院,河北秦皇岛

066004)

摘 要:为了在满足用户服务体验的同时,提高移动设备的能耗利用率,对移动边缘计算(Mobile

Edge

Computing,MEC)中的任务卸载问题进行研究。考虑整体智能家居等专用MEC应用场景,引入物理机分簇机

制,提出一种基于单用户和任务分类的MEC任务卸载策略。结合任务的处理需求,将任务分为低速、中速和高

速三类,搭建带有异构边缘的MEC系统架构,构建具有单输入流与多类顾客的排队模型,评估任务的平均处理

时延和移动设备的能耗水平等性能指标。进行数值实验,分析不同系统参数对各性能指标变化带来的影响。

权衡不同性能指标,构建系统成本函数,应用卡罗需-库恩-塔克(Karush-Kuhn-Tucker,

KKT)条件方法,对任务

卸载策略进行联合优化,从而实现系统成本的最小化。

关键词:移动边缘计算;任务卸载;任务分类;异构边缘;KKT条件

中图分类号:

TP393  文献标识码:A  DOI:10.3969/.1007-791X.2022.03.011

0 引言

随着移动设备使用数目的增加以及5G技术

的飞速发展,人们开始对数据计算等有了更高的

要求。根据互联网数据中心(Internet

DataCenter,

了一个边缘云协作架构,并将框架中计算卸载问

题建模为一个带有约束的NP难题,应用贪心算法

以及模拟退火算法得出了最佳计算卸载方案。龙

隆等

[7]

提出了一种基于博弈论的计算卸载与资源

分配的联合优化算法,用于解决MEC中移动终端

产生的高时延问题。上述文献对MEC系统卸载

策略问题的研究均局限于一个度量角度,不能够

全面地提升用户体验。

针对不同应用情景下的MEC服务,研究人员

搭建出了各具特色的MEC系统框架。为了研究

MEC环境下车辆的能耗和延迟等问题,Yang等

[8]

搭建了一个由多台同构虚拟机组成的车辆MEC

框架,并设法解决任务卸载决策和计算资源分配

的联合优化问题。Delfin等

[9]

搭建了一个由用户

层、雾计算层和云层等三部分组成的雾计算框架。

通过在雾计算层配备多台同构虚拟机,缩减了用

户的请求响应时间。Li等

[10]

提出了一种由边缘和

云共同组成的边缘云架构,云负责管理和监视边

缘中的资源和服务,而边缘则负责处理分配给自

IDC)报告

[1]

,预计到2025年,全球数据总量将会

超过163

ZB,这其中有超过40%的数据将在网络

边缘处理。面对网络新时代,传统的云计算平台

暴露出了实时性差、阻塞率高、能耗开销大等诸多

不足

。为了用户的网络服务体验,移动边缘计

[2]

算(Mobile

EdgeComputing,MEC)的范式应运而

[3-4]

关领域的研究热点。

。MEC平台下的任务卸载策略问题成为相

为了制定合理的任务卸载策略,近年来,国内

外诸多学者已经进行了大量工作。Kuo等搭建

了关于MEC的能量消耗模型,提出了一种系统级

方法用于找寻任务卸载过程中最佳的节能方案。

为了使MEC中能耗达到最优水平,Long等

[6]

提出

  收稿日期:2021-09-27   责任编辑:孙峰

基金项目:国家自然科学基金资助项目(61872311,

61973261)

[5]

  作者简介:李小良(1975-),男,河北迁安人,硕士,高级工程师,主要研究方向为计算机通信技术;∗通信作者:金顺福(1966-),女,内

蒙古满洲里人,博士,教授,博士生导师,主要研究方向为计算机网络性能分析、排队论及其应用等,Email:jsf@。

 274燕山大学学报2022

己的服务请求。上述文献所构建的MEC系统框

架考虑的均为同构边缘。然而,在实际MEC情景

中,边缘往往是异构的,即分布在MEC边缘处的

计算资源种类多样,计算能力存在一定差异。

本文对整体智能家居等专用MEC应用情景

中的卸载问题进行研究,考虑不同任务的处理需

求,提出一种基于单用户和任务分类的MEC任务

卸载策略。搭建带有异构边缘的MEC系统框架,

建立由M/M/1、M/M/c和M/M/

等经典排队组

成的系统模型,评估基于单用户和任务分类的

以最小化系统成本为目标,应用卡罗需

-

库恩

-

克(Karush

-

Kuhn-Tucker,

KKT)条件方法,给出任

务卸载策略联合优化方案。

1 MEC系统框架及任务卸载策略

1.1 MEC系统框架

在整体智能家居等专用MEC应用场景中,家

庭网关通常会同时收到来自家庭内部的多种数据

任务

[11]

。这些任务或者直接在本地处理,或者被

卸载到网络边缘和云端。结合整体智能家居等专

用MEC的应用特点,在MEC系统中,引入分类处

理机制,将任务划分为低速、中速和高速等三类。

为了充分满足各类任务的处理需求,搭建基于单

用户和任务分类的MEC系统架构,如图1所示。

MEC任务卸载策略的系统性能,并进行系统实验。

图1 基于单用户和任务分类的MEC系统架构

  图1所示的MEC系统架构由本地端、基站、

边缘端和云端四部分组成。本地端和边缘端分别

部署了一台任务调度器,用来实施任务的卸载策

略。通过调节任务调度器上的任务卸载策略参

数,实现各类任务在MEC系统中的合理分配。

在本地端,考虑一名用户(单台移动设备)的

接入。本地端配备有本地调度器、本地处理器、本

地发送端口和本地接收端口等装置,分别用于实

现任务在本地端的决策、处理、发送和接收等功

能。本地处理器、本地发送端口和本地接收端口

各自带有一个容量不限的缓存空间。当本地处理

器、本地发送端口或本地接收端口被占用时,新到

Fig.1 ArchitectureofaMECsystembasedonsingle-userandtasksclassification

来的任务会在缓存区中排队等待。

边缘端配备有MEC调度器、MEC服务器和

MEC发送机等装置,分别用于实现任务在边缘端

的决策、处理和发送。MEC服务器是异构的,它由

三簇物理机构成。这些物理机分别被命名为簇1、

簇2和簇3,每簇物理机的数目不尽相同。处在同

一簇中的物理机具有相同的任务处理速率且共享

一个缓存。处在不同簇的物理机具有不同的任务

处理速率:簇1中物理机任务处理速率相对较低,

适合于低速类任务;簇2中物理机的任务处理速

率居中,适合于中速类任务;簇3中物理机的任务

处理速率相对较高,适合于高速类任务。

第3期李小良等 基于单用户和分类任务的MEC任务卸载策略及性能优化 275

云端上部署着大量云服务器,这些服务器有

着强大的计算能力,用于处理卸载到云端的全部

任务。同时云端还拥有众多大功率发送机,用于

发送被云服务器处理完毕的任务。

1.2 MEC任务卸载策略

结合1.1节所搭建的MEC系统架构,提出一

种基于单用户和任务分类的MEC任务卸载策略。

在移动设备上生成的任务被划分为低速、中

速或高速中的某一类。根据本地调度器上设定的

此类任务卸载策略参数,该任务以一定概率送到

本地处理器,以一定的概率送往本地输出端口。

任务在本地端接受处理时,不会进行类别的区分。

送往本地输出端口的任务卸载到边缘端或者

云端进行处理。卸载的任务在离开本地发送端口

后,进入传输信道,经过附近基站的转发,最终抵

达边缘端。任务在抵达边缘端后,根据MEC调度

器上设置的此类任务卸载策略参数,该任务以一

定的概率在MEC服务器上接受处理,以一定的概

率卸载到云端进行处理。根据任务类别,在MEC

调度器的控制下,MEC服务器上的任务被分配到

相对应的物理机簇上接受处理。各类任务在物理

机上处理结束后,由MEC发送机统一发送。发送

后的任务经过传输信道再次回到本地端,并由本

地接收端口进行接收。

如果任务被卸载到云端进行处理,那么任务

在离开边缘端后会再次经过传输信道传输到云

端。考虑到云服务器数目众多且计算能力强大,

任务在云端处不再进行种类区分,全部由云服务

器进行处理。各类任务在处理完毕后,由云发送

机发送到传输信道返回本地端,由本地接收端口

进行接收。

卸载策略建模为一个具有单输入流与多类顾客的

排队模型。

考虑用户触发任务的无后效性

[12]

,做出如下

假设。假设在移动设备上任务的生成服从参数为

λ(λ>0)的泊松过程。假设任务在本地处理器上

的处理时间服从平均值为t

1

lp

的负指数分布。基于

上述假设,任务在本地处理器上的处理过程可以

看作一个M/M/1排队。

VoltageandFrequencyScaling,DVFS)技术,其计

本地处理器采用动态电压频率调整(Dynamic

1bit的数据所需要的CPU转数为m。将任务在本

算能力由时钟频率f衡量

[13]

。设本地处理器处理

地处理器上的处理时间定义为从任务在本地处理

器上开始处理,一直到该任务完全处理完毕为止

所经历的时间。可以得出任务在本地处理器上的

平均处理时间t

l

lp

为:

t

l

lp

=

,

f

(1)

其中,θ为一个任务包含的平均数据量。

务所占比例分别为α

1

、α

2

和α

3

。任务生成后,会

根据本地调度器上设定的此类任务的卸载策略参

数,以一定的概率在本地处理器上处理,以一定的

概率卸载处理。设低速类、中速类和高速类任务

23

在本地处理的概率分别为p

1

l

、p

l

和p

l

。根据M/

当前任务流中,设低速类、中速类和高速类任

M/1排队的理论分析结果,可以得出任务在本地

处理器上的平均逗留时间t

lp

t

lp

=

其中,μ

lp

=

3

2 系统模型

2.1 本地计算模型

抽象任务在基于单用户和分类任务的MEC

任务卸载策略下的行为,将不同类任务看作多类

顾客,本地处理器、本地发送端口、本地接收端口、

物理机、MEC发送机、云服务器和云发送机等看作

服务台,将对任务的处理、发送和接收等过程看作

对顾客的服务过程。根据任务在各处服务台上的

服务特点,将基于单用户和任务分类的MEC任务

率,λ

lp

=

α

i

p

i

l

λ为任务在本地处理器的到达率。

i

=

1

1

f

=

为任务在本地处理器的处理速

t

l

lp

11

=

,

3

μ

lp

-

λ

lp

f

-

α

i

p

i

l

λ

i

=

1

(2)

被卸载的任务首先需要经过本地发送端口的

发送。假设任务在本地发送端口上的发送时间服

从相同的负指数分布。那么任务在本地发送端口

上的发送过程可以看作是一个M/M/1排队。

数据量,则r

op

的表达式为

令r

op

表示本地发送端口单位时间内发送的

r

op

=

Blog

2

1

+

S

(

N

)

,(3)

其中,B为信道带宽,S为信号功率,N为噪声功

 276燕山大学学报2022

率,

S

称为信噪比。

N

根据M/M/1排队的理论分析结果,可以得出

过程可看作一个M/M/c排队。设簇i(i

=

1,2,3)

中有c

i

台物理机,每台物理机的处理速率均为μ

i

根据M/M/c排队的理论分析结果,任务在簇i物

理机上的平均逗留时间t

i

t

i

=

ξ

=

c

i

μ

i

-

λ

i

×

ξ

,(7)

任务在本地发送端口的平均逗留时间t

op

如式

t

op

=

其中,μ

op

=

3

i

=

1

r

op

θ

1

,

μ

op

-

λ

op

(4)

为任务在本地发送端口的发送速率,

i

l

c

i

ρ

i

其中,ξ

=

c

i

-

1

λ

op

=

α

i

(

1

-

p

)

λ为任务在本地发送端口处的到

达率。

卸载处理的任务经过MEC发送机或云发送

机返回本地端,并由本地接收端口进行接收。假

设各个任务在本地接收端口的接收时间服从相同

的负指数分布,那么任务在本地接收端口的接收

过程可以看作是一个M/M/1排队。令r

rp

表示本

地接收端口单位时间内接收的数据量。任务在本

地接收端口的平均逗留时间t

rp

t

rp

=

其中,μ

rp

=

3

i

=

1

机的利用率,λ

i

=

α

i

(

1

-

p

i

l

)

p

i

e

λ为任务在簇i物理

机上的到达率。

MEC发送机。假设任务在MEC发送机上的发送

时间服从相同的负指数分布,那么任务在MEC发

送机上的发送过程可以看作一个M/M/1排队。

数据量。任务在MEC发送机上的平均逗留时间

t

es

t

es

=

3

(

c

i

ρ

i

)

k

c

i

ρ

i

1

k!c

i

!1

-

ρ

i

=

k0

1

c!

1

-

ρ

i

ξ

c

i

μ

i

-

c

i

μ

i

-

λ

i

i

=

c

i

μ

i

λ

i

是簇i物理

任务在MEC服务器上处理完毕后,将送往

r

rp

θ

1

,

μ

rp

-

λ

rp

(5)

令r

es

表示单位时间内由MEC发送机发出的

为任务在本地接收端口的接收速率,

λ

rp

=

α

i

(

1

-

p

i

l

)

λ为任务在本地接收端口处的到

达率。

2.2 边缘计算模型

卸载处理的任务在离开本地发送端口后,经

过传输信道,途径基站,最终被送到边缘端。任务

从本地端传输到边缘端的平均传输时间t

1

s

=

t

1

s

s

1

v

,(6)

1

=

μ

es

-

λ

es

r

es

θ

其中,λ

es

=

α

i

(

1

-

p

i

l

)

p

i

e

λ为MEC发送机的任务

i

=

1

-

α

i

(

1

-

p

i

l

)

p

i

e

λ

i

=

1

3

1

,(8)

到达率,μ

es

=

r

es

θ

为MEC发送机的任务发送速率。

2.3 云端计算模型

卸载到云端的任务在离开MEC调度器后,重

新进入传输信道,并传输到云端。设边缘端与云

端之间的信道长度为s

2

。可以得出任务从边缘端

传输到云端的平均传输时间t

2

s

t

=

2

s

其中,s

1

为本地端与边缘端之间的信道长度,v是

任务在信道中的传输速率(m/s)。

任务在到达边缘端后,会根据边缘调度器上

设定的此类任务的卸载策略参数,以一定的概率

在MEC服务器上处理,以一定的概率传输到云端

处理。设低速类、中速类和高速类任务在MEC服

23

务器上接受处理的概率分别为p

1

e

、p

e

和p

e

s

2

v

,(9)

其中,v为任务在传输信道的传输速度。

考虑到云服务器强大的计算能力,假设任务

在到达云端后,可以立刻在云服务器上接受处理。

假设任务在云服务器上的处理时间服从相同的负

指数分布,任务在云服务器上的处理过程可以看

作是一个M/M/

排队。此时,任务在云服务器上

的逗留时间即为任务在云服务器上的处理时间。

设任务在云服务器上的处理速率为μ

cd

,即单

用来处理低速类、中速类和高速类等三类任务。

假设任务在同一簇物理机上的处理时间服从相同

的负指数分布,那么任务在MEC服务器上的处理

MEC服务器上的三簇物理机各司其职,分别

第3期李小良等 基于单用户和分类任务的MEC任务卸载策略及性能优化 277

位时间内云服务器处理的任务个数。任务在云服

务器上的平均逗留时间t

cd

t

cd

=

1

μ

cd

(10)

移动设备的能耗包含本地处理器处理任务时

的能耗、本地发送端口发送任务时的能耗和本地

接收端口接收任务时的能耗等三部分。

在实际应用中,任务在本地处理器缓存中等

待时的能耗要远小于任务在本地处理器中进行处

理的能耗。设本地处理器的功率η

lp

η

lp

=

γ

1

f

+

γ

2

,

任务在云服务器上处理完毕后,由云发送机

返回到本地端。考虑云发送机强大的发送能力,

假设任务在被送往云发送机后,将立刻进行发

送。假设任务在云发送机上的发送时间服从相

同的负指数分布,任务在云发送机上的发送过程

可以看作是一个M/M/

排队。此时,任务在云

发送机上的逗留时间即为任务在云发送机上的

发送时间。

位时间内云发送机发送的数据量。任务在云发送

机上的平均逗留时间t

cs

t

cs

=

θ

r

cs

(11)

令r

cs

表示云发送机的发送能力(bit/s),即单

其中,∂、γ

1

和γ

2

均是与本地处理器芯片有关的参

数,可由文献[14]方法测量得出。

均能耗ψ

lp

ψ

lp

=

t

η

lp

=

l

lp

(15)

本地处理器每处理一个任务,移动设备的平

1

f

+

γ

2

)mθ

f

=

其中,t

e

lp

时间。

1

为任务在本地处理器上的平均处理

μ

lp

,(16)

3 策略性能评估

为了评估MEC任务卸载策略的系统性能,求

解各类任务的平均处理时延和各类任务对应的移

动设备能耗水平。

在计算各类任务的平均处理时延时,需要同

时考虑任务的本地处理、任务的上行和任务的下

行三个过程。

由式(2)可知,三类任务在本地处理器上的平

均逗留时间相同,均为t

lp

。设低速类、中速类和高

2

速类三类任务的平均上行时延分别为t

1

up

、t

up

每发送一个任务,移动设备的平均能耗ψ

op

=

ψ

op

=

t

s

op

η

op

=

其中,t

s

op

送时间。

S

Blog

2

1

+

N

θη

op

设本地发送端口的功率为η

op

,本地发送端口

,(17)

()

1

为任务在本地发送端口处的平均发

μ

op

每接收一个任务,移动设备的平均能耗ψ

rp

ψ

rp

=

t

r

rp

η

rp

=

r

rp

-

pλθ

θη

rp

,

设本地接收端口的功率为η

rp

,本地接收端口

(18)

t

。由式(4)、式(6)、式(7)、式(9)和式(10),可

以得出各类任务的平均上行时延t

i

up

(i

=

1,2,3)为

2

+

i

+-

i

+

t

i

up

=

t

op

+

t

1

s

p

e

t

i

(1p

e

)(t

s

t

cd

)。

3

up

其中,t

r

rp

=

收时间。

1

为任务在本地接收端口处的平均接

μ

rp

23

下行时延分别为t

1

dw

、t

dw

和t

dw

。由式(5)、式(6)、

设低速类、中速类和高速类三类任务的平均

(12)

23

备能耗水平分别为ψ

1

mec

、ψ

mec

和ψ

mec

。由式(15)~

设低速、中速和高速三类任务所对应的移动设

式(17),可以得出各类任务对应的移动设备的能

耗水平ψ

i

mec

(i

=

1,2,3)为

ψ

i

mec

=

p

i

l

ψ

lp

+

(1

-

p

i

l

)(ψ

op

+

ψ

rp

)。(19)

式(8)、式(9)和式(11),可以得出各类任务的平

均下行时延t

i

dw

(i

=

1,2,3)为

2

+

i

+-

i

+

t

i

dw

=

t

rp

+

t

1

s

p

e

t

es

(1p

e

)(t

s

t

cs

)。

23

处理时延分别为T

1

mec

、T

mec

和T

mec

。根据任务流中

设低速类、中速类和高速类三类任务的平均

(13)

4 系统实验

进行系统实验,分析任务种类、任务比重以及

任务本地处理概率对系统性能的影响。系统实验

在MATLAB

R2011a环境下进行,文献[15]在保证系

各类任务所占比重情况,可以得出各类任务的平

均处理时延T

(i

=

1,2,3)如式

i

mec

T

i

mec

=

p

i

l

t

lp

+

(1

-

p

i

l

)(t

i

up

+

t

i

dw

)。(14)

统稳定的条件下的设置实验参数如表1所示。

 278

表1 实验参数设置

Tab.1 Parameterssettinginexperiments

燕山大学学报2022

类任务在三类任务比重下对应的最小平均处理时

延分别为4.368

ms、4.492ms和4.662ms。

参数值

0.5个/ms

参数名称

任务到达率λ

三类任务的比例(α

1

2

3

)

本地处理器时钟频率f

处理1bit数据CPU转数m

本地处理器的功率参数组合

(∂,γ

1

2

)

任务的平均数据量θ

信道带宽B

信号功率S

噪声功率N

本地发送端口的功率η

op

本地接收端口接受能力r

rp

本地接收端口的功率η

rp

本地端到边缘端的信道长度s

1

边缘端到云端的信道长度s

2

任务在信道中的传输速率v

不同簇中的物理机数量c

n

不同簇中的物理机处理速率μ

i

MEC发送机的发送能力r

es

云端服务器的处理速率μ

cd

云发送机的发送能力r

cs

权重系数(f

1

,f

2

)

(1/3,1/3,1/3)

2

×

10

4

转/ms

2.2转

(3,3.75

×

10

-

23

,0)

2

KB

2.5

×

10

-

15

W

4

×

10

-

14

W

0.2W

0.8

MHz

(a)

低速类任务

1.6KB/ms

0.25W

10km

(0.56,0.54,0.55)个/ms

(2,2,2)台

2

×

10

8

m/s

76km

0.7个/ms

(0.5,0.5)

4KB/ms

3KB/ms

  在进行实验时,任务平均处理时延和移动设

备能耗水平权重系数均设置为0.5,旨在将移动设

备的响应性能和能耗利用率置于同等重要的地

[15]

。此外,实验过程中,采用单一变量方法,保

持任务在MEC和云端的卸载概率不变,进而研究

任务本地卸载概率对任务平均处理时延和移动设

备能耗水平的影响。以各类任务在MEC服务器上

=

p

2

=

p

3

=

0.5为例进行实验,各类任

的处理概率p

1

eee

=

1

-

p

2

=

务卸载到云服务器上概率分别为1

-

p

1

ee

=

0.5。 1

-

p

3

e

(b)

中速类任务

利用表1设定的实验参数,针对不同任务比

重,给出三类任务的平均处理时延变化趋势,如

图2所示。

对应的最小平均处理时延分别为4.403

ms、

图2 任务平均处理时延

(c)

高速类任务

在图2(a)中,低速类任务在三类任务比重下

  从图2中可以观察到,对于低速、中速和高速

三类任务,随着任务卸载概率p

i

l

的增大,三类任务

Fig.2 Averageexecutiondelayoftasks

4.522ms和4.716ms;图2(b)中,中速类任务在

4.386ms、4.508ms和4.685ms;图2(c)中,高速

三类任务比重下对应的最小平均处理时延分别为

的平均处理时延T

i

mec

均呈现出减小后增大的趋

势。这说明任务在MEC系统接受处理时,各类任

务的平均处理时延在任务本地处理概率下的变化

第3期李小良等 基于单用户和分类任务的MEC任务卸载策略及性能优化 279

规律基本一致。相比任务的本地处理概率为1

(任务全部在本地进行处理)和任务的本地处理概

率为0

(任务全部卸载处理)时,任务的本地处理

概率总会存在一个介于0和1之间的值,能使任

务的平均处理时延达到最小。这为任务卸载策略

的优化提供了理论依据。

从图2实验的数值结果可以看出,在相同的

任务到达率下,某类任务比重的增大会引起该类

任务最小平均处理时延的增大。此外,在相同的

任务比重下,不同种类的任务之间的最小平均处

理时延存在差异。任务响应程度越高,最小平均

处理时延越小,这是由于MEC服务器对三类种类

任务处理速率不同造成的。

此外,通过观察图2中曲线的最低点可以得

出,对于同一类型的任务,随着该类任务比重的增

大,任务对应的最佳本地处理概率将逐渐减小。

相比MEC服务器和云服务器,本地处理器有着较

低的任务处理速率。随着任务数目的增多,任务

在本地处理器的平均逗留时间成为导致任务平均

处理时延增长的主要影响因素,因此,该任务将更

有可能以卸载的方式进行处理,最佳的本地处理

概率会变小。

针对不同的本地处理器时钟频率,给出各类

任务对应的移动设备能耗水平随该类任务本地处

理概率的变化趋势,如图3所示。由式(19)可知,

任务对应的移动设备能耗水平与任务类别无关。

这意味着三类任务对应的移动设备能耗水平在该

类任务本地处理概率下呈现相同的变化趋势,因此

用一张图即可表示对三类任务的实验探究结果。

备能耗水平ψ

i

mec

随着该类任务本地处理概率p

i

l

增大而提高。在任务到达率和任务比重相同的情

况下,第i类任务本地处理概率的增大,意味着有

更多的该类任务在本地处理器上进行处理。与本

地发送端口和本地接收端口相比,任务在本地处

理器上的处理速率更低,平均处理时延更长,因

此,会有更多的能量消耗。

此外,对比不同本地处理器时钟频率f下的移

动设备能耗水平ψ

i

mec

曲线发现,本地处理器时钟

频率的增大会引起移动设备能耗水平ψ

i

mec

的降

本地处理器对任务的处理速率加快,任务在本地

处理器上的平均逗留时间降低,因此,移动设备的

能耗水平有所降低。

低。这是因为随着本地处理器时钟频率的增大,

5 策略优化

折衷考虑任务的平均处理时延和移动设备的

能耗水平,引入权重系数,建立系统的成本函数,

研究基于单用户和任务分类的MEC任务卸载策

略联合优化问题。

对应的权重系数分别为f

1

和f

2

,且存在关系式f

1

+

F(x)为 

设任务平均处理时延和移动设备能耗水平所

f

2

=

1。通过加权平均法,得到系统的成本函数

F(x)

=

f

1

23123

其中,x

=

(p

1

l

,p

l

,p

l

,p

e

,p

e

,p

e

)是一个由任务分配

α

i

T

i

mec

+

f

2

α

i

ψ

i

mec

,

i

=

1i

=

1

33

(20)

比例组成的行向量。

至此,可以得到一个联合优化问题P如式

min

F(x)

=

f

1

x

ì

ï

λ

lp

lp

ï

λ

opop

ï

ï

s.t.

í

λ

rp

rp

。(22)

ï

ï

λ

i

i

ï

î

λ

es

es

为了降低系统成本,应用KKT条件方法优化

图3 第i类任务对应的移动设备能耗水平

Fig.3 Energyconsumptionlevelofmobiledevice

α

i

T

i

=

1

3

i

mec

+

f

2

α

i

ψ

i

mec

i

=

1

3

(21)

任务卸载策略。对于优化变量x,需要同时考虑系

统稳态条件和任务分配比例自身范围等两种约

束。令g

k

(x)≤0表示优化变量间存在的不等式

约束,可以得出g

k

(x)为

  从图3中可以发现,第i类任务对应的移动设

correspondingtotheclass

i

tasks

 280燕山大学学报

3

ì

ï

αp

i

-

μ

lp

     k

=

1

il

ï

λ

i

=

1

ï

3

μ

op

ï

i

--

α

i

(1p

l

)

k

=

2

ï

λ

i

=

1

ï

ï

3

μ

rp

i

--

α

(1p)

k

=

3

ï

i

l

λ

=

1i

ï

ï

3

ï

α

(1

-

p

i

)p

i

-

μ

es

k

=

4

le

g

k

(x)

=

í

i

。(23)

λ

i

=

1

ï

ï

k

-

4

-

4k

-

4

-

)p

k

=

5,6,7

ï

α

k

-

4

(1

-

p

k

le

λ

ï

ï

p

k

-

7

-

1k

=

8,9,10

ï

l

-

10

ï

-

p

k

k

=

11,12,13

l

ï

-

13

ï

p

k

-

1k

=

14,15,16

e

ï

k

-

16

ï

-

p

k

=

17,18,19

î

e

其中,式g

k

(x)(k

=

1,2,…,7)由系统的稳态条件

综合式(20)和式(23),得到拉格朗日函数

W(x)为

W(x)

=

F(x)

+

δ

k

g

k

(x),

k

=

1

19

s.t. g

k

(x)≤0,k

=

1,2,…,19。(25)

2022

其中,δ

k

(k

=

1,2,…,19)为拉格朗日乘子,并且满

足δ

k

≥0。

满足

根据KKT条件,所要求解的最优变量组合

(26)

ì

ï

∂W(x)

=

0

ï

∂x

ï

í

g

k

(x)≤0

,

ï

ï

δ

k

≥0

ï

δg

(x)

=

0

î

kk

式中,k

=

1,2,…,19。

2∗3∗1∗2∗3∗

(p

1∗

l

,p

l

,p

l

,p

e

,p

e

,p

e

)。

(27)

得出,式g

k

(x)(k

=

8,9,…,19)由分配比例自身的

范围得出。

形式

min

F(x)

=

f

1

x

求解式(27),得到任务的最优分配策略x

=

沿用表1中设置的实验参数,考虑不同的任

将优化问题P转换为KKT条件方法的解决

务到达率及任务比重,应用上述KKT条件方法,给

出任务卸载策略优化方案,并求解出此时的最小

系统成本,如表2所示。

α

i

T

i

mec

+

f

2

α

i

ψ

i

mec

,

i

=

1i

=

1

33

(24)

表2 任务卸载策略联合优化结果

任务到达率λ

0.4

0.4

0.4

0.4

0.5

0.5

0.5

0.5

任务比重(α

1

2

3

)

(2/5,3/10,3/10)

Tab.2 Jointlyoptimalresultsofthetaskoffloadingstrategy

(1/3,1/3,1/3)(0.4854,0.7806,0.6719,0.8951,0.5350,0.8647)

2∗3∗1∗2∗3∗

优化组合x

=

(p

1∗

l

,p

l

,p

l

,p

e

,p

e

,p

e

)

最小系统成本F(x

)

2.3959

(3/10,2/5,3/10)

(3/10,3/10,2/5)

(2/5,3/10,3/10)

(0.4557,0.7850,0.6509,0.9402,0.4549,0.9030)

(0.5371,0.7656,06717,0.8291,0.5562,0.9600)2.3959

(1/3,1/3,1/3)

(0.4659,0.7695,0.6884,0.9583,0.5657,0.7587)

(0.4354,0.7395,0.5042,0.6526,0.3605,0.4577)

2.3959

2.3959

(3/10,2/5,3/10)

(3/10,3/10,2/5)

(0.4227,0.8121,0.4900,0.5319,0.5553,0.4944)

2.6683

(0.3832,0.7643,0.4633,0.6638,0.3320,0.4698)

2.6683

  从表2中的优化结果可以发现,任务到达率λ

(0.3847,0.6984,0.5870,0.6654,0.3459,0.4579)

2.6683

越大,最小系统成本F(x

)也会越大。因为任务

到达率越大,系统阻塞率越高,导致任务在系统中

的平均处理时延加大。此外,由于本地处理器、本

地发送端口和本地接收端口等装置的功率恒定,

时延的增大无疑会导致移动设备的能耗水平提

高。任务平均处理时延的增加和移动设备能耗水

平的提升,都会使得系统成本增大。

此外,对比表2中数据还发现,在同一任务到

达率λ下,随着三类任务比例(α

1

2

3

)的变化,

最优任务卸载策略x

将进行适当调整,但是最小

系统成本F(x

)却保持不变。在三类任务总到达

率保持不变的前提下,一类任务到达率的增大意

味着另一类任务到达率的减小。任务到达率的增

大将带来更高系统成本,而任务到达率的降低则

会带来更小的系统成本。通过调节任务卸载策

略,均衡三类任务本地处理和卸载处理的比例,基

于单用户和分类任务的MEC系统能够维持稳定,

2.6683

第3期李小良等 基于单用户和分类任务的MEC任务卸载策略及性能优化 281

任务处理所产生的平均最小系统成本保持不变。

应用表1中的实验参数,变换任务卸载策略

参数,得出不同任务卸载策略下的系统成本,结果

如表3所示。

表3 不同任务卸载策略对比

Tab.3 Comparisonofdifferenttaskoffloadingstrategy

策略名称

优化策略

策略1

策略2

(0.435

4,0.7395,0.5042,0.6526,0.3605,0.4577)

23123

策略参数

x

=

(p

1

l

,p

l

,p

l

,p

e

,p

e

,p

e

)

系统成本F(x)

10.2727

(1.000

0,1.0000,1.0000,0.0000,0.0000,0.0000)

2.6683

  对比表3中数据发现,相比策略1(三类任务

全都在本地端处理)和策略2

(三类任务全都卸载

(0.000

0,0.0000,0.0000,1.0000,1.0000,1.0000)

4

李吉良 秦兵 李文江 等.融合唤醒阈值与半休眠模式的云

JournalofYanshanUniversity 2021 45 4 343-351.

5.1385

处理),所提出的任务卸载优化策略能够有效地降

低系统成本。

LIJL QINB LIWJ irtualmachinescheduling

虚拟机调度策略 J .燕山大学学报

2020 44 4 370-378.

strategywithawakeningthresholdandsemi-sleepmode J .

JournalofYanshanUniversity 2020 44 4 370-378.

6 结论

针对整体智能家居等MEC应用场景,搭建了

由本地端、边缘端和云端组成的系统框架,提出了

一种基于单用户和任务分类的MEC任务卸载策

略。考虑异构边缘网络,通过建立具有单输入流

与多类顾客的排队模型,推导了任务的平均处理

时延和移动设备能耗水平等性能指标。实验结果

表明,通过设置合理的任务本地处理概率,可以使

任务的平均处理时延达到最小。此外,实验结果

还揭示出,任务对应的移动设备能耗与任务本地

处理概率呈正相关。权衡不同性能指标,构建系

统的成本函数,应用KKT条件方法,给出了任务卸

载策略的优化方案,实现了系统成本的最小化。

后续的研究中,将考虑边缘端和云端的用户

竞争,面向多用户MEC应用研究任务卸载问题。

参考文献

1 TURNERV REINSELD GANTZJF ital

5 KUOWH gy-savingedgecomputingand

transmissionschemeforIoTmobiledevices C //IEEE8thGlobal

ConferenceonConsumerElectronics Osaka 2019 1-2.

6 LONGX WUL -efficientoffloadinginmobile

edgecomputingwithedge-cloudcollaboration C //International

Conferenceon

7

龙隆 刘子辰 石晶林 等.移动边缘计算中计算卸载与资源

Processing Guangzhou 2018 460-475.

AlgorithmsandArchitecturesforParallel

LONGL LIUZC SHIJL ptimizationstrategyof

765-773.

分配的联合优化策略 J .高技术通讯

2020 30 8

computationoffloadingandresourceallocationinmobileedge

computing J .ChineseHighTechnologyLetters 2020 30 8

8 YANGT ZHUY HUY minimizationofdelay-

765-773.

constrainedoffloadinginvehicularedgecomputingnetworks C //

IEEEWirelessCommunicationsandNetworkingConference

9 DELFINS SIVASANKERNP RAJN puting a

Workshop Marrakech 2019 1-6.

neweraofcloudcomputing C //InternationalConferenceon

universeofopportunities richdataandincreasingvalueofthe

internetofthings EB/OL . 2021-09-27 .https //.

10 LIC SUNH CHENY oudresourceexpansion

1106-1111.

ComputingMethodologiesandCommunication Erode 2019

andshrinkagebasedonworkloadforminimizingthecost J .

2 LIY vicecomputationalresourcemanagement

com/leadership/digital-universe/2014iview/.

11

施巍松 张星洲 王一帆 等.边缘计算 现状与展望 J .计

FutureGenerationComputerSystems 2019 101 327-340.

strategybasedonedge-cloudcollaboration C //IEEE10th

InternationalConferenceonSoftwareEngineeringandService

3

王颖 李伟 陈梦盼 等.融合虚拟机分簇与休眠机制的MEC

SHIWS ZHANGXZ WANGYF mputing

算机研究与发展

2019 56 1 73-93.

Science Beijing 2019 400-404.

state-of-the-artandfuturedirections J .JournalofComputer

ResearchandDevelopment 2019 56 1 73-93.

WANGY LIW CHENMP floadingstrategywith

任务卸载策略 J .燕山大学学报

2021 45 4 343-351.

12

董谦 马宇翔 李俊.边缘计算网络中面向负载均衡的调度

clusteredvirtualmachineandsleepmechanisminMEC J .

DONGQ MAYX lancingorientedscheduling

机制 J .计算机应用研究

2020 37 3 856-859.

schemeinedgecomputingnetwork J .ApplicationResearchof

 282燕山大学学报

Computers 2020 37 3 856-859.

2022

C //IEEEConferenceonComputerCommunications Toronto 13 CHOUY LIUS CHUNGE gyandperformance

energyminimizationindelay-tolerantsmartphoneapplications

2014 entDVFSschemeforirregularparalleldivide-and-conquer

algorithmsontheIntelSCC J .IEEEComputerArchitecture

14 KWAKJ CHOIO CHONGS cspeedscalingfor

Letters 2014 13 1 13-16.

15 ZHOUW FANGW LIY approximationfortask

offloadingandcomputationscalinginmobileedgecomputing J .

MobileInformationSystems 2019 2019 1-12.

Taskoffloadingstrategyanditsperformanceoptimization

inaMECsystemwithsingle-userandtasksclassification

ofInformationScienceandEngineering YanshanUniversity Qinhuangdao Hebei066004 China

ormationandControlCenterofKailuanGroup Tangshan Hebei063018 China

LIXiaoliang

1

LIWei

2

JINShunfu

2

Abstract

Inordertomeettheserviceexperienceofusersandimprovetheenergyefficiencyofmobiledevice ataskoffloading

probleminMobileEdgeComputing MEC ideringprivateMECscenarios suchasthemultifunctionalsmart

home andintroducingthemechanismofphysicalmachineclustering ataskoffloadingstrategywithsingle-userandtasks

theprocessingrequirementsofdifferenttasks thetasksareclassifiedintolow-speedtasks

hitectureofaMECsystemwithheterogeneousedgeisbuilt andaqueueing

deltemcostfunctionisconstructedtotradeoff

formancemeasuresintermsoftheaverageexecution

differentperformancemeasures andtheKarush-Kuhn-Tucker KKT conditionmethodisappliedtooptimizethetaskoffloading

strategywiththeminimumsystemcost.

Keywords

mobileedgecomputing taskoffloading tasksclassification heterogeneousedge KKTcondition

(上接第272页)

Ratingpredictionmodelbasedondepthfactorizationmachine

(SchoolofInformationScienceandEngineering,YanshanUniversity,Qinhuangdao,Hebei066004,China)

LIANGShunpan,LIUZeqian,ZHANGGuozheng

Abstract:

Intheratingpredictionresearch,theinteractionbetweenfeaturesdeterminestheaccuracyoftheprediction,anddeep

interactioncandigoutmorefeatures,ore,aratingpredictionmodelwhich

y,considertherichnessoffeaturecontent,combinedeep

learningwithfactorizationmachinestolearnbothhigh-levelinteractionfeaturesandlow

-

levelinteractionfeatures;secondly,

considerthequalityoffeatures,learnbothexplicitinteractionfeaturesandimplicitinteractionfeaturesinhigh

-

levelinteraction;

mentsonAmazon'sreviewdatasetsshowthatthemodel

inthearticlecaneffectivelyimprovetheaccuracyofratingprediction.

Keywords:

ratingprediction;featureinteraction;deeplearning;factorizationmachine