【技術實現步驟摘要】
本專利技術涉及無線邊緣計算和5g物聯網，尤其涉及一種針對無線邊緣網絡中具有任務依賴關系的計算卸載與微服務分層部署的優化方法。該方法基于微服務分層結構的共享特性，結合任務之間的依賴關系，在能耗約束下，通過制定接近最優的聯合微服務層級緩存、任務卸載以及計算資源分配策略，最大限度地降低系統的長期平均時延，適用于延遲敏感型和計算密集型應用場景，實現了對邊緣計算資源的高效管理和優化。
技術介紹
1、隨著物聯網和5g技術的快速發展，智能應用如增強現實(ar)、實時視頻處理和智能交通系統等，逐漸成為用戶日常生活中不可或缺的一部分。這些應用通常對計算資源和低延遲有著嚴格的要求，屬于典型的延遲敏感型和計算密集型任務。傳統的云計算架構在處理此類任務時，由于帶寬和網絡延遲的限制，往往難以滿足實時性要求。邊緣計算作為一種將計算資源下沉到網絡邊緣的新興計算范式，可以有效降低數據傳輸延遲，提升系統的響應速度。
2、然而，邊緣計算節點的資源有限，且用戶的任務通常具有復雜的依賴性，無法有效利用現有的計算資源。此外，微服務架構作為一種輕量化的部署方式，允許應用按功能劃分為多個服務單元，但現有的任務卸載和微服務部署策略未能充分考慮任務依賴關系與微服務層級結構的共享特性，導致資源分配不合理，增加了系統時延與能耗。如何在有限的邊緣資源條件下，結合任務依賴性與微服務分層結構，合理分配計算資源，并優化任務卸載策略以提升系統性能，成為一個非常值得研究的問題。
技術實現思路
1、為了克服現有技術的不足，本專利技術從邊
2、為了實現上述目的，本專利技術提供以下的技術方案：
3、一種無線邊緣網絡中具有依賴關系的任務卸載與微服務層級部署方法，包括以下步驟：
4、步驟1：在一個網絡區域中部署n個基站bs，用表示bs集合，每個bs覆蓋一定的服務范圍，各自通過有線連接一個邊緣服務器，每個bs與鄰居bs通過無線通信；
5、步驟2：系統一共分為t個時隙，存在k種微服務和l層微服務層，用和表示時隙、微服務和微服務層的集合，每個邊緣服務器n最多緩存的微服務層不超過它的緩存能力sn，微服務層的部署集合用表示，其中表示邊緣服務器n在t時隙部署了服務層l；
6、步驟3：在任意時隙t中，用戶所產生的應用程序會通過無線網絡傳輸給最近物理距離的bs，用二進制變量表示動態接入點選擇，應用程序中包含多個微服務任務且任務之間具有依賴性，其中表示任務的微服務類型、表示任務大小、表示完成任務所需要的cpu周期數；
7、步驟4：bsn在收到任務后，需要判斷自己部署的服務層是否能夠滿足微服務的層服務需求，滿足的即自己計算；如果沒有對應層服務，就將任務傳輸給相鄰基站，若有多個相鄰基站符合要求則選擇被分配最大計算資源ft,n,m(ft,n,m表示t時隙bs?n分配給用戶m的計算資源)的基站；如果相鄰基站也沒有對應服務，就需要將任務上傳到云；
8、步驟5：計算計算過程中產生的三種延遲：一是基站n多時隙切換緩存微服務層時，產生的更新時延其中rn表示基站下載速度，二是在基站n沒有部署滿足任務所需要的層服務時，基站n向基站n′或者云傳輸任務數據的傳輸時延j∈{1,…,jm}.，其中表示用戶m的第j個任務gm,j是否被基站n卸載給其他基站或者云，rnn′表示基站和基站間或基站和云之間的傳輸速率，表示微服務k是否包含層l，三是任務根據傳輸決策和計算資源分配后開始計算的單任務計算時延
9、j∈{1,…,jm}，因為任務之間有依賴性，后一個任務必須等上一個任務執行完且需要執行完成后的結果，這樣一來，每個任務都有開始時間和結束時間，每個任務的結束時間由開始時間和任務的完成時間組成每個任務的開始時間為表示任務的完成時間，所依賴任務傳遞結果時延部分為所有的任務的完成時延為所以整體的系統時延
10、步驟6：計算計算過程中產生的三種能量消耗：一是基站n多時隙切換緩存微服務層時，產生的更新能量損耗這里γ表示能量消耗系數，x表示多個時隙的間隔，二是在卸載任務過程中產生的單任務傳輸能耗j∈{1,…,jm}，其中pnn′表示基站間的傳輸功率，則傳輸總能耗為三是基站計算任務時產生的單任務計算能量消耗κn表示基站n的計算能耗系數，則計算總能耗總能耗為e(t)＝etr(t)+ec(t)+eswitch(t)。
11、步驟7：以每個時隙用戶應用程序接入，所有bs的層級部署策略、計算資源分配和任務傳輸卸載為優化變量，在保持能量消耗不超過q的情況下最小化總延遲為優化目標，建立數學模型為：
12、
13、約束①為長期平均能耗約束；
14、步驟8：經過分析，可以將問題解耦為兩個子問題，數學模型為：
15、
16、約束仍為①；
17、步驟9：原始問題p中的優化變量αt我們的策略是選擇離用戶最近的基站，之后在先后固定βt,ft和γt得到問題和問題用貪心算法求解，即在多個基站能過匹配微服務任務所需的層且分配了cpu大小時，通過貪心算法求出獲得最小應用程序完成時間的任務卸載策略；
18、步驟10：由于是一個長期延遲最小化問題，且層緩存決策是多個時隙更新與每個時隙進行資源分配策略時間上有所不同，是一個np-hard問題。將問題用深度強化學習方法來求解，狀態、動作和獎勵表示為和其中狀態空間為當前時隙的用戶任務集固定的任務卸載決策這里i表示迭代的輪次，動作空間為當前時隙的決策變量根據不同時隙更新分成了兩個動作，獎勵定義為負的系統總延遲加上不滿足約束條件的懲罰系數p；
19、步驟11：根據步驟9、步驟10迭代求出優化變量，若每次迭代后，目標函數值與前一次的目標函數值滿足則為當前狀態下的最佳配置，從而進行微服務層部署、資源分配和任務卸載，最后再進行任務處理。
20、本專利技術的有益效果主要表現在：結合貪心算法和深度強化學習，提出了一種無線邊緣網絡中具有依賴關系的任務卸載與微服務層級緩存優化方法。該方法通過任務卸載和資源分配的單時隙優化，結合微服務層緩存的多時隙更新策略，充分考慮了任務之間的依賴性和系統能耗限制。通過貪心算法優化任務卸載，利用深度強化學習優化微服務層本文檔來自技高網...
【技術保護點】
1.一種無線邊緣網絡中具有依賴關系的任務卸載與微服務層級部署方法，其特征在于，包括如下步驟：
【技術特征摘要】
1.一種無線邊緣網絡中具有依賴關系的任務卸載與...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。