面向5G小基站网络的在线多周期任务卸载方法与流程

面向5g小基站网络的在线多周期任务卸载方法
技术领域
1.本发明涉及任务卸载领域，尤其涉及一种面向5g小基站网络的在线多周期任务卸载方法。


背景技术：

2.第五代移动通信技术(5th generation mobile communication technology，简称5g)是具有高速率、低时延和大连接特点的新一代宽带移动通信技术，5g通讯设施是实现人机物互联的网络基础设施，其中宏基站作为5g网络的核心节点具有较大覆盖范围和较大的数据处理能力，小基站作为5g网络边缘节点覆盖范围和计算能力较低，是对宏基站的补充。
3.小基站作为5g网络的边缘节点，通常与无线设备接近，并且与无线设备相比具有快速处理大量数据的能力。安全监控、虚拟现实和自动驾驶等应用场景常产生大量数据并且对数据处理延迟非常敏感，小基站与宏基站、云服务器等网络核心节点相比能更好的满足这些场景的低延迟、高计算需求。
4.如何将设备产生计算任务传输给网络边缘节点处理，被称为“任务卸载”问题。迄今为止已有许多任务卸载方法被提出，但由于5g网络具有小基站特殊节点、网络动态变化、多基站重复覆盖和非稳定信号等特点，这些方法并不完全适用，针对无线设备连接5g小基站网络场景的任务卸载方法尚未被提出。


技术实现要素：

5.本发明的主要目的在于提供一种面向5g小基站网络的在线多周期任务卸载方法，方法提供了一个模型，能描述无线设备连接5g小基站网络，请求多周期计算任务的场景，并且包含了5g网络动态变化、资源有限、多重覆盖、信号不确定等特点，还原了场景复杂多变的实际情况；本发明能够不依赖网络的任何先验知识，根据实时数据的反馈调整和更新任务卸载策略，解决了无线设备连接5g小基站网络场景的多周期任务卸载问题。
6.本发明提供了一个无线设备连接5g小基站网络场景的多周期任务模型：
7.5g小基站网络中有m个小基站节点一系列无线设备分布在网络中，并且与小基站节点相连，无线设备可以随时切换与另一个小基站相连，一个无线设备可能会被多个小基站的信号覆盖。表示t个时间槽，表示在第个时间槽内需要处理的全体任务集合，并且任务需要在两个或两个以上时间槽内被处理完毕(即多周期任务)，lk表示完成任务k所需的预计时间槽数量，表示第个时间槽内且在第个小基站覆盖范围内的任务集合，为第个小基站能覆盖的最大无线设备数量，c为第个小基站同一时间能连接的最大无线设备数量，β为第个小基站同一时间能调用的最大计算资源，α为第个小基站同一时间为保证服务质量(qos)所需调用的最小计算资源。
8.计算任务使用三个特征表述：输入数据大小、输出数据大小和时间延迟要求，这三
个特征被称为任务k的上下文个特征被称为任务k的上下文表示第个小基站在第个时间槽完成上下文为φk的任务的奖励，表示第个小基站在第个时间槽完成上下文为φk的任务的概率，表示第个小基站在第个时间槽完成上下文为φk的任务的资源消耗，变量表示第个小基站在第个时间槽执行任务k的概率。
9.基于上述多周期任务模型，本发明提供了一种面向5g小基站网络的在线多周期任务卸载方法，通过学习概率确定任务卸载策略，包含以下步骤：
10.步骤1：全体任务的上下文构成任务上下文空间，将任务上下文空间划分为n个子空间，n为输入参数，记划分后的子空间集合为所述的子空间f内包括一个或多个任务的上下文，每一个任务k对应一个任务上下文子空间每一个任务上下文子空间可对应一个或多个任务；
11.步骤2：定义每一个任务上下文子空间对于每一个小基站的权重，初始化对应权重
12.步骤3：对每个小基站初始化辅助变量：随机初始变量,其中，两个辅助变量分别表示完成概率和资源消耗的权重，表示设备区别于其余设备的特有参数，表示权重修正系数，表示资源消耗修正系数。
13.步骤4：对时间槽需要处理的全体任务，执行以下步骤：
14.步骤4.1：计算每一个小基站在时间槽执行每一个任务k的概率构成向量
15.步骤4.2：根据概率向量贪心地分配时间槽的任务给小基站
16.步骤4.3：更新任务集合：当分配的任务完成后，其不再计入任何小基站的覆盖范围内的任务集合
17.步骤4.4：根据任务反馈结果更新辅助变量。
18.步骤5，重复步骤4，实时对下一个时间槽需要处理的全体任务进行分配并更新辅助变量，直至任务卸载完成。
19.进一步的，所述步骤4.1计算每一个小基站在时间槽执行每一个任务的概率的步骤如下：
20.步骤4.1.1：获取小基站在时间槽的覆盖范围内的任务集合
21.步骤4.1.2：获取任务集合对应的上下文集合所述的上下文集合
包含任务集合中每一个任务的输入数据大小、输出数据大小和时间延迟要求；
22.步骤4.1.3：对每一个任务k，找到其对应的任务上下文子空间
23.步骤4.1.4：判断是否成立，若是跳转步骤4.1.5，否则跳转步骤4.1.6；其中，表示在时间槽任务上下文子空间j对小基站的权重，表示在时间槽任务k对应的上下文子空间fk对小基站的权重；
24.步骤4.1.5：寻找满足等式的变量∈，令辅助集合记录辅助集合中任务上下文子空间fk的新权重跳转步骤4.1.7；
25.步骤4.1.6：令辅助集合
26.步骤4.1.7：记录辅助集合中的任务上下文子空间以外的子空间的新权重
27.步骤4.1.8：计算每一个任务k被执行的概率，公式为：
[0028][0029]
其中，表示在时间槽任务k对应的上下文子空间fk对小基站的新权重，表示在时间槽任务k被小基站执行的概率；
[0030]
步骤4.1.9：返回每一个任务k被执行的概率依次所构成的向量依次所构成的向量k表示时间槽需要处理的全体任务数量；
[0031]
进一步的，所述步骤4.2根据概率向量贪心地分配时间槽的任务给小基站的步骤为：选择最大的c个在时间槽内，将对应的c个任务分配给小基站c表示第个小基站同一时间能连接的最大无线设备数量。
[0032]
进一步的，所述步骤4.4根据任务反馈结果更新辅助变量步骤如下：
[0033]
步骤4.4.1：在完成计算之后，获取在时间槽内，小基站完成上下文为φk的任务k的奖励完成概率资源消耗
[0034]
步骤4.4.2：根据以下公式更新每一个任务的奖励完成概率
资源消耗
[0035][0036][0037][0038]
其中，为更新后的奖励、完成概率、资源消耗，为指示函数，为在时间槽内，被分配给小基站的任务集合，lk表示完成任务k所需的预计时间槽数量，ρ表示多周期任务奖励修正因子，其值大于1。
[0039]
步骤4.4.3：计算时间槽内，每一个任务上下文子空间对于每一个小基站的复合奖励复合完成概率复合资源消耗计算公式为：
[0040][0041][0042][0043]
其中，表示时间槽内，上下文φk所在的任务上下文子空间f对应的任务k，k为变量；
[0044]
步骤4.4.4：对于每一个满足的任务上下文子空间f，使用下式更新其对应权重：
[0045][0046]
步骤4.4.5：对于每一个满足的任务上下文子空间f，使用下式更新其对应权重：
[0047][0048]
步骤4.4.6：使用下式更新迭代辅助变量：
[0049]
[0050][0051]
其中，为第个小基站在第个时间槽完成每一个任务的概率为分量所构成的向量，为第个小基站在第个时间槽执行每一个任务的概率为分量所构成的向量，为第个小基站在第个时间槽完成每一个任务的资源消耗为分量所构成的向量，[
·
]
+
表示取括号内表达式的值和0二者中的较大值。
[0052]
本发明解决了无线设备连接5g小基站网络场景下的多周期任务卸载难题，填补了无线设备连接5g小基站网络场景下的多周期任务卸载方法的空缺，并且能够在保证服务质量(qos)的同时获得高的任务奖励，具有较高性能比。
附图说明
[0053]
图1为本发明任务卸载方法的流程示意图；
[0054]
图2为发明实施例和对比例的累积任务奖励的结果图；
[0055]
图3为发明实施例和对比例的违背最低服务质量所需计算资源下限的约束的结果图；
[0056]
图4为发明实施例和对比例违背小基站计算资源上限的约束的结果图；
[0057]
图5为发明实施例和对比例的性能比的结果图；
[0058]
本发明的实现、功能特点将结合实施例，参照附图做进一步说明。
具体实施方式
[0059]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0060]
实施例1
[0061]
本实施例在以下模型参数对应的网络中实施：网络中有m＝30个小基站，每一个时间槽内每一个小基站覆盖范围内的任务集合在范围随机分布，每个小基站覆盖范围内的无线设备数量在范围随机分布。每个时间槽内，每个小基站最多可连接c＝20个无线设备。每个任务的所需时间槽在[10,30]范围随机分布，奖励在范围均匀分布，完成概率也在范围均匀分布，资源消耗在范围内均匀分布，任务输入在[5,20]mbit范围内为随机分布，任务输出在[1,4]mbit范围内为随机分布。小基站同一时间能调用的最大计算资源β＝27，同一时间为保证服务质量(qos)所需的调用的最小计算资源α＝15。网络中统计t＝10000个时间槽内的数据变化。
[0062]
如图1所示，本实施例步骤如下：
[0063]
步骤1：全体任务的上下文构成任务上下文空间，将任务上下文空间划分为3个子空间，记划分后的子空间集合为所述的子空间f内包括一个或多个任务的上下文，每一个任务k对应一个任务上下文子空间每一个任务上下文子空间可对应一个或多个
任务；
[0064]
步骤2：定义每一个任务上下文子空间对于每一个小基站的权重，初始化对应权重
[0065]
步骤3：对每个小基站初始化辅助变量：随机初始变量,其中，两个辅助变量分别表示完成概率和资源消耗的权重，表示设备区别于其余设备的特有参数，表示权重修正系数，表示资源消耗修正系数。
[0066]
步骤4：对时间槽需要处理的全体任务，执行以下步骤：
[0067]
步骤4.1：计算每一个小基站在时间槽执行每一个任务k的概率构成向量
[0068]
步骤4.2：根据概率向量贪心地分配时间槽的任务给小基站
[0069]
步骤4.3：更新任务集合：当分配的任务完成后，其不再计入任何小基站的覆盖范围内的任务集合
[0070]
步骤4.4：根据任务反馈结果更新辅助变量。
[0071]
步骤5，重复步骤4，实时对下一个时间槽需要处理的全体任务进行分配并更新辅助变量，直至任务卸载完成。
[0072]
进一步的，所述步骤4.1计算每一个小基站在时间槽执行每一个任务的概率的步骤如下：
[0073]
步骤4.1.1：获取小基站在时间槽的覆盖范围内的任务集合
[0074]
步骤4.1.2：获取任务集合对应的上下文集合所述的上下文集合包含任务集合中每一个任务的输入数据大小、输出数据大小和时间延迟要求；
[0075]
步骤4.1.3：对每一个任务k，找到其对应的任务上下文子空间
[0076]
步骤4.1.4：判断是否成立，若是跳转步骤4.1.5，否则跳转步骤4.1.6；其中，表示在时间槽任务上下文子空间j对小基站的权重，表示在时间槽任务k对应的上下文子空间fk对小基站的权重；
[0077]
步骤4.1.5：寻找满足等式的变量∈，令辅助集合记录辅助集合中任务上下文子空间fk的新权
重跳转步骤4.1.7；
[0078]
步骤4.1.6：令辅助集合
[0079]
步骤4.1.7：记录辅助集合中的任务上下文子空间以外的子空间的新权重
[0080]
步骤4.1.8：计算每一个任务k被执行的概率，公式为：
[0081][0082]
其中，表示在时间槽任务k对应的上下文子空间fk对小基站的新权重，表示在时间槽任务k被小基站执行的概率；
[0083]
步骤4.1.9：返回每一个任务k被执行的概率依次所构成的向量依次所构成的向量k表示时间槽需要处理的全体任务数量；
[0084]
进一步的，所述步骤4.2根据概率向量贪心地分配时间槽的任务给小基站的步骤为：选择最大的在时间槽内，将对应的c＝20个任务分配给小基站c表示第个小基站同一时间能连接的最大无线设备数量。
[0085]
进一步的，所述步骤4.4根据任务反馈结果更新辅助变量步骤如下：
[0086]
步骤4.4.1：在完成计算之后，获取在时间槽内，小基站完成上下文为φk的任务k的奖励完成概率资源消耗
[0087]
步骤4.4.2：根据以下公式更新每一个任务的奖励完成概率资源消耗
[0088][0089][0090][0091]
其中，为更新后的奖励、完成概率、资源消耗，为指示函
数，为在时间槽内，被分配给小基站的任务集合，lk表示完成任务k所需的预计时间槽数量，ρ表示多周期任务奖励修正因子，其值大于1。
[0092]
步骤4.4.3：计算时间槽内，每一个任务上下文子空间对于每一个小基站的复合奖励复合完成概率复合资源消耗复合资源消耗计算公式为：
[0093][0094][0095][0096]
其中，表示时间槽内，上下文φk所在的任务上下文子空间f对应的任务k，k为变量；
[0097]
步骤4.4.4：对于每一个满足的任务上下文子空间f，使用下式更新其对应权重：
[0098][0099]
步骤4.4.5：对于每一个满足的任务上下文子空间f，使用下式更新其对应权重：
[0100][0101]
步骤4.4.6：使用下式更新迭代辅助变量：
[0102][0103][0104]
其中，为第个小基站在第个时间槽完成每一个任务的概率为分量所构成的向量，为第个小基站在第个时间槽执行每一个任务的概率为分量所构成的向量，为第个小基站在第个时间槽完成每一个任务的资源消耗为分量所构成的向量，[
·
]
+
表示取括号内表达式的值和0二者中的较大值。
[0105]
记录每一个时间槽内，步骤4.2任务卸载的分配方案的所有任务奖励之和，并累加到当前时间槽之前的全体时间槽任务奖励之和，作为累积任务奖励；记录每一个时间槽内，步骤4.2任务卸载的分配方案违背最低服务质量所需计算资源α的约束的次数，并累加到当前时间槽之前的全体时间槽违背次数之和，作为累积违背最低服务质量所需计算资源α次数，此项衡量服务质量(qos)好坏，值越低越好；记录每一个时间槽内，步骤4.2任务卸载的
分配方案违背小基站计算资源上限β的约束次数，并累加到当前时间槽之前的全体时间槽违背次数之和，作为累积违背小基站计算资源上限次数，此项衡量服务质量(qos)好坏，值越低越好。计算累积任务奖励/(累积违背计算资源下限α次数+累积违背计算资源上限β次数)，作为性能比，此项衡量服务效率，其值越高越好。
[0106]
参考图2、3、4、5为本实施例结果，可以看出本发明累积任务奖励略低于当前先进方法vucb，与stto相当，本方法违背资源下限α约束次数始终保持最低，违背资源上限β约束次数仅次于stto，且两者接近，服务质量(qos)最好；综合来看，本方法性能比始终保持最低，综合服务效率最高。
[0107]
对比例1
[0108]
作为对比，在与实施例1相同的网络上，使用当前先进方法vucb进行任务卸载，并记录累积任务奖励、累积违背计算资源下限α次数、累积违背计算资源上限β次数、性能比，参考图2、3、4、5为本对比例结果。
[0109]
对比例2
[0110]
作为对比，在与实施例1相同的网络上，使用单周期任务卸载方法stto进行任务卸载，并记录累积任务奖励、累积违背计算资源下限α次数、累积违背计算资源上限β次数、性能比，参考图2、3、4、5为本对比例结果。
[0111]
对比例3
[0112]
作为对比，在与实施例1相同的网络上，使用随机方法(random)进行任务卸载，该方法随机地进行任务分配，并记录累积任务奖励、累积违背计算资源下限α次数、累积违背计算资源上限β次数、性能比，参考图2、3、4、5为本对比例结果。
[0113]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0114]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0115]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，包括以下步骤：步骤1：获取多周期任务，所述的多周期任务中的每一个任务需要在两个或两个以上时间槽内被处理完毕，将完成任务k所需的预计时间槽数量记为l
k
,l
k
≥2；将全体任务的上下文构成任务上下文空间，将任务上下文空间划分为n个子空间，每一个任务上下文子空间f内包含一个或多个任务的上下文信息，每一个任务的上下文信息仅存在于一个任务上下文子空间内；步骤2，初始化每一个任务上下文子空间对于每一个小基站的权重其中，表示5g小基站网络集合，表示第j个5g小基站，表示任务上下文子空间集合；步骤3：初始化每个小基站的辅助变量以及随机初始化变量其中，两个辅助变量分别表示完成概率和资源消耗的权重；步骤4：计算每一个小基站在时间槽执行每一个任务k的概率并根据完成任务k所需的预计时间槽数量计算多周期任务奖励修正系数，计算公式为：其中，a
k
表示任务k的奖励修正系数，ρ表示多周期任务奖励修正因子，ρ＞1；步骤5，对时间槽需要处理的全体任务进行分配，当分配的任务完成后，其不再计入任何小基站的覆盖范围内的任务集合中；根据任务反馈结果和多周期任务奖励修正系数，更新每一个任务上下文子空间对于每一个小基站的权重和辅助变量；步骤6，重复步骤4-5，实时对下一个时间槽需要处理的全体任务进行分配，直至任务卸载完成。2.根据权利要求1所述的一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，所述的计算公式如下：计算公式如下：其中，表示设备的特有参数，表示权重修正系数，表示资源消耗修正系数。3.根据权利要求1所述的一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，所述的步骤4包括：步骤4.1：获取小基站在时间槽的覆盖范围内的任务集合
步骤4.2：获取任务集合对应的上下文集合所述的上下文集合包含任务集合中每一个任务的输入数据大小、输出数据大小和时间延迟要求；步骤4.3：对每一个任务k，找到其对应的任务上下文子空间步骤4.4：判断是否成立，若是跳转步骤4.5，否则跳转步骤4.6；其中，表示在时间槽任务上下文子空间j对小基站的权重，表示在时间槽任务k对应的上下文子空间f
k
对小基站的权重，c表示第个小基站同一时间能连接的最大无线设备数量；步骤4.5：寻找满足等式的变量∈，令辅助集合记录辅助集合中任务上下文子空间f
k
的新权重跳转步骤4.7；步骤4.6：令辅助集合步骤4.7：记录辅助集合中的任务上下文子空间以外的子空间的新权重步骤4.7：记录辅助集合中的任务上下文子空间以外的子空间的新权重步骤4.8：计算每一个任务k被执行的概率步骤4.9：根据完成任务k所需的预计时间槽数量和每一个任务k被执行的概率计算多周期任务奖励修正系数。4.根据权利要求3所述的一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，所述的每一个任务k被执行的概率，公式为：其中，表示在时间槽任务k对应的上下文子空间f
k
对小基站的新权重，表示在时间槽任务k被小基站执行的概率。5.根据权利要求1所述的一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，所述的步骤5包括：根据每一个任务k被执行的概率向量k表示时间槽需要处理的全体任务数量，从概率向量中选择最大的c个在时间槽内，将对应的c个任务分配给小基站其中，c表示第个小基站同一时间能连接的最大无线设备数量。
6.根据权利要求1所述的一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，所述的步骤5包括：步骤5.1：根据每一个任务k被执行的概率向量贪心地分配时间槽的任务给小基站步骤5.2：更新任务集合：当分配的任务完成后，其不再计入任何小基站的覆盖范围内的任务集合步骤5.3：根据任务反馈结果更新辅助变量。7.根据权利要求6所述的一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，所述的步骤5.3中，每个小基站的辅助变量更新过程包括：步骤5.3.1：获取在时间槽内，小基站完成上下文为φ
k
的任务k的奖励完成概率资源消耗步骤5.3.2：根据每一个任务k被小基站执行的概率和分配给小基站的任务集合，更新奖励完成概率资源消耗将更新结果记为步骤5.3.3：计算时间槽内，每一个任务上下文子空间对于每一个小基站的复合奖励复合完成概率复合资源消耗步骤5.3.4：对于每一个满足的任务上下文子空间f，使用下式更新其对应权重：步骤5.3.5：对于每一个满足的任务上下文子空间f，使用下式更新其对应权重：步骤5.3.6：使用下式更新迭代辅助变量：步骤5.3.6：使用下式更新迭代辅助变量：其中，为第个小基站在第个时间槽完成每一个任务的概率为分量所构成的向量，为第个小基站在第个时间槽执行每一个任务的概率为分量所构成的向量，为第个小基站在第个时间槽完成每一个任务的资源消耗为分量所构成的向量，[
·
]
+
表示取括号内表达式的值和0二者中的较大值。8.根据权利要求7所述的一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，所述的奖励完成概率资源消耗的更新公式如下：
其中，为更新后的奖励、完成概率、资源消耗，为指示函数，为在时间槽内，被分配给小基站的任务集合，l
k
表示完成任务k所需的预计时间槽数量，ρ表示多周期任务奖励修正因子，其值大于1。9.根据权利要求7所述的一种面向5g小基站网络的在线多周期任务卸载方法，其特征在于，复合奖励复合完成概率复合资源消耗的计算公式如下：的计算公式如下：的计算公式如下：其中，表示时间槽内，上下文φ
k
所在的任务上下文子空间f对应的任务k，k为变量。

技术总结
本发明公开了一种面向5G小基站网络的在线多周期任务卸载方法，属于任务卸载领域。所述方法提供一个描述无线设备连接5G小基站网络场景的多周期任务模型，在该模型下，根据多周期任务，初始化每一个任务上下文子空间对于每一个小基站的权重，以及初始化每个小基站的辅助变量；计算每一个小基站在时间槽执行每一个任务的概率，并根据完成任务所需的预计时间槽数量计算多周期任务奖励修正系数，对时间槽需要处理的全体任务进行分配，根据任务反馈结果和多周期任务奖励修正系数，更新每一个任务上下文子空间对于每一个小基站的权重和辅助变量；重复，直至任务卸载完成。本发明解决了无线设备连接5G小基站网络场景的多周期任务卸载问题。载问题。载问题。


技术研发人员：黄浩 杨俞兰 吴伟观 颜钱
受保护的技术使用者：江西求是高等研究院
技术研发日：2023.05.16
技术公布日：2023/8/6