基于端边云协同的边缘计算任务卸载研究

作     者：刘黎明 

作者单位：杭州电子科技大学 

学位级别：硕士

导师姓名：张建辉

授予年度：2022年

学科分类：08[工学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 

主      题：边缘计算 计算卸载 时间扩展图 效用最大化 深度学习 资源预留 

摘      要：边缘计算的广泛应用给计算资源和能量供应受限的终端带来了曙光,终端通过计算卸载完成任务可以减少能量消耗和提升性能。因此,边缘计算任务卸载成为一个值得研究的课题。本文基于端边云协同的网络架构,分别研究动态边缘网络环境下任务卸载的场景以及基于资源需求预测和预留机制下任务卸载的场景。为了使终端在动态边缘网络中高效卸载任务,本文以时间扩展图(Time Expanded Graph,简称TEG)为工具,以Garg-K(?)nemanns框架为理论基础,形式化动态网络环境下的任务卸载效用值最大化问题,并设计了基于TEG的任务卸载效用值最大化算法。为了优化任务卸载方案和提升区域间计算资源调度效率,本文以图卷积网络(Graph Convolutional Networks,简称GCN)和基于注意力机制的循环神经网络(Recurrent Neural Networks,简称RNN)为理论依据,构建区域时空关联任务卸载需求预测模型,并基于此设计区域资源预留算法调度区域资源进行预留。本文的主要工作和贡献总结如下:(1)本文首先研究了动态边缘网络高效任务卸载方法的设计,考虑时变因素对任务卸载的影响,通过构建TEG离散化表示时变因素以简化问题。然后基于TEG提出单源算法(Single Source,简称SS)以最大化单终端任务卸载效用值。针对多源任务卸载,本文基于Garg-K(?)nemanns框架设计了解决该NP-hard问题的近似算法:多源算法(Multiple Source,简称MS),其近似比率为1-3(01/3)。本文对算法SS和MS进行了广泛仿真实验,实验结果显示所提算法从任务吞吐量、时间消耗、能量消耗、效用值等多个方面均优于对比算法。(2)为了提升实时资源调度和利用的效率,本文基于资源需求预测和预留机制满足区域任务卸载需求,降低资源调度成本,提出基于时空关联任务卸载需求预测的时延感知资源预留方法。首先考虑区域任务卸载需求高度复杂的空间内在相关性以及在时间序列上的相关性,然后构建区域时空关联任务卸载需求预测模型(Spatio Temporal Correlation Task Offloading Demand,简称STCTOD),进一步提出了边缘服务器资源预留算法(Edge Server Resource Reservation,简称ESRR),以最小化终端任务卸载时延。本文基于真实数据集对时空任务需求预测模型和时延感知资源预留算法进行实验,实验结果表明不同场景下的平均卸载时间消耗降低30%,验证了预测模型和资源预留算法的可行性和有效性。