【技术实现步骤摘要】
本专利技术属于边缘计算相关，尤其涉及一种边缘计算任务卸载优化方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、现有的边缘计算任务卸载技术存在一些不足和挑战，尤其是在移动计算环境中。传统的任务卸载方法通常使用预定义的静态规则或模型来将任务分配给云端或边缘服务器。然而，在真实的移动计算环境中，网络状况和计算资源状况往往不断变化，使静态策略难以及时适应这种动态变化，导致任务延迟和资源浪费。
3、在现有任务卸载中，任务通常被独立对待，忽略了它们之间复杂的依赖关系。这种忽视在任务需要共享数据或依赖其他任务输出的情况下，容易导致整体执行时间的增加和效率降低。移动设备和边缘计算节点的资源(如计算、存储、能耗)通常受限，现有方法在调度和分配任务时往往不能充分考虑这些资源的限制，从而导致任务执行的资源过载或不均衡。
4、现有任务卸载策略往往只注重单一指标，如延迟、资源利用率或能耗，忽略了对这些指标之间平衡的考虑。实际应用中，需要在降低延迟、提高资源利用率和节省能耗之间找到最佳平衡点。
5、综上，目前的边缘计算任务卸载存在如下问题：
6、1、静态卸载策略难以应对动态环境；
7、2、缺乏对多任务依赖的灵活处理；
8、3、资源受限的环境需求；
9、4、难以平衡多目标优化；
10、5、缺乏实时调整能力。
技术实现思路
1、为克服上述现有技术的
2、为实现上述目的，本专利技术的第一个方面提供一种边缘计算任务卸载优化方法，包括：
3、将当前待卸载任务进行任务分解，得到多个子任务，并将所得到的子任务基于优先级依赖关系形成有向无环图；
4、基于所述有向无环图，以及每个子任务在不同节点的计算延迟和通信传输开销，在成本约束条件下，以待卸载任务的总延迟最小为目标，利用hermes算法生成初步卸载策略；
5、基于所生成的初步卸载策略，通过强化学习算法进行优化，得到优化后的卸载策略；其中，在所述强化学习算法优化中，基于子任务待分配节点实时的计算资源、负载情况以及子任务执行时间设定惩罚奖励函数；根据所述惩罚奖励函数进行实时动态优化。
6、本专利技术的第二个方面提供一种边缘计算任务卸载优化系统，包括：
7、分解模块，用于将当前待卸载任务进行任务分解，得到多个子任务，并将所得到的子任务基于优先级依赖关系形成有向无环图；
8、初步策略生成模块，用于基于所述有向无环图，以及每个子任务在不同节点的计算延迟和通信传输开销，在成本约束条件下，以待卸载任务的总延迟最小为目标，利用hermes算法生成初步卸载策略；
9、策略优化模块，用于基于所生成的初步卸载策略，通过强化学习算法进行优化，得到优化后的卸载策略；其中，在所述强化学习算法优化中，基于子任务待分配节点实时的计算资源、负载情况以及子任务执行时间设定惩罚奖励函数；根据所述惩罚奖励函数进行实时动态优化。
10、本专利技术的第三个方面提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行一种边缘计算任务卸载优化方法。
11、本专利技术的第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行一种边缘计算任务卸载优化方法。
12、以上一个或多个技术方案存在以下有益效果：
13、本专利技术将整体任务分解成独立的子任务，并基于子任务之间的优先级关系和依赖关系，形成有向无环图(dag)；随后利用hermes算法初步生成任务卸载策略，考虑了子任务之间的关系，能够灵活的对多任务进行处理，hermes算法在降低计算延迟和通信传输开销的情况下，形成初步卸载策略；然后基于强化学习进行进一步卸载优化，强化学习能够适应复杂的网络环境和计算资源的变换，综合考虑了当前的延迟、负载和计算资源多种指标，在网络和资源条件变化时能够动态地调整卸载策略，实现任务卸载的优化调整。
14、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种边缘计算任务卸载优化方法，其特征在于，包括：
2.如权利要求1所述的一种边缘计算任务卸载优化方法，其特征在于，根据子任务的计算复杂性，评估子任务所需的CPU周期和内存容量，根据所评估的子任务所需的CPU周期计算在不同节点的计算延迟；根据网络延迟和带宽，计算子任务之间数据传输的通信开销。
3.如权利要求1所述的一种边缘计算任务卸载优化方法，其特征在于，将所述有向无环图中每个子任务作为时间序列中的有一个阶段，以子任务开始和结束作为时间段的边界，构建虚拟时间序列；定义状态空间，动作空间，设计奖励函数；采用DNN算法根据所述奖励函数计算的损失值，利用反向传播算法更新DNN中的参数权重，进行迭代训练得到最优策略。
4.如权利要求1或3所述的一种边缘计算任务卸载优化方法，其特征在于，所述奖励函数具体包括：当待分配子任务计算资源小于卸载目标节点计算资源，给予正向奖励值，当待分配子任务计算资源大小与卸载目标节点计算资源，给予惩罚值；当子任务分配到节点后，所述节点的负载超过设定阈值，则给予负载惩罚值；当子任务执行时间超过设定时间阈值，则给予延迟惩罚值。<...
【技术特征摘要】
1.一种边缘计算任务卸载优化方法，其特征在于，包括：
2.如权利要求1所述的一种边缘计算任务卸载优化方法，其特征在于，根据子任务的计算复杂性，评估子任务所需的cpu周期和内存容量，根据所评估的子任务所需的cpu周期计算在不同节点的计算延迟；根据网络延迟和带宽，计算子任务之间数据传输的通信开销。
3.如权利要求1所述的一种边缘计算任务卸载优化方法，其特征在于，将所述有向无环图中每个子任务作为时间序列中的有一个阶段，以子任务开始和结束作为时间段的边界，构建虚拟时间序列；定义状态空间，动作空间，设计奖励函数；采用dnn算法根据所述奖励函数计算的损失值，利用反向传播算法更新dnn中的参数权重，进行迭代训练得到最优策略。
4.如权利要求1或3所述的一种边缘计算任务卸载优化方法，其特征在于，所述奖励函数具体包括：当待分配子任务计算资源小于卸载目标节点计算资源，给予正向奖励值，当待分配子任务计算资源大小与卸载目标节点计算资源，给予惩罚值；当子任务分配到节点后，所述节点的负载超过设定阈值，则给予负载惩罚值；当子任务执行时间超过设定时间阈值，则给予延迟惩罚值。
5.如权利要求1所述的一种边缘计算任务卸载优化方法，其特征在于，所述总延迟由任务vi所有前驱任务的结束时间所...
【专利技术属性】
技术研发人员：史慧玲，肖百灵，郝昊，丁伟，谭立状，王小龙，刘礼彬，张玮，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。