1.一种基于边缘协作的任务卸载及资源分配联合优化方法,其特征在于:针对移动业务流量激增及空间分布不均的边缘网络环境下,通过基于软件定义网络SDN的集中式系统架构对网络设备的资源进行实时感知及集中管控,并在用户最大容忍延迟和MEC服务器计算资源约束下,建立用户公平性的时延最小化的理论模型,使得所有用户中最大的时延最小化,并通过基于模拟退火思想的启发式迭代算法框架对任务卸载策略和资源分配方案进行联合优化;
所述SDN是通过将网络设备的数据面和控制面分离,并将控制面转移到基于软件的集中式实体中,从而实现网络功能可编程、可集中控制转发;所述基于SDN的集中式系统架构包括M个边缘节点,N个用户终端和一个SDN控制器;所述边缘节点为配有MEC服务器的基站,且边缘节点之间通过有线链路相互通信,每个用户终端通过无线链路接入基站,每个基站运行OpenFlow协议与SDN控制器进行交互信息,所述SDN控制器获取用户终端和MEC服务器的信息,包括用户终端的计算能力、各MEC服务器当前的负载和计算资源,从全局视野感知网络状态,灵活调度网络资源;
所述边缘协作机制是针对MEC服务器计算负载与计算能力不匹配的情况下,通过MEC服务器间的卸载转发和协作来均衡边缘设备的计算负载,从而降低用户终端的任务时延,提高资源利用率的一种方式;
所述用户公平性通过min‑max优化每个用户终端的任务时延来实现,具体是指在用户计算任务最大容忍延迟和MEC服务器计算资源约束下,对所有用户中最大的任务时延最小化,从而对任务卸载策略和计算资源进行联合优化,其具体优化问题为:其中,Π和f分别表示所有用户终端的卸载策略向量和计算资源分配向量;
所述模拟退火思想的启发式迭代算法是一种基于Monte‑Carlo迭代求解策略的随机寻优算法,在算法寻优过程中引入随机因素,即若本次得到的目标函数优于上次的结果,则接受本次新解;若劣于上次的结果,则以一定的概率接受本次新解;
所述模拟退火思想的启发式迭代算法包括:首先,给定任务执行方式将优化问题转化为MEC服务器计算资源分配问题,并利用二分法对资源分配方案进行求解;其次,在资源分配方案的基础上,通过模拟退火算法求的近似最优任务卸载策略,经过不断迭代直至收敛;
最后,以较低的复杂度获得优化问题的近似最优解;
所述模拟退火思想的启发式迭代算法具体包括以下步骤:
S101:初始化模拟退火算法参数,包括退火初始温度Tmax、终止温度Tmin、退火速度q以及每次降温的迭代次数S,并随机生成任务卸载决策,通过二分法得计算资源分配方案,从而得到用户任务的执行时延,以最大的用户时延作为初始目标函数值;
S102:根据卸载决策的解空间产生新解;
S103:基于二分法得到MEC服务器计算资源分配方案,并计算本次用户任务的执行时延;
S104:比较本次时延是否小于上次时延,若小于则执行步骤S105,否则执行步骤S106;
S105:将本次的卸载策略和资源分配方案作为当前最优解,然后执行步骤S107;
S106:以一定概率接受当前解,以跳出局部最优解,然后执行下一步;
S107:判断迭代次数是否大于S,若大于则执行步骤S108,否则转到步骤S102,重复上述步骤开始新一次的迭代;
S108:判断当前温度是否小于退火终止温度,若小于则执行步骤S110,否则执行步骤S109;
S109:对当前的温度进行降温,同时重置迭代次数,然后转到步骤S102,重复上述步骤,开始新一轮的降温;
S110:当满足退火的终止温度时,算法终止,最终得到任务卸载策略和资源分配的近似最优解;
步骤S106中,所述接受本次新解及目标函数值的概率p根据Metropolis准则计算得到,其表达式为所述Qs为上一次目标函数;
所述Qs+1为本次的目标函数值;
所述T为当前温度;
所述利用二分法对资源分配方案进行求解,包括以下步骤:
S201:初始化最大时延τmax、最小时延τmin、迭代次数L以及最大可容忍误差S202:判断当前迭代次数是否大于L,若大于L,则转到步骤S209得到计算资源分配方案,否则执行步骤S203;
S203:判断不等式 是否成立,若成立,则执行步骤S204,否则执行步骤S205;
l
S204:取最大时延和最小时延的平均值作为当前迭代的时延,即τ=(τmax+τmin)/2,然后执行步骤S208;
S205:判断已分配的计算资源是否大于节点的总计算资源,若大于则执行步骤S206,否则执行步骤S207;
l
S206:更新最小时延τmin=τ,然后执行步骤S208;
l
S207:更新最大时延τmax=τ,然后转入下一步;
S208:将迭代次数加1,转到步骤S202,开始新一次的迭代;
S209:得到计算资源分配方案。