基于电池状态的混合卸载方案与顺序多任务学习在移动边缘计算中的应用

《Future Generation Computer Systems》：A battery-dependent partial offloading scheme with sequential multi-task learning for mobile edge computing

　　扎拉·沙希德|扎伊瓦尔·阿里|纳齐亚·沙赫扎迪|哈里斯·汗|齐亚乌尔·哈克·阿巴斯|古拉姆·阿巴斯|穆罕默德·叶海亚|阿卜杜勒·瓦希德巴基斯坦托皮23640，GIK工程科学与技术学院电信与网络研究中心摘要移动边缘计算（MEC）能够将计算任务从资源有限的终端设备转移到附近的边缘服务器上，从而降低延迟和能耗。这一主题在学术界已得到广泛研究，但现有方法往往忽视了实际设备限制，尤其是电池状态，并且依赖有限且不可重复的数据集。为弥补这些缺陷，本文提出了一种基于电池状态的局部卸载方案（BDPOS），该方案将终端设备的当前电池电量纳入成本模型中，从而做出注重能耗的最优卸载决策。所提出的框架同时优化三个目标：确定最佳组件数量、划分任务以及选择卸载策略，以找到总体成本最低的方案。为确保可重复性，BDPOS还被用来生成多个大小不一的合成数据集。在这些数据集上，通过序列多任务学习（MTL）框架对多种人工智能模型进行了全面比较分析，以期为MEC环境中的智能卸载提供依据。评估的模型包括深度神经网络（DNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）、双向LSTM（Bi-LSTM）、门控循环单元（GRU）、双向GRU（Bi-GRU）、最小门控单元（MGU）以及时间卷积网络（TCN）。在模型训练之前，这些数据集会经过预处理，并通过基于贝叶斯的方法调整超参数。训练后的模型则通过多种性能指标、威尔科克森符号秩检验以及计算成本分析来进行评估。此外，还将该算法的能耗与现有方案进行了比较。仿真结果表明，与现有策略相比，所提出的BDPOS技术能显著降低整体能耗，而基于MTL的GRU模型表现最佳，在组件优化方面的准确率为87.96%，任务划分的平均绝对误差为0.0780，卸载策略预测的准确率为63.37%。这些研究结果凸显了考虑电池状态建模的重要性，也为设计高效、数据驱动的下一代MEC系统提供了实用见解引言在当今数字化世界中，通信设备、物联网节点以及移动设备等终端设备正在快速发展[1]、[2]。这些技术进步使得在终端设备上运行的应用变得更加复杂，因此终端设备的工作负荷也有所增加，这就需要更高的电池容量、更强的计算能力、更大的存储空间以及更低的执行延迟。尽管有了这些进步，终端设备仍然难以仅依靠自身的处理器来处理如此繁重的任务。正是由于这些限制，移动云计算（MCC）应运而生，这是一种旨在在远程服务器上处理资源密集型任务的灵活方案[3]。这些服务器位于中央云平台中，而终端设备与云服务器之间的较大距离往往会导致延迟和能耗上升，从而限制了MCC支持现代应用的能力[4]、[5]。为了解决这些问题，移动边缘计算（MEC）被引入，它也被称为多接入边缘计算。MEC会在终端设备附近部署小型移动边缘服务器（MES）。虽然这些边缘服务器的规模较小，但它们具备足够的计算能力，能够高效处理对时间敏感的任务。通过降低延迟和能耗，MEC有助于制定明智的计算卸载策略[6]。在MEC中，卸载指的是将任务传输到附近的服务器进行远程处理，这种方法可以提高能效并减少时间延迟。卸载策略通常分为两类：完全卸载和部分卸载。在完全卸载策略中，整个任务都在边缘服务器上执行[7]；而在部分卸载策略中，任务会被分解为多个较小的部分，其中一部分在终端设备的处理器上本地执行，另一部分则在边缘服务器上远程处理[8]。在本文中，我们采用部分卸载策略，以便在MEC环境中做出最优决策。随着MEC的不断发展，高效的计算卸载对于提升资源受限的终端设备性能至关重要。然而，尤其是在用户需求不断变化且资源约束动态变动的情况下，及时做出最优的卸载决策仍是一项艰巨任务。为了解决这一问题，人们开始利用人工智能（AI）模型来制定智能卸载策略，因为它们能够在复杂环境中具备良好的适应性[9]。由于用于训练这些模型的数据集是合成的，因此通过改进数据集生成过程中的成本函数，可以进一步提升其真实性。尽管已有大量研究致力于优化卸载策略，但在卸载决策过程中却未能充分考虑到终端设备的电池电量，而电池电量在任务执行中起着至关重要的作用。例如，如果某个任务所需的能量超过了终端设备当前的电池电量，那么设备可能在任务完成之前就停止工作。因此，有必要通过将终端设备的当前电池电量作为决策过程中的关键因素来改进成本函数。本文提出了一种注重能耗的框架，用于在MEC环境中实现高效的计算任务卸载。该框架通过明确纳入终端设备的当前电池电量来优化成本函数，从而做出能够考虑电池限制的务实卸载决策，而这些限制在传统方法中常常被忽视。基于这一框架，该框架同时优化任务划分、任务组件数量以及卸载策略，以最大限度地降低能耗和延迟。此外，还采用了序列多任务学习（MTL）框架来评估和确定最适合自动卸载决策的人工智能模型。与现有方法相比，所提出的方法具有更出色的能效表现。图1展示了单用户、单服务器的MEC架构，其中卸载决策取决于电池电量是否充足，图中还标出了不同的数据流路径。本文的主要贡献和创新点如下：•电池状态感知的成本建模：为本地和远程任务执行开发了一种改进的成本函数，该函数明确纳入了终端设备剩余的电池电量（Br>Ec），从而能够在动态网络条件下做出务实且注重能耗的卸载决策。•最优部分卸载策略：该框架通过部分卸载方案，同时优化任务划分、组件数量以及卸载策略。对于每个任务，都会评估所有2c种可行的卸载组合，然后选择成本最低的策略。•基准测试验证：所提出的基于电池状态的局部卸载方案（BDPOS）与现有方法进行了对比测试，结果显示其在降低总能耗方面具有明显优势。•数据集生成：利用BDPOS生成了八个数据集，其样本量介于1000到15,000之间，用于训练和评估各种人工智能模型。•基于MTL的模型比较：在序列多任务学习（MTL）框架下对多种深度学习模型进行了评估，以确定最适合用于卸载决策的模型架构，这些模型包括DNN、RNN、LSTM、GRU、MGU、TCN及其双向变体。•全面评估：通过标准的分类和回归指标、威尔科克森符号秩检验以及计算成本，再加上训练和推理时间分析，对模型性能进行了全面评估。本文的结构如下：第2节介绍了MEC领域中一些最新的计算卸载技术。第3节阐述了我们所提出的系统模型。第4节探讨了算法设计。第5节详细分析了仿真结果。最后，第6节总结了本文内容，并提出了未来工作的建议相关研究本节简要概述了MEC领域的先前研究成果及进展。有许多研究致力于改进卸载策略，不过不同提出的卸载技术有着不同的目标。阿里等人[10]提出了一种基于高效深度学习的卸载方案（EEDOS），该方案通过训练一个智能决策模型来确定最优的卸载策略。为降低穷举搜索的复杂性，他们制定了一个成本函数系统模型本节介绍了所提出的数学模型，该模型描述了MEC环境中计算任务的本地执行和远程执行情况，同时还涉及成本函数的构建以及相应的优化策略。本研究采用部分卸载方案，即将一个给定任务分解为c个组件，这些组件既可以本地执行，也可以远程执行，而且各组件之间存在顺序依赖关系。为了确定最优的卸载算法设计本节详细说明了数据集生成过程、能耗比较、MTL框架、MTL框架中使用的人工智能模型以及贝叶斯优化的作用。图2展示了所提出系统的流程图。从左上角开始，流程首先是使用改进后的BDPOS算法来生成卸载数据集，然后将该数据集的总体能耗与现有算法的能耗进行比较结果与讨论本节比较了所提策略与现有方案的总体能耗，同时在序列MTL框架下，从多个性能指标、统计检验以及计算成本分析等方面，对各种人工智能模型的性能进行了评估。本研究是在一台配备英特尔?至强?W-2125处理器、34.36GB内存、时钟频率为3.30GHz的GPU驱动系统上进行的。数据集生成和能耗比较分析均在此系统中完成结论本文通过将终端设备的当前电池电量纳入考虑，提升了卸载数据集的质量和真实性，进而提高了所提框架在现实MEC场景中的应用价值。利用改进后的数据集，在序列MTL框架下对多种人工智能模型进行了全面比较分析。该框架同时优化三个关键目标：确定最佳组件数量、划分任务以及选择CRediT作者贡献声明扎拉·沙希德：撰写——初稿、可视化、验证、正式分析、数据整理、概念构思。扎伊瓦尔·阿里：撰写——审阅与编辑、监督、资源协调、研究工作。纳齐亚·沙赫扎迪：撰写——审阅与编辑、监督。哈里斯·汗：验证、项目管理、方法论。齐亚乌尔·哈克·阿巴斯：撰写——审阅与编辑、监督。古拉姆·阿巴斯：撰写——审阅与编辑。穆罕默德·叶海亚：监督。阿卜杜勒·瓦希德：撰写——审阅与编辑、资金支持利益冲突声明作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：阿卜杜勒·瓦希德博士表示，他获得了戈尔韦大学的财政支持。此外，他与戈尔韦大学还存在就业关系。其他作者则表示自己没有已知的可能影响本文所述工作的财务利益或个人关系。