面向信息物理系统的可靠边缘-云计算服务延迟优化方法

1.本发明属于计算机网络的边缘计算技术领域，尤其涉及面向信息物理系统的可靠边缘-云计算服务延迟优化方法。


背景技术：

2.近年来，随着信息技术的发展，信息物理系统(cyber-physical systems,cps)应用广泛，如自动汽车系统、医疗保健监控、过程控制系统等，具体如图1所示。对于cps应用程序，服务延迟管理对于为终端用户提供高质量的体验是非常重要的。边缘云计算融合了边缘计算和云计算，被认为是一种很有前途的计算模式，可以在cps中为终端用户实现低服务延迟。然而，现有的面向cps的可感知延迟的边缘云计算方法未能同时考虑能源预算和可靠性要求，这可能会极大地降低cps应用的可持续性。
3.信息物理系统是一种通过收集智能传感、计算、控制和网络技术，将物理对象和软件组件深度交织在一起的系统。在最近的几年中，信息技术的进步推动了许多新兴cps应用的部署，如自动汽车系统、医疗保健监控和过程控制系统。对于这些cps应用程序，服务延迟是为终端用户提供高质量体验而设计的最大关注点。将边缘计算和云计算相结合的计算被认为是一种很有前途的计算范式，可以在cps中为终端用户实现低服务延迟。


技术实现要素：

4.为了克服现有技术存在的缺陷与不足，本发明的第一目的在于提出了一种面向信息物理系统的可靠边缘-云计算服务延迟优化方法，该方法通过结合静态阶段和动态阶段进行服务延迟优化，有效减少了系统服务延迟。
5.本发明的第二目的在于提出了一种信息物理融合系统。
6.为了达到上述第一目的，本发明采用以下技术方案：
7.一种面向信息物理系统的可靠边缘-云计算服务延迟优化方法，包括以下步骤：
8.步骤1：基于计算卸载传输延迟和执行延迟对基站的服务延迟进行建模，根据能量预算和可靠性特征设置边缘云计算的服务延迟目标，所述边缘云计算的服务延迟目标包括静态阶段目标和动态阶段目标，静态阶段目标为寻找最优的计算卸载映射和任务备份数量，动态阶段目标为避免冗余任务在运行时传输和执行；
9.步骤2：计算系统服务延迟，将边缘云计算的服务延迟目标转化为5个调度约束条件，所述5个调度约束条件包括第一调度约束条件、第二调度约束条件、第三调度约束条件、第四调度约束条件、第五调度约束条件；
10.所述第一调度约束条件为每个基站只允许将其计算任务转发到一个边缘/云服务器，所述第二调度约束条件为任何边缘/云服务器的工作负载不能超过其最大处理能力，所述第三调度约束条件为整个系统消耗的能量不能超过给定的能量阈值，所述第四调度约束条件为每个基站的任务备份数量不能超过系统指定的最大备份数量，所述第五调度约束条件为具有容错的系统可靠性高于预先设定的可靠性阈值；
11.步骤3：根据备份数量计算公式并利用误差适应因子得到备份数量，其中误差适应因子用于表示由于出现比特错误和软错误而导致的平均到达率的不确定性，所述备份数量计算公式具体表示为：
[0012][0013]
式中表示第j个基站与第m个边缘/云服务器的备份数量，表示从基站到边缘/云服务器的平均容错到达率，表示在基站的计算转发的处理过程中不发生错误的最佳情况下的平均到达率，表示与相除后取向上取整的值；
[0014]
步骤4：在静态阶段，通过蒙特卡罗模拟和整数线性规划确定最优的计算卸载映射和任务备份数量进行最小化系统服务延迟；
[0015]
步骤5：在动态阶段基于在线备份自适应动态策略确定一次备份任务成功传输和执行，对所有基站遍历，分别找出所有与基站建立通信连接的边缘/云服务器，遍历完后找到每个基站更新后的任务备份数量，对每个基站的所有任务备份中执行备份。
[0016]
作为优选的技术方案，在步骤4中，所述通过蒙特卡罗模拟和整数线性规划确定最优的计算卸载映射和任务备份数量进行最小化系统服务延迟具体为：利用误差适应因子和ilp算法通过重复蒙特卡罗模拟的过程寻找最优的计算卸载映射，根据备份数量计算公式得出每个基站与每个边缘/云服务器备份数量，利用蒙特卡罗模拟得到系统可靠性，根据5个调度约束条件进行筛选输出在静态优化阶段的每个基站的最优计算卸载映射和任务备份数量。
[0017]
作为优选的技术方案，在步骤5中，一旦检测到第一个成功的备份，则取消其他任务备份的传输和执行。
[0018]
作为优选的技术方案，所述步骤1具体步骤包括：
[0019]
步骤a1：对基站的计算卸载传输延迟进行建模，多个终端用户发送到基站的计算任务服满足从泊松分布，计算第j个基站和第m个边缘/云服务器之间的通信延迟：
[0020][0021]
其中d
j,m
为和之间的距离，ξ为电磁波传播速度，wj为终端用户在第j个基站上的任务数据总量，c
j,m
为和之间的通信带宽，令为κ个边缘服务器和云服务器的集合，具体表示为：
[0022][0023]
步骤a2：对基站的计算卸载执行延迟进行建模，基于m/g/1队列模型对连接到边缘/云服务器和基站的执行延迟进行量化，任务在边缘/云服务器上的执行时间服从一个平
均值μm，标准差为δm的一般概率分布函数；
[0024]
计算与之间的执行延迟：
[0025][0026]
其中多个终端用户发送到基站的计算任务服从泊松分布，是第j个基站计算任务的平均到达率，表示所支持的计算速度，μm和δm分别表示任务在边缘/云服务器上执行时间所服从的概率分布函数的平均值和标准差，φm是除之外的各基站映射到的任务到达率之和；
[0027]
步骤a3：计算基站与边缘/云服务器建立连接时的总服务延迟：
[0028][0029]
步骤a4：计算系统服务延迟表示为所有基站平均服务延迟：
[0030][0031]
式中表示通信连接状态标识，的值为0或1的二元决策变量，当决定与通信时，否则
[0032]
步骤a5：计算第j个基站的能耗：
[0033][0034]
式中表示基站在传输所负责的终端用户计算任务时的能量耗散，是基站的功耗常数；
[0035]
步骤a6：计算第m个边缘/云服务器的能耗：
[0036][0037]
式中表示边缘/云服务器消耗的能量，为静态功耗常数，αm为边缘/云服务器的功耗参数，αm为与处理器架构相关的常量，vm为边缘/云服务器的处理器供电电压；
[0038]
步骤a7：结合步骤a5和步骤a6，计算系统能耗：
[0039][0040]
步骤a8：计算从基站到边缘/云服务器传输的可靠性：
[0041][0042]
式中表示从到边缘/云服务器的链路的恒定误码率；
[0043]
步骤a9：计算边缘/云服务器的平均故障发生率：
[0044][0045]
式中cm和分别为第m个边缘/云服务器的第一故障发生参数和第二故障发生参数，cm和均为常数，实际应用时，cm和取决于实际设备的硬件架构。
[0046]
作为优选的技术方案，所述步骤2具体包括以下步骤：
[0047]
步骤b1：基于边缘云计算的服务延迟目标进行建立无向图无向图用于描述基站和边缘/云服务器之间的拓扑关系，计算系统服务延迟
[0048]
步骤b2：基于第一调度约束条件确保基站精确映射到边缘/云服务器且仅映射到一个边缘/云服务器：
[0049][0050]
步骤b3：基于第二调度约束条件确保每个边缘/云服务器满足最大处理能力约束：
[0051][0052]
步骤b4：基于第三调度约束条件保证能量上限约束的满足：
[0053][0054]
步骤b5：基于第四调度约束条件保证满足备份数量约束：
[0055][0056]
式中为系统规定的最大备份数量；
[0057]
步骤b6：基于第五调度约束条件保证满足系统可靠性约束：
[0058][0059]
式中表示预设系统可靠性阈值。
[0060]
作为优选的技术方案，所述步骤3具体步骤包括：
[0061]
步骤c1：对于最坏的情况下，基站共完成个备份，有
[0062]
在基站的计算转发的处理过程中不发生错误的最佳情况下，为此时基站的
平均到达率，即最佳情况的平均到达率,为在基站的计算转发的处理过程中不发生错误的最差情况的平均到达率；
[0063]
步骤c2：引入误差适应因子φ，所述误差适应因子用于表示由于出现比特错误和软错误而导致的平均到达率的不确定性，从基站到边缘/云服务器的平均容错到达率为：
[0064][0065]
步骤c3：根据平均容错到达率并基于备份数量计算公式得到备份数量，其中备份数量计算公式表示为：
[0066][0067]
式中表示第j个基站与第m个边缘/云服务器的备份数量。
[0068]
作为优选的技术方案，所述步骤4具体步骤包括：
[0069]
步骤d1：令无向图其中分别表示位置信息和链接通信信息，无向图用于描述基站和边缘/云服务器之间的拓扑关系，和用于作为无向图的输入；
[0070]
步骤d2：将赋值为0，即：
[0071]
步骤d3：将φ
start
赋值为0，φ
end
赋值为1，即φ
start
←
0,φ
end
←
1；
[0072]
步骤d4：判断是否成立；
[0073]
若成立，执行步骤d5；
[0074]
否则，执行步骤d12；
[0075]
步骤d5：将φ
start
(φ
end-φ
start
)/2赋值给φ，即φ
←
φ
start
(φ
end-φ
start
)/2；
[0076]
步骤d6：对于每个的每个利用c3计算备份数量
[0077]
步骤d7：采用ilp求解器处理具有5个调度约束条件的ilp计划，所述5个调度约束条件为步骤2中的5个调度约束条件；
[0078]
步骤d8：通过蒙特卡罗模拟得出当前系统可靠性
[0079]
步骤d9：判断是否成立；
[0080]
若成立，将φ
start
赋值为φ 1，即φ
start
←
φ 1，然后转至步骤d10；
[0081]
否则，将φ
end
赋值为φ-1，即φ
end
←
φ-1，然后转至步骤d10；
[0082]
步骤d10：输出在静态优化阶段的每个基站的最优计算卸载映射和任务备份数量。
[0083]
作为优选的技术方案，所述步骤d8具体步骤包括：
[0084]
步骤d8-1：采用指数分布计算基站的系统执行可靠性，所述系统执行可靠性表示为：
[0085]
[0086]
步骤d8-2：基于系统执行可靠性计算基站的系统备份可靠性，当备份为基站保留时，所述计算系统备份可靠性表示为：
[0087][0088]
步骤d8-3：根据所有基站的系统备份可靠性得出系统可靠性的特征；
[0089]
所述系统可靠性的特征为系统中所有与边缘/云服务器建立连接的基站的系统备份可靠性的乘积，具体表示为：
[0090][0091]
作为优选的技术方案，所述步骤5具体步骤包括：
[0092]
步骤e1：将j赋值为1，即j
←
1；
[0093]
步骤e2：判断j≤j是否成立，若成立，执行步骤e3，否则退出；
[0094]
步骤e3：将m赋值为0，即m
←
0；
[0095]
步骤e4：判断m≤κ是否成立，若成立，执行步骤e5，否则执行步骤e13；
[0096]
步骤e5：判断是否成立，若成立，进行步骤e6，否则进行步骤e12；
[0097]
步骤e6：将i赋值为1，即i
←
1；
[0098]
步骤e7：判断是否成立，若成立，执行步骤e8，否则，执行步骤e12；
[0099]
步骤e8：判断这个传送是不是成功传播的，如果成功，执行步骤e9，否则，执行步骤e11；
[0100]
步骤e9：从基站的所有任务备份中执行备份；
[0101]
步骤e10：更新即执行步骤e12；
[0102]
步骤e11：更新i，即i
←
i 1；
[0103]
步骤e12：更新m，即m
←
m 1；
[0104]
步骤e13：更新j，即j
←
j 1，进行步骤e2。
[0105]
为了达到上述第二目的，本发明采用以下技术方案：
[0106]
一种信息物理融合系统，该系统应用上述的面向信息物理系统的可靠边缘-云计算服务延迟优化方法，所述信息物理融合系统为典型边缘/云计算耦合组成的cps，所述信息物理融合系统包括多个终端用户、多个基站、多个异构边缘服务器和一个云服务器，所述多个异构边缘服务器和一个云服务器构成边缘/云服务器，所述多个终端用户与邻近的基站无线连接，边缘/云服务器与其邻近的多个基站无线连接。
[0107]
本发明与现有技术相比，具有如下优点和有益效果：
[0108]
(1)本发明在边缘云计算嵌入式cps应用程序的服务延迟最小化的技术问题上，特别是在服务延迟优化过程中，通过考虑cps应用程序的能量预算和可靠性要求，在静态阶段和动态阶段分别进行优化算法；在静态阶段中利用蒙特卡罗模拟和整数线性规划(ilp)技术来寻找最优的计算卸载映射和任务备份数量，在动态阶段中采用备份自适应机制，避免冗余任务在运行时传输和执行；本发明通过结合静态和动态进行优化有效地减少了系统服务延迟。
附图说明
[0109]
图1为现有技术中信息物理系统在边缘/云计算辅助的应用示意图；
[0110]
图2为本发明实施例1中面向信息物理系统的可靠边缘-云计算服务延迟优化方法的步骤流程图；
[0111]
图3为本发明实施例2中上海电信基站的位置部署示意图；
[0112]
图4为本发明实施例2中面向信息物理系统的可靠边缘-云计算服务延迟优化方法、gaes、rtwi在固定边缘服务器位置和不同的基站工作负载下关于系统服务延迟的对比效果示意图；
[0113]
图5为本发明实施例2中面向信息物理系统的可靠边缘-云计算服务延迟优化方法、gaes、rtwi在固定基站工作负载和不同边缘服务器位置下关于系统服务延迟的对比效果示意图；
[0114]
图6为本发明实施例2中面向信息物理系统的可靠边缘-云计算服务延迟优化方法和gaes、rtwi基准测试解决方案关于任务调度可行性的对比效果示意图。
具体实施方式
[0115]
在本公开的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在该词前面的元素或者物件涵盖出现在该词后面列举的元素或者物件及其等同，而不排除其他元素或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
[0116]
在本公开的描述中，需要说明的是，除非另有明确的规定和限定，否则术语“安装”、“相连”、“连接”应做广义理解。例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本公开中的具体含义。此外，下面所描述的本公开不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0117]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
[0118]
实施例
[0119]
实施例1
[0120]
如图2所示，本实施例提出了一种面向信息物理系统的可靠边缘-云计算服务延迟优化方法，该方法包括以下步骤：
[0121]
步骤1：基于计算卸载传输延迟和执行延迟对基站的服务延迟进行建模，根据能量预算和可靠性特征设置边缘云计算的服务延迟目标，该边缘云计算的服务延迟目标包括静态阶段目标和动态阶段目标，静态阶段目标为寻找最优的计算卸载映射和任务备份数量，动态阶段目标为避免冗余任务在运行时传输和执行；
[0122]
步骤2：计算系统服务延迟，将边缘云计算的服务延迟目标转化为5个调度约束条
件，5个调度约束条件包括第一调度约束条件、第二调度约束条件、第三调度约束条件、第四调度约束条件、第五调度约束条件；
[0123]
第一调度约束条件为每个基站只允许将其计算任务转发到一个边缘/云服务器，第二调度约束条件为任何边缘/云服务器的工作负载不能超过其最大处理能力，第三调度约束条件为整个系统消耗的能量不能超过给定的能量阈值，第四调度约束条件为每个基站的任务备份数量不能超过系统指定的最大备份数量，第五调度约束条件为具有容错的系统可靠性高于预先设定的可靠性阈值；
[0124]
步骤3：根据备份数量计算公式并利用误差适应因子得到备份数量，其中误差适应因子用于表示由于出现比特错误和软错误而导致的平均到达率的不确定性，该备份数量计算公式具体表示为：
[0125][0126]
式中表示第j个基站与第m个边缘/云服务器的备份数量，表示从基站到边缘/云服务器的平均容错到达率，表示在基站的计算转发的处理过程中不发生错误的最佳情况下的平均到达率，表示与相除后取向上取整的值；
[0127]
步骤4：在静态阶段，通过确定最优的计算卸载映射和任务备份数量进行最小化系统服务延迟；
[0128]
利用误差适应因子和ilp算法通过重复蒙特卡罗模拟的过程寻找最优的计算卸载映射，根据备份数量计算公式得出每个基站与每个边缘/云服务器备份数量，利用蒙特卡罗模拟得到系统可靠性，根据5个调度约束条件进行筛选输出在静态优化阶段的每个基站的最优计算卸载映射和任务备份数量；
[0129]
步骤5：在动态阶段基于在线备份自适应动态策略确定一次备份任务成功传输和执行，对所有基站遍历，分别找出所有与基站建立通信连接的边缘/云服务器，遍历完后找到每个基站更新后的任务备份数量，对每个基站的所有任务备份中执行备份。实际应用时，一旦检测到第一个成功的备份，则取消其他任务备份的传输和执行。
[0130]
在本实施例中，步骤1具体步骤包括：
[0131]
步骤a1：对基站的计算卸载传输延迟进行建模，多个终端用户发送到基站的计算任务服满足从泊松分布，计算第j个基站和第m个边缘/云服务器之间的通信延迟：
[0132][0133]
其中d
j,m
为和之间的距离，ξ为电磁波传播速度，wj为终端用户在第j个基站上的任务数据总量，c
j,m
为和之间的通信带宽，令为κ个边缘服
务器和云服务器的集合，具体表示为：
[0134][0135]
步骤a2：对基站的计算卸载执行延迟进行建模，基于m/g/1队列模型对连接到边缘/云服务器和基站的执行延迟进行量化，任务在边缘/云服务器上的执行时间服从一个平均值μm，标准差为δm的一般概率分布函数；
[0136]
计算与之间的执行延迟：
[0137][0138]
其中多个终端用户发送到基站的计算任务服从泊松分布，是第j个基站计算任务的平均到达率，表示所支持的计算速度，μm和δm分别表示任务在边缘/云服务器上执行时间所服从的概率分布函数的平均值和标准差，φm是除之外的各基站映射到的任务到达率之和；
[0139]
步骤a3：计算基站与边缘/云服务器建立连接时的总服务延迟：
[0140][0141]
步骤a4：计算系统服务延迟表示为所有基站平均服务延迟：
[0142][0143]
式中表示通信连接状态标识，的值为0或1的二元决策变量，当决定与通信时，否则
[0144]
步骤a5：计算第j个基站的能耗：
[0145][0146]
式中表示基站在传输所负责的终端用户计算任务时的能量耗散，是基站的功耗常数；
[0147]
步骤a6：计算第m个边缘/云服务器的能耗：
[0148]
[0149]
式中表示边缘/云服务器消耗的能量，为静态功耗常数，αm为边缘/云服务器的功耗参数，αm为与处理器架构相关的常量，vm为边缘/云服务器的处理器供电电压；
[0150]
步骤a7：结合步骤a5和步骤a6，计算系统能耗：
[0151][0152]
步骤a8：计算从基站到边缘/云服务器传输的可靠性：
[0153][0154]
式中表示从到边缘/云服务器的链路的恒定误码率；
[0155]
步骤a9：计算边缘/云服务器的平均故障发生率：
[0156][0157]
式中cm和分别为第m个边缘/云服务器的第一故障发生参数和第二故障发生参数，cm和均为常数，实际应用时，cm和取决于实际设备的硬件架构。
[0158]
在本实施例中，步骤2具体包括以下步骤：
[0159]
步骤b1：基于边缘云计算的服务延迟目标进行建立无向图无向图用于描述基站和边缘/云服务器之间的拓扑关系，计算系统服务延迟
[0160]
步骤b2：基于第一调度约束条件确保基站精确映射到边缘/云服务器且仅映射到一个边缘/云服务器：
[0161][0162]
步骤b3：基于第二调度约束条件确保每个边缘/云服务器满足最大处理能力约束：
[0163][0164]
步骤b4：基于第三调度约束条件保证能量上限约束的满足：
[0165][0166]
步骤b5：基于第四调度约束条件保证满足备份数量约束：
[0167][0168]
式中为系统规定的最大备份数量；
[0169]
步骤b6：基于第五调度约束条件保证满足系统可靠性约束：
[0170][0171]
式中表示预设系统可靠性阈值。
[0172]
在本实施例中，步骤3具体步骤包括：
[0173]
步骤c1：对于最坏的情况下，基站共完成个备份，有
[0174]
在基站的计算转发的处理过程中不发生错误的最佳情况下，为此时基站的平均到达率，即最佳情况的平均到达率,为在基站的计算转发的处理过程中不发生错误的最差情况的平均到达率。实际应用时，和对于每个基站都是常数；
[0175]
步骤c2：引入误差适应因子φ，该误差适应因子用于表示由于出现比特错误和软错误而导致的平均到达率的不确定性，从基站到边缘/云服务器的平均容错到达率为：
[0176][0177]
步骤c3：根据平均容错到达率并基于备份数量计算公式得到备份数量，其中备份数量计算公式表示为：
[0178][0179]
式中表示第j个基站与第m个边缘/云服务器的备份数量。
[0180]
在本实施例中，步骤4具体步骤包括：
[0181]
步骤d1：令无向图其中分别表示位置信息和链接通信信息，无向图用于描述基站和边缘/云服务器之间的拓扑关系，和用于作为无向图的输入；
[0182]
步骤d2：将赋值为0，即：
[0183]
步骤d3：将φ
start
赋值为0，φ
end
赋值为1，即φ
start
←
0,φ
end
←
1；
[0184]
步骤d4：判断是否成立；
[0185]
若成立，执行步骤d5；
[0186]
否则，执行步骤d12；
[0187]
步骤d5：将φ
start
(φ
end-φ
start
)/2赋值给φ，即φ
←
φ
start
(φ
end-φ
start
)/2；
[0188]
步骤d6：对于每个的每个利用c3计算备份数量
[0189]
步骤d7：采用ilp求解器处理具有5个调度约束条件的ilp计划，该5个调度约束条件为步骤2中的5个调度约束条件；
[0190]
步骤d8：通过蒙特卡罗模拟得出当前系统可靠性
[0191]
在本实施例中，步骤d8具体步骤包括：
[0192]
步骤d8-1：采用指数分布计算基站的系统执行可靠性，该系统执行可靠性表示为：
[0193][0194]
步骤d8-2：基于系统执行可靠性计算基站的系统备份可靠性，当备份为基站保留时，计算系统备份可靠性：
[0195][0196]
步骤d8-3：根据所有基站的系统备份可靠性得出系统可靠性的特征，系统可靠性的特征为系统中所有与边缘/云服务器建立连接的基站的系统备份可靠性的乘积，即：
[0197][0198]
步骤d9：判断是否成立；
[0199]
若成立，将φ
start
赋值为φ 1，即φ
start
←
φ 1，然后转至步骤d10；
[0200]
否则，将φ
end
赋值为φ-1，即φ
end
←
φ-1，然后转至步骤d10；
[0201]
步骤d10：输出在静态优化阶段的每个基站的最优计算卸载映射和任务备份数量，然后退出，其中任务备份数量为通过步骤c3计算得到。
[0202]
在本实施例中，步骤5具体步骤包括：
[0203]
步骤e1：将j赋值为1，即j
←
1；
[0204]
步骤e2：判断j≤j是否成立，若成立，执行步骤e3，否则退出。
[0205]
步骤e3：将m赋值为0，即m
←
0；
[0206]
步骤e4：判断m≤κ是否成立，若成立，执行步骤e5，否则执行步骤e13；
[0207]
步骤e5：判断是否成立，若成立，进行步骤e6，否则进行步骤e12；
[0208]
步骤e6：将i赋值为1，即i
←
1；
[0209]
步骤e7：判断是否成立，若成立，执行步骤e8，否则，执行步骤e12；
[0210]
步骤e8：判断这个传送是不是成功传播的，如果成功，执行步骤e9，否则，执行步骤e11；
[0211]
步骤e9：从基站的所有任务备份中执行备份；
[0212]
步骤e10：更新即执行步骤e12；
[0213]
步骤e11：更新i，即i
←
i 1；
[0214]
步骤e12：更新m，即m
←
m 1；
[0215]
步骤e13：更新j，即j
←
j 1，进行步骤e2。
[0216]
实施例2
[0217]
本实施例以一种信息物理融合系统为例进行说明面向信息物理系统的可靠边缘-云计算服务延迟优化方法如何应用，该信息物理融合系统为典型边缘/云计算耦合组成的cps，具体包括多个终端用户、多个基站、多个异构边缘服务器和一个云服务器，多个异构边缘服务器和一个云服务器构成边缘/云服务器，多个终端用户与邻近的基站无线连接，边缘/云服务器与其邻近的多个基站无线连接。
[0218]
在本实施例中，基站表示为j为基站数量，异构边缘服务器表示为κ为异构边缘服务器数量，边缘/云服务器表示为实际应用时，每个异构边缘服务器具有服务器异质性，主要表现在计算能力，即任何两个不同的边缘服务器计算能力不同。
[0219]
设基站为第j个基站，每个基站将其服务范围内连接的终端用户的计算任务卸给处理服务器进行处理计算任务，处理服务器为边缘服务器或云服务器，通过委托选定的边缘服务器或云服务器进而处理计算任务。
[0220]
本实施例分别从计算卸载传输延迟和执行延迟两个方面对基站的服务延迟进行建模：
[0221]
计算卸载传输延迟的模型：
[0222]
多个终端用户发送到基站的计算任务服满足从泊松分布，令第j个基站计算任务的平均到达率为具体结合步骤a1所示，计算出第j个基站和第m个服务器之间的通信延迟
[0223]
计算卸载执行延迟的模型：
[0224]
选择m/g/1队列模型来量化连接到边缘/云服务器和基站的执行延迟。在该模型中，任务在边缘/云服务器上的执行时间不受任何指定概率分布的限制，即允许服从一个平均值μm，标准差为δm的一般概率分布函数。要注意的是，这个一般概率分布函数应该在系统开始运行之前预先给出。一旦系统处于运行状态，则禁止对该概率分布函数进行调优。具体结合步骤a2所示，计算出与之间的执行延迟
[0225]
执行步骤a3，将步骤a1和步骤a2的计算结果结合起来，计算出基站与边缘/云服务器建立连接时的总业务时延由步骤a4，计算出系统服务延迟
[0226]
边缘-云计算耦合cps的整体能耗主要包括两部分，一是基站将计算任务从终端用户卸载到边缘/云服务器所消耗的能量，二是边缘/云服务器处理卸载后的计算任务所消耗的能量。设基站的功耗为常数因此，由步骤a5，计算出基站在传输其所负责的终端用户计算任务时的能量耗散
[0227]
实际应用时，边缘/云服务器的能耗在很大程度上取决于处理器、磁盘、内存、风扇和冷却系统等几个功能组件。处理器能量消耗在边缘/云服务器的总体能量消耗中占了很大一部分，因此，在对边缘/云服务器的能量消耗建模时，以处理器的能量消耗作为边缘/云服务器的能量消耗。根据能量模型以及步骤a6，估算出边缘/云服务器消耗的能量由步骤a7，计算出系统能耗表示为e
sys
。
[0228]
基站任务的可靠性定义为这些任务首先成功传输到目标边缘/云服务器而不发生位错误，然后被目标边缘/云服务器成功执行而不发生软错误的概率。在数字传输过程中，
误码率主要由环境因素引起，环境因素源自链路上的噪声、干扰、失真、位同步错误。根据步骤a8计算出到边缘/云服务器传输的可靠性为
[0229]
与比特误差不同，软误差主要是由宇宙辐射或电磁干扰引起的瞬态故障引起的。根据步骤a9，计算出边缘/云服务器的平均故障发生率用指数分布假设，根据步骤d8-1计算出系统执行可靠性
[0230]
为了满足系统的可靠性要求，本实施利用备份技术，达到同时容忍比特错误和软错误。此外，为了检查任务是否成功处理，在任何边缘/云服务器上执行当前备份后，都会进行验收测试。如果验收测试没有错误，则接受当前备份的输出结果；否则，它们将被直接丢弃。当备份为基站保留时，根据步骤d8-2，计算出备份可靠性根据步骤d8-3，求出系统可靠性的特征
[0231]
为了使系统服务延迟减少，本实施例在给定的调度约束条件下通过确定每个基站的计算卸载和任务备份的最优策略进行最小化系统服务延迟。
[0232]
服务延迟优化问题定义表示为：对于无向图所描述的系统，确定
[0233]
i)从基站到边缘/云服务器的计算卸载映射和；
[0234]
ii)每个基站的任务备份数量，使系统服务延迟最小化。
[0235]
为了保证系统调度的可行性，需要满足五个调度约束条件，即第一调度约束条件至第五调度约束条件。
[0236]
其中第一调度约束条件为每个基站只允许将其计算任务转发到一个边缘/云服务器，第二调度约束条件为任何边缘/云服务器的工作负载不能超过其最大处理能力，第三调度约束条件为整个系统消耗的能量不能超过给定的能量阈值，第四调度约束条件为每个基站的任务备份数量不能超过系统指定的最大备份数量，第五调度约束条件为具有容错的系统可靠性高于预先设定的可靠性阈值。利用步骤2确定优化问题的数学表达式。
[0237]
为了解决上述中定义的问题，采用由静态和动态服务延迟优化组成的两阶段方法：
[0238]
在静态优化阶段，采用蒙特卡罗仿真和llp技术，对每个基站的加载映射和任务备份数量进行静态计算。为了描述误差发生的随机特征，首先引入误差适应因子的定义。基于误差自适应因子利用ilp算法求解能量消耗约束下确定的优化问题，并通过蒙特卡罗仿真来判断系统可靠性约束是否满足。经过多次调整误差自适应因子的尝试，得到了既满足能量消耗又满足系统可靠性约束的最优解。
[0239]
进一步地，为了降低静态优化阶段产生的冗余备份传输和执行操作导致的系统运行时服务延迟，本实施例利用备份自适应动态优化机制来降低增强系统运行时服务延迟：在动态优化阶段，一旦检测到第一个成功的备份，就立即取消传输和执行其他不必要的任务备份。
[0240]
通过以上两个阶段，该系统可以达到最小化系统服务延迟的目标。
[0241]
静态阶段：
[0242]
如前所述，采用备份技术来容忍比特错误和软错误。在基站的计算转发和处
理过程中不发生错误的最佳情况下，显然不需要冗余备份来提供容错。则设为此时基站的平均到达率。相反，在最坏的情况下，基站总共应该完全完成个备份。设为最差情况下基站的平均到达率则由步骤c1给出。显然，和基对于每个基站都是常数。但由于误差发生的随机性，通常情况下，基站的平均到达率是一个随机变量。因此，定义误差适应因子φ∈[0.1]，该误差适应因子用于描述由于出现比特误差和软误差而导致的平均到达率的不确定性。利用误差适应因子，由步骤c2计算从基站到边缘/云服务器的平均容错到达率目标是通过确定最优的计算卸载映射和任务备份数量进行最小化系统服务延迟。通过步骤c3求出备份数量
[0243]
在给定误差适应因子下，利用步骤c3计算出备份数量来确定一个最优的计算卸载映射，本实施例采用一种基于ilp算法的蒙特卡罗模拟的有效计算卸载映射方法。具体地，首先采用ilp算法得出当前误差自适应因子φ下单个基站的最优其中设置步骤b1中的计算系统服务延迟为线性目标，设置步骤b2到b5中的第一至第五调度约束条件为线性约束。然后根据错误发生的概率分布，为每个通信链路产生比特错误，为每个边缘/云服务器产生软错误。接着利用步骤d8-3计算当前误码率和软误码率所对应的系统可靠性的特征。以上两个步只生成一个蒙特卡罗模拟的样本，重复这个过程就可以得到足够的蒙特卡罗样本。根据满足步骤b6的可行样本数与总样本数的比值，可以安全地估计出众多蒙特卡罗样本所对应的系统可靠性蒙特卡罗的样本。如果该系统可靠性不低于预定义的可靠性，则输出计算卸载映射变量否则，调整误差适应因子的当前值，用ilp算法重复蒙特卡罗模拟的过程，直到找到第一个可行的计算卸载映射解，即得到最优计算卸载映射。
[0244]
动态阶段：
[0245]
如上述有关可靠性模型的介绍，为了满足系统的可靠性要求，本实施例采用了任务备份技术来容忍比特误差和软误差。任务备份技术具有很强的处理各种错误的能力，但由于冗余的备份传输和执行，不可避免地增加了系统服务延迟。例如，即使任何任务的第一次备份都成功地处理了，没有出现比特错误和软错误，任务备份技术仍然严格地允许不必要的传输和执行剩余备份。显然，只要一次备份任务成功传输和执行，就足以保证处理结果的正确性。在此基础上，本实施例在步骤5采用了在线备份自适应动态策略。在此阶段，一旦使用验收测试方法检测到第一个成功的备份，则取消其他任务备份的传输和执行，以增强系统服务延迟。
[0246]
为了评估面向信息物理系统的可靠边缘-云计算服务延迟优化方法在可靠边缘云计算解决方案的有效性，本实施例以上海电信的基站数据库上进行了大量的实验。具体如图3所示，图3为该基站数据库中3233个基站的位置分布，其中红色圈内的数字表示该区域内已经正确部署的基站数量。对于每个基站，将其任务到达速率和数据量平均分别设置为[4
×
106,6
×
108]和[1,100]mb的间隔。另外，基于现实世界的五种商业服务器构建了一套
异构的边缘/云服务器。第一类服务器来自微软azure中国(上海)。从这类服务器中随机挑选了一台包含10个处理器核的服务器，每个核的工作频率为3.6ghz，并要求这台服务器扮演云服务器的角色。第二类服务器建立在hpe proliant microserver gen10服务器上，每台服务器包含四个处理器核，每个核的工作频率为3.4ghz。第三种服务器建立在dell r230服务器上，每台服务器包含6个处理器核心，每个核心的工作频率为3.0ghz。第四种服务器构建在联想ts250服务器上，每台服务器包含两个处理器核，每个处理器核的工作频率为3.9ghz。第五种服务器是建立在浪潮np3020服务器上，每台服务器包含四个处理器核，每个处理器核的工作频率为3.0ghz。
[0247]
利用后四种服务器构建了一套异构边缘服务器。每种边缘服务器的数量相等地设置为50，因此边缘服务器集的大小为200。假设每种边缘服务器上的任务执行时间都服从正态分布，正态分布的均值-方差参数依次设置为(20,5)、(14,8)、(35,15)和(17,10)对。边缘服务器的位置分布是随机产生的，假设每个边缘服务器与一个选定的基站严格配置。对于基站与边缘/云服务器之间的每条链路，其通信容量的间隔为[100,1000]kb/s。电磁波传播速率为2
×
105km/s。
[0248]
如图4所示，为三种解决方案在固定边缘服务器位置和不同的基站工作负载下实现的系统服务延迟对比，三种解决方案包括面向信息物理系统的可靠边缘-云计算服务延迟优化方法、gaes、rtwi。由图4可知，图中的每个数据点都是100个模拟实验的平均值。与基线解决方案gaes相比，实施例1提供的面向信息物理系统的可靠边缘-云计算服务延迟优化方法将服务延迟缩短了18.3％。
[0249]
基线解决方案gaes是一种基于增强的非支配排序遗传算法的计算卸载机制，能够共同优化能量优化和服务延迟。该方法没有考虑任务可靠性约束。此外，结合图4可知，面向信息物理系统的可靠边缘-云计算服务延迟优化方法在服务延迟方面低于基线解决方案rtwi，平均差距为13.2％。基线解决方案rtwi不仅要使所有基站的平均响应时间最小，而且要使每个基站的响应时间最小。然而，它没有考虑能量预算和可靠性要求的约束。
[0250]
如图5所示，三种解决方案在固定基站工作负载和不同边缘服务器位置下实现的系统服务延迟。与图4相似，图中的每个数据点也是100个模拟实验的平均值。从图中可以看出，面向信息物理系统的可靠边缘-云计算服务延迟优化方法在系统服务延迟比基线解决方案gaes小17.4％，但比基线解决方案rtwi高19.1％。这主要是因为面向信息物理系统的可靠边缘-云计算服务延迟优化方法允许对同一任务进行多次执行，以提供所需的容错要求，但基线解决方案rtwi忽略了容错要求，一个任务只执行一次，甚至发生比特错误或软错误。
[0251]
如图6所示，为面向信息物理系统的可靠边缘-云计算服务延迟优化方法和两个基准测试解决方案在任务调度可行性的对比结果。任务调度的可行性通过在能量预算和可靠性要求的约束下成功调度任务的仿真数与被测试的仿真总数的比率得出。实际应用时，被测试的仿真总数设置为10000，本领域技术人员可根据实际情况调整被测试的仿真总数，本实施例在此不做限定。
[0252]
由图6的结果表明，面向信息物理系统的可靠边缘-云计算服务延迟优化方法可以保持100％的任务调度可行性，而另外两种基准解决方案都不能保证任务调度的可行性。这是因为该方法考虑了能源预算和可靠性要求，而另外两种基准解决方案忽略了能源和可靠
性约束。
[0253]
在本实施例中，面向信息物理系统的可靠边缘-云计算服务延迟优化方法通过考虑能量预算和可靠性要求的两阶段方法来解决边缘云计算的服务延迟最小化问题。静态阶段的目标是寻找最优的计算卸载映射和任务备份数量，动态阶段的目标是避免冗余任务在运行时的传输和执行。经过大量的实验结果表明，该方法在保证满足特定的能量预算和可靠性要求的同时，减少了18.3％的系统服务延迟。
[0254]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。