1.一种智能家居场景下基于缓存辅助的计算卸载方法,其特征在于,包括:建立包括本地边缘服务器、异地边缘服务器组成的边缘服务器集群,以及建立边缘服务器集群和中心云服务器的服务系统,建立包括系统模型、通信模型、计算模型在内的智能家居场景下的缓存辅助计算卸载模型;
查看每一智能家居终端的缓存信息表,判断当前任务的计算结果是否已经缓存,若未缓存,则计算当前任务计算结果的缓存价值,并依据排序确定是否缓存该任务的计算结果,同时将未缓存计算结果的任务划分为若干子任务进行下一步卸载;
查看边缘服务器集群的缓存信息表,判断当前子任务的相关数据是否已经缓存;若已经缓存,则直接在缓存的边缘服务器计算该子任务,若未缓存,则计算当前子任务相关数据的缓存价值,并依据排序确定是否缓存该子任务的相关数据;同时将子任务传输到本地边缘服务器,由本地边缘服务器制定子任务的卸载决策;
根据卸载决策,分别将子任务传输至本地边缘服务器、异地边缘服务器和中心云服务器上计算;
任务的计算结果将反馈回智能家居终端设备;
分别将子任务传输至本地边缘服务器、异地边缘服务器和中心云服务器上计算的约束为xk=1表示子任务在本地边缘服务器处理,则此时执行该子任务需要计算时延 和能耗表示子任务在异地边缘服务器m上处理,则此时执行该子任务需要计算时延 和能耗 以及将任务传输到异地边缘服务器的传输时延 和能耗其中,γUE,LE, 分别表示从终端设备到本地边缘服务器和从本地边缘服务器到异地边缘服务器m传输单位任务数据大小的能耗,BUE,LE为用户和本地边缘服务器之间的频带2
宽度,HUE为用户的传输能量,GUE,LE为用户和本地边缘服务器之间的增益,σ为为传输信道的高斯噪声功率, 为任务的输入数据大小;
zk=1表示任务卸载到中心云服务器上处理,则此时执行该子任务需要计算时延 和能耗 以及将任务传输到异地边缘服务器的传输时延 和能耗fCC示中心云服务器的cpu计算能力,eCC表示中心云服务器计算单位任务的能耗,γLE,CC表示从本地边缘服务器到中心云服务器传输单位任务数据大小的能耗;
本地边缘服务器、异地边缘服务器和中心云服务器通过深度确定性策略梯度的深度强化学习算法计算优化目标函数得到计算结果,其中优化目标函数为其中
An表示第n个智能家居终端设备,β、(1‑β)分别表示时延和能耗的权重因子,满足以下条件:
0≤β≤1。
2.根据权利要求1所述的方法,其特征在于,任务计算结果的缓存价值λn通过下式计算λn=PnWn其中,Pn为任务的流行度, N为某一时间段设备一共产生的任务个数,α为一常量,n为任务索引,Wn为计算该任务所需要的CPU周期。
3.根据权利要求2所述的方法,其特征在于,每一缓存任务划分为若干子任务,根据图重构算法将强相关性的子任务划分为任务卸载集群,每一任务卸载集群中的任务形成有向无环图,对所有有向无环图通过拓扑进行排序,对所有有向无环图进行拓扑排序。
4.根据权利要求1所述的方法,其特征在于,判断子任务相关数据是否缓存在边缘服务器集群上的方法如下:边缘服务器集群上子任务相关数据的缓存状态表示为Bkm;
若Bkm=1,表示子任务相关数据缓存在边缘服务器集群上,则无需传输该子任务,直接由缓存了数据的边缘服务器进行计算该子任务,此时卸载过程中只产生了计算时延以及对应的能耗;
当m=0,表示任务数据缓存在本地边缘服务器上,直接在本地边缘服务器上进行处理,m为异地边缘服务器集群中边缘服务器的索引;
若Bkm=0,表示该子任务的相关数据并未缓存在边缘服务器集群中。
5.根据权利要求3所述的方法,其特征在于,将排序的有向无环图分割为子任务卸载集群,子任务卸载集群中的子任务将传输到到同一个边缘服务器处理。
6.根据权利要求2所述的方法,其特征在于,子任务相关数据的缓存价值λk其中,Jk为数据的使用次数,Dk为任务输入数据的大小。