基于移动边缘计算的自适应优先级的分层任务卸载方法

1.本发明属于移动边缘计算技术领域，具体涉及基于移动边缘计算的自适应优先级的分层任务卸载方法。


背景技术：

2.近年来，有关自动驾驶领域的研究越来越多，全球相关企业在自动驾驶方面投入的开销持续增加。由于传统云计算通信链路较长，且自动驾驶车辆行驶过程中会产生大量数据。如果继续采用云计算的架构，将会导致任务处理时间大大延长，从而无法满足实时任务对于最迟截止时间的要求，进而对乘客的生命安全造成威胁，因此自动驾驶车辆一般都会配置一些车载计算单元来处理部分数据。然而随着自动驾驶车辆所产生的任务越来越复杂，数据量越来越庞大，仅仅通过车载计算单元并不能完全胜任这些任务的处理工作，因此将大量的自动驾驶任务卸载到边缘端执行是一条必经之路。
3.但由于不同类型的自动驾驶任务具有不同的时延敏感度，自动驾驶实时任务直接关系到乘客的生命安全，具有严格的最迟截止时间约束，而自动驾驶普通任务的时延只会影响到乘客的乘车体验，具有较为宽松的时延约束。面对海量待卸载自动驾驶任务，以及复杂异构的边缘计算节点组成的集群，如何选择合适的边缘计算节点进行任务卸载，以提高实时任务的卸载成功率，是自动驾驶与移动边缘计算相结合之下任务卸载算法研究的关键。考虑到自动驾驶中不同类型任务的时延约束不同，从任务分类的角度出发，提出了一种自适应优先级的分层任务卸载方法。


技术实现要素：

4.本发明的目的在于解决现有的移动边缘计算领域任务卸载方法没有考虑任务卸载成功率而不能保证乘客生命安全，因此不能很好适用于自动驾驶场景的问题；提出了一种基于移动边缘计算的自适应优先级的分层任务卸载方法，相较于现有的其它任务卸载算法，本发明能够有效提升实时任务的卸载成功率。
5.为了实现上述发明目的，本发明采用如下技术方案：
6.基于移动边缘计算的自适应优先级的分层任务卸载方法，包括以下步骤：
7.步骤1、移动边缘计算资源初始划分；
8.通过计算性能量化分析得出边缘计算服务器的计算性能参数，并据此对边缘计算服务器进行排序；根据服务器资源划分比例η将边缘计算节点划分为c
high
和c
low
两部分；其中，c
high
部分的边缘计算节点计算性能更强，用以卸载自动驾驶实时任务；c
low
部分的边缘计算节点计算性能相对稍差，负责处理普通任务；
9.步骤2、任务分类；
10.基站或sdn控制器在收到自动驾驶车辆上传的任务之后，将实时任务与普通任务分别放置于不同的边缘任务自适应优先级队列；其中，边缘任务自适应优先级队列中的实时任务的优先级由初始优先级、最迟截止时间以及卸载等待时间动态计算，按照优先级降
序排序等待卸载；
11.步骤3、卸载决策制定；
12.基站或sdn控制器根据任务信息制定卸载决策；对于实时任务，优先将高自适应优先级的任务卸载至c
high
部分的节点分组中计算性能更强同时实时任务等待队列最短的边缘计算节点；对于普通任务，优先将高优先级任务卸载至c
low
部分的节点分组中任务计算性能更强同时就绪任务最少的边缘计算节点；
13.步骤4、移动边缘计算资源自适应划分；
14.基站或sdn控制器定期获取当前实时任务卸载请求密度，并根据自适应服务器资源划分算法调整资源划分比例η，修改c
high
与c
low
部分的分组中边缘计算节点数量。
15.作为优选方案，所述步骤1中，边缘计算服务器的计算性能参数包括处理器运算速度、内存空间、i/o速率、静态指标和动态指标，
16.其中，静态指标包括cpu频率、核心数量、最大线程数量、缓存容量，动态指标包括系统的ips。
17.作为优选方案，所述步骤2中，实时任务的优先级由初始优先级、最迟截止时间以及卸载等待时间动态计算的公式为：
[0018][0019]
其中，p
ori
表示任务的初始优先级，dl2p(dl)表示任务的截止时间所转化的优先级；给予初始优先级和截止时间所转化的优先级相同的权重，以计算自适应优先级，同时wt表示任务的卸载等待时间，当任务的卸载等待时间超出当前优先级的平均卸载等待时间时，调高任务的优先级。
[0020]
作为优选方案，根据任务的截止时间转化的优先级，包括：
[0021]
计算当前任务截止时间与当前时间之差，以判断当前任务是否为首个任务；若是，则赋予其最低优先级；
[0022]
之后到达的任务，计算截止时间的紧迫程度deltadl；
[0023]
当deltadl小于历史deltadl最大值maxdeltadl，则按照deltadl与历史deltadl最大值maxdeltadl之比计算优先级，同时更新最大maxdeltadl；
[0024]
当deltadl不小于历史deltadl最大值maxdeltadl时，则赋予其最低优先级，同时更新最大maxdeltadl；
[0025]
其中，最低优先级即当前队尾任务的截止时间所对应的优先级，同时更新最大maxdeltadl。
[0026]
作为优选方案，边缘计算节点的分层卸载，包括：
[0027]
对边缘计算节点进行双重排序，第一轮是按照边缘计算节点上任务队列的长度的不同进行分层，始终保持顶层的边缘计算节点内部任务队列长度最短；第二轮是按照节点计算性能进行降序排序，即优先将优先级较高的实时任务卸载至计算性能更强同时更空闲的边缘计算节点；
[0028]
按照上述顺序遍历边缘计算节点，如果可以卸载任务，也即该节点满足任务的截止时间需求那么就进行计算卸载；如果不满足，就继续寻找合适的节点；如果一个任务最后
都无法找到满足截止时间要求的边缘计算节点，则卸载失败，将任务从边缘任务自适应优先级队列中移除。
[0029]
作为优选方案，所述步骤4具体包括：
[0030]
获取当前任务卸载请求密度λ，判断与前一段时间的请求密度之差是否大于检测阈值θ；其中，检测阈值θ越大，表示检测的频率随请求密度的变化更频繁；当触发检测时，首先判断当前的卸载成功率的变化是否在允许波动的范围内；如果不在，则表明需要调整服务器资源划分比例η，η改变的步长从1％开始，判断改变资源划分比例后任务卸载成功率是否满足预期；如果不满足，则增大步长；如果满足，则调整步长增长阈值为开始与结束时资源划分比例的中位数。
[0031]
与现有技术相比，本发明的有益效果是：
[0032]
本发明的自适应优先级的分层任务卸载方法，将自动驾驶任务划分为实时任务和普通任务两种类型，分别设置优先级卸载队列；同时对边缘计算节点集群进行分组分层式逻辑部署，并设计自适应资源划分算法动态调整不同组间节点数量，有效提高自动驾驶实时任务的卸载成功率。
附图说明
[0033]
图1是本发明实施例的自动驾驶常见任务图；
[0034]
图2是本发明实施例的单基站mec服务器部署方案图；
[0035]
图3是本发明实施例的任务卸载流程示意图；
[0036]
图4是本发明实施例的任务卸载整体框架图；
[0037]
图5是本发明实施例的不同边缘设备ips对比图；
[0038]
图6是本发明实施例的分层式边缘计算节点任务卸载图。
具体实施方式
[0039]
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0040]
本发明实施例的自动驾驶典型任务包括车辆检测、行人检测、场景跟踪以及路径规划等，其中大部分检测任务的数据来源于各种车载传感器。如图1所示，包括车载雷达(lidar)、全球定位系统(gps)、声纳(sonar)以及摄像机等。由于自动驾驶的特性，这些任务通常具有严格的时间约束且需要消耗较大的算力。对于其中的实时任务而言，任务的执行结果直接关系到乘客的人身安全，一旦超时将有可能造成不可挽回的后果。对自动驾驶车辆产生的任务进行总结分析可以发现，自动驾驶任务具有以下特征：
[0041]
(1)自动驾驶场景中的任务通常是已知的，并且需要边缘计算服务器事先进行服务部署才可以运行卸载任务。
[0042]
(2)自动驾驶场景中的多数实时任务的资源消耗通常是已知的，或是可以通过计算得到的。
[0043]
(3)自动驾驶场景中的实时任务大多表现出计算密集型的特征。
[0044]
(4)自动驾驶场景中的多数实时任务是由车辆发起并卸载到边缘计算中心进行处理，最后获取计算结果并作出相应处理。
[0045]
根据以上分析可知，对自动驾驶场景中的任务进行分类之后，对于实时任务而言，需求是完成时间要在最迟截止时间之前，而对于普通任务，则没有这种严格的时间要求，可以采取并发运行的策略。但是由于边缘计算节点的资源有限，而自动驾驶车辆产生的任务数据越来越多。因此对于普通任务而言，应当最大化利用边缘计算资源，即普通任务的执行目标是提高边缘计算节点的并发吞吐量。
[0046]
在自动驾驶边缘场景中，自动驾驶车辆一般是先与附近的基站进行通信，将边缘任务发送到基站之后，由基站来决定任务在边缘计算服务器之间的分发工作。如图2所示，为目前主流的mec部署方案之一“fmpc”下的单基站边缘计算服务器部署示例图。其中的sdn全称为software-defined networking，意为软件定义网络，sdn和mec同样是5g时代下的关键技术。一般来讲，sdn的核心是将控制与转发层面分开，引入sdn之后，网络边缘的计算服务器就可以将自己的状态信息进行上报，包括自己的剩余计算资源、存储资源、带宽压力等，以实现对网络和服务的统一弹性管理。
[0047]
在移动边缘计算任务卸载系统中，随着自动驾驶车辆的日渐增多，网络中任务数量的规模也愈来愈大。为了避免出现基站处任务拥堵的情况，考虑为边缘计算服务器添加任务队列，通过任务卸载算法选择合适的节点直接卸载。边缘计算服务器定时通过ping信号的方式上报自己的状态信息到基站处的sdn控制器，随后sdn控制器根据收到的任务信息以及边缘计算服务器的状态信息执行卸载算法，进行任务与边缘计算节点之间的匹配。如图3所示，为自动驾驶场景中任务卸载流程示意图。
[0048]
详细卸载流程如下：
[0049]
(1)自动驾驶车辆通过网络连接到附近的基站并上传待卸载任务数据，包括任务的各种元数据如业务数据量、最迟截止时间、任务计算量等。
[0050]
(2)sdn控制器定时接收边缘计算服务器上报的状态信息，并维护状态表用以保存服务器状态信息。
[0051]
(3)sdn控制器对收到的移动终端任务进行一定的预处理工作，结合维护的边缘计算服务器状态表，运行相应的任务卸载算法计算得到任务卸载请求结果，将结果回传至基站。
[0052]
(4)基站根据卸载算法处理结果进行不同操作，若为不卸载则告知移动终端在本地vcu进行任务处理，若卸载结果给定某台边缘计算节点位置，则将任务数据发送到对应的边缘计算节点。
[0053]
(5)边缘计算服务器接收任务执行，最后将任务执行结果传回移动终端。
[0054]
如图4所示，本发明实施例的自适应优先级的分层任务卸载方法(简称aphto)的具体流程如下：
[0055]
步骤1、mec(即移动边缘计算)资源初始划分：通过计算性能量化分析得出边缘计算服务器的计算性能参数，并据此对边缘计算服务器进行排序。根据服务器资源划分比例η将边缘计算节点划分为c
high
和c
low
两部分。其中c
high
部分边缘节点计算性能更强，用以卸载自动驾驶实时任务，而c
low
部分节点计算性能相对稍差，负责处理普通任务。对c
high
部分节点设置实时任务等待队列，并按照队列长度对节点进行分层逻辑部署。
[0056]
步骤2、任务分类：基站或sdn控制器在收到自动驾驶车辆上传的任务之后，将实时任务与普通任务分别放置于不同的任务待卸载等待队列(即边缘任务自适应优先级队列)。实时任务的优先级由初始优先级、最迟截止时间以及卸载等待时间动态计算，按照优先级降序排序等待卸载。
[0057]
步骤3、卸载决策制定：基站或sdn控制器根据任务信息制定卸载决策。对于实时任务，优先将高自适应优先级的任务卸载至c
high
节点分组中计算性能更强同时实时任务等待队列最短的边缘计算节点；对于普通任务，优先将高优先级任务卸载至c
low
节点分组中任务计算性能更强同时就绪任务最少的节点。
[0058]
步骤4、mec资源自适应划分：基站或sdn控制器定期获取当前实时任务卸载请求密度，并根据自适应服务器资源划分算法调整资源划分比例η，修改c
high
与c
low
分组中边缘计算节点数量。
[0059]
其中，边缘任务自适应优先级队列的设计如下：
[0060]
考虑到任务的优先级与截止时间之间的联系，设计了自适应优先级队列，自适应优先级通过三方面计算而来：任务初始优先级、任务截止时间以及平均卸载等待时间。具体计算公式如下所示：
[0061][0062]
其中p
ori
表示任务的初始优先级，dl2p(dl)表示任务的截止时间所转化的优先级。给予初始优先级和截止时间所转化的优先级相同的权重，以计算自适应优先级，同时wt表示任务的卸载等待时间，当任务的卸载等待时间超出当前优先级的平均卸载等待时间时，适当调高任务的优先级。其中任务截止时间与优先级的转化如以下算法所述：
[0063][0064]
其中对于首次到达的实时任务，赋予其最低的优先级，此后到达的任务，计算截止时间的紧迫程度deltadl，当deltadl更小时，则按照deltadl与历史deltadl最大值maxdeltadl之比计算优先级；当deltadl更大时，则赋予其最低优先级，最低优先级即当前队尾任务的截止时间所对应的优先级，同时更新最大maxdeltadl。
[0065]
基于自适应优先级，任务在待卸载队列里面的排序需要遵循以下原则：
[0066]
(1)同等优先级的任务按照任务到达时间进行升序排序，优先选择先到达的任务进行卸载。
[0067]
(2)不同优先级同时到达的任务按照任务的优先级降序排序，优先选择优先级较高的任务进行卸载。
[0068]
(3)不同优先级设置动态的平均卸载等待时长，当任务的卸载等待时长超过平均卸载等待时长时，对任务的优先级进行动态调整，以尽量使得任务可以成功卸载。
[0069]
综上，aphto结合边缘实时任务的优先级以及任务的平均卸载等待时间等因素设计了边缘端的任务调度队列，算法如下：
[0070][0071]
其中边缘节点性能量化设计如下：
[0072]
边缘计算服务器的资源可以分为计算资源以及存储资源，计算资源包括cpu以及gpu，存储资源可以分为内部存储资源ram等以及外部i/o读写资源，不同的资源类型有着不同的评价指标，按照评价指标进行分类，可以从以下几个方面来大致评估设备的性能。
[0073]
(1)处理器运算速度。运算速度是衡量计算机设备计算能力的核心指标，可以采用cpu的主频或者系统每秒执行的指令数来进行表示。
[0074]
(2)内存空间(存储能力)。内存是cpu与外部存储设备沟通的桥梁，也是应用正确运行并与用户交互的保障。一般而言，内存空间越充足，计算机能够并发存储运行的任务数量越多。
[0075]
(3)i/o速率(读写能力)。应用或多或少存在数据的写入写出，而磁盘i/o速率越快也就意味着可以更快的完成数据的读取或写入从而实现更短的cpu等待时间。
[0076]
(4)自动驾驶场景中的实时任务多是计算密集型任务，边缘节点计算性能指标可以分为静态指标和动态指标两类，其中静态指标指的是设备的基础属性或常规工作指标，例如cpu频率、核心数量、最大线程数量、缓存容量等。动态指标中最常见的就是cpu利用率。但由于cpu利用率并不能直接用来衡量设备的计算性能，因此本发明采用了系统的ips作为
性能指标，ips表示系统内每秒运行的指令数目，可以很好的衡量cpu的计算能力。图5所示为不同的边缘设备pc机、树莓派与远程服务器执行同一cpu密集型任务所采集的系统ips数据变化情况图，对于同一设备任务执行过程中ips数值略有波动但基本保持平稳，不同设备之间的差距也基本固定，适合作为衡量边缘设备计算能力的指标。
[0077]
以下算法描述了对边缘计算服务器进行计算性能量化的过程：
[0078][0079][0080]
其中，边缘计算节点分层卸载队列的设计如下：
[0081]
在对边缘任务进行了自适应优先级调整以及对边缘计算服务器的计算性能有了一定评估和了解之后，还需对边缘计算节点进行分层划分处理，以尽量提高边缘计算服务器的平均资源利用率。考虑到5g时代下海量的通信数据以及自动驾驶车辆的日渐增多，产生的任务数量量级也愈来愈大，因此必须控制任务卸载算法的时间复杂度以尽量提高算法的执行效率，否则将会直接导致任务卸载等待队列的拥堵，甚至会造成网络的拥堵，因为部分车辆可能会有任务超时重发的机制。任务卸载等待队列的拥堵轻则导致任务执行时延增长，重则导致移动边缘计算系统的崩溃，对于自动驾驶场景将造成无法承担的后果。因此，对于边缘任务卸载队列而言，尽早得到任务卸载算法的结果并尽早进行任务分发十分有必要。由于本方法已经对边缘端到达的任务进行了优先级相关处理，任务的卸载顺序处于基
本稳定的状态，但并不代表只能采取单线程任务分发的方式，只要保证后续线程的任务遍历速度不会赶超父线程以及较前的线程即可。
[0082]
在进行任务卸载的时候，为了将计算时延尽可能缩短，优先选择计算能力较强的边缘计算节点。同时为了减轻边缘终端进行任务分发的压力，首先在边缘计算节点处设置任务队列接收下发的任务。同时参考节点的任务队列的长度。最终的任务分发原则是优先将高优先级任务卸载至计算性能更强同时实时任务等待队列更短的边缘计算节点，这一原则适用于实时任务以及普通任务。当普通任务与实时任务共存时，由于普通任务的优先级比实时任务的优先级更低，因此，普通任务的卸载并不会影响到实时任务的卸载成功率，以实时任务为例，任务的具体卸载流程如图6所示。
[0083]
对边缘计算节点进行双重排序，第一轮是按照边缘计算节点上任务队列的长度的不同进行分层，始终保持顶层的边缘计算节点内部任务队列长度最短。一般而言，新任务所投入队列长度越短则越能更早投入运行。第二轮是按照上一小节测得的节点计算性能进行降序排序，即优先将优先级较高的实时任务卸载至计算性能更强同时更空闲的边缘计算节点。按照上述顺序遍历边缘计算节点，如果可以卸载任务，也即该节点满足任务的截止时间需求那么就进行计算卸载；如果不满足，就继续寻找合适的节点。如果一个任务最后都无法找到满足截止时间要求的边缘计算节点，则卸载失败，将任务从待卸载任务队列中移除。具体实现过程可由如下算法描述：
[0084]
[0085][0086]
上述算法适用于自动驾驶实时任务的卸载，对于自动驾驶普通任务，不存在最迟截止时间的约束，可以直接进行任务卸载。考虑到单线程在进行计算卸载时，如果当前边缘计算节点无法满足当前实时任务的最迟截止时间的要求，则需要进行边缘计算节点遍历的操作，而其他实时任务不应支付等待当前遍历时间的代价，因此需要设计多线程分发。多线程的引入虽然可以加快任务分发的速度，但同时也要注意线程的同步问题，自适应优先级较高的任务优先卸载至性能更强的节点的原则不能违背。因此需要设置令牌桶或直接加锁，考虑到判断节点是否满足任务的时间需求的过程并不繁琐，所需时间不长，因此直接选取对边缘计算节点加锁，最终任务分发策略如下算法所述：
[0087]
[0088][0089]
自适应服务器资源划分算法的设计如下：
[0090]
当不对边缘计算服务器进行分组时，普通任务与实时任务的卸载混杂到一起。由于实时任务和普通任务的时延敏感度不同，调度方式也不同，因此不易找到最优的卸载策略。而对节点进行分组后，不同类型任务的卸载可以分开处理。但是当实时任务卸载请求密度变大时，例如上下班的早晚高峰，车流量明显变大，实时任务的数量也会增多。为了提高实时任务的卸载成功率，需要拥有更多可以分配的边缘节点，因此需要对节点分组的比例η进行调整。当节点分组变动造成实时任务与普通任务共存时，由于普通任务的优先级比实时任务更低，因此不会对实时任务的执行时延造成影响。自适应服务器资源划分如下算法所示：
[0091]
[0092][0093]
上述算法定期获取当前任务卸载请求密度λ，判断与前一段时间的请求密度之差是否大于检测阈值θ，检测阈值θ越大，表示检测的频率随请求密度的变化更频繁。当触发检测时，首先判断当前的卸载成功率的变化是否在允许波动的范围内。如果不在，则表明需要调整服务器资源划分比例η，η改变的步长从1％开始，判断改变资源划分比例后任务卸载成功率是否满足预期。如果不满足，则增大步长，步长变化的原则类似tcp拥塞窗口cwnd的变化，当步长在阈值ω以内时，倍速增长，否则，缓步增长。当任务卸载成功率满足预期时，调整步长增长阈值为算法开始与结束时资源划分比例的中位数。
[0094]
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

技术特征：
1.基于移动边缘计算的自适应优先级的分层任务卸载方法，其特征在于，包括以下步骤：步骤1、移动边缘计算资源初始划分；通过计算性能量化分析得出边缘计算服务器的计算性能参数，并据此对边缘计算服务器进行排序；根据服务器资源划分比例η将边缘计算节点划分为c
high
和c
low
两部分；其中，c
high
部分的边缘计算节点计算性能更强，用以卸载自动驾驶实时任务；c
low
部分的边缘计算节点计算性能相对稍差，负责处理普通任务；步骤2、任务分类；基站或sdn控制器在收到自动驾驶车辆上传的任务之后，将实时任务与普通任务分别放置于不同的边缘任务自适应优先级队列；其中，边缘任务自适应优先级队列中的实时任务的优先级由初始优先级、最迟截止时间以及卸载等待时间动态计算，按照优先级降序排序等待卸载；步骤3、卸载决策制定；基站或sdn控制器根据任务信息制定卸载决策；对于实时任务，优先将高自适应优先级的任务卸载至c
high
部分的节点分组中计算性能更强同时实时任务等待队列最短的边缘计算节点；对于普通任务，优先将高优先级任务卸载至c
low
部分的节点分组中任务计算性能更强同时就绪任务最少的边缘计算节点；步骤4、移动边缘计算资源自适应划分；基站或sdn控制器定期获取当前实时任务卸载请求密度，并根据自适应服务器资源划分算法调整资源划分比例η，修改c
high
与c
low
部分的分组中边缘计算节点数量。2.如权利要求1所述的基于移动边缘计算的自适应优先级的分层任务卸载方法，其特征在于，所述步骤1中，边缘计算服务器的计算性能参数包括处理器运算速度、内存空间、i/o速率、静态指标和动态指标，其中，静态指标包括cpu频率、核心数量、最大线程数量、缓存容量，动态指标包括系统的ips。3.如权利要求1所述的基于移动边缘计算的自适应优先级的分层任务卸载方法，其特征在于，所述步骤2中，实时任务的优先级由初始优先级、最迟截止时间以及卸载等待时间动态计算的公式为：其中，p
ori
表示任务的初始优先级，dl2p(dl)表示任务的截止时间所转化的优先级；给予初始优先级和截止时间所转化的优先级相同的权重，以计算自适应优先级，同时wt表示任务的卸载等待时间，当任务的卸载等待时间超出当前优先级的平均卸载等待时间时，调高任务的优先级。4.如权利要求3所述的基于移动边缘计算的自适应优先级的分层任务卸载方法，其特征在于，根据任务的截止时间转化的优先级，包括：计算当前任务截止时间与当前时间之差，以判断当前任务是否为首个任务；若是，则赋予其最低优先级；
之后到达的任务，计算截止时间的紧迫程度deltadl；当deltadl小于历史deltadl最大值maxdeltadl，则按照deltadl与历史deltadl最大值maxdeltadl之比计算优先级，同时更新最大maxdeltadl；当deltadl不小于历史deltadl最大值maxdeltadl时，则赋予其最低优先级，同时更新最大maxdeltadl；其中，最低优先级即当前队尾任务的截止时间所对应的优先级，同时更新最大maxdeltadl。5.如权利要求4所述的基于移动边缘计算的自适应优先级的分层任务卸载方法，其特征在于，边缘计算节点的分层卸载，包括：对边缘计算节点进行双重排序，第一轮是按照边缘计算节点上任务队列的长度的不同进行分层，始终保持顶层的边缘计算节点内部任务队列长度最短；第二轮是按照节点计算性能进行降序排序，即优先将优先级较高的实时任务卸载至计算性能更强同时更空闲的边缘计算节点；按照上述顺序遍历边缘计算节点，如果可以卸载任务，也即该节点满足任务的截止时间需求那么就进行计算卸载；如果不满足，就继续寻找合适的节点；如果一个任务最后都无法找到满足截止时间要求的边缘计算节点，则卸载失败，将任务从边缘任务自适应优先级队列中移除。6.如权利要求4所述的基于移动边缘计算的自适应优先级的分层任务卸载方法，其特征在于，所述步骤4具体包括：获取当前任务卸载请求密度λ，判断与前一段时间的请求密度之差是否大于检测阈值θ；其中，检测阈值θ越大，表示检测的频率随请求密度的变化更频繁；当触发检测时，首先判断当前的卸载成功率的变化是否在允许波动的范围内；如果不在，则表明需要调整服务器资源划分比例η，η改变的步长从1％开始，判断改变资源划分比例后任务卸载成功率是否满足预期；如果不满足，则增大步长；如果满足，则调整步长增长阈值为开始与结束时资源划分比例的中位数。

技术总结
本发明属于移动边缘计算技术领域，具体涉及基于移动边缘计算的自适应优先级的分层任务卸载方法，包括以下步骤：步骤1、移动边缘计算资源初始划分；步骤2、任务分类；步骤3、卸载决策制定；步骤4、移动边缘计算资源自适应划分。本发明将自动驾驶任务划分为实时任务和普通任务两种类型，分别设置优先级卸载队列；同时对边缘计算节点集群进行分组分层式逻辑部署，并设计自适应资源划分算法动态调整不同组间节点数量，以提高自动驾驶实时任务的卸载成功率。功率。功率。


技术研发人员：贾刚勇 愈铭辉 饶欢乐 赵育淼 袁友伟 徐宏
受保护的技术使用者：杭州电子科技大学
技术研发日：2022.09.07
技术公布日：2023/9/22