移动边缘计算任务切分与物联网最优数据卸载算法设计

刘向东

摘要：为解决传统卸载算法在对物联网数据进行卸载时，存在卸载数据量与实际需要进行卸载的数据量相差较大，影响物联网高效运行问题，开展移动边缘计算任务切分与物联网最优数据卸载算法设计研究。通过物联网移动边缘节点计算任务切分、基于完全物联網移动边缘场景的数据卸载和基于不完全物联网移动边缘场景的数据卸载，提出一种全新的卸载算法。通过对比实验进一步证明，新的卸载算法在实际应用中卸载精度更高，更满足物联网高效运行需要。

关键词：移动边缘计算;任务切分;物联网;最优数据;卸载算法

中图分类号：TN929.52      文献标识码：A

文章编号：1009-3044（2021）32-0129-02

当前云计算、物联网等智能技术的应用逐渐广泛，智能汽车、虚拟现实技术等相关应用不断产生，可穿戴的便携式设备、家用电器等数量呈现出爆发式的增长，未来网络环境将会逐渐向着分布式的方向发展和转变[1]。当前现代计算技术虽然能够更加集中化的数据资源，但由于在传输过程中会产生海量的数据信息，因此在其传输的过程中还会迫使物联网产生更大的压力，进而影响到物联网用户的体验质量[2]。在这样物联网感知设备数据传输的过程中，数据的处理方式也在一定程度上受到了巨大的风险和挑战。当前，物联网领域相关研究人员正逐渐将上述方面问题作为研究的重点，以此解决物联网移动终端数据传输到数据中心过程中存在的问题，因此，移动边缘计算方法应运而生[3]。移动边缘计算是在接近物联网移动设备的边缘，为其布置服务器，并形成边缘云结构，以此为物联网用户提供计算和存储的数据资源，更进一步为用户带来良好的体验。但由于当前物联网环境的当中的数据呈现出爆发式的增长趋势，因此在对数据进行卸载过程中，仍然沿用传统的卸载算法很难实现对全部数据的精准卸载，容易造成数据的冗余，影响物联网的高效运行[4]。基于此，本文开展移动边缘计算任务切分与物联网最优数据卸载算法设计研究。

1移动边缘计算任务切分与物联网最优数据卸载算法设计

1.1物联网移动边缘节点计算任务切分

本文移动边缘计算任务切分与物联网最优数据卸载算法在对物联网中需要进行卸载的数据进行处理时，主要以物联网传感器采集到的差异数据信息作为基础，通过对物联网移动边缘节点计算任务的切分，并计算器卸载量，完成相应的卸载工作。图1为物联网移动边缘节点分布式结构示意图。

图1中编号1～12分别为物联网基站移动边缘当中各个无线传感器节点，图1中箭头的起始位置与数据发送方相连接，箭头的终止位置与数据接收方相连接。对于物联网移动边缘环境而言，数据的节点在传输过程中，通常是采用超宽频谱的方式对节点的计算任务进行选择，但这种方法针对含量数据节点，会产生较大的负载压力，因此造成物联网能任务切分能力受到影响。因此，针对这一问题，本文在对其进行任务切分的过程中引入卸载数据特征模糊聚类的思想[5]。将物联网移动边缘节点数据设置为Wn×m={Wij} n×m，该表达式是一个由n×m大小构成的矩阵，其公式可用如下形式表示：

[Wn×m=w11w12…w1mw21w22…w2m⋮⋮…⋮wn1wn2…wnm]                     （1）

公式（1）中，n表示为物联网移动边缘环境中需要进行卸载处理的数据节点个数;m表示为任务切分相关性较高的数据条数。根据上述公式（1）计算，得出每一个具有卸载特征的数据节点。为实现本文卸载算法的高效性，还需要对上述公式（1）进行降维处理，并将其变化为如下公式（2）的形式：

[Wn×m=（Im×s+Js×s）/Rs×n]          （2）

公式（2）中，[I]表示为公式（1）中水平方向上的数据节点;[J]表示为公式（1）中竖直方向上的数据节点;[R]表示为公式（1）中所有数据节点;[S]表示为需要进行卸载的数据节点量。根据上述公式计算，得出的结果即为具体物联网移动边缘节点计算任务切分结果。

1.2基于完全物联网移动边缘场景的数据卸载

为实现对物联网数据的最优卸载效果，本文对完全物联网移动边缘场景和不完全物联网移动边缘场景进行区分，分别对其需要进行卸载的数据进行处理[6]。基于完全物联网移动边缘场景的数据卸载流程：

第一步，采集物联网移动边缘环境中记录的数据信息，利用本文上述物联网移动边缘节点计算任务切分方法，确定卸载任务;

第二步，对物联网结构特征和用户行为特征进行全面分析，并根据分析结构构建随机森林分类模型，对用户机会连接进行预测;

第三步，将用户数据需求分析引入到卸载操作当中，结合博弈理论，在确保Nash均衡的条件下，通过迭代算法的求解，给出数据信息卸载的策略。

根据上述数据卸载流程，得出博弈理论当中应当包含参与者、测量以及效用，共三个要素，分别利用三个要素刻画一个完整的博弈模型。将用户的效益最大化作为目标，得出博弈模型的表达式为：

[U=∂log（1+f）-p]                              （3）

公式（3）中，[U]表示为以用户效益最大化为目标的博弈结果;[∂]表示为用户参与体验相关参数;[f]表示为数据内容提供用户和物联网运营商等跟随者向内容需求用户提供的数据总量之和;[p]表示为给定总数量。根据公式（3）计算得出的结果对单个需求用户作为领导者，求解出最优数据卸载策略，通过物联网移动边缘用户的数据需求，以此减少上述模型中迭代次数，提高本文卸载算法的效率。

1.3基于不完全物联网移动边缘场景的数据卸载

完成上述基于完全物联网移动边缘场景的数据卸载后，在对基于不完全物联网移动边缘场景的数据卸载策略进行设计。将物联网运营、内容提供以及内容需求的收益最大化作为目标，当同时遇到两个物联网用户时，若无法实现对物联网移动边缘场景的数据负载情况，则需要提前做出对数据卸载的决策[7]。基于不完全物联网移动边缘场景的数据卸载具体卸载流程为：

第一步，采集物联网移动边缘环境中记录的数据信息，利用本文上述物联网移动边缘节点计算任务切分方法，确定卸载任务;

第二步，对物联网移动边缘场景中的用户数据需求进行分析，并通过完成对物联网效用函数的设计;

第三步，通过数据需求分析结果得出总数据分析需求和可卸载数据;

第四步，利用物联网效用函数从联网运营、内容提供以及内容需求三方面最大利益角度分析得出数据卸载策略。

根据上述卸载流程需要，得出物联网效用函数为：

[U'=（p-e）⋅（q-fx）]                               （4）

公式（4）中，[U']表示为物联网效用函数目标结果;[p]表示为数据负载动态变化参数;[e]表示为物联网运营环境单位数据的价值;[q]表示为数据负载;[f]表示为可卸载数据;[x]表示为卸载比例。根据上述公式（4）计算得出的结果给出最优数据卸载策略，完成对物联网数据的卸载操作。

2对比实验

随机选择物联网环境当中的节点数据2000bit，已知在该数据集合当中存在250个需要进行卸载的数据，将其作为本文对比实验的实验对象，分别利用本文提出的移动边缘计算任务切分与物联网最优数据卸载算法和传统卸载算法对其卸载隐藏处理。为了确保实验结果真实、有效，在实验开始前，还需要利用与需要卸载的数据详尽的非卸载需要数据进行替代，对实验对象当中需要卸载的数据进行隐藏处理，再分别利用被窝呢卸载算法和出台弄写在算法对实验对象卸载隐藏处理。根据上述实验准备，完成两种卸载算法的实际应用后，将两种算法的实验结果进行记录，并绘制成如表1所示的实验结果对比表。

表1中，[∂]表示为卸载数据所在数据集合中数据总量;[λ]表示为需要进行卸载的数据量。由表1数据结果可以看出，本文算法卸载数据量与[λ]值相比，精度在1bit左右，而传统算法卸载数据量与[λ]值相比相差较大。同时，通过最终总计结果可以看出，本文算法卸载数据量与传统算法卸载数据量相比，超出了接近1倍。因此，通过对比实验进一步得出，本文提出的移动边缘计算任务切分与物联网最优数据卸载算法在实际应用中具有更高的卸载精度，实现最优数据卸载目标。同时，将本文提出的移动边缘计算任务切分与物联网最优数据卸载算法应用于实际能够有效针对利用价值较低的数据进行合理的卸载，进一步提高物联网环境的运行效率，实现物联网数据传输环境的时效性。

3结束语

本文通过开展移动边缘计算任务切分与物联网最优数据卸载算法研究，提出一种全新的数据卸载算法，并通过实验进一步证明了该算法的实际应用优势。由于研究时间和能力的有限，针对物联网中存在异常的卸载数据，在卸载过程中对其衰减系数和相对时延等问题并未进行深入的探究。因此，在后续的研究过程中还将针对这一方面的问题进行更加深入的研究，以期为创造用户满意度更高的物联网环境提供保障。

参考文献：

[1] 黄正鹏，王力，张仕学，等.基于传统遗传和数据压缩算法的冗余光纤数据存储优化[J].激光杂志，2019，40（3）：135-139.

[2] 梁显丽，杨海波.基于人工蜂群优化算法的激光传感云数据挖掘系统设计[J].激光杂志，2019，40（8）：94-97.

[3] 翟月.面向数据卸载的5G分布式缓存优化研究[J].佳木斯大学学报（自然科学版），2020，38（6）：127-129，148.

[4] 张尚伟，刘家佳，许铁鑫.无人机辅助的蜂窝数据流量卸载及保密传输方案[J].西安交通大学学报，2021，55（2）：121-128.

[5] 許建平.边缘计算技术的发展及其对抗恶劣环境数据中心技术的影响[J].舰船电子工程，2019，39（9）：12-16.

[6] 王辰.OGG数据卸载平台中数据传输高可用方案的论证与设计[J].信息与电脑（理论版），2020，32（11）：140-142.

[7] 丁旭阳，谢盈，张小松.基于边缘计算的进化多目标优化图像隐写算法[J].计算机研究与发展，2020，57（11）：2260-2270.

【通联编辑：光文玲】