摘要：缓存任务过多容易导致云环境下数据传输卡顿，因此，为实现云数据的流畅传输，提出基于模拟退火机制的移动边缘云计算任务卸载模型。根据边缘云计算的定义表达式，计算任务缓存指标，完成移动边缘云计算队列的构建。以模拟退火机制为基础，确定云负载调度标准的执行条件，联合数据库主机中缓存的信息参量，求解优化卸载参数，完成基于模拟退火机制的移动边缘云计算任务卸载模型的设计。实验结果表明，所提方法可以有效解决云任务堆积的问题，将单位时间内的缓存任务量控制在 550个以下，可以提升云数据传输流畅性。

 

移动边缘云计算在无线接入网络的基础上，设置多个云端接口，从而达到全面开放网络单元的目的。随着移动边缘云计算技术的推广，网络主机在单位时间内所缓存的执行任务总量也在不断增大，而这也间接导致了云网络卡顿的问题。文献[1]提出了基于深度强化学习的任务卸载方法，将缓存节点部署在边缘云环境中，能够较好地解决数据传输延迟时间过长的问题。文献[2]提出了多用户细粒度任务卸载调度方法，在同一网络体系内设置多个用户对象，并通过分流数据信息的方式，实现对待执行任务的卸载与调度处理。然而上述两种方法均未能有效实现云数据的流畅传输，且不能解决云环境下数据传输卡顿情况。

 

模拟退火机制是以迭代求解策略为基础构建的新型随机寻优算法，其出发点在于将固体物质在退火过程中的表现行为与组合优化问题结合起来，并通过分析二者之间的相似性，计算得到多个数值解，再借助目标函数，确定唯一的全局最优解[3]。这种应用机制允许数据样本时变性与突跳性同时存在，可以在搜索全局最优解的同时，将其他数值解与之进行对比，从而避免局部最优问题的出现。从理论角度来看，只要所选样本足够多、计算时间足够长，模拟退火算法就一定能通过数据处理的方式，得到一个最优解结果，因此与其他寻优机制相比，这种方法所得计算结果是唯一的，能够较好地解决数值解频繁出现的问题[4]。基于上述分析，提出了基于模拟退火机制的移动边缘云计算任务卸载模型。

 

1 移动边缘云计算队列

 

移动边缘云计算队列的构建需要根据边缘云计算的定义表达式，对任务缓存指标进行精准求解。

 

1.1 边缘云计算定义式

 

云任务卸载指令的实现必须借助最基本的边缘云计算条件。边缘云计算的实现应将具有计算能力的节点布置在网络边缘之中，并借助数据通路，建立节点集群与核心处理之间的连接关系，从而在降低信息识别时延的同时，满足准确提取数据样本的处理需求。由于边缘节点与核心计算节点之间的协同等级相同，所以在卸载云任务时，处理器设备的开放时间并没有明显的先后顺序[5-6]。设定 α 表示一个随机云参数，α′表示与之对应的边缘节点参数，二者之间的映射关系可表示为：

 

式中，β 表示数据信息在云环境中的迭代传输次数。在式（1）的基础上，设 χ 表示由节点 α′ 指向节点 α 的映射向量，ΔE 表示云数据样本的单位累积量，联立上述物理量，推导边缘云计算表达式如下：

 

 

式中，δ 代表云环境中的边缘化参数。随着数据样本的不断累积，云网络覆盖面积也会不断增大，但由于边缘节点对信息参量的承载能力有限，所以在计算过程中，参数 δ 不会出现无限增大的情况。

 

1.2 任务缓存指标

 

任务缓存指标决定了移动边缘云队列对于数据样本的处理能力[7-8]。从宏观层面看，任务缓存就是任务累积的过程，对于移动边缘云队列而言，累积的任务越多，表示其在执行卸载指令时需要处理的数据样本越多；从微观层面来讲，任务缓存是一个由少到多的变化过程，而云计算任务卸载则是由多变少的变化过程，二者出现冲突，解决这种冲突表现，就是云计算主机的运行目的[9-10]。任务缓存指标的求解满足式（3）：

 

 

式中，e 表示云任务运行参数，γe 表示缓存参数，R 表示正在执行的云计算任务，ε 表示任务脚本运行向量，u1 表示首个定义的云任务脚本，un 表示最后一个定义的云任务脚本，n 表示最大运行系数。由于移动边缘云计算任务的执行需要一定时间，所以任务卸载指令与计算处理指令不可能保持同步执行状态。

 

2 任务卸载模型

 

任务卸载模型在云计算队列的基础上，联合模拟退火机制，定义云负载调度标准，再根据优化卸载参数的具体取值结果，实现数据样本的实时处理。

 

2.1 模拟退火机制

 

模拟退火机制认为，在卸载移动边缘云计算任务时，数据计算任务存在由一种状态转变为另一种状态的可能[11-12]。取 i 、o 两种不同的云计算执行状态，推导二者之间计算任务的转化条件如式（4）所示：

 

 

式中，表示 i 状态下的云计算指令表达式，表示与之对应的模拟参数，表示 o 状态下的云计算指令表达式，表示与之对应的模拟参数。

 

若计算任务转化条件保持恒定，则有式（5）所示不等式条件成立：

 

式中， 、 表示两个不同的退火系数，由于 i系数、o 系数的取值会随着移动边缘云计算任务的推进而发生变化，所以退火系数取值也不可能始终保持恒定。

 

联立式（3）-（5），可将模拟退火机制作用表达式定义为：

 

 

式中，表示基于 i 系数的云计算任务评价参数， 表示基于 o 系数的云计算任务评价参数。

 

针对移动边缘云计算任务卸载模型，模拟退火机制作用能力的解释包括如下三种：

 

1） ，模拟退火机制作用表达式求解结果趋近于“1”，表示云计算任务在 i 、o 执行状态之间进行平衡转化，执行卸载任务时，可在云环境中间位置处选择数据样本；

 

2） ，模拟退火机制作用表达式求解结果趋近于 i 状态下的云计算结果，执行卸载任务时，应在靠近 i 端区域内选择数据样本；

 

3），模拟退火机制作用表达式求解结果趋近于 o 状态下的云计算结果，执行卸载任务时，应在靠近 o 端区域内选择数据样本。

 

2.2 云负载调度标准

 

云负载调度标准可以理解为执行任务卸载指令时，移动边缘云计算主机所必须遵循的处理原则[13] 。边缘计算主机与核心计算主机虽然处于同一网络体系之内，但前者的运行等级明显低于后者，这就表示执行任务卸载指令时，核心计算主机的响应速率明显比边缘计算主机更快，而这也是缓存任务量持续增大的主要原因。在云负载调度标准的作用下，边缘计算主机首先按照模拟退火机制，将缓存任务中的关键数据样本提取出来，再对其进行针对性处理，不仅可以提升边缘计算主机的响应速度，而且还能够较好地解决缓存任务量不断增大的问题[14] 。设 z表示云计算任务负载向量，表示缓存任务提取系数，表示关联调度系数。在上述物理量的支持下，联立式（6），求解云负载调度标准表达式如下：

 

 

如果出现已缓存任务中不包含关键数据样本的情况，则边缘计算主机会暂时停止运行。

 

2.3 优化卸载参数

 

优化卸载参数影响云计算任务卸载指令的执行频度，在移动边缘云环境中，主机元件可以根据该项物理量的取值结果，判断当前情况下，是否能够实现对云数据的流畅传输[15-16] 。其求解结果受到任务配比参数、实时转存向量两项物理系数的直接影响。任务配比参数常表示为μ ，由于移动边缘云环境只允许数据单向传输行为的出现，且传输方向只能由主机端指向边缘计算主机端，所以该项物理量的取值始终大于自然数“1”。实时转存向量常表示为,如果该项物理系数的取值较大，则表示移动边缘云计算环境中，出现数据堆积的可能性较高，故而为避免云环境下数据传输卡顿情况的出现，在计算过程中，应尽可能取得其极小值结果。联立上述物理量，推导优化卸载参数计算式为：

 

 

式中，ϖ 、ϑ表示两个不同的数据样本编码参数，ω 表示方向判别系数，v 表示云计算任务转存特征。移动边缘云计算网络是一个较为复杂的应用环境，因此

在实施任务卸载处理时，应该综合考虑所有影响因素。

 

3 实验分析

 

为验证基于模拟退火机制的移动边缘云计算任务卸载方法的有效性，采用相关设备元件搭建云计算网络环境，以所提方法、文献[1]方法、文献[2]方法作为三组不同的实验方法。

 

3.1 实验原理与步骤

 

搭建云计算网络环境如图 1所示。

 

 

记录在三组不同实验方法作用下，缓存任务量在单位时间内的数值变化情况。实验所涉及具体设备元件型号如表 1所示。

 

实时缓存任务量是指云计算主机在单位时间内所记录的任务总量，随着运行任务量的增大，云网络剩余存储空间会变小，就会导致云环境下数据传输卡顿情况的出现，从而使云数据传输流畅度受到影响。任务卸载算法主要通过去除非必要任务的方式，对执行器向外传输的数据总量进行控制，能够避免云计算主机中出现大量的缓存任务，从而解决云环境下数据传输卡顿的问题，提升云数据传输流畅度。

 

 

针对上述问题，按照如下流程进行实验。

 

1）利用基于模拟退火机制的移动边缘云计算任务卸载模型控制云计算主机，以 15 min 作为一个单位时长，分析五个单位时间段内，缓存任务量的数值变化情况；

 

2）分别利用基于深度强化学习的任务卸载方法、多用户细粒度任务卸载调度方法控制云计算主机，再次重复上述步骤，记录缓存任务量的数值变化情况；

 

3）对比所得实验数据，总结实验规律。

 

3.2 结果与讨论

 

三种方法的实时任务缓存量对比结果如图 2所示。

 

 

分析图 2 可知，所提方法作用下，云计算主机中实时任务缓存量在第 60 min 时取得最大值 550 个，该时间节点之前，任务缓存量数值不断增大，该时间节点之后，任务缓存量数值则不断减小。在文献[1]方法作用下，云计算主机中实时任务缓存量在第 45 min时取得最大值 600 个，高于前一组实验结果最大值，该时间节点之前，任务缓存量数值不断增大，该时间节点之后，任务缓存量数值保持不变。在文献[2]方法作用下，云计算主机中实时任务缓存量始终保持不断增大的变化态势，至实验结束其最大值达到了700个，也高于第一组实验结果最大值。

 

综上可知，基于模拟退火机制的移动边缘云计算任务卸载方法可以较好地解决因缓存任务过多而造成的云环境下数据传输卡顿的问题，在既定实验时间内，实现对云计算主机中实时任务缓存量的有效控制，可以促进云数据的流畅传输，满足实际应用需求。

 

4 结束语

 

为了有效地实现云数据的流畅传输，解决因缓存任务过多导致的云环境下数据传输卡顿的问题，提出了基于模拟退火机制的移动边缘云计算任务卸载方法，能够精准求解任务缓存指标，又联合云负载调度标准表达式，确定优化卸载参数的实际取值范围。实用性方面，这种新型卸载模型能够较好解决云环境卡顿的问题，在提升云数据传输流畅性方面具有较强的应用可行性。

摘要：缓存任务过多容易导致云环境下数据传输卡顿，因此，为实现云数据的流畅传输，提出基于模拟退火机制的移动边缘云计算任务卸载模型。根据边缘云计算的定义表达式，计算任务缓存指标，完成移动边缘云计算队列的构建。以模拟退火机制为基础，确定云负载调度标准的执行条件，联合数据库主机中缓存的信息参量，求解优化卸载参数，完成基于模拟退火机制的移动边缘云计算任务卸载模型的设计。实验结果表明，所提方法可以有效解决云任务堆积的问题，将单位时间内的缓存任务量控制在 550个以下，可以提升云数据传输流畅性。

 

移动边缘云计算在无线接入网络的基础上，设置多个云端接口，从而达到全面开放网络单元的目的。随着移动边缘云计算技术的推广，网络主机在单位时间内所缓存的执行任务总量也在不断增大，而这也间接导致了云网络卡顿的问题。文献[1]提出了基于深度强化学习的任务卸载方法，将缓存节点部署在边缘云环境中，能够较好地解决数据传输延迟时间过长的问题。文献[2]提出了多用户细粒度任务卸载调度方法，在同一网络体系内设置多个用户对象，并通过分流数据信息的方式，实现对待执行任务的卸载与调度处理。然而上述两种方法均未能有效实现云数据的流畅传输，且不能解决云环境下数据传输卡顿情况。

 

模拟退火机制是以迭代求解策略为基础构建的新型随机寻优算法，其出发点在于将固体物质在退火过程中的表现行为与组合优化问题结合起来，并通过分析二者之间的相似性，计算得到多个数值解，再借助目标函数，确定唯一的全局最优解[3]。这种应用机制允许数据样本时变性与突跳性同时存在，可以在搜索全局最优解的同时，将其他数值解与之进行对比，从而避免局部最优问题的出现。从理论角度来看，只要所选样本足够多、计算时间足够长，模拟退火算法就一定能通过数据处理的方式，得到一个最优解结果，因此与其他寻优机制相比，这种方法所得计算结果是唯一的，能够较好地解决数值解频繁出现的问题[4]。基于上述分析，提出了基于模拟退火机制的移动边缘云计算任务卸载模型。

 

1 移动边缘云计算队列

 

移动边缘云计算队列的构建需要根据边缘云计算的定义表达式，对任务缓存指标进行精准求解。

 

1.1 边缘云计算定义式

 

云任务卸载指令的实现必须借助最基本的边缘云计算条件。边缘云计算的实现应将具有计算能力的节点布置在网络边缘之中，并借助数据通路，建立节点集群与核心处理之间的连接关系，从而在降低信息识别时延的同时，满足准确提取数据样本的处理需求。由于边缘节点与核心计算节点之间的协同等级相同，所以在卸载云任务时，处理器设备的开放时间并没有明显的先后顺序[5-6]。设定 α 表示一个随机云参数，α′表示与之对应的边缘节点参数，二者之间的映射关系可表示为：

 

式中，β 表示数据信息在云环境中的迭代传输次数。在式（1）的基础上，设 χ 表示由节点 α′ 指向节点 α 的映射向量，ΔE 表示云数据样本的单位累积量，联立上述物理量，推导边缘云计算表达式如下：

 

 

式中，δ 代表云环境中的边缘化参数。随着数据样本的不断累积，云网络覆盖面积也会不断增大，但由于边缘节点对信息参量的承载能力有限，所以在计算过程中，参数 δ 不会出现无限增大的情况。

 

1.2 任务缓存指标

 

任务缓存指标决定了移动边缘云队列对于数据样本的处理能力[7-8]。从宏观层面看，任务缓存就是任务累积的过程，对于移动边缘云队列而言，累积的任务越多，表示其在执行卸载指令时需要处理的数据样本越多；从微观层面来讲，任务缓存是一个由少到多的变化过程，而云计算任务卸载则是由多变少的变化过程，二者出现冲突，解决这种冲突表现，就是云计算主机的运行目的[9-10]。任务缓存指标的求解满足式（3）：

 

 

式中，e 表示云任务运行参数，γe 表示缓存参数，R 表示正在执行的云计算任务，ε 表示任务脚本运行向量，u1 表示首个定义的云任务脚本，un 表示最后一个定义的云任务脚本，n 表示最大运行系数。由于移动边缘云计算任务的执行需要一定时间，所以任务卸载指令与计算处理指令不可能保持同步执行状态。

 

2 任务卸载模型

 

任务卸载模型在云计算队列的基础上，联合模拟退火机制，定义云负载调度标准，再根据优化卸载参数的具体取值结果，实现数据样本的实时处理。

 

2.1 模拟退火机制

 

模拟退火机制认为，在卸载移动边缘云计算任务时，数据计算任务存在由一种状态转变为另一种状态的可能[11-12]。取 i 、o 两种不同的云计算执行状态，推导二者之间计算任务的转化条件如式（4）所示：

 

 

式中，表示 i 状态下的云计算指令表达式，表示与之对应的模拟参数，表示 o 状态下的云计算指令表达式，表示与之对应的模拟参数。

 

若计算任务转化条件保持恒定，则有式（5）所示不等式条件成立：

 

式中， 、 表示两个不同的退火系数，由于 i系数、o 系数的取值会随着移动边缘云计算任务的推进而发生变化，所以退火系数取值也不可能始终保持恒定。

 

联立式（3）-（5），可将模拟退火机制作用表达式定义为：

 

 

式中，表示基于 i 系数的云计算任务评价参数， 表示基于 o 系数的云计算任务评价参数。

 

针对移动边缘云计算任务卸载模型，模拟退火机制作用能力的解释包括如下三种：

 

1） ，模拟退火机制作用表达式求解结果趋近于“1”，表示云计算任务在 i 、o 执行状态之间进行平衡转化，执行卸载任务时，可在云环境中间位置处选择数据样本；

 

2） ，模拟退火机制作用表达式求解结果趋近于 i 状态下的云计算结果，执行卸载任务时，应在靠近 i 端区域内选择数据样本；

 

3），模拟退火机制作用表达式求解结果趋近于 o 状态下的云计算结果，执行卸载任务时，应在靠近 o 端区域内选择数据样本。

 

2.2 云负载调度标准

 

云负载调度标准可以理解为执行任务卸载指令时，移动边缘云计算主机所必须遵循的处理原则[13] 。边缘计算主机与核心计算主机虽然处于同一网络体系之内，但前者的运行等级明显低于后者，这就表示执行任务卸载指令时，核心计算主机的响应速率明显比边缘计算主机更快，而这也是缓存任务量持续增大的主要原因。在云负载调度标准的作用下，边缘计算主机首先按照模拟退火机制，将缓存任务中的关键数据样本提取出来，再对其进行针对性处理，不仅可以提升边缘计算主机的响应速度，而且还能够较好地解决缓存任务量不断增大的问题[14] 。设 z表示云计算任务负载向量，表示缓存任务提取系数，表示关联调度系数。在上述物理量的支持下，联立式（6），求解云负载调度标准表达式如下：

 

 

如果出现已缓存任务中不包含关键数据样本的情况，则边缘计算主机会暂时停止运行。

 

2.3 优化卸载参数

 

优化卸载参数影响云计算任务卸载指令的执行频度，在移动边缘云环境中，主机元件可以根据该项物理量的取值结果，判断当前情况下，是否能够实现对云数据的流畅传输[15-16] 。其求解结果受到任务配比参数、实时转存向量两项物理系数的直接影响。任务配比参数常表示为μ ，由于移动边缘云环境只允许数据单向传输行为的出现，且传输方向只能由主机端指向边缘计算主机端，所以该项物理量的取值始终大于自然数“1”。实时转存向量常表示为,如果该项物理系数的取值较大，则表示移动边缘云计算环境中，出现数据堆积的可能性较高，故而为避免云环境下数据传输卡顿情况的出现，在计算过程中，应尽可能取得其极小值结果。联立上述物理量，推导优化卸载参数计算式为：

 

 

式中，ϖ 、ϑ表示两个不同的数据样本编码参数，ω 表示方向判别系数，v 表示云计算任务转存特征。移动边缘云计算网络是一个较为复杂的应用环境，因此

在实施任务卸载处理时，应该综合考虑所有影响因素。

 

3 实验分析

 

为验证基于模拟退火机制的移动边缘云计算任务卸载方法的有效性，采用相关设备元件搭建云计算网络环境，以所提方法、文献[1]方法、文献[2]方法作为三组不同的实验方法。

 

3.1 实验原理与步骤

 

搭建云计算网络环境如图 1所示。

 

 

记录在三组不同实验方法作用下，缓存任务量在单位时间内的数值变化情况。实验所涉及具体设备元件型号如表 1所示。

 

实时缓存任务量是指云计算主机在单位时间内所记录的任务总量，随着运行任务量的增大，云网络剩余存储空间会变小，就会导致云环境下数据传输卡顿情况的出现，从而使云数据传输流畅度受到影响。任务卸载算法主要通过去除非必要任务的方式，对执行器向外传输的数据总量进行控制，能够避免云计算主机中出现大量的缓存任务，从而解决云环境下数据传输卡顿的问题，提升云数据传输流畅度。

 

 

针对上述问题，按照如下流程进行实验。

 

1）利用基于模拟退火机制的移动边缘云计算任务卸载模型控制云计算主机，以 15 min 作为一个单位时长，分析五个单位时间段内，缓存任务量的数值变化情况；

 

2）分别利用基于深度强化学习的任务卸载方法、多用户细粒度任务卸载调度方法控制云计算主机，再次重复上述步骤，记录缓存任务量的数值变化情况；

 

3）对比所得实验数据，总结实验规律。

 

3.2 结果与讨论

 

三种方法的实时任务缓存量对比结果如图 2所示。

 

 

分析图 2 可知，所提方法作用下，云计算主机中实时任务缓存量在第 60 min 时取得最大值 550 个，该时间节点之前，任务缓存量数值不断增大，该时间节点之后，任务缓存量数值则不断减小。在文献[1]方法作用下，云计算主机中实时任务缓存量在第 45 min时取得最大值 600 个，高于前一组实验结果最大值，该时间节点之前，任务缓存量数值不断增大，该时间节点之后，任务缓存量数值保持不变。在文献[2]方法作用下，云计算主机中实时任务缓存量始终保持不断增大的变化态势，至实验结束其最大值达到了700个，也高于第一组实验结果最大值。

 

综上可知，基于模拟退火机制的移动边缘云计算任务卸载方法可以较好地解决因缓存任务过多而造成的云环境下数据传输卡顿的问题，在既定实验时间内，实现对云计算主机中实时任务缓存量的有效控制，可以促进云数据的流畅传输，满足实际应用需求。

 

4 结束语

 

为了有效地实现云数据的流畅传输，解决因缓存任务过多导致的云环境下数据传输卡顿的问题，提出了基于模拟退火机制的移动边缘云计算任务卸载方法，能够精准求解任务缓存指标，又联合云负载调度标准表达式，确定优化卸载参数的实际取值范围。实用性方面，这种新型卸载模型能够较好解决云环境卡顿的问题，在提升云数据传输流畅性方面具有较强的应用可行性。