CN106559491B - 一种基于改进的李雅普诺夫优化的云业务上行调度方法 - Google Patents

Abstract

本发明公开了一种基于改进的李雅普诺夫优化的云业务上行调度方法，本发明对李雅普诺夫优化方法进行改进，通过建立虚拟队列，将云业务需要在一定时间内完成一定数据量上传这一限制条件转化为队列稳定问题，进而将原能量优化问题转化为一个联合优化队列稳定性和能量的双目标优化问题。然后利用效用函数，将该双目标优化问题合并为一个单目标优化问题进行求解。同时，本发明建立了一个保证机制来确保数据可以全部上传。本发明可以在未来信道增益未知的情况下，得到最优调度策略的解析解，使用本发明中策略时上传所耗能量远低于传统算法。

Description

一种基于改进的李雅普诺夫优化的云业务上行调度方法

技术领域

本发明涉及无线云计算技术和无线资源优化领域，特别是一种基于改进的李雅普诺夫优化的云业务上行调度方法。

背景技术

互联网流量的迅猛增长和应用的不断创新推动了移动云计算技术的发展。用户通过无线网络将应用数据上传至云端进行处理，降低了对移动终端的计算能力要求，同时提升了业务处理效率。然而，由于电池容量不足，如何利用最少的能量来上传数据成为人们的研究热点。

终端上传业务数据的能量消耗本质上来说就是传输功率在时间上的累积。传输功率与传输速率和信道状态有关。因此，最优的调度策略应该能在信道状态较好时提高传输速率，在信道状态较差时降低传输速率。这里存在两个主要问题。首先，随机信道的先验概率在当前决策时刻是无法得知的；其次，由于时间耦合性的存在，当前时刻所做的决策必定会对未来时刻产生影响。现有文献为了解决这些问题，通常是利用动态规划的方法，并且假设信道增益服从某种分布，如独立同分布，或者是假设信道状态的转移服从某个模型，如马尔科夫链。但是，这些假设实际上与现实情况有很大的误差。

实际上，李雅普诺夫优化方法是一种可以解决具有时间耦合特性的随机信道的优化问题。但是需要在此方法上进行改进，以适配云业务的特性。目前现有技术中还没有这方面的相关技术。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于改进的李雅普诺夫优化的云业务上行调度方法，本发明率先提出了将李雅普诺夫优化方法应用于云业务上行数据传输的资源调度，优化云业务的上传能量。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于改进的李雅普诺夫优化的云业务上行调度方法，包括以下步骤：

步骤A、采用能量-速率公式表示传输速率与能量消耗之间的关系；

步骤B、根据传输速率与能量消耗之间的关系，结合云业务需在一定时间内上传完一定数据量的数据这一限制条件，建立云业务的能量消耗优化模型；

步骤C、建立虚拟队列，将云业务需在一定时间内上传完一定数据量的数据这一限制条件改写为队列稳定问题；

步骤D、引入李雅普诺夫函数，将队列稳定问题转化为最小化李雅普诺夫偏移问题，进而将云业务的能量消耗优化模型所表示的能量消耗优化问题转化为最小化李雅普诺夫偏移且最小化上传能量消耗的双目标优化问题；

步骤E、采用效用函数将双目标优化问题合并为单目标优化问题，根据贪婪算法将该单目标优化问题化为一个时隙内的优化问题，从而利用导数求得最优解，即得到最优调度策略的解析解；

其中，效用函数中的加权系数作为控制参数，所述控制参数是从最优控制参数选取表中选取的，最优控制参数选取表是根据电磁波的大尺度衰落值、上传数据量及上传截止时间采用离线算法建立的。

作为本发明所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法进一步优化方案，所述步骤B中云业务的能量消耗优化模型为：

s(t)≥0

其中，L为要传输的数据量，T为上传的截止时间，s(t)为时隙t传输的数据量，g(t)为时隙t的信道增益，λ为能量系数，n为多项式次数且取决于调制方式。

作为本发明所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法进一步优化方案，所述步骤C中建立虚拟队列，具体如下：

其中，Q(0)＝0，Q(t)为虚拟队列。

作为本发明所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法进一步优化方案，所述步骤D中云业务的能量消耗优化问题可转化为最小化李雅普诺夫偏移且最小化上传能量消耗的双目标优化问题，即

s.t.s(t)≥0。

作为本发明所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法进一步优化方案，所述步骤E中最优调度策略的解析解s(t)^*为：

其中，V≥0为双目标之间的控制参数。

作为本发明所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法进一步优化方案，所述步骤E中最优调度策略的解析解s(t)^*的具体计算方法如下：

利用效用函数将双目标优化问题合并为单目标优化问题，即

根据贪婪算法，最小化期望转化为最小化每个时刻的值，因为一个常数，最优化问题最终化为

s.t.s(t)≥0；

在任一时隙，对进行求导，从而得到最优调度策略的解析解s(t)^*，即

作为本发明所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法进一步优化方案，所述离线算法，具体如下：

步骤一、初始化k′＝k,L,T,n,令l＝0,Q(0)＝0,s(0)＝0,V^*＝0,t＝1；其中，k为取平均次数，V^*为最优的控制参数，l为当前已经上传的数据量；

步骤二、且其中，g(t)＝p_loss×p_s(t)，p_loss为大尺度衰落，p_s(t)为小尺度衰落；

步骤三、l＝l+s(t)且t＝t+1；

步骤四、若t＝T，找到满足l≥L的最小的V，执行步骤五；否则返回步骤二；

步骤五、V^*＝V^*+V；

步骤六、k′＝k′-1；

步骤七、当k′＝0，执行步骤八，否则返回步骤二；

步骤八、V^*＝V^*/k。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明对李雅普诺夫优化方法进行改进，通过建立虚拟队列，将云业务需要在一定时间内完成一定数据量上传这一限制条件转化为队列稳定问题，并将原能量优化问题转化为一个联合优化队列稳定性和能量的双目标优化问题，然后利用效用函数，将该双目标优化问题合并为一个单目标优化问题进行求解；同时，本发明建立了一个保证机制来确保数据可以全部上传；

(2)本发明率先提出了将李雅普诺夫优化方法应用于云业务上行数据传输的资源调度，优化云业务的上传能量；

(3)本发明对李雅普诺夫方法进行改进，使得该方法能够适应云业务的特点，扩展了该方法的应用领域。

附图说明

图1为本发明的方法流程图。

图2为最优控制参数随大尺度衰落和上传数据量变化图。

图3为最优控制参数随大尺度衰落和上传截止时间变化图。

图4为上传耗能随上传数据量变化图。

图5为上传耗能随上传截止时间变化图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1为本发明的方法流程图，本发明提供了一种基于改进的李雅普诺夫优化的云业务上行调度方法，该方法包括如下步骤：

步骤A：采用能量-速率公式表示传输速率与能量消耗之间的关系，然后进入步骤B；

步骤B：根据传输速率与能量消耗之间的关系，结合云业务需在一定时间内上传完一定数据量的数据这一限制条件，建立云业务的能量消耗优化模型；

上述步骤A至步骤B，具体包括建立如下模型：

其中，L为要传输的数据量，T为上传的截止时间，s(t)为时隙t传输的数据量，g(t)为时隙t的信道增益，λ为能量系数，n为多项式次数，取决于调制方式。

步骤C：建立虚拟队列，将云业务需在一定时间内上传完一定数据量的数据这一限制条件改写为队列稳定问题，建立的虚拟队列如下：

其中，Q(0)＝0，Q(t)为虚拟队列。

步骤D：引入李雅普诺夫函数，计算此虚拟队列的李雅普诺夫偏移，证明最小化李雅普诺夫偏移时可以保证该队列稳定，从而将队列稳定问题转化为最小化李雅普诺夫偏移问题，进而将云业务的能量消耗优化问题转化为最小化李雅普诺夫偏移且最小化上传能量消耗的双目标优化问题，具体包括如下：

引入李雅普诺夫函数L(Q(t))，定义为

则任一时隙间隔，李雅普诺夫函数差值为

由于上式可进一步写为

引入李雅普诺夫偏移Δ(Q(t))，定义为

则根据公式(5)及公式(6)

由于s(t)有界，因此必然存在一个常数B＞0为的上界，于是上式可化为

提出定理1：当最小化Δ(Q(t))的上界时，可以保证Q(t)稳定，即

证明：

假设s(t)′是能够最小化Δ(Q(t))的上界的最优解，可以得到

设ε＞0，所以

Δ(Q(t))≤B-Q(t)×ε 式(10)

对Δ(Q(t))求期望，有

根据Δ(Q(t))的定义，可以得到

对公式(12)在t∈{0,1,…T-1}内求和，有

重新整理公式(13)，两边同时除以εT，由于L(Q(T))≥0，可以得到

假设对公式(14)取极限，有

定理1得证。

由定理1可知，云业务的能量消耗优化问题可转化为最小化李雅普诺夫偏移且最小化上传能量消耗的双目标优化问题，即

步骤E：利用效用函数将双目标优化问题合并为单目标优化问题，其中，效用函数中加权系数可看做控制参数，该参数用来控制两个目标间的重要性，越大表示对能量最小化的要求越高。根据贪婪算法将该该单目标优化问题化为一个时隙内的优化问题，从而利用导数可以求得最优解，即得到最优调度策略的解析解，具体包括如下：

利用效用函数将双目标优化问题合并为单目标优化问题，即

其中，V≥0为两个目标之间的控制参数，值越大表示对能量最小化的要求越高。

根据贪婪算法，最小化期望可以转化为最小化每个时刻的值，又因为为一个常数，最优化问题最终可以化为

在任一时隙，对进行求导，从而得到最优调度策略的解析解s(t)^*，即

步骤F：若过度重视能量最小化的目标，可能导致数据不能在一定时间内上传完，因此建立保证机制，即调整控制参数的值，以保证所有数据上传完毕。提出一个离线算法，该算法根据大尺度衰落值以及上传参数建立一张最优控制参数选取表。实际上传时，用户将根据所处环境选取最优控制参数，以获得使得能量最小且满足限制条件的最优速率，具体包括如下：

步骤一、初始化k′＝k,L,T,n,令l＝0,Q(0)＝0,s(0)＝0,V^*＝0,t＝1；其中，k为取平均次数，V^*为最优的控制参数，l为算法中当前已经上传的数据量；；

步骤二、且其中，g(t)＝p_loss×p_s(t)，p_loss为大尺度衰落，p_s(t)为小尺度衰落；

步骤三、l＝l+s(t)且t＝t+1；

步骤四、若t＝T，找到满足l≥L的最小的V，执行步骤五；否则返回步骤二；

步骤五、V^*＝V^*+V；

步骤六、k′＝k′-1；

步骤七、当k′＝0，执行步骤八，否则返回步骤二；

步骤八、V^*＝V^*/k。

运行此离线算法可建立一张最优控制参数选取表，用户将根据所处环境选取最优控制参数，以获得使得能量最小且满足限制条件的最优速率。

图2为最优控制参数随大尺度衰落和上传数据量变化图，图3为最优控制参数随大尺度衰落和上传截止时间变化图，图4为上传耗能随上传数据量变化图，图5为上传耗能随上传截止时间变化图。图2、图3为本发明的离线算法求得的最优控制参数在不同环境下的取值，由图可知，最优控制参数随大尺度衰落的增大而减小，随数据量的增大而减小，随截止时间的增大而增大。图4、图5为本发明最终得到的能量消耗值，由图可知，本发明的耗能选低于传统算法，且耗能随数据量的增大而增大，随截止时间的增大而减小。

以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

Claims (7)

1.一种基于改进的李雅普诺夫优化的云业务上行调度方法，其特征在于，包括以下步骤：

步骤A、采用能量-速率公式表示传输速率与能量消耗之间的关系；

步骤B、根据传输速率与能量消耗之间的关系，结合云业务需在一定时间内上传完一定数据量的数据这一限制条件，建立云业务的能量消耗优化模型；

步骤C、建立虚拟队列，将云业务需在一定时间内上传完一定数据量的数据这一限制条件改写为队列稳定问题；

步骤D、引入李雅普诺夫函数，将队列稳定问题转化为最小化李雅普诺夫偏移问题，进而将云业务的能量消耗优化模型所表示的能量消耗优化问题转化为最小化李雅普诺夫偏移且最小化上传能量消耗的双目标优化问题；

步骤E、采用效用函数将双目标优化问题合并为单目标优化问题，根据贪婪算法将该单目标优化问题化为一个时隙内的优化问题，从而利用导数求得最优解，即得到最优调度策略的解析解；

其中，效用函数中的加权系数作为控制参数，所述控制参数是从最优控制参数选取表中选取的，最优控制参数选取表是根据电磁波的大尺度衰落值、上传数据量及上传截止时间采用离线算法建立的。

2.根据权利要求1所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法，其特征在于，所述步骤B中云业务的能量消耗优化模型为：

s(t)≥0

其中，L为要传输的数据量，T为上传的截止时间，s(t)为时隙t传输的数据量，g(t)为时隙t的信道增益，λ为能量系数，n为多项式次数且取决于调制方式。

3.根据权利要求2所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法，其特征在于，所述步骤C中建立虚拟队列，具体如下：

其中，Q(0)＝0，Q(t)为虚拟队列。

4.根据权利要求3所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法，其特征在于，所述步骤D中云业务的能量消耗优化问题可转化为最小化李雅普诺夫偏移且最小化上传能量消耗的双目标优化问题，即

s.t.s(t)≥0。

5.根据权利要求4所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法，其特征在于，所述步骤E中最优调度策略的解析解s(t)^*为：

其中，V≥0为双目标之间的控制参数。

6.根据权利要求5所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法，其特征在于，所述步骤E中最优调度策略的解析解s(t)^*的具体计算方法如下：

利用效用函数将双目标优化问题合并为单目标优化问题，即

根据贪婪算法，最小化期望转化为最小化每个时刻的值，因为一个常数，最优化问题最终化为

s.t.s(t)≥0；

在任一时隙，对进行求导，从而得到最优调度策略的解析解s(t)^*，即

7.根据权利要求5所述的一种基于改进的李雅普诺夫优化的云业务上行调度方法，其特征在于，所述离线算法，具体如下：

步骤一、初始化k′＝k,L,T,n,令l＝0,Q(0)＝0,s(0)＝0,V^*＝0,t＝1；其中，k为取平均次数，V^*为最优的控制参数，l为当前已经上传的数据量；

步骤二、且其中，g(t)＝p_loss×p_s(t)，p_loss为大尺度衰落，p_s(t)为小尺度衰落；

步骤三、l＝l+s(t)且t＝t+1；

步骤四、若t＝T，找到满足l≥L的最小的V，执行步骤五；否则返回步骤二；

步骤五、V^*＝V^*+V；

步骤六、k′＝k′-1；

步骤七、当k′＝0，执行步骤八，否则返回步骤二；

步骤八、V^*＝V^*/k。