CN107682443A - 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法 - Google Patents

Abstract

本发明公开一种联合考虑延迟和能量消耗的移动边缘计算系统的计算任务的高效卸载方法，首先建立建立拥有多个用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站的单蜂窝小区模型；然后，建立基于无线通信理论的数学模型。最后，通过并行贪婪算法设计一个联合考虑延迟和能量消耗的MEC系统计算任务的高效卸载方案并分析提出方案的性能。相比于现存的高效能耗卸载方案，本发明方法很好地权衡了终端用户的延迟敏感需求和节能需求，同时降低了系统的延迟及能量的总消耗。

Description

联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高 效卸载方法

技术领域

本发明属于移动通信和移动边缘计算研究的相关领域，涉及一种联合考虑延迟和能量消耗的移动边缘计算系统的计算任务的高效卸载方法，降低移动边缘计算系统延迟和能量消耗。

背景技术

近年来，移动智能终端大量普及，新兴的移动应用程序如交互游戏(interactivegaming,IG)、虚拟现实(virtual reality,VR)、增强现实(augmented reality,AR)等也日益普及，然而，这些移动应用程序具有低延迟需求和较高能耗的特性，这与移动终端的有限计算能力和有限电池容量及寿命产生了冲突矛盾。对此，针对移动终端的移动云计算(mobile cloud computing,MCC)概念的提出在一定程度上解决了这个矛盾。在MCC框架下，移动终端可以通过移动运营商和因特网的核心网络(core network,CN)访问远程集中式云端(centralized clouds,CC)的计算及存储资源。但是，由于移动终端需要将数据发送至远离终端的服务器上，MCC在移动网络的无线电和回程(backhaul)上施加了巨大的额外负载并引入了较高的延迟。

移动边缘计算(MEC)框架是将云计算能力引入移动设备附近的无线电网络内，这项技术的提出有效地解决了MCC在无线网络的无线电和回程施加巨大额外负载的负面影响，并且降低了延迟。然而，MEC框架的提出带来了新的问题，即，移动终端应用程序的计算任务是本地执行还是卸载到MEC服务器上执行。

为了最小化计算任务的执行延迟，一维搜索算法(one-dimensional searchalgorithm)根据移动终端的缓存队列状态、移动终端和MEC服务器处理器的可用性来找到最优卸载策略。这种算法移动终端需要来自MEC服务器的反馈以便进行写在决策，然而该算法并未考虑所产生的信令开销。基于动态计算卸载的低复杂度李雅普诺夫优化(low-complexity Lyapunov optimization-based dynamic computation offloading,LODCO)算法利用动态电压调节(dynamic voltage scaling,DVS)和能量获取技术(energyharvesting techniques,EHT)来优化延迟消耗，然而该算法并未考虑到移动终端的能量消耗。高效能耗卸载机制(energy-efficient computation offloading mechanism,EECO)针对移动终端进行分类，从而得到优化能耗的任务卸载方案，然而该机制并未考虑到任务的卸载及执行延迟。

因此，基于以上分析可见，在MEC系统框架下，迫切需要一种联合考虑延迟消耗和能量消耗的计算任务卸载方案。

综上所述，本发明的主要目的是通过联合考虑移动终端应用程序的计算任务的本地执行延迟、计算任务卸载延迟、MEC服务器处理计算任务延迟、本地执行能耗、计算任务卸载能耗，在MEC系统框架下，获得低延迟、低能耗的最优卸载方案。

发明内容

为了在MEC系统框架下实现延迟低、耗能低的计算任务卸载方案，本发明提供了一种基于无线通信理论和贪婪算法的联合考虑能耗与延迟的高效计算任务卸载方法，在MEC框架下，根据不同移动终端的需求和性能指标选择适合该终端的计算任务卸载方式，从而使得MEC系统的总消耗大大降低。

本发明的主要目的是联合考虑MEC框架下移动终端计算任务的延迟需求以及移动终端本身的能耗需求，根据贪婪算法获得不同移动终端的计算任务卸载方案，使得MEC系统的能量消耗和延迟消耗能接近最优。为了实现上述目的，本发明采用的技术方案是：首先，建立拥有多个用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站的单蜂窝小区模型；然后，建立基于无线通信理论的数学模型；最后，通过并行贪婪算法设计一个联合考虑延迟和能量消耗的MEC系统计算任务的高效卸载方案并分析提出方案的性能。

本发明所采用的技术方案包括以下步骤：

步骤1，建立拥有多个用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站的单蜂窝小区模型。

5G异构网络下MEC系统是由多种用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站组成。该系统下，多种用户表示为：

式(1)中，表示N个不同种类的移动终端用户。每个用户拥有一个计算密集型或者延迟敏感型的计算任务。每个计算任务可以表示为：

式(2)中，T_i表示移动终端用户i所拥有的计算任务；I_i表示这个任务T_i的数据大小(由比特来衡量)；c_i表示完成这个计算任务T_i所需的CPU周期数；表示完成这个计算任务T_i的最大延迟需求。对于每个移动终端用户i它的计算任务既可以选择卸载到MEC服务器亦可选择在本地执行完成。

步骤2，建立证据理论的数学模型。

步骤2.1，权衡机制和决策机制的确定。

此系统中，一部分移动终端用户运行着延迟敏感型的应用程序而另一部分移动终端用户由于自身电量不足需要节省能量，由于不同移动终端用户的需求不同，系统中需要引入权衡机制和前者表示为移动终端用户i的时间需求系数，后者表示为移动终端用户i的能量需求系数，对于每个用户i满足以下条件：

由于系统中的移动终端用户i可以选择本地执行计算任务或是通过两种不同方式卸载计算任务到MEC服务器，系统中需要引入决策机制a_i,j＝{0,1}；其中j表示决策方式，j＝{1,2,3}，j＝1表示移动终端用户选择本地执行计算任务的方式；j＝2表示移动终端用户选择直接将计算任务卸载到部署于宏基站的MEC服务器的方式；j＝3表示移动终端用户选择将计算任务经由小基站间接卸载到MEC服务器上的方式。当移动终端用户i选择使用方式j处理计算任务，则a_i,j＝1，反之a_i,j＝0。因此，a_i,1＝1表示移动终端用户i选择本地执行完成计算任务；a_i,2＝1和a_i,2＝1分别表示移动终端用户i选择将任务直接卸载到MEC服务器和经由小基站间接卸载到MEC服务器；

步骤2.2，本地计算模型。

移动终端用户i的计算能力由表示，不同的移动终端的本地计算能力不同。表示移动终端用户i单个CPU周期的能量消耗。由此，本地完成计算任务的时间消耗和能量消耗可以分别写作：

对于本地执行完成计算任务方式，由于再无其他形式上的时间消耗和能量消耗，式(4)和式(5)就分别表示了移动终端用户i本地完成计算任务T_i的总延迟消耗和总能量消耗；

步骤2.3，卸载计算模型。

此系统是一个多用户的正交频分复用的5G异构网络，接入同一基站的移动终端用户之间信道相互正交，因此系统中只存在接入宏基站的用户与接入小基站的用户之间的干扰。宏基站与小基站之间的回程传输时延由计算任务大小的β倍来表示。

移动终端用户选择接入宏基站的上传时延可写作：

其中W表示信道带宽；P_i ^M表示终端i与宏基站之间的功率；表示终端i与宏基站之间的增益；表示其它接入小基站的终端与终端i之间存在的干扰；n₀表示背景噪声功率。

同理，移动终端用户选择接入小基站的上传时延可写作：

MEC服务器的计算能力由F_i ^S表示；表示MEC服务器单个CPU周期的能量消耗。由此，移动终端用户i直接卸载计算任务T_i到MEC服务器的传输时延可写作：

执行完成计算任务时延可写作：

移动终端用户直接卸载计算任务到MEC服务器的能量消耗包括两部分：卸载能耗和计算执行能耗；可分别写作：

由于再无其他形式延迟消耗和能量消耗，移动终端用户选择直接将计算任务卸载到宏基站的方式的总延迟消耗和总能量消耗可分别写作：

相似地，移动终端用户i选择将计算任务经由小基站间接卸载到MEC服务器的方式比直接卸载计算任务到MEC服务器这种方式要多出回程延迟；由于通信基础设施的共享回程，

回程能耗忽略不计。因此，间接卸载计算任务的延迟消耗和能量消耗可分别写作：

将决策机制a_i,j引入式(6)式(7)中可分别得到：

其中，对于式(16)，l表示除接入宏基站的移动终端用户i以外接入小基站的用户；对于式(17)，l表示除接入小基站的移动终端用户i以外的接入宏基站的用户。

步骤2.4，根据步骤2.2和步骤2.3建立的数学模型以及步骤2.1中建立的权衡机制和决策机制，联合考虑延迟和能量消耗的移动边缘计算系统的计算任务数学模型可以写作：

式(18)中，给出了本地执行方式的时间延迟、直接卸载计算任务到MEC服务器的时间延迟和经由小基站间接卸载计算任务到MEC服务器的时间延迟都要小于最大延迟需求这个限制条件；给出了最小卸载速率的限制要求。

步骤3，通过贪婪的迭代算法使得式(18)的值接近最小，从而获得联合考虑延迟和能量消耗的移动边缘计算系统的计算任务的高效卸载方案。该方案分别将每一个用户作为初始用户，根据其需求选择卸载方式，而后其他用户分别根据当前用户的卸载方案的影响及自身需求依次选择卸载方式。最终对比所有不同用户作为初始用户的系统消耗，选择值最小的方案作为最终的移动边缘计算系统的卸载方案。

附图说明

图1，本发明所提出的联合考虑延迟消耗和能量消耗的移动边缘计算系统计算任务的高效卸载方案的算法流程图。

图2，拥有多个不同种类的移动终端用户、一个配置MEC服务器的宏基站以及未配置MEC服务器的小基站的小区模型。

图3，部署在宏基站的MEC服务器在工作能力为2GHz、3GHz、4GHz、5GHz，移动终端用户CPU处理能力为100-200MHz、200-300MHz、300-400MHz，在这些情况下选择将计算任务卸载到MEC服务器(直接卸载和间接卸载都包括)的移动终端用户个数的仿真结果。图中表示移动终端用户工作能力在100-200MHz，表示移动终端用户工作能力在200-300MHz，表示移动终端用户工作能力在300-400MHz。MEC服务器CPU计算能力与移动终端用户计算能力差距越大，选择将计算任务卸载到MEC服务器的决策数量越多。

图4，展示了MEC服务器CPU在工作能力为5GHz的情况下，权衡机制时间系数对移动终端用户选择卸载方式决策影响的仿真结果。图中表示选择通过小基站间接卸载计算任务到MEC服务器的移动终端用户个数，表示选择直接卸载计算任务到MEC服务器的移动终端用户个数，表示选择本地执行计算任务的移动终端用户个数。时间需求系数越大，选择将计算任务卸载到MEC服务器的移动终端用户个数越多。

图5，对比三种不同算法MEC系统总消耗的仿真结果。图中表示联合考虑延迟和能量消耗的计算任务的高效卸载方案，表示高效能耗节省卸载方案，随机分配的卸载方案。仿真结果显示本发明的一种联合考虑延迟和能量消耗的移动边缘计算系统的计算任务的高效卸载方案的MEC系统能耗最低。

具体实施方式

下面结合附图和实施例对本发明算法做进一步说明。

本发明所阐述方法流程图如图1所示，包括以下步骤：

步骤1，建立拥有多个用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站的单蜂窝小区模型。

建立5G异构网络下MEC系统，该系统由多种用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站组成。每个用户拥有一个计算密集型或者延迟敏感型的计算任务。每个计算任务可写为

式中，T_i表示移动终端用户i所拥有的计算任务；I_i表示这个任务T_i的数据大小(由比特来衡量)；c_i表示完成这个计算任务T_i所需的CPU周期数；表示完成这个计算任务T_i的最大延迟需求。表示N个不同种类的移动终端用户，对于每个移动终端用户i它的计算任务既可以选择卸载到MEC服务器亦可选择在本地执行完成。

步骤2，构建权衡机制和决策机制：通过引入权衡机制和来分别表示移动终端用户对延迟敏感以及节能需求的偏重程度。通过引入决策机制a_i,j＝{0,1}来表示移动终端用户以何种方式对待待解决的计算任务，方式包括三种：本地执行计算、将计算任务通过小基站间接卸载到MEC服务器、将计算任务直接卸载到MEC服务器。

步骤3，构建本地计算模型和卸载计算模型

根据系统模型，本地计算模型可写为式(4)和式(5)；根据系统模型、香农定理、干扰分析，卸载计算模型和写为式(12),(13),(14),(15)；根据式(4),(5),(12),(13),(14),(15),(16),(17)以及权衡机制和决策机制，系统总的计算模型可写为式(18)。

步骤4，通过并行的贪婪算法获得使得MEC系统总消耗低的移动终端用户如何处理计算任务的决策结果。每一个移动终端用户并行作为首个决策对象，根据其需求进行卸载方式选择。其他用户依次根据当前用户决策状态进行卸载方式选择。计算每一个并行决策结果的总消耗。

步骤5，将步骤4所得出的结果进行比较，选择总消耗最小的决策方式作为最终决策方式。

步骤6，输出决策结果。

将所得的决策结果以个数表示输出，将系统总消耗以焦耳的形式输出。

本发明在PC机上仿真实现是使用Matlab语言进行编程。MATLAB是一种高级的矩阵语言，包含控制语句、函数、数据结构、输入和输出和面向对象编程特点，是包含大量计算算法的集合。其拥有600多个工程中要用到的数学运算函数，可以方便的实现用户所需的各种计算功能。

图3为不同MEC服务器CPU工作能力和不同移动终端用户CPU工作能力的终端用户选择卸载计算任务的仿真图。该仿真MEC系统包含50个用户，即50个不同的计算任务，一个部署MEC服务器的宏基站，一个未部署MEC服务器的小基站，小区蜂窝边长为1000米的。从图中可以看出，移动终端用户选择将计算任务卸载到MEC服务器的数量，随着MEC服务器CPU工作能力的增强而增多；MEC服务器CPU工作能力与移动终端用户CPU工作能力的差距越大，移动终端用户选择将计算任务卸载到MEC服务器的数量越多。

图4为权衡机制的时间需求系数对移动终端用户选择如何处理计算任务的影响仿真图。该仿真中终端用户数量为50个，MEC服务器CPU的处理能力为5GHz/s。从图中可以看出，当移动终端用户对时间敏感度的需求越大，它们选择将计算任务卸载到MEC服务器的数量越多。这说明MEC服务器强大的计算能力可以有效的满足终端用户想要快速处理计算任务的需求。

图5为三种不同卸载方式的系统总消耗的对比仿真图。三种方式分别为本发明的联合考虑延迟和能耗的高效卸载方案、高效能耗节省卸载方案、随机分配的卸载方案。该仿真中终端用户数量从10到100，MEC服务器CPU计算能力为5GHz/s，移动终端用户CPU计算能力随机分配100-900MHz/s。从图中可以看出，本发明的联合考虑延迟和能耗的高效卸载方案的MEC系统总消耗总是低于其他两种卸载方案，验证了本发明的可行性既高效性。

Claims (4)

1.一种联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法，其特征在于，包括以下步骤：

步骤1，建立拥有多个用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站的单蜂窝小区模型；

步骤2，确定权衡机制和决策机制、以及构建本地计算模型和卸载计算模型，同时根据本地计算模型和卸载计算模型、以及权衡机制和决策机制，建立联合考虑延迟和能量消耗的移动边缘计算系统的计算任务数学模型；其中，引入权衡机制和来分别表示移动终端用户对延迟敏感以及节能需求的偏重程度；引入决策机制a_i,j＝{0,1}来表示移动终端用户以何种方式对待待解决的计算任务；

步骤3，通过并行的贪婪算法获得使得MEC系统总消耗低的移动终端用户如何处理计算任务的决策结果；每一个移动终端用户并行作为首个决策对象，根据其需求进行卸载方式选择。其他用户依次根据当前用户决策状态进行卸载方式选择；计算每一个并行决策结果的总消耗；将所得出的结果进行比较，选择总消耗最小的决策方式作为最终决策方式。

2.如权利要求1所述的一种联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法，其特征在于，步骤1具体为：

5G异构网络下MEC系统是由多种用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站组成；该系统下，多种用户表示为：

其中，表示N个不同种类的移动终端用户，每个用户拥有一个计算密集型或者延迟敏感型的计算任务，每个计算任务可以表示为：

其中，T_i表示移动终端用户i所拥有的计算任务；I_i表示这个任务T_i的数据大小；c_i表示完成这个计算任务T_i所需的CPU周期数；表示完成这个计算任务T_i的最大延迟需求。

3.如权利要求2所述的一种联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法，其特征在于，步骤2具体包括：

步骤2.1，权衡机制和决策机制的确定

引入权衡机制和前者表示为移动终端用户i的时间需求系数，后者表示为移动终端用户i的能量需求系数，对于每个用户i满足以下条件：

引入决策机制a_i,j＝{0,1}；其中j表示决策方式，j＝{1,2,3}，j＝1表示移动终端用户选择本地执行计算任务的方式；j＝2表示移动终端用户选择直接将计算任务卸载到部署于宏基站的MEC服务器的方式；j＝3表示移动终端用户选择将计算任务经由小基站间接卸载到MEC服务器上的方式；当移动终端用户i选择使用方式j处理计算任务，则a_i,j＝1，反之a_i,j＝0，a_i,1＝1表示移动终端用户i选择本地执行完成计算任务；a_i,2＝1和a_i,2＝1分别表示移动终端用户i选择将任务直接卸载到MEC服务器和经由小基站间接卸载到MEC服务器；

步骤2.2，本地计算模型

移动终端用户i的计算能力由F_i ^L表示，表示移动终端用户i单个CPU周期的能量消耗，本地完成计算任务的时间消耗和能量消耗可以分别写作：

其中，式(4)和式(5)就分别表示了移动终端用户i本地完成计算任务T_i的总延迟消耗和总能量消耗；

步骤2.3，卸载计算模型

5G异构网络中宏基站与小基站之间的回程传输时延由计算任务大小的β倍来表示，

移动终端用户选择接入宏基站的上传时延可写作：

其中，W表示信道带宽；P_i ^M表示终端i与宏基站之间的功率；表示终端i与宏基站之间的增益；表示其它接入小基站的终端与终端i之间存在的干扰；n₀表示背景噪声功率。

同理，移动终端用户选择接入小基站的上传时延可写作：

MEC服务器的计算能力由F_i ^S表示；表示MEC服务器单个CPU周期的能量消耗。由此，移动终端用户i直接卸载计算任务T_i到MEC服务器的传输时延可写作：

执行完成计算任务时延可写作：

移动终端用户直接卸载计算任务到MEC服务器的能量消耗包括两部分：卸载能耗和计算执行能耗；可分别写作：

移动终端用户选择直接将计算任务卸载到宏基站的方式的总延迟消耗和总能量消耗可分别写作：

间接卸载计算任务的延迟消耗和能量消耗可分别写作：

将决策机制a_i,j引入式(6)式(7)中可分别得到：

其中，对于式(16)，l表示除接入宏基站的移动终端用户i以外接入小基站的用户；对于式(17)，l表示除接入小基站的移动终端用户i以外的接入宏基站的用户。

步骤2.4，根据步骤2.2和步骤2.3建立的数学模型以及步骤2.1中建立的权衡机制和决策机制，联合考虑延迟和能量消耗的移动边缘计算系统的计算任务数学模型可以写作：

其中，式(18)中，给出了本地执行方式的时间延迟、直接卸载计算任务到MEC服务器的时间延迟和经由小基站间接卸载计算任务到MEC服务器的时间延迟都要小于最大延迟需求这个限制条件。

4.如权利要求3所述的一种联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法，其特征在于，步骤3，通过贪婪的迭代算法使得式(18)的值接近最小，从而获得联合考虑延迟和能量消耗的移动边缘计算系统的计算任务的高效卸载方案；该方案分别将每一个用户作为初始用户，根据其需求选择卸载方式，而后其他用户分别根据当前用户的卸载方案的影响及自身需求依次选择卸载方式；最终对比所有不同用户作为初始用户的系统消耗，选择值最小的方案作为最终的移动边缘计算系统的卸载方案。