CN108880893A - 一种移动边缘计算服务器联合能量收集及任务卸载方法 - Google Patents

Abstract

本发明涉及一种移动边缘计算服务器联合能量收集及任务卸载方法，属于无线通信技术领域。该方法包括以下步骤：S1：建模MEC服务器电量状态；S2：建模用户联合开销；S3：建模用户任务执行时延；S4：建模用户任务执行所需能耗；S5：建模用户任务执行限制条件；S6：基于最短路径算法确定用户最优任务卸载策略。本发明通过优化确定用户任务最优卸载策略，实现任务联合开销最小化。

Description

一种移动边缘计算服务器联合能量收集及任务卸载方法

技术领域

本发明属于无线通信技术领域，涉及移动边缘计算服务器联合能量收集及任务卸载方法。

背景技术

随着移动互联网的快速发展和智能终端的普及，用户希望在智能终端上运行桌面级应用程序，例如交互式游戏，虚拟现实和自然语言处理等。然而，处理这些新兴的移动应用通常需要较高的计算及能量开销，对智能终端有限的计算能力和电池电量提出严峻挑战。针对这一问题，已有研究提出基于移动边缘计算(Mobile Egde Computing，MEC)卸载技术，通过在网络中部署具有较强计算能力的MEC服务器，将用户终端计算任务从移动设备卸载至MEC服务器进行处理，可有效提高智能终端的服务性能，显著降低终端能耗。

目前已有研究中，有文献针对单用户卸载的场景设计卸载策略，基于马尔科夫决策过程理论，在满足任务执行时延最小的情况下确定最优卸载策略。又例如，有文献研究将相对复杂的任务分解为子任务执行部分卸载处理，在满足任务执行时延约束的情况下，基于能耗最小化确定最优卸载策略。

现有任务卸载相关研究较少考虑MEC服务器能量收集及服务器分配问题，难以实现能耗优化及绿色通信。此外，现有卸载策略研究较多考虑任务执行时延优化，较少研究任务执行时延与能耗的折中，这可能导致网络能耗增加，对于能效敏感用户设备而言，传输性能及用户体验难以保障。

发明内容

有鉴于此，本发明的目的在于提供一种移动边缘计算服务器联合能量收集及任务卸载方法，确定最优卸载策略，实现时延和能耗的联合执行开销最小化。

为达到上述目的，本发明提供如下技术方案：

一种移动边缘计算服务器联合能量收集及任务卸载方法，包括以下步骤：

S1：建模MEC服务器电量状态；

S2：建模用户联合开销；

S3：建模用户任务执行时延；

S4：建模用户任务执行所需能耗；

S5：建模用户任务执行限制条件；

S6：基于最短路径算法确定用户最优任务卸载策略。

进一步，所述步骤S1具体包括：假设用户任务分为K个子任务，各子任务之间按照顺序依次执行处理；MEC服务器由N个子服务器组成，各子服务器均能执行任务卸载；另假设MEC服务器由所采集的绿色能源(如太阳能)供电，根据公式建模采用n_k-1个MEC子服务器处理子任务k-1后，MEC服务器的电量状态，其中，表示MEC服务器处理子任务k-1时的电量状态，n_k表示处理子任务k时MEC服务器开启的子服务器数目，表示在处理子任务k-1期间，n_k-1个MEC子服务器收集的电量，建模为其中，ρ表示单位时间收集的能量，表示采用n_k-1个MEC子服务器处理子任务k-1时所需执行时延，表示由n_k-1个MEC子服务器处理子任务k-1所需的能耗，表示max{min{x,B},0}，B为MEC服务器最大电量值。

进一步，其特征在于：根据公式建模采用n_k-1个MEC子服务器处理子任务k-1后，MEC服务器处理子任务k时最多可以开启的子服务器数目，其中，表示向下取整。

进一步，所述步骤S2具体包括：根据公式建模用户联合开销为用户执行子任务的开销总和，其中，若子任务k在本地执行处理，则n_k＝0；表示采用n_k个MEC子服务器处理子任务k所需开销，建模为其中，表示采用n_k个MEC子服务器处理子任务k所需的总能耗，λ₁、λ₂分别表示为时延和能耗的权重。

进一步，所述步骤S3具体包括：根据公式建模用户任务执行时延，其中，a_k＝{0,1}为子任务卸载标识，若a_k＝0，表示子任务k在本地执行；若a_k＝1，表示子任务k卸载至MEC服务器进行处理；

表示用户上传子任务k至MEC服务器所需传输时延，建模为其中，S_k表示子任务k的大小，R表示用户上传子任务的传输速率，建模为M表示传输带宽，p表示用户发射功率，h表示信道增益，σ²表示信道噪声功率；

表示采用n_k个MEC子服务器处理子任务k的处理时延，建模为其中，f^c表示各MEC子服务器的计算能力大小，n_k≠0；

表示用户本地处理子任务k的处理时延，建模为其中，f^m表示用户本地计算能力大小。

进一步，所述步骤S4具体包括：根据公式建模用户任务执行所需能耗，其中，表示用户上传子任务k至MEC服务器所需能耗，建模为

表示采用n_k个MEC子服务器处理子任务k的能耗，建模为其中，μ^c表示MEC服务器中子服务器CPU计算单位时间能耗；

表示用户本地处理子任务k的能耗，建模为其中，μ^m表示本地计算CPU单位时间能耗权重。

进一步，所述步骤S5具体包括：子任务k处理时延限制条件建模为其中，表示子任务k可允许最大处理时延。

进一步，所述步骤S6具体包括：基于狄杰斯特拉算法，确定最优卸载策略具体为：

将用户任务处理过程建模为带权有向图G＝＜V,E,W＞，其中，V为图中节点集合，建模为MEC服务器处理子任务时开启的子服务器数目集合，V＝{V₀,V_1,0,...,V_1,N,...,V_K,N,V_K+1}，其中，V₀和V_K+1分别表示图中引入的源节点和目的节点，表示开启n_k个子服务器处理子任务k，1≤k≤K，E为连接节点的边集合，其中，表示连接节点和的边，表示连接源节点V₀和节点的边，表示连接节点和目的节点V_K+1的边，根据的值限制各节点之间的连接状态；W表示各边的权重集合，其中，根据公式建模的权重值，的权重值为0；

基于狄杰斯特拉算法，优化确定V₀与V_K+1之间联合开销最小的路由，即

本发明的有益效果在于：本发明可以通过优化确定用户任务最优卸载策略，实现任务联合开销最小化。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为MEC服务器卸载的网络示意图；

图2为本发明所述方法的流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明提出一种移动边缘计算服务器联合能量收集及任务卸载方法，假设用户需执行一定计算任务，任务可分为子任务分别处理，MEC服务器及用户本身均有一定的任务计算及处理能力，用户可采用本地执行，也可通过MEC服务器实现任务卸载。此外，MEC服务器具有能量收集的能力，MEC服务器电量状态决定了MEC服务器计算资源的分配。建模用户联合开销为优化目标，基于狄杰斯特拉算法，确定最优卸载策略实现时延和能耗的联合执行开销最小化。

如图1所示，MEC服务器由具有能量收集能力的子服务器组成，用户任务可采用本地执行，也可通过MEC服务器实习任务卸载，用户选择合适的方式卸载任务，通过优化用户任务卸载策略最小化任务联合执行开销。

如图2所示，本发明所述方法具体包括以下步骤：

1)建模MEC服务器电量状态

建模MEC服务器电量状态，具体为根据公式建模采用n_k-1个MEC子服务器处理子任务k-1后，MEC服务器的电量状态，其中，为MEC服务器处理子任务k-1时的电量状态，n_k表示处理子任务k时MEC服务器开启的子服务器数目，表示在处理子任务k-1期间，n_k-1个MEC子服务器收集的电量，建模为其中，ρ表示单位时间收集的能量，表示采用n_k-1个MEC子服务器处理子任务k-1时所需执行时延，表示由n_k-1个MEC子服务器处理子任务k-1所需的能耗，表示max{min{x,B},0}，B为MEC服务器最大电量值。

根据公式建模采用n_k-1个MEC子服务器处理子任务k-1后，MEC服务器处理子任务k时最多可以开启的子服务器数目，其中，表示向下取整。

2)建模用户联合开销

建模用户联合开销，具体为根据公式建模用户联合开销为用户执行子任务的开销总和，其中，表示采用n_k个MEC子服务器处理子任务k所需开销，若子任务k在本地执行处理，则n_k＝0。建模为其中，表示采用n_k个MEC子服务器处理子任务k所需的总能耗，λ₁、λ₂分别表示时延和能耗的权重。

3)建模用户任务执行时延

建模用户联合开销，具体为根据公式建模其中，a_k＝{0,1}为子任务卸载标识，若a_k＝0，表示子任务k在本地执行；若a_k＝1，表示子任务k卸载至MEC服务器进行处理；表示用户上传子任务k至MEC服务器所需传输时延，建模为其中，S_k表示子任务k的大小，R表示用户上传子任务的传输速率，建模为M表示传输带宽，p表示用户发射功率，h表示信道增益，σ²表示信道噪声功率；表示采用n_k个MEC子服务器处理子任务k的处理时延，建模为其中，f^c表示各MEC子服务器的计算能力大小，n_k≠0；表示用户本地处理子任务k的处理时延，建模为其中，f^m表示用户本地计算能力大小。

4)建模用户任务执行所需能耗

建模用户任务执行所需能耗，具体为根据公式建模其中，表示用户上传子任务k至MEC服务器所需能耗，建模为表示采用n_k个MEC子服务器处理子任务k的能耗，建模为其中，μ^c表示MEC服务器中子服务器CPU计算单位时间能耗；表示用户本地处理子任务k的能耗，建模为其中，μ^m表示本地计算CPU单位时间能耗权重。

5)建模用户任务执行限制条件

建模用户任务执行限制条件，具体为子任务k处理时延限制条件建模为其中，表示子任务k可允许最大处理时延。

6)基于最短路径算法确定用户最优任务卸载策略

基于狄杰斯特拉算法，确定最优卸载策略具体为：

将用户任务处理过程建模为带权有向图G＝＜V,E,W＞，其中，V为图中节点集合，建模为MEC服务器处理子任务时开启的子服务器数目集合，V＝{V₀,V_1,0,...,V_1,N,...,V_K,N,V_K+1}，其中，V₀和V_K+1表示图中引入的源节点和目的节点，表示开启n_k个子服务器处理子任务k，1≤k≤K，E为连接节点的边集合，其中，表示连接节点和的边，表示连接源节点V0和节点的边，表示连接节点和目的节点V_K+1的边，根据的值限制各节点之间的连接状态；W表示各边的权重集合，其中，根据公式建模的权重值，的权重值为0。基于狄杰斯特拉算法，优化确定V₀与V_K+1之间联合开销最小的路由，即

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (8)

1.一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于，该方法包括以下步骤：

S1：建模移动边缘计算(Mobile Edge Computing，MEC)服务器电量状态；

S2：建模用户联合开销；

S3：建模用户任务执行时延；

S4：建模用户任务执行所需能耗；

S5：建模用户任务执行限制条件；

S6：基于最短路径算法确定用户最优任务卸载策略。

2.根据权利要求1所述的一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于，所述步骤S1具体包括：假设用户任务分为K个子任务，各子任务之间按照顺序依次执行处理；MEC服务器由N个子服务器组成，各子服务器均能执行任务卸载；另假设MEC服务器由所采集的绿色能源供电，根据公式建模采用n_k-1个MEC子服务器处理子任务k-1后，MEC服务器的电量状态，其中，表示MEC服务器处理子任务k-1时的电量状态，n_k表示处理子任务k时MEC服务器开启的子服务器数目，表示在处理子任务k-1期间，n_k-1个MEC子服务器收集的电量，建模为其中，ρ表示单位时间收集的能量，表示采用n_k-1个MEC子服务器处理子任务k-1时所需执行时延，表示由n_k-1个MEC子服务器处理子任务k-1所需的能耗，表示max{min{x,B},0}，B为MEC服务器最大电量值。

3.根据权利要求2所述的一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于：根据公式建模采用n_k-1个MEC子服务器处理子任务k-1后，MEC服务器处理子任务k时最多可以开启的子服务器数目，其中，表示向下取整。

4.根据权利要求3所述的一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于，所述步骤S2具体包括：根据公式建模用户联合开销为用户执行子任务的开销总和，其中，若子任务k在本地执行处理，则n_k＝0；表示采用n_k个MEC子服务器处理子任务k所需开销，建模为其中，表示采用n_k个MEC子服务器处理子任务k所需的总能耗，λ₁、λ₂分别表示为时延和能耗的权重。

5.根据权利要求4所述的一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于，所述步骤S3具体包括：根据公式建模用户任务执行时延，其中，a_k＝{0,1}为子任务卸载标识，若a_k＝0，表示子任务k在本地执行；若a_k＝1，表示子任务k卸载至MEC服务器进行处理；

表示用户上传子任务k至MEC服务器所需传输时延，建模为其中，S_k表示子任务k的大小，R表示用户上传子任务的传输速率，建模为M表示传输带宽，p表示用户发射功率，h表示信道增益，σ²表示信道噪声功率；

表示采用n_k个MEC子服务器处理子任务k的处理时延，建模为其中，f^c表示各MEC子服务器的计算能力大小，n_k≠0；

表示用户本地处理子任务k的处理时延，建模为其中，f^m表示用户本地计算能力大小。

6.根据权利要求5所述的一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于，所述步骤S4具体包括：根据公式建模用户任务执行所需能耗，其中，表示用户上传子任务k至MEC服务器所需能耗，建模为

表示采用n_k个MEC子服务器处理子任务k的能耗，建模为其中，μ^c表示MEC服务器中子服务器CPU计算单位时间能耗；

表示用户本地处理子任务k的能耗，建模为其中，μ^m表示本地计算CPU单位时间能耗权重。

7.根据权利要求6所述的一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于，所述步骤S5具体包括：子任务k处理时延限制条件建模为其中，表示子任务k可允许最大处理时延。

8.根据权利要求7所述的一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于，所述步骤S6具体包括：基于狄杰斯特拉算法，确定最优卸载策略具体为：

将用户任务处理过程建模为带权有向图G＝＜V,E,W＞，其中，V为图中节点集合，建模为MEC服务器处理子任务时开启的子服务器数目集合，V＝{V₀,V_1,0,...,V_1,N,...,V_K,N,V_K+1}，其中，V₀和V_K+1分别表示图中引入的源节点和目的节点，表示开启n_k个子服务器处理子任务E为连接节点的边集合，其中，表示连接节点和的边，表示连接源节点V₀和节点的边，表示连接节点和目的节点V_K+1的边，根据的值限制各节点之间的连接状态；W表示各边的权重集合，其中，根据公式建模的权重值，的权重值为0；

基于狄杰斯特拉算法，优化确定V₀与V_K+1之间联合开销最小的路由，即