CN109151864A - 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 - Google Patents
一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 Download PDFInfo
- Publication number
- CN109151864A CN109151864A CN201811087277.7A CN201811087277A CN109151864A CN 109151864 A CN109151864 A CN 109151864A CN 201811087277 A CN201811087277 A CN 201811087277A CN 109151864 A CN109151864 A CN 109151864A
- Authority
- CN
- China
- Prior art keywords
- channel
- terminal
- configuration
- decision
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法,属于无线通信领域。针对移动边缘计算超密集网络中存在计算终端和通信终端同时发起任务请求应用场景,公开一种能保障通信请求终端最小通信速率需求下计算请求终端的任务迁移决策和资源优化配置方法,该方法以各计算请求终端的任务迁移处理时延和能耗加权和作为任务迁移成本,以所有计算请求终端的任务迁移成本和最小为目标建立优化模型,将优化模型分解为计算资源优化配置模型以及联合信道配置与功率配置优化模型,采用KKT条件获得计算资源优化配置决策;采用交替迭代获得信道与功率次优配置决策。
Description
技术领域
本发明涉及一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法,属于无线通信领域。
背景技术
移动边缘计算(mobile edge computing,MEC)技术通过在网络入口部署边缘云服务器(edge cloud server,ECS),提供高可靠、低时延计算与通信服务,旨在解决业务时延敏感或计算密集但终端处理能力受限、云计算资源丰富但接入能力受限以及移动宽带业务显著增长但承载网络管道化等矛盾。移动边缘计算技术推动了智能网联与车联网、智慧城市、能源互联网等以应用为中心、提供实时高可靠服务的兴起。但在MEC中,由于计算与通信耦合,用户体验依赖于计算与通信资源联合分配,且迁移决策也会影响系统性能。
第五代移动通信(5G)网络将MEC与超密集组网结合,实现近距离、低时延接入边缘云,但移动边缘计算超密集网络涉及多个基站,迁移决策还需考虑基站选择,会进一步增大资源配置的复杂性。此外,超密集网络还存在同频干扰,不同蜂窝小区用户终端的通信速率相互耦合,资源配置非常复杂,其迁移决策与资源分配更具挑战性。
发明内容
有鉴于此,本发明的目的是提供一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法。针对移动边缘计算超密集网络中存在计算终端和通信终端同时发起任务请求应用场景,计算请求终端有时延敏感型或计算密集型任务需要迁移到边缘云服务器处理,通信请求终端需要网络配置能满足自身最小通信速率需求的传输信道和发射功率,本发明提供一种能保障通信请求终端最小通信速率需求下计算请求终端的任务迁移决策和资源优化配置方法,该方法首先以各计算请求终端的任务迁移处理时延和能耗加权和作为任务迁移成本,然后以所有计算请求终端的任务迁移成本和最小为目标建立优化模型,并基于分解思想将优化模型松弛为计算资源优化配置模型以及联合信道配置与功率配置优化模型,最后采用KKT条件获得计算资源优化配置决策;采用交替迭代获得信道与功率次优配置决策。
本发明的目的是通过以下技术方案实现的:
一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法,所述移动边缘计算超密集网络在M个相邻的蜂窝小区附近部署一台边缘云服务器(ECS),所述边缘云服务器能提供的业务计算能力为Fs,并内置一个决策单元,所述决策单元收集终端相关信息、可用通信资源信息和可用计算资源信息,根据终端请求执行任务迁移决策与资源优化配置,在蜂窝小区m∈M的中心部署一台基站bm,m∈M,所述基站通过有线链路连接到所述边缘云服务器,与边缘云服务器连接的所有基站M拥有相同频谱B0,基站bm,m∈M将频谱B0等分为带宽为B的K个信道,N个终端通过无线链路与所在蜂窝小区基站连接,所述终端采用正交频分多址(OFDMA)接入所在蜂窝小区基站,将所述终端划分为计算请求终端集N1和通信请求终端集N2,所述计算请求终端集N1中的终端n∈N1的计算能力和电池容量有限,其计算密集型任务或时延敏感型任务必须经由所在蜂窝小区基站bm,m∈M和有线链路迁移到所述边缘云服务器中处理;所述通信请求终端集N2中的终端n∈N2的通信任务有最小通信速率要求,由所在蜂窝小区基站bm,m∈M分配信道和功率,但不涉及任务迁移。
进一步,该方法包括以下步骤:
步骤1、任务迁移决策与资源配置优化模型建立:
以计算请求终端集N1中所有终端的任务迁移成本和最小为目标,建立任务迁移决策与资源配置优化模型:
其中,J(G,P,F)=Σn∈N1anJn为目标函数,an=(0,1],n∈N1为计算请求终端n的权重,为计算请求终端n的任务迁移成本,γt,γe∈[0,1]分别为计算请求终端n对任务迁移处理时延和能耗的偏好度,计算请求终端n的任务迁移处理时延Tn和能耗En分别为:
Ln,i为计算请求终端n的任务迁移比特数,Xn为任务复杂度(CPU指令周期数/比特),Rn为终端n∈N的通信速率,信道配置决策xn(m,k)=1表示为用户n分配小区m的信道k,功率配置决策P={p1,p2,L pN},pn,n∈N为给用户n分配的功率,计算资源配置决策F={f1,f2,L,fN1},fn,n∈N1为给计算请求终端n分配的计算能力,Rmin为通信请求终端所需的最小通信速率,约束条件C1和C2表示为每个终端分配一条信道;C3表示任意信道只允许一个用户接入;C4表示功率约束;C5表示通信请求终端最小通信速率约束;C6表示为计算请求终端分配的计算能力,C7表示分配给计算请求终端的计算能力和不大于边缘云服务器能提供的业务计算能力;
步骤2、任务迁移决策与资源配置优化模型分解:
将优化模型OR分解为计算资源配置优化模型CP以及联合信道配置与功率配置优化模型JP:
s.t.C6-C7
s.t.C1-C5
步骤3、计算请求终端计算资源配置:
基于KKT条件求解计算资源配置优化模型CP,得到计算请求终端集N1中所有终端的计算资源最优配置,即输出计算资源配置决策F={f1,f2,L,fN1},其中,
步骤4、联合信道配置与功率配置:
将优化模型JP再分解为信道配置与功率配置,首先固定功率配置执行信道配置,然后以信道配置为基础执行功率配置,最后再以功率配置为基础调整信道配置,交替迭代,直到获得所有终端N的信道和功率次优配置;
步骤4.1、信道配置:固定功率配置执行信道配置,作为交替迭代的初始点;
步骤4.2、功率配置:以信道配置为基础执行功率配置,首先设置接入相同信道的计算请求终端和通信请求终端的功率分别相等,然后搜索计算请求终端的功率范围,确定该信道配置下最小化目标函数的功率配置;
步骤4.3、信道重配置:以功率配置为基础调整信道配置,终端循环接入其他信道,选择最小化目标函数对应的信道;
步骤4.4:输出所有终端N的功率配置决策P={p1,p2,L pN}和信道重配置决策
进一步,所述固定功率配置pn=pmax,n∈N,pmax为终端最大发射功率,决策单元利用收集到的终端相关信息、可用通信资源信息和可用计算资源信息计算各终端的有效载干比(EIR),终端n在小区m的信道k上的有效载干比 为小区r的同信道终端n与基站m之间的信道增益,所述信道配置由以下步骤组成:
步骤4.1.1、通信请求终端信道配置:
步骤4.1.1.1、初始化标记flag=1,寄存器EC、CoUsr和UoCh的内容为0,其中,EC保存每条信道k∈K当前接入终端的EIR值,CoUsr保存用户n∈N2当前接入的信道序号,UoCh保存每条信道k∈K接入的终端序号;
步骤4.1.1.2、对于计算在小区m∈M的信道k∈K上的有效载干比并存入EC,EC(m,k),m∈M,k∈K,搜索EC中最大者max{EC(m,k)}=EC(m*,k*),将信道(m*,k*)分配给通信请求终端n,即xn(m*,k*)=1,更新CoUsr(:,n)=(m*;k*)和UoCh(m*,k*)=n;对未分配信道(m≠m*,k≠k*),更新CoUsr(1,UoCh(m,k))=0;
步骤4.1.1.3、当min(CoUsr)>0时,更新标记flag=0;
步骤4.1.1.4、若flag=1,跳转至步骤4.1.1.2;否则,进入步骤4.1.1.5;
步骤4.1.1.5、计算通信速率Rn=Blog2(1+γm,n,k),γn,m,k表示基站m接收用户n通过信道k传输的信干噪比(SINR),
其中,hn,m,k为终端n与基站m之间在信道k上的信道增益,决策单元通过信道估计获得,为小区r中同信道终端n与小区m中终端n间的信道增益;为加性高斯白噪声功率;
步骤4.1.1.6、若Rn≥Rmin,n∈N2,通信请求终端信道配置成功,跳转至步骤4.1.1.8,否则,
步骤4.1.1.7、通信请求终端信道配置失败,无法完成通信请求终端请求,通信请求终端信道配置算法结束;
步骤4.1.1.8、输出通信请求终端信道配置决策:
通信请求终端信道配置算法结束;
步骤4.1.2、计算请求终端信道配置:
步骤4.1.2.1、初始化标记flag=1,寄存器EC、CoUsr和UoCh的内容为0,其中,EC保存每条信道k∈K当前接入终端的EIR值,CoUsr保存用户n∈N1当前接入的信道序号,UoCh保存每条信道k∈K接入的终端序号;
步骤4.1.2.2、对于计算在小区m∈M的信道k∈K上的有效载干比并存入EC,EC(m,k),m∈M,k∈K,搜索EC中最大者max{EC(m,k)}=EC(m0,k0),将信道(m0,k0)分配给通信请求终端n,即xn(m0,k0)=1,更新CoUsr(:,n)=(m0;k0)和UoCh(m0,k0)=n;对未分配信道(m≠m0,k≠k0),更新CoUsr(1,UoCh(m,k))=0;
步骤4.1.2.3、当min(CoUsr)>0时,更新标记flag=0;
步骤4.1.2.4、若flag=1,跳转至步骤4.1.2.2;否则,进入步骤4.1.2.5;
步骤4.1.2.5、输出计算请求终端信道配置决策:
计算请求终端信道配置算法结束;
步骤4.1.3、输出所有终端的信道配置决策Gb=Gc∪Go。
进一步,所述功率配置的原则为接入相同信道的计算请求终端和通信请求终端的功率分别相等,即同信道同类型终端等功率配置(equal power configuration for co-channel andthe same type terminals,EPC),所述功率配置包括以下步骤:
步骤4.2.1、设置功率调整步进λ,初始化Jnow=0,Jsub=∞,输入信道配置决策Gb;
步骤4.2.2、根据Gb统计接入该信道的终端 分别为接入该信道的计算请求终端子集和通信请求终端子集,计算请求终端和通信请求终端功率配置分别为和其中,
步骤4.2.3、若跳转至步骤4.2.4;若计算当前计算请求终端的任务迁移成本和:
如果更新信道k的任务迁移成本和接入信道k的计算请求终端和通信请求终端的功率配置为和更新
步骤4.2.4、计算所有信道的任务迁移成本和
步骤4.2.5、输出所有终端的功率配置决策和所有信道的任务迁移成本和J。
进一步,所述信道重配置的原则为每次调整一个终端的分配信道,循环接入其他信道,若接入信道为其他终端占用信道,该终端与占用该信道的终端交换信道;若接入信道为空闲信道,直接切换信道,所述信道重配置包括以下步骤:
步骤4.3.1、初始化Jnow=0,输入所有终端的信道配置决策Gb、功率配置决策P和所有信道的任务迁移成本和J;
步骤4.3.2、若信道(m,k)空闲,执行切换信道操作switch(n,(m,k)),否则,执行交换信道操作exchange(n,(m,k)),信道重配置后的临时信道配置决策为Gt;
步骤4.3.3、计算通信速率Rn=Blog2(1+γm,n,k),若Rn<Rmin,通信请求终端信道重配置失败,跳转至步骤4.3.5;否则,计算当前计算请求终端的任务迁移成本和Jnow;
步骤4.3.4、若Jnow<J,更新信道配置决策G=Gt和所有信道的任务迁移成本和J=Jnow,否则,G=Gb;
步骤4.3.5、输出所有终端的信道重配置决策G。
本发明的有益效果是:
(1)在移动边缘计算与超密集组网融合应用中,交互类通信业务和视频类计算业务并发更贴切实际,且不同业务请求有不同的QoS需求,本发明提供的多终端任务迁移决策与资源优化配置方法针对性强;
(2)采用分解思想和交替迭代方法解耦多参数互耦问题,能在减轻性能损失的前提下降低处理复杂度,实用性强;
(3)以计算请求终端的任务迁移处理时延和能耗加权和作为评价任务迁移成本的指标,迁移决策与资源配置既要满足通信请求终端的最小通信速率要求,又要使整体迁移成本最低,适应面宽。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1是本发明中移动边缘计算超密集网络模型示意图;
图2是本发明中任务迁移决策与资源优化配置流程图;
图3是本发明中信道配置流程图;
图4是本发明中功率配置流程图;
图5是本发明中信道重配置流程图;
图6是本发明中切换信道操作和交换信道操作流程图;
图7是本发明中EPC算法与同信道同类型终端不等功率配置(UPC)算法下任务总迁移成本随计算请求终端数变化对比曲线;
图8是本发明中EPC算法和UPC算法下任务总迁移成本随任务复杂度变化对比曲线;
图9是本发明中任务迁移处理时延和能耗随时延权重变化曲线。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
对于附图1所示的移动边缘计算超密集网络,在M=7个相邻的蜂窝小区附近部署一台边缘云服务器,边缘云服务器能提供的业务计算能力为Fs=20×109个计算单位,并内置一个决策单元,决策单元收集终端相关信息、通信资源(信道和功率)信息以及计算资源(计算能力)信息,根据终端请求执行任务迁移决策与资源优化配置,在蜂窝小区m∈M的中心部署一台基站bm,m∈M,各基站通过有线链路连接到边缘云服务器,每个基站拥有相同频谱B0=5MHz,基站将频谱B0等分为带宽为B=500kHz的K=10个信道,每小区有N=8个终端通过无线链路与所在蜂窝小区基站连接,终端采用正交频分多址(OFDMA)接入所在蜂窝小区基站,将终端划分为计算请求终端集N1=2和通信请求终端集N2=6,计算请求终端集N1中的终端计算能力和电池容量有限,其计算密集型任务或时延敏感型任务必须经由所在蜂窝小区基站bm,m∈M和有线链路迁移到所述边缘云服务器中处理;通信请求终端集N2中的终端通信任务有最小通信速率要求,由所在蜂窝小区基站bm,m∈M分配信道和功率,但不涉及任务迁移。任务迁移决策和资源优化配置流程如附图2所示,包括以下步骤:
步骤1、任务迁移决策与资源配置优化模型建立:
以计算请求终端集N1中所有终端的任务迁移成本和最小为目标,建立任务迁移决策与资源配置优化模型:
其中,为目标函数,an=(0,1],n∈N1为计算请求终端n的权重,为计算请求终端n的任务迁移成本,γt,γe∈[0,1]分别为计算请求终端n对任务迁移处理时延和能耗的偏好度,本实施例中,an=1,n∈N,γt=0.2,γe=0.8。计算请求终端n的任务迁移处理时延Tn和能耗En分别为:
Ln,i为计算请求终端n的任务迁移比特数,Xn为任务复杂度(CPU指令周期数/比特),Rn为终端n∈N的通信速率,信道配置决策xn(m,k)=1表示为用户n分配小区m的信道k,功率配置决策P={p1,p2,L p|N|},pn,n∈N为给用户n分配的功率,计算资源配置决策F={f1,f2,L,|fN1|},fn,n∈N1为给计算请求终端n配置的计算能力,Rmin为通信请求终端所需的最小通信速率,约束条件C1和C2表示为每个终端分配一条信道;C3表示任意信道只允许一个用户接入;C4表示功率约束;C5表示通信请求终端最小通信速率约束;C6表示为计算请求终端分配的计算能力,C7表示分配给计算请求终端的计算能力和不大于边缘云服务器能提供的业务计算能力。本实施例中,任务迁移比特数均值Ln,i=2Mbits,任务复杂度均值Xn=100Mcycles/bit,最小通信速率要求Rmin=100kbps。
步骤2、任务迁移决策与资源配置优化模型分解:将优化模型OR分解为计算资源配置优化模型CP以及联合信道配置与功率配置优化模型JP:
s.t.C6-C7
s.t.C1-C5
步骤3、计算请求终端计算资源配置:
基于KKT条件求解计算资源优化问题CP,得到计算请求终端集N1中所有终端的计算资源最优配置,即输出计算资源配置决策F={f1,f2,L,|fN1|},其中,
步骤4、联合信道配置与功率配置:
将优化模型JP再分解为信道配置与功率配置,首先固定功率配置执行信道配置,然后以信道配置为基础执行功率配置,最后再以功率配置为基础调整信道配置,交替迭代,直到获得所有终端N的信道和功率次优配置;
步骤4.1、信道配置:固定功率配置pn=pmax,n∈N,pmax为终端最大发射功率,决策单元利用收集到的终端相关信息、可用通信资源信息和可用计算资源信息计算各终端的有效载干比(EIR),终端n在小区m的信道k上的有效载干比 为小区r的同信道终端n与基站m之间的信道增益,信道配置作为交替迭代的初始迭代点。本实施例中,pmax=200mW,其实现流程如附图3所示;
步骤4.1.1、通信请求终端信道配置:
步骤4.1.1.1、初始化标记flag=1,寄存器EC、CoUsr和UoCh的内容为0,其中,EC保存每条信道k∈K当前接入终端的EIR值,CoUsr保存用户n∈N2当前接入的信道序号,UoCh保存每条信道k∈K接入的终端序号;
步骤4.1.1.2、对于计算在小区m∈M的信道k∈K上的有效载干比并存入EC,EC(m,k),m∈M,k∈K,搜索EC中最大者max{EC(m,k)}=EC(m*,k*),将信道(m*,k*)分配给通信请求终端n,即xn(m*,k*)=1,更新CoUsr(:,n)=(m*;k*)和UoCh(m*,k*)=n;对未分配信道(m≠m*,k≠k*),更新CoUsr(1,UoCh(m,k))=0;
步骤4.1.1.3、当min(CoUsr)>0时,更新标记flag=0;
步骤4.1.1.4、若flag=1,跳转至步骤4.1.1.2;否则,进入步骤4.1.1.5;
步骤4.1.1.5、计算通信速率Rn=Blog2(1+γm,n,k),γn,m,k表示基站m接收用户n通过信道k传输的信干噪比(SINR),
其中,hn,m,k为终端n与基站m之间在信道k上的信道增益,决策单元通过信道估计获得,为小区r中同信道终端n与小区m中终端n间的信道增益;为加性高斯白噪声功率。本实施例中,信道增益采用基于距离的路径损耗模型,L[dB]=140.7+36.7log10d[km],小区覆盖半径为50m,终端均匀分布在小区覆盖区域内;
步骤4.1.1.6、若Rn≥Rmin,n∈N2,通信请求终端信道配置成功,跳转至步骤4.1.1.8,否则,
步骤4.1.1.7、通信请求终端信道配置失败,无法完成通信请求终端请求,通信请求终端信道配置算法结束;
步骤4.1.1.8、输出通信请求终端信道配置决策:
通信请求终端信道配置算法结束;
步骤4.1.2、计算请求终端信道配置:
步骤4.1.2.1、初始化标记flag=1,寄存器EC、CoUsr和UoCh的内容为0,其中,EC保存每条信道k∈K当前接入终端的EIR值,CoUsr保存用户n∈N1当前接入的信道序号,UoCh保存每条信道k∈K接入的终端序号;
步骤4.1.2.2、对于计算在小区m∈M的信道k∈K上的有效载干比并存入EC,EC(m,k),m∈M,k∈K,搜索EC中最大者max{EC(m,k)}=EC(m0,k0),将信道(m0,k0)分配给通信请求终端n,即xn(m0,k0)=1,更新CoUsr(:,n)=(m0;k0)和UoCh(m0,k0)=n;对未分配信道(m≠m0,k≠k0),更新CoUsr(1,UoCh(m,k))=0;
步骤4.1.2.3、当min(CoUsr)>0时,更新标记flag=0;
步骤4.1.2.4、若flag=1,跳转至步骤4.1.2.2;否则,进入步骤4.1.2.5;
步骤4.1.2.5、输出计算请求终端信道配置决策:
计算请求终端信道配置算法结束;
步骤4.1.3、输出所有终端的信道配置决策Gb=Gc∪Go。
步骤4.2、功率配置:以信道配置为基础执行功率配置,首先设置接入相同信道的计算请求终端和通信请求终端的功率分别相等,即同信道同类型终端等功率配置(EPC),然后搜索计算请求终端的功率范围,确定该信道配置下最小化目标函数的功率配置,其实现流程如附图4所示;
步骤4.2.1、设置功率调整步进λ,初始化Jnow=0,Jsub=∞,输入信道配置决策Gb;
步骤4.2.2、根据Gb统计接入该信道的终端 分别为接入该信道的计算请求终端子集和通信请求终端子集,计算请求终端和通信请求终端功率配置分别为和其中,
步骤4.2.3、若跳转至步骤4.2.4,若计算当前计算请求终端的任务迁移成本和:
如果更新信道k的任务迁移成本和接入信道k的计算请求终端和通信请求终端的功率配置为和更新
步骤4.2.4、计算所有信道的任务迁移成本和
步骤4.2.5、输出所有终端的功率配置决策和所有信道的任务迁移成本和J。
步骤4.3、信道重配置:以功率配置为基础调整信道配置,每次调整一个终端的分配信道,循环接入其他信道,若接入信道为其他终端占用信道,该终端与占用该信道的终端交换信道;若接入信道为空闲信道,直接切换信道,选择最小化目标函数对应的信道。信道重配置实现流程如附图5所示,切换信道操作和交换信道操作流程如附图6所示;
步骤4.3.1、初始化Jnow=0,输入所有终端的信道配置决策Gb、功率配置决策P和所有信道的任务迁移成本和J;
步骤4.3.2、若信道(m,k)空闲,执行切换信道操作switch(n,(m,k)),否则,执行交换信道操作exchange(n,(m,k)),信道重配置后的临时信道配置决策为Gt;
步骤4.3.3、计算通信速率Rn=Blog2(1+γm,n,k),若Rn<Rmin,通信请求终端信道重配置失败,跳转至步骤4.3.5;否则,计算当前计算请求终端的任务迁移成本和Jnow;
步骤4.3.4、若Jnow<J,更新信道配置决策G=Gt和所有信道的任务迁移成本和J=Jnow,否则,G=Gb;
步骤4.3.5、输出所有终端的信道重配置决策G。
步骤4.4:输出所有终端N的功率配置决策P={p1,p2,L p|N|}和信道重配置决策
附图7为EPC算法与UPC算法下任务总迁移成本随计算请求终端数变化对比曲线。由图可知,随着计算请求终端数的增多,任务总迁移成本增大,这是由于任务迁移成本定义为计算请求终端的迁移任务处理时延-能耗加权和所致。
附图8为EPC算法和UPC算法下任务总迁移成本随任务复杂度变化对比曲线。由图可知,随着任务计算复杂度增加,任务总迁移成本增大,这是由于ECS的计算资源有限,分配给单用户的计算资源也有限,随着任务复杂度增加,任务迁移处理时延增大,致使任务总迁移成本增大。
附图9为任务迁移处理时延和能耗随时延权重变化曲线。随着时延权重的增加,平均时延减小,平均能耗增大。这是由于任务总迁移成本为迁移任务处理时延-能耗加权和,若时延权重增加,意味着时延对任务总迁移成本的贡献增大,最小化任务总迁移成本下平均时延呈下降趋势。能耗权重减小意味着能耗对任务总迁移成本的贡献变小,平均能耗呈增大趋势。当然,平均时延的减小是以牺牲能耗为代价的。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法,其特征在于:所述移动边缘计算超密集网络在M个相邻的蜂窝小区附近部署一台边缘云服务器(ECS),所述边缘云服务器能提供的业务计算能力为Fs,并内置一个决策单元,所述决策单元收集终端相关信息、可用通信资源信息和可用计算资源信息,根据终端请求执行任务迁移决策与资源优化配置,在蜂窝小区m∈M的中心部署一台基站bm,m∈M,所述基站通过有线链路连接到所述边缘云服务器,与边缘云服务器连接的所有基站M拥有相同频谱B0,基站bm,m∈M将频谱B0等分为带宽为B的K个信道,N个终端通过无线链路与所在蜂窝小区基站连接,所述终端采用正交频分多址(OFDMA)接入所在蜂窝小区基站,将所述终端划分为计算请求终端集N1和通信请求终端集N2,所述计算请求终端集N1中的终端n∈N1的计算能力和电池容量有限,其计算密集型任务或时延敏感型任务必须经由所在蜂窝小区基站bm,m∈M和有线链路迁移到所述边缘云服务器中处理;所述通信请求终端集N2中的终端n∈N2的通信任务有最小通信速率要求,由所在蜂窝小区基站bm,m∈M分配信道和功率,但不涉及任务迁移。
2.根据权利要求1所述的一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法,其特征在于:该方法包括以下步骤:
步骤1、任务迁移决策与资源配置优化模型建立:
以计算请求终端集N1中所有终端的任务迁移成本和最小为目标,建立任务迁移决策与资源配置优化模型:
C4:0<pn≤pmax,n∈N
其中,为目标函数,an=(0,1],n∈N1为计算请求终端n的权重,为计算请求终端n的任务迁移成本,γt,γe∈[0,1]分别为计算请求终端n对任务迁移处理时延和能耗的偏好度,计算请求终端n的任务迁移处理时延Tn和能耗En分别为:
Ln,i为计算请求终端n的任务迁移比特数,Xn为任务复杂度(CPU指令周期数/比特),Rn为终端n∈N的通信速率,信道配置决策xn(m,k)=1表示为用户n分配小区m的信道k,功率配置决策P={p1,p2,L pN},pn,n∈N为给用户n分配的功率,计算资源配置决策fn,n∈N1为给计算请求终端n分配的计算能力,Rmin为通信请求终端所需的最小通信速率,约束条件C1和C2表示为每个终端分配一条信道;C3表示任意信道只允许一个用户接入;C4表示功率约束;C5表示通信请求终端最小通信速率约束;C6表示为计算请求终端分配的计算能力,C7表示分配给计算请求终端的计算能力和不大于边缘云服务器能提供的业务计算能力;
步骤2、任务迁移决策与资源配置优化模型分解:
将优化模型OR分解为计算资源配置优化模型CP以及联合信道配置与功率配置优化模型JP:
步骤3、计算请求终端计算资源配置:
基于KKT条件求解计算资源配置优化模型CP,得到计算请求终端集N1中所有终端的计算资源最优配置,即输出计算资源配置决策其中,
步骤4、联合信道配置与功率配置:
将优化模型JP再分解为信道配置与功率配置,首先固定功率配置执行信道配置,然后以信道配置为基础执行功率配置,最后再以功率配置为基础调整信道配置,交替迭代,直到获得所有终端N的信道和功率次优配置;
步骤4.1、信道配置:固定功率配置执行信道配置,作为交替迭代的初始点;
步骤4.2、功率配置:以信道配置为基础执行功率配置,首先设置接入相同信道的计算请求终端和通信请求终端的功率分别相等,然后搜索计算请求终端的功率范围,确定该信道配置下最小化目标函数的功率配置;
步骤4.3、信道重配置:以功率配置为基础调整信道配置,终端循环接入其他信道,选择最小化目标函数对应的信道;
步骤4.4:输出所有终端N的功率配置决策P={p1,p2,L pN}和信道重配置决策
3.根据权利要求2所述的一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法,其特征在于:所述固定功率配置pn=pmax,n∈N,pmax为终端最大发射功率,决策单元利用收集到的终端相关信息、可用通信资源信息和可用计算资源信息计算各终端的有效载干比(EIR),终端n在小区m的信道k上的有效载干比 为小区r的同信道终端n与基站m之间的信道增益,所述信道配置由以下步骤组成:
步骤4.1.1、通信请求终端信道配置:
步骤4.1.1.1、初始化标记flag=1,寄存器EC、CoUsr和UoCh的内容为0,其中,EC保存每条信道k∈K当前接入终端的EIR值,CoUsr保存用户n∈N2当前接入的信道序号,UoCh保存每条信道k∈K接入的终端序号;
步骤4.1.1.2、对于计算在小区m∈M的信道k∈K上的有效载干比并存入EC,EC(m,k),m∈M,k∈K,搜索EC中最大者max{EC(m,k)}=EC(m*,k*),将信道(m*,k*)分配给通信请求终端n,即xn(m*,k*)=1,更新CoUsr(:,n)=(m*;k*)和UoCh(m*,k*)=n;对未分配信道(m≠m*,k≠k*),更新CoUsr(1,UoCh(m,k))=0;
步骤4.1.1.3、当min(CoUsr)>0时,更新标记flag=0;
步骤4.1.1.4、若flag=1,跳转至步骤4.1.1.2;否则,进入步骤4.1.1.5;
步骤4.1.1.5、计算通信速率Rn=Blog2(1+γm,n,k),γn,m,k表示基站m接收用户n通过信道k传输的信干噪比(SINR),
其中,hn,m,k为终端n与基站m之间在信道k上的信道增益,决策单元通过信道估计获得,为小区r中同信道终端n与小区m中终端n间的信道增益;为加性高斯白噪声功率;
步骤4.1.1.6、若Rn≥Rmin,n∈N2,通信请求终端信道配置成功,跳转至步骤4.1.1.8,否则,
步骤4.1.1.7、通信请求终端信道配置失败,无法完成通信请求终端请求,通信请求终端信道配置算法结束;
步骤4.1.1.8、输出通信请求终端信道配置决策:
通信请求终端信道配置算法结束;
步骤4.1.2、计算请求终端信道配置:
步骤4.1.2.1、初始化标记flag=1,寄存器EC、CoUsr和UoCh的内容为0,其中,EC保存每条信道k∈K当前接入终端的EIR值,CoUsr保存用户n∈N1当前接入的信道序号,UoCh保存每条信道k∈K接入的终端序号;
步骤4.1.2.2、对于计算在小区m∈M的信道k∈K上的有效载干比并存入EC,EC(m,k),m∈M,k∈K,搜索EC中最大者max{EC(m,k)}=EC(m0,k0),将信道(m0,k0)分配给通信请求终端n,即xn(m0,k0)=1,更新CoUsr(:,n)=(m0;k0)和UoCh(m0,k0)=n;对未分配信道(m≠m0,k≠k0),更新CoUsr(1,UoCh(m,k))=0;
步骤4.1.2.3、当min(CoUsr)>0时,更新标记flag=0;
步骤4.1.2.4、若flag=1,跳转至步骤4.1.2.2;否则,进入步骤4.1.2.5;
步骤4.1.2.5、输出计算请求终端信道配置决策:
计算请求终端信道配置算法结束;
步骤4.1.3、输出所有终端的信道配置决策Gb=Gc∪Go。
4.根据权利要求2所述的一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法,其特征在于:所述功率配置的原则为接入相同信道的计算请求终端和通信请求终端的功率分别相等,即同信道同类型终端等功率配置(equal power configuration forco-channel and the same type terminals,EPC),所述功率配置包括以下步骤:
步骤4.2.1、设置功率调整步进λ,初始化Jnow=0,Jsub=∞,输入信道配置决策Gb;
步骤4.2.2、根据Gb统计接入该信道的终端 分别为接入该信道的计算请求终端子集和通信请求终端子集,计算请求终端和通信请求终端功率配置分别为和其中,
步骤4.2.3、若跳转至步骤4.2.4;若计算当前计算请求终端的任务迁移成本和:
如果更新信道k的任务迁移成本和接入信道k的计算请求终端和通信请求终端的功率配置为和更新
步骤4.2.4、计算所有信道的任务迁移成本和
步骤4.2.5、输出所有终端的功率配置决策和所有信道的任务迁移成本和J。
5.根据权利要求2所述的一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法,其特征在于:所述信道重配置的原则为每次调整一个终端的分配信道,循环接入其他信道,若接入信道为其他终端占用信道,该终端与占用该信道的终端交换信道;若接入信道为空闲信道,直接切换信道,所述信道重配置包括以下步骤:
步骤4.3.1、初始化Jnow=0,输入所有终端的信道配置决策Gb、功率配置决策P和所有信道的任务迁移成本和J;
步骤4.3.2、若信道(m,k)空闲,执行切换信道操作switch(n,(m,k)),否则,执行交换信道操作exchange(n,(m,k)),信道重配置后的临时信道配置决策为Gt;
步骤4.3.3、计算通信速率Rn=Blog2(1+γm,n,k),若Rn<Rmin,通信请求终端信道重配置失败,跳转至步骤4.3.5;否则,计算当前计算请求终端的任务迁移成本和Jnow;
步骤4.3.4、若Jnow<J,更新信道配置决策G=Gt和所有信道的任务迁移成本和J=Jnow,否则,G=Gb;
步骤4.3.5、输出所有终端的信道重配置决策G。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811087277.7A CN109151864B (zh) | 2018-09-18 | 2018-09-18 | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811087277.7A CN109151864B (zh) | 2018-09-18 | 2018-09-18 | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109151864A true CN109151864A (zh) | 2019-01-04 |
CN109151864B CN109151864B (zh) | 2022-01-18 |
Family
ID=64814470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811087277.7A Active CN109151864B (zh) | 2018-09-18 | 2018-09-18 | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109151864B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109756912A (zh) * | 2019-03-25 | 2019-05-14 | 重庆邮电大学 | 一种多用户多基站联合任务卸载及资源分配方法 |
CN109905888A (zh) * | 2019-03-21 | 2019-06-18 | 东南大学 | 移动边缘计算中联合优化迁移决策和资源分配方法 |
CN110266757A (zh) * | 2019-05-14 | 2019-09-20 | 上海大学 | 一种面向任务协同场景的边缘计算资源优化方法 |
CN110377427A (zh) * | 2019-07-19 | 2019-10-25 | 河北冀联人力资源服务集团有限公司 | 任务监控方法、装置及系统 |
CN110677858A (zh) * | 2019-10-25 | 2020-01-10 | 国家电网有限公司 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
CN110740461A (zh) * | 2019-10-25 | 2020-01-31 | 国家电网有限公司 | 基于物联网无线能量传输的资源分配与功率控制方法 |
CN111010684A (zh) * | 2019-12-17 | 2020-04-14 | 重庆邮电大学 | 一种基于mec缓存服务的车联网资源分配方法 |
CN112148492A (zh) * | 2020-09-28 | 2020-12-29 | 南京大学 | 一种考虑多用户移动性的服务部署和资源分配方法 |
CN112367605A (zh) * | 2019-07-25 | 2021-02-12 | 中兴通讯股份有限公司 | 基于边缘计算的应用重定位方法及装置 |
CN113098917A (zh) * | 2019-12-23 | 2021-07-09 | 华为技术有限公司 | 迁移功能节点的方法和相关设备 |
CN114466385A (zh) * | 2022-01-12 | 2022-05-10 | 中南大学 | 基于用户移动感知的无缝服务迁移方法及计算机系统 |
US20230012248A1 (en) * | 2019-12-16 | 2023-01-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Configuring network nodes in communication network |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107241767A (zh) * | 2017-06-14 | 2017-10-10 | 广东工业大学 | 一种移动协同计算的方法及装置 |
CN107919986A (zh) * | 2017-11-09 | 2018-04-17 | 北京邮电大学 | 超密集网络中mec节点间vm迁移优化方法 |
-
2018
- 2018-09-18 CN CN201811087277.7A patent/CN109151864B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107241767A (zh) * | 2017-06-14 | 2017-10-10 | 广东工业大学 | 一种移动协同计算的方法及装置 |
CN107919986A (zh) * | 2017-11-09 | 2018-04-17 | 北京邮电大学 | 超密集网络中mec节点间vm迁移优化方法 |
Non-Patent Citations (3)
Title |
---|
MIN CHEN等: "Task Offloading for Mobile Edge Computing in Software Defined Ultra-Dense Network", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 * |
STEFANIA SARDELLITTI等: "Joint Optimization of Radio and Computational Resources for Multicell Mobile-Edge Computing", 《IEEE TRANSACTIONS ON SIGNAL AND INFORMATION PROCESSING OVER NETWORKS》 * |
肖骞: "《中国优秀硕士学位论文全文数据库 信息科技辑》", 15 April 2019 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109905888A (zh) * | 2019-03-21 | 2019-06-18 | 东南大学 | 移动边缘计算中联合优化迁移决策和资源分配方法 |
CN109905888B (zh) * | 2019-03-21 | 2021-09-07 | 东南大学 | 移动边缘计算中联合优化迁移决策和资源分配方法 |
CN109756912B (zh) * | 2019-03-25 | 2022-03-08 | 重庆邮电大学 | 一种多用户多基站联合任务卸载及资源分配方法 |
CN109756912A (zh) * | 2019-03-25 | 2019-05-14 | 重庆邮电大学 | 一种多用户多基站联合任务卸载及资源分配方法 |
CN110266757A (zh) * | 2019-05-14 | 2019-09-20 | 上海大学 | 一种面向任务协同场景的边缘计算资源优化方法 |
CN110266757B (zh) * | 2019-05-14 | 2022-01-11 | 上海大学 | 一种面向任务协同场景的边缘计算资源优化方法 |
CN110377427A (zh) * | 2019-07-19 | 2019-10-25 | 河北冀联人力资源服务集团有限公司 | 任务监控方法、装置及系统 |
CN112367605A (zh) * | 2019-07-25 | 2021-02-12 | 中兴通讯股份有限公司 | 基于边缘计算的应用重定位方法及装置 |
CN110740461A (zh) * | 2019-10-25 | 2020-01-31 | 国家电网有限公司 | 基于物联网无线能量传输的资源分配与功率控制方法 |
CN110677858A (zh) * | 2019-10-25 | 2020-01-10 | 国家电网有限公司 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
CN110740461B (zh) * | 2019-10-25 | 2022-05-03 | 国家电网有限公司 | 基于物联网无线能量传输的资源分配与功率控制方法 |
CN110677858B (zh) * | 2019-10-25 | 2022-05-17 | 国家电网有限公司 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
US20230012248A1 (en) * | 2019-12-16 | 2023-01-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Configuring network nodes in communication network |
US11770301B2 (en) * | 2019-12-16 | 2023-09-26 | Telefonaktiebolaget Lm Ericsson (Publ) | Configuring network nodes in communication network |
CN111010684A (zh) * | 2019-12-17 | 2020-04-14 | 重庆邮电大学 | 一种基于mec缓存服务的车联网资源分配方法 |
CN113098917A (zh) * | 2019-12-23 | 2021-07-09 | 华为技术有限公司 | 迁移功能节点的方法和相关设备 |
CN113098917B (zh) * | 2019-12-23 | 2024-06-04 | 华为云计算技术有限公司 | 迁移功能节点的方法和相关设备 |
CN112148492A (zh) * | 2020-09-28 | 2020-12-29 | 南京大学 | 一种考虑多用户移动性的服务部署和资源分配方法 |
CN112148492B (zh) * | 2020-09-28 | 2023-07-28 | 南京大学 | 一种考虑多用户移动性的服务部署和资源分配方法 |
CN114466385A (zh) * | 2022-01-12 | 2022-05-10 | 中南大学 | 基于用户移动感知的无缝服务迁移方法及计算机系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109151864B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109151864A (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
CN107995660B (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
CN111132191B (zh) | 移动边缘计算服务器联合任务卸载、缓存及资源分配方法 | |
CN112600921B (zh) | 一种面向异构移动边缘网络的动态任务卸载方法 | |
CN107682135A (zh) | 一种基于noma的网络切片自适应虚拟资源分配方法 | |
Dai et al. | Joint offloading and resource allocation in vehicular edge computing and networks | |
CN109714382B (zh) | 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 | |
CN106341826B (zh) | 基于虚拟化技术的面向无线电力专网的资源优化分配方法 | |
CN112105062A (zh) | 时敏条件下移动边缘计算网络能耗最小化策略方法 | |
Azimi et al. | Applications of machine learning in resource management for RAN-slicing in 5G and beyond networks: A survey | |
CN109756912A (zh) | 一种多用户多基站联合任务卸载及资源分配方法 | |
CN104770004B (zh) | 一种通信系统和方法 | |
Li et al. | Reliability and robust resource allocation for Cache-enabled HetNets: QoS-aware mobile edge computing | |
CN112601240A (zh) | 物联网资源边缘智能调度方法 | |
Kopras et al. | Task allocation for energy optimization in fog computing networks with latency constraints | |
CN102752757B (zh) | 在频谱聚合过程中按照最小浪费准则优化频谱分配的方法 | |
Li et al. | Deep reinforcement learning-based resource allocation and seamless handover in multi-access edge computing based on SDN | |
Jalilvand Aghdam Bonab et al. | QoS-aware resource allocation in mobile edge computing networks: Using intelligent offloading and caching strategy | |
CN111954230B (zh) | 基于mec与密集云接入网融合的计算迁移与资源分配方法 | |
Paymard et al. | Task scheduling based on priority and resource allocation in multi-user multi-task mobile edge computing system | |
Li et al. | Joint access point selection and resource allocation in MEC-assisted network: A reinforcement learning based approach | |
Shu et al. | Green communication mobile convergence mechanism for computing self-offloading in 5G networks | |
Zhai et al. | A computing resource adjustment mechanism for communication protocol processing in centralized radio access networks | |
WO2017185994A1 (zh) | 分簇的方法、装置及系统 | |
Zhang et al. | Machine learning driven latency optimization for application-aware edge computing-based iots |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |