CN109413615A - 车联网下基于mec的能量感知卸载的能量延迟折衷方案 - Google Patents

Abstract

车联网通过在远程云和本地车载终端之间分配计算任务来改进车辆服务。为了进一步降低计算卸载的延迟和传输成本，我们提出了基于云的移动边缘计算(MEC)卸载框架，MEC将计算能力带到靠近智能移动设备的移动网络边缘，与本地计算相比有助于节省能源，但导致网络负载增加和传输延迟。为了研究能耗与延迟之间的权衡，我们提出了一种能量感知卸载方案，该方案在有限的能量和敏感延迟下共同优化通信和计算资源分配。在本文中，考虑多小区MEC网络场景。车辆电池的剩余能量被引入到能耗和延迟的加权因子的定义中。针对计算卸载和资源分配的混合整数非线性问题(MINLP)，通过双层优化方法，原始的NP难问题被解耦为寻求功率和子载波分配以及任务卸载的问题。

Description

车联网下基于MEC的能量感知卸载的能量延迟折衷方案

技术领域

本发明涉及车联网系统中无线短距离通信技术领域，特别涉及基于移动边缘计算的计算卸载和资源分配方案。

背景技术

随着无线通信技术的快速发展，联网的车辆可以利用车辆到基础设施(V2I) 和车辆到车辆(V2V)通信形式来构成车辆自组织网络(VANET)。大规模移动应用通常在车载单元(OBU)的协助下完成服务。然而，OBU的有限计算能力给VANET带来新的挑战。为了有效解决这个问题，利用无线访问将计算任务卸载到云被认为是一种有前景的方法。与传统应用相比，这种计算密集型应用需要更高的计算能力和更多的能量。通常，车辆用户具有有限的计算资源(例如，中央处理单元(CPU)频率和存储器)和电池寿命，从而带来前所未有的挑战以有效地执行这些移动应用。由于云服务器具有比车辆用户更高的计算能力和存储，因此移动云计算(MCC)被设想为通过将计算从车辆用户迁移到云服务器来应对挑战的潜在方法，这被称为计算卸载。但是，云服务器在空间上远离车辆用户，这会导致高传输延迟并且会滞留对延迟敏感的应用程序。移动云计算(MCC)虽然可以将计算任务卸载到集中控制的云计算数据中心服务器来增强车载终端的容量，但因远距离部署带来的骨干网络与回程网络的容量限制和延迟波动，导致车辆服务质量(QoS)严重下降。

移动边缘计算作为5G网络的新架构和关键技术，将云计算资源重新定位到车辆用户附近。与MCC相比，MEC可以在计算卸载中提供更低的延迟和计算灵活性。然而，考虑到经济和可扩展的部署，MEC服务器的计算能力是有限的。此外，特别是在超密集网络(UDN)中的计算卸载会导致更多干扰并导致意外的传输延迟。因此，不可能将所有计算任务卸载到MEC服务器，并且其中一些应该在车辆用户上执行(即，本地计算)。虽然本地计算消耗更多能量，但它可以显著减少执行延迟，而无需额外的通信或等待延迟。因此，制定有效的卸载决策对研究车辆用户的能耗与相应任务的执行延迟之间的权衡是至关重要的。

由于MEC服务器中的计算资源有限，网络之间存在严重干扰，所有任务都无法卸载到MEC服务器上。计算卸载决策应该合理确定。能耗和延迟对车辆用户都具有重要意义。能量消耗和延迟主要取决于将任务卸载到MEC服务器时的传输功率和通信信道。但是，它们主要依赖于本地计算任务时的CPU周期频率。根据电池的使用条件和用户特定的要求，应该定义用户偏好(即加权因子)以允许车辆用户选择不同的最佳目标。

发明内容

因此，基于上述考虑，我们的方案联合优化计算卸载和资源分配，以考虑有限的电池寿命和延迟敏感任务在能耗和延迟之间进行权衡。车联网中基于 MEC的能量感知卸载的能量延迟折衷方案包括以下步骤：

步骤101：构建车联网场景下基于MEC计算卸载和资源分配的整合框架；

步骤102：建立目标规划问题；

步骤103：通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案。

优选地，所述步骤101构建车联网场景下基于MEC计算卸载和资源分配的整合框架包括：

考虑一个车辆自组织网络，其中车辆可以通过蜂窝系统与邻近车辆、路边单元(RSU)进行通信来接收最新的道路信息，部署有L个服从泊松分布的请求车辆，表示为V_i(i∈{1,2,...,L})，考虑具有一个宏小区和M个小小区的5G异构MEC 网络，宏基站配备有能够执行多个计算密集型任务的MEC服务器，并且小基站被宏基站覆盖，小基站与宏基站通过有线链路连接。每个基站服务 U_j(j∈{1,2,...},)M个车辆。

为了重用频谱，我们假设多个基站在相同的频带中工作，其中存在小小区之间的干扰。带宽B被分成N个信道。车辆与正交频分多址(OFDMA)中的基站相关联，其中同一基站中的每个车辆的信道与其他信道正交。车辆i在基站 j的下需完成的计算任务为其中，d_i,j是输入数据的大小，c_i,j是完成计算任务所需的CPU周期数，是最大延迟容限。

附图说明：

图1是系统模型图

图2构建了车联网场景下基于MEC计算卸载和资源分配的整合框架。

具体实施方式：

任务可以由车辆利用自身资源进行本地执行，也可以以V2I形式通过RSU 卸载到MEC服务器执行，或者以V2V形式卸载到周边车辆。s_i,j表示在小区j中车辆i的卸载决策。如果车辆将任务卸载到MEC服务器上，s_i,j＝1，否则，s_i,j＝0。

每辆车的计算能力不同，当任务τ_i,j在本地计算时的计算执行时间表示为：

车辆在本地执行的能量消耗也可表示为：其中k＝10^-26是取决于芯片架构的系数，考虑到同时影响计算时间和能量消耗，通过动态电压和功率缩放技术来调度CPU周期频率。

当输入数据通过基站传输给MEC服务器时，在MEC服务器和基站之间的传输支出可忽略不计，假设有N个信道，车辆在信道n上接入基站，上行传输速率可表示为：

其中为每个信道的带宽,B是总的带宽，p_i,j,n和h_i,j,n分别是在信道n上车辆i和基站j之间的传输功率和信道增益。σ²是噪声功率，I_i,j,n是指在相同信道中，小区j中的车辆i与相邻小区中的其他车辆间的干扰，其表达式如下：

因此，在小区j中车辆i的总上行传输速率为：其中a_i,j∈{0,1}，a_i,j＝1表示信道n被分配给小区j中的车辆i去卸载任务，否则，a_i,j＝0。

由于上传时间和在MEC上的计算时间共同组成了总的边缘计算执行时间，可表示为：

这里的f^C是MEC服务器的CPU周期频率。在MEC上的总能耗为：

在任务执行过程中，时延和能耗对于车辆是至关重要的，这取决于车辆用户的经验和电池能量的限制。通常，权重因子ω_i,j(ω_i,j∈[0,1])是时延和能耗之间的权衡。为了满足用户的需求，通过调整权重因子可以节省能源和降低时延，故把电池的剩余能量率加到权重因子中，其中是电池的最大剩余能量，E^total是电池容量，新的权重因子可定义为：

车辆i在小区j中，其任务在本地计算的总开销可以表示为时延和能耗的加权和：

令相应地，任务在本地计算的开销可以简化成：

同样，任务在MEC上计算的开销可以表示为：

此时，总的开销可以表示为：

根据权利要求1所述的构建车联网场景下基于MEC计算卸载和资源分配的整合框架，其特征在于，通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案，建立目标规划问题包括：多小区场景下考虑任务在本地和上传到MEC上计算的时延和能耗的折衷。

优化目标是在系统需求和时延约束下，最小化系统总的开销。规划问题如下：

其中，约束条件C1表示执行任务的最大容忍延迟；C2确保能耗不能超过车辆用户的剩余能量；C3将本地CPU周期频率限制为一组有限的值；C4保证最大传输功率；C5表示卸载决策作为二进制变量。本地计算的开销可以通过对求偏导并令为0，可获得最优的将带入到中，可得到最优的本地开销

因此p1问题可写成：

给定卸载决策s，鉴于任务卸载策略s与MEC上的开销成为已知量，因此可以写出问题p2¹：

约束条件C1可写成其中对于所有的可行解，χ_i是的上限，因此将上述p2¹中的均用s_i,jχ_i代替，得到以下凸近似问题 p2²：

明显，p2²除了离散子载波分配值a_i,j,n之外，几乎是一个严格凸的问题，将a_i,j,n放松到[0,1]之间的连续变量，写出拉格朗日表达式：

对于固定的s，我们可以解决问题p2²以获得最佳功率和子载波分配策略。因此，以下条件对于功率分配的最优性是必要和充分的：

然后在子载波n上用户i就可以获得最优的功率

一旦最优功率计算出来了，最优信道分配也可通过获得：

上式的导数独立于a_i,j,n，这意味着最优值的出现在可行域的边界或者导数为空，因此在可行区域内获得最佳子载波分配。回顾每个用户只能分配一个信道，故最优信道分配为：

双变量矩阵λ₁，λ₂，λ₃，λ₄使用相应的子梯度更新：

λ₃(m+1)＝λ₃(m)+μ_c(a_i,j,np_i,j,n-p_max)

这里的μ_a,μ_b,μ_c是梯度算法的步长。

给定功率和子载波分配策略其优化目标可以写成：

这里的最优化问题对于s_i,j是凸的，如果满足C6:的约束条件，那么最优卸载策略就找到了：

最优卸载策略成为最小成本搜索问题。

优选地，所述步骤103基于MEC的能量感知卸载和能量延迟折衷方案，其特征在于，所述步骤103通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案。

在车载网络任务卸载问题中，MEC服务器计算资源有限，网络间干扰严重，所有任务都无法卸载到MEC服务器上。应合理确定计算卸载决策。能耗和延迟对车辆用户都具有重要意义。能量消耗和延迟主要取决于将任务卸载到MEC 服务器时的传输功率和通信信道。根据电池的服务条件和用户特定的需求，应该定义用户偏好(即，加权因子)以允许车辆用户选择不同的最佳目标。因此，基于上述考虑，我们的方案联合优化计算卸载和资源分配，以考虑有限的电池寿命和延迟敏感任务在能耗和延迟之间进行权衡。因此构建MEC计算卸载和资源分配的整合框架。

在多小区场景中，我们的目标是共同考虑本地CPU周期频率调度，功率和信道分配，干扰管理和计算卸载，以最小化车辆用户的能量消耗和执行延迟的加权和。由于两个二元变量，大量变量，干扰项的存在，问题是难以处理的MINLP变量。因此，问题是非凸和NP难的，通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案。

所提出的算法包括三个部分：一个是找到最优的本地计算开销，另一个是找到最优的信道分配和最优的功率分配，最后一个实现最优的计算卸载。具体实现过程如下：

103-1-A:输入：车辆i的任务集合卸载决策s_i,j，功率分配精度ε，总的卸载决策类型O_i,j，最大迭代次数I_d

103-1-B:输出：卸载决策s_i,j，最优功率分配最佳信道分配车辆用户总的开销G

103-1-C:初始化功率分配矩阵P，公式(1)中的价值矩阵φ。

103-1-D:计算本地CPU周期频率f^*,f_l,f_h，对中的求导，可得：再根据约束条件确定频率的上下限：

103-1-E:根据103-1-D算出来的频率来确定本地计算的最佳开销

103-1-F:根据103-1-E算出来的最佳本地开销带入到优化目标中，此时的是一个常量，需找到卸载到MEC的最优功率分配，最佳信道分配和最优卸载决策。

103-1-G:通过迭代搜索法并根据公式(2)可找到最优卸载。

Claims (4)

1.车联网下基于MEC的能量感知卸载和能量延迟折衷方案，其特征包括以下步骤：

步骤101：构建车联网场景下基于MEC计算卸载和资源分配的整合框架；

步骤102：建立目标规划问题；

步骤103：通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案。

2.根据权利要求1所述的车联网下基于MEC的能量感知卸载和能量延迟折衷方案，其特征在于，所述步骤101构建车辆网场景下基于MEC的计算卸载和资源分配的整合框架包括：

考虑一个车辆自组织网络，其中车辆可以通过蜂窝系统与邻近车辆、路边单元(RSU)进行通信来接收最新的道路信息，部署有L个服从泊松分布的请求车辆，表示为V_i(i∈{1,2,...,L})，考虑具有一个宏小区和M个小小区的5G异构MEC网络，宏基站配备有能够执行多个计算密集型任务的MEC服务器，并且小基站被宏基站覆盖，小基站与宏基站通过有线链路连接，每个基站服务U_j(j∈{1,2,...,M})个车辆；

为了重用频谱，我们假设多个基站在相同的频带中工作，其中存在小小区之间的干扰，带宽B被分成N个信道，车辆与正交频分多址(OFDMA)中的基站相关联，其中同一基站中的每个车辆的信道与其他信道正交，车辆i在基站j的下需完成的计算任务为其中，d_i,j是输入数据的大小，c_i,j是完成计算任务所需的CPU周期数，是最大延迟容限；

任务可以由车辆利用自身资源进行本地执行，也可以以V2I形式通过RSU卸载到MEC服务器执行，或者以V2V形式卸载到周边车辆，s_i,j表示在小区j中车辆i的卸载决策，如果车辆将任务卸载到MEC服务器上，s_i,j＝1，否则，s_i,j＝0；

每辆车的计算能力不同，当任务τ_i,j在本地计算时的计算执行时间表示为：

车辆在本地执行的能量消耗也可表示为：其中k＝10^-26是取决于芯片架构的系数，考虑到同时影响计算时间和能量消耗，通过动态电压和功率缩放技术来调度CPU周期频率；

当输入数据通过基站传输给MEC服务器时，在MEC服务器和基站之间的传输支出可忽略不计，假设有N个信道，车辆在信道n上接入基站，上行传输速率可表示为：

其中为每个信道的带宽,B是总的带宽，p_i,j,n和h_i,j,n分别是在信道n上车辆i和基站j之间的传输功率和信道增益，σ²是噪声功率，I_i,j,n是指在相同信道中，小区j中的车辆i与相邻小区中的其他车辆间的干扰，其表达式如下：

因此，在小区j中车辆i的总上行传输速率为：其中a_i,j∈{0,1}，a_i,j＝1表示信道n被分配给小区j中的车辆i去卸载任务，否则，a_i,j＝0；

由于上传时间和在MEC上的计算时间共同组成了总的边缘计算执行时间，可表示为：

这里的f^C是MEC服务器的CPU周期频率，在MEC上的总能耗为：

在任务执行过程中，时延和能耗对于车辆是至关重要的，这取决于车辆用户的经验和电池能量的限制，通常，权重因子ω_i,j(ω_i,j∈[0,1])是时延和能耗之间的权衡，为了满足用户的需求，通过调整权重因子可以节省能源和降低时延，故把电池的剩余能量率加到权重因子中，其中是电池的最大剩余能量，E^total是电池容量，新的权重因子可定义为：

车辆i在小区j中，其任务在本地计算的总开销可以表示为时延和能耗的加权和：

令相应地，任务在本地计算的开销可以简化成：

同样，任务在MEC上计算的开销可以表示为：

此时，总的开销可以表示为：

3.根据权利要求1所述的车联网下基于MEC的能量感知卸载和能量延迟折衷方案，其特征在于，通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案，建立目标规划问题包括：多小区场景下考虑任务在本地和上传到MEC上计算的时延和能耗的折衷；

优化目标是在系统需求和时延约束下，最小化系统总的开销，规划问题如下：

其中，约束条件C1表示执行任务的最大容忍延迟；C2确保能耗不能超过车辆用户的剩余能量；C3将本地CPU周期频率限制为一组有限的值；C4保证最大传输功率；C5表示卸载决策作为二进制变量，本地计算的开销可以通过对求偏导并令为0，可获得最优的将带入到中，可得到最优的本地开销

因此p1问题可写成：

给定卸载决策s，鉴于任务卸载策略s与MEC上的开销成为已知量，因此可以写出问题p2¹：

约束条件C1可写成其中对于所有的可行解，χ_i是的上限，因此将上述p2¹中的均用s_i,jχ_i代替，得到以下凸近似问题p2²：

明显，p2²除了离散子载波分配值a_i,j,n之外，几乎是一个严格凸的问题，将a_i,j,n放松到[0,1]之间的连续变量，写出拉格朗日表达式：

对于固定的s，我们可以解决问题p2²以获得最佳功率和子载波分配策略，因此，以下条件对于功率分配的最优性是必要和充分的：

然后在子载波n上用户i就可以获得最优的功率

一旦最优功率计算出来了，最优信道分配也可通过获得：

上式的导数独立于a_i,j,n，这意味着最优值的出现在可行域的边界或者导数为空，因此在可行区域内获得最佳子载波分配，回顾每个用户只能分配一个信道，故最优信道分配为：

双变量矩阵λ₁，λ₂，λ₃，λ₄使用相应的子梯度更新：

λ₃(m+1)＝λ₃(m)+μ_c(a_i,j,np_i,j,n-p_max)

这里的μ_a,μ_b,μ_c是梯度算法的步长；

给定功率和子载波分配策略其优化目标可以写成：

这里的最优化问题对于s_i,j是凸的，如果满足C6:的约束条件，那么最优卸载策略就找到了：

最优卸载策略成为最小成本搜索问题。

4.根据权利要求1所述的车联网下基于MEC的能量感知卸载和能量延迟折衷方案，其特征在于，所述步骤103通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案；

在车载网络任务卸载问题中，MEC服务器计算资源有限，网络间干扰严重，所有任务都无法卸载到MEC服务器上，应合理确定计算卸载决策，能耗和延迟对车辆用户都具有重要意义，能量消耗和延迟主要取决于将任务卸载到MEC服务器时的传输功率和通信信道，根据电池的服务条件和用户特定的需求，应该定义用户偏好(即，加权因子)以允许车辆用户选择不同的最佳目标，因此，基于上述考虑，我们的方案联合优化计算卸载和资源分配，以考虑有限的电池寿命和延迟敏感任务在能耗和延迟之间进行权衡，因此构建MEC计算卸载和资源分配的整合框架；

在多小区场景中，我们的目标是共同考虑本地CPU周期频率调度，功率和信道分配，干扰管理和计算卸载，以最小化车辆用户的能量消耗和执行延迟的加权和，由于两个二元变量，大量变量，干扰项的存在，问题是难以处理的MINLP变量，因此，问题是非凸和NP难的，通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案；

所提出的算法包括三个部分：一个是找到最优的本地计算开销，另一个是找到最优的信道分配和最优的功率分配，最后一个实现最优的计算卸载，具体实现过程如下：

103-1-A:输入：车辆i的任务集合卸载决策s_i,j，功率分配精度ε，总的卸载决策类型O_i,j，最大迭代次数I_d

103-1-B:输出：卸载决策s_i,j，最优功率分配最佳信道分配车辆用户总的开销G

103-1-C:初始化功率分配矩阵P，公式(1)中的价值矩阵φ

103-1-D:计算本地CPU周期频率f^*,f_l,f_h，对中的求导，可得：再根据约束条件确定频率的上下限：

103-1-E:根据103-1-D算出来的频率来确定本地计算的最佳开销

103-1-F:根据103-1-E算出来的最佳本地开销带入到优化目标中，此时的是一个常量，需找到卸载到MEC的最优功率分配，最佳信道分配和最优卸载决策

103-1-G:通过迭代搜索法并根据公式(2)可找到最优卸载。