CN109729543A - 一种基于数据压缩的高能效计算任务卸载方法 - Google Patents

Abstract

本发明公开了一种基于数据压缩的高能效计算任务卸载方法，包括如下步骤：步骤一：建立基于数据压缩的高能效计算任务卸载方法解决的优化问题模型及其优化条件；步骤二：根据步骤一所述的优化问题模型对优化用户设备总能耗进行可行性判断；步骤三：对用户设备K的任务卸载比例，任务总压缩率和任务数据传输时间联合优化，并求得用户设备k的最优的任务卸载比例，卸载部分任务压缩率和数据传输功率，本发明的一种基于数据压缩的高能效计算任务卸载方法，通过对卸载计算任务数据进行适当的压缩处理，减少计算任务数据传输量和传输能耗，最终可以减少用户设备的总能耗，减少计算任务数据传输量，更好的处理计算数据量大的任务。

Description

一种基于数据压缩的高能效计算任务卸载方法

技术领域

本发明属于移动边缘计算领域，涉及一种基于数据压缩的高能效计算任务卸载方法，在满足用户设备计算时延要求下，最小化用户设备总能耗。

背景技术

近年来无线通信技术发展迅速，用户设备的应用程序功能越来越多，旨在丰富用户的网络生活，提高用户的网络体验。然而用户设备的计算能力通常是有限的，很难处理一些计算量需求大和时延敏感的任务。为了弥补用户设备的计算能力不足，提出了移动边缘计算概念，在移动边缘计算中，用户设备可以将计算任务卸载至邻近的移动边缘计算服务器(MEC服务器)上，在网络的边缘进行计算，提高用户设备的计算能力，同时也避免了传统卸载方式中将数据卸载至远端云导致的高时延问题。另一方面，受到电池容量影响，用户设备的能量也是有限的，计算任务卸载至MEC服务器虽然减少了用户设备的计算能耗，但也增加了数据的传输能耗。为了减少用户设备的传输能耗，将数据压缩技术引入到移动边缘计算中，计算任务在卸载至MEC服务器之前，用户设备可对部分或全部卸载数据进行压缩处理，减少数据传输量，降低用户设备能耗。

本发明提出了一种基于数据压缩的高能效计算任务卸载方法。当计算任务数据量大时，可以引入数据压缩技术，在计算任务上传至MEC服务器之前，对其先进行适量压缩处理，减少数据传输量和用户设备的数据传输能耗，最终减少用户设备的总能耗。。

发明内容

发明目的：本发明针对用户设备有限的计算能力，运用移动边缘计算和数据压缩技术，在满足用户设备计算时延要求下，既提高了用户设备的计算能力又降低了用户设备的总能耗。本发明提出了一种基于数据压缩的高能效计算任务卸载方法，可以降低用户设备的总能耗。

技术方案：

一种基于数据压缩的高能效计算任务卸载方法，其特征在于，采用移动边缘计算网络，所述移动边缘计算网络包括一个基站和K个用户设备，所述基站配置了MEC服务器，每个用户设备在时间T内完成一个计算任务，用户设备卸载数据上传至MEC服务器之前，对卸载任务的部分或全部进行压缩处理以减少卸载数据传输量和传输能耗，具体包括如下步骤：

步骤一：建立基于数据压缩的高能效计算任务卸载方法解决的优化问题模型及其优化条件；

步骤二：根据步骤一所述的优化问题模型对优化用户设备总能耗进行可行性判断，

步骤三：对用户设备K的任务卸载比例，任务总压缩率和任务数据传输时间联合优化，并求得用户设备k的最优的任务卸载比例，卸载部分任务压缩率和数据传输功率。

进一步地，步骤一具体为：

步骤1-1：建立基于数据压缩的高能效计算任务卸载方法解决的优化问题模型P1，

P1用以优化每个用户设备的任务卸载比例、卸载任务的压缩比例和数据传输功率，以最小化设备的总能耗，其中，用户设备k的本地处理能耗、数据压缩能耗和数据传输能耗分别为(1-α_k)C_kD_kE_k、α_kγ_kD_kJ_kE_k和

步骤1-2：建立问题模型的优化条件：

约束C1:

约束C2:

约束C3:0≤α_k≤1,k＝1,.…,K，

约束C4:0≤γ_k≤1,k＝1,.…,K，

约束C5:

进行优化的过程中，需满足约束要求，约束C1表示分配给MEC服务器处理的任务所需的计算能力不大于MEC服务器的最大计算能力，约束C2表示任务处理总时长要满足时延要求，C3、C4表示用户设备的任务卸载比例和卸载任务的压缩比例在区间[0,1]之间，C5表示用户设备的数据传输功率不大于自身最大数据传输功率；D_k,C_k,F_k和E_k分别表示用户设备k的任务数据大小，完成用户设备k 1bit任务所需要的CPU周期，用户设备k的本地计算频率和用户设备k每CPU周期消耗的能量，P1的优化变量是{α_k+,{γ_k+,{p_k+，α_k(0≤α_k≤1)为用户设备k计算任务的卸载比例，β_k为用户设备k对任务的数据压缩率，γ_k(0≤γ_k≤1)为卸载数据在上传至MEC服务器前压缩处理部分的比例，J_k为用户设备k压缩1bit数据所需的CPU周期，每个用户设备占用一个信道，信道带宽为B，T是任务时延，p_k和h_k分别代表用户设备k的传输功率和信道增益，信道噪声功率谱密度为N₀，MEC服务器的最大计算能力为F，用户设备k最大数据传输功率为

进一步地，步骤二具体为：

令变量ρ_k＝α_kγ_k，P1可转化为以下问题:

P2:

约束条件C2、C4分别转化为C6、C7，

约束C6:

约束C7:0≤ρ_k≤α_k,k＝1,.…,K，

约束条件C1、C3、C5保持不变，

问题P2在时可行是问题P2可行的必要条件，将p_k设置为其最大数据传输功率对问题P2的可行性进行判断，

令

约束C6可记为：

问题可行性判断的步骤为：令其中为用户设备k的任务在本地计算时所需的最小时间，若则表示用户设备k的任务在本地处理时不能满足时延要求，代表任务在本地计算时不能满足任务时延的用户设备集合，若集合是空的，即所有用户设备的计算任务在本地执行的时间均满足时延约束，则问题P2是可行的；若集合非空，则表明集合中用户设备的计算任务在本地执行时不能满足时延要求，必须将计算任务的部分或全部卸载至MEC服务器上执行，且只有当MEC服务器的最大计算能力能够满足这些计算任务要求时，问题P2才可解，在用户设备计算任务的时延约束下，MEC服务器所需最小计算资源可通过求解如下问题得到：

约束C6:

和约束C3、C7；

通过内点法求解，通过对比上述问题的最小目标函数值和F的大小关系可判断P2是否可解，若最小目标函数值不大于F，则问题P2可行，执行下一步，否则问题不可行，算法结束。

进一步地，步骤三具体为：

引入辅助变量

问题P2中用户设备K任务上传能耗为其中为上传时间，p_k为传输功率。

问题P2转化为如下问题：

约束条件C6转化为C8，

约束C8:

约束C9:

和约束C1、C3、C7；

通过内点法求解得到最优解优化变量{γ_k+,{p_k+的值为

有益效果：

本发明与传统技术相比，有如下优点：

(1)本发明提出的基于数据压缩的高能效计算任务卸载方法，提出了一种新的卸载计算任务数据传输方式。在满足用户设备计算时延要求下，通过对卸载计算任务数据进行适当的压缩处理，减少计算任务数据传输量和传输能耗，最终减少用户设备的总能耗。

(2)本发明中通过数据压缩技术对卸载数据进行压缩处理，可以减少计算任务数据传输量，移动边缘计算网络可以更好的处理计算数据量大的任务。

附图说明

图1移动边缘计算系统模型图

图2基于数据压缩的高能效计算任务卸载方法算法流程图

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

一种基于数据压缩的高能效计算任务卸载方法，采用移动边缘计算网络，所述移动边缘计算网络包括一个基站和K个用户设备，所述基站配置了MEC服务器，每个用户设备在时间T内完成一个计算任务，用户设备卸载数据上传至MEC服务器之前，对卸载任务的部分或全部进行压缩处理以减少卸载数据传输量和传输能耗，具体包括如下步骤：

步骤一：建立基于数据压缩的高能效计算任务卸载方法解决的优化问题模型及其优化条件；

步骤1-1：建立基于数据压缩的高能效计算任务卸载方法解决的优化问题模型P1，

P1：

P1用以优化每个用户设备的任务卸载比例、卸载任务的压缩比例和数据传输功率，以最小化设备的总能耗，其中，用户设备k的本地处理能耗、数据压缩能耗和数据传输能耗分别为(1-α_k)C_kD_kE_k、α_kγ_kD_kJ_kE_k和

步骤1-2：建立问题模型的优化条件：

约束C1:

约束C2:

约束C3:0≤α_k≤1,k＝1,.…,K，

约束C4:0≤γ_k≤1,k＝1,.…,K，

约束C5:

进行优化的过程中，需满足以下要求：约束C1表示分配给MEC服务器处理的任务所需的计算能力不大于MEC服务器的最大计算能力，约束C2表示任务处理总时长要满足时延要求，C3、C4表示用户设备的任务卸载比例和卸载任务的压缩比例在区间[0,1]之间，C5表示用户设备的数据传输功率不大于自身最大数据传输功率；D_k,C_k,F_k和E_k分别表示用户设备k的任务数据大小，完成用户设备k 1bit任务所需要的CPU周期，用户设备k的本地计算频率和用户设备k每CPU周期消耗的能量，P1的优化变量是{α_k+,{γ_k+,{p_k+，α_k(0≤α_k≤1)为用户设备k计算任务的卸载比例，β_k为用户设备k对任务的数据压缩率，γ_k(0≤γ_k≤1)为卸载数据在上传至MEC服务器前压缩处理部分的比例，J_k为用户设备k压缩1bit数据所需的CPU周期，每个用户设备占用一个信道，信道带宽为B，T是任务时延，p_k和h_k分别代表用户设备k的传输功率和信道增益，信道噪声功率谱密度为N₀，MEC服务器的最大计算能力为F，用户设备k最大数据传输功率为

为任务分配给本地的本地处理时间

为任务上传到MEC之前，部分采取压缩处理所需的时间

为数据上传至MEC服务器所需时间。

步骤二：根据步骤一所述的优化问题模型对优化用户设备总能耗进行可行性判断，

由于移动边缘计算系统受到MEC服务器计算资源(C1)和用户设备计算时延(C2)的限制，问题P1可能是不可行的，因此需要先进行问题可行性判断，步骤二具体为：

令变量ρ_k＝α_kγ_k，P1可转化为以下问题:

P2:

约束条件C2、C4转化为C6、C7，

约束C6:

约束C7:0≤ρ_k≤α_k,k＝1,.…,K，

约束条件C1、C3、C5保持不变，

通过分析问题P2可知，问题P2在时可行是问题P2可行的必要条件，所以，可以将p_k设置为其最大数据传输功率对问题P2的可行性进行判断，令约束C6可记为：

问题可行性判断的步骤为：令其中为用户设备k的任务在本地计算时所需的最小时间，若则表示用户设备k的任务在本地处理时不能满足时延要求，代表任务在本地计算时不能满足任务时延的用户设备集合。若集合是空的，即所有用户设备的计算任务在本地执行的时间均满足时延约束，则问题P2是可行的；若集合非空，则表明集合中用户设备的计算任务在本地执行时不能满足时延要求，必须将计算任务的部分或全部卸载至MEC服务器上执行，且只有当MEC服务器的最大计算能力能够满足这些计算任务要求时，问题P2才可解。在用户设备计算任务的时延约束下，MEC服务器所需最小计算资源可通过求解如下问题得到：

约束C6:

和约束C3C7。

上述问题属于线性规划问题，可通过内点法求解，通过对比上述问题的最小目标函数值和F的大小关系可判断P2是否可解。若最小目标函数值不大于F，则问题P2可行，执行下一步，否则问题不可行，算法结束。

步骤三：对用户设备K的任务卸载比例，任务总压缩率和任务数据传输时间联合优化，并求得用户设备k的最优的任务卸载比例，卸载部分任务压缩率和数据传输功率。

为了求解问题P2，引入辅助变量

问题P2中用户设备K任务上传能耗为其中为上传时间，p_k为传输功率。

分析：

因此

问题P2转化为如下问题.

约束条件C6转化为C8，

约束C8:

约束C9:

和约束C1C3C7。

问题P3是凸问题，可通过内点法求解得到最优解优化变量{γ_k},{p_k}的值为

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于数据压缩的高能效计算任务卸载方法，其特征在于，采用移动边缘计算网络，所述移动边缘计算网络包括一个基站和K个用户设备，所述基站配置了MEC服务器，每个用户设备在时间T内完成一个计算任务，用户设备卸载数据上传至MEC服务器之前，对卸载任务的部分或全部进行压缩处理以减少卸载数据传输量和传输能耗，具体包括如下步骤：

步骤一：建立基于数据压缩的高能效计算任务卸载方法解决的优化问题模型及其优化条件；

步骤二：根据步骤一所述的优化问题模型对优化用户设备总能耗进行可行性判断；

步骤三：对用户设备K的任务卸载比例，任务总压缩率和任务数据传输时间联合优化，并求得用户设备k的最优的任务卸载比例，卸载部分任务压缩率和数据传输功率。

2.根据权利要求1所述的一种基于数据压缩的高能效计算任务卸载方法，其特征在于，步骤一具体为：

步骤1-1：建立基于数据压缩的高能效计算任务卸载方法解决的优化问题模型P1，

P1用以优化每个用户设备的任务卸载比例、卸载任务的压缩比例和数据传输功率，以最小化设备的总能耗，其中，用户设备k的本地处理能耗、数据压缩能耗和数据传输能耗分别为(1-α_k)C_kD_kE_k、α_kγ_kD_kJ_kE_k和

步骤1-2：建立问题模型的优化条件：

约束C1:

约束C2:

约束C3:0≤α_k≤1,k＝1,.…,K，

约束C4:0≤γ_k≤1,k＝1,.…,K，

约束C5:

进行优化的过程中，需满足约束要求，约束C1表示分配给MEC服务器处理的任务所需的计算能力不大于MEC服务器的最大计算能力，约束C2表示任务处理总时长要满足时延要求，C3、C4表示用户设备的任务卸载比例和卸载任务的压缩比例在区间[0,1]之间，C5表示用户设备的数据传输功率不大于自身最大数据传输功率；D_k,C_k,F_k和E_k分别表示用户设备k的任务数据大小，完成用户设备k 1bit任务所需要的CPU周期，用户设备k的本地计算频率和用户设备k每CPU周期消耗的能量，P1的优化变量是{α_k},{γ_k},{p_k}，α_k(0≤α_k≤1)为用户设备k计算任务的卸载比例，β_k为用户设备k对任务的数据压缩率，γ_k(0≤γ_k≤1)为卸载数据在上传至MEC服务器前压缩处理部分的比例，J_k为用户设备k压缩1bit数据所需的CPU周期，每个用户设备占用一个信道，信道带宽为B，T是任务时延，p_k和h_k分别代表用户设备k的传输功率和信道增益，信道噪声功率谱密度为N₀，MEC服务器的最大计算能力为F，用户设备k最大数据传输功率为

3.根据权利要求2所述的一种基于数据压缩的高能效计算任务卸载方法，其特征在于，步骤二具体为：

令变量ρ_k＝α_kγ_k，P1可转化为以下问题:

P2:

约束条件C2、C4分别转化为C6、C7，

约束C6:

约束C7:0≤ρ_k≤α_k,k＝1,.…,K，

约束条件C1、C3、C5保持不变，

问题P2在时可行是问题P2可行的必要条件，将p_k设置为其最大数据传输功率对问题P2的可行性进行判断，

令

约束C6可记为：

问题可行性判断的步骤为：令其中为用户设备k的任务在本地计算时所需的最小时间，若则表示用户设备k的任务在本地处理时不能满足时延要求，代表任务在本地计算时不能满足任务时延的用户设备集合，若集合是空的，即所有用户设备的计算任务在本地执行的时间均满足时延约束，则问题P2是可行的；若集合非空，则表明集合中用户设备的计算任务在本地执行时不能满足时延要求，必须将计算任务的部分或全部卸载至MEC服务器上执行，且只有当MEC服务器的最大计算能力能够满足这些计算任务要求时，问题P2才可解，在用户设备计算任务的时延约束下，MEC服务器所需最小计算资源可通过求解如下问题得到：

约束C6:

和约束C3、C7；

通过内点法求解，通过对比上述问题的最小目标函数值和F的大小关系可判断P2是否可解，若最小目标函数值不大于F，则问题P2可行，执行下一步，否则问题不可行，算法结束。

4.根据权利要求3所述的一种基于数据压缩的高能效计算任务卸载方法，其特征在于，步骤三具体为：

引入辅助变量

问题P2中用户设备K任务上传能耗为其中为上传时间，p_k为传输功率。

问题P2转化为如下问题：

P3:

约束条件C6转化为C8，

约束C8:

约束C9:

和约束C1、C3、C7；

通过内点法求解得到最优解优化变量{γ_k},{p_k}的值为