CN109981340A

CN109981340A - 雾计算网络系统中联合资源优化的方法

Info

Publication number: CN109981340A
Application number: CN201910115707.XA
Authority: CN
Inventors: 易畅言; 蔡俊; 朱琨
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2019-02-15
Filing date: 2019-02-15
Publication date: 2019-07-05
Anticipated expiration: 2039-02-15
Also published as: CN109981340B

Abstract

本发明公开了一种雾计算网络系统中联合资源优化的方法，所述方法在基于D2D通信支持下的雾计算网络中，每一个移动用户可以选择将自己的计算任务通过蜂窝网转载到位于基站的边缘服务器或者通过设备到设备的直接通信转载到附近的第三方雾计算节点，并且网络管理者需要综合根据移动用户的服务需求、边缘计算的损耗以及租用第三方雾计算服务的成本制定计算和通信资源分配方案，以最大化网络管理效益。本发明将雾计算网络管理中涉及的链路调度、信道选择和功率控制联合构建成为了一个非线性混合整数规划问题，提出基于Branch‑and‑Price的新型优化算法，有效地实现了管理效益最大化，且大幅度地降低了运算复杂度。

Description

雾计算网络系统中联合资源优化的方法

技术领域

本发明属于网络资源优化，具体涉及一种雾计算网络系统中联合资源优化的方法。

背景技术

近年来，智能移动设备逐渐在人们的日常生活中的作用越来越大，在工作、学习和娱乐各方面也扮演了越来越重要的角色。然而，很多的新兴移动应用，像人脸识别、自然语言处理、互动式游戏以及增强现实等，都需要消耗大量的运算处理资源和能量，给资源相对有限的智能移动设备带来巨大负担。雾计算被视为能有效解决此问题的未来网络系统，雾计算由传统云计算延伸而来，但不同之处在于其将计算处理器直接安置在了移动终端的附近，让移动终端在本地处理存在困难时，可以及时将计算任务转载到其他服务器上，从而提供无处不在的、快捷的、灵活的计算辅助服务。

在雾计算网络系统中，除了位于蜂窝网络基站的边缘服务器，网络管理者(或云计算服务提供者)还可以租用第三方雾计算节点(例如：附近闲置的其他移动终端或私人服务器)，来共同为移动用户提供低延时的计算服务。值得注意的是，雾计算系统在实现上一定会牵涉到移动用户端和服务器之间通过无线通信进行的计算任务转载，这也就意味着其性能大大依赖于无线通信传输的效率。而随着移动数据流量的快速增长，蜂窝网的网络容量已经接近饱和，此瓶颈将会严重阻碍雾计算系统的实际应用。为了进一步解决这个困难，一种有效的方式便是在移动用户和雾计算节点之间启用直接的设备到设备(D2D)通信技术，与移动用户和边缘服务器之间采用的蜂窝网络技术共同进行传输，以更高效地利用有限的频谱资源。虽然基于D2D辅助下的雾计算网络结构可以显著地提升系统整体的计算和通信能力，但要想充分发挥有效性，其涉及到的资源管理和分配问题必须经过仔细的研究和处理。管理决策应当包括：1)是否将移动用户的计算任务通过蜂窝网络传输转载到位于基站的边缘服务器上，还是通过D2D的通信方式转载到附近的第三方雾计算节点；2)雾计算节点与移动用户之间的配对，即链路调度；3)给各个通信链路进行信道分配；4)针对工作在每一个信道上的每一个通信链路进行功率控制。

然而，上述所有资源管理问题进行联合优化存在着巨大挑战，其需要克服的问题如下：

1)为了促使网络管理者愿意启用雾计算系统，在进行资源优化的过程中，必须考虑以最大化网络管理效益为目标，同时保证每一个移动用户和第三方雾计算节点也都能够从中获得利益；这将导致优化问题成为一个相当复杂的组合优化问题；

2)D2D通信和蜂窝网通信共存的条件下，共信道的传输干扰不可避免，这包括工作在同一信道的蜂窝网上行链路和D2D链路之间，以及不同的D2D链路之间的干扰；因此，如何有效协调链路之间的相互干扰将会对网络性能产生重大影响；

3)由于基于D2D辅助下的雾计算网络必然牵涉到计算任务的转载和无线传输，在系统构建中，必须要充分考虑到所有与计算资源和通信资源相关的约束条件(例如：CPU负载约束、服务时延要求、功率和SINR限定等)；这将进一步增加优化问题的复杂程度。

目前，所有的相关研究主要针对于单方面的计算资源管理而忽视了通信网络架构，或者仅仅考虑了单一类型的无线资源管理(例如：功率或信道分配)，且几乎所有工作都忽略或简化了计算任务转载过程中产生的传输干扰。

发明内容

发明目的：针对上述现有技术的不足，本发明提供一种雾计算网络系统中联合资源优化的方法，实现管理效益最大化。

技术方案：一种雾计算网络系统中联合资源优化的方法，所述方法通过设计最优规划算法联合优化资源管理决策如下：

(1)通信方式选择：综合移动用户的服务需求、边缘计算的损耗以及雾计算服务的成本确定通信方式；

(2)链路调度：雾计算节点与移动用户之间进行最优配对；

(3)信道分配：给各个通信链路分配合适的信道；

(4)功率控制：对工作在每一个信道上的每一个通信链路进行功率控制。

进一步的，所述通信方式包括将移动用户的计算任务通过蜂窝网络传输转载到位于基站的边缘服务器上和通过D2D的通信方式转载到第三方雾计算节点。

进一步的，所述方法包括在多信道下的D2D通信和蜂窝网通信的共存以及干扰管理，工作在同一信道的蜂窝网上行链路和D2D链路之间，以及不同的D2D链路之间的干扰协调，基于干扰模型对所有移动用户在计算任务转载过程中的传输速率进行计算。

所述方法以最大化网络管理效益为目标，综合计算和通信资源的限制，其约束条件如下：

1)位于基站的边缘服务器所承担的来自于移动用户的计算任务不超过其最大负载；

2)每一个雾计算节点所承担的来自于特定移动用户的计算任务不超过其最大负载；

3)每一个移动用户只有当且仅当传输损耗小于自身处理损耗时，才会将计算任务转载；

4)每一个雾计算节点只接收所获收益大于自身处理损耗的计算任务；

5)每一个移动用户只能与一个服务器相连，所述服务器为边缘服务器或第三方雾计算节点：

6)每一个雾计算节点只能给一个移动用户提供服务；

7)同一个信道不可以被多个的蜂窝网上行传输链路同时占用；

8)每一个移动用户在进行计算任务转载中的传输功率小于特定功率限制；

9)每一个计算任务在转载过程中的传输速率大于特定门限，使其在时延限定内完成。

进一步的，所述方法通过优化算法进行联合资源优化，所述优化算法的优化过程包括如下步骤：

S1、针对每一个信道m，定义一个大集合Y_m由所有可行子集合FCLS k组成，其中每一个FCLS k包含所有可共享同此信道完成计算任务转载需求的所有可能链路,将原优化问题[P]变换为探寻每一个信道的最优FCLS的[EP]问题；

S2、基于Branch-and-Price算法思想，建立树搜索结构：针对每一个搜索树的节点，进行Relaxed Integer Programming，并以此为基础，进行Branching和Pruning，最终获得最优解决方法；

S3、通过Column Generation的方法设计迭代式的算法，将Relaxed IntegerProgramming问题拆分为两个新构建的子问题，所述子问题包括RMP问题和PP问题；其中RMP问题的目标函数与[EP]问题一致，搜索空间缩小为[EP]问题搜索空间的子集，PP问题基于功率控制和整数规划限制，目标函数为最大化搜索空间的调整给RMP问题带来的增益；

S4：以任意可行解为基础，构建初始Column，利用Simplex Method解决RMP问题；

S5：以RMP问题的对偶最优解为基础，构建PP问题并进行求解，结合功率和SINR限定，解得新的Column；将结果迭代回RMP问题，重复运算过程，直至新的Column无法给目标函数值带来增益；

S6：根据RMP和PP问题的最优解，理论推导出每一次迭代中Relaxed IntegerProgramming上界的闭合形式，将其使用到Pruning过程中，从而减少迭代次数，进而降低整体运算复杂度。

更进一步的，步骤S1所述大集合的定义遵守传输功率和SINR的约束限定；包括引入一个新的0/1决策变量λ_k^m，其取值为1时，表示FCLS k∈Y_m占用信道m，从而实现优化问题的等效数学变换。

更进一步的，所述RMP问题的目标函数与[EP]问题的目标函数一致，搜索空间缩小为[EP]问题搜索空间的子集，PP问题考虑功率控制和整数规划限制，目标函数为最大化搜索空间的调整给RMP问题带来的增益。

有益效果：与现有技术相比，本发明有效解决了雾计算网络系统中的联合资源优化问题及挑战，将雾计算网络管理中涉及的链路调度、信道分配和功率控制联合构建成了一个非线性混合整数规划问题，综合考虑计算和通信资源的限制，提出了一个基于Branch-and-Price的新优化算法，实现了管理效益最大化，且大幅度地降低了运算复杂度。

附图说明

图1是本发明在网络系统应用中的结构关系示意图。

具体实施方式

为了详细的说明本发明所公开的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。

本发明公开的方法是在基于设备到设备(D2D)通信支持下的雾计算网络中，如何制定计算和通信资源分配方案，根据移动用户的服务需求，边缘计算的损耗以及租用第三方雾计算服务的成本，以最大化网络管理效益为目标，实现链路调度、信道分配和功率控制的联合管理，属于网络优化领域。

所述方法将雾计算网络系统中牵涉到的计算模型和通信模型进行了数学建模，将多维资源联合优化管理构建成为了一个非线性混合整数规划问题，采用基于Branch-and-Price的算法设计了最优的网络管理方案，以保证用户服务需求和满足系统约束限定为前提，最大化网络管理效益。具体实施过程如下：

步骤1：问题公式化

雾计算网络系统的构建牵涉到计算模型和通信模型的描述，计算模型应表征每一个移动用户终端的计算任务需求，以及每一个雾计算节点和边缘计算服务器的负载能力；通信模型应勾画D2D通信和蜂窝网通信的架构，分析共信道传输干扰的影响，对链路调度、信道分配和功率控制的相关约束条件进行表达。

构建系统模型如图1所示，图1也是本发明所述方法的一个应用实例，分析系统中的计算模型和通信网络模型。定义每一个移动用户的计算任务i∈N为J_i＝{b_i,d_i,T_i}，其中b_i,d_i,T_i分别为移动用户i的计算任务数据大小(比特数)，CPU周期需求和时延限定；F_j和F_ES表示雾计算节点j∈V和边缘服务器ES的计算负载能力；决策变量表示了哪一个移动用户i∈N应当与哪一个服务器j∈V∪ES相配对且工作在哪一个信道m∈M上，决策变量表示了配对链路(i,j)在信道m∈M上的传输功率。基于以上定义，将所有与计算资源和通信资源相关的约束条件进行公式化，包括：

1)位于基站的边缘服务器所承担的来自于移动用户的计算任务不应超过其最大负载；

2)每一个雾计算节点所承担的来自于特定移动用户的计算任务不应超过其最大负载；

3)每一个移动用户只有当且仅当传输损耗小于自身处理损耗时，才会选择将计算任务转载；

4)每一个雾计算节点只愿意接收所获收益大于自身处理损耗的计算任务；

5)每一个移动用户只能与一个服务器(边缘服务器或第三方雾计算节点)相连；

6)每一个雾计算节点只能给一个移动用户提供服务；

7)同一个信道不可以被多个的蜂窝网上行传输链路占用；

8)每一个移动用户在进行计算任务转载中的传输功率必须小于特定功率限制；

9)每一个计算任务在转载过程中的传输速率应大于特定门限，使其得以在时延限定内完成。

网络管理的总效益应当包括：

1)从所有移动用户端收取的针对计算任务转载服务的服务费：

为每一个移动用户i∈N向网络管理者支付的服务费；

2)由于无法满足部分移动用户的计算转载服务需求而支出的补偿：

δ_i为网络管理者因无法满足移动用户i∈N的服务需求而做出的补偿；

3)租用第三方雾计算节点而支出的总费用：

为网络管理者向第三方雾计算节点j∈V支付的帮助完成计算任务J_i的租金；

4)边缘服务器在工作中产生的损耗：

θ_ES为边缘服务器在执行计算任务过程中每一个CPU周期产生的损耗；

因此，网络管理的总效益U_op可表示为

在得到以上所有约束条件和目标函数(即网络管理效益)的数学表达式之后，可以构建出一个非线性混合整数规划问题[P]:

其中所有约束条件在前文均有提及。值得注意的是表示每一个链路的功率限定，和分别表示每一个通信链路的实际SINR和SINR门限，f_i和F_ES分别指代移动用户i的计算速率要求和边缘服务器ES的计算负载能力。

本发明的目的是在保证用户服务需求和满足系统约束限定的条件下，最大化网络管理的总效益。

步骤2：问题等效变换

针对每一个信道m，定义一个大集合Y_m由所有可行子集合FCLS k组成，其中每一个FCLSk包含所有可共享同此信道完成计算任务转载需求的所有可能链路，此集合的定义需要严格遵守传输功率和SINR的约束限定。对于信道m∈M，任一可行子集合FCLS k所包含的链路都可以用一个二维决策变量来描述，其中意味着链路(i,j)被包含于此子集合中，一定满足以下功率和SINR约束：

为每一个链路的功率限定；是任一链路(i,j)工作在信道m上的增益，σ²是背景噪声，是链路(i,j)可以在信道m上达成计算任务转载服务要求的SINR门限。

接下来引入一个新的0/1决策变量(取值为1时，意味着FCLS k∈Y_m占用信道m)，将原优化问题[P]转变为一个等效的整数规划问题[EP]，即为每一个信道寻找最优FCLS的问题:

其中，a_i,j可被视为服务每一个移动用户的计算任务带来的净效益：

尤其值得注意的是解决[EP]问题存在着一个前提条件，即所有可行FCLS可以得到穷尽列举，换言之必须提前已知。这也意味着变换后的[EP]问题虽然与原问题[P]等效，但仍然非常复杂。然而，其独特的问题结构为应用基于Branch-and-Price设计的算法提供了可能。

步骤3：多维资源管理决策联合优化

Branch-and-Price算法作为一种较常用的最优规划思想，可用于有效解决含有大量决策变量的整数规划问题，将Branch-and-Price算法用于解决[EP]问题时，需进行针对性的设计，具体步骤如下：

1)根据Branch-and-Price算法思想，建立树搜索结构。针对每一个搜索树的节点，进行Relaxed Integer Programming；并以此为基础，进行Branching和Pruning，最终获得最优解决方案；

2)为有效解决搜索树中每一个节点上的Relaxed Integer Programming问题，且回避穷举FCLS带来的运算负担，采用Column Generation的方法设计迭代式的算法，将Relaxed Integer Programming问题拆分为两个新构建的子问题，即Restricted MasterProblem(RMP)和Pricing Problem(PP)；其中RMP问题的目标函数与[EP]问题一致，即：

但搜索空间缩小为[EP]问题搜索空间的子集，即由K_M缩小为K′_M∈K_M；PP问题考虑功率控制和整数规划限制，目标函数为最大化搜索空间的调整给RMP问题带来的增益；

3)以任意可行解为基础，构建初始Column(即搜索空间的子集，或可行FCLS)，利用Simplex Method解决RMP问题；

4)以RMP问题的对偶最优解为基础，构建PP问题，考虑功率和SINR限定，即：

从而解得新的Column(即功率分配和可行FCLS)，将结果迭代回RMP问题，重复运算过程，直至新的Column无法给目标函数值带来增益；

5)根据RMP和PP问题的最优解，推导出每一次迭代中Relaxed IntegerProgramming上界的闭合形式，将其使用到Pruning过程中，从而减少迭代次数，进而大幅度地降低整体运算复杂度。

Claims

1.一种雾计算网络系统中联合资源优化的方法，其特征在于：所述方法通过设计最优规划算法联合优化资源管理决策如下：

(2)链路调度：雾计算节点与移动用户之间进行最优配对；

(3)信道分配：给各个通信链路分配合适的信道；

2.根据权利要求1所述的雾计算网络系统中联合资源优化的方法，其特征在于：所述通信方式包括将移动用户的计算任务通过蜂窝网络传输转载到位于基站的边缘服务器上和通过D2D的通信方式转载到第三方雾计算节点。

3.根据权利要求1所述的雾计算网络系统中联合资源优化的方法，其特征在于：所述方法包括在多信道下的D2D通信和蜂窝网通信的共存以及干扰管理，工作在同一信道的蜂窝网上行链路和D2D链路之间，以及不同的D2D链路之间的干扰协调，基于干扰模型对所有移动用户在计算任务转载过程中的传输速率进行计算。

4.根据权利要求1所述的雾计算网络系统中联合资源优化的方法，其特征在于：所述方法以最大化网络管理效益为目标，综合计算和通信资源的限制，其约束条件如下：

6)每一个雾计算节点只能给一个移动用户提供服务；

5.根据权利要求1所述的雾计算网络系统中联合资源优化的方法，其特征在于：所述方法通过优化算法进行联合资源优化，所述优化算法的优化过程包括如下步骤：

6.根据权利要求5所述的雾计算网络系统中联合资源优化的方法，其特征在于：步骤S1所述大集合的定义遵守传输功率和SINR的约束限定；包括引入一个新的0/1决策变量λ_k^m，其取值为1时，表示FCLS k∈Y_m占用信道m，从而实现优化问题的等效数学变换。

7.根据权利要求5所述的雾计算网络系统中联合资源优化的方法，其特征在于：所述RMP问题的目标函数与[EP]问题的目标函数一致，搜索空间缩小为[EP]问题搜索空间的子集，PP问题考虑功率控制和整数规划限制，目标函数为最大化搜索空间的调整给RMP问题带来的增益。