CN110087318B - 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 - Google Patents

Abstract

本发明涉及基于5G移动边缘计算的任务卸载和资源分配联合优化方法，属于移动通信技术领域。该方法将任务卸载决策、资源块分配、计算资源分配联合建模为一个最小化系统开销问题，并分解为三个子优化问题求解。首先，考虑到实际网络中UE时延敏感度不同，提出一种基于用户设备时延优先级的分布式资源块分配算法，根据UE的时延敏感度把UE分为不同优先级，高优先级UE优先分配资源块，同时保证低优先级UE通信质量。其次，每个UE根据任务本地计算开销和任务卸载计算开销做出卸载决策。最后，以最小化总卸载任务在MEC总执行时间为目标，为UE分配计算资源。

Description

基于5G移动边缘计算的任务卸载和资源分配联合优化方法

技术领域

本发明属于移动通信技术领域，涉及基于5G移动边缘计算的任务卸载和资源分配联合优化方法。

背景技术

在未来5G网络中，将会支持泛在的云计算。移动互联网与云计算技术的融合，形成了移动云计算技术。大量新应用和服务正在涌现，如实时在线游戏、虚拟现实和超高清视频流，这些都需要前所未有的高访问速度和低延迟。过去的十年见证了下一代互联网不同愿景的腾飞，包括IoT、触觉互联网(毫秒级延迟)、互联网和社交网络。据思科预测，到2020年，互联网将增加约500亿个IoT设备(例如传感器和可穿戴设备)，其中大部分资源用于计算、通信和存储，并且必须依赖远程云或边缘云，以提高它们的处理能力。目前，人们普遍认为，仅依靠远程云计算不足以实现5G计算和通信的毫秒级延迟需求。此外，用户设备和远程云之间的数据交换将使回程链路饱和并降低回程网络质量，这使得利用边缘云作为云计算的补充至关重要。它将流量、计算和网络功能推向网络边缘，这也与下一代网络的关键特征相一致，即信息越来越多地在本地生成并在本地消费，这源于IoT、社交网络和内容交付应用的蓬勃发展。为了应对这一情况，欧洲电信标准协会提出了MEC概念。MEC服务器可以在无线接入网络侧提供云计算功能，将UE直接连接到最近的支持云服务的网络边缘，使得UE的业务请求不用转发到核心网，而可以直接卸载到计算功能强大的近端云处理，不仅可以减小核心网的拥塞问题，又能极大地减小数据传输时延，提升用户体验。然而，由于UE的卸载任务必须通过传统的无线通信网传输到MEC处理，任务的处理结果也必须通过无线通信网才能反馈给UE。当网络中有大量UE同时进行任务卸载时，它们之间势必会相互干扰。而且，不同类型的UE对时延敏感程度有所不同，需要优先保证高时延敏感度UE的传输需求，同时又不能对低时延敏感度UE的传输性能造成过大影响。为此，必须要进行合理的频谱资源分配才能保证UE任务的高效卸载和传输时延需求。另一方面，由于MEC的计算能力终究有限，不能容纳过多的UE同时进行任务卸载。否则，势必造成MEC计算资源枯竭，任务计算时间大大增加，得不偿失。因此需要设计合理的任务卸载决策方案和MEC计算资源分配方案，来保证任务地高效卸载和处理，降低系统总体开销。综合研究频谱资源分配、任务卸载决策和MEC计算资源分配是提高基于MEC的下一代无线网络性能的关键。

综上所述，本发明提出一种5G网络中基于移动边缘计算的任务卸载和资源分配联合优化方法。此方法将任务卸载决策、资源块分配、计算资源分配联合建模为一个系统开销最小化问题。首先，根据用户设备的时延敏感度把用户设备分为不同优先级，高优先级用户设备优先分配资源块，同时保证低优先级用户设备通信质量。其次，每个用户设备根据任务本地计算开销和任务卸载计算开销做出卸载决策。最后为用户设备分配MEC计算资源，从而实现用户任务的高效卸载，极大地降低系统开销。

发明内容

有鉴于此，本发明的目的在于提供基于5G移动边缘计算的任务卸载和资源分配联合优化方法。

为达到上述目的，本发明提供如下技术方案：

S1：最小需求资源块数量估计；

S2：任务卸载决策方案；

S3：计算资源分配方案；

S4：基于用户设备时延优先级的分布式资源块分配方案。

进一步，在步骤S1中，假设有A个UE有任务卸载需求，MEC将计算资源平均的分配给各个UE，任务卸载计算时间开销不应该超过本地计算时间开销。在此情况下，对任意CSBSs的UE u_s，MEC计算任务D_n的时间开销为：

为保证任务卸载到MEC计算的时间不超过本地计算时间，即：

当上式取等号时，任务卸载时间取得最大值

相应的可得最小传输速率要求：

假定临近所有CSBS对CSBS s都有干扰，可得最大需求RB数量：

其中，I_total表示临近所有CSBS对CSBS s的干扰总和。

假定临近CSBS对CSBS s都无干扰，可得最小需求RB数量：

通过式(4)和式(5)，可以得到u_s进行任务卸载所需求的RB个数

为了尽可能减小干扰，按照u_s需求的最小RB个数进行RB分配后，可以得到u_s卸载任务的传输速率为：

u_s把任务

通过CSBS传输到MEC的传输时间和能量开销分别为：

因此，u_s进行任务卸载的总开销可表示为：

进一步，在步骤S2中，UE根据任务本地计算开销和卸载计算开销的对比结果做出卸载决策：

式(10)表明，如果用户设备任务卸载到MEC的计算开销小于任务本地计算开销，则用户任务卸载到MEC计算，否则，用户任务在本地计算。

假设在卸载决策向量X_s中，非零元素的个数是

而

表示向量X_s中零元素个数，进一步，CSBS s中进行任务卸载的UE集合用

表示，本地计算的UE集合用

表示。由此，可以得到系统总开销为：

进一步，在步骤S3中，为了得到MEC计算资源分配结果，MEC的计算资源将分配给每个进行任务卸载的UE。优化目标是最小化所有任务卸载UE的总任务在MEC的总计算时间，问题可表述为：

该问题的拉格朗日函数定义如下：

是凹函数，有最小值。令一阶导数等于0，可得：

其中，

利用梯度法对拉格朗日算子进行迭代更新：

进一步，步骤S4中，基于用户设备时延优先级的分布式资源块分配算法分为以下步骤：

(1)UE等级划分

由于不同UE的业务需求有所不同，其对时延的敏感程度差异较大，如表1所示为3GPP对不同UE的时延要求划分。可以看出，在线游戏UE对时延要求最高，而在线缓存视频UE对时延要求则较低。基于用户设备时延优先级的资源块分配方案，首先根据UE对时延的敏感程度，将不同的UE划分为不同的优先级，为高优先级的UE优先分配RB。其次，同等优先级的UE根据满意度以及信道质量估计值依次分配RB。

表1 UE对不同业务的时延要求

由于UE的时延敏感度不同，把具有相同优先级的UE划分到同一个优先级组中，如表2所示。在表2(a)中，UE的优先级不同，时延要求也不同，其中UE对时延要求的大小顺序为d₁＜d₂＜d₃＜d₄＜d₅。初始时，根据UE的ID对UE进行排序，然后按照UE对时延要求的不同将UE划分到不同的优先级组中，并且按照优先级降序排序。如表2(a)中，UE 3和UE4都属于第一优先级，因此将它们划分到优先级组G₁中，UE 1属于第二优先级UE，将它划分到优先级组G₂中，以此类推，直到所有UE划分完毕，如表2(b)所示。

表2 UE优先级表

在表2(b)中，由于UE 3和UE5属于第一优先级组，因此优先给它们分配RB，UE 2属于第二优先级组，因此在第一优先级组分配完毕之后，再给它们分配RB，以此类推，直至所有UE分配完毕。

(2)UE的满意度

处于同一优先级的UE，根据UE满意度的大小由小到大依次分配RB。UE在任意时刻的满意度定义为：

UE的θ值越小，说明UE当前的满意度越低，优先分配RB。

(3)RB质量表

如果处于同一优先级UE的满意度相同，优先选择RB质量表中首位RB质量最好的UE分配RB。网络中的CSBS根据可用RB数和RB质量为每个UE创建RB质量表，并按RB质量降序排列。本节把UE u_s在RBn上传输数据的平均SINR定义为UE u_s对RBn的估计质量：

对于CSBS的UE u_s，其RB质量表如表3所示。

表3 RB质量表

其中，

(4)信息交互

每个CSBS把当前UE的信息，包括：UE位置、UE优先级、UE满意度θ、UERB质量表，通过光纤链路发送给MEC。当MEC收到该信息后进行汇总，并把汇总结果通过光纤链路反馈给CSBS。该汇总信息包括：所有CSBS的UE位置、UE优先级、UE满意度θ和UERB质量表。由于MEC强大的计算能力，以及MEC和CSBS之间通过光纤链路连接，所以该信息交互很快，时间忽略不计。当CSBS收到汇总信息后，可以分布式的执行RB分配算法，具体包含以下步骤：

步骤1：对于CSBS s中的所有UE；

步骤2：选择优先级最高的UE；

步骤3：判断是否有多个优先级相同的UE，如果有转到步骤4，否则转到步骤15；

步骤4：选择θ最小的UE；

步骤5：判断是否有多个θ相同的UE，如果有转到步骤6，否则转到步骤13；

步骤6：选择RB质量表中首位RB质量最高的UE

步骤7：判断是否有多个首位RB质量相同的UE，如果有转到步骤8，否则转到步骤11；

步骤8：随机选择一个UE；

步骤9：RB质量表中首位RB分配给该UE；

步骤10：更新CSBS s下所有UE的RB质量表和θ；

步骤11：把RB质量表中首位RB分配给该UE；

步骤12：更新CSBS s下所有UE的RB质量表和θ；

步骤13：把RB质量表中首位RB分配给该UE；

步骤14：更新CSBS s下所有UE的RB质量表和θ；

步骤15：把RB质量表中首位RB分配给该UE；

步骤16：更新CSBS s下所有UE的RB质量表和θ；

步骤17：RB分配结果Y_s。

本发明的有益效果在于：该方法以最小化系统总开销为目标，通过任务卸载决策、资源块分配、计算资源分配等方式，实现系统开销最小化，并保证用户的时延需要和通信质量。

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优选的详细描述，其中：

图1为基于MEC的UE任务卸载网络模型；

图2为计算卸载和资源分配联合优化流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

图1是基于MEC的UE任务卸载网络模型图。考虑一个由宏蜂窝基站(Macro CellBase Station,MBS)、认知小蜂窝基站(Cognitive Small Cell Base Station,CSBS)、MEC、UE组成的两层蜂窝异构网络。MEC部署于MBS侧，且MEC和CSBS通过光纤链路和MBS连接。S＝{1，2，3，…，S}表示CSBS的集合，其中s表示第s个CSBS。每个CSBS下有若干个UE，U_s＝{1，2，3，…，U_s}表示CSBS s的UE集合，u_s表示属于CSBS s的UE u。假设每个UE都有需要大量计算资源和时延敏感的任务需要完成，每个UE可以选择通过所属服务CSBS将任务卸载到MEC计算或本地计算。本模型采用半静态场景，假定在一个任务卸载周期内UE位置和传输信道状况保持不变。

(1)通信模型

网络中的每个UE都可将自己的计算任务卸载到MEC服务器。对于CSBS s，使用

代表UE u_s的计算卸载决策，因此有

作为卸载决策向量，它是一个1×U_s的矩阵。

考虑CSBS间频谱可复用，即CSBS之间存在干扰，但在CSBS内，频谱正交地分配给各个UE，因此CSBS内不存在干扰。考虑上行链路传输，即传输从UE到其所从属的CSBS，而干扰来自所有使用相同资源块(Resource Block,RB)的CSBS。系统总可用带宽为BHz，RB个数为N，用N＝{1，2，3，...，N}表示RB集合。对CSBS s，用

表示RB分配向量，它是一个U_s×N的矩阵。其中

表示RBn分配给CSBS s的UEu，

则表示不分配。

当UE使用被临近CSBS占用的RB时，将产生干扰。将CSBS接收到的所有干扰传输功率之和定义为干扰强度。因此，CSBS s的UE u_s在RBn上受到的干扰强度可由下式计算：

其中

表示UE的传输功率；

表示分配给CSBS t的UE u_t的RB个数；

表示CSBS t的UE u_t与CSBS s之间的信道增益。

使用香农容量公式计算上行链路传输速率。给定CSBS s的决策向量X_s和RB分配向量Y_s，CSBS s的UE u_s的上传速率为：

本方案中频谱分配问题主要关注CSBS之间的干扰抑制，功率分配不在本方案考虑范围内，将UE的传输功率均分给其分配的RB。

(2)计算模型

假设每个UE都有计算任务，用

来描述CSBS s的UE u_s的任务。此任务既可以由UE本地计算，也可以卸载到MEC计算。

代表任务数据量大小；

代表完成任务

所需要的CPU周期数，与网络设备的计算能力是相互独立的概念；

表示满足该任务的卸载计算时间不大于本地计算时间的最小RB个数需求。

①本地计算开销

本地计算开销由UE本地计算时间开销和本地计算能量开销组成。其中时间开销由完成任务

所需要的CPU周期数和UE的计算能力决定，表示为：

其中，

表示UE u_s的计算能力(即CPU频率)。

能量消耗由完成任务

所需要的CPU周期数与CPU每周期能量消耗决定，表示为：

其中，

代表CPU每周期消耗的能量。

因此，本地计算总开销为：

其中

分别代表UE u_s的任务计算时间权重和能耗权重。

②MEC计算开销

UE通过CSBS把任务

传输到MEC的时间和能量开销分别为：

MEC在任务卸载完成后进行计算，计算时间开销为：

其中，

表示MEC为u_s分配的计算资源(即CPU频率)。

因此，任务卸载到MEC计算的总开销为：

(3)优化问题建模

本发明提出了一种基于MEC的两层蜂窝异构网络任务卸载、计算资源分配和频谱资源分配的综合优化模型。该问题包含以下约束条件：

首先需要决定CSBS的UE是否卸载，则卸载决策约束条件C1可表示为：

其中，

是CSBS s任务卸载指示参数，表示UE u_s是否进行任务卸载。

表示CSBS s的UE u_s进行任务卸载，相反，

则不卸载。

其次，需要决定CSBS的UE和RB的分配关系，则频谱资源约束条件C2可表示为：

是频谱资源分配指示参数，表示CSBS s是否将RBn分配给UE u_s。

表示CSBS s将RBn分配给UE u_s，相反，

则不分配。

最后需要保证所有UE卸载任务所分得的MEC计算资源总和不超过MEC的计算能力，则计算资源约束条件C3可表示为：

其中，F是MEC总的计算资源。

通过以上分析，优化问题可建模为：

此优化目标是最小化系统总开销，包括时间开销和能量开销。该优化问题有三个优化变量(其中包含二元变量)，若能求得以上三个变量的最优值，即可得到全局最优解。但在实际情况下优化问题(32)难以求解，原因有以下两点：1)由于卸载决策向量X和RB分配向量Y是二元变量，导致优化问题(32)不是凸优化问题。2)优化问题(32)的计算复杂度过高。即使假定所有的变量都是二元变量，求解算法的复杂度高达O(N³)。

图2是计算卸载和资源分配联合优化流程图。为了降低问题求解复杂度，可将问题(32)分解为以下三步求解：任务卸载决策、MEC计算资源分配和RB分配，主要包括以下步骤：

步骤201：开始执行算法；

步骤202：UE任务数据量越大，对计算能力的要求越高，越倾向于把任务卸载到MEC计算。首先，选定任务数据量大于D_thres的UE进行任务卸载；

步骤203：RB个数估计，得到任务卸载UE的最小RB需求量；

步骤204：根据卸载UE的RB需求量，执行基于用户设备时延优先级的分布式资源块分配方案，为任务卸载UE分配RB；

步骤205：执行MEC计算资源分配，为任务卸载UE分配MEC计算资源；

步骤206：根据卸载UE任务本地计算开销和卸载计算开销得出卸载决策向量X；

步骤207：计算此时系统总开销W_total；

步骤208：查找卸载决策向量X中零元素；

步骤209：判断卸载决策向量X中的零元素是否依次查找完毕；如果没有依次查找完毕，转到步骤210，如果依次查找完毕，转到步骤214；

步骤210：搜索其中具有最低卸载开销的UE u_s，然后设置其

步骤211：资源重分配重新得到

步骤212：本轮的系统总开销与上轮的系统总开销作比较；

步骤213：如果新一轮系统总开销小于上一轮系统总开销，则将当前的卸载向量X设为本轮迭代采用的卸载决策，即保持

不变；如果新一轮系统总开销大于上一轮系统总开销，则将上一轮卸载向量作为本轮迭代采用的卸载决策，即恢复

步骤214：直到遍历X中所有零元素，则当前的卸载决策向量为最终卸载决策，相应的RB和MEC计算资源分配结果为最终资源分配方案，得到最终卸载决策和资源分配结果

步骤215：算法结束。

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 (3)

1.基于5G移动边缘计算的任务卸载和资源分配联合优化方法，其特征在于：该方法根据所提网络场景的特性，联合优化用户设备任务卸载决策、资源块分配、MEC计算资源分配来最小化系统总开销，具体包括以下步骤：

S1：需求资源块数量估计；

S2：任务卸载决策方案；

S3：计算资源分配方案；

S4：基于用户设备时延优先级的分布式资源块分配方案；

在所述步骤S1中，建模任务卸载模型；

即一个由宏蜂窝基站MBS、认知小蜂窝基站CSBS、移动边缘计算MEC和用户设备UE组成的两层蜂窝异构网络；MEC部署于MBS侧，且MEC和CSBS通过光纤链路和MBS连接；S＝{1，2，3，…，S}表示CSBS的集合，其中s表示第s个CSBS；每个CSBS下有若干个UE，U_s＝{1，2，3，…，U_s}表示CSBSs的UE集合，u_s表示属于CSBSs的UEu；

假设A个UE有任务卸载需求，MEC将计算资源平均的分配给各个UE，任务卸载计算时间开销不应该超过本地计算时间开销，得到u_s进行任务卸载所需的RB数量

为最小需求RB数量；

为最大需求RB数量；

在所述步骤S2中，UE根据任务本地计算开销和任务卸载计算开销的对比结果做出卸载决策：

若所述UE的任务本地计算开销小于等于任务卸载计算开销，则UE决策任务在本地执行，否则，卸载到MEC执行；

在所述步骤S3中，为得到MEC计算资源分配结果，以最小化所有任务卸载UE总任务在MEC的总计算时间为目标，为每个进行任务卸载的UE分配MEC计算资源；

问题表述为：

其中

表示用户u_s卸载到MEC的计算时间；

表示用户us本地计算时间，用户u_s任务卸载时间；

表示用户u_s任务使用的MEC算力；

在所述步骤S4中，根据实际网络中UE时延敏感度的不同，采用一种基于用户设备时延优先级的分布式资源块分配方案，该方案根据UE的时延敏感度把UE分为不同的优先级，高优先级UE优先分配资源块，同时又不对低优先级UE造成过大的影响；其次，同等优先级的UE根据满意度以及信道质量估计值依次分配RB。

2.根据权利要求1所述的基于5G移动边缘计算的任务卸载和资源分配联合优化方法，其特征在于：在所述步骤S1中，UE任务本地计算开销由UE任务本地计算时间开销和能量开销组成；

其中时间开销由完成任务所需要的CPU周期数和UE的计算能力决定，能量开销由完成任务所需要的CPU周期数与CPU每周期能量消耗决定；UE任务卸载计算开销由UE任务传输时间开销，传输能量开销和MEC计算时间开销组成；

其中，UE任务传输时间开销由任务数据量大小以及任务传输速率决定，UE任务传输能量开销由UE发射功率及任务传输时间决定，MEC计算时间开销由MEC为UE分配的计算资源以及完成任务所需要的CPU周期数决定。

3.根据权利要求2所述的基于5G移动边缘计算的任务卸载和资源分配联合优化方法，其特征在于：在所述步骤S4中，对用户优先级的划分依据3GPP对不同UE的时延要求划分。

Images