CN110287034B - 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 - Google Patents
一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 Download PDFInfo
- Publication number
- CN110287034B CN110287034B CN201910598524.8A CN201910598524A CN110287034B CN 110287034 B CN110287034 B CN 110287034B CN 201910598524 A CN201910598524 A CN 201910598524A CN 110287034 B CN110287034 B CN 110287034B
- Authority
- CN
- China
- Prior art keywords
- task
- time slot
- mobile device
- energy
- mobile
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种可充电移动边缘计算中能量‑延迟平衡的动态任务分配方法,包括步骤:S1:设置移动设备发出请求产生的任务执行包括三种模式;S2:建立移动设备发出请求产生的任务优化分配的数学模型;S3:采集初始化相应参数;S4:采集第1个时隙的移动设备捕获的能量Eh(1)和信道功率增益H(1),并计算虚拟电源能量队列S5至S11:将目标函数分为能量优化部分和任务分配优化部分分别求解最优值,更新相应参数;S12:重复步骤S6至S11,直到满足动态迭代停止条件;本发明设计了三种执行任务移动设备任务的模式,在原装电源不足的情况下,以低功耗模式执行任务,降低了任务丢弃率,绿色环保,还考虑到能源消耗和延迟成本,提高了移动设备任务的分配和计算的效率。
Description
技术领域
本发明涉及移动设备的任务分配计算的技术领域,具体涉及一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法。
背景技术
智能手机、平板电脑和可穿戴设备等移动设备的日益普及,加速了物联网技术的发展,并引发了移动应用程序的革命,越来越多的大型复杂计算应用应运而生。然而,由于智能移动设备的工业趋向于小型化和轻薄化,当其面对大规模计算任务时,依旧存在着很多技术瓶颈。一是其计算能力仍然不能满足复杂移动应用的要求,需要花费较长的时间才能获取计算结果;二是其本身配备的电池容量不足以支撑长时间的复杂型计算,从而影响设备电池寿命;三是在其本身配备的电池容量不足的情况下,往往采用将任务丢弃不执行的策略,使得执行的任务不完整。
为了解决上述问题,以移动云计算为基础的移动边缘计算(MEC)作为一种新型计算模式引起了广泛关注。其中心思想是将资源受限的移动设备所需处理的大规模计算任务切割成子任务,迁移到距离移动设备较近的边缘服务内处理,从而减轻了移动设备的计算负担。与传统的云计算技术(如亚马逊,谷歌)相比,移动边缘计算中设置的服务器更接近智能移动设备,从而减少了计算任务传输的网络跳数。因此,将计算负载卸载到移动边缘服务器不仅可以减少数据传输拥塞,从而减少传输延迟,还可以节省能量消耗并进一步延长移动设备的电池寿命。
遗憾的是,尽管计算迁移在利用边缘服务器上的强大计算资源方面是有效的,但对于传统的电池供电设备,当用于任务处理的电池能量不足,计算性能可能会受到影响,即移动设备应用会被终止,移动设备将停止工作。这可以通过使用更大的电池或定期给电池充电来克服。然而,在移动设备上使用更大的电池意味着增加的硬件成本,这是移动设备制造商不希望的。另一方面,频繁的充电可能会影响移动设备的便携性,影响用户的体验,此外,在电池能量源不足的极端环境下,频繁充电是很难实现的。因此,在过去的十年中,人们对绿色能源的需求激增。能量收集技术被认为是解决这一问题的有效方法。它可以使移动设备通过能量收集设备捕获环境中的可再生能源,如太阳辐射等。针对传统移动设备存在的上述问题,利用能量收集技术实现了移动设备的能量补充和稳定运行。
将能量收集技术集成到移动边缘系统中,实现了移动设备连续高效的计算性能,但随之而来的是新的挑战。首先,能量收集设备从环境中获取的能量是可变的,且移动设备每一刻的能量消耗也是不可预测的,从而在应用执行过程中如何保证电池电量的稳定是我们需要注意的问题。其次,系统越复杂,影响卸载决策的因素就越多,如何设计算法保证系统高效运行同样存在挑战。
发明内容
有鉴于此,本发明的目的是提供一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,设计了三种执行任务移动设备任务的模式,在原装电源不足的情况下,以低功耗模式执行任务,不仅降低了任务丢弃率,也保证了系统的完整性,且最大限度的利用绿色环保能源,降低污染,此外,还综合考虑到能源消耗和延迟成本,提高了移动设备任务的分配和计算的效率。
本发明提供一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,包括步骤:
S1:建立移动设备发出请求产生的任务执行模型,包括移动设备和移动边缘服务器;所述移动设备与移动边缘服务器连接,用于将移动设备发出请求产生的任务传输到移动边缘服务器;所述移动设备设置有原装电源模块;所述移动设备设置有备用电源模块;所述原装电源的能量来自于可再生能源,用于为移动设备本地执行任务、传输任务和移动边缘服务器执行任务供能;所述备用电源的能量来自于不可再生能源,用于为移动设备本地执行任务供能;
设置移动设备发出请求产生的任务执行包括三种模式:模式一:分配给移动设备本地执行且利用原装电源供能模式;模式二:分配给移动设备本地执行且利用备用电源供能;模式三:移动设备传输任务到移动边缘服务器执行且利用原装电源供能模式;
将任务执行模型的任务处理周期划分为T个时间长度的相等的时隙;
S2:建立移动设备发出请求产生的任务优化分配的数学模型,所述数学模型包括设计变量、目标函数和约束条件;其中,步骤S2具体包括步骤:
S201:确定设计变量:将任务执行模式的决策变量Ij(t)、移动设备本地且利用原装电源执行任务的频率f(t)、移动设备传输任务到移动边缘服务器的传输功率P(t)和移动设备捕获的能量Eh(t)作为设计变量;
S202:确定目标函数:以移动设备发出请求产生的任务的执行能耗成本和延迟成本的加权和最小化为移动设备发出请求产生的任务优化分配的目标函数;其中,目标函数为:
其中,表示通过优化设计Ij(t)、f(t)、P(t)、Eh(t)和I′(t)中的任意一项或者任意多项变量,任达到最小;Ij(t)为第t个时隙内移动设备发出请求产生的任务的决策变量,Ij(t)∈{0,1},j∈{l,o,b};当j为l时,Il(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式一执行的决策变量,Il(t)=1表示第t个时隙内移动设备发出的请求产生的任务采用模式一执行,Il(t)=0表示第t个时隙内移动设备发出的请求产生的任务未采用模式一执行;当j为b时,Ib(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式二执行的决策变量,Ib(t)=1表示第t个时隙内移动设备发出的请求产生的任务采用模式二执行,Ib(t)=0表示第t个时隙内移动设备发出的请求产生的任务采用未模式二执行;当j为o时,Io(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式三执行的决策变量,Io(t)=1表示第t个时隙时隙内移动设备发出的请求产生的任务采用模式三执行,Io(t)=0表示第t个时隙时隙内移动设备发出的请求产生的任务未采用模式三执行;f(t)为第t个时隙内采用模式一执行任务的执行频率,P(t)为第t个时隙内移动设备传输任务到移动边缘服务器的传输功率,Eh(t)为第t个时隙内移动设备捕获的能量,N为移动设备发出的请求的总数量,Qi(t)为第t个时隙内移动设备发出的第i个请求产生的任务队列,Al,i(t)为第t个时隙内移动设备发出的第i个请求采用模式一执行的待执行任务数据大小,Ai(t)为移动设备发出的第i个请求产生的任务数据大小,1[]为指标函数,若1[]中的位于[]中的式子成立,则1[]=1,若1[]中的位于[]中的式子不成立,则1[]=0;Di(t)为第t个时隙内移动设备发出的第i个请求采用模式一执行的已完成任务数据大小,为第t个时隙内虚拟电源能量队列,Ec(t)为第t个时隙内移动设备的原装电源的总能耗,Ec(t)=El(t)+Eo(t),V为任务积压控制参数,0<V<+∞,E(t)为第t个时隙内执行任务的总能耗成本,γ为移动设备能耗成本和延迟成本的权重,TD(t)为第t个时隙内到达任务的总延迟;I′(t)为第t个时隙的惩罚因子选择变量,I′(t)∈{F,1},F为惩罚因子,F>0,若第t个时隙移动设备发出的请求产生的任务采用模式二执行,则I′(t)=F;若第t个时隙移动设备发出的请求产生的任务未用模式二执行,则I′(t)=1;
S203:确定约束条件:所述约束包括:
(2-1)决策变量约束条件:
Io,i(t)+Il,i(t)+Ib,i(t)=1 (2)
其中,Il,i(t)、Ib,i(t)和Io,i(t)分别表示第t个时隙内移动设备发出的第i个请求产生的任务备采用模式一、模式二和模式三执行的决策变量;Io,i(t)∈{0,1},Il,i(t)∈{0,1},Ib,i(t)∈{0,1},Il,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行,Il,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式一执行;Ib,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行,Ib,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式二执行;Io,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式三执行,Io,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式三执行;
(2-2)移动设备捕获能量的约束条件:
0≤Eh(t)≤Eh max (3)
其中,Eh max表示每个时隙内移动设备捕获能够捕获的能量上限值;
(2-3)移动设备的原装电源的约束条件:
Bmin≤B(t)≤Bmax (4)
其中,B(t)表示移动设备的原装电源第t个时隙开始时存储的能量;Bmin和Bmax分别表示移动设备的原装电源存储能量的下限值和上限值;
(2-4)移动设备本地执行任务的频率的约束条件:
0≤fi(t)≤fmax (5)
其中,fi(t)表示第t个时隙内采用模式一执行移动设备发出的第i个请求产生的任务的频率;fmax表示每个时隙内采用模式一执行任务的频率上限值;
(2-5)任务传输功率的约束条件:
0≤Pi(t)≤Pmax (6)
其中,Pi(t)表示第t个时隙内移动设备传输第i个请求产生的任务到移动边缘服务器的传输功率;Pmax表示移动设备发出的请求产生的任务从移动设备传输到移动边缘服务器的传输功率上限值;
(2-6)移动设备总能耗的约束条件:
Ec(t)≤Emax (7)
Ec(t)∈{0}∪[Emin,Emax] (8)
其中,Emin和Emax表示每个时隙内移动设备的原装电源的总能耗下限值和上限值;
(2-7)移动设备本地且利用原装电源执行任务的缓冲队列状态的约束条件:
S3:初始化t=1;初始化第1个时隙的原装电源的储存能量B(1)=0,初始化第1个时隙的动态任务缓冲队列Qi(1)=0;
S5:将目标函数简化划分为能量优化部分Part1和任务分配优化部分Part2;所述能量优化部分Part1为:
所述任务分配优化部分Part2为:
S6:求解能量优化部分Part1的最优值,确定Eh(t);
S7:通过调节f(t)和P(t),求解移动设备发出请求产生的任务执行的三种模式下任务分配优化部分Part2的最优值;
S8:对三种模式下得到Part2的值进行大小比较,将值最小的Part2对应的移动设备发出请求产生的任务执行的模式,作为第t个时隙最终的移动设备发出请求产生的任务执行模式;
S10:令t增加1,更新t;
S12:重复步骤S6至S11,直到任务执行模型的任务处理周期结束或者移动设备不再发出请求。
其中,θ为原装电源的扰动参数;所述θ的计算公式为:
其中,为原装电源的实际最大的能量消耗,Emax表示每个时隙内移动设备的总能耗上限值;为每个时隙内采用模式一执行任务的能耗上限值,K为有效的开关电容,τ为每个时隙的长度;为移动设备发出请求产生的任务传输到移动边缘服务器的能耗上限值,φ为备用电源执行的权重;γ为移动设备能耗成本和延迟成本的权重;Pmax为移动设备发出的请求产生的任务从移动设备传输到移动边缘服务器的传输功率上限值;
所述B(t)的计算公式为:
B(t)=B(t-1)+Eh(t-1)-Ec(t-1) (14)
其中,B(t)和B(t-1)分别表示第t个时隙和第t-1个时隙移动设备原装电源的储存能量,Eh(t-1)为第t-1个时隙内移动设备捕获的能量,Ec(t-1)为第t个时隙内移动设备的原装电源的总能耗;所述步骤S4中计算第1个时隙的虚拟电源能量队列也是通过(14)式计算得到。
进一步,所述任务缓冲队列Qi(t)的计算公式为:
其中,Qi(t)和Qi(t-1)分别表示第t个时隙和第t-1个时隙移动设备发出的第i个请求产生的动态任务缓冲队列。
其中,T表示时隙的总数量;E{Qi(t)}表示Qi(t)的期望。
进一步,所述TD(t)的计算公式为:
TD(t)=Tl(t)+To(t)+Tb(t) (17)
其中,Tl(t)为第t个时隙内到达的请求采用模式一执行的所有任务的本地延迟;To(t)为第t个时隙内所有请求分配给移动边缘服务器任务的卸载执行延迟;Tb(t)为第t个时隙内使用备用电源产生的总延迟;
所述Tl(t)的计算公式为:
其中,Tl,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的延迟成本;
所述Tl,i(t)的计算公式为:
其中,Tp,i(t)和Tq,i(t)分别为第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的排队延迟成本和计算延迟成本;
进一步,所述To(t)的计算公式为:
其中,Tt,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务传输到移动边缘服务器执行的传输延迟成本;Tc,t(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式三执行的计算延迟成本;
所述Tt,i(t)的计算公式为:
其中,Ao,i(t)为第t个时隙内移动设备发出的第i个请求分配给移动边缘服务器的待执行任务数据大小,Ai(t)为移动设备发出的第i个请求产生的任务数据大小,1[]为指标函数,若1[]中的位于[]中的式子成立,则1[]=1,若1[]中的位于[]中的式子不成立,则1[]=0;ri(t)为第t个时隙内移动设备发出的第i个请求分配给移动边缘服务器执行任务的传输速率;
所述ri(t)的计算公式为:
其中,ω为传输带宽;H(t)表示第t个时隙内移动设备传输第i个请求产生的任务到移动边缘服务器的信道功率增益,No为信道噪声功率;所述H(t)服从指数分布,H(t)的均值的计算公式为:
其中,go表示移动设备将任务传输到移动边缘服务器的传输路径损耗常量,do和d分别表示移动设备将任务传输到移动边缘服务器的参考距离和实际距离;
所述Tc,t(t)的计算公式为:
其中,L表示成功执行1bit到达任务所需移动边缘服务器的中央处理器的转数,fmec表示移动边缘服务计算能力的常数;其中,成功执行1bit到达任务所需移动边缘服务器的中央处理器的转数和成功执行1bit到达任务所需移动设备本地的中央处理器的转数相等。
进一步,所述Tb(t)的计算公式为:
其中,Tb,i(t)为第t个时隙内移动设备发出的第i个请求产生的任务采用模式二的执行延迟成本;
所述Tb,i(t)的计算公式为:
其中,φ为备用电源执行的权重;1[]为指标函数,若1[]中的位于[]中的式子成立,则1[]=1,若1[]中的位于[]中的式子不成立,则1[]=0。
进一步,所述Di(t)的计算公式为:
Di(t)=τfi(t)L-1 (27)
其中,L表示成功执行1bit到达任务所需移动设备本地的中央处理器的转数。
进一步,所述Ec(t)的计算公式为:
Ec(t)=El(t)+Eo(t) (28)
其中,El(t)为第t个时隙内采用模式一执行任务的能耗,Eo(t)为第t个时隙内移动设备传输任务到移动边缘服务器的能耗;
所述El(t)的计算公式为:
其中,El,i(t)第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的能耗;
所述El,i(t)的计算公式为:
El,i(t)=K·fi 2(t)Di(t)L (30)
其中,L表示成功执行1bit到达任务所需移动设备本地的中央处理器的转数;
所述Eo(t)的计算公式为:
进一步,所述E(t)的计算公式为:
E(t)=Ec(t)+Eb(t) (32)
其中,Eb(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行的能耗;
所述Eb(t)的计算公式为:
其中,Eb,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行的能源成本;
所述Eb,i(t)的计算公式为:
Eb,i(t)=K.fb 2Db(t)L (34)
其中,fb为常量,表示采用模式二执行任务的移动设备本地中央服务器在低功耗下的计算能力,fb<fi(t);Db(t)表示第t个时隙内采用模式二执行的执行任务量,L表示成功执行1bit到达任务所需移动设备本地的中央处理器的转数。
本发明的有益效果:本发明设计了三种执行任务移动设备任务的模式,在原装电源不足的情况下,以低功耗模式执行任务,不仅降低了任务丢弃率,也保证了系统的完整性,且最大限度的利用绿色环保能源,降低污染,此外,还综合考虑到能源消耗和延迟成本,提高了移动设备任务的分配和计算的效率。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程示意图;
图2为任务执行模型的结构示意图。
具体实施方式
如图1和图2所示,本发明提供的一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,包括步骤:
S1:建立移动设备发出请求产生的任务执行模型,包括移动设备和移动边缘服务器;所述移动设备与移动边缘服务器连接,用于将移动设备发出请求产生的任务传输到移动边缘服务器(MEC服务器);所述移动设备设置有原装电源模块;所述移动设备设置有备用电源模块;所述原装电源的能量来自于可再生能源,用于为移动设备本地执行任务、传输任务和移动边缘服务器执行任务供能;所述备用电源的能量来自于不可再生能源,用于为移动设备本地执行任务供能;本实施例中,电信运营商管理的MEC服务器是与移动设备相比具有足够的计算、能量资源的小型计算中心;MEC服务器通过无线连接方式为移动设备提供服务;移动设备(MD)计算能力有限,配备有能量收集装置,装置所收集的能量可用于执行或传输移动设备的任务数据。原装电源的能量来自于可再生能源,这里的可再生能源属于绿色能源,在移动设备原装电源能量充足的情况下,优先采用原装电源功能,绿色环保。而移动设备的备用电源作为低功耗功能模式,在原装电源不足的情况,这个备用电源的低功耗机制,使得任务仍可以以低功耗模式执行,尽可能少的丢弃任务,保证任务的完整性。本实施例中,原装电源为原装电池,备用电源为备用电池。图2中,虚线表示移动设备与移动边缘服务器采用无线通信方式传输任务和返回任务执行结果。
设置移动设备发出请求产生的任务执行包括三种模式:模式一:分配给移动设备本地执行且利用原装电源供能模式;模式二:分配给移动设备本地执行且利用备用电源供能;模式三:移动设备传输任务到移动边缘服务器执行且利用原装电源供能模式;模式二考虑到移动设备没有足够的能源来执行任务或将它们传输到MEC服务器,这部分任务将由备用能量供电而无需在队列等待,直接由移动设备本地CPU以低功率直接执行。现有的方法,在遇到电池能量不足时,大都采用将任务丢弃不执行的策略。在本文的执行模式中,设计一个备用电池机制,使系统在电池能量不足时,仍在以低功耗模式执行,尽可能少的丢弃任务。
将任务执行模型的任务处理周期划分为T个时间长度的相等的时隙;
S2:建立移动设备发出请求产生的任务优化分配的数学模型,所述数学模型包括设计变量、目标函数和约束条件;其中,步骤S2具体包括步骤:
S201:确定设计变量:将任务执行模式的决策变量Ij(t)、移动设备本地且利用原装电源执行任务的频率f(t)、移动设备传输任务到移动边缘服务器的传输功率脚)和移动设备捕获的能量Eh(t)作为设计变量;
S202:确定目标函数:以移动设备发出请求产生的任务的执行能耗成本和延迟成本的加权和最小化为移动设备发出请求产生的任务优化分配的目标函数;其中,目标函数为:
其中,表示通过优化设计Ij(t)、f(t)、P(t)、Eh(t)和I′(t)中的任意一项或者任意多项变量,使达到最小;Ij(t)为第t个时隙内移动设备发出请求产生的任务的决策变量,Ij(t)∈{0,1},j∈{l,o,b};当j为l时,Il(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式一执行的决策变量,Il(t)=1表示第t个时隙内移动设备发出的请求产生的任务采用模式一执行,Il(t)=0表示第t个时隙内移动设备发出的请求产生的任务未采用模式一执行;当j为b时,Ib(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式二执行的决策变量,Ib(t)=1表示第t个时隙内移动设备发出的请求产生的任务采用模式二执行,Ib(t)=0表示第t个时隙内移动设备发出的请求产生的任务采用未模式二执行;当j为o时,Io(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式三执行的决策变量,Io(t)=1表示第t个时隙时隙内移动设备发出的请求产生的任务采用模式三执行,Io(t)=0表示第t个时隙时隙内移动设备发出的请求产生的任务未采用模式三执行;f(t)为第t个时隙内采用模式一执行任务的执行频率,P(t)为第t个时隙内移动设备传输任务到移动边缘服务器的传输功率,Eh(t)为第t个时隙内移动设备捕获的能量,N为移动设备发出的请求的总数量,Qi(t)为第t个时隙内移动设备发出的第i个请求产生的任务队列,Al,i(t)为第t个时隙内移动设备发出的第i个请求采用模式一执行的待执行任务数据大小,Ai(t)为移动设备发出的第i个请求产生的任务数据大小,1[]为指标函数,若1[]中的位于[]中的式子成立,则1[]=1,若1[]中的位于[]中的式子不成立,则1[]=0;Di(t)为第t个时隙内移动设备发出的第i个请求采用模式一执行的已完成任务数据大小,为第t个时隙内虚拟电源能量队列,Ec(t)为第t个时隙内移动设备的原装电源的总能耗,Ec(t)=El(t)+Eo(t),V为任务积压控制参数,0<V<+∞,E(t)为第t个时隙内执行任务的总能耗成本,γ为移动设备能耗成本和延迟成本的权重,TD(t)为第t个时隙内到达任务的总延迟;I′(t)为第t个时隙的惩罚因子选择变量,I′(t)∈{F,1},F为惩罚因子,F>0,若第t个时隙移动设备发出的请求产生的任务采用模式二执行,则I′(t)=F;若第t个时隙移动设备发出的请求产生的任务未用模式二执行,则I′(t)=1;
S203:确定约束条件:所述约束包括:
(2-1)决策变量约束条件:
Io,i(t)+Il,i(t)+Ib,i(t)=1 (2)
其中,Il,i(t)、Ib,i(t)和Io,i(t)分别表示第t个时隙内移动设备发出的第i个请求产生的任务备采用模式一、模式二和模式三执行的决策变量;Io,i(t)∈{0,1},Il,i(t)∈{0,1},Ib,i(t)∈{0,1},Il,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行,Il,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式一执行;Ib,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行,Ib,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式二执行;Io,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式三执行,Io,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式三执行;
(2-2)移动设备捕获能量的约束条件:
0≤Eh(t)≤Eh max (3)
其中,Eh max表示每个时隙内移动设备捕获能够捕获的能量上限值;
(2-3)移动设备的原装电源的约束条件:
Bmin≤B(t)≤Bmax (4)
其中,B(t)表示移动设备的原装电源第t个时隙开始时存储的能量;Bmin和Bmax分别表示移动设备的原装电源存储能量的下限值和上限值;
(2-4)移动设备本地执行任务的频率的约束条件:
0≤fi(t)≤fmax (5)
其中,fi(t)表示第t个时隙内采用模式一执行移动设备发出的第i个请求产生的任务的频率;fmax表示每个时隙内采用模式一执行任务的频率上限值;该约束条件,用于限制每个时隙中的移动设备本地CPU(中央处理器)频率。
(2-5)任务传输功率的约束条件:
0≤Pi(t)≤Pmax (6)
其中,Pi(t)表示第t个时隙内移动设备传输第i个请求产生的任务到移动边缘服务器的传输功率;Pmax表示移动设备发出的请求产生的任务从移动设备传输到移动边缘服务器的传输功率上限值;根据约束条件(2-5),上行链路传输功率必须为整且不得超过传输功率上限值Pmax。
(2-6)移动设备总能耗的约束条件:
Ec(t)≤Emax (7)
Ec(t)∈{0}∪[Emin,Emax] (8)
其中,Emin和Emax表示每个时隙内移动设备的原装电源的总能耗下限值和上限值;(7)式的约束条件是为了防止原装电源(电池)过度放电。
(2-7)移动设备本地且利用原装电源执行任务的缓冲队列状态的约束条件:
其中,表示第t个时隙采用模式一执行任务的缓冲队列的状态;表示的期望;表示的绝对值;T表示时隙的总数量;(9)式表示T趋于∞,成立;通过上述数学模型,综合考虑到能耗和延迟成本对任务执行的影响,获得精确的移动设备任务动态分配的优化目标函数及约束条件,方便了后续设计能保证移动设备任务高效执行的模式,且加入了惩罚因子选择变量,增大了模式二(低功耗模式)的使用成本,优选模式一(采用绿色能源的执行任务),既在原装电源能量不足时为待执行任务提供一种备用电源机制,使得任务仍然可以以低功耗模式执行,尽可能少的丢弃任务,也为模式一和模式二提供了一个优先级判据,避免了在原装电源能量充足的时候,采用备用电源执行任务,保证了优先采用绿色能源执行任务。约束条件(2-7)是为了确保移动设备本地数据队列稳定。
S3:初始化t=1;初始化第1个时隙的原装电源的储存能量B(1)=0,初始化第1个时隙的动态任务缓冲队列Qi(1)=0;
S4:采集第1个时隙的移动设备捕获的能量Eh(1)和第1时隙的信道功率增益H(1);计算第1个时隙的虚拟电源能量队列其中,信号功率增益是指从移动设备到移动边缘服务器传输任务的功率增益;本实施例中,每个时隙移动设备捕获的能量和信道功率增益通过现有的方法和工具直接测量即可,在此不赘述。
S5:将目标函数简化划分为能量优化部分Part1和任务分配优化部分Part2;所述能量优化部分Part1为:
所述任务分配优化部分Part2为:
S6:求解能量优化部分Part1的最优值,确定Eh(t);
S7:通过调节f(t)和P(t),求解移动设备发出请求产生的任务执行的三种模式下任务分配优化部分Part2的最优值;通过对决策变量Ij(t)赋予不同的值,来选取三种模式,分别计算三种模式下任务分配优化部分Part2的最优值。
S8:对三种模式下得到Part2的值进行大小比较,将值最小的Part2对应的移动设备发出请求产生的任务执行的模式,作为第t个时隙最终的移动设备发出请求产生的任务执行模式;
S10:令t增加1,更新t;
S12:重复步骤S6至S11,直到任务执行模型的任务处理周期结束或者移动设备不再发出请求。通过上述方法,设计了三种执行任务移动设备任务的模式,在原装电源不足的情况下,以低功耗模式执行任务,不仅降低了任务丢弃率,也保证了系统的完整性,且最大限度的利用绿色环保能源,降低污染,此外,还综合考虑到能源消耗和延迟成本,提高了移动设备任务的分配和计算的效率。
其中,θ为原装电源的扰动参数;所述θ的计算公式为:
其中,为原装电源的实际最大的能量消耗,Emax表示每个时隙内移动设备的总能耗上限值;为每个时隙内采用模式一执行任务的能耗上限值,K为有效的开关电容,τ为每个时隙的长度;为移动设备发出请求产生的任务传输到移动边缘服务器的能耗上限值,φ为备用电源执行的权重;γ为移动设备能耗成本和延迟成本的权重;Pmax为移动设备发出的请求产生的任务从移动设备传输到移动边缘服务器的传输功率上限值;
所述B(t)的计算公式为:
B(t)=B(t-1)+Eh(t-1)-Ec(t-1) (14)
其中,B(t)和B(t-1)分别表示第t个时隙和第t-1个时隙移动设备原装电源的储存能量,Eh(t-1)为第t-1个时隙内移动设备捕获的能量,Ec(t-1)为第t个时隙内移动设备的原装电源的总能耗;所述步骤S4中计算第1个时隙的虚拟电源能量队列也是通过(14)式计算得到。上述计算公式,通过建立原装电源能量收集模型,能够动态地精确地计算每个时隙的虚拟电源能量队列,从而动态地计算目标函数的能量优化部分。
进一步,所述任务缓冲队列Qi(t)的计算公式为:
其中,Qi(t)和Qi(t-1)分别表示第t个时隙和第t-1个时隙移动设备发出的第i个请求产生的动态任务缓冲队列。(15)式的等式右边表示,取和0之中值最大的。在低功耗模式下(模式三),移动设备没有足够的能源来执行任务或将它们传输到MEC服务器,这部分任务将由备用能量供电而无需在队列等待,直接由本地CPU以低功率直接执行。
其中,T表示时隙的总数量;E{Qi(t)}表示Qi(t)的期望。
进一步,所述TD(t)的计算公式为:
TD(t)=Tl(t)+To(t)+Tb(t) (17)
其中,Tl(t)为第t个时隙内到达的请求采用模式一执行的所有任务的本地延迟;To(t)为第t个时隙内所有请求分配给移动边缘服务器任务的卸载执行延迟;Tb(t)为第t个时隙内使用备用电源产生的总延迟;
所述Tl(t)的计算公式为:
其中,Tl,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的延迟成本;
所述Tl,i(t)的计算公式为:
其中,Tp,i(t)和Tq,i(t)分别为第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的排队延迟成本和计算延迟成本。
进一步,所述To(t)的计算公式为:
其中,Tt,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务传输到移动边缘服务器执行的传输延迟成本;Tc,t(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式三执行的计算延迟成本;上述计算公式,不仅考虑了传统的传输延迟,同时还考虑了边缘服务器计算任务所产生延迟的情况。使得动态分配任务的优化目标更接近于实际执行任务的消耗(包括能耗和延迟成本),更贴近于实际,动态适用性强。
所述Tt,i(t)的计算公式为:
其中,Ao,i(t)为第t个时隙内移动设备发出的第i个请求分配给移动边缘服务器的待执行任务数据大小,Ai(t)为移动设备发出的第i个请求产生的任务数据大小,1[]为指标函数,若1[]中的位于[]中的式子成立,则1[]=1,若1[]中的位于[]中的式子不成立,则1[]=0;ri(t)为第t个时隙内移动设备发出的第i个请求分配给移动边缘服务器执行任务的传输速率;
所述ri(t)的计算公式为:
其中,ω为传输带宽;H(t)表示第t个时隙内移动设备传输第i个请求产生的任务到移动边缘服务器的信道功率增益,No为信道噪声功率;所述H(t)服从指数分布,H(t)的均值的计算公式为:
其中,go表示移动设备将任务传输到移动边缘服务器的传输路径损耗常量,do和d分别表示移动设备将任务传输到移动边缘服务器的参考距离和实际距离;
所述Tc,t(t)的计算公式为:
其中,L表示成功执行1bit到达任务所需移动边缘服务器的中央处理器的转数,fmec表示移动边缘服务计算能力的常数;其中,成功执行1bit到达任务所需移动边缘服务器的中央处理器的转数和成功执行lbit到达任务所需移动设备本地的中央处理器的转数相等。本实施例中,设定移动边缘服务器的计算能力比移动设备本地的计算能力强得多,则fmec>>fi(t),>>表示远大于。
进一步,所述Tb(t)的计算公式为:
其中,Tb,i(t)为第t个时隙内移动设备发出的第i个请求产生的任务采用模式二的执行延迟成本;
所述Tb,i(t)的计算公式为:
其中,φ为备用电源执行的权重;1[]为指标函数,若1[]中的位于[]中的式子成立,则1[]=1,若1[]中的位于[]中的式子不成立,则1[]=0。如上所述,当使用备用能量计算任务时,移动设备本地CPU的计算能力较弱,因此到达的任务不能完全被执行。故而我们将延迟被定义为一个较大的常数。
进一步,所述Di(t)的计算公式为:
Di(t)=τfi(t)L-1 (27)
其中,L表示成功执行1bit到达任务所需移动设备本地的中央处理器的转数。
进一步,所述Ec(t)的计算公式为:
Ec(t)=El(t)+Eo(t) (28)
其中,El(t)为第t个时隙内采用模式一执行任务的能耗,Eo(t)为第t个时隙内移动设备传输任务到移动边缘服务器的能耗;能源成本和执行延迟是移动设备用户体验的核心指标,将被视为优化MEC系统中计算卸载策略的目标。另外,上面提到的本地任务队列积压的长度也会影响系统决策。然而,由于收集的能量是间歇的和不可预测的,电池能量可能不足,从而也会出现系统激活备用电池供能的情况。因此,通过(28)式来计算Ec(t)。
所述El(t)的计算公式为:
其中,El,i(t)第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的能耗;
所述El,i(t)的计算公式为:
El,i(t)=K·fi 2(t)Di(t)L (30)
其中,L表示成功执行1bit到达任务所需移动设备本地的中央处理器的转数;本实施例中,考虑到移动设备本地的中央处理器(CPU)自身执行任务功能特性,计算采用模式一执行任务的能耗,更贴近于移动设备本地的中央处理器实际工作情况,适应强。
所述Eo(t)的计算公式为:
进一步,所述E(t)的计算公式为:
E(t)=Ec(t)+Eb(t) (32)
其中,Eb(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行的能耗;
所述Eb(t)的计算公式为:
其中,Eb,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行的能源成本;
所述Eb,i(t)的计算公式为:
Eb,i(t)=K·fb 2Db(t)L (34)
其中,fb为常量,表示采用模式二执行任务的移动设备本地中央服务器在低功耗下的计算能力,fb<fi(t);Db(t)表示第t个时隙内采用模式二执行的执行任务量,L表示成功执行1bit到达任务所需移动设备本地的中央处理器的转数。fb<fi(t)表示使用备用电源时,移动设备本地CPU执行能力将降低。
本实施例中,移动设备发出请求产生的任务优化分配的数学模型的推导过程如下:
首先,将优化设计问题表述为能耗成本和执行延迟平均加权和的最小化问题,电池和队列稳定性将作为约束。问题的表述如下:
其中,E{E(t)+γ.TD(t)}表示{E(t)+γ·TD(t)}的期望;约束条件为:
Io,i(t)+Il,i(t)+Ib,i(t)=1 (2)
0≤Eh(t)≤Eh max (3)
Bmin≤B(t)≤Bmax (4)
0≤fi(t)≤fmax (5)
0≤Pi(t)≤Pmax (6)
Ec(t)≤Emax (7)
在所考虑的MEC(移动边缘计算)系统中,我们可以很容易地发现要解决的优化问题是马尔可夫决策过程(MDP)问题。根据现有的解决方案,我们可以通过标准MDP算法解决该问题,例如相对值迭代算法和线性编程重构方法。然而,在考虑的MEC系统中,系统状态由到达的任务,任务队列积压,当前时隙收集能量,电池能量水平以及信道状态组成,动作集是能量收集和任务分配决定,其中还包括调节分配的CPU周期频率和传输功率。若使用上述两种方法解决该问题,需要对有限离散值设置的状态集和动作集进行表征,这在本文中难以实现,强行将状态和动作集离散表征,还可能会影响系统性能。在本文中,我们将提供原始问题的改进版本来解决OPT-1。
首先,对于模式一执行过程,认为如果在同一设备处理多个请求时,分配给多个请求的CPU周期频率fi(t)应该相同,即fi(t)=f(t),i=1,…,N。因此,我们可以在每个时隙中使用常量值f(t)而不是N维向量fi(t),从而降低了计算复杂度。另外,我们发现通过在每个第t个时隙引入能耗下限Emin,作为电池的最小输出能量可解耦与时隙相关的决策,从而我们可以针对每个时隙,获得OPT-1的改进版本,得到:
其中,约束条件为:
Io,i(t)+Il,i(t)+Ib,i(t)=1 (2)
0≤Eh(t)≤Eh max (3)
Bmin≤B(t)≤Bmax (4)
0≤fi(t)≤fmax (5)
0≤Pi(t)≤Pmax (6)
Ec(t)≤Emax (7)
Ec(t)∈{0}∪[Emin,Emax] (8)
很明显OPT-2在OPT-1的基础上增加了电池放电的约束,因此OPT-2获得的最优值将比OPT-1的更优。此外,通过让Emin接近零,OPT-2所得的最优值可以任意接近OPT-1的最优值。
然而,随着电池能量水平随时间动态变化,MEC系统的决策是时间依赖的,普通的李雅普诺夫优化不能直接应用于不同的时隙间来解决优化问题。而加权扰动方法为这个问题提供了有效的解决方法,加权扰动方法加入了和θ两个参数。故进一步,引入李雅普诺夫优化的辅助函数,进一步优化问题。首先,我们将李雅普诺夫函数定义如下:
李雅普诺夫函数是当前时隙中所有队列标量的非负表示。Δ[Θ(t)]称为李雅普诺夫漂移,定义如下:
从式子可以看出,如果到达任务的速率和数据处理的速度可以有限,那么Φ的值也是有限的。
基于此,我们可以将原问题转化为求李雅普诺夫漂移和每个时隙中的原始问题的最小值,并通过权重V调整系统对当前性能和稳定性的需求,把其公式化为:
Δ[Θ(t)]+VE{E(t)+γ·TD(t)}≤Φ+E{ψ+V[E(t)+γ·TD(t)]} (40)
其中,E{E(t)+γ·TD(t)}表示E(t)+γ·TD(t)的期望,E{ψ+V[E(t)+γ.TD(t)]}表示{ψ+V[E(t)+γ·TD(t)]}的期望,对于李雅普诺夫漂移的值Δ[Θ(t)],需要L(t+1)来求得,但其只能在下一个时隙开始时获得,就无法解决在当前时隙解决该问题。为了避免这种情况,对其值进行了放缩,然后通过求解上式右侧公式的最小值来解决问题。因此,可以构建问题如下:
而为了避免移动设备过度使用备用电源,增加惩罚因子的选择变量,以增加模式二的开销,变相为模式一和模式二增加优先级选择,得到本文的目标函数:
本文的方法,相较于现有技术在能量不足时直接将任务丢弃,选择在这种情况下以低功耗模式尽可能执行任务,不仅降低了任务丢弃率,也保证了系统的完整性,且在建模过程中需要多考虑该模式下的执行能耗与执行延迟,并将它加入与传统两种模式的比较,得到了精确的动态任务分配的优化模型。
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,而不脱离本发明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 (10)
1.一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,其特征在于:包括步骤:
S1:建立移动设备发出请求产生的任务执行模型,包括移动设备和移动边缘服务器;所述移动设备与移动边缘服务器连接,用于将移动设备发出请求产生的任务传输到移动边缘服务器;所述移动设备设置有原装电源模块;所述移动设备设置有备用电源模块;所述原装电源的能量来自于可再生能源,用于为移动设备本地执行任务、传输任务和移动边缘服务器执行任务供能;所述备用电源的能量来自于不可再生能源,用于为移动设备本地执行任务供能;
设置移动设备发出请求产生的任务执行包括三种模式:模式一:分配给移动设备本地执行且利用原装电源供能模式;模式二:分配给移动设备本地执行且利用备用电源供能;模式三:移动设备传输任务到移动边缘服务器执行且利用原装电源供能模式;
将任务执行模型的任务处理周期划分为T个时间长度的相等的时隙;
S2:建立移动设备发出请求产生的任务优化分配的数学模型,所述数学模型包括设计变量、目标函数和约束条件;其中,步骤S2具体包括步骤:
S201:确定设计变量:将任务执行模式的决策变量Ij(t)、移动设备本地且利用原装电源执行任务的频率f(t)、移动设备传输任务到移动边缘服务器的传输功率P(t)和移动设备捕获的能量Eh(t)作为设计变量;
S202:确定目标函数:以移动设备发出请求产生的任务的执行能耗成本和延迟成本的加权和最小化为移动设备发出请求产生的任务优化分配的目标函数;其中,目标函数为:
其中,表示通过优化设计Ij(t)、f(t)、P(t)、Eh(t)和I'(t)中的任意一项或者任意多项变量,使达到最小;Ij(t)为第t个时隙内移动设备发出请求产生的任务的决策变量,Ij(t)∈{0,1},j∈{l,o,b};当j为l时,Il(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式一执行的决策变量,Il(t)=1表示第t个时隙内移动设备发出的请求产生的任务采用模式一执行,Il(t)=0表示第t个时隙内移动设备发出的请求产生的任务未采用模式一执行;当j为b时,Ib(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式二执行的决策变量,Ib(t)=1表示第t个时隙内移动设备发出的请求产生的任务采用模式二执行,Ib(t)=0表示第t个时隙内移动设备发出的请求产生的任务未采用模式二执行;当j为o时,Io(t)表示第t个时隙内移动设备发出的请求产生的任务采用模式三执行的决策变量,Io(t)=1表示第t个时隙内移动设备发出的请求产生的任务采用模式三执行,Io(t)=0表示第t个时隙内移动设备发出的请求产生的任务未采用模式三执行;f(t)为第t个时隙内采用模式一执行任务的执行频率,P(t)为第t个时隙内移动设备传输任务到移动边缘服务器的传输功率,Eh(t)为第t个时隙内移动设备捕获的能量,N为移动设备发出的请求的总数量,Qi(t)为第t个时隙内移动设备发出的第i个请求产生的任务队列,Al,i(t)为第t个时隙内移动设备发出的第i个请求采用模式一执行的待执行任务数据大小,Al,i(t)=Ai(t)·1[Il,i(t)=1],Ai(t)为移动设备发出的第i个请求产生的任务数据大小,1[]为指标函数,若1[]中的位于[]中的式子成立,则1[]=1,若1[]中的位于[]中的式子不成立,则1[]=0;Di(t)为第t个时隙内移动设备发出的第i个请求采用模式一执行的已完成任务数据大小,B~(t)为第t个时隙内虚拟电源能量队列,Ec(t)为第t个时隙内移动设备的原装电源的总能耗,Ec(t)=El(t)+Eo(t),V为任务积压控制参数,0<V<+∞,E(t)为第t个时隙内执行任务的总能耗成本,γ为移动设备能耗成本和延迟成本的权重,TD(t)为第t个时隙内到达任务的总延迟;I'(t)为第t个时隙的惩罚因子选择变量,I'(t)∈{F,1},F为惩罚因子,F>0,若第t个时隙移动设备发出的请求产生的任务采用模式二执行,则I'(t)=F;若第t个时隙移动设备发出的请求产生的任务未用模式二执行,则I'(t)=1;
S203:确定约束条件:所述约束包括:
(2-1)决策变量约束条件:
Io,i(t)+Il,i(t)+Ib,i(t)=1 (2)
其中,Il,i(t)、Ib,i(t)和Io,i(t)分别表示第t个时隙内移动设备发出的第i个请求产生的任务备采用模式一、模式二和模式三执行的决策变量;Io,i(t)∈{0,1},Il,i(t)∈{0,1},Ib,i(t)∈{0,1},Il,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行,Il,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式一执行;Ib,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行,Ib,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式二执行;Io,i(t)=1表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式三执行,Io,i(t)=0表示第t个时隙内移动设备发出的第i个请求产生的任务未采用模式三执行;
(2-2)移动设备捕获能量的约束条件:
0≤Eh(t)≤Ehmax (3)
其中,Ehmax表示每个时隙内移动设备捕获能够捕获的能量上限值;
(2-3)移动设备的原装电源的约束条件:
Bmin≤B(t)≤Bmax (4)
其中,B(t)表示移动设备的原装电源第t个时隙开始时存储的能量;Bmin和Bmax分别表示移动设备的原装电源存储能量的下限值和上限值;
(2-4)移动设备本地执行任务的频率的约束条件:
0≤fi(t)≤fmax (5)
其中,fi(t)表示第t个时隙内采用模式一执行移动设备发出的第i个请求产生的任务的频率;fmax表示每个时隙内采用模式一执行任务的频率上限值;
(2-5)任务传输功率的约束条件:
0≤Pi(t)≤Pmax (6)
其中,Pi(t)表示第t个时隙内移动设备传输第i个请求产生的任务到移动边缘服务器的传输功率;Pmax表示移动设备发出的请求产生的任务从移动设备传输到移动边缘服务器的传输功率上限值;
(2-6)移动设备总能耗的约束条件:
Ec(t)≤Emax (7)
Ec(t)∈{0}∪[Emin,Emax] (8)
其中,Emin和Emax表示每个时隙内移动设备的原装电源的总能耗下限值和上限值;
(2-7)移动设备本地且利用原装电源执行任务的缓冲队列状态的约束条件:
S3:初始化t=1;初始化第1个时隙的原装电源的储存能量B(1)=0,初始化第1个时隙的动态任务缓冲队列Qi(1)=0;
S5:将目标函数简化划分为能量优化部分Part1和任务分配优化部分Part2;所述能量优化部分Part1为:
所述任务分配优化部分Part2为:
S6:求解能量优化部分Part1的最优值,确定Eh(t);
S7:通过调节f(t)和P(t),求解移动设备发出请求产生的任务执行的三种模式下任务分配优化部分Part2的最优值;
S8:对三种模式下得到Part2的值进行大小比较,将值最小的Part2对应的移动设备发出请求产生的任务执行的模式,作为第t个时隙最终的移动设备发出请求产生的任务执行模式;
S10:令t增加1,更新t;
S12:重复步骤S6至S11,直到任务执行模型的任务处理周期结束或者移动设备不再发出请求。
其中,θ为原装电源的扰动参数;所述θ的计算公式为:
其中,为原装电源的实际最大的能量消耗,Emax表示每个时隙内移动设备的总能耗上限值;为每个时隙内采用模式一执行任务的能耗上限值,K为有效的开关电容,τ为每个时隙的长度;为移动设备发出请求产生的任务传输到移动边缘服务器的能耗上限值,φ为备用电源执行的权重;γ为移动设备能耗成本和延迟成本的权重;Pmax为移动设备发出的请求产生的任务从移动设备传输到移动边缘服务器的传输功率上限值;
所述B(t)的计算公式为:
B(t)=B(t-1)+Eh(t-1)-Ec(t-1) (14)
3.根据权利要求1所述可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,其特征在于:所述任务缓冲队列Qi(t)的计算公式为:
Qi(t)=max{[Qi(t-1)+Al,i(t)-Di(t)],0} (15)
其中,Qi(t)和Qi(t-1)分别表示第t个时隙和第t-1个时隙移动设备发出的第i个请求产生的动态任务缓冲队列。
5.根据权利要求3所述可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,其特征在于:所述TD(t)的计算公式为:
TD(t)=Tl(t)+To(t)+Tb(t) (17)
其中,Tl(t)为第t个时隙内到达的请求采用模式一执行的所有任务的本地延迟;To(t)为第t个时隙内所有请求分配给移动边缘服务器任务的卸载执行延迟;Tb(t)为第t个时隙内使用备用电源产生的总延迟;
所述Tl(t)的计算公式为:
其中,Tl.i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的延迟成本;
所述Tl.i(t)的计算公式为:
其中,Tp,i(t)和Tq,i(t)分别为第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的排队延迟成本和计算延迟成本。
6.根据权利要求5所述可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,其特征在于:所述To(t)的计算公式为:
其中,Tt,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务传输到移动边缘服务器执行的传输延迟成本;Tc,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式三执行的计算延迟成本;
所述Tt,i(t)的计算公式为:
其中,Ao,i(t)为第t个时隙内移动设备发出的第i个请求分配给移动边缘服务器的待执行任务数据大小,Ao,i(t)=Ai(t)·1[Io,i(t)=1],Ai(t)为移动设备发出的第i个请求产生的任务数据大小,1[]为指标函数,若1[]中的位于[]中的式子成立,则1[]=1,若1[]中的位于[]中的式子不成立,则1[]=0;ri(t)为第t个时隙内移动设备发出的第i个请求分配给移动边缘服务器执行任务的传输速率;
所述ri(t)的计算公式为:
其中,ω为传输带宽;H(t)表示第t个时隙内移动设备传输第i个请求产生的任务到移动边缘服务器的信道功率增益,No为信道噪声功率;所述H(t)服从指数分布,H(t)的均值的计算公式为:
其中,go表示移动设备将任务传输到移动边缘服务器的传输路径损耗常量,do和d分别表示移动设备将任务传输到移动边缘服务器的参考距离和实际距离;
所述Tc,i(t)的计算公式为:
其中,L表示成功执行1bit到达任务所需移动边缘服务器的中央处理器的转数,fmec表示移动边缘服务计算能力的常数;其中,成功执行1bit到达任务所需移动边缘服务器的中央处理器的转数和成功执行1bit到达任务所需移动设备本地的中央处理器的转数相等。
8.根据权利要求7所述可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,其特征在于:所述Di(t)的计算公式为:
Di(t)=τfi(t)L-1 (27)
其中,L表示成功执行1bit到达任务所需移动设备本地的中央处理器的转数。
9.根据权利要求8所述可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,其特征在于:所述Ec(t)的计算公式为:
Ec(t)=El(t)+Eo(t) (28)
其中,El(t)为第t个时隙内采用模式一执行任务的能耗,Eo(t)为第t个时隙内移动设备传输任务到移动边缘服务器的能耗;
所述El(t)的计算公式为:
其中,El,i(t)第t个时隙内移动设备发出的第i个请求产生的任务采用模式一执行的能耗;
所述El,i(t)的计算公式为:
El,i(t)=K·fi 2(t)Di(t)L (30)
其中,L表示成功执行1bit到达任务所需移动设备本地的中央处理器的转数;
所述Eo(t)的计算公式为:
10.根据权利要求9所述可充电移动边缘计算中能量-延迟平衡的动态任务分配方法,其特征在于:所述E(t)的计算公式为:
E(t)=Ec(t)+Eb(t) (32)
其中,Eb(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行的能耗;
所述Eb(t)的计算公式为:
其中,Eb,i(t)表示第t个时隙内移动设备发出的第i个请求产生的任务采用模式二执行的能源成本;
所述Eb,i(t)的计算公式为:
Eb,i(t)=K·fb 2Db(t)L (34)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598524.8A CN110287034B (zh) | 2019-07-04 | 2019-07-04 | 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598524.8A CN110287034B (zh) | 2019-07-04 | 2019-07-04 | 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287034A CN110287034A (zh) | 2019-09-27 |
CN110287034B true CN110287034B (zh) | 2022-11-22 |
Family
ID=68020543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910598524.8A Active CN110287034B (zh) | 2019-07-04 | 2019-07-04 | 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287034B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708620B (zh) * | 2020-05-08 | 2023-04-25 | 北京中科晶上超媒体信息技术有限公司 | 一种具有计费机制的任务卸载方法 |
CN113114733B (zh) * | 2021-03-24 | 2022-07-08 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
CN113727391B (zh) * | 2021-09-07 | 2022-10-14 | 深圳大学 | 一种控制系统运行的方法、装置、设备及存储介质 |
CN115016932A (zh) * | 2022-05-13 | 2022-09-06 | 电子科技大学 | 一种基于嵌入式的分布式深度学习模型资源弹性调度方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106656555A (zh) * | 2016-10-15 | 2017-05-10 | 黄林果 | 一种云计算系统的服务资源动态调节方法 |
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
CN107682443A (zh) * | 2017-10-19 | 2018-02-09 | 北京工业大学 | 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法 |
CN108984286A (zh) * | 2018-06-29 | 2018-12-11 | 广东工业大学 | 一种云计算平台的资源调度方法和系统 |
CN109857546B (zh) * | 2019-01-03 | 2021-02-02 | 武汉理工大学 | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 |
CN109710336B (zh) * | 2019-01-11 | 2021-01-05 | 中南林业科技大学 | 联合能量和延迟优化的移动边缘计算任务调度方法 |
-
2019
- 2019-07-04 CN CN201910598524.8A patent/CN110287034B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110287034A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287034B (zh) | 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 | |
Jošilo et al. | Wireless and computing resource allocation for selfish computation offloading in edge computing | |
WO2021012584A1 (zh) | 一种移动边缘计算场景下制定单任务迁移策略的方法 | |
CN110941667B (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
Xia et al. | Throughput maximization for online request admissions in mobile cloudlets | |
CN109922479B (zh) | 一种基于时延预估的计算任务卸载方法 | |
Liu et al. | Delay-optimal computation task scheduling for mobile-edge computing systems | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN109343904B (zh) | 一种基于Lyapunov优化的雾计算动态卸载方法 | |
CN111953758A (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
CN107708152B (zh) | 异构蜂窝网络的任务卸载方法 | |
Li et al. | On efficient offloading control in cloud radio access network with mobile edge computing | |
CN110809291B (zh) | 基于能量采集设备的移动边缘计算系统双层负载平衡方法 | |
CN109981744B (zh) | 数据的分发方法、装置、存储介质及电子设备 | |
CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
CN103699433A (zh) | 一种于Hadoop平台中动态调整任务数目的方法及系统 | |
CN111124639B (zh) | 一种边缘计算系统的操作方法、系统及电子设备 | |
CN112860409B (zh) | 基于李雅普诺夫优化的移动云计算随机任务序列调度方法 | |
Cang et al. | Online resource allocation for semantic-aware edge computing systems | |
Merluzzi et al. | Latency-constrained dynamic computation offloading with energy harvesting IoT devices | |
CN113032146A (zh) | 一种面向多接入边缘计算环境的健壮性服务供应方法 | |
CN116302404B (zh) | 面向资源解耦合数据中心的服务器无感知计算调度方法 | |
Li et al. | Real-time optimal resource allocation in multiuser mobile edge computing in digital twin applications with deep reinforcement learning | |
CN114691362A (zh) | 一种时延与能耗折衷的边缘计算方法 | |
CN114546615A (zh) | 一种移动边缘计算中相关性任务的调度方法 |
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 |