CN110401936A - 一种基于d2d通信的任务卸载与资源分配方法 - Google Patents

Abstract

一种基于D2D通信的任务卸载与资源分配方法，属于无线通信技术领域。该方法假设所用的用户可以相互卸载，同时考虑信道干扰，以最小化系统总开销为目的来建模；然后将问题解耦为两个子问题，分别利用拟凸和凸优化技术求解，将两个子问题迭代求解，最终得到问题的最优解。本发明提出的方法考虑到用户设备之间的相互卸载，依据用户设备所拥有的资源(计算能力、剩余电量等)为其分配合理的计算任务，使得资受限的设备可以参与计算，使得资源得到合理利用，以此提高全体用户的计算性能。此外，通过进行干扰管理和功率控制，为用户合理的分配信道，可以保障D2D通信质量。

Description

一种基于D2D通信的任务卸载与资源分配方法

技术领域

本发明属于无线通信技术领域，具体涉及一种基于D2D通信的任务卸载与资源分配方法。

背景技术

智能终端的普及和移动5G网络的蓬勃发展推动了移动计算应用程序的发展，如感知计算、交互式在线游戏等，这些应用在人们的日常生活中扮演了非常重要的角色。但是这些类型的移动计算应用程序通常是低延迟的并且需要大量的计算资源，这给资源受限的移动设备(mobile device)带来了巨大挑战。为了解决资源需求型的应用程序与资源有限的移动设备之间的矛盾，移动边缘计算(mobile edge computing)通过将复杂的计算任务卸载到计算能力较强的服务器进行计算以减少时延和能量消耗，是一种有效解决手段。由于服务器部署在终端用户附近，可以为用户提供低延迟计算、缓存和通信服务。然而，由于服务器部署成本高昂，服务器可能无法随时随地可用。因此，为了弥补MEC的缺陷，研究无线网络下的D2D计算卸载具有重要的意义。

无线网络下的D2D计算卸载是进一步提高MEC性能的有效方式之一，其通过将计算任务卸载到附近空闲设备上以降低任务执行时延和能量消耗。目前在蜂窝通信领域已有许多文献对D2D计算卸载进行了研究。这些工作主要是通过将任务从资源受限的用户卸载到资源丰富的用户上执行，并联合优化任务卸载决策以及资源分配以实现全体用户代价最小或者利益最大的目标。然而，当资源丰富的用户帮助资源受限用户进行计算时，部分资源受限的用户设备处于空闲状态，导致资源浪费，并没有达到用户全体计算代价最小或利益最大的目标。此外，当用户为他们的计算任务选择最佳的卸载决策时，不同的用户可能会占用同一个信道，当他们同时传输任务时，将会彼此干扰。

综上所述，目前的研究工作中大多数研究只粗略地将设备划分为资源受限的设备和资源丰富的设备，仅考虑任务从资源受限的设备卸载到资源丰富的设备，而没有考虑资源受限的设备参与计算。此外，大多数研究忽略了传输干扰对任务卸载决策、信道分配以及用户传输功率的影响。

因此，在考虑信道干扰的情况下，本发明提出了一种基于D2D通信的任务卸载与资源分配方法。该方法允许所有用户之间都可以互相卸载，而不是仅仅依靠资源丰富的用户进行计算。其依据用户所拥有的资源(计算能力、剩余电量等)为其合理的分配计算任务，使得资源得到合理利用，以此提高全体用户的计算性能。本发明主要考虑了以下几个方面：(1)如何为任务选择最佳的迁移设备，使得任务计算延迟和能量消耗最小；(2)如何合理地对用户的发射功率进行控制以及信道干扰进行管理使得整体性能最优。

发明内容

本发明的目的在于提供一种基于D2D通信的任务卸载与资源分配方法，该方法假设所用的用户可以相互卸载，同时考虑信道干扰，以最小化系统总开销为目的来建模；然后将问题解耦为两个子问题，分别利用拟凸和凸优化技术求解，将两个子问题迭代求解，最终得到问题的最优解。

本发明的目的是这样实现的：

一种基于D2D通信的任务卸载与资源分配方法，包括如下步骤：

步骤1：对用户计算任务特性、任务卸载决策变量、资源分配变量以及其限定条件进行建模；

步骤2：对本地执行开销以及D2D执行开销进行建模，使得系统整体开销最小化，得到问题的初始模型Φ；

步骤3：根据步骤2的初始模型Φ，将初始模型Φ分成两个子问题，即资源分配问题Φ₁和任务卸载问题Φ₂；

步骤4：将Φ₁分解为信道分配和传输功率分配问题，并利用一个改进的二分法求解用户的传输功率，得到最优信道分配X^*和用户的传输功率P^*；

步骤5：根据步骤4得到的问题Φ₁的解，代入Φ₂，利用凸优化技术求解，得到任务卸载决策Q^*和系统整体开销J；

步骤6：将任务卸载决策Q^*代入问题Φ₁，然后跳转到步骤4，重复上述过程直到收敛并输出系统整体开销J，其收敛条件是J^(t)-J^(t-1)≤ε，两次计算的系统整体开销小于等于一个固定值ε，其中J^(t)表示第t次迭代系统整体开销。

所述步骤1中用户计算任务特性进行建模为每个用户有一个计算任务m_i＝(d_i,c_i)，其中d_i表示输入数据的大小，c_i表示完成这个任务需要的CPU周期数，表示用户集合，假设任务的到达服从泊松分布，其任务到达速率λ_i，根据队列理论，将任务在设备处的执行过程建模为M/M/1队列；令q_i.＝{q_i1,q_i2,...q_iN}表示用户i的卸载决策且其中q_ij表示用户i将任务卸载到用户j的概率；令表示信道集合，x_ijk∈{0,1}表示信道分配变量，x_ijk＝1表示用户i使用信道k与用户j通信且满足约束

所述步骤2中包括：

步骤2.1：对本地执行开销进行建模；

根据公式计算本地执行时间，其中f_i表示用户i的计算能力(每秒CPU周期数)，λ_i为任务到达速率；根据公式计算本地执行消耗的能量，其中ξ_i表示常量系数；

步骤2.2：对D2D执行开销进行建模；

计算任务m_i的传输速率；根据公式计算用户i将任务m_i卸载到用户j的传输速率；其中w₀表示信道带宽，p_i表示用户i的传输功率，h_ijk表示信道增益，δ²表示背景噪声；

计算用户i传输任务m_i消耗的时间和能量；根据公式计算用户i传输任务m_i消耗的时间；根据公式计算用户i传输任务m_i消耗的能量；

计算任务m_i在设备j上执行消耗的时间和能量；根据公式计算任务m_i在设备j上执行消耗的时间，其中f_j表示用户j的计算能力(每秒CPU周期数)；根据公式计算任务m_i在设备j上执行消耗的能量；

计算D2D执行完成任务的时间和能量消耗；根据公式计算D2D执行完成任务的时间，其中表示用户i将任务卸载到用户j的无线链路传输时间，表示任务在用户j上执行时间；根据公式计算D2D执行完成任务消耗的能量，其中表示用户i将任务卸载到用户j的传输能耗，表示任务在用户j上执行消耗的能量；

步骤2.3：对完成任务的总开销进行建模；

计算完成任务的总时间；根据公式计算完成任务需要的总时间；

计算完成任务的总能量消耗；根据公式计算完成任务消耗的总能量；

根据公式计算完成任务的总开销，其中T_i表示完成任务的总时间，E_i表示完成任务消耗的能量，且 和分别表示完成任务m_i所消耗时间和能量的权重参数，可以根据用户的需求动态的调整。如果用户i处于低电量状态时，可以设置如果用户i运行一个延迟敏感的应用程序(如视频流)，可以设置

步骤2.4：对系统目标函数进行建模；

将系统中所有用户的开销作为目标函数其中Q表示任务卸载决策，X表示信道分配决策，P表示用户发射功率。

所述步骤3中将问题Φ改写为：

将问题Φ的分成Φ₁和Φ₂两个子问题，分别表示为：

其中，Φ₁表示资源分配子问题，Φ₂表示卸载决策子问题。

所述步骤4中将具有最大的有效信道干扰的信道分配给用户：

其中，表示有效信道干扰；在获得信道分配后，求解用户传输功率；假设每个用户都可以独立地统计其干扰，可以得到用户干扰的上界为

其中，表示用户最大发射功率；求解功率分配问题为：

min F(p_i)

其中，利用二分法求解。

本发明有益效果在于：

本发明提出的方法考虑到用户设备之间的相互卸载，依据用户设备所拥有的资源(计算能力、剩余电量等)为其分配合理的计算任务，使得资受限的设备可以参与计算，使得资源得到合理利用，以此提高全体用户的计算性能。此外，通过进行干扰管理和功率控制，为用户合理的分配信道，可以保障D2D通信质量。

附图说明

图1为一种基于D2D通信的任务卸载与资源分配方法的场景图；

图2为一种基于D2D通信的任务卸载与资源分配方法的流程示意图。

具体实施方式

下面结合附图，通过以下具体实施方式，对本发明的技术方案作进一步的详细描述。应当理解，此处所描述的具体实例仅仅用以解释本发明，并不用限定本发明。

图1为本发明所述的基于D2D通信的任务卸载与资源分配的场景示意图。在该场景图中包括资源受限的设备和资源丰富的设备，根据当前的任务计算量和剩余资源，进行任务与设备之间的匹配，即用户可以选择本地计算任务或者将任务卸载到其他用户上执行。例如，用户E当前资源可以计算一个具有较大计算量的任务，而用户E当前的任务计算量较小，在系统整体开销最小的目标下，用户E可以选择计算一个具有较大计算量的任务，并将其自身的任务匹配合适的设备如用户A。

图2为本发明所述方法的流程示意图，如图2所示，本发明所述的基于D2D通信的任务卸载与资源分配方法，具体以下步骤：

步骤1：对用户计算任务特性、任务卸载决策变量、资源分配变量以及其限定条件进行建模。

步骤2：对本地执行开销以及D2D执行开销进行建模，使得系统整体开销最小化，得到问题的初始模型Φ。

步骤3：根据步骤2的初始模型Φ，将初始模型Φ分成两个子问题，即资源分配问题Φ₁和任务卸载问题Φ₂。

步骤4：将Φ₁分解为信道分配和传输功率分配问题，并利用一个改进的二分法求解用户的传输功率，得到最优信道分配X^*和用户的传输功率P^*。

步骤5：根据步骤4得到的问题Φ₁的解，代入Φ₂，利用凸优化技术求解，得到任务卸载决策Q^*和系统整体开销J。

步骤6：将任务卸载决策Q^*代入问题Φ₁，然后跳转到步骤4。重复上述过程直到收敛并输出系统整体开销J，其收敛条件是两次计算的系统整体开销小于等于一个固定值ε，即J^(t)-J^(t-1)≤ε，其中J^(t)表示第t次迭代系统整体开销。

步骤1：构建用户计算任务特性、任务卸载决策变量、资源分配变量以及其限定条件。

令表示用户集合，每个用户有一个计算任务m_i＝(d_i,c_i)，其中d_i表示输入数据的大小，c_i表示完成任务需要的CPU周期数。假设任务的到达服从泊松分布，其任务到达速率λ_i，根据队列理论，将任务在设备处的执行过程建模为M/M/1队列。

令q_i.＝{q_i1,q_i2,...q_iN}表示用户i的卸载决策且其中q_ij表示用户i将任务卸载到用户j的概率。

令表示信道集合，其中，x_ijk∈{0,1}表示信道分配变量，x_ijk＝1表示用户i使用信道k与用户j通信且满足约束

步骤2：构建本地执行开销和D2D执行开销模型。

(2.1)构建本地执行开销模型。

令f_i表示用户i的计算能力(每秒CPU周期数)，则本地执行时间

令ξ_i表示常量系数，则本地执行任务消耗的能量

(2.2)构建D2D执行开销模型。

用户i将任务m_i卸载到用户j的传输速率R_ij：

计算用户i将任务m_i卸载到用户j的传输速率。其中w₀表示信道带宽，p_i表示用户i的传输功率，h_ijk表示信道增益，δ²表示背景噪声。

传输任务m_i消耗的时间

用户i传输任务m_i消耗能量

其中表示用户i将任务卸载到用户j的无线链路传输时间；

任务m_i在设备j上执行消耗的时间

表示任务在用户j上执行时间；

任务m_i在设备j上执行消耗的能量

D2D执行完成任务消耗的时间

D2D执行完成任务消耗的能量

其中表示用户i将任务卸载到用户j的传输能耗，表示任务在用户j上执行消耗的能量。

(2.3)构建完成任务的总开销。

完成任务m_i需要的总时间T_i：

完成任务m_i消耗的总能量E_i：

则，完成任务m_i的总开销为J_i：

其中，且 和分别表示完成任务m_i所消耗时间和能量的权重参数，可以根据用户的需求动态地调整。如果用户i处于低电量状态时，可以设置如果用户i运行一个延迟敏感的应用程序(如视频流)，可以设置

(2.4)建模系统目标函数。

将系统中所有用户的开销作为目标函数其中Q表示任务卸载决策，X表示信道分配决策，P表示用户发射功率。

步骤3：将问题Φ解耦为Φ₁和Φ₂两个子问题。

(3.1)将问题Φ改写为：

(3.2)将问题Φ的分成Φ₁和Φ₂两个子问题，分别表示为：

其中，Φ₁表示资源分配子问题，Φ₂表示卸载决策子问题。

步骤4：求解资源分配问题Φ₁。

根据可知，当给定用户发射功率p_i时，J^(off)与EI_ijk负相关。为了使D2D执行代价最小应当将具有最大的有效信道干扰的信道分配给用户，即

其中，EI_ijk表示有效信道干扰，可以表示为

在获得信道分配后，求解用户传输功率。假设每个用户都可以独立地统计其干扰，可以得到用户干扰的上界即

此时，可以通过如下式子求解功率分配问题。

min F(p_i)

其中，通过求导运算证明F(p_i)在其定义域内为严格拟凸函数，利用二分法求解。

步骤5：将问题Φ₁的解代入Φ₂，此时Φ₂可以写为

通过求导运算证明该问题是凸的，可以利用凸优化方法求解，得到任务卸载决策Q^*和系统总开销J。将任务卸载决策Q^*代入问题Φ₁，然后跳转到步骤4，两个问题迭代求解，直到问题收敛，其收敛条件是两次计算的系统整体开销小于等于一个固定值ε，即J^(t)-J^(t-1)≤ε，其中J^(t)表示第t次迭代系统整体开销，最终得到系统最优解。

本发明具有的有益效果是：本发明提出的方法考虑到用户设备之间的相互卸载，依据用户设备所拥有的资源(计算能力、剩余电量等)为其分配合理的计算任务，使得资受限的设备可以参与计算，使得资源得到合理利用，以此提高全体用户的计算性能。此外，通过进行干扰管理和功率控制，为用户合理的分配信道，可以保障D2D通信质量。

Claims (9)

1.一种基于D2D通信的任务卸载与资源分配方法，其特征在于，包括：

步骤一、对用户计算任务特性、任务卸载决策变量、资源分配变量以及其限定条件进行建模；

步骤二、对本地执行开销以及D2D执行开销进行建模，使得系统整体开销最小化，得到问题的初始模型Φ；

步骤三、根据步骤二的初始模型Φ，将初始模型Φ分成两个子问题，资源分配问题Φ₁和任务卸载问题Φ₂；

步骤四、将Φ₁分解为信道分配和传输功率分配问题，并利用一个改进的二分法求解用户的传输功率，得到最优信道分配X^*和用户的传输功率P^*；

步骤五、根据步骤四得到的问题Φ₁的解，代入Φ₂，利用凸优化技术求解，得到任务卸载决策Q^*和系统整体开销J；

步骤六、将任务卸载决策Q^*代入问题Φ₁，然后跳转到步骤四，重复执行步骤四、步骤五和步骤六直到收敛并输出系统整体开销J，其收敛条件是J^(t)-J^(t-1)≤ε，其中J^(t)表示第t次迭代系统整体开销，ε为固定值。

2.根据权利要求1所述的一种基于D2D通信的任务卸载与资源分配方法，其特征在于：所述的步骤一中用户计算任务特性进行建模为每个用户i∈N有一个计算任务m_i＝(d_i,c_i)，其中d_i表示输入数据的大小，c_i表示完成这个任务需要的CPU周期数，N＝{1,2...,N}表示用户集合，将任务在设备处的执行过程建模为M/M/1队列；令q_i.＝{q_i1,q_i2,...q_iN}表示用户i的卸载决策且其中q_ij表示用户i将任务卸载到用户j的概率；令K＝{1,2...,K}表示信道集合，x_ijk∈{0,1}表示信道分配变量，x_ijk＝1表示用户i使用信道k与用户j通信。

3.根据权利要求2所述的一种基于D2D通信的任务卸载与资源分配方法，其特征在于：所述的步骤二对本地执行开销进行建模为根据公式计算本地执行时间，其中f_i表示用户i的计算能力，λ_i为任务到达速率；根据公式计算本地执行消耗的能量，其中ξ_i表示常量系数。

4.根据权利要求2或3所述的一种基于D2D通信的任务卸载与资源分配方法，其特征在于：所述的步骤二中对D2D执行开销进行建模为计算D2D执行完成任务的时间和能量消耗；根据计算D2D执行完成任务的时间，其中表示用户i将任务卸载到用户j的无线链路传输时间，为用户i将任务m_i卸载到用户j的传输速率；其中w₀表示信道带宽，p_i表示用户i的传输功率，h_ijk表示信道增益，δ²表示背景噪声；表示任务在用户j上执行时间，为任务m_i在设备j上执行消耗的时间，f_j表示用户j的计算能力；根据计算D2D执行完成任务消耗的能量，其中表示用户i将任务卸载到用户j的传输能耗，为任务m_i在设备j上执行消耗的能量，表示任务在用户j上执行消耗的能量。

5.根据权利要求4所述的一种基于D2D通信的任务卸载与资源分配方法，其特征在于：所述的步骤二中系统整体开销为其中表示完成任务的总时间，表示完成任务消耗的能量，和分别表示完成任务m_i所消耗时间和能量的权重参数。

6.根据权利要求1或2或3所述的一种基于D2D通信的任务卸载与资源分配方法，其特征在于：所述的步骤三中将初始模型Φ分成Φ₁和Φ₂两个子问题，

其中Φ₁表示资源分配子问题，Φ₂表示卸载决策子问题，表示系统中所有用户的开销的目标函数，Q表示任务卸载决策，X表示信道分配决策，P表示用户发射功率。

7.根据权利要求4所述的一种基于D2D通信的任务卸载与资源分配方法，其特征在于：所述的步骤三中将初始模型Φ分成Φ₁和Φ₂两个子问题，

其中Φ₁表示资源分配子问题，Φ₂表示卸载决策子问题，表示系统中所有用户的开销的目标函数，Q表示任务卸载决策，X表示信道分配决策，P表示用户发射功率。

8.根据权利要求5所述的一种基于D2D通信的任务卸载与资源分配方法，其特征在于：所述的步骤三中将初始模型Φ分成Φ₁和Φ₂两个子问题，

其中Φ₁表示资源分配子问题，Φ₂表示卸载决策子问题，表示系统中所有用户的开销的目标函数，Q表示任务卸载决策，X表示信道分配决策，P表示用户发射功率。

9.根据权利要求8所述的一种基于D2D通信的任务卸载与资源分配方法，其特征在于：所述的步骤四中将具有最大的有效信道干扰的信道分配给用户，

其中表示有效信道干扰；表示用户干扰的上界表示用户最大发射功率；求解功率分配问题为，

min F(p_i)

其中，利用二分法求解。