CN110621031A

CN110621031A - 一种基于异构能量获取的多用户多任务移动边缘计算节能方法

Info

Publication number: CN110621031A
Application number: CN201910706286.8A
Authority: CN
Inventors: 吴嘉; 陈志刚; 张恒; 欧阳伍
Original assignee: Central South University
Current assignee: Central South University
Priority date: 2019-07-31
Filing date: 2019-07-31
Publication date: 2019-12-27
Anticipated expiration: 2039-07-31
Also published as: CN110621031B

Abstract

本发明公开了一种基于异构能量获取的多用户多任务移动边缘计算节能方法，在满足数据队列稳定约束和能量队列稳定约束的前提下，首先构造了时延保证下平均能耗最小化问题。为了解决随机优化问题，将问题转化为两个确定性子问题，分别采用凸优化技术和线性规划技术求解。该方法不需要随机过程的先验知识，如通道状态，数据到达和绿色能源收集。实现了[O(1/V)，O(V)]的能耗‑时延权衡。V作为一种非负权值，能够有效地控制能耗‑时延性能。

Description

一种基于异构能量获取的多用户多任务移动边缘计算节能方法

技术领域

本发明属于移动边缘计算领域，特别涉及一种基于异构能量获取的多用户多任务移动边缘计算节能方法。

背景技术

作为一个无处不在的计算机范式，物联网在譬如自动驾驶、虚拟现实以及交互式在线游戏等计算密集型移动应用上呈现爆发式增长。基于对物联网中无线设备(如传感器)大小和生产成本的考虑，无线设备的电池容量往往是受限的，同时是节能和低性能的处理器。因此，资源限制的设备严重的限制了计算密集型应用的发展。所以，在现代物联网技术的研究和发展领域，如何消除这一瓶颈是一个关键性问题。

现如今，这一限制通过将计算和存储资源从资源有限的设备传输到云端来解决。然而，云计算资源部署在远离大多数用户的大型数据中心，从而造成了用户和云端之间的高通信时延和高能耗。为了解决这些问题，边缘计算和雾计算的概念被提出来。MEC(移动边缘计算) 是一项有前途的技术，该技术能克服以上所说的挑战并且允许无线设备在结合了边缘服务器的通道点(AP)和基站访问云计算服务。在MEC系统中，资源有限的无线设备可以将计算任务卸载到AP，紧接着这些任务将被部署在AP上的MEC服务器计算。边缘计算平台不同于云计算的地方在其部署在网络的边缘而且离终端设备很近。因此，MEC可以减少通信延迟和网络连接到远程数据中心的带宽需求。此外，基于靠近用户的数据处理和存储，一些新的研究内容开始产生。目前，有许多科研人员在研究MEC领域中的计算卸载方向。

MEC中的计算卸载技术可以有效地提高计算效率。但是，如何才能为移动设备(WD)提供可持续、稳定和有效的能源供应呢？能量收集(EH)技术正在成为解决电池容量有限问题的一个有希望的范例。目前，绿色能源作为一种环保的可再生能源在行业中得到了广泛的应用。使用绿色能源有很多好处，但也存在一些与环境条件密切相关的能源转化率低的问题。因此，绿色能源是高度不可预测和具有不稳定性的。

发明内容

为了解决现有技术中由于任务到达、无线信道状态和能量消耗的不可预测性，使得资源管理和分配具有一定的挑战性的问题，本发明提出了一种基于异构能量获取的多用户多任务移动边缘计算节能方法，采用李雅普诺夫优化理论和凸优化理论，进行联合资源管理和分配，以降低异构能源采集地多用户多任务MEC系统的时间平均能耗。

一种基于异构能量获取的多用户多任务移动边缘计算节能方法，基于多用户多任务移动边缘计算系统在某一时隙内状态，构建MEC中WD平均时间能耗最小的目标问题；采用李雅普洛夫的问题分解原理，将MEC中WD平均时间能耗最小的目标问题转化为传输优化子问题和能量采集子问题；将传输优化子问题转化为凸优化问题，采用凸优化求解出最优传输功率和传输时间；将能量采集子问题采用线性规划进行求解，获得需要获取的绿色能量的数量；基于传输功率、传输时间以及需要获取的绿色能量的数量来更新数据队列和能量队列，完成移动边缘计算过程中的资源分配。

进一步地，所述MEC中WD平均时间能耗最小的目标问题如下：

其中，e(t)表示单个时隙能耗，Ε[·]表示求均值符号，S表示时隙的数量，ξ(t)表示时隙需要被优化的全部变量集合；p_m(t)表示WD m与AP在时隙t时的传输功率，p_m,min和p_m,max表示WD m与AP之间的传输功率的最小值和最大值，表示任务n 在时隙t内从WD m部分卸载到AP的持续时间，表示在时隙t结束时到达WD m的计算任务n的数据量，表示到达WD m的计算任务n的最大数据量，T表示时隙t的时间长度，K表示MEC系统中可用子信道的数量，表示WD m上的任务n在移动边缘计算服务器上处理的时延，J_m表示WD m的截止时间，e_m,h(t)表示WD m在时隙t内从环境中获取的能量，γ_m(t)表示在时隙t内，WD m可以从环境中获取的能量，l_m(t)表示WD m无线能量的传输时间，表示在时隙t内，WD m为任务n消耗的总能量，E_m(t)表示在时隙t 内，WD m的剩余能量，e_m,hw(t)表示WD m在时隙t收获的总能量，Ω表示设备的电池容量， N表示计算任务的数量，M表示WD的数量。

进一步地，所述采用李雅普洛夫的问题分解原理，是指利用漂移加能量函数Δ_VL(t)在时隙t上的上限，且所述上限为ξ(t)的线性函数，将MEC中WD平均时间能耗最小的目标问题转化为传输优化子问题和能量采集子问题如下：

进一步地，所述传输优化子问题转化为如下：

进一步地，通过引入一组辅助变量将输电优化子问题转化为凸优化问题，通过凸优化方法求解；

进一步地，通过采用内点法求解凸优化问题。

进一步地，所述能量采集子问题如下：

进一步地，通过将能量传输时间定义为l_m ^*(t)，如果t时间段开始时，E_m(t)<Ω,即则从AP获取无线能量e_m,w(t)＝max{Ω-E_m(t)-γ_m(t),0}；否则，当时，AP不会向WD m传递能量，即e_m,hw(t)＝0；

当E_m(t)<Ω时，由式可知同时令得到以及即获得传输时间以及需要获取的绿色能量的数量。

为了解决队列稳定性约束P1的问题，利用李亚普诺夫理论将问题分解为单个时隙内的两个子问题，并给出了能量最小化框架。在此框架的基础上，提出了一种保证数据队列和能量队列稳定性的算法，得到了一个近似最优解，具体过程如下：

基于李雅普洛夫的问题分解。在时隙t内，MEC的状态由WDs的数据队列Q(t)和能量队列 E(t)组成，表示为U(t)＝(Q(t),E(t))。然后定义Lyapunov方程L(t)，由数据队列长度与剩余电池容量的平方和组成：其中，代表WD m的剩余的电池容量。L(t)是一个数据队列的长度和剩下的电池容量的大小的标量。 L(t)值越小，数据队列的长度越短，这也说明WDs剩余电池容量较低，反之亦然。定义 Lyapunov漂移ΔL(t)，表示给定网络状态U(t)时，时隙t+1与时隙t之间的Lyapunov方程偏差的期望，即ΔL(t)＝E[L(t+1)-L(t)|U(t)]

为了达到WDs能耗最小化的目标，将能耗函数集成到Lyapunov漂移ΔL(t)中，得到漂移加能耗函数Δ_VL(t)：Δ_VL(t)＝ΔL(t)+V·E[e(t)|U(t)]

其中V为非负权值，表示能量消耗e(t)占Δ_VL(t)的比例。V值越大，e(t)在Δ_VL(t)中的比例越大，反之亦然。通过最小化Δ_VL(t)，可以共同达到稳定队列长度和降低能耗的目的。但是，随着V值的增加，数据队列和能量队列的长度也随之增加。换句话说，WDs需要更大的数据存储设备和电池来确保MEC的运行。在MEC系统中，通过调整V值，可以实现队列长度与能耗之间的平衡。

由于函数Δ_VL(t)是针对变量ξ(t)的二次函数，即传输功率p(t)、传输时间τ(t)和接收能量e(t)。因此，将Δ_VL(t)最小化是非常困难的。为了便于对这些变量进行优化，引理1给出了Δ_VL(t)在时隙t上的上限，上限是由待优化变量组成的线性函数，极大地降低了求解的难度，间接最小化了Δ_VL(t)。

引理1对于任意可行的ξ(t)，ΔL(t)的上界为:

其中

引理1证明

因为(max[a-b,0]+c)²≤a²+b²+c²-2a(b-c)，对数据队列和能量队列两边取平方可以分别得到(A1)和(A2)，(A1)和(A2)分别如下所示：

在(A1)和(A2)上，将所有的WDs m∈{1,2,...,M}累加起来，我们可以分别得到(A3)和 (A4)，(A3)和(A4)如下所示：

因此，我们可以得到李雅普洛夫偏移量ΔL(t)

在一个时隙内，WD可以根据执行固定数据量的数据。此外，被传输的数据量大小也有上界和下界。这是因为在一个确定的传输时间下传输功率存在上界和下界。因此，我们可以得到此外，因为不能超过时隙t内的能量队列长度，因此可以得到能量消耗上界，即e_max。至于e_m,hw(t)，其不能超过电池容量大小，因此我们所收集的能量数目的上限，即e_m,hw(t)≤Ω。利用上界并定义此外，是在时隙t末尾抵达WD的数据总量，所以在当前时隙t，数据队列长度和相对应的数据队列状态独立于因此，独立于当前的功率分配p_m(t)和时间分配τ_m(t)。换句话说，是一个常量，我们可以定义C_max如下所示：

因此，可以得到

最终，引理1得到证明。

则可以知道Δ_VL(t)的上界为:

为了最小化MEC系统中WDs的总能耗，同时保证队列的稳定性，将Δ_VL(t)的上界最小化。此外，考虑队列状态U(t)在单个时间槽t内，所以可以删除期望。也就是说，根据引理1将P1 转换为P2；

P2问题由两部分线性组成，将问题最小化为两个子问题，即传输优化和能量采集。在输电优化子问题中，优化了任务卸载时的传输功率p(t)和传输时间τ(t)，在能量采集子问题中优化了收获能量e(t)。在解决了这两个子问题之后，WDs更新了自己的数据队列和能量队列，为下一个时隙的优化做准备。

传输优化问题。考虑P2问题中的第一项和第二项，可以设计下面的输电优化问题P3来求解传输功率p(t)和传输时间τ(t)：

然而，由于约束使得上面的输电最大化问题不是一个凸优化问题。为了使这个问题更容易处理，引入了一组辅助变量即，因此，将上述的输电优化问题转换为以下凸优化问题P4:

引理2 P4是凸优化问题，证明过程如下：

首先，展示一个二元方程该二元方程关于x₁和x₂是凸的，原因如下：

的黑塞矩阵是

H的特征值分别是k₁＝0和而且H是正半定。因此f(x₁,x₂)关于x₁和x₂是凸的。

对于P4，让根据(A8)，因为f(x₁,x₂)是凸的，所以，凹的。在这种情况下，也是凹的。此外，P4的第一项独立于要优化的变量，而第三项和第四项相对于是线性的。因此， P4中的目标问题是凹的。显而易见，P4中的限制条件相等于与和是线性的。因此，P4中问题的可行区域是凸的。

有益效果

本发明提供了一种基于异构能量获取的多用户多任务移动边缘计算节能方法，在满足数据队列稳定约束和能量队列稳定约束的前提下，首先构造了时延保证下平均能耗最小化问题。为了解决随机优化问题，将问题转化为两个确定性子问题，分别采用凸优化技术和线性规划技术求解。该方法不需要随机过程的先验知识，如通道状态，数据到达和绿色能源收集。实现了[O(1/V)，O(V)]的能耗-时延权衡。V作为一种非负权值，能够有效地控制能耗-时延性能。通过仿真结果验证了本方案的正确性和有效性。

附图说明

图1为详细的多用户多任务MEC(移动边缘计算)系统架构，只考虑物联网(Internet of Things)设备的无线供电模型；

图2为一个多用户多任务的异构能量采集MEC系统；

图3为时间平均能耗和数据队列长度变化示意图，其中，(a)为时间平均能量消耗随着系统控制参数V的变化示意图，(b)为数据队列长度随着系统控制参数V的变化示意图；

图4为能耗延迟权衡示意图，其中，(a)为应用申请所述方法通过不同数量的WD和不同数量的任务实现能耗延迟权衡示意图，(b)为应用本申请所述方法ECM-RMA，基线1和基线2实现能耗延迟权衡示意图，默认设置为M＝3，N＝4；

图5为时间平均能耗跟随平均数据到达率λ的变化示意图；

图6为时间平均能耗跟随可用子通道个数K的变化示意图；

图7为时间平均能耗跟随能量获取因子μ的变化示意图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

使用Matlab软件(R2016a，MathWorks，Natick，Massachusetts，MA，USA)进行仿真，并提供仿真结果来评估本发明实例所提出的一种基于异构能量获取的多用户多任务移动边缘计算节能方法即ECM-RMA算法的性能。验证了ECM RMA算法在最小化能耗方面的合理性和高效性。

所有模拟中的模拟设置，AP上的能量发射器具备p_ap＝3W.我们考虑小尺度瑞利衰落信道模型，并且信道增益这里，表示平均信道增益由WD m的地理位置确定，α是单位平均无关指数的随机变量。具体来说，遵循以下模型：

这是一个自由空间路径损耗模型，其中Ad＝4.11表示天线增益，f_c＝915MHz表示载波频率。d_e的单位是米，表示WD m和AP之间的距离。另外，d_e≥2表示路径损耗指数。在这里，我们设置d_e＝2.8。为了便于解释，我们考虑h_m,ul＝h_m,dl，d_m＝2.5+0.3(m-1)和α＝1 的静态信道模型。这样，并且通道增益随着m的增加而减小。

对于从环境中收集能量的一些参数，设定最大绿色能量供应γ_max＝2，并且绿色能量供应γ_m均匀地分布在[0,γ_max]中。每个WD具有相同的参数，Ω＝10J，k＝10^-18，并且L_m＝788cycle/bit。另外，每个WD具有相同的能量队列大小R^E＝Ω＝10J，并且每个 WD为每个任务分配相同数量的数据存储空间R^D＝1000bits/Hz。R^D＝1000bits/Hz是每个任务的可用数据队列长度。此外，每个WD所要求的完成期限是相同的，J_m＝0.78s。此外，每个任务都需要相同的计算资源，至于MEC服务器上的计算，MEC服务器的计算能力是f_ap＝4GHz/s。在通信过程中，B_m,ul＝1MHz，w₀＝10^-10W,p_m,min＝0.1Wh 和p_m,max＝0.2Wh。

每个时隙的长度T＝1s，并且所有模拟的总时间长度S＝10,000s。在所有模拟开始时，设置和E_m(0)＝R^E。在不失一般性的情况下，将所有任务的数据到达设置为具有相等平均数据到达率的随机过程，即除非另有说明，否则λ＝120bits/time-slot， K＝2，μ＝0.5。

为了评估本发明实例所提出的ECM-RMA算法的效率，将ECM-RMA算法与基线1和基线2的其他两种策略进行比较。基线1为任务分配相等的时间，并且仅优化任务的传输功率分配。至于基线2，它只考虑WD从环境中获取能量。除非另有说明，否则基线1和基线2的其他优化与ECM-RMA算法一致。

图3a显示了时间平均能耗与系统控制参数V的范围从1到50。从图3可以看出，随着V增加，时间平均能量消耗随着O(1/V)的速度减小，确定了定理1中的观点。特别是，当V 足够大时，时间平均能量消耗最终收敛到问题P1的最优值，这表明所提出的ECM-RMA算法对于解决问题P1是渐近最优的。此外，我们可以观察到，随着WD M的数量和任务数N的增加，时间平均能耗也将增加。这是因为在一定时间内，大量的WD M和更多的任务N需要更大的传输速率以确保任务数据队列的稳定性，这导致更多的时间-平均能耗。此外，部分时间平均能耗(10)可以解释上述分析是合理的。

图3b显示了时间平均任务数据队列长度与系统控制参数V的范围从1到50.预计，随着V增加，时间平均数据队列长度随着O(V)的速度增加，这证实了定理2.此外，我们可以观察到时间平均任务数据队列随着WD的数量M，任务数量N和平均数据到达率λ的增加而增加。这是因为更多的WD，任务和更大的平均数据到达率λ意味着需要处理更多数据，这导致数据队列长度的增加。

图4a显示了MEC系统中WD的能耗延迟权衡。显然，时间平均延迟越大，时间平均能耗越小。这是因为较大的时间平均延迟意味着较低的服务质量(QoS)，其仅需要较小的传输速率v_m(t)。根据(1)和(10)，仅需要小的传输功率，这导致较少的能量消耗。基于图3-5中的分析，在能量消耗和延迟之间存在折衷，并且将其量化为[O(1/V),O(V)]。通过调整V的值，我们可以有效地控制MEC系统中的能耗延迟性能。更具体地，如果系统中的设备对低延迟具有高要求，则需要设置较小的V值。相反，如果设备对低能耗的要求很高，则需要设置较大的V值。

图4b显示了ECM-RMA，基线1和基线2实现的能耗-延迟权衡。正如所料，建议的ECM-RMA算法优于基线1和基线2.更详细地说，在相同的延迟，所提出的ECM-RMA 算法比基线1和基线2消耗更少的能量，这也意味着当消耗相同的能量时ECM-RMA算法具有最低的等待时间。这是因为，与基线1相比，ECM-RMA算法可以根据信道的动态和日期队列的长度来分配传输时间。在基线2下，WD收集的能量不稳定，WD无法计算任务，当消耗相同的能量时，会立即导致长时间延迟。

三个参数的影响。评估系统变量λ，K，μ对时间平均能耗的影响。除非另有说明，否则M＝3，N＝4.图5示出了在不同系统控制参数V下，时间平均能量消耗与平均数据到达率λ在100到200之间的范围。时间平均能量消耗随着增加的λ而增加。同时，由于有限的数据队列大小和有限的可用电池容量，当存在较高的平均数据到达率λ时，时间平均能量消耗的增加速率减慢。

图6示出了在不同系统控制参数V下的时间平均能量消耗与可用子信道数K的关系。由于更多可用子信道可以支持更多WD用于数据传输，因此时间平均能量消耗随K增加K≤M，即可用子通道的数量不超过MEC系统中WD的数量。

图7示出了在不同系统控制参数V下的时间平均能量消耗与能量收集效率μ的关系。时间平均能量消耗随着能量收集效率μ的增加而单调增加。这是因为根据(16)，WD的无线收集能量是与能量收集效率m正相关的线性函数，并且随着μ增加，更多的能量可以用于无线数据传输。然而，随着时间的推移，时间平均能耗的增长速度减慢。这表明在能量供应充足的情况下，时间平均能耗也受电池容量和可用子信道数量的影响。

上述的具体实施方式中的实例为本发明较好的实例，不能以此来限制本发明的权力界定范围，凡在本发明的系统框架的权力要求之内所作的等同修改替换等，均在本发明的保护范围内。

Claims

1.一种基于异构能量获取的多用户多任务移动边缘计算节能方法，其特征在于，基于多用户多任务移动边缘计算系统在某一时隙内状态，构建MEC中WD平均时间能耗最小的目标问题；采用李雅普洛夫的问题分解原理，将MEC中WD平均时间能耗最小的目标问题转化为传输优化子问题和能量采集子问题；将传输优化子问题转化为凸优化问题，采用凸优化求解出最优传输功率和传输时间；将能量采集子问题采用线性规划进行求解，得出需要获取的无线传输能量的数量；基于传输功率、传输时间以及需要获取的无线传输能量的数量来更新数据队列和能量队列，完成移动边缘计算过程中的资源分配。

2.根据权利要求1所述的方法，其特征在于，所述MEC中WD平均时间能耗最小的目标问题如下：

P1:

其中，e(t)表示单个时隙能耗，Ε[·]表示求均值符号，S表示时隙的数量，ξ(t)表示时隙需要被优化的全部变量集合；p_m(t)表示WD m与AP在时隙t时的传输功率，p_m,min和p_m,max表示WD m与AP之间的传输功率的最小值和最大值，表示任务n在时隙t内从WD m部分卸载到AP的持续时间，表示在时隙t结束时到达WD m的计算任务n的数据量，表示到达WD m的计算任务n的最大数据量，T表示时隙t的时间长度，K表示MEC系统中可用子信道的数量，表示WD m上的任务n在移动边缘计算服务器上处理的时延，J_m表示WD m的截止时间，e_m,h(t)表示WD m在时隙t内从环境中获取的能量，γ_m(t)表示在时隙t内，WD m可以从环境中获取的能量，l_m(t)表示WD m无线能量的传输时间，表示在时隙t内，WD m为任务n消耗的总能量，E_m(t)表示在时隙t内，WD m的剩余能量，e_m,hw(t)表示WD m在时隙t收获的总能量，Ω表示设备的电池容量，N表示计算任务的数量，M表示WD的数量。

3.根据权利要求2所述的方法，其特征在于，所述采用李雅普洛夫的问题分解原理，是指利用漂移加能量函数Δ_VL(t)在时隙t上的上限，且所述上限为ξ(t)的线性函数，将MEC中WD平均时间能耗最小的目标问题转化为传输优化子问题和能量采集子问题如下：

4.根据权利要求3所述的方法，其特征在于，所述传输优化子问题转化为如下：

5.根据权利要求4所述的方法，其特征在于，通过引入一组辅助变量将输电优化子问题转化为凸优化问题，通过凸优化方法求解；

6.根据权利要求5所述的方法，其特征在于，通过采用内点法求解凸优化问题。

7.根据权利要求3所述的方法，其特征在于，所述能量采集子问题如下：

8.根据权利要求7所述的方法，其特征在于，通过将能量传输时间定义为l_m ^*(t)，如果t时间段开始时，E_m(t)＜Ω,即则从AP获取无线能量e_m,w(t)＝max{Ω-E_m(t)-γ_m(t),0}；否则，当时，AP不会向WD m传递能量，即e_m,hw(t)＝0；

当E_m(t)＜Ω时，由式可知同时令得到以及即获得传输时间以及需要获取的绿色能量的数量。