CN110621031B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110621031B
CN110621031B CN201910706286.8A CN201910706286A CN110621031B CN 110621031 B CN110621031 B CN 110621031B CN 201910706286 A CN201910706286 A CN 201910706286A CN 110621031 B CN110621031 B CN 110621031B
Authority
CN
China
Prior art keywords
energy
time slot
mobile device
time
mth
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
Application number
CN201910706286.8A
Other languages
English (en)
Other versions
CN110621031A (zh
Inventor
吴嘉
陈志刚
张恒
欧阳伍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910706286.8A priority Critical patent/CN110621031B/zh
Publication of CN110621031A publication Critical patent/CN110621031A/zh
Application granted granted Critical
Publication of CN110621031B publication Critical patent/CN110621031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
    • H04W28/0221—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices power availability or consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
    • H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/36—TPC using constraints in the total amount of available transmission power with a discrete range or set of values, e.g. step size, ramping or offsets
    • H04W52/367—Power values between minimum and maximum limits, e.g. dynamic range
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

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：
Figure RE-GDA0002278414640000021
Figure RE-GDA0002278414640000022
Figure RE-GDA0002278414640000023
Figure RE-GDA0002278414640000024
其中，
Figure RE-GDA0002278414640000025
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；pm(t)表示WD m与AP在时隙t时的传输功率，pm,min和pm,max表示WD m与AP之间的传输功率的最小值和最大值，
Figure RE-GDA0002278414640000026
表示任务n 在时隙t内从WD m部分卸载到AP的持续时间，
Figure RE-GDA0002278414640000027
表示在时隙t结束时到达WD m的计算任务n的数据量，
Figure RE-GDA0002278414640000028
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，
Figure RE-GDA0002278414640000029
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，Jm表示WD m的截止时间，em,h(t)表示WD m在时隙t内从环境中获取的能量，γm(t)表示在时隙t内，WD m可以从环境中获取的能量，lm(t)表示WD m无线能量的传输时间，
Figure RE-GDA00022784146400000210
表示在时隙t内，WD m为任务n消耗的总能量，Em(t)表示在时隙t 内，WD m的剩余能量，em,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ΔVL(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：
Figure RE-GDA0002278414640000031
Figure RE-GDA0002278414640000032
Figure RE-GDA0002278414640000033
Figure RE-GDA0002278414640000034
进一步地，所述传输优化子问题转化为如下：
Figure RE-GDA0002278414640000035
Figure RE-GDA0002278414640000036
Figure RE-GDA0002278414640000037
Figure RE-GDA0002278414640000038
进一步地，通过引入一组辅助变量
Figure RE-GDA0002278414640000039
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；
Figure RE-GDA00022784146400000310
Figure RE-GDA00022784146400000311
Figure RE-GDA00022784146400000312
Figure RE-GDA00022784146400000313
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：
Figure RE-GDA00022784146400000314
Figure RE-GDA00022784146400000315
Figure RE-GDA00022784146400000316
进一步地，通过将能量传输时间定义为lm *(t)，如果t时间段开始时，Em(t)<Ω,即
Figure RE-GDA00022784146400000317
则从AP获取无线能量em,w(t)＝max{Ω-Em(t)-γm(t),0}；否则，当
Figure RE-GDA00022784146400000318
时，AP不会向WD m传递能量，即em,hw(t)＝0；
当Em(t)<Ω时，由式
Figure RE-GDA00022784146400000319
可知
Figure RE-GDA00022784146400000320
同时令
Figure RE-GDA0002278414640000041
得到
Figure RE-GDA0002278414640000042
以及
Figure RE-GDA0002278414640000043
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：
Figure RE-GDA0002278414640000044
其中，
Figure RE-GDA0002278414640000045
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ΔVL(t)：ΔVL(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ΔVL(t)的比例。V值越大，e(t)在ΔVL(t)中的比例越大，反之亦然。通过最小化ΔVL(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ΔVL(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ΔVL(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ΔVL(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ΔVL(t)。
引理1对于任意可行的ξ(t)，ΔL(t)的上界为:
Figure RE-GDA0002278414640000051
其中
Figure RE-GDA0002278414640000052
引理1证明
因为(max[a-b,0]+c)2≤a2+b2+c2-2a(b-c)，对数据队列
Figure RE-GDA0002278414640000053
和能量队列
Figure RE-GDA0002278414640000054
两边取平方可以分别得到(A1)和(A2)，(A1)和(A2)分别如下所示：
Figure RE-GDA0002278414640000055
Figure RE-GDA0002278414640000056
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：
Figure RE-GDA0002278414640000057
Figure RE-GDA0002278414640000058
因此，我们可以得到李雅普洛夫偏移量ΔL(t)
Figure RE-GDA0002278414640000059
在一个时隙内，WD可以根据
Figure RE-GDA00022784146400000510
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
Figure RE-GDA00022784146400000511
此外，因为
Figure RE-GDA00022784146400000512
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emax。至于em,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em,hw(t)≤Ω。利用上界
Figure RE-GDA0002278414640000061
并定义
Figure RE-GDA0002278414640000062
此外，
Figure RE-GDA0002278414640000063
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
Figure RE-GDA0002278414640000064
因此，
Figure RE-GDA0002278414640000065
独立于当前的功率分配pm(t)和时间分配τm(t)。换句话说，
Figure RE-GDA0002278414640000066
是一个常量，我们可以定义Cmax如下所示：
Figure RE-GDA0002278414640000067
因此，可以得到
Figure RE-GDA0002278414640000068
最终，引理1得到证明。
则可以知道ΔVL(t)的上界为:
Figure RE-GDA0002278414640000069
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ΔVL(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)：
Figure RE-GDA0002278414640000071
Figure RE-GDA0002278414640000072
Figure RE-GDA0002278414640000073
然而，由于约束
Figure RE-GDA0002278414640000074
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
Figure RE-GDA0002278414640000075
即，
Figure RE-GDA0002278414640000076
因此，将上述的输电优化问题转换为以下凸优化问题P4:
Figure RE-GDA0002278414640000077
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
Figure RE-GDA0002278414640000078
该二元方程关于x1和x2是凸的，原因如下：
Figure RE-GDA0002278414640000079
的黑塞矩阵是
Figure RE-GDA00022784146400000710
H的特征值分别是k1＝0和
Figure RE-GDA00022784146400000711
而且H是正半定。因此f(x1,x2)关于x1和x2是凸的。
对于P4，让
Figure RE-GDA00022784146400000712
根据(A8)，因为f(x1,x2)是凸的，所以，
Figure RE-GDA00022784146400000713
凹的。在这种情况下，
Figure RE-GDA00022784146400000714
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
Figure RE-GDA0002278414640000081
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
Figure RE-GDA0002278414640000082
和
Figure RE-GDA0002278414640000083
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pap＝3W.我们考虑小尺度瑞利衰落信道模型，并且信道增益
Figure RE-GDA0002278414640000091
这里，
Figure RE-GDA0002278414640000092
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，
Figure RE-GDA0002278414640000093
遵循以下模型：
Figure RE-GDA0002278414640000094
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，fc＝915MHz表示载波频率。de的单位是米，表示WD m和AP之间的距离。另外，de≥2表示路径损耗指数。在这里，我们设置de＝2.8。为了便于解释，我们考虑hm,ul＝hm,dl，dm＝2.5+0.3(m-1)和α＝1 的静态信道模型。这样，
Figure RE-GDA0002278414640000095
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γmax＝2，并且绿色能量供应γm均匀地分布在[0,γmax]中。每个WD具有相同的参数，Ω＝10J，k＝10-18，
Figure RE-GDA0002278414640000096
并且Lm＝788cycle/bit。另外，每个WD具有相同的能量队列大小RE＝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RD＝1000bits/Hz。RD＝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，Jm＝0.78s。此外，每个任务都需要相同的计算资源，
Figure RE-GDA0002278414640000097
至于MEC服务器上的计算，MEC服务器的计算能力是fap＝4GHz/s。在通信过程中，Bm,ul＝1MHz，w0＝10-10W,pm,min＝0.1Wh 和pm,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
Figure RE-GDA0002278414640000098
和Em(0)＝RE。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
Figure RE-GDA0002278414640000099
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3( a) 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3( b) 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4( a) 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vm(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4( b) 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 (7)

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中移动设备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中移动设备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；
所述MEC中移动设备WD平均时间能耗最小的目标问题如下：
P1:
Figure FDA0002961107950000011
s.t:pm,min≤pm(t)≤pm,max,
Figure FDA0002961107950000012
Figure FDA0002961107950000013
0≤em,h(t)≤γm(t),
Figure FDA0002961107950000014
Figure FDA0002961107950000015
其中，
Figure FDA0002961107950000016
e(t)表示单个时隙能耗，E[·]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；pm(t)表示第m个移动设备WD m与AP在时隙t时的传输功率，pm,min和pm,max表示第m个移动设备WD m与AP之间的传输功率的最小值和最大值，
Figure FDA0002961107950000017
表示任务n在时隙t内从第m个移动设备WD m部分卸载到AP的持续时间，
Figure FDA0002961107950000018
表示在时隙t结束时到达第m个移动设备WD m的计算任务n的数据量，
Figure FDA0002961107950000019
表示到达第m个移动设备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，
Figure FDA00029611079500000110
表示第m个移动设备WD m上的任务n在移动边缘计算服务器上处理的时延，Jm表示第m个移动设备WD m的截止时间，em,h(t)表示第m个移动设备WD m在时隙t内从环境中获取的能量，γm(t)表示在时隙t内，第m个移动设备WD m可以从环境中获取的能量，lm(t)表示第m个移动设备WD m无线能量的传输时间，
Figure FDA00029611079500000111
表示在时隙t内，第m个移动设备WD m为任务n消耗的总能量，Em(t)表示在时隙t内，第m个移动设备WD m的剩余能量，em,hw(t)表示第m个移动设备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表示移动设备WD的数量。
2.根据权利要求1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ΔVL(t)在时隙t上的上限，且所述上限为ξ(t)的线性函数，将MEC中移动设备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：
P2：
Figure FDA0002961107950000021
s.t：pm，min≤pm(t)≤pm，max，
Figure FDA0002961107950000022
Figure FDA0002961107950000023
Figure FDA0002961107950000024
其中，V为非负权值；
Figure FDA0002961107950000025
表示在时隙t内，第m个移动设备WD m的任务n处的数据队列的积压；
Figure FDA0002961107950000026
表示在时隙t内，第m个移动设备WD m中有任务n的总的计算量；
Figure FDA0002961107950000027
表示在时隙t内，第m个移动设备WD m的剩余的电池容量。
3.根据权利要求2所述的方法，其特征在于，所述传输优化子问题转化为如下：
Figure FDA0002961107950000028
s.t:pm,min≤pm(t)≤pm,max,
Figure FDA0002961107950000029
Figure FDA00029611079500000210
Figure FDA00029611079500000211
其中，
Figure FDA00029611079500000212
表示在时隙t内，第m个移动设备WD m的任务n处的数据队列的积压，
Figure FDA00029611079500000213
表示在时隙t内，第m个移动设备WD m中有任务n的总的计算量；V为非负权值。
4.根据权利要求3所述的方法，其特征在于，通过引入一组辅助变量
Figure FDA00029611079500000214
Figure FDA00029611079500000215
将传输优化子问题转化为凸优化问题，通过凸优化方法求解；
Figure FDA00029611079500000216
s.t.pm,min≤pm(t)≤pm,max,
Figure FDA00029611079500000217
Figure FDA00029611079500000218
Figure FDA00029611079500000219
其中，
Figure FDA00029611079500000220
表示在时隙t内，第m个移动设备WD m中任务n的CPU周期频率；Lm(t) 表示在时隙t内，第m个移动设备每计算一位数据大小所需的CPU周期；Bm,ul为上行信道带宽；hm,ul(t)表示在时隙t内，第m个移动设备WD m与AP之间的上行信道增益；V表示非负权值，k是转化系数。
5.根据权利要求4所述的方法，其特征在于，通过采用内点法求解凸优化问题。
6.根据权利要求2所述的方法，其特征在于，所述能量采集子问题如下：
Figure FDA0002961107950000031
Figure FDA0002961107950000032
Figure FDA0002961107950000033
Em(t)+em，hw(t)≤Ω
其中，
Figure FDA0002961107950000034
表示在时隙t内，第m个移动设备WD m的剩余的电池容量；em,h(t)表示在时隙t内，第m个移动设备WD m从环境获得的能量，em,hw(t)表示在时隙t内，第m个移动设备WDm收获的总能量。
7.根据权利要求6所述的方法，其特征在于，通过将能量传输时间定义为lm *(t)，如果t时间段开始时，Em(t)＜Ω,即
Figure FDA0002961107950000035
则从AP获取无线能量em,w(t)＝max{Ω-Em(t)-γm(t),0}；否则，当
Figure FDA0002961107950000036
时，AP不会向WD m传递能量，即em,hw(t)＝0；
当Em(t)＜Ω时，由式
Figure FDA0002961107950000037
可知
Figure FDA0002961107950000038
同时令
Figure FDA0002961107950000039
得到
Figure FDA00029611079500000310
以及
Figure FDA00029611079500000311
即获得传输时间以及需要获取的绿色能量的数量；
其中，μ表示从AP收集能量的能量收集效率，μ∈(0,1)；pap(t)和hm,dl(t)分别表示AP的能量传输功率和下行链路信道增益。
CN201910706286.8A 2019-07-31 2019-07-31 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 Active CN110621031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910706286.8A CN110621031B (zh) 2019-07-31 2019-07-31 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910706286.8A CN110621031B (zh) 2019-07-31 2019-07-31 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

Publications (2)

Publication Number Publication Date
CN110621031A CN110621031A (zh) 2019-12-27
CN110621031B true CN110621031B (zh) 2021-05-28

Family

ID=68921506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910706286.8A Active CN110621031B (zh) 2019-07-31 2019-07-31 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

Country Status (1)

Country Link
CN (1) CN110621031B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111200831B (zh) * 2020-01-08 2021-08-24 中国科学院计算技术研究所 一种融合移动边缘计算的蜂窝网络计算卸载方法
CN111340305A (zh) * 2020-03-10 2020-06-26 西安建筑科技大学 一种建筑运行能耗预测方法
CN111538571B (zh) * 2020-03-20 2021-06-29 重庆特斯联智慧科技股份有限公司 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统
CN112073978B (zh) * 2020-08-11 2022-07-26 南京航空航天大学 一种多载波noma的移动边缘计算系统中计算效率优化方法
CN113068262B (zh) * 2021-03-25 2022-03-29 电子科技大学 基于智能反射面辅助上行系统的动态资源分配方法
CN115955378B (zh) * 2023-03-15 2023-06-02 南京熊猫电子股份有限公司 一种自适应能量转换边缘计算方法、设备及系统
CN117545017B (zh) * 2024-01-09 2024-03-19 大连海事大学 一种面向无线供能移动边缘网络的在线计算卸载方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106304111A (zh) * 2016-08-12 2017-01-04 梁广俊 基于能量采集中继站的异构蜂窝网络功率指派方法
CN108880893A (zh) * 2018-06-27 2018-11-23 重庆邮电大学 一种移动边缘计算服务器联合能量收集及任务卸载方法
CN109618399A (zh) * 2018-12-26 2019-04-12 东华大学 多用户移动边缘计算系统中的分布式能量管理优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106304111A (zh) * 2016-08-12 2017-01-04 梁广俊 基于能量采集中继站的异构蜂窝网络功率指派方法
CN108880893A (zh) * 2018-06-27 2018-11-23 重庆邮电大学 一种移动边缘计算服务器联合能量收集及任务卸载方法
CN109618399A (zh) * 2018-12-26 2019-04-12 东华大学 多用户移动边缘计算系统中的分布式能量管理优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Distributed Energy Management for Multiuser Mobile-Edge Computing Systems With Energy Harvesting Devices and QoS Constraints;Guanglin Zhang等;《IEEE INTERNET OF THINGS JOURNAL》;20190630;正文第Ⅰ-Ⅵ章 *

Also Published As

Publication number Publication date
CN110621031A (zh) 2019-12-27

Similar Documents

Publication Publication Date Title
CN110621031B (zh) 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
Mao et al. Energy efficiency and delay tradeoff for wireless powered mobile-edge computing systems with multi-access schemes
Hu et al. UAV-assisted relaying and edge computing: Scheduling and trajectory optimization
Tang et al. Task number maximization offloading strategy seamlessly adapted to UAV scenario
Zhang et al. Distributed energy management for multiuser mobile-edge computing systems with energy harvesting devices and QoS constraints
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
Deng et al. Wireless powered mobile edge computing: Dynamic resource allocation and throughput maximization
CN109343904B (zh) 一种基于Lyapunov优化的雾计算动态卸载方法
CN113377447B (zh) 一种基于李雅普诺夫优化的多用户计算卸载方法
Wang et al. Computation offloading and resource allocation based on distributed deep learning and software defined mobile edge computing
CN111132191A (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
Guo et al. Energy harvesting computation offloading game towards minimizing delay for mobile edge computing
Li et al. Radio and computing resource allocation with energy harvesting devices in mobile edge computing environment
US9369925B2 (en) System and methods to achieve optimum efficiency-jain fairness in wireless systems
Younis et al. Energy-latency-aware task offloading and approximate computing at the mobile edge
CN114697333B (zh) 一种能量队列均衡的边缘计算方法
Li et al. Stochastic computation resource allocation for mobile edge computing powered by wireless energy transfer
Hmimz et al. Joint radio and local resources optimization for tasks offloading with priority in a mobile edge computing network
CN110780986B (zh) 一种基于移动边缘计算的物联网任务调度方法及系统
Li et al. Offloading and system resource allocation optimization in TDMA based wireless powered mobile edge computing
Chen et al. Joint computation offloading and radio resource allocations in wireless cellular networks
Liu et al. Maximizing energy efficiency in UAV-assisted NOMA-MEC networks
CN113821346B (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
Wang et al. Deep reinforcement learning based joint partial computation offloading and resource allocation in mobility-aware MEC system
Zhao et al. Energy-aware offloading in time-sensitive networks with mobile edge computing

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