CN110708713A - 一种采用多维博弈的移动边缘计算移动端能效优化方法 - Google Patents

一种采用多维博弈的移动边缘计算移动端能效优化方法 Download PDF

Info

Publication number
CN110708713A
CN110708713A CN201911036419.1A CN201911036419A CN110708713A CN 110708713 A CN110708713 A CN 110708713A CN 201911036419 A CN201911036419 A CN 201911036419A CN 110708713 A CN110708713 A CN 110708713A
Authority
CN
China
Prior art keywords
decision
user terminal
calculation
game
energy consumption
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.)
Granted
Application number
CN201911036419.1A
Other languages
English (en)
Other versions
CN110708713B (zh
Inventor
王翊
王惠
蒋芳
胡艳军
许耀华
欧梦添
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.)
Anhui University
Original Assignee
Anhui 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 Anhui University filed Critical Anhui University
Priority to CN201911036419.1A priority Critical patent/CN110708713B/zh
Publication of CN110708713A publication Critical patent/CN110708713A/zh
Application granted granted Critical
Publication of CN110708713B publication Critical patent/CN110708713B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种采用多维博弈的移动边缘计算移动端能效优化方法，包括：博弈论中，包括卸载决策和传输功率；选择卸载决策和传输功率；在每个并行的决策时隙中，接收除用户终端所在小区以外的其它小区的干扰信息，以计算得到传输速率；根据所述传输速率，以选择最优响应决策；判断决策时隙的用户终端决策是否等于所述最优响应决策，若所述决策时隙的用户终端决策不等于所述最优响应决策，则更新所述决策时隙的用户终端决策进入下一决策时隙的迭代，若所述决策时隙的用户终端决策等于所述最优响应决策，则所述决策时隙的用户终端决策为最优响应决策，通过多次迭代，直至系统达到纳什均衡。本发明避免了资源的浪费，保证了内部的资源分配均衡。

Description

一种采用多维博弈的移动边缘计算移动端能效优化方法
技术领域
本发明涉及移动端能效的优化技术领域，特别是涉及一种采用多维博弈的移动边缘计算移动端能效优化方法。
背景技术
MEC(移动边缘计算)通常用于描述将服务推向网络边缘的概念。
现有技术中的采用多维博弈的移动边缘计算移动端能效优化方法从MEC服务器的角度考虑能耗，忽略了用户终端卸载到服务器这一过程中的资源浪费，而且是从宏观角度考虑系统总成本，内部的资源分配是极其不均衡的，造成有的用户终端能耗和延迟极低而其他用户终端能耗和延迟很高的问题。而且没有考虑请求用户终端过多时，MEC服务器资源有限，会造成额外的排队延时的问题，因此迫切需要改进。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种采用多维博弈的移动边缘计算移动端能效优化方法，用于解决现有技术中的资源浪费，内部的资源分配极其不均衡，用户终端能耗和延迟极低而其他用户终端能耗和延迟很高，造成额外的排队延时的问题。
为实现上述目的及其他相关目的，本发明提供一种采用多维博弈的移动边缘计算移动端能效优化方法，所述采用多维博弈的移动边缘计算移动端能效优化方法包括：
博弈论中，参与博弈方为系统中的用户，博弈决策为二维决策空间，包括卸载决策和传输功率，博弈支付为能耗和延迟函数；
选择卸载决策和传输功率；
在每个并行的决策时隙中，接收除用户终端所在小区以外的其它小区的干扰信息，以计算得到传输速率；
根据所述传输速率，以选择最优响应决策；
判断决策时隙的用户终端决策是否等于所述最优响应决策，若所述决策时隙的用户终端决策不等于所述最优响应决策，则更新所述决策时隙的用户终端决策进入下一决策时隙的迭代，若所述决策时隙的用户终端决策等于所述最优响应决策，则所述决策时隙的用户终端决策为最优响应决策，通过多次迭代，直至系统达到纳什均衡。
在本发明的一实施例中，所述卸载决策包括：
当用户终端的卸载决策等于0时，则用户终端选择本地计算；
当用户终端的卸载决策大于0时，则用户终端选择将任务卸载到移动边缘计算服务器端进行计算。
在本发明的一实施例中，所述传输功率包括：
所述传输功率的取值范围为最小传输功率至最大传输功率之间，其中，所述最小传输功率使信噪比大于设定阈值，所述设定阈值与用户的硬件架构相关。
在本发明的一实施例中，所述传输速率为：
Figure BDA0002251633100000021
其中，B表示信道带宽，ω0表示噪声功率，
Figure BDA00022516331000000210
表示小区n内的第i个用户终端，
Figure BDA0002251633100000022
表示用户终端
Figure BDA0002251633100000023
与用户终端所在小区内基站之间的信道增益，
Figure BDA0002251633100000024
表示用户终端的传输功率，
Figure BDA0002251633100000025
表示用户终端
Figure BDA0002251633100000026
受到的总干扰。
在本发明的一实施例中，所述最优响应决策包括卸载决策和功率决策构成的二维决策空间。
在本发明的一实施例中，所述选择最优响应决策的步骤为：
根据各个用户的任务所需计算量的大小，以计算得出本地计算时的计算时间和计算能耗；
根据所述本地计算时的计算时间和计算能耗，以计算得出本地计算时的能耗和延迟函数；
根据所述传输速率，计算得出卸载计算时的计算时间和计算能耗；
根据所述卸载计算时的计算时间和计算能耗，以计算得出卸载计算时的能耗和延迟函数；
比较本地计算时的能耗和延迟函数，以及卸载计算时的能耗和延迟函数，以得出卸载决策；
根据所述能耗和延迟函数，以得出最优传输功率；
根据所述最优传输功率，以得出最优响应决策。
在本发明的一实施例中，所述干扰信息是与用户使用相同信道的其他小区的所有用户，所述干扰信息包括选择相同信道的卸载用户数量、选择相同信道的卸载用户数量的功率大小。
在本发明的一实施例中，所述能耗和延迟函数为：
Figure BDA0002251633100000027
其中，αt，αe∈[0，1]，αt+αe＝1，
Figure BDA0002251633100000028
表示卸载计算时的计算时间，
Figure BDA0002251633100000029
表示卸载计算时的计算能耗。
本发明还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，其特征在于：所述处理器运行程序指令实现上述的采用多维博弈的移动边缘计算移动端能效优化方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述的采用多维博弈的移动边缘计算移动端能效优化方法。
如上所述，本发明的一种采用多维博弈的移动边缘计算移动端能效优化方法，具有以下有益效果：
本发明的采用多维博弈的移动边缘计算移动端能效优化方法包括博弈论中，参与博弈方为系统中的用户，博弈决策为二维决策空间，包括卸载决策和传输功率，博弈支付为能耗和延迟函数，选择卸载决策和传输功率，在每个并行的决策时隙中，接收除用户终端所在小区以外的其它小区的干扰信息，以计算得到传输速率，根据所述传输速率，以选择最优响应决策，判断决策时隙的用户终端决策是否等于所述最优响应决策，通过多次迭代以得到最优响应决策，达到系统的纳什均衡。本发明避免了资源的浪费，保证了内部的资源分配均衡，避免了额外的排队延时的现象。而且随着小区数量的增多，本发明在能耗、延迟和卸载数量的控制上都有较好的性能表现。
本发明的采用多维博弈的移动边缘计算移动端能效优化方法的博弈决策空间是多维的，并且加入了计算资源受限的移动边缘计算服务器，更贴近实际情况，从多个方面考虑影响能耗和延迟的因素，并对能耗和延迟进行了优化，效果较好。
本发明的采用多维博弈的移动边缘计算移动端能效优化方法在保证用户终端自身上传成功的前提下，不会对其他用户终端产生过多的干扰，在干扰降低了一定程度的条件下，可以使更多的用户终端可以选择卸载到移动边缘计算端进行计算，从而大大降低了能耗和延迟。
附图说明
图1为本申请实施例提供的一种采用多维博弈的移动边缘计算移动端能效优化方法的工作流程图。
图2为本申请实施例提供的图1中一种采用多维博弈的移动边缘计算移动端能效优化方法的步骤S3的工作流程图。
图3为本申请实施例提供的一种电子设备的结构框图。
图4为本申请实施例提供的一种采用多维博弈的移动边缘计算移动端能效优化方法的系统模型图。
图5为本申请实施例提供的用户终端能效对比图。
图6为本申请实施例提供的卸载计算用户终端的数量对比图。
元件标号说明
1 处理器
2 存储器
3 基站
4 用户终端
5 MEC服务器
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。需说明的是，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。
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，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，图1为本申请实施例提供的一种采用多维博弈的移动边缘计算移动端能效优化方法的工作流程图。一种采用多维博弈的移动边缘计算移动端能效优化方法，所述采用多维博弈的移动边缘计算移动端能效优化方法包括：博弈论中，参与博弈方为系统中的用户，博弈决策为二维决策空间，包括卸载决策和传输功率，博弈支付为能耗和延迟函数。S1、选择卸载决策和传输功率。S2、在每个并行的决策时隙t中，接收除用户终端4所在小区以外的其它小区的干扰信息，以计算得到传输速率。S3、根据所述传输速率，以选择最优响应决策
Figure BDA0002251633100000041
S4、判断决策时隙t的用户终端4决策是否等于所述最优响应决策
Figure BDA0002251633100000042
若所述决策时隙t的用户终端4决策不等于所述最优响应决策
Figure BDA0002251633100000043
则更新所述决策时隙的用户终端决策进入下一决策时隙的迭代，若所述决策时隙t的用户终端4决策等于所述最优响应决策
Figure BDA0002251633100000044
则所述决策时隙t的用户终端4决策为最优响应决策通过多次迭代，直至系统达到纳什均衡。最终达到纳什均衡，即各个用户都没有再改变当前决策的动机。请参阅图4，图4为本申请实施例提供的一种采用多维博弈的移动边缘计算移动端能效优化方法的系统模型图。所述基站3和用户终端4处于覆盖范围内，连接到一个共用的MEC服务器5。设置大量小基站分散于区域内，构成多个小区n＝1,...,N，每个小区由若干用户终端Mn组成，所有用户终端4构成用户集Γ，其中
Figure BDA0002251633100000051
表示小区n内的第i个用户终端4，所述基站3的职责是接入各个用户终端4，对各个选择卸载计算的用户终端4进行信道Ch＝1,...,C分配，将用户终端4卸载到基站3的计算密集型任务交由MEC服务器5处理。假定同一小区的用户终端4之间不产生干扰，而不同小区使用同一信道的用户终端4之间会产生干扰。各个小区所连接的共用MEC服务器5配备有V个可用虚拟机，即可支持V个用户终端4同时进行计算任务。
请参阅图2，图2为本申请实施例提供的图1中一种采用多维博弈的移动边缘计算移动端能效优化方法的步骤S3的工作流程图。S31、根据各个用户的任务所需计算量的大小，以计算得出本地计算时的计算时间和计算能耗。S32、根据所述本地计算时的计算时间和计算能耗，以计算得出本地计算时的能耗和延迟函数。S33、根据所述传输速率，计算得出卸载计算时的计算时间和计算能耗。S34、根据所述卸载计算时的计算时间和计算能耗，以计算得出卸载计算时的能耗和延迟函数。S35、比较本地计算时的能耗和延迟函数，以及卸载计算时的能耗和延迟函数，以得出卸载决策。S36、根据所述能耗和延迟函数，以得出最优传输功率。S37、根据所述最优传输功率，以得出最优响应决策
Figure BDA0002251633100000052
建立一种采用多维博弈的移动边缘计算移动端能效优化方法的通信模型：利用
Figure BDA0002251633100000053
表示用户终端4的卸载决策，时，表示用户终端4选择本地计算即不卸载。
Figure BDA0002251633100000055
时，表示用户终端4选择将任务卸载到MEC服务器5端进行计算，此时
Figure BDA0002251633100000056
即卸载决策是选择某一信道，将任务卸载至MEC服务器5，则可根据包含的所有用户终端4的决策向量
Figure BDA0002251633100000057
计算出数据传输速率：
Figure BDA0002251633100000058
其中，B表示信道带宽，ω0表示噪声功率，
Figure BDA0002251633100000059
表示小区n内的第i个用户终端4，
Figure BDA00022516331000000510
表示用户终端
Figure BDA00022516331000000511
与用户终端所在小区内基站3之间的信道增益，
Figure BDA00022516331000000512
表示用户终端4的传输功率，
Figure BDA00022516331000000513
表示用户
Figure BDA00022516331000000514
受到的总干扰。所述传输功率
Figure BDA00022516331000000515
的取值范围为pmin至pmax，其中，pmin表示最小传输功率，pmax表示最大传输功率。应使信噪比大于阈值，所述阈值与用户终端4的硬件架构有关。将用户终端in的干扰用户终端4集定义为：在与用户终端
Figure BDA0002251633100000062
不同小区中的用户终端
Figure BDA0002251633100000063
卸载决策
Figure BDA0002251633100000064
的用户终端4集合。用户终端
Figure BDA0002251633100000065
受到的总干扰定义为
Figure BDA0002251633100000066
可以看出，当用户终端4选择卸载时，传输功率不仅会对自身产生影响也会对其他用户终端4造成影响；并且如果有大量用户终端4选择卸载计算，会造成MEC服务器的意外排队延迟，将会造成信道的堵塞，从而造成传输时延的增加和能量开销的增大。由于用户终端4之间的相互影响，因此接下来将会引入博弈论来解决多用户终端4系统的卸载分配和功率选择问题。每个用户终端in都有一个计算密集型任务，可以选择在本地进行计算，此时
Figure BDA0002251633100000067
也可以选择将任务上传至MEC服务器5的虚拟机进行卸载计算，此时
Figure BDA0002251633100000068
设定每个计算密集型的任务如下定义
Figure BDA0002251633100000069
Figure BDA00022516331000000610
表示用户终端4上传该任务至MEC服务器5的数据大小，
Figure BDA00022516331000000624
表示任务的计算量即所需要的全部CPU周期。本地计算时，计算时间：
Figure BDA00022516331000000612
其中，表示用户终端本地的计算速率，即每秒可以执行的CPU周期。计算能耗：
Figure BDA00022516331000000614
其中，
Figure BDA00022516331000000615
表示移动设备
Figure BDA00022516331000000616
上每CPU周期消耗的能量的系数。由此可以得到能耗和延迟函数：其中，其中，αt，αe∈[0，1]，αt+αe＝1，表示卸载计算时的计算时间，
Figure BDA00022516331000000619
表示卸载计算时的计算能耗。卸载计算时：对所述MEC服务器5的虚拟机设置上限，设MEC服务器5配备V个虚拟机，若MEC服务器5满载，则需要卸载计算的用户终端4需要等待。计算时间：
Figure BDA00022516331000000620
其中，fv表示虚拟机的计算速率，若MEC服务器5满载，即
Figure BDA00022516331000000621
用户终端4需要排队等待，由于计算时间远大于传输时间，可将排队用户终端4的总计算时间视为两倍MEC服务器5的计算时间。计算能耗：
Figure BDA00022516331000000622
由此可以得到能耗和延迟函数
Figure BDA00022516331000000623
本发明的一种采用多维博弈的移动边缘计算移动端能效优化方法可以采用完全信息动态博弈，决策使用二维博弈决策空间。使用完全信息动态博弈是为了让不同用户的不同需求都可以得到一定程度上的满足。采用博弈算法选择最适合的决策，使得能耗和延迟函数最优：
Figure BDA0002251633100000071
用户集Γ，决策
Figure BDA0002251633100000072
能耗和延迟函数
Figure BDA0002251633100000073
其中
Figure BDA0002251633100000074
是由卸载决策和功率决策构成的二维决策空间。根据纳什均衡定，即
Figure BDA0002251633100000075
Figure BDA0002251633100000076
其中
Figure BDA0002251633100000077
是除了
Figure BDA0002251633100000078
用户终端4之外的所有终端4的决策集合。
Figure BDA0002251633100000079
是用户终端4更改已达到纳什均衡决策后的新决策。二维决策空间
Figure BDA00022516331000000710
中，若即选择本地计算，则能耗和延迟函数为本地计算的能耗和延迟，其值不受其它基站3的用户影响，为固定值。因此可以只考虑
Figure BDA00022516331000000712
的情况，即选择卸载计算，如果
Figure BDA00022516331000000713
的可行域是紧凸集并且
Figure BDA00022516331000000714
在该可行域上是连续的，则该博弈的纳什均衡的是存在的。是不含决策元素的常数，只需证明需要排队时的能耗和延迟函数的纳什均衡存在且唯一，即将公式
Figure BDA00022516331000000716
代入
Figure BDA00022516331000000717
得到公式：
Figure BDA00022516331000000718
因为决策
Figure BDA00022516331000000719
时，因此可只考虑决策
Figure BDA00022516331000000720
可行域[pminpmax]是紧凸集，故排队时的博弈是存在的。接下来证明
Figure BDA00022516331000000721
在该可行域上是连续的。对于映射F：X→X，X是闭集，如果对于
Figure BDA00022516331000000722
和β∈[0，1)，都有||F(X)-F(y)||≤β||x-y||，则这个映射F是收缩和收敛的，此外，F有唯一的不动点,对于公式式
Figure BDA00022516331000000723
若
Figure BDA00022516331000000726
使得成立，则博弈有唯一的纳什均衡。首先证明公式
Figure BDA00022516331000000725
是一个压缩映射，将公式
Figure BDA0002251633100000081
展开可以得到：其中，α＝αe是常数。经过变形可以得到：
Figure BDA0002251633100000084
令
Figure BDA0002251633100000085
若p1＞p2，
Figure BDA0002251633100000086
因此
Figure BDA0002251633100000087
因为B＞αa，p1＞x，所以z<1。因此存在β∈[0，1)使得公式
Figure BDA0002251633100000088
成立，若p1＜p2，
Figure BDA0002251633100000089
同理可得，存在β∈[0，1)使得公式成立，证明该博弈的纳什均衡是存在且唯一的。对于给定的决策
Figure BDA00022516331000000821
和
Figure BDA00022516331000000820
公式
Figure BDA00022516331000000811
在
Figure BDA00022516331000000822
上是连续的，其中，
Figure BDA00022516331000000812
对于公式
Figure BDA00022516331000000813
求
Figure BDA00022516331000000814
的偏导，得到
令
Figure BDA00022516331000000816
其解析解不存在，该式数值解可通过牛顿法求得。因此，不排队时的最优响应可以求得：
Figure BDA00022516331000000819
一种采用多维博弈的移动边缘计算移动端能效优化方法是多用户系统，采用并行时隙，在每个时隙内每个用户终端4计算各自的最优响应决策。初始化时，用户终端4的决策都是选择卸载到MEC服务器5进行计算，上传功率在[pmin，pmax]随机选择。在每个时隙内，用户终端4通过所在的基站3收集信息，其它各小区需要卸载至MEC服务,5计算的用户终端4数量，以及他们选择的信道，并根据这些信息计算传输速率、各个信道上受到的干扰，以及在MEC服务器5计算的总用户终端4数量，来决定用户终端4是否需要排队，通过这些参数可以计算出最优响应，即卸载决策和上传功率大小，并且已经证明了纳什均衡的存在性和唯一性，经过有限次决策时隙的决策更新，最终会达到纳什均衡，即
Figure BDA0002251633100000091
此时没有用户终端4请求更新决策。
请参阅图3、图4、图5、图6，图3为本申请实施例提供的一种电子设备的结构框图。图4为本申请实施例提供的一种采用多维博弈的移动边缘计算移动端能效优化方法的系统模型图。图5为本申请实施例提供的用户终端4能效对比图。图6为本申请实施例提供的卸载计算用户终端4的数量对比图。具体的，本发明的所述采用多维博弈的移动边缘计算移动端能效优化方法中的步骤1至步骤5是在用户终端4中进行的。本发明还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现上述的采用多维博弈的移动边缘计算移动端能效优化方法。本发明使用MATLAB作为仿真工具对本发明的性能进行评估。仿真的场景如下：设有n＝4,6,8...,28,30个小区，每个小区内有一个基站和Mn＝5个用户终端4，信道数Ch＝5，信道带宽B＝5MHz，噪声功率ω＝-125dB。虚拟机数量V＝30，每个虚拟机的计算能力是10GHz。每个用户终端4的本地计算能力是不同的，在1GHz到1.5GHz之间随机取值，每个计算任务的输入数据量在100KB到1000KB之间随机取值，所需要的计算量即CPU周期在200M到1000M之间随机取值。其中αt＝0.5，αe＝0.5。为了突出性能，除了本算法MQO之外，考虑几个对比算法：第一个是本地计算(Local Computing，LC)，所有用户都选择本地进行计算，即在移动端进行计算。另一个是无功率控制的一维博弈(One Dimensional Game without Power Control，ODPC)，该算法中的博弈决策空间是一维的，仅有卸载决策，而不考虑功率控制问题。从图5中可以看出，LC的能耗和延迟是基本不变的，因为本地计算不会受外界因素的影响，随着用户终端4数量的增多，MQO和ODPC都呈现上升的趋势，但是可以看出，很明显的，MQO比ODPC的能耗和延迟低，证明MQO对能耗和延迟的优化是优于ODPC的，即本方法的优化效果是有意义的。图6是MQO和ODPC的卸载用户终端4数量的对比，因为LC是用户终端4都选择本地计算，故卸载计算用户终端4数为0，在此不参与对比。随着基站数量的增多，MQO和ODPC都呈上升趋势，但是可以看出MQO的卸载数量是明显多于ODPC的。因为在MQO中还考虑了功率的控制这一决策，在保证用户终端4自身上传成功的前提下不会浪费功率对其他用户终端4产生过多干扰，在干扰降低了一定程度的条件下，可以使得更多用户终端4可以选择卸载到MEC端进行计算，从而降低能耗和延迟。
综上所述，本发明的采用多维博弈的移动边缘计算移动端能效优化方法包括博弈论中，参与博弈方为系统中的用户，博弈决策为二维决策空间，包括卸载决策和传输功率，博弈支付为能耗和延迟函数，选择卸载决策和传输功率，在每个并行的决策时隙中，接收除用户终端所在小区以外的其它小区的干扰信息，以计算得到传输速率，根据所述传输速率，以选择最优响应决策，判断决策时隙的用户终端决策是否等于所述最优响应决策，以得到最优响应决策。避免了资源的浪费，保证了内部的资源分配均衡，避免了额外的排队延时的现象。而且随着小区数量的增多，本发明在能耗、延迟和卸载数量的控制上都有较好的性能表现。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种采用多维博弈的移动边缘计算移动端能效优化方法，其特征在于，所述采用多维博弈的移动边缘计算移动端能效优化方法包括：
博弈论中，参与博弈方为系统中的用户，博弈决策为二维决策空间，包括卸载决策和传输功率，博弈支付为能耗和延迟函数；
选择卸载决策和传输功率；
在每个并行的决策时隙中，接收除用户终端所在小区以外的其它小区的干扰信息，以计算得到传输速率；
根据所述传输速率，以选择最优响应决策；
判断决策时隙的用户终端决策是否等于所述最优响应决策，若所述决策时隙的用户终端决策不等于所述最优响应决策，则更新所述决策时隙的用户终端决策进入下一决策时隙的迭代，若所述决策时隙的用户终端决策等于所述最优响应决策，则所述决策时隙的用户终端决策为最优响应决策，通过多次迭代，直至系统达到纳什均衡。
2.根据权利要求1所述的一种采用多维博弈的移动边缘计算移动端能效优化方法，其特征在于，所述卸载决策包括：
当用户终端的卸载决策等于0时，则用户终端选择本地计算；
当用户终端的卸载决策大于0时，则用户终端选择将任务卸载到移动边缘计算服务器端进行计算。
3.根据权利要求1所述的一种采用多维博弈的移动边缘计算移动端能效优化方法，其特征在于，所述传输功率包括：
所述传输功率的取值范围为最小传输功率至最大传输功率之间，其中，所述最小传输功率使信噪比大于设定阈值，所述设定阈值与用户的硬件架构相关。
4.根据权利要求1所述的一种采用多维博弈的移动边缘计算移动端能效优化方法，其特征在于，所述传输速率为：
Figure FDA0002251633090000011
其中，B表示信道带宽，ω0表示噪声功率，
Figure FDA0002251633090000012
表示小区n内的第i个用户终端，
Figure FDA0002251633090000013
表示用户终端
Figure FDA0002251633090000014
与用户终端所在小区内基站之间的信道增益，
Figure FDA0002251633090000015
表示用户终端的传输功率，表示用户终端
Figure FDA0002251633090000017
受到的总干扰。
5.根据权利要求1所述的一种采用多维博弈的移动边缘计算移动端能效优化方法，其特征在于：所述最优响应决策包括卸载决策和功率决策构成的二维决策空间。
6.根据权利要求1所述的一种采用多维博弈的移动边缘计算移动端能效优化方法，其特征在于：所述选择最优响应决策的步骤为：
根据各个用户的任务所需计算量的大小，以计算得出本地计算时的计算时间和计算能耗；
根据所述本地计算时的计算时间和计算能耗，以计算得出本地计算时的能耗和延迟函数；
根据所述传输速率，计算得出卸载计算时的计算时间和计算能耗；
根据所述卸载计算时的计算时间和计算能耗，以计算得出卸载计算时的能耗和延迟函数；
比较本地计算时的能耗和延迟函数，以及卸载计算时的能耗和延迟函数，以得出卸载决策；
根据所述能耗和延迟函数，以得出最优传输功率；
根据所述最优传输功率，以得出最优响应决策。
7.根据权利要求1所述的一种采用多维博弈的移动边缘计算移动端能效优化方法，其特征在于：所述干扰信息是与用户使用相同信道的其他小区的所有用户，所述干扰信息包括选择相同信道的卸载用户数量、选择相同信道的卸载用户数量的功率大小。
8.根据权利要求6所述的一种采用多维博弈的移动边缘计算移动端能效优化方法，其特征在于：所述能耗和延迟函数为：
Figure FDA0002251633090000021
其中，αt，αe∈[0，1]，αt+αe＝1，
Figure FDA0002251633090000022
表示卸载计算时的计算时间，
Figure FDA0002251633090000023
表示卸载计算时的计算能耗。
9.一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，其特征在于：所述处理器运行程序指令实现如权利要求1至权利要求8任一项所述的采用多维博弈的移动边缘计算移动端能效优化方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至权利要求8任一项所述的采用多维博弈的移动边缘计算移动端能效优化方法。
CN201911036419.1A 2019-10-29 2019-10-29 一种采用多维博弈的移动边缘计算移动端能效优化方法 Active CN110708713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911036419.1A CN110708713B (zh) 2019-10-29 2019-10-29 一种采用多维博弈的移动边缘计算移动端能效优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911036419.1A CN110708713B (zh) 2019-10-29 2019-10-29 一种采用多维博弈的移动边缘计算移动端能效优化方法

Publications (2)

Publication Number Publication Date
CN110708713A true CN110708713A (zh) 2020-01-17
CN110708713B CN110708713B (zh) 2022-07-29

Family

ID=69202620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911036419.1A Active CN110708713B (zh) 2019-10-29 2019-10-29 一种采用多维博弈的移动边缘计算移动端能效优化方法

Country Status (1)

Country Link
CN (1) CN110708713B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709582A (zh) * 2020-06-18 2020-09-25 广东电网有限责任公司 一种无人机边缘计算资源动态优化方法、系统及存储介质
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
CN112188560A (zh) * 2020-09-08 2021-01-05 北京科技大学 一种边缘协同的计算资源分配方法
CN112188551A (zh) * 2020-09-29 2021-01-05 广东石油化工学院 一种计算迁移方法、计算终端设备及边缘服务器设备
CN112787920A (zh) * 2021-03-03 2021-05-11 厦门大学 面向海洋物联网的水声通信边缘计算时延和能耗优化方法
CN112954739A (zh) * 2021-01-26 2021-06-11 西安电子科技大学 基于循环博弈算法的毫米波mec卸载传输方法
CN116560839A (zh) * 2023-05-06 2023-08-08 湖南师范大学 一种基于主从博弈的边缘计算任务卸载方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107465748A (zh) * 2017-08-18 2017-12-12 东南大学 移动边缘云计算系统中基于演进博弈的动态资源分配方法
CN107819840A (zh) * 2017-10-31 2018-03-20 北京邮电大学 超密集网络架构中分布式移动边缘计算卸载方法
US9942825B1 (en) * 2017-03-27 2018-04-10 Verizon Patent And Licensing Inc. System and method for lawful interception (LI) of Network traffic in a mobile edge computing environment
CN108235298A (zh) * 2016-12-21 2018-06-29 上海中兴软件有限责任公司 移动边缘计算中路径切换方法、移动边缘计算平台及网关
DE112016005590T5 (de) * 2015-12-07 2018-09-13 Sony Corporation Vorrichtung, Verfahren und Programm
CN108920279A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种多用户场景下的移动边缘计算任务卸载方法
CN108990159A (zh) * 2018-07-12 2018-12-11 东南大学 移动边缘计算系统中基于分层博弈的联合资源分配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112016005590T5 (de) * 2015-12-07 2018-09-13 Sony Corporation Vorrichtung, Verfahren und Programm
CN108235298A (zh) * 2016-12-21 2018-06-29 上海中兴软件有限责任公司 移动边缘计算中路径切换方法、移动边缘计算平台及网关
US9942825B1 (en) * 2017-03-27 2018-04-10 Verizon Patent And Licensing Inc. System and method for lawful interception (LI) of Network traffic in a mobile edge computing environment
CN107465748A (zh) * 2017-08-18 2017-12-12 东南大学 移动边缘云计算系统中基于演进博弈的动态资源分配方法
CN107819840A (zh) * 2017-10-31 2018-03-20 北京邮电大学 超密集网络架构中分布式移动边缘计算卸载方法
CN108990159A (zh) * 2018-07-12 2018-12-11 东南大学 移动边缘计算系统中基于分层博弈的联合资源分配方法
CN108920279A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种多用户场景下的移动边缘计算任务卸载方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI TIANZE，WU MUQING，ETC.: "An Overhead-Optimizing Task Scheduling Strategy for Ad-hoc Based Mobile Edge Computing", 《IEEE ACCESS ( VOLUME: 5)》 *
乐光学，朱友康，等: "基于拉格朗日的计算迁移能耗优化策略", 《CNKI 电信科学》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709582A (zh) * 2020-06-18 2020-09-25 广东电网有限责任公司 一种无人机边缘计算资源动态优化方法、系统及存储介质
CN111709582B (zh) * 2020-06-18 2021-12-17 广东电网有限责任公司 一种无人机边缘计算资源动态优化方法、系统及存储介质
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
CN112188560A (zh) * 2020-09-08 2021-01-05 北京科技大学 一种边缘协同的计算资源分配方法
CN112188551A (zh) * 2020-09-29 2021-01-05 广东石油化工学院 一种计算迁移方法、计算终端设备及边缘服务器设备
CN112188551B (zh) * 2020-09-29 2023-04-07 广东石油化工学院 一种计算迁移方法、计算终端设备及边缘服务器设备
CN112954739A (zh) * 2021-01-26 2021-06-11 西安电子科技大学 基于循环博弈算法的毫米波mec卸载传输方法
CN112954739B (zh) * 2021-01-26 2023-02-07 西安电子科技大学 基于循环博弈算法的毫米波mec卸载传输方法
CN112787920A (zh) * 2021-03-03 2021-05-11 厦门大学 面向海洋物联网的水声通信边缘计算时延和能耗优化方法
CN112787920B (zh) * 2021-03-03 2021-11-19 厦门大学 面向海洋物联网的水声通信边缘计算时延和能耗优化方法
CN116560839A (zh) * 2023-05-06 2023-08-08 湖南师范大学 一种基于主从博弈的边缘计算任务卸载方法和系统
CN116560839B (zh) * 2023-05-06 2023-11-10 湖南师范大学 一种基于主从博弈的边缘计算任务卸载方法和系统

Also Published As

Publication number Publication date
CN110708713B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN110708713B (zh) 一种采用多维博弈的移动边缘计算移动端能效优化方法
CN109684075B (zh) 一种基于边缘计算和云计算协同进行计算任务卸载的方法
Apostolopoulos et al. Risk-aware data offloading in multi-server multi-access edge computing environment
CN110418416B (zh) 移动边缘计算系统中基于多智能体强化学习的资源分配方法
CN108920279B (zh) 一种多用户场景下的移动边缘计算任务卸载方法
Zheng et al. Dynamic computation offloading for mobile cloud computing: A stochastic game-theoretic approach
Jošilo et al. A game theoretic analysis of selfish mobile computation offloading
Meskar et al. Energy aware offloading for competing users on a shared communication channel
CN110798849A (zh) 一种超密网边缘计算的计算资源分配与任务卸载方法
Jošilo et al. Joint wireless and edge computing resource management with dynamic network slice selection
Meskar et al. Energy efficient offloading for competing users on a shared communication channel
Zhao et al. Task proactive caching based computation offloading and resource allocation in mobile-edge computing systems
CN111949409B (zh) 一种电力无线异构网中计算任务卸载方法及系统
CN111988787B (zh) 一种任务的网络接入和服务放置位置选择方法及系统
CN111565380B (zh) 车联网中基于noma-mec混合卸载方法
CN116339849A (zh) 移动边缘计算环境下多用户多任务计算卸载方法及系统
CN113364630A (zh) 一种服务质量QoS差异化优化方法、装置
CN112969163A (zh) 一种基于自适应任务卸载的蜂窝网络计算资源分配方法
CN108924254A (zh) 以用户为中心的分布式多用户计算任务卸载方法
CN114375058A (zh) 任务队列感知的边缘计算实时信道分配和任务卸载方法
CN110035539B (zh) 一种基于相关均衡后悔值匹配的资源优化分配方法及装置
Di Pietro et al. An optimal low-complexity policy for cache-aided computation offloading
Engidayehu et al. Deep reinforcement learning-based task offloading and resource allocation in MEC-enabled wireless networks
CN111158893A (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
Chen et al. Dynamic task caching and computation offloading for 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