CN110798858B - 基于代价效率的分布式任务卸载方法 - Google Patents
基于代价效率的分布式任务卸载方法 Download PDFInfo
- Publication number
- CN110798858B CN110798858B CN201911080819.2A CN201911080819A CN110798858B CN 110798858 B CN110798858 B CN 110798858B CN 201911080819 A CN201911080819 A CN 201911080819A CN 110798858 B CN110798858 B CN 110798858B
- Authority
- CN
- China
- Prior art keywords
- task
- edge node
- user equipment
- node server
- user
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- 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
Abstract
本发明提供了一种基于代价效率的分布式任务卸载方法。该方法包括:在每个时隙,获取每个用户设备的位置、每个边缘节点服务器的产能情况和每个用户设备需要执行的任务;针对某个用户设备的需要执行的任务,计算将任务在用户设备本地执行和卸载至各个边缘节点服务器执行需要消耗的能耗、时延和计算数据量,通过比较对比获取在满足任务时延要求条件下代价效率最大的所述任务的最佳执行方案,将所有用户设备的最佳执行方案进行综合,得到该时隙下系统的任务卸载方案。本发明以最大化每个用户的代价效率为目标,兼顾了计算能力和时延的约束,从而确定系统的最佳的卸载决策。本发明的算法可以有效地提高用户的代价效率,显著降低系统的能源代价。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种基于代价效率的分布式任务卸载方法。
背景技术
近年来,随着物联网技术的不断发展,各种新的计算密集型应用大量涌现。然而,用户设备有限的供电能力和计算能力,很大程度上限制了应用的发展。与此同时,移动边缘计算作为一种新的网络架构的出现,能够为用户设备提供计算和缓存服务,通过将任务卸载到靠近用户设备的边缘节点服务器进行计算,可以有效地缓解用户设备的供电和计算的压力,提高用户服务质量。
随着边缘节点服务器的大量的部署,制定合理的任务卸载策略,实现本地用户设备与边缘节点服务器的高效协作成为应用边缘计算的关键。现有技术中的一种文献研究了多信道干扰下的多用户计算任务卸载问题,通过将用户卸载计算的过程制定为一个博弈的过程,以计算时延和能耗为指标,提出了一种分布式计算卸载算法。现有技术中的另一种文献研究了基于时分多址和正交频分多址的环境下,多用户边缘计算系统的资源分配方法,以计算系统能量消耗的最小加权和为目标,来寻找最优的卸载策略。现有技术中的另一种文献设计了一种新的边缘计算框架,通过将边缘计算与小型蜂窝网络集成,将任务的传输分为前传和后传两个过程来,制定了卸载模型,以最小化系统内整体的能耗为目标,并通过改进的人工鱼群算法来实现最优策略的制定。现有技术中的另一种文献研究了随机无线信道下,移动设备和服务器之间的协作方式,通过在满足时延限制下,最小化移动设备的能耗为目标来进行任务卸载方案制定,并通过将该问题转化为求最短路径问题寻求最优解。
综上所述,现有的文献多以能耗和时延为目标函数来制定卸载决策。尤其是在考虑解决时延问题时,为了缩短卸载计算过程中的时延,过度增大发射功率和提高计算速率,会增加用户设备的能耗负担。并且在以传统能源为单一的供电的方式下,这就意味着计算的能源代价的增加。在保证用户服务质量的前提下,如何卸载计算相同的任务花费更低能源代价,降低计算能源成本才是真正值得关心的问题。
发明内容
本发明的实施例提供了一种基于代价效率的分布式任务卸载方法,以克服现有技术的缺点。
为了实现上述目的,本发明采取了如下技术方案。
一种基于代价效率的分布式任务卸载方法,优选地,在系统中分布式设置多个边缘节点服务器,所述边缘节点服务器配置了可再生能源供给装置,在所述边缘节点服务器的小区内随机分布多个用户设备,所述方法具体包括:
在每个时隙,获取每个用户设备的位置、每个边缘节点服务器的产能情况和每个用户设备需要执行的任务;
针对某个用户设备的需要执行的任务,计算将所述任务在用户设备本地执行需要消耗的能耗、时延和计算数据量;再遍历所有的边缘节点服务器,分别计算将所述任务卸载至各个边缘节点服务器执行所需要消耗的能耗、时延和计算数据量,通过比较对比获取在满足任务时延要求条件下代价效率最大的所述任务的最佳执行方案,所述代价效率为计算数据量与能耗的比值;
将所有用户设备的最佳执行方案进行综合,得到该时隙下系统的任务卸载方案。
优选地,所述的针对某个用户设备的需要执行的任务,计算将所述任务在用户设备本地执行需要消耗的能耗、时延和计算数据量,包括:
根据新能源产能的周期,将时间域划分为T个时隙,记为T={1,...,T};
Ck表示用户设备k计算每比特需要CPU执行的周期数;
所需要消耗的时延为:
所需要消耗的能耗为:
α表示电容系数。
优选地,所述的再遍历所有的边缘节点服务器,分别计算将所述任务卸载至各个边缘节点服务器执行所需要消耗的能耗、时延和计算数据量,包括:
用户设备k遍历所有的边缘节点服务器,分别通过无线链路将任务发送至边缘节点服务器,由边缘节点服务器对所述任务进行计算,对于用户k,在t时隙下,将任务发送至边缘节点服务器m的传输速率为:
式(6)中,表示用户设备k和边缘节点服务器m之间的信道增益,表示为第k个用户到第m边缘节点服务器的距离,表示为损耗因子,σ表示高斯白噪声,B表示信道带宽,表示发射功率,从用户设备k到边缘节点服务器m之间的传输时延表示为:
用户设备k将任务卸载至边缘节点服务器m的通信过程的能耗表示为:
当用户k将任务卸载至边缘节点服务器m进行计算时,边缘节点服务器m对应的计算能耗表示为:
β表示边缘节点服务器m计算每比特数据需要消耗的电能;
边缘节点服务器m需要消耗的时延表示为:
用户设备k将所述任务卸载至边缘节点服务器m来执行需要消耗的总能耗为:
总时延为:
优选地,所述的通过比较对比获取在满足任务时延要求条件下代价效率最大的所述任务的最佳执行方案,所述代价效率为计算数据量与能耗的比值,包括:
在t时隙下,第k个用户设备的代价效率表示为:
分别计算出用户设备k本地执行任务对应的代价效率值、卸载至各个边缘节点服务器执行任务对应的代价效率值,将所有方案的代价效率值进行比较对比,当用户设备k取得最大代价效率值时,对应的该用户设备k的最佳执行方案为:
所述用户设备k的最佳执行方案需要满足的限制条件如下:
P1:Bt(I1...Ik)
(11)
Mm∈{0,1},m∈M (12)
各个公式中的参数的含义:CE表示在执行用户k的卸载方案对应的代价效率值,Mm表示是否选择第m个节点,表示第t时隙下,用户k的计算频率,表示用户k最大计算频率,即计算能力的上限。表示节点m在执行用户k的任务时的计算频率,为该节点的最大计算频率,Tblock表示信道的相干时间,表示用户端的发射功率,pmax表示发射功率的最大值;
(12)表示用户对节点边缘服务器的选择情况,Mm=0表示用户没有选择该节点边缘服务器,Mm=1表示选择了该节点边缘服务器,即将任务卸载至边缘节点服务器进行计算处理,(13)表示用户设备本地的计算能力的限制,(14)表示边缘节点服务器的计算能力的限制,(15)表示需要在有效的时间内执行完成任务,(16)表示对于卸载计算发送功率限制;
根据公式(9)已知,每个时隙下,用户分配的任务量是确定的。所以,在每个时隙下,要求各自用户的代价效率最高,就是求能源代价最小,由于不同时隙下不同种类的能源价格也是不同的,所以,间接将p1转化为一个求每个用户能源代价最小的问题:
subject to (12)-(16)
b0∈{0,1},b1∈{0,1},b0+b1=1 (19)
由(18)可知,在满足接入限制的情况下,一个边缘节点服务器可以同时处理多个用户发送的任务,则此时通过(19)表示每个用户是否选择留在本地计算还是通过卸载进行计算。
优选地,当边缘节点服务器m同时执行来自多个用户设备的计算任务时,各个用户设备分配给边缘节点服务器m的计算资源为在每个时隙下,在满足边缘节点服务器m的接入数目和计算容量的限制下,各个用户设备分配给边缘节点服务器m的计算资源的总和必须要小于该边缘节点服务器m的最大计算频率即满下面的式(20);
并且一个用户设备的任务能够卸载至多个边缘节点服务器,由多个边缘节点服务器分别进行执行计算。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例在现有的边缘计算框架基础上,利用新能源供能,采用混合供能的方式,通过考虑卸载计算的任务量与能源价格的关系,提出了一种基于代价效率的计算任务卸载方案。该方案以最大化代价效率为目标,兼顾了计算能力和时延的约束,从而确定最佳的卸载决策。仿真结果表明,与传统的任务计算方案相比,该算法可以有效地提高用户的代价效率,显著降低系统的能源代价。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于代价效率的分布式任务卸载方法的实现原理示意图;
图2为本发明实施例提供的一种模拟的太阳能和风能的产能速率示意图;
图3为本发明实施例提供的一种时隙与能源代价关系示意图;
图4为本发明实施例提供的一种时隙与时延关系示意图;
图5为本发明实施例提供的一种时隙与能耗关系示意图;
图6为本发明实施例提供的一种不同电价下用户数目和能源代价的关系示意图;
图7为本发明实施例提供的一种不同电价下用户数目和时延的关系示意图;
图8为本发明实施例提供的一种协作卸载下用户数目比较示意图;
图9为本发明实施例提供的一种单节点卸载的用户数目比较示意图;
图10为本发明实施例提供的一种时隙与数据量关系示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例对现有的计算框架做出改进,在每个边缘节点服务器都配置了不同类型的新能源产能装置,通过以代价效率为目标函数,兼顾了计算任务的多样性以及节点的资源有限性,比较单节点和多节点之间的协作策略,从能量损耗造成的经济成本进行分析,提出了一种基于代价效率的任务卸载方案。
本发明实施例提出的一种基于代价效率的分布式任务卸载方法的实现原理示意图如图1所示,该系统设置了多边缘节点服务器,包括固定的M个边缘节点服务器,记为M={1,...,M},每个边缘节点服务器均由单天线基站接入,且各自配置了可再生能源供给装置。K个单天线用户设备在小区内随机分布,记为K={1,...,K}。并且,每个用户需要对各自计算任务Task(lk,τk)进行计算处理。对应用户k的卸载方案表示为Ik,则整个系统下的载卸载方案表示为Γ={I1,I2,...,Ik}。
针对某个用户设备的需要执行的任务,计算将任务在用户设备本地执行需要消耗的能耗、时延和计算数据量;再遍历所有的边缘节点服务器,分别计算将任务卸载至各个边缘节点服务器执行所需要消耗的能耗、时延和计算数据量,通过比较对比获取在满足任务时延要求条件下代价效率最大的所述任务的最佳执行方案。然后,将所有用户设备的最佳执行方案进行综合,得到该时隙下系统的任务卸载方案。
根据新能源产能的周期,将时间域划分为T个时隙,记为T={1,...,T}。针对提出的系统模型,本发明将通过计算、传输和供能三种模式进行分析。
2.1计算模式
α表示电容系数。
当用户k将任务卸载至边缘节点服务器m进行计算时,对应的计算能耗表示为:
β表示计算每比特需要消耗的电能,它的大小取决于边缘节点服务器的结构。则任务的计算时延表示为:
2.2通信模式
当需要进行任务卸载时,可通过无线链路将任务发送至边缘节点服务器,由边缘节点服务器进行计算。对于用户k,在t时隙下,将任务发送至边缘节点服务器m的传输速率表示为:
式(6)中,表示用户设备k和边缘节点服务器m之间的信道增益,表示为第k个用户到第m边缘节点服务器的距离,表示为损耗因子,σ表示高斯白噪声,B表示信道带宽,表示发射功率。因此,从用户k到边缘节点服务器m之间的传输时延可以表示为:
用户k将任务卸载至边缘节点服务器m的通信过程的能耗表示为:
2.3供能模式
根据新能源的产能周期,将一天划分为96个时隙,每时隙为15分钟,图2为本发明实施例提供的一种模拟的太阳能和风能的产能速率示意图。本发明通过将传统能源和新能源相结合的供电方式来为边缘节点服务器进行供能。在第t个时隙下,边缘节点服务器m采集到的新能源表示为Emax,m为该边缘节点服务器最大的储能容量。通过将任务卸载到边缘节点服务器进行计算,缓解用户端能耗压力。同时,在引入新能源的供能方式之后,使用更多低价的新能源可以减少用户对传统能源的依赖。
3基于代价效率的计算任务卸载方案
3.1代价效率
根据分时电价策略可知,能源代价与能量损耗不是简单的线性关系。为了分析能源代价与计算数据之间的关系,表示任务卸载计算的能量损耗造成的经济成本,本发明定义了代价效率(Cost-Efficient,CE),表示为计算的数据量与能源代价的比值,作为对数据进行卸载的关键指标。则在t时隙下,可以将第k个用户的代价效率表示为:
3.2问题模型:
综上,可以将每个时隙下的最佳的卸载决策问题表述如下:
P1:Bt(I1...Ik)
(11)
Mm∈{0,1},m∈M (12)
(12)表示用户对节点边缘服务器的选择情况,Mm=0表示用户没有选择该节点边缘服务器,Mm=1表示选择了该节点边缘服务器,即将任务卸载边缘节点服务器进行计算处理。(13)(14)表示用户本地和边缘节点服务器的计算能力的限制,根据动态电压频率压扩技术,在设备计算能力的限制范围内,可以根据计算需要对计算频率进行调整。
(15)表示需要在有效的时间内进行卸任务的完成,对于卸载计算,任务的传输必须在相干时隙内完成。(16)表示对于卸载计算发送功率限制。任务的成功卸载需要遵循(12)-
(16)的限制条件,在此基础上才能完成寻找最优值的卸载过程。
根据公式(9)已知,每个时隙下,用户分配的任务量是确定的。所以,在每个时隙下,要求各自用户的代价效率最高,就是求能源代价最小,由于不同时隙下不同种类的能源价格也是不同的,所以,间接将p1转化为一个求每个用户能源代价最小的问题:
subject to (12)-(16)
b0∈{0,1},b1∈{0,1},b0+b1=1 (19)
由(18)可知,在满足接入限制的情况下,一个边缘节点服务器可以同时处理多个用户发送的任务,则此时通过(19)表示每个用户是否选择留在本地计算还是通过卸载进行计算。
根据公式(6)可知,过多的终端用户设备将计算数据进行卸载,不仅会引发通信过程的干扰导致较低的数据传输速率,也会导致节点边缘服务器的拥塞,加重边缘节点服务器的负担。但是,如果过多的将数据留在本地计算,则会对边缘节点服务器端资源造成极大的浪费,加重本地的计算负担。如何能够平衡本地和边缘节点服务器的数据量,本发明通过考虑对不同的卸载任务间进行组合,并通过多节点协作的方式来进行任务的卸载计算。
通过多节点协作的方式来进行任务的卸载计算的过程包括:整个系统内,存在m个利用新能源进行供电的边缘服务器节点,当用户设备a和用户设备b需要进行任务计算的时候,不同的边缘节点服务器对应的卸载代价等评价参数是不同的,因此在满足时延和新能源供能的限制条件下,通过将任务卸载至各自代价效率最高的多个边缘节点服务器进行计算,避免对单个边缘节点服务器造成过重的计算负担。这样既降低了计算时延,也充分利用了节点储存的新能源,降低了代价效率。
避免出现数据传输至边缘节点服务器时,边缘节点服务器处于饱和工作状态,导致任务回传或者过长的排队等待的状况。
针对3.2问题,提出的一种基于代价效率的计算任务卸载算法。该算法考虑在时延和计算能力限制下,以最大化每个用户的代价效率为目标,并将最大化每个用户的代价效率的问题转化为最小化每个用户能源代价的问题,以此来制定最佳的数据任务卸载方案。
算法步骤:
(1)初始化。
(2)在t时隙,更新用户的位置,边缘节点服务器的产能情况,每个用户需要执行的计算任务Taskk。
1)如果满足上述(12)-(16)的限制条件,将任务卸载至边缘节点服务器m进行计算,并生成能源代价值,利用find函数寻找具体用户数,并标记其任务卸载方案,计算节点新能源的剩余;
2)否则,留在本地计算。
(5)根据以上产生的能源代价结果,计算系统的总能源代价,生成该时隙下,系统的任务卸载方案Γt。
(6)t=t+1。当t=97时结束循环;否则,跳至步骤(2)。
4仿真结果分析:
考虑一个由2个微基站和1个宏基站构成的多节点协作系统,并且每个基站都架设有边缘节点服务器。两个微基站接入的边缘节点服务器m1和m2分别以太阳能和风能进行供电,宏基站接入的边缘节点服务器m3则使用风能进行供电。每个时隙内,随机产生K=30个单天线用户。信道宽带B为10MHz,用户设备发射功率的范围从50mW至100mW服从均匀分布。噪声功率为10-7W。边缘节点服务器的结构系数β记为2×10-5,表示计算每比特需要消耗的能量。每个边缘节点服务器的最大计算频率为10GHz,本地用户设备的计算能力fk,fk∈{1,2,3}GHz。系数α表示10-28。设置电价系数γ,可知谷段时隙的电价表示为0.51γ/kW·h(1≤t≤32,93≤t≤96),平段时隙的电价表示为0.87γ/kW·h(33≤t≤36,49≤t≤68,89≤t≤92),峰段时隙的电价表示为1.33γ/kW·h(37≤t≤48,69≤t≤88)。电网回购的可再生能源电价表示为0.02γ/kW·h[19]。
表1仿真参数设置
图3为本发明实施例提供的一种时隙与能源代价关系示意图,图3表示了每个时隙下对应的总的能源代价。可以看出,在引入新能源供能系统后,借助边缘节点服务器进行任务卸载可以有效地降低系统的能源代价。与单个节点完成计算任务卸载相比,通过两个节点之间协作卸载可以进一步降低系统的能源代价。在t=33时隙后,用户的能源代价有了大幅度的提高,因为电价由谷段时隙转换为平段时隙的电价。而在t=37时隙后,能源代价进一步增加。根据电价策略可知,供电时隙已经由平段时隙进入峰段时隙。综上可以发现,通过节点协作进行任务卸载计算的方式受电价影响的波动最小,代价也是最小,而完全交付本地计算受电价波动影响最大,能源代价最大。
图4为本发明实施例提供的一种时隙与时延关系示意图,图5为本发明实施例提供的一种时隙与能耗关系示意图。图4和图5分别表示各个时隙对应的系统内时延和能量消耗的关系。从图4和图5分可以看出,因为每个时隙内的任务量服从均匀分布,且本地计算只考虑单一的传统能源的供电方式,所以完全交付本地计算的时延和能耗变化不大。而通过卸载计算消耗的能量受新能源产能速率的影响波动较大,因为节点m1考虑的是太阳能供能,与节点m3趋于稳定的风能供能不同,在t(30≤t≤70)时隙内,太阳能的产能速率加快,并且电价也处于平段和峰段时隙,可以看出留在本地计算任务的用户减少,而卸载至边缘节点服务器的用户数目增多。与本地计算相比,卸载至边缘节点服务器的计算会产生额外的能量消耗,但是结合图3和图4可以发现,能源代价和时延得到了显著的降低。
表2.三种任务计算方案的各参数变化范围
根据表2可以看出在将任务交付本地计算的方式下,尽管能量消耗极少,但产生极高的时延,这很难满足对时延很敏感的新型计算应用,并且单位能源代价下能计算的任务数据量也是最少的,严重增加了经济成本。
图6为本发明实施例提供的一种不同电价下用户数目和能源代价的关系示意图。图6比较了电价为0.51γ的谷段时隙,电价为1.33γ的峰段时隙和电价为0.87γ的平段时隙下,用户数目与能源代价的关系。在满足限制条件的前提下,随着用户数目的增长,能源的代价呈现一定的增长,但增长趋明显不同。可以看出,卸载至边缘节点服务器计算产生的能源代价低于完全交付本地计算的能源代价,并且两个节点进行协作卸载明显优于单个节点。因为通过卸载到边缘节点服务器进行计算可以使用低价的新能源,本地计算是利用传统能源的供电方式,所以能源代价受电价影响较大,在边缘节点服务器引入了新能源供电的方式,卸载计算可以有效地降低能源代价,缓解用户端的能耗压力。所以,随着用户数目的增长,与完全采用传统能源供电的本地计算相比,进行卸载可以消耗较小的能源代价。
图7为本发明实施例提供的一种不同电价下用户数目和时延的关系示意图,图7比较了不同的电价系数下用户数目与时延的关系,可以看出在以代价效率为目标函数的卸载方法下,通过将任务进行卸载计算,不仅提高了代价效率,系统的时延也得到了有效地降低。
图8为本发明实施例提供的一种协作卸载下用户数目比较示意图,图9为本发明实施例提供的一种单节点卸载的用户数目比较示意图。图8和图9比较了不同时隙下(t=10,t=40,t=60)两个节点的协作卸载和单节点进行任务卸载的用户数目。节点m2、节点m3利用产能速率相对稳定的风能进行供能,所以单节点系统m3下,卸载用户数目的趋于稳定。而节点m1则使用了波动范围较大的太阳能进行供能,在利用节点m1和m2进行协作的卸载的方式上,可以看出随着产能速率的增加,通过卸载至边缘节点服务器进行计算的用户数目逐渐增多。
图10为本发明实施例提供的一种时隙与数据量关系示意图,图10表示了在协作卸载情况下各个时隙与任务量的关系。可以看出受新能源产能速率以及谷段时隙低电价的影响,用户会选择留在本地进行计算,但随着部分节点新能源产能速率的加快以及峰段时隙传统能源电价的增高,用户则会通过将任务卸载至边缘节点服务器进行计算,以此来缓解用户设备的能耗压力。所以,可以明显看出在t=30至t=70的时隙间,受电价增高和产能速率加快,用户设备卸载到边缘节点服务器的任务量超过了留在本地计算的任务量。
综上所述,本发明实施例针对移动边缘计算的任务卸载策略问题,提出了一种基于代价效率的分布式任务卸载方法,该方法考虑在时延和计算能力受限的情况下,以最大化每个用户的代价效率为目标,寻求最优的卸载方案,并通过与传统的任务计算方案进行比较分析。
本发明实施例的方法在兼顾了用户时延和节点计算能力的情况下,求解出最经济的任务卸载策略。仿真结果表明,与传统的计算方案相比,可以有效地降低系统的能源代价,选择最优的节点卸载。并且通过使用低价的新能源进行能源供给可以进一步的减少能源代价。此外,本发明还比较了单节点系统与多节点系统对任务卸载策略的影响,由于不同节点的产能速率不同,当满足节点储能容量限制时,在产能的速率加快的情况下,随着用户数目的增多,边缘节点服务器卸载的任务量就越大。并且在卸载计算的方案下,任务的时延仍得到了有效地降低。与多节点相比,即使减少节点数目,也可以得到一个较优的卸载策略。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于代价效率的分布式任务卸载方法,其特征在于,在系统中分布式设置多个边缘节点服务器,所述边缘节点服务器配置了可再生能源供给装置,在所述边缘节点服务器的小区内随机分布多个用户设备,所述方法具体包括:
在每个时隙,获取每个用户设备的位置、每个边缘节点服务器的产能情况和每个用户设备需要执行的任务;
针对某个用户设备的需要执行的任务,计算将所述任务在用户设备本地执行需要消耗的能耗、时延和计算数据量;再遍历所有的边缘节点服务器,分别计算将所述任务卸载至各个边缘节点服务器执行所需要消耗的能耗、时延和计算数据量,通过比较对比获取在满足任务时延要求条件下代价效率最大的所述任务的最佳执行方案,所述代价效率为计算数据量与能耗的比值;
将所有用户设备的最佳执行方案进行综合,得到每个时隙下系统的任务卸载方案;
所述的通过比较对比获取在满足任务时延要求条件下代价效率最大的所述任务的最佳执行方案,所述代价效率为计算数据量与能耗的比值,包括:
在t时隙下,第k个用户设备的代价效率表示为:
当用户设备k取得最大代价效率值时,对应的该用户设备k的最佳执行方案为:
所述用户设备k的最佳执行方案需要满足的限制条件如下:
P1:Bt(I1...Ik)
Mm∈{0,1},m∈M(12)
各个公式中的参数的含义:CE表示在执行用户设备k的卸载方案对应的代价效率值,Mm表示是否选择第m个节点,表示第t时隙下,用户设备k的计算频率,fk max表示用户设备k最大计算频率,即计算能力的上限,表示节点m在执行用户设备k的任务时的计算频率,为该节点的最大计算频率,Tblock表示信道的相干时间,表示用户端的发射功率,pmax表示发射功率的最大值;
(11)中表示以为当前任务的计算方案的最佳代价效率值,在算法迭代的过程中,用户设备k选择出最佳的计算方案,同时对应代价效率最大值,K表示用户设备的集合,(12)表示用户对节点边缘服务器的选择情况,Mm=0表示用户没有选择该节点边缘服务器,Mm=1表示选择了该节点边缘服务器,即将任务卸载至边缘节点服务器进行计算处理,(13)表示用户设备本地的计算能力的限制,(14)表示边缘节点服务器的计算能力的限制,(15)表示需要在有效的时间内执行完成任务,(16)表示对于卸载计算发送功率限制;
根据公式(9)已知,每个时隙下,用户分配的任务量是确定的,所以,在每个时隙下,要求各自用户的代价效率最高,就是求能源代价最小,由于不同时隙下不同种类的能源价格也是不同的,所以,间接将p1转化为一个求每个用户能源代价最小的问题:
subject to(12)-(16)
b0∈{0,1},b1∈{0,1},b0+b1=1 (19)
(17)中k(k∈K)表示任意用户设备,
由(18)可知,在满足接入限制的情况下,一个边缘节点服务器可以同时处理多个用户发送的任务,则此时通过(19)表示每个用户是否选择留在本地计算还是通过卸载进行计算。
4.根据权利要求3所述的方法,其特征在于,所述的再遍历所有的边缘节点服务器,分别计算将所述任务卸载至各个边缘节点服务器执行所需要消耗的能耗、时延和计算数据量,包括:
用户设备k遍历所有的边缘节点服务器,分别通过无线链路将任务发送至边缘节点服务器,由边缘节点服务器对所述任务进行计算,对于用户设备k,在t时隙下,将任务发送至边缘节点服务器m的传输速率为:
式(6)中,表示用户设备k和边缘节点服务器m之间的信道增益,表示为第k个用户到第m边缘节点服务器的距离,表示为损耗因子,σ表示高斯白噪声,B表示信道带宽,表示发射功率,从用户设备k到边缘节点服务器m之间的传输时延表示为:
用户设备k将任务卸载至边缘节点服务器m的通信过程的能耗表示为:
当用户设备k将任务卸载至边缘节点服务器m进行计算时,边缘节点服务器m对应的计算能耗表示为:
β表示边缘节点服务器m计算每比特数据需要消耗的电能;
边缘节点服务器m需要消耗的时延表示为:
用户设备k将所述任务卸载至边缘节点服务器m来执行需要消耗的总能耗为:
总时延为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080819.2A CN110798858B (zh) | 2019-11-07 | 2019-11-07 | 基于代价效率的分布式任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080819.2A CN110798858B (zh) | 2019-11-07 | 2019-11-07 | 基于代价效率的分布式任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110798858A CN110798858A (zh) | 2020-02-14 |
CN110798858B true CN110798858B (zh) | 2023-04-25 |
Family
ID=69443127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911080819.2A Active CN110798858B (zh) | 2019-11-07 | 2019-11-07 | 基于代价效率的分布式任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110798858B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111352731A (zh) * | 2020-02-19 | 2020-06-30 | 宜通世纪物联网研究院(广州)有限公司 | 在边缘计算网络中分配任务的方法、系统、装置及介质 |
CN113709201B (zh) * | 2020-05-22 | 2023-05-23 | 华为技术有限公司 | 计算卸载的方法和通信装置 |
CN112148380B (zh) * | 2020-09-16 | 2022-04-12 | 鹏城实验室 | 一种移动边缘计算任务卸载中的资源优化方法及电子设备 |
CN112162837B (zh) * | 2020-09-17 | 2022-08-23 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算调度方法及系统 |
CN112261120B (zh) * | 2020-10-19 | 2022-02-15 | 广东电网有限责任公司电力调度控制中心 | 一种配电物联网云边协同任务卸载方法及装置 |
CN112769910B (zh) * | 2020-12-29 | 2022-07-19 | 杭州电子科技大学 | 基于动态电压调节技术的雾计算任务卸载方法 |
CN112835715B (zh) * | 2021-02-01 | 2022-12-09 | 哈尔滨工业大学(深圳) | 基于强化学习的无人机任务卸载策略的确定方法和装置 |
CN112882809A (zh) * | 2021-02-23 | 2021-06-01 | 国汽(北京)智能网联汽车研究院有限公司 | 一种驾驶任务的计算终端确定方法、装置及计算机设备 |
CN113051003B (zh) * | 2021-03-22 | 2022-08-09 | 中国科学院上海微系统与信息技术研究所 | 卫星通信网络的计算任务卸载处理方法、系统及存储介质 |
CN116321297B (zh) * | 2023-03-13 | 2024-01-02 | 广州爱浦路网络技术有限公司 | 基于新一代核心网的计算任务卸载方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2787777A1 (en) * | 2013-04-03 | 2014-10-08 | Alcatel Lucent | Energy Saving management in heterogeneous mobile communication systems using switching ON/OFF of small cells |
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 |
CN109672568A (zh) * | 2019-01-11 | 2019-04-23 | 南京邮电大学 | 一种边缘计算网络中绿色能源分配和协调定价的方法 |
CN110012039A (zh) * | 2018-01-04 | 2019-07-12 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方案 |
CN110087257A (zh) * | 2019-04-24 | 2019-08-02 | 重庆邮电大学 | 一种支持移动边缘计算的任务卸载装置及方法 |
CN110113195A (zh) * | 2019-04-26 | 2019-08-09 | 山西大学 | 一种移动边缘计算系统中联合卸载判决和资源分配的方法 |
CN110351760A (zh) * | 2019-07-19 | 2019-10-18 | 重庆邮电大学 | 一种移动边缘计算系统动态任务卸载及资源分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
-
2019
- 2019-11-07 CN CN201911080819.2A patent/CN110798858B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2787777A1 (en) * | 2013-04-03 | 2014-10-08 | Alcatel Lucent | Energy Saving management in heterogeneous mobile communication systems using switching ON/OFF of small cells |
CN110012039A (zh) * | 2018-01-04 | 2019-07-12 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方案 |
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 |
CN109672568A (zh) * | 2019-01-11 | 2019-04-23 | 南京邮电大学 | 一种边缘计算网络中绿色能源分配和协调定价的方法 |
CN110087257A (zh) * | 2019-04-24 | 2019-08-02 | 重庆邮电大学 | 一种支持移动边缘计算的任务卸载装置及方法 |
CN110113195A (zh) * | 2019-04-26 | 2019-08-09 | 山西大学 | 一种移动边缘计算系统中联合卸载判决和资源分配的方法 |
CN110351760A (zh) * | 2019-07-19 | 2019-10-18 | 重庆邮电大学 | 一种移动边缘计算系统动态任务卸载及资源分配方法 |
Non-Patent Citations (2)
Title |
---|
"Energy-Efficient Task Offloading and Resource Scheduling for Mobile Edge Computing";Hongyan Yu等;《2018 IEEE International Conference on Networking, Architecture and Storage (NAS)》;20181101;全文 * |
"双层边缘计算结构中最小化功率开销的任务卸载策略";刘通;《重庆理工大学学报》;20190815;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110798858A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110798858B (zh) | 基于代价效率的分布式任务卸载方法 | |
Li et al. | Deep reinforcement learning based computation offloading and resource allocation for MEC | |
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
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 | |
CN108924938B (zh) | 一种用于无线充电边缘计算网络计算能效的资源分配方法 | |
Le et al. | Auction based incentive design for efficient federated learning in cellular wireless networks | |
CN110113190A (zh) | 一种移动边缘计算场景中卸载时延优化方法 | |
CN108770007A (zh) | 基于noma的无线携能通信系统多目标优化方法 | |
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 | |
CN111182570A (zh) | 提高运营商效用的用户关联和边缘计算卸载方法 | |
Wang et al. | Unified offloading decision making and resource allocation in ME-RAN | |
CN113727362B (zh) | 一种基于深度强化学习的无线供电系统的卸载策略方法 | |
Deng et al. | Throughput maximization for multiedge multiuser edge computing systems | |
Zhu et al. | Computing offloading strategy using improved genetic algorithm in mobile edge computing system | |
Jiang et al. | Q-learning based task offloading and resource allocation scheme for internet of vehicles | |
Li et al. | Offloading and system resource allocation optimization in TDMA based wireless powered mobile edge computing | |
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 | |
Zhang et al. | Joint optimization on computation offloading and resource allocation in mobile edge computing | |
Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
Nguyen et al. | Utility optimization for blockchain empowered edge computing with deep reinforcement learning | |
Cheng et al. | Energy-aware offloading and power optimization in full-duplex mobile Edge computing-enabled cellular IoT networks | |
Mahfoudhi et al. | Distributed resource allocation using iterative combinatorial auction for device-to-device underlay cellular networks | |
CN104683442B (zh) | 一种在无线云计算下的移动设备能量优化分配方法 | |
CN110958675A (zh) | 基于5g雾计算节点的终端接入方法 | |
CN114025359B (zh) | 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质 |
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 |