CN111049917A - 一种基于移动边缘计算的移动感知多用户卸载优化方法 - Google Patents

Abstract

本发明基于移动边缘计算服务器有限的计算和无线资源，提供了一种基于移动边缘计算的移动感知多用户卸载优化方法，本发明考虑到用户的移动性以及任务时延，找到最优的卸载方案来最大化系统范围内的用户效用。本发明提出了启发式移动感知搜索算法，以获得最优的卸载方案，本发明将原始的全局优化问题转化成多个局部优化问题，并将局部优化问题分解成子问题进行求解，最终能在较优计算复杂度情况下得到相比其他技术更优的性能。

Description

一种基于移动边缘计算的移动感知多用户卸载优化方法

技术领域

本发明属于移动云计算技术领域，尤其涉及一种基于移动边缘计算的移动感知多用户卸载优化方法。

背景技术

随着物联网的发展，出现了许多新的移动应用设备，由于用户设备的资源有限不能支持计算密集、时延敏感以及带宽等需求，因此需要寻求一些新的方式来解决这些问题。过去提出了移动云端计算(MCC)的方法，将移动应用中资源密集的部分卸载到强大的远程云端进行处理，但是，在用户和云端长距离传送的过程中会产生高时延和抖动，有些对带宽需求高的应用还会造成网络拥塞，这对于核心网来说是不利的。

由于移动云端计算存在不足，于是近几年提出了移动边缘计算(MEC)。卸载决策作为其中的一个重要的问题，在现有的研究中大多数是假设为一个准静态的场景，但实际当中用户设备的移动性是不能被忽略的。在基站处的移动边缘计算服务器处的计算资源和无线资源都是有限的，为了最大化总体系统范围内的用户效用，需要在任务时延和能量消耗之间有一个权衡，这个问题被证明是一个NP难问题，目前存在的穷举搜索、独立决策执行等技术，这些技术存在计算复杂度高、考虑因素不全的问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于移动边缘计算的移动感知多用户卸载优化方法，解决的技术问题是在移动边缘计算中多个用户的卸载决策和资源分配，将用户的移动性考虑其中，解决了全局优化中的NP难无法求解的问题，在任务时延和能量消耗之间权衡以实现最优的系统范围用户效用。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于移动边缘计算的移动感知多用户卸载优化方法，包括如下步骤：

S1、根据多用户向基站边缘计算服务器发送的任务卸载请求，得到最优的卸载方式和资源分配方式GP；

S2、根据所述最优的卸载方式和资源分配方式GP得到全局优化目标GP2；

S3、将所述全局优化目标GP2转化为N个局部优化目标LP；

S4、根据用户设备的轨迹，利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解；

S5、根据所述数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解，利用效用函数计算得到目标函数；

S6、根据所述目标函数和局部优化目标LP计算得到局部优化目标LP2；

S7、根据所述局部优化目标LP2分别计算得到基站边缘计算服务器的分配方式SP1，并根据所述分配方式SP1计算得到卸载方式SP2；

S8、根据所述分配方式SP1以及卸载方式SP2，利用移动感知卸载算法得到最终的卸载方式。

进一步地，所述步骤S1中最优的卸载方式和资源分配方式GP的表达式如下：

其中，a和f均表示需要被优化的变量向量，且a＝{a₁,a₂,a₃,...,a_N}，f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，a_n＝1表示任务卸载，a_n＝0表示执行本地任务，φ_n表示在计算分配方式SP1和卸载方式SP2中用户的偏好，u_n表示效用函数，ω表示每一个用户的信道带宽，f_n表示第n个用户的CPU频率。

再进一步地，所述步骤S2中全局优化目标GP2的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，φ_n表示SP的用户偏好，u_n表示效用函数，ω表示每一个用户的信道带宽，f_n表示第n个用户的CPU频率。

再进一步地，所述步骤S3中局部优化目标LP的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，φ_n表示SP的用户偏好，u_n表示效用函数，f_n表示第n个用户的CPU频率，

表示固定的信道带宽，B表示系统的带宽，O^max表示在相应的局部优化问题中允许卸载的最大数目。

再进一步地，所述步骤S5中目标函数的表达式如下：

其中，n表示用户设备的个数，O表示被安排进行卸载的用户设备集合，φ_n表示SP的用户偏好，u_n表示效用函数，f_n表示第n个用户的CPU频率，

表示固定的信道带宽，δ_n和

均表示正约束。

再进一步地，所述步骤S6中局部优化目标LP2的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，n表示用户设备的个数，δ_n和

均表示正约束,f_n表示第n个用户的CPU频率。

再进一步地，所述步骤S7中基站边缘计算服务器的分配方式SP1的表达式如下：

其中，Func(O)表示用户设备集合的函数,O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，n表示用户设备的个数，δ_n和

均表示正约束，f_n表示第n个用户的CPU频率。

再进一步地，所述步骤S7中卸载方式SP2的表达式如下：

其中，Func(O)表示用户设备集合的函数，O表示被安排进行卸载的用户设备集合。

再进一步地，所述步骤S8包括如下步骤：

S801、根据所述分配方式SP1以及卸载方式SP2，利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解；

S802、将搜索空间截断为N₃，并根据步骤S801得到的近似解利用移动感知卸载算法计算得到所有任务的效用函数下的面积；

S803、根据所述所有任务的效用函数下的面积，利用启发式任务比较方法将将N₃调整为有序的序列；

S804、根据所述有序的序列，利用基于偏序的启发式方法计算得到近似最优解卸载方式；

S805、将所有近似最优解卸载方式进行比较得到最终的卸载方式。

本发明的有益效果：

(1)本发明基于移动边缘计算服务器有限的计算和无线资源，考虑到用户的移动性以及任务时延，找到最优的卸载方案来最大化系统范围内的用户效用。本发明提出了启发式移动感知搜索算法，以获得最优的卸载方案，该算法将原始的全局优化问题转化成多个局部优化问题，并将局部优化问题分解成子问题进行求解，最终，能在较优计算复杂度情况下得到相比其他技术更优的性能；

(2)本发明在用户移动性、资源有限以及任务时延的限制下提出了启发式移动感知卸载算法最大化了系统的效用；

(3)本发明能实现更优的卸载性能，系统效用非常接近已知最优的解决办法，且更高效。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

在本发明中，基于移动边缘计算服务器有限的计算和无线资源，考虑到用户的移动性以及任务时延，找到最优的卸载方案来最大化系统范围内的用户效用。该问题本是NP难问题，为了解决此问题，提出了启发式移动感知搜索算法，以获得最优的卸载方案。该算法将原始的全局优化问题转化成多个局部优化问题，并将局部优化问题分解成子问题进行求解。最终，能在较优计算复杂度情况下得到相比其他技术更优的性能。

如图1所示，本发明提供了一种基于移动边缘计算的移动感知多用户卸载优化方法，其实现方法如下：

S1、根据多用户向基站边缘计算服务器发送的任务卸载请求，得到最优的卸载方式和资源分配方式GP。

本实施例中，为了更好的证实移动性的影响，本发明考虑的是一个典型的车辆场景，在基站处配备有一个边缘计算服务器来提高基站覆盖范围内用户的性能。必要时用户会向基站发送任务卸载的请求，基站云端服务器会综合考虑卸载决策和资源分配来回应用户的任务卸载请求，假设在基站覆盖范围内的用户数为N,第n(n∈N)个用户的任务OT_n可以表示为：

其中，d_n表示输入数据的比特大小，c_n表示完成任务所需要的总的CPU循环数，σ_n是执行任务所允许的最大的时延。一个用户任务，要么在用户处本地执行，用么在基站边缘计算服务器处远程执行。

本实施例中，目标是要找到最优的卸载决策和资源分配方式来最大化系统范围内的用户效用,表示为如下形式：

s.t.:a_n∈{0,1}, (2)

其中，a和f均表示需要被优化的变量向量，且a＝{a₁,a₂,a₃,...,a_N}，f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，a_n＝1表示任务卸载，a_n＝0表示执行本地任务，φ_n表示在计算分配方式SP1和卸载方式SP2中用户的偏好，u_n表示效用函数,σ_n表示最大时延，ω表示每一个用户的信道带宽，f_n表示第n个用户的CPU频率，即每秒钟用户设备能够执行的CPU循环数，约束(3)表示所有的卸载任务必须被分配一定数量的计算资源。t_n表示第n个任务完成所需要的时间，约束(4)则保证了所有的任务都在σ_n之前完成。B是系统的带宽，在本发明中假设系统带宽被平均分配到每一个用户设备处卸载他们的任务，ω则表示每一个用户的信道带宽。F₀表示基站处总共的可用CPU频率，因此所有用户所用的CPU频率应该满足约束(6)。R表示基站覆盖区域，约束(7)表示用户设备n在卸载过程被完成之前应该处于基站覆盖区域内，

表示卸载任务OT_n总的时间消耗，

其中,

表示数据传送的时间，

表示数据远程执行的时间。用户设备的运动轨迹在t^p之后不能够再被预测，因此约束(8)表示任务卸载的时间消耗应该小于t^p。将该问题整合为

是一个混合整数非线性规划问题。

S2、根据所述最优的卸载方式和资源分配方式GP得到全局优化目标GP2。

所述全局优化目标GP2的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，a_n＝1表示任务卸载，a_n＝0表示执行本地任务，φ_n表示在计算分配方式SP1和卸载方式SP2中用户的偏好，u_n表示效用函数，ω表示每一个用户的信道带宽，f_n表示第n个用户的CPU频率。

本实施例中，由于一个任务可以被本地执行，也可被远程执行，所以约束(4)可以重新被写为：

由于约束(9)中的任务是本地执行的，因此在后续的优化过程中(9)不用被考虑其中。约束(7)也可从空间约束转化成时间约束，表示为

因此就可以将(7)重写为：

用O表示被安排进行卸载的用户设备集合，同时因为本地执行的任务带来零效用，所以可以将优化目标重写为GP2:

s.t.:ω＝B/|O|, (12)

S3、将所述全局优化目标GP2转化为N个局部优化目标LP，所述步骤S3中局部优化目标LP的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，φ_n表示在计算分配方式SP1和卸载方式SP2中用户的偏好，u_n表示效用函数，f_n表示第n个用户的CPU频率，

表示固定的信道带宽,B表示系统的带宽，O^max表示在相应的局部优化问题中允许卸载的最大数目。

本实施例中，在GP2中，离散变量ω会导致不同的目标函数和不稳定的约束(16)-(18)，为了解决这个问题，可以将全局优化问题GP2转化为N个局部优化问题，每一个局部优化问题都有一个固定的信道带宽。可以将局部优化问题定义如下：

s.t.:|O|≤O^max, (19)

s.t.:ω＝B/|O|, (12)

其中，

LP表明在相应的局部优化问题中最大数量的用户设备被允许进行卸载，但是实际上卸载任务的数量是可能比O^max更少的，在这样的情况下，每一个卸载任务还能分配到更多的带宽得到更高的系统效用，因此，局部优化问题的最优解不是全局问题的最优解，只有当在不同O^max情况下所有的N个局部最优问题被解决，全局优化问题GP2的解才能够通过比较它们的系统效用而得到，接下来的技术步骤集中到解决LP问题上。

S4、根据用户设备的轨迹，利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解。

本实施例中，由于用户设备运动的轨迹T_n(t)可以是任意的，很难得到

和

的解析解，因此，利用数值调节梯形方法可得到

和

的近似解，将用户设备n的轨迹基于时间间隔step分解成许多个小的片段，在每个片段内的数据传输率可以假设是固定的，这样就能得到在每一个step中传送数据的量，也就能得到传输数据总共的时间

同时，在每一个step内，可以检测用户设备n是否仍在基站覆盖范围内，并记录它第一次离开该区域的时刻

S5、根据所述数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解，利用效用函数计算得到目标函数；

所述步骤S5中目标函数的表达式如下：

其中，n表示用户设备的个数，φ_n表示在计算分配方式SP1和卸载方式SP2中用户的偏好，u_n表示效用函数，f_n表示第n个用户的CPU频率，

表示固定的信道带宽，δ_n和

均表示正约束

S6、根据所述目标函数和局部优化目标LP计算得到局部优化目标LP2；

所述步骤S6中局部优化目标LP2的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，δ_n和

均表示正约束,f_n表示第n个用户的CPU频率。

本实施例中，得到了

和

的值后，将约束(16)-(18)写为：

是约束(16)-(18)中右边部分最小的值，当

小于零的时候，由于不满足

为正的条件，用户设备此时不能够被安排进行卸载，因此可以将搜索空间O从N截断到N₁，

根据远程执行的时间

可以得到约束：

另外，对于用户设备n∈N来说，只有

卸载任务OT_n才是合理的，当

可以得到：

和

分别表示在执行任务OT_n时用户在时间和能量消耗上的偏好，

表示本地执行任务OT_n的时间消耗，

表示本地执行任务OT_n的能量消耗，

表示卸载任务OT_n的能量消耗，

表示在固定带宽

的情况下数据传送时间，t_n为执行时延，

e_n为能量消耗，

a_n表示基站对任务OT_n所做的卸载决策，

表示卸载任务OT_n的总时间消耗，本发明设计了一个效用函数来衡量执行任务OT_n的用户效应，它是和本地执行相比的时间和能量消耗的权衡函数：

用户在执行任务时，可根据时间和能量消耗的偏好来设定

和

只有

才能带来卸载任务OT_n的正用户效应，因此搜索空间可以近一步截断为

所以可以得到：

将约束(14)，(21)，(24)可以结合为：

k_n是0，

中最大的值，他表示卸载任务OT_n所需的最小CPU频率。同时k_n需满足k_n<F₀的条件(F₀是基站处总的可用CPU频率)，搜索空间被近一步截断为N₃＝{n|k_n<F₀,n∈N₂}，

所以可以得到：

目标函数可重写为：

δ_n和

是两个正约束，

因此，就将局部优化问题LP转化为LP2：

|O|≤O^max, (29)

S7、根据所述局部优化目标LP2分别计算得到基站边缘计算服务器的分配方式SP1，并根据所述分配方式SP1计算得到卸载方式SP2；

所述基站边缘计算服务器的分配方式SP1＝的表达式如下：

其中，Func(O)表示用户设备集合的函数，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，δ_n和

均表示正约束，f_n表示第n个用户的CPU频率。

所述卸载方式SP2的表达式如下：

其中，Func(O)表示用户设备集合的函数，O表示被安排进行卸载的用户设备集合。

本实施例中，局部优化目标LP2问题可以被分解为两个子问题进行求解，一个问题是卸载决策问题，另一个问题是计算分配问题。

1)计算分配问题：得到卸载决策集O以后，局部优化目标LP2问题可以归结为凸规划问题来分配基站处边缘计算服务器的CPU频率：

本发明利用数值算法来解决具有高复杂度的多变量系统非线性等式，该算法将F₀分为许多微小的原子碎片并把他们一个个分配给用户设备。关键是找到每次分配变化最快的用户设备，即梯度最小的用户设备。当每一个片段足够小时，最终的分配可以接近最优结果。

2)卸载决策：分配方式SP1的数值解得到以后，需要从N₃中搜索得到最优的子集作为卸载决策：

s.t.:|O|≤O^max, (33)

卸载方式SP2问题是一个非线性整数规划问题，也是NP难问题，本发明利用基于偏序的启发式方法来解决这个子问题。

S8、根据所述分配方式SP1以及卸载方式SP2利用移动感知卸载算法得到最终的卸载方式，其实现方法如下：

S801、根据所述分配方式SP1以及卸载方式SP2，利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解；

S802、将搜索空间截断为N₃，并根据步骤S801得到的近似解利用移动感知卸载算法计算得到所有任务的效用函数下的面积；

S803、根据所述所有任务的效用函数下的面积利用启发式任务比较方法将将N₃调整为有序的序列；

S804、根据所述有序的序列，利用基于偏序的启发式方法计算得到近似最优解卸载方式；

S805、将所有近似最优解卸载方式进行比较得到最终的卸载方式。

本实施例中，在收到从N个用户设备发来的卸载请求后，将会使用启发式移动感知卸载算法(HMAOA)进行求解，移动感知卸载算法HMAOA将输入N个迭代,每一个迭代有不同的O^max(从1到N)。对于每一次卸载请求，首先利用步骤4的数值调节梯形方法得到

和

的近似解，然后搜索空间将会截断为N₃，移动感知卸载算法HMAOA计算所有任务的效用函数下的面积，用以促进任务比较。基于所提出的启发式任务比较方法，用排序算法将N₃调整为有序的序列，该迭代中的近似最优卸载决策再通过步骤6中基于偏序的启发式方法求解得到，将所有的卸载决策进行比较来找到具有最高效用的一个作为最终的卸载决策。

Claims (9)

1.一种基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，包括如下步骤：

S1、根据多用户向基站边缘计算服务器发送的任务卸载请求，得到最优的卸载方式和资源分配方式GP；

S2、根据所述最优的卸载方式和资源分配方式GP得到全局优化目标GP2；

S3、将所述全局优化目标GP2转化为N个局部优化目标LP；

S4、根据用户设备的轨迹，利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解；

S5、根据所述数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解，利用效用函数计算得到目标函数；

S6、根据所述目标函数和局部优化目标LP计算得到局部优化目标LP2；

S7、根据所述局部优化目标LP2分别计算得到基站边缘计算服务器的分配方式SP1，并根据所述分配方式SP1计算得到卸载方式SP2；

S8、根据所述分配方式SP1以及卸载方式SP2，利用移动感知卸载算法得到最终的卸载方式。

2.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，所述步骤S1中最优的卸载方式和资源分配方式GP的表达式如下：

其中，a和f均表示需要被优化的变量向量，且a＝{a₁,a₂,a₃,...,a_N}，f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，a_n＝1表示任务卸载，a_n＝0表示执行本地任务，φ_n表示在计算分配方式SP1和卸载方式SP2中用户的偏好，u_n表示效用函数，ω表示每一个用户的信道带宽，f_n表示第n个用户的CPU频率。

3.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，所述步骤S2中全局优化目标GP2的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，φ_n表示SP的用户偏好，u_n表示效用函数，ω表示每一个用户的信道带宽，f_n表示第n个用户的CPU频率。

4.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，所述步骤S3中局部优化目标LP的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，N表示用户设备的总数，φ_n表示SP的用户偏好，u_n表示效用函数，f_n表示第n个用户的CPU频率，

表示固定的信道带宽，B表示系统的带宽，O^max表示在相应的局部优化问题中允许卸载的最大数目。

5.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，所述步骤S5中目标函数的表达式如下：

其中，n表示用户设备的个数，O表示被安排进行卸载的用户设备集合，φ_n表示SP的用户偏好，u_n表示效用函数，f_n表示第n个用户的CPU频率，

表示固定的信道带宽，δ_n和

均表示正约束。

6.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，所述步骤S6中局部优化目标LP2的表达式如下：

其中，O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，n表示用户设备的个数，δ_n和

均表示正约束,f_n表示第n个用户的CPU频率。

7.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，所述步骤S7中基站边缘计算服务器的分配方式SP1＝的表达式如下：

其中，Func(O)表示用户设备集合的函数,O表示被安排进行卸载的用户设备集合，f表示需要被优化的变量向量，且f＝{f₁,f₂,f₃,...,f_N}，n表示用户设备的个数，δ_n和

均表示正约束，f_n表示第n个用户的CPU频率。

8.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，所述步骤S7中卸载方式SP2的表达式如下：

其中，Func(O)表示用户设备集合的函数，O表示被安排进行卸载的用户设备集合。

9.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法，其特征在于，所述步骤S8包括如下步骤：

S801、根据所述分配方式SP1以及卸载方式SP2，利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解；

S802、将搜索空间截断为N₃，并根据步骤S801得到的近似解利用移动感知卸载算法计算得到所有任务的效用函数下的面积；

S803、根据所述所有任务的效用函数下的面积，利用启发式任务比较方法将将N₃调整为有序的序列；

S804、根据所述有序的序列，利用基于偏序的启发式方法计算得到近似最优解卸载方式；

S805、将所有近似最优解卸载方式进行比较，得到最终的卸载方式。

Images