CN111107566A - 一种电力物联网场景中基于协同内容缓存的卸载方法 - Google Patents

Abstract

本发明涉及一种电力物联网场景中基于协同内容缓存的卸载方法，属于移动通信技术领域。技术方案包含以下步骤：初始化；巡检设备开始执行卸载任务操作；MEC服务器检索每个巡检设备的任务数据，执行基于协同内容缓存的计算卸载策略；MEC服务器执行协同调度算法；计算巡检设备的计算卸载总时延；输出每个巡检设备的卸载策略和最优计算卸载总时延。本发明将缓存技术引入到MEC计算卸载中，提出一种电力物联网场景中基于协同内容缓存的卸载方法；通过联合考虑前向服务器单元和后向服务器单元中缓存的资源，来有效的缩减用户的任务完成时间，通过所设计的电力物联网巡检业务中缓存增强计算卸载策略，降低了多巡检设备多任务的总计算卸载时延。

Description

一种电力物联网场景中基于协同内容缓存的卸载方法

技术领域

本发明涉及一种电力物联网场景中基于协同内容缓存的卸载方法，属于移动通信技术领域。

背景技术

电力物联网近年来飞速发展，各式各样的电力巡检设备也应运而生，预计这种快速发展趋势将在未来几年会持续保持。随着电力物联网时代的来临，智能电力巡检设备终端必然成为其中不可或缺的一部分。能提供更低时延、更可靠服务的通信技术作为电力物联网的有效支撑，在促进电力网络的发展中起着极大的作用。为了满足新兴智能巡检设备的计算需求，引入移动边缘计算提供辅助计算是当前研究组织普遍认可的模式。同时，提供边缘计算的边缘服务器还在朝着更广的应用场景拓展，为很多服务提供者带来了新的曙光。例如，运营商希望通过将部分服务部署在基站边缘的MEC服务器上，向用户提供实时、低延迟的服务；内容提供者希望通过在MEC服务器上缓存数据，减少向用户发送内容所需的时间。然而，当前MEC服务器的计算能力、覆盖范围和能耗成本还处于不断优化中，为支撑电力物联网中任务计算卸载带来了挑战。由于MEC 具有位置感知、延迟敏感和移动支持的特点，设计MEC需要综合考虑分布式移动设备和MEC服务器间的所在位置、通信质量、计算资源等方面的联合优化。通过与缓存的联合设计可以提高多种任务处理性能。例如，文献1中，作者提出了一种基于MECs的分布式内容分发网络，分析了系统中服务设备和终端的分布特点，提出了一种基于分组和分层的缓存策略，以提高能源效率。在文献2中，作者设计了一个计算卸载、内容缓存和资源分配的集成模型，在分支定界方法和问题约束的基础上，对深度搜索树进行了改进，采用改进的分支定界方法求解优化问题，提高了智能移动设备的时延敏感型任务用户体验。但是，这种缓存策略没有考虑高速移动性的场景适用性，特别是扩展到电力物联网中移动速度较高的巡检设备。

大规模的内容交付已成为无线网络发展的重要组成部分，而边缘缓存这种新兴模式给予了大规模内容交付有利的支撑。常规研究思路中往往将存储与计算两个过程分割开来，这样做的好处显而易见，降低问题处理的复杂度，实现功能解耦。但这些好处在分别部署不同设备带来的高成本面前，价值不高。在这些问题的驱动下，对边缘缓存和边缘计算组合协作，并符合高速移动设备要求，为电力物联网巡检业务提供服务，是一个值得研究的问题。文献3中考虑了用户迁移问题，将边缘缓存扩展到MEC，实现了更灵活的上下文感知缓存决策，证明了该方案与传统方案相比具有更高的吞吐量。目前，在热门的AR、多媒体转换应用方面，存在计算任务重复计算的问题[4]。类似地，在电力物联网巡检业务中，同一短距离巡检线路或者同一变电站内，总是有大量相同计算任务，不同巡检终端向MEC服务器上传相同的任务关键值。在经过复杂运算过程后，反馈相同结果给任务请求者。MEC服务器做出了重复性计算过程，占用了部分计算资源，而这些高频率相同任务的计算请求叠加起来的资源需求，便汇聚了一个不可忽视的成本消耗[5]。尽管MEC的优点得到了业界的广泛认可，但是资源的分布管理、移动性预测、计算资源分配都还有待完善，尤其是资源分配问题。与集中式云服务器相比，部署在巡检线路处的MEC服务器计算能力较低，有效的计算卸载策略有助于更合理地利用MEC服务器的计算资源。本专利，首先描述了电力物联网巡检业务中MEC辅助的任务计算卸载过程。依靠MEC服务器的存储能力，优化区域内巡检终端服务的重复性运算，节省计算资源。影响资源分配的另一个因素是巡检设备需要支付的卸载成本和时延之间的权衡。任务卸载的成本与分配给用户的资源成正比，而延迟则成反比。当分配给用户更多资源时，用户需要支付更高的成本，但他们可以以更低的延迟接收服务，分析成本和时延的权衡也很重要，所以在设计该卸载策略和算法时，需要集中解决了这些问题。

发明内容

本发明目的是提供一种电力物联网场景中基于协同内容缓存的卸载方法，将缓存技术引入到MEC计算卸载中，提出一种电力物联网场景中基于协同内容缓存的卸载方法；通过联合考虑前向服务器单元和后向服务器单元中缓存的资源，来有效的缩减用户的任务完成时间，此外，设计了效用值函数，用来描述资源和成本之间的关系，根据效用值来动态的给巡检设备分配计算资源；通过所设计的电力物联网巡检业务中缓存增强计算卸载策略，降低了多巡检设备多任务的总计算卸载时延，有效地解决背景技术中存在的上述问题。

本发明的技术方案是：一种电力物联网场景中基于协同内容缓存的卸载方法，包含以下步骤：步骤1：初始化；步骤2：巡检设备开始执行卸载任务操作；步骤3：MEC服务器检索每个巡检设备的任务数据，执行基于协同内容缓存的计算卸载策略；步骤4：MEC服务器执行协同调度算法；步骤5：计算巡检设备的计算卸载总时延；步骤6：输出每个巡检设备的卸载策略和最优计算卸载总时延。

所述步骤3中，引入分布式的内容存放方式，每个SU与相邻的两个服务器单元距离较近，在更新缓存内容时，同时获取相邻两个服务器单元上缓存内容的关键值，将这些关键值与所在SU标识号关联，形成完整的内容关键值表；为了分辨相邻的两个服务器单元，将巡检设备行进方向的SU记作前向服务器单元 (F-SU)，与巡检设备行进方向相反的SU记作后向服务器单元(B-SU)；定时更新缓存内容关键值表对无线链路的要求不高，所以不会产生较大的消耗；MEC 服务器根据缓存策略设置缓存动作，初始化缓存变量，接下来，SU根据接收到到任务的相关特征值，判断计算结果是否已被缓存，c_n＝1时，计算结果已被缓存在SU，反之没有；MEC服务器不需要对当前任务进行重复性计算，有利于为其他新任务提供更多计算资源；MEC服务器通过缓存内容关键值表判断cn的值是否为1。MEC服务器根据缓存结果计算相关计算时延，如果c_n＝0，MEC服务器向请求者提供f_m,i,n的工作频率进行计算；经过时间t_i,n,ex，计算结果通过SU回传给任务请求者；在α的影响下，计算时延t_i,n,ex和回传时延t_i,n, ^dl可以得到

在另一种情况下，如果c_n＝1，还要分辨出当前所需缓存内容具体存储在哪个SU上，并从服务器单元获取数据；当期望获得的数据标记为与F-US或 B-SU关联时，中继传输时延通过

计算得到；此处只考虑相邻SU，所以Ni值取1，则回传时延为

综上所述，任务计算卸载总时延可以表示为t_i,n＝(1-c_n)t_i,n,up+t_i,n,dl+t_i,n,ex。

所述步骤4中，MEC服务器执行协同调度算法，计算任务的卸载要考虑定价策略的影响，这里采用效用值和时延容忍值参数，完善缓存增强卸载策略的可用性；具体的，效用值U用来描述资源和成本之间的关系，它可以表示为

其中，U_i,n是巡检设备i上的n型计算任务卸载到SU时的效用函数；对于任务n，MEC服务器需要为其提供f_m,i,n计算能力；任务请求者总是期望获得更高的QoE，而f_m,i,n与QoE直接相关；用任务处理时延来描述总效用值

且

ρ是节省单位时延的效用值系数，γ是节省计算资源的效用值系数；ω(P_n,f_m.i.n)表示用来支付从MEC服务器获得相应计算资源的费用，其中参数P_n是单位资源的价格；显然，终端i处理n型任务的效用函数主要与SU分配的计算资源数有关，也就是f_m,i,n为主要影响因子；根据MEC服务器的配置，设备的最大资源数为F_m；对U_i,n求关于f_m,i,n的二阶导

由于式中所有参数值均为正，效用函数二阶导数小于零，也就是说，

根据二阶导数小于0的性质可知，效用函数具有最大值，且最优解

可通过

解得；请求者i在卸载计算时有理想效应值

当

时，基于协同内容缓存的计算卸载策略开启中继辅助模式，随着F-SU和B-SU中缓存的介入，请求者可访问数据更加丰富，也便有了更多机会直接获取任务数据结果；该模式缓解了MEC服务器压力，有望降低单位计算资源价格，并为任务请求者带来了更低的计算时延。

所述步骤5中，MEC服务器根据效用值计算巡检设备的计算卸载总时延, 优化总时延的问题可以用数学公式表示为

其中t_i,n＝(1-c_n)t_i,n,up+t_i,n,dl+t_i,n,ex。

本发明的有益效果是：将缓存技术引入到MEC计算卸载中，提出一种电力物联网场景中基于协同内容缓存的卸载方法；通过联合考虑前向服务器单元和后向服务器单元中缓存的资源，来有效的缩减用户的任务完成时间，此外，设计了效用值函数，用来描述资源和成本之间的关系，根据效用值来动态的给巡检设备分配计算资源；通过所设计的电力物联网巡检业务中缓存增强计算卸载策略，降低了多巡检设备多任务的总计算卸载时延。

附图说明

图1为本发明的系统模型图；

图2为本发明的工作流程图；

具体实施方式

下面结合附图与实施例对本发明技术方案作进一步详细的说明。

一种电力物联网场景中基于协同内容缓存的卸载方法，包含以下步骤：步骤1：初始化；步骤2：巡检设备开始执行卸载任务操作；步骤3：MEC服务器检索每个巡检设备的任务数据，执行基于协同内容缓存的计算卸载策略；步骤4： MEC服务器执行协同调度算法；步骤5：计算巡检设备的计算卸载总时延；步骤6：输出每个巡检设备的卸载策略和最优计算卸载总时延。

所述步骤3中，引入分布式的内容存放方式，每个SU与相邻的两个服务器单元距离较近，在更新缓存内容时，同时获取相邻两个服务器单元上缓存内容的关键值，将这些关键值与所在SU标识号关联，形成完整的内容关键值表；为了分辨相邻的两个服务器单元，将巡检设备行进方向的SU记作前向服务器单元 (F-SU)，与巡检设备行进方向相反的SU记作后向服务器单元(B-SU)；定时更新缓存内容关键值表对无线链路的要求不高，所以不会产生较大的消耗；MEC 服务器根据缓存策略设置缓存动作，初始化缓存变量，接下来，SU根据接收到到任务的相关特征值，判断计算结果是否已被缓存，c_n＝1时，计算结果已被缓存在SU，反之没有；MEC服务器不需要对当前任务进行重复性计算，有利于为其他新任务提供更多计算资源；MEC服务器通过缓存内容关键值表判断c_n的值是否为1。MEC服务器根据缓存结果计算相关计算时延，如果c_n＝0，MEC服务器向请求者提供f_m,i,n的工作频率进行计算；经过时间t_i,n,ex，计算结果通过SU回传给任务请求者；在α的影响下，计算时延t_i,n,ex和回传时延t_i,n,dl可以得到

在另一种情况下，如果c_n＝1，还要分辨出当前所需缓存内容具体存储在哪个SU上，并从服务器单元获取数据；当期望获得的数据标记为与F-US或 B-SU关联时，中继传输时延通过

计算得到；此处只考虑相邻SU，所以Ni值取1，则回传时延为

综上所述，任务计算卸载总时延可以表示为t_i,n＝(1-c_n)t_i,n,up+t_i,n,dl+t_i,n,ex。

所述步骤4中，MEC服务器执行协同调度算法，计算任务的卸载要考虑定价策略的影响，这里采用效用值和时延容忍值参数，完善缓存增强卸载策略的可用性；具体的，效用值U用来描述资源和成本之间的关系，它可以表示为

其中，U_i,n是巡检设备i上的n型计算任务卸载到SU时的效用函数；对于任务n，MEC服务器需要为其提供f_m,i,n计算能力；任务请求者总是期望获得更高的QoE，而f_m,i,n与QoE直接相关；用任务处理时延来描述总效用值

且

ρ是节省单位时延的效用值系数，γ是节省计算资源的效用值系数；ω(P_n,f_m.i.n)表示用来支付从MEC服务器获得相应计算资源的费用，其中参数P_n是单位资源的价格；显然，终端i处理n型任务的效用函数主要与SU分配的计算资源数有关，也就是f_m,i,n为主要影响因子；根据MEC服务器的配置，设备的最大资源数为F_m；对U_i,n求关于f_m,i,n的二阶导

由于式中所有参数值均为正，效用函数二阶导数小于零，也就是说，

根据二阶导数小于0的性质可知，效用函数具有最大值，且最优解

可通过

解得；请求者i在卸载计算时有理想效应值

当

时，基于协同内容缓存的计算卸载策略开启中继辅助模式，随着F-SU和B-SU中缓存的介入，请求者可访问数据更加丰富，也便有了更多机会直接获取任务数据结果；该模式缓解了MEC服务器压力，有望降低单位计算资源价格，并为任务请求者带来了更低的计算时延。

所述步骤5中，MEC服务器根据效用值计算巡检设备的计算卸载总时延, 优化总时延的问题可以用数学公式表示为

其中t_i,n＝(1-c_n)t_i,n,up+t_i,n,dl+t_i,n,ex。

本发明提出一种电力物联网场景中基于协同内容缓存的卸载方法，该方法描述了电力物联网巡检业务中MEC辅助的任务计算卸载过程。依靠MEC服务器的存储能力，先行缓存高命中率计算结果，优化区域内巡检设备终端服务的重复性运算，节省计算资源。不仅如此，本发明还考虑了巡检设备的卸载成本，任务卸载的成本与分配给用户的资源成正比，而延迟则成反比。当分配给用户更多资源时，巡检设备需要支付更高的成本，但他们可以以更低的延迟接收服务，分析成本和时延的权衡也很重要，所以在设计卸载策略和算法时，集中解决了这些问题。其次，为了避免提高服务器能力带来过高成本，还对缓存容量与计算任务量的相互作用关系加以分析。通过所设计的电力物联网巡检业务中缓存增强计算卸载策略，降低了多巡检设备多任务的总计算卸载时延。

在实际应用中，参照图1，在电力物联网场景中，每个变电站布设多个巡检设备，巡检设备可以将自己的数据选择本地计算或者上传至MEC服务器进行计算，考虑一个缓存增强的MEC系统，为巡检终端提供服务。此系统的模型由传输模型、计算模型和缓存模型组成，示意图如图1所示。为了方便观察，图1 里只画出一个服务区域中的部分巡检设备，省略许多类似的计算任务请求者以及相邻MEC服务器的图例。图中红线标识的服务请求，指示的是智能巡检设备 V1和V2在当前时刻要卸载的计算任务结果已缓存在服务器中，只需要在识别任务关键值后，下载计算结果。而蓝线标识智能巡检设备V3的服务请求是新型任务，除计算结果回传的时间片以外，还有任务运算处理的时间片。

现有很多MEC研究中不考虑计算结果回传的时延，但是随着计算任务种类的丰富，目前有很多种任务计算结果的数据量也较大。因此，传输模型中不仅考虑上传时延，同时兼顾回传结果的时延计算。由于5G通信技术的进一步推动，也可以更好的为巡检业务的信息传输提供支持。

在传输模型中，考虑基站和与其相连的MEC服务器等设施协同部署的模式，并将该组合记作基站单元(SU)。巡检设备终端在单向道路行驶过程中，巡检设备与SU的距离可根据下式得出

这里假设巡检线路是条直线， r是巡检线路与基站的水平距离，L为SU的覆盖距离，巡检设备的行驶速度为v， t_on则是巡检设备在当前SU覆盖范围之内的时间，可通过下式获得

此外， d_on变化过程中，卸载计算任务和回传计算结果数据传输速率R_V2I，可推导出

让B_V2I和δ分别表示信道带宽路径损耗指数。模型兼顾上行链路和下行链路，发射功率P_t和信道衰落系数h分两种情况考虑。

巡检业务中，高速移动性是一个重要特点，高速移动性导致d_on变化较快。所以，采用平均传输速率

来衡量t_on时间内巡检设备的上下行数据速率。在当前SU覆盖范围内的平均传输速率可以表示为

通常，巡检设备采集的任务被建模为具有三个参数的配置文件(profile)，包括d_c，d_up，t_max。三个参数分别代表任务输入数据量,计算所需的CPU转数，和最大可容忍延迟。与很多现有研究相似，本发明中考虑d_c和d_up呈线性关系，d_c＝αd_up。计算任务复杂度指数α通常大于1。当一些延迟敏感型或计算密集型任务生成时，巡检设备的处理能力有限，可能无法按时完成这些任务。也是就是说，t_local＜t_max，t_local表示巡检设备本地计算时延。在上述情况下，引入MEC支持的巡检网络系统。考虑MEC服务器配备多核CPU并且可以同时为多个巡检设备提供计算能力。但是，MEC提供资源往往不是免费的，巡检设备还要通过支付不同等级的费用来获得指定的CPU 工作频率。MEC服务器作为下放到用户边缘的计算型设备，同时也具备一定的存储能力。而且，作为SU的一部分，MEC服务器可与专用缓存设备直接连接。SU 根据其缓存能力，存储部分任务的计算结果，当途径此巡检线路的巡检设备上传的计算任务命中缓存中存储的内容时，可直接获得计算结果。让c表示计算结果的缓存动作，c_n∈{0,1},n∈N。这里，c_n＝1记作任务n命中缓存中的结果的动作，c_n＝0则反之。在SU缓存量限制下，

C和d_n,dl分别代表当前SU处的总缓存量和任务n的计算结果数据量。

参照图2，一种电力物联网场景中基于协同内容缓存的卸载方法具体的步骤如下：

步骤1：初始化每个巡检设备的数据采集量和数据类型。首先，缓存增强卸载策略适用于多巡检设备多任务的场景。当某巡检设备i符合t_local＜t_max条件，将i 记作一个任务请求者，i∈SV SV＝{1，...，i，...，SV}。该请求者需要MEC辅助卸载的计算任务

为了描述任务n的关键信息，用T_n＝{d_n,up,d_n,dl,c_n,t_i,max}来表示。当然，任务请求者i上可能承载多项不同任务。在随机系统任务状态X下执行任务n的巡检设备终端集合可表示为

I[·]表示指标函数。

步骤2：巡检设备开始卸载任务的操作。计算终端i上的n型任务卸载瞬时速率R_i,n,up(t)，且

将传输功率P_t设为巡检设备终端的发射功率。任务卸载时延记作t_i,n,up，且

步骤3：MEC服务器检索每个巡检设备的任务数据，执行基于协同内容缓存的计算卸载策略。这里引入分布式的内容存放方式，每个SU与相邻的两个服务器单元距离较近，在更新缓存内容时，可以同时获取相邻两个服务器单元上缓存内容的关键值，将这些关键值与所在SU标识号关联，形成完整的内容关键值表。为了分辨相邻的两个服务器单元，将巡检设备行进方向的SU记作前向服务器单元(F-SU)，与巡检设备行进方向相反的SU记作后向服务器单元(B-SU)。定时更新缓存内容关键值表对无线链路的要求不高，所以不会产生较大的消耗。

MEC服务器根据缓存策略设置缓存动作，初始化缓存变量，接下来，SU根据接收到到任务的相关特征值，判断计算结果是否已被缓存。c_n＝1时，计算结果已被缓存在SU，反之没有。MEC服务器不需要对当前任务进行重复性计算，有利于为其他新任务提供更多计算资源。MEC服务器通过缓存内容关键值表判断c_n的值是否为1。

MEC服务器根据缓存结果计算相关计算时延，如果c_n＝0，MEC服务器向请求者提供f_m,i,n的工作频率进行计算。经过时间t_i,n,ex，计算结果通过SU回传给任务请求者。在α的影响下，计算时延t_i,n,ex和回传时延t_i,n,dl可以得到

在另一种情况下，如果c_n＝1，还要分辨出当前所需缓存内容具体存储在哪个SU 上，并从服务器单元获取数据。当期望获得的数据标记为与F-US或B-SU关联时，中继传输时延通过

计算得到。此处只考虑相邻SU，所以Ni值取1。则回传时延为

综上所述，任务计算卸载总时延可以表示为 t_i,n＝(1-c_n)t_i,n,up+t_i,n,dl+t_i,n,ex。

步骤4：MEC服务器执行协同调度算法。计算任务的卸载要考虑定价策略的影响。MEC服务器为巡检设备提供的计算资源数与定价成正相关。随着付费价格的增加，必然获得更强的计算能力，也就获得了更低的处理任务时延。根据巡检用户的不同任务需求，可以为其设定支付能力上限值。也就是说，当计算资源紧缺时，MEC服务器提供单位资源的价格上浮，一部分巡检设备完成当前任务所需资源达到该部分巡检设备支付能力上限值，此类用户选择牺牲计算时延来降低资费或使用其他辅助方式，如D2D计算。也就在此时，基于协同内容缓存的计算卸载策略启用中继辅助的卸载模式，为节省MEC服务器计算资源助力。

基于上述观察，本发明设计的算法可以联合考虑效用值和时延容忍值参数，完善缓存增强卸载策略的可用性。具体的，效用值U用来描述资源和成本之间的关系，它可以表示为

其中，U_i,n是巡检设备i上的n型计算任务卸载到SU时的效用函数。对于任务n，MEC服务器需要为其提供f_m,i,n计算能力。任务请求者总是期望获得更高的QoE，而f_m,i,n与QoE直接相关。用任务处理时延来描述总效用值

且

ρ是节省单位时延的效用值系数，γ是节省计算资源的效用值系数。ω(P_n,f_m.i.n)表示用来支付从MEC服务器获得相应计算资源的费用，其中参数P_n是单位资源的价格。

显然，终端i处理n型任务的效用函数主要与SU分配的计算资源数有关，也就是f_m,i,n为主要影响因子。根据MEC服务器的配置，设备的最大资源数为F_m。对U_i,n求关于f_m,i,n的二阶导

由于式中所有参数值均为正，效用函数二阶导数小于零，也就是说，

根据二阶导数小于0的性质可知，效用函数具有最大值。且最优解

可通过

解得。请求者i在卸载计算时有理想效应值

当

时，基于协同内容缓存的计算卸载策略开启中继辅助模式，随着F-SU和B-SU中缓存的介入，请求者可访问数据更加丰富，也便有了更多机会直接获取任务数据结果。该模式缓解了MEC服务器压力，有望降低单位计算资源价格，并为任务请求者带来了更低的计算时延。

步骤5：计算巡检设备的计算卸载总时延。MEC服务器根据效用值计算巡检设备的计算卸载总时延,优化总时延的问题可以用数学公式表示为

其中t_i,n＝(1-c_n)t_i,n,up+t_i,n,dl+t_i,n,ex。

步骤6：输出卸载策略和最优计算卸载总时延。

其他有助于理解本技术的背景资料

[1]D.Ren,X.Gui,W.Lu,J.An,H.Dai and X.Liang,"GHCC:Grouping-based andhierarchical collaborative caching for mobile edge computing,"2018 16thInternational Symposium on Modeling and Optimization in Mobile,Ad Hoc,andWireless Networks(WiOpt),Shanghai,2018,pp.1-6.

[2]J.Zhang et al.,"Joint Resource Allocation for Latency-SensitiveServices Over Mobile Edge Computing Networks With Caching,"in IEEE Internetof Things Journal,vol.6,no.3,pp.4283-4294,June 2019.

[3]X.Liu,J.Zhang,X.Zhang and W.Wang,"Mobility-Aware CodedProbabilistic Caching Scheme for MEC-Enabled Small Cell Networks,"in IEEEAccess,vol.5,pp.17824-17833,2017.

[4]K.Zhang,S.Leng,Y.He,S.Maharjan and Y.Zhang,"Cooperative ContentCaching in 5G Networks with Mobile Edge Computing,"in IEEE WirelessCommunications,vol.25,no.3,pp.80-87,JUNE 2018.

[5]Y.Cui,W.He,C.Ni,C.Guo and Z.Liu,"Energy-Efficient ResourceAllocation for Cache-Assisted Mobile Edge Computing,"2017 IEEE 42ndConference on Local Computer Networks(LCN),Singapore,2017,pp.640-648。

Claims (4)

1.一种电力物联网场景中基于协同内容缓存的卸载方法，其特征在于包含以下步骤：

步骤1：初始化；

步骤2：巡检设备开始执行卸载任务操作；

步骤3：MEC服务器检索每个巡检设备的任务数据，执行基于协同内容缓存的计算卸载策略；

步骤4：MEC服务器执行协同调度算法；

步骤5：计算巡检设备的计算卸载总时延；

步骤6：输出每个巡检设备的卸载策略和最优计算卸载总时延。

2.根据权利要求1所述的一种电力物联网场景中基于协同内容缓存的卸载方法，其特征在于：所述步骤3中，引入分布式的内容存放方式，每个SU与相邻的两个服务器单元距离较近，在更新缓存内容时，同时获取相邻两个服务器单元上缓存内容的关键值，将这些关键值与所在SU标识号关联，形成完整的内容关键值表；为了分辨相邻的两个服务器单元，将巡检设备行进方向的SU记作前向服务器单元(F-SU)，与巡检设备行进方向相反的SU记作后向服务器单元(B-SU)；定时更新缓存内容关键值表对无线链路的要求不高，所以不会产生较大的消耗；MEC服务器根据缓存策略设置缓存动作，初始化缓存变量，接下来，SU根据接收到任务的相关特征值，判断计算结果是否已被缓存，c_n＝1时，计算结果已被缓存在SU，反之没有；MEC服务器不需要对当前任务进行重复性计算，有利于为其他新任务提供更多计算资源；MEC服务器通过缓存内容关键值表判断c_n的值是否为1；MEC服务器根据缓存结果计算相关计算时延，如果c_n＝0，MEC服务器向请求者提供f_m,i,n的工作频率进行计算；经过时间t_i,n,ex，计算结果通过SU回传给任务请求者；在α的影响下，计算时延t_i,n,ex和回传时延t_i,n,dl可以得到

在另一种情况下，如果c_n＝1，还要分辨出当前所需缓存内容具体存储在哪个SU上，并从服务器单元获取数据；当期望获得的数据标记为与F-US或B-SU关联时，中继传输时延通过

计算得到；此处只考虑相邻SU，所以Ni值取1，则回传时延为

综上所述，任务计算卸载总时延可以表示为t_i,n＝(1-c_n)t_i,n,up+t_i,n,dl+t_i,n,ex。

3.根据权利要求1所述的一种电力物联网场景中基于协同内容缓存的卸载方法，其特征在于：所述步骤4中，MEC服务器执行协同调度算法，计算任务的卸载要考虑定价策略的影响，这里采用效用值和时延容忍值参数，完善缓存增强卸载策略的可用性；具体的，效用值U用来描述资源和成本之间的关系，它可以表示为

其中，U_i,n是巡检设备i上的n型计算任务卸载到SU时的效用函数；对于任务n，MEC服务器需要为其提供f_m,i,n计算能力；任务请求者总是期望获得更高的QoE，而f_m,i,n与QoE直接相关；用任务处理时延来描述总效用值

且

ρ是节省单位时延的效用值系数，γ是节省计算资源的效用值系数；ω(P_n,f_m.i.n)表示用来支付从MEC服务器获得相应计算资源的费用，其中参数P_n是单位资源的价格；

显然，终端i处理n型任务的效用函数主要与SU分配的计算资源数有关，也就是f_m,i,n为主要影响因子；根据MEC服务器的配置，设备的最大资源数为F_m；对U_i,n求关于f_m,i,n的二阶导

由于式中所有参数值均为正，效用函数二阶导数小于零，也就是说，

根据二阶导数小于0的性质可知，效用函数具有最大值，且最优解

可通过

解得；请求者i在卸载计算时有理想效应值

当

时，基于协同内容缓存的计算卸载策略开启中继辅助模式，随着F-SU和B-SU中缓存的介入，请求者可访问数据更加丰富，也便有了更多机会直接获取任务数据结果；该模式缓解了MEC服务器压力，有望降低单位计算资源价格，并为任务请求者带来了更低的计算时延。

4.根据权利要求1所述的一种电力物联网场景中基于协同内容缓存的卸载方法，其特征在于：所述步骤5中，MEC服务器根据效用值计算巡检设备的计算卸载总时延,优化总时延的问题可以用数学公式表示为

其中t_i,n＝(1-c_n)t_i,n,up+t_i,n,dl+t_i,n,ex。

Images