CN111163521A - 移动边缘计算中一种分布式异构环境下的资源分配方法 - Google Patents

Abstract

本发明属于无线通信技术领域，涉及移动边缘计算中一种分布式异构环境下的资源分配方法；所述方法包括根据MEC环境中不同业务类型对应的卸载时延，建立多样化的任务卸载模型；建立用户与MEC服务器之间的买卖博弈模型；并分别建立用户以及MEC服务器的最大化收益模型；采用李雅普诺夫优化算法对用户模型进行改进，通过拉格朗日乘子法和KKT条件求解出用户的最优购买策略；基于该策略，求解出MEC服务器的最优报价策略；若最优购买策略和最优报价策略满足斯坦科尔伯格均衡解，MEC服务器则按照最优策略对不同用户的计算资源按需分配。通过该方法可以实现对用户卸载收益和时延的折中，以及任务卸载和计算资源分配的弹性控制和按需分配。

Description

移动边缘计算中一种分布式异构环境下的资源分配方法

技术领域

本发明属于无线通信技术领域，涉及移动边缘计算中一种分布式异构环境下的资源分配方法。

背景技术

移动互联网和物联网(Internet of Things,IoT)的快速发展和融合，促使移动终端设备和数据流量呈指数式增加，与此同时，虚拟现实/增强现实、智能驾驶、智慧医疗等新兴应用不断涌现，进一步促进计算密集型服务及应用爆炸性增长，对移动终端计算能力和续航能力提出了更高要求。而传统的移动终端往往受限于体积大小和重量，使其在CPU计算能力、电池续航能力、存储能力等方面依然存在严重的约束。移动边缘计算(Mobile EdgeComputing,MEC)作为一种新兴和有前景的计算范式，将各种云资源(如计算和存储资源)部署于网络边缘，减少了移动或固网业务交付的端到端时延，降低了终端计算负载，提高了终端续航能力和用户服务体验。

在物联网环境下，多样化IoT业务在业务数据类型、应用期望延迟、设备类型等方面存在着显著的异构性，例如增强现实、虚拟现实和无人驾驶等应用往往具有计算复杂、密集且对时延要求高的特点，而可穿戴设备，如智能手表、手环等应用则对时延和计算能力要求相对较低，对异构的IoT业务采用传统的优化方式已无法满足日益明显的差异化需求；而且，由于实际边缘网络中复杂时变的网络环境及流量特征，要实现高效实时的资源配置及出色的用户体验是困难的，迫切需要对不同应用及业务的能耗和时延进行动态优化；此外，据CISCO VNI最新报告预测，到2022年全球物联网设备将达到260亿台，对未来海量IoT设备信息的收集与传统的集中式管理控制也已变得极不现实。因此，在未来面向物联网的边缘计算场景中，亟待需要设计一种更加高效灵活的分布式任务卸载和差异化资源分配机制。

目前，研究者主要对MEC任务卸载、资源分配和节能等方面进行了大量研究。一些主要的成果有：(1)基于拍卖机制的资源分配算法(参考文献：Jin A,Song W,and ZhuangW.Auction-Based Resource Allocation for Sharing Cloudlets in Mobile CloudComputing[J].IEEE Transactions on Emerging Topics in Computing,2018,6(1):45-57.doi:10.1109/TETC.2015.2487865.)：该算法为了激励云端共享计算资源，同时，提高云端计算资源利用率并减少用户卸载时延，将用户建模为买方，云端建模为卖方，设计了一种计算资源双向拍卖分配机制。该算法克服了集中式卸载方法中海量设备信息难以收集等难题，并在一定程度上减少了移动设备的卸载时延。(2)基于能耗最小化的动态资源及任务分配算法(参考文献：

Kwak J,Kim Y,Lee J,et al.DREAM:Dynamic Resource and Task Allocationfor Energy Minimization in Mobile Cloud Systems[J].IEEE Journal on SelectedAreas in Communications,2015,33(12):2510-2523.doi:10.1109/JSAC.2015.2478718.)：该算法考虑到实际通信场景中的随机性，研究了单用户场景下的资源的动态分配以及卸载能耗最小化问题，同时，将用户任务缓存区的队列长度作为影响任务卸载时延的一个因素，结合Lyapunov优化理论对卸载时延进行优化。

通过大量的调研发现和基于以上的讨论，现有算法依然未能解决在面向物联网的MEC时变的网络环境下(如海量物联网设备任务产生的随机性)，不同物联网设备和应用业务在时延和能耗等方面的差异化需求。

发明内容

有鉴于此，需要设计一种分布式异构任务卸载及资源分配算法，同时能够实现卸载系统的能耗最小化具有重要意义。

本发明解决上述技术问题所采用的技术方案包括：

移动边缘计算中一种分布式异构环境下的资源分配方法，所述方法包括：

步骤1)根据MEC环境中不同业务类型对应的卸载时延，建立出多样化的任务卸载模型；

步骤2)建立用户与MEC服务器之间的买卖博弈模型，计算用户向MEC服务器购买计算资源进行任务卸载的成本以及MEC服务器所获得的收益，从而建立出用户的最大化收益模型和MEC服务器的最大化收益模型；

步骤3)根据不同用户对应的任务卸载时延的要求，在所述用户的最大化收益模型中采用李雅普诺夫优化算法，对所述用户的最大化收益模型进行改进，从而计算出用户卸载收益和卸载时延的折中关系；

步骤4)基于改进的用户最大化收益模型以及所述折中关系，利用拉格朗日乘子法和KKT条件计算出各个时隙内不同用户向MEC服务器对应计算资源的最优购买策略；

步骤5)基于用户的最优购买策略，利用MEC服务器的最大化收益模型，获得各个时隙内MEC服务器对用户所购买计算资源的最优动态报价策略；

步骤6)若所述用户计算资源最优购买策略，以及MEC服务器最优报价策略满足斯坦科尔伯格均衡解，MEC服务器则按照最优策略对不同用户进行计算资源的按需分配。

本发明的有益效果：

本发明考虑了面向物联网环境中，不同边缘设备和应用业务在时延和能耗等方面具有显著的异构性等特点，设计了移动边缘计算中一种分布式异构环境下的资源分配方法。本发明将MEC服务器作为卖方，用户端作为买方，建立买卖博弈模型，并结合博弈论与Lyapunov优化理论，可以实现对用户卸载收益和时延的折中，以及任务卸载和计算资源分配的弹性控制和按需分配。

附图说明

图1为本发明中移动边缘计算中一种分布式异构环境下的资源分配方法流程图；

图2为本发明中异构任务卸载场景模型图；

图3为本发明中计算资源的按需分配仿真图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

请参阅图1，为本发明实施例提供的移动边缘计算中一种分布式异构环境下的资源分配方法示意图，如图1所示的资源分配方法可包括：

步骤1)根据MEC环境中不同业务类型对应的卸载时延，建立出多样化的任务卸载模型；

由于任务类型的多样化，所以可以产生多样化的任务卸载模型。

步骤2)建立用户与MEC服务器之间的买卖博弈模型，计算用户向MEC服务器购买计算资源进行任务卸载的成本以及MEC服务器所获得的收益，从而建立出用户的最大化收益模型和MEC服务器的最大化收益模型；

步骤3)根据不同用户对应的任务卸载时延的要求，在所述用户的最大化收益模型中采用李雅普诺夫优化算法，对所述用户的最大化收益模型进行改进，从而计算出用户卸载收益和卸载时延的折中关系；

步骤4)基于改进的用户最大化收益模型以及所述折中关系，利用拉格朗日乘子法和KKT条件计算出各个时隙内不同用户向MEC服务器对应计算资源的最优购买策略；

步骤5)基于用户的最优购买策略，利用MEC服务器的最大化收益模型，获得各个时隙内MEC服务器对用户所购买计算资源的最优动态报价策略；

步骤6)若所述用户计算资源最优购买策略，以及MEC服务器最优报价策略满足斯坦科尔伯格均衡解，MEC服务器则按照最优策略对不同用户进行计算资源的按需分配。

如图2所示，本发明考虑一种典型的物联网环境中异构任务卸载排队模型。不失一般性，假设该模型共有M个不同类型的物联网设备用户，N个MEC服务器。定义m_i表示第i个用户，

n_j表示第j个MEC服务器，

特别地，j＝0表示本地计算。假设整个卸载系统工作在离散时隙t∈{0,1,...,T}中，每个用户的任务量到达的过程服从泊松分布，定义a_i(t)表示在时隙t内到达的任务量，a(t)＝{a₁(t),a₂(t),...,a_M(t)}表示所有用户到达任务量的集合，平均到达率记为λ。用Q_i(t)表示m_i在时隙t的任务队列积压，Q(t)＝{Q₁(t),Q₂(t),…,Q_M(t)}表示所有用户队列积压的集合。

需要说明的是，本发明实施例的执行主体可以为各种类型的终端，终端例如可以是计算机、服务器、平板电脑、个人数字助理(英文：Personal Digital Assistant，缩写：PDA)、移动互联网设备(英文：Mobile Internet Device，缩写：MID)等可进行通信的设备，本发明对此不作任何限制。

在一些可以实现的方式中，关于多样化的任务卸载模型，本实施例考虑到在包含MEC服务器的网络卸载模型中，影响任务处理效率的主要因素有三个：网络接口类型，任务类型和CPU处理速率。为便于分析，在本发明中假设网络稳定且带宽足够大。

表示m_i在第t时隙内卸载的总任务量，且

b_ij(t)表示第i个用户m_i在第t时隙内通过第j个MEC服务器n_j卸载的任务量；其中，f_ij(t)表示第j个MEC服务器分配给第i个用户的CPU频率，τ为单位时隙长度，L_i表示第i个用户的单位处理密度(单位为cycles/bit)。进一步可得m_i任务队列积压在第t+1时隙为Q_i(t+1)＝max[Q_i(t)-b_i(t),0]+a_i(t)。

用户将任务卸载到MEC服务器的收益，需要考虑多方面的成本和效用，包括用户卸载效用，用户向MEC服务器的支付成本、用户与MEC服务器之间的通信成本以及用户将卸载任务发送到MEC服务器所产生的计算能耗成本。

任务在卸载过程中产生的效用可通过卸载效用模型进行表示；任务的卸载效用模型可定义为任意非递减，凸的或两次可微函数。在本发明中，定义m_i将任务卸载到n_j可获得的效用函数为u_ij(t)＝α_ilog(1+b_ij(t))。

将任务卸载到云端需要经过三个过程：任务上传，任务计算处理及结果返回，由于结果返回时的任务量很小，因此，忽略计算结果返回时的通信成本。在数据的上传过程中，任务的传输通信成本正比于任务卸载量，因此，本发明假设数据通信成本(数据传输成本及传输能耗成本)为

其中，σ_ij表示第i个用户与第j个MEC服务器的单位任务通信成本，与网络的接口及通信距离有关，特别地，σ_i0＝0表示第i个用户的任务在本地计算不产生通信成本。

面向未来的MEC网络中，绿色节能已成为一种重要趋势，当前，基本所有的硬件厂商生产的处理器均支持动态调频调压(Dynamic Voltage Frequency Scaling,DVFS)技术，DVFS允许处理器动态调节主频，使CPU处于合适的主频设置，从而达到节省功耗的目的。本发明定义m_i在时隙t内将任务发送到n_j所产生的计算能耗成本为

其中，κ_j是与服务器芯片架构相关的有效能量系数。

本发明中将用户定义为买方，MEC服务器定义为卖方。对于用户，定义在时隙t内向MEC服务器j购买计算资源f_ij(t)所支付的成本为c_ij(t)＝p_ij(t)f_ij(t)τ，其中，p_ij(t)表示时隙内单位时间内购买单位计算频率资源的支付价格。

因此，所述用户的最大化收益模型表示为：

其中，

表示在时隙t内第i个用户的收益；u_ij(t)表示第i个用户将任务卸载到第j个MEC服务器可获得的效用函数；

表示第i个用户将任务卸载到第j个MEC服务器的数据通信成本；c_ij(t)表示第i个用户将任务卸载到第j个MEC服务器的支付成本；b_i(t)表示第i个用户在时隙t内卸载的总任务量；Q_i(t)表示第i个用户在时隙t的任务队列积压；

表示第j个MEC服务器最低的CPU频率；f_ij(t)表示第j个MEC服务器分配给第i个用户的CPU频率；

表示第j个MEC服务器最高的CPU频率；M表示用户总数；N表示MEC服务器总数。

该模型中，几个约束条件依次表示m_i在一个时隙内卸载的任务量不能超过其任务队列积压量，表示m_i向服务器请求的CPU计算频率不能低于本服务器最低CPU频率

同时不能超过服务器本身最大的CPU频率

对于作为卖方的MEC服务器，买方将任务卸载到卖方，并根据卖方的报价支付一定的费用，卖方通过确定最优的卖价来最大化自身的收益，可得到卖方的最大化收益问题为

S.t.：p_ij(t)≥0

其中，

表示在时隙t内第j个MEC服务器的收益；

表示第i个用户在时隙t内将任务发送到第j个MEC服务器所产生的计算能耗成本；p_ij(t)表示时隙t内单位时间内购买单位计算频率资源的支付价格。

通常，云端服务器具有较高的CPU计算性能，用户将任务卸载到云端服务器，可有效提高任务的处理效率，但需要向MEC服务器/卖方支付一定的费用，并产生额外的通信开销，往往会造成买方收益减少，而将任务完全在本地计算处理，从而导致队列长度过大，不能保证队列稳定性。根据Little定律，平均排队时延与平均队列长度成正比，因此买方收益和排队时延存在着折中关系。此外，由于物联网环境下不同用户卸载时延和能耗的异构性，需要针对不同用户进行资源的差异化分配。针对上述问题，本发明在买方利用李雅普诺夫优化理论，通过对队列长度的异构控制，实现不同用户的差异化需求。

首先，定义李雅普诺夫函数

作为用户i任务队列积压度量指标，为了表征从一个时隙到下一个时隙李雅普诺夫函数的变化程度，定义条件李雅普诺夫漂移为

根据李雅普诺夫优化理论，本发明引入漂移惩罚drift-plus-penalty函数方法用以权衡用户的卸载收益和时延之间的关系，同时，为了满足用户队列积压稳定性的同时最大化其卸载收益，需要最小化漂移惩罚drift-plus-penalty函数

的上界。其中，V_i是一个非负可控参数，通过控制参数V_i可以对用户i队列积压长度和卸载收益进行折中，通过调整控制参数V_i可以控制用户队列积压的长度，因此设置不同的控制参数V_i可以表征用户在时延方面的异构性。通过如下定理可以获得漂移惩罚drift-plus-penalty表达式的上界。其中，Δ(Q_i(t))表示第i个用户任务队列各个时隙内的条件李雅普诺夫漂移函数；

表示在时隙t观测到队列积压Q_i(t)的条件下，用户收益

的期望。

定理1：

其中，

表示在一个时隙中能被传输的最大任务量，且

根据定理1中的漂移惩罚drift-plus-penalty函数，结合机会主义最小化期望值(Opportunistically Minimizing an Expectation)的理论，可得到改进后的用户的最大化收益模型：

其中，

表示在时隙t内第i个用户的收益与队列积压的折中关系表达式；V_i表示李雅普诺夫优化算法的控制参数，用于控制用户的卸载收益和卸载时延的折中关系。关于李雅普诺夫优化算法，可以采用(Kwak J,Kim Y,Lee J,et al.DREAM:DynamicResource and Task Allocation for Energy Minimization in Mobile Cloud Systems[J].IEEE Journal on Selected Areas in Communications,2015,33(12):2510-2523.doi:10.1109/JSAC.2015.2478718.)中的相关技术。

用户为了最大化自身收益，会根据控制参数V_i、队列积压Q_i(t)及MEC服务器的报价等状态信息决定购买策略。对改进后的用户的最大化收益模型求偏导，可得

因此

是关于f_ij(t)的凸函数。又因为该模型的各个约束条件是仿射函数，因此买方优化问题可以利用拉格朗日乘子法求解，定义拉格朗日函数为：

利用KKT(Karush-Kuhn-Tucker)条件求解上式，可求得最优购买策略

表示在时隙t内第i个用户选择购买第j个MEC服务器的最优计算资源，即第j个MEC服务器分配给第i个用户的最优CPU频率；其中，

对MEC服务器，单位计算频率资源报价越高，收益就会越高。然而对于用户，就要付出更大的成本从MEC服务器购买资源，显然，随着卖方报价的逐渐增大，买方购买计算资源的意愿将会降低，转而购买其他报价较低的服务器的计算资源。因此卖方存在一个最优的报价使得买卖双方的收益都能达到最优，将买方求解出的最优购买策略代入MEC服务器的最大化收益模型可得：

其中，

同样的，MEC服务器j的收益是关于p_ij(t)的凸函数，且MEC服务器的最大化收益模型中的约束条件是仿射函数，因此，卖方优化问题可以运用拉格朗日乘子法来求解，构造拉格朗日函数为

利用KKT条件求解上式，可求得MEC服务器最优报价策略

当卖方的报价p_ij(t)固定时，如果满足

同时，当买方的计算资源f_ij(t)固定时，如果满足

那么，

也即是用户(买方)最优计算资源购买策略

以及MEC服务器(卖方)最优报价策略

满足斯坦科尔伯格均衡解

和

由于所述用户收益函数

是关于f_ij(t)的凸函数，即满足条件

同时所述MEC服务器收益函数

是关于p_ij(t)的凸函数，即满足条件

因此所述买卖双方最优策略满足

图3给出了本发明中计算资源的按需分配仿真图，图中给出了多用户场景下，MEC服务器针对异构用户(不同计算密度L_i和卸载时延V_i要求)的计算资源按需分配。从图中可以看出，当控制参数V_i的值越大，所分配的计算资源越少，当计算密度L_i越大，所分配的计算资源越高。通过以上特征，可以针对时延敏感性和计算密集型用户设置较小的V_i值，以满足对时延的要求。而对于对时延要求较低的应用，可以设置较大的V_i值，由于MEC服务器计算资源的按需分配，对于V_i值较大的用户将分配较低的CPU计算频率以达到节能的目的，因此，本发明的任务卸载方法能保证在节能的同时，实现对异构用户的按需资源分配。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.移动边缘计算中一种分布式异构环境下的资源分配方法，其特征在于，所述方法包括：

步骤1)根据MEC环境中不同业务类型对应的卸载时延，建立出多样化的任务卸载模型；

步骤2)建立用户与MEC服务器之间的买卖博弈模型，计算用户向MEC服务器购买计算资源进行任务卸载的成本以及MEC服务器所获得的收益，从而建立出用户的最大化收益模型和MEC服务器的最大化收益模型；

步骤3)根据不同用户对应的任务卸载时延的要求，在所述用户的最大化收益模型中采用李雅普诺夫优化算法，对所述用户的最大化收益模型进行改进，从而计算出卸载收益和卸载时延的折中关系；

步骤4)基于改进的用户最大化收益模型以及所述折中关系，利用拉格朗日乘子法和KKT条件计算出各个时隙内不同用户向MEC服务器对应计算资源的最优购买策略；

步骤5)基于用户的最优购买策略，利用MEC服务器的最大化收益模型，获得各个时隙内MEC服务器对用户所购买计算资源的最优动态报价策略；

步骤6)若所述用户计算资源的最优购买策略，以及MEC服务器的最优报价策略满足斯坦科尔伯格均衡解，MEC服务器则按照最优策略包括最优购买策略和最优报价策略对不同用户进行计算资源的按需分配。

2.根据权利要求1所述的移动边缘计算中一种分布式异构环境下的资源分配方法，其特征在于，

所述MEC服务器的最大化收益模型包括：

Max：

S.t.：p_ij(t)≥0；

其中，

表示在时隙t内第j个MEC服务器的收益；c_ij(t)表示第i个用户将任务卸载到第j个MEC服务器的支付成本，同时表示第j个MEC服务器处理第i个用户的任务所获得的收益；

表示第i个用户在时隙t内将任务卸载到第j个MEC服务器所产生的计算能耗成本；p_ij(t)表示时隙t内单位时间内购买单位计算频率资源的支付价格。

3.根据权利要求1所述的移动边缘计算中一种分布式异构环境下的资源分配方法，其特征在于，

所述用户的最大化收益模型包括：

Max：

S.t.：

其中，

表示在时隙t内第i个用户的收益；u_ij(t)表示第i个用户将任务卸载到第j个MEC服务器可获得的效用函数；

表示第i个用户将任务卸载到第j个MEC服务器的数据通信成本；b_i(t)表示第i个用户在时隙t内卸载的总任务量；Q_i(t)表示第i个用户在时隙t的任务队列积压；

表示第j个MEC服务器最低的CPU频率；f_ij(t)表示第j个MEC服务器分配给第i个用户的CPU频率；

表示第j个MEC服务器最高的CPU频率；M表示用户总数；N表示MEC服务器总数。

4.根据权利要求3所述的移动边缘计算中一种分布式异构环境下的资源分配方法，其特征在于，步骤3)中对所述用户的最大化收益模型进行改进包括：

Max：

S.t.：

其中，

表示在时隙t内第i个用户的收益与队列积压的折中关系表达式；V_i表示李雅普诺夫优化算法的控制参数，用于控制用户的卸载收益和卸载时延的折中关系。

5.根据权利要求4所述的移动边缘计算中一种分布式异构环境下的资源分配方法，其特征在于，所述基于李雅普诺夫优化理论的用户卸载收益和卸载时延之间的折中关系的计算过程包括如下步骤：

步骤101、将李雅普诺夫函数作为第i个用户任务队列的积压度量指标；

步骤102、建立第i个用户任务队列各个时隙内的李雅普诺夫漂移函数；

步骤103、采用漂移惩罚drift-plus-penalty函数

用以权衡用户的卸载收益和卸载时延之间的关系；

步骤104、最小化漂移惩罚drift-plus-penalty函数

的上界，通过调整李雅普诺夫优化算法的控制参数，获取基于李雅普诺夫优化理论的用户卸载收益和卸载时延之间的折中关系，即用户进行折中选择后的卸载收益和卸载时延；

其中，Δ(Q_i(t))表示第i个用户任务队列各个时隙内的条件李雅普诺夫漂移函数；

表示在时隙t观测到队列积压Q_i(t)的条件下，用户收益

的期望。

6.根据权利要求1所述的移动边缘计算中一种分布式异构环境下的资源分配方法，其特征在于，所述最优计算资源购买策略的表达式为：

其中，

表示在时隙t内第i个用户选择购买第j个MEC服务器的最优计算资源，即第j个MEC服务器分配给第i个用户的最优CPU频率；α_i表示第i个用户的卸载权重系数；

τ表示单位时隙长度，L_i表示第i个用户的单位处理密度；V_i表示李雅普诺夫优化理论的控制参数；Q_i(t)表示第i个用户在时隙t内的任务队列积压；

表示条件

的拉格朗日乘子；

表示条件

的拉格朗日乘子；υ^*表示条件b_i(t)≤Q_i(t)的拉格朗日乘子；σ_ij表示单位任务通信成本；p_ij(t)表示时隙t内单位时间内购买单位计算资源的支付价格。

7.根据权利要求6所述的移动边缘计算中一种分布式异构环境下的资源分配方法，其特征在于，所述各个时隙内MEC服务器对用户所购买计算资源的最优动态报价策略表示为：

其中，

表示时隙t内单位时间内购买单位计算资源的最优支付价格；

表示条件p_ij(t)≥0的拉格朗日乘子；κ_j表示为第j个MEC服务器芯片架构相关的有效能量系数。

Images