CN111182495A - 一种5g车联网部分计算卸载方法 - Google Patents

Abstract

本发明公开了一种5G车联网部分计算卸载方法。本发明协同考虑运营商的利益和用户的激励兼容性和个人理性，对计算卸载的传输开销和计算开销进行建模，以最大化运营商和用户的整体效用为目标描述优化问题。该优化问题分为三个子问题。为了最小化传输延迟开销，本发明利用双边匹配算法求解最优信道分配策略。进而通过凸优化获得最优卸载比率。最后，本发明构建非合作博弈来决定边缘计算服务定价，该定价机制在最大化整体效用的同时，确保了用户的个人利益，实现了用户与运营商之间的均衡。本发明提供了5G车联网下部分计算卸载的一种新方法。

Description

一种5G车联网部分计算卸载方法

技术领域

本发明涉及5G车联网部分计算卸载，尤其涉及计算卸载下的信道分配，任务调度以及边缘计算服务定价机制。

背景技术

5G车联网未来有望连接数十亿辆汽车，并以此为基础开发各类新颖的应用程序，例如交互式游戏，增强现实，为乘客提供满意的网络服务。为了吸引用户的兴趣，新型移动应用程序丰富而生动，同时也消耗大量的计算资源和电能，这给资源受限的车辆提出了巨大挑战。移动边缘计算(MEC)的出现使得用户能够通过将计算任务卸载到边缘服务器来大幅降低任务执行延迟和能耗开销，从而享受到极低延迟的网络服务。然而，有限的MEC资源难以全部满足过多的用户数，因此高效的资源分配和任务调度策略，以及相应的MEC服务定价机制有待于研究人员的进一步探索。

发明内容

本发明的目的主要针对现有研究的一些不足之处，以最大化用户和运营商的整体效用为目标，提出适用于5G车联网的部分计算卸载方法，包括5G信道资源分配，卸载任务调度以及边缘计算服务定价机制三部分。首先，以最小化传输延迟为目标，利用双边匹配算法，基于用户偏好分配传输信道；其次，将任务调度问题转化为凸优化问题，通过KKT条件获得最优卸载比率；最后，考虑到用户的个体理性和自私性，本发明提出一种非合作博弈服务定价机制，使得用户与网络运营商之间达到纳什均衡。

本发明的技术方案：

一种5G车联网部分计算卸载方法，步骤如下：

(1)构建车联网部分计算卸载模型，包括网络结构、用户卸载策略和效用函数三部分；

基于MEC的5G车联网，共有N个车辆作为需求卸载服务的用户

宏蜂窝提供车辆本地计算的计算资源，一组配备MEC服务器的路边节点单元(RSUs)

提供卸载服务；部分车辆应用正交频分多址接入技术(OFDMA)通过K_r个非授权信道访问RSUs，称为“车辆到RSUs”V2R用户；部分车辆应用非正交多址接入技术(NOMA)通过K_m个专用的蜂窝信道访问宏蜂窝，称为“车辆到基础设施”V2I用户；令K＝|K_r|+|K_m|表示可用信道的总数；卸载服务时间由连续的时隙组成，记为

在每个时隙中，车辆向附近的RSUs发送卸载请求，宏蜂窝收集全局请求信息并确定最优卸载决策；由于RSUs与宏蜂窝之间的有线通信的延迟比无线通信的延迟小得多，因此可以忽略相应的卸载调度延迟。

对于每辆车i，其卸载任务定义为

其中，s_i表示数据大小，c_i表示完成任务所需的CPU周期数，

表示任务τ_i的最大容忍延迟；令λ_i表示任务流的平均到达速率，遵循一般分布式随机过程；由于车辆的卸载任务是异构的，定义变量

和

分别表示数据大小s_i和完成任务所需的CPU周期数c_i的均值；

车辆产生计算任务后，由本地计算处理，或将其卸载到RSUs由边缘计算处理；用

表示卸载比率，其中ξ_i∈[0,1]表示卸载比率；本地计算的边缘计算的任务流分别表示为λ^local＝(1-ξ_i)λ_i和λ^offload＝ξ_iλ_i；

多个V2I用户访问宏蜂窝时共享信道，因此会受到干扰；与之相反，每个V2R用户单独占用一个信道，不存在干扰；定义二进制集合Θ＝{θ_i,j,k,i∈N,j∈M,k∈K}表示信道分配决策，θ_i,j,k＝1表示信道k被分配给车辆i用于访问服务器j；利用信噪比(SINR)来衡量共享信道的V2I用户之间的干扰，其计算公式如下：

其中，p_i,j和h_i,j分别表示车辆i的传输功率和信道增益；p_n,j和h_n,j分别表示占用同一信道其他车辆的传输功率和信道增益；σ²表示噪声功率；令b_k表示信道k的带宽，车辆i通过信道k访问服务器j的传输速率通过如下公式计算：

r_i,j,k＝θ_i,j,kb_klog₂(1+Γ_i,j,k)

本发方法的目标是最大化用户即车辆和运营商的整体效用；运营商管理宏蜂窝和配备MEC服务器的RSUs，其效用分别用U^cell和

表示，车辆的效用表示为U_i，整体效用计算公式如下：

车辆的效用定义为完成任务获得的收益减去相应的开销，完成不同任务获得不同的收益，定义

表示车辆i完成一个任务的期望收益；车辆i的开销C_i(λ_i,ξ_i,Θ)分为传输开销

宏蜂窝计算开销

和MEC服务器计算开销

三部分；令

和

分别表示宏蜂窝和MEC服务器运行1CPU周期的开销；

和

的计算公式如下：

传输开销

由数据传输能耗

和信道使用费用

组成；令

表示车辆期望传输时长，ψ_i表示传输能耗相关系数，

的计算公式如下：

令

和

分别表示单位时间内使用非授权信道访问RSUs和专用蜂窝信道访问宏蜂窝的信道使用费用；

的计算公式如下：

基于以上三部分开销的公式，车辆的期望效用函数的计算公式如下：

运营商的效用函数定义为提供计算服务获得的收入减去相应的开销；U^cell和

的计算公式如下：

其中，μ^cell和

分别表示宏蜂窝和MEC服务器处理一个任务的单位开销；

(2)根据步骤(1)中的车联网部分计算卸载模型，以最小化车辆和运营商的整体效用为目标，描述优化问题；

车辆和运营商的总体效用取决于三个决策变量：卸载比率Ξ、信道分配Θ和卸载服务的收益π＝{π^cell,π^RSU,π^pro}；给定全局任务流信息，部分计算卸载问题描述如下：

其中，C1，C2，C7分别约束卸载比率，服务定价和信道分配变量的范围；C3约束任务传输延迟不能超过阈值

C4表示用户的激励兼容性，即每个用户都争取最大化自身的效用；C5表示用户的个人理性，即用户的效用必须为非负数；C6约束每个未授权的信道只能分配给一辆车；

上述优化问题是一个混合整数非线性规划问题，是NP难解问题；车辆的支付和运营商的收入在计算整体效用时相互抵消，服务定价仅在C2，C4，C5中出现；C3中的传输时长主要取决于信道分配Θ；将上述优化问题分为三个子问题求解；

(3)求解步骤(2)中的第一个子问题：资源分配；构建用户偏好队列，利用双边匹配算法以最小化传输延迟为目标分配信道；

去掉原优化问题中和信道分配无关的项和约束；给定车辆卸载比率，用

表示，在步骤(4)中求解，此处视作常量的情况下，最大化车辆和运营商的整体效用等价于最小化传输开销，信道分配子问题描述如下：

定义拉格朗日函数

信道分配子问题的延迟开销用如下公式表示：

其中，信道分配策略Θ看作是从一组车辆集合

到一组信道集合

的映射；定义偏好策略：给定两个不同的信道分配策略Θ和Θ′，延迟开销低的策略为偏好策略；满足如下不等式时，Θ′为偏好策略，表示为Θ′＞Θ：

利用双边匹配算法求解上述问题，得到最优信道分配策略以及给定卸载策略Ξ时相应的延迟开销

(4)求解步骤(2)中的第二个子问题：任务调度；通过KKT条件求解凸优化问题，得到最优卸载比率；

上述任务调度子问题是凸优化问题，利用KKT条件求解最优的卸载比率；

(5)求解步骤(2)中的第三个子问题：边缘计算服务定价机制；构建非合作博弈，构造服务定价使得博弈达到纳什均衡；

利用双边匹配算法和KKT条件获得最优信道分配和卸载比率策略后，本方法考虑用户的激励兼容性和个人理性，即每辆车都选择能最大化其个人效用

的卸载比率，其中ξ_-i表示除车辆i以外其他车辆的卸载比率；本方法将车辆之间的策略决策建模为非合作博弈，表述如下：

其中，车辆集合

是博弈的参与者，Ξ为全部车辆的策略集，本方法根据该博弈的纳什均衡设计边缘计算服务定价。

本发明的有益效果：本发明基于MEC提供了一种车联网5G部分计算卸载方法，包括信道分配，卸载比率和边缘计算服务定价三方面策略。协同考虑运营商的利益和用户的激励兼容性和个人理性，本发明以最大化运营商和用户的整体效用为目标描述优化问题。该优化问题分为三个子问题。为了最小化传输延迟开销，本发明利用双边匹配算法求解最优信道分配策略。进而通过凸优化获得最优卸载比率。最后，本发明构建非合作博弈来决定边缘计算服务定价，实现车辆与运营商之间的均衡。实验结果证明了本发明所提出的算法的高效性。

附图说明

图1为本发明构建的5G车联网部分计算卸载模型。车辆以OFDMA的方式访问宏蜂窝，以NOMA的方式访问RSUs进行计算卸载。

图2将本发明公开的POETS算法与先到先服务策略以及贪婪算法就期望延迟开销进行比较。随着车辆数的增加，信道资源竞争加剧，期望延迟开销增加。POETS算法的性能分别比先到先服务策略和贪婪算法高20％和15％。

图3展示了车辆和运营商的整体效用随车辆数增加的变化趋势。随着车辆数量的增加，更多的车辆可以通过完成任务(通过本地计算或MEC)获得更多的回报，使得整体效用增加。通过采用NOMA技术来降低信道占用成本，POETS算法的性能要优于OFDMA和本地计算策略。

图4展示了车辆和运营商的整体效用随信道数增加的变化趋势。相比于OFDMA接入方法，POETS算法平均提升了38％的整体效用，且远优于本地计算。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。

本发明实例提供了一种5G车联网部分计算卸载，该方法包括：

步骤1：基于双边匹配算法求解信道分配子问题。

1.1)初始化信道最大容纳车辆数Q。

1.2)所有车辆计算占用信道

时的传输开销，并按升序排列组成信道偏好队列。

1.3)每辆车向宏蜂窝发送占用信道偏好队列队首信道的请求，并将该信道从队列中删除。

1.4)对于每个接收到请求的信道，如果当前占用车辆数小于Q，则按传输开销升序接受发送请求的车辆直到车辆数等于Q；如果当前占用车辆数等于Q，则在原有的车辆和新增的发送请求的车辆中重新选择Q个用户，使得该信道分配策略Θ^*能够最小化传输延迟开销，即对于所有信道分配策略Θ，Θ^*满足如下公式：

1.5)被拒绝的车辆继续向信道偏好队列队首的信道发送请求，直至所有车辆都被分配传输信道，或所有信道都达到容纳车辆数上限。

步骤2：基于凸优化求解任务调度子问题。

令

表示任务调度子问题的最优解。Ξ^*满足以下等式：

其中a_i和b_i是拉格朗日乘子，

步骤3：基于非合作博弈求解子问题。

考虑激励兼容性和个人理性，每辆车都期望最大化自己的个人效用，且该效用为正。车辆i的效用如下所示：

以最大化上述效用为目标，达到纳什均衡的最优解

满足如下KKT条件：

通过设计边缘计算服务定价，使得以上KKT条件与步骤2中求解最优卸载比率时列出的KKT条件一致，就能使博弈的纳什均衡解同时也是原问题最优解，即

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (1)

1.一种5G车联网部分计算卸载方法，其特征在于，步骤如下：

(1)构建车联网部分计算卸载模型，包括网络结构、用户卸载策略和效用函数三部分；

基于MEC的5G车联网，共有N个车辆作为需求卸载服务的用户

宏蜂窝提供车辆本地计算的计算资源，一组配备MEC服务器的路边节点单元RSUs

提供卸载服务；部分车辆应用正交频分多址接入技术通过K_r个非授权信道访问RSUs，称为“车辆到RSUs”V2R用户；部分车辆应用非正交多址接入技术通过K_m个专用的蜂窝信道访问宏蜂窝，称为“车辆到基础设施”V2I用户；令K＝|K_r|+|K_m|表示可用信道的总数；卸载服务时间由连续的时隙组成，记为

在每个时隙中，车辆向附近的RSUs发送卸载请求，宏蜂窝收集全局请求信息并确定最优卸载决策；

对于每辆车i，其卸载任务定义为

其中，s_i表示数据大小，c_i表示完成任务所需的CPU周期数，T_i ^max表示任务τ_i的最大容忍延迟；令λ_i表示任务流的平均到达速率，遵循一般分布式随机过程；由于车辆的卸载任务是异构的，定义变量

和

分别表示数据大小s_i和完成任务所需的CPU周期数c_i的均值；

车辆产生计算任务后，由本地计算处理，或将其卸载到RSUs由边缘计算处理；用Ξ＝{ξ₁,ξ₂,…,ξ_N}表示卸载比率，其中ξ_i∈[0,1]表示卸载比率；本地计算的边缘计算的任务流分别表示为λ^local＝(1-ξ_i)λ_i和λ^offload＝ξ_iλ_i；

多个V2I用户访问宏蜂窝时共享信道，因此会受到干扰；与之相反，每个V2R用户单独占用一个信道，不存在干扰；定义二进制集合Θ＝{θ_i,j,k,i∈N,j∈M,k∈K}表示信道分配决策，θ_i,j,k＝1表示信道k被分配给车辆i用于访问服务器j；利用信噪比来衡量共享信道的V2I用户之间的干扰，其计算公式如下：

其中，p_i,j和h_i,j分别表示车辆i的传输功率和信道增益；p_n,j和h_n,j分别表示占用同一信道其他车辆的传输功率和信道增益；σ²表示噪声功率；令b_k表示信道k的带宽，车辆i通过信道k访问服务器j的传输速率通过如下公式计算：

r_i,j,k＝θ_i,j,kb_klog₂(1+Γ_i,j,k)

本发方法的目标是最大化用户即车辆和运营商的整体效用；运营商管理宏蜂窝和配备MEC服务器的RSUs，其效用分别用U^cell和

表示，车辆的效用表示为U_i，整体效用计算公式如下：

车辆的效用定义为完成任务获得的收益减去相应的开销，完成不同任务获得不同的收益，定义

表示车辆i完成一个任务的期望收益；车辆i的开销C_i(λ_i,ξ_i,Θ)分为传输开销

宏蜂窝计算开销

和MEC服务器计算开销

三部分；令

和

分别表示宏蜂窝和MEC服务器运行1CPU周期的开销；

和

的计算公式如下：

传输开销

由数据传输能耗

和信道使用费用

组成；令

表示车辆期望传输时长，ψ_i表示传输能耗相关系数，

的计算公式如下：

令

和

分别表示单位时间内使用非授权信道访问RSUs和专用蜂窝信道访问宏蜂窝的信道使用费用；

的计算公式如下：

基于以上三部分开销的公式，车辆的期望效用函数的计算公式如下：

运营商的效用函数定义为提供计算服务获得的收入减去相应的开销；U^cell和

的计算公式如下：

其中，μ^cell和

分别表示宏蜂窝和MEC服务器处理一个任务的单位开销；

(2)根据步骤(1)中的车联网部分计算卸载模型，以最小化车辆和运营商的整体效用为目标，描述优化问题；

车辆和运营商的总体效用取决于三个决策变量：卸载比率Ξ、信道分配Θ和卸载服务的收益π＝{π^cell,π^RSU,π^pro}；给定全局任务流信息，部分计算卸载问题描述如下：

s.t.

C1：

C2：

C3：

C4：

C5：

C6：

C7：

其中，C1，C2，C7分别约束卸载比率，服务定价和信道分配变量的范围；C3约束任务传输延迟不能超过阈值T_i ^max；C4表示用户的激励兼容性，即每个用户都争取最大化自身的效用；C5表示用户的个人理性，即用户的效用必须为非负数；C6约束每个未授权的信道只能分配给一辆车；

上述优化问题是一个混合整数非线性规划问题，是NP难解问题；车辆的支付和运营商的收入在计算整体效用时相互抵消，服务定价仅在C2，C4，C5中出现；C3中的传输时长主要取决于信道分配Θ；将上述优化问题分为三个子问题求解；

(3)求解步骤(2)中的第一个子问题：资源分配；构建用户偏好队列，利用双边匹配算法以最小化传输延迟为目标分配信道；

去掉原优化问题中和信道分配无关的项和约束；给定车辆卸载比率，用

表示，在步骤(4)中求解，此处视作常量的情况下，最大化车辆和运营商的整体效用等价于最小化传输开销，信道分配子问题描述如下：

s.t.

C1：

C2：

C3：

定义拉格朗日函数

信道分配子问题的延迟开销用如下公式表示：

其中，信道分配策略Θ看作是从一组车辆集合

到一组信道集合

的映射；定义偏好策略：给定两个不同的信道分配策略Θ和Θ′，延迟开销低的策略为偏好策略；满足如下不等式时，Θ′为偏好策略，表示为Θ′＞Θ：

利用双边匹配算法求解上述问题，得到最优信道分配策略以及给定卸载策略Ξ时相应的延迟开销

(4)求解步骤(2)中的第二个子问题：任务调度；通过KKT条件求解凸优化问题，得到最优卸载比率；

s.t.

C1：

上述任务调度子问题是凸优化问题，利用KKT条件求解最优的卸载比率；

(5)求解步骤(2)中的第三个子问题：边缘计算服务定价机制；构建非合作博弈，构造服务定价使得博弈达到纳什均衡；

利用双边匹配算法和KKT条件获得最优信道分配和卸载比率策略后，本方法考虑用户的激励兼容性和个人理性，即每辆车都选择能最大化其个人效用

的卸载比率，其中ξ_-i表示除车辆i以外其他车辆的卸载比率；本方法将车辆之间的策略决策建模为非合作博弈，表述如下：

其中，车辆集合

是博弈的参与者，Ξ为全部车辆的策略集，本方法根据该博弈的纳什均衡设计边缘计算服务定价。

Images