CN111372268B - 一种超密集网络中联合无线资源管理与任务卸载优化方法 - Google Patents

Abstract

本发明针对超密集网络中以用户为中心的用户卸载效益(能耗与时延量化加权和)问题，提出了一种联合无线资源管理与任务卸载优化方法。为了最大化用户卸载效益，在迭代寻优过程中交替更新信道选择与用户上传功率两者无线资源的优化管理。此方法不仅可解决用户在计算性能以及电池容量的不足，而且通过任务卸载可有效节省用户执行时延、降低能耗，更好地提升用户体验质量。

Description

一种超密集网络中联合无线资源管理与任务卸载优化方法

技术领域

本发明属于5G通信以及边缘计算两大领域，尤其涉及一种超密集网络中联合无线资源管理与任务卸载优化方法。

背景技术

根据Cisco白皮书中阐述，2022年全球移动数据月流量将是2017年的近7倍(高达77EB/月)，而移动数据流量中占比最高的是移动设备(占比约90％)。由此可见，用户设备(User Equipment,UE)的使用是无线通信流量的主要贡献者。在快速发展的当下社会，移动设备愈发趋于智能化、多媒体化，出现许多新业务、新应用，如增强现实、可穿戴智能设备、车联网等。然而，仅靠用户智能设备自身的计算能力与电池容量等资源无法完成此类业务、应用任务。为满足移动设备低时延与能耗的需求,任务卸载策略的研究成为此领域中的热点研究之一。

2014年，欧洲电信标准协会(ETSI)提出“移动边缘计算(Mobile Edge Computing,MEC)”的概念，因位置临近移动设备的部署方式，可近距离为用户提供计算能力，为解决时延与能耗敏感型的业务需求提供了新思路，可有效降低执行任务的传输时延以及能量消耗。《5G愿景与需求白皮书》中阐述了2020年及未来实现“零”时延的用户体验质量，数亿台设备的低功耗接入的愿景。为了实现这一愿景，采用小区分裂的方式来提升系统容量。小区分裂通过密集部署低功率小型基站以补充宏基站未能覆盖的盲区，实现小区空间复用度，有效提升用户的体验。特别地，对于热点区域如密集住宅区、火车站、体育馆、购物广场等人流密集区域，此方案更为有效。在此背景下，超密集网络(Ultra-Dense Network，UDN)应运而生。

在UDN架构下部署MEC服务器成为了必然趋势。在此架构下进行任务卸载，可以将UEs需要大量计算能力或自身无法完成的计算任务卸载到MEC服务器执行。同时，基站密集部署在满足未来通信技术需求给UEs带来便利的同时也带来诸多问题与挑战，主要包括：(1)移动设备通过信道进行任务卸载，过多的用户通过同一信道进行任务卸载争夺有限信道资源，降低任务上行传输速率，因此如何根据信道频谱资源状态进行信道选择是必须要解决的问题；(2)UEs选择信道过程中，上传功率对于任务上传的时延与能耗都有影响，如何有效控制上传功率同样是不可忽视的问题；(3)根据已有无线资源信息，UEs如何做出在本地(自身设备)还是MEC服务器(卸载)执行的决策是充满挑战的问题。综上所述，因超密集网络结合MEC服务器网络架构中异构网络的复杂性、用户任务需求的多元性以及频谱资源的稀缺性等特性，如何实现以用户效益(时延与能耗量化和)为研究目标有效的任务卸载决策同时优化管理无线资源成为UDN下MEC服务器应用的研究热点。

发明内容

本发明的目的在于：针对超密集网络中以用户为中心的用户卸载效益(能耗与时延量化加权和)问题，提出了一种联合无线资源管理与任务卸载优化方法，此方法不仅可解决用户在计算性能以及电池容量的不足，而且通过任务卸载可有效节省用户执行时延、降低能耗，更好地提升用户体验质量。

为了达到上述目的，本发明所采用的技术方案包括如下部分：

首先介绍采用的系统模型以及模型的建立。架构包括1个宏基站以及M个微蜂窝基站，宏基站与小基站均部署具有计算能力的MEC服务器，都可为UEs卸载的任务服务，基站集合为

设定UEs集合为

将带宽B划分成C个相等子信道，每个子信道带宽为W＝B/C，子信道集合为

用二元组T_i＝(w_i,s_i)表示每个UE拥有的计算任务，其中w_i代表完成计算任务所需的计算能力，s_i代表计算任务的数据量大小。任务只有两种状态变量λ_i,j∈{0,1},

λ_i,j＝0表示UE选择在本地执行计算任务，否则卸载到MEC服务器j执行计算任务。

当UE选择在本地计算时，即λ_i,j＝0，意味着计算任务T_i由UE自身执行。定义f_i ^l为UE的计算能力。因此，任务T_i的本地计算时延

可以表示为：

在执行任务的同时，还会消耗UE自身的剩余电池能量，定义在本地执行消耗能量

为：

其中

表示每个CPU周期消耗能量的功率系数。

当UE通过信道k传输任务数据时，即γ_i,k＝1。此时主要分为两个阶段：第一阶段是任务数据上传阶段，第二阶段是任务计算执行阶段。接下来分别从两个阶段详细说明模型的建立。

(1)任务数据上传阶段

UE决定将任务卸载执行，T_i通过无线信道k进行任务上传时的信噪比SNR_i,k可以表示为：

p_i为任务T_i的上行传输功率，g_i,j表示任务T_i卸载至MECj的信道增益。p_i可由基站确定。σ²表示信道的高斯噪声；

表示任务T_i受到其他UE卸载到其他MEC服务器干扰的大小。

根据香农公式计算出任务T_i上传速率r_i,k，具体定义为：

r_i,k＝W log₂(1+SNR_i,k)

任务T_i上传时延

定义为：

在上传任务的同时需消耗UE端的能量，能耗

公式定义为：

(2)任务计算执行阶段

基站j接收到任务T_i后执行时延

定义为：

为MEC服务器j分配给任务T_i的计算能力。

任务执行结果数据量小，因此本发明忽略任务结果回传时延。此外，本文以用户为中心开展的研究，对于卸载任务在MEC执行时的能耗不予考虑。

综上所述，在MEC服务器执行任务T_i需要总的时延

与能耗

分别为：

定义本地执行与卸载执行的系统模型后，我们给出本发明需要优化的目标模型，定义

分别表示UE执行任务时延和能耗的权重参数并且

根据本地计算以及MEC计算模型，用户卸载效益可以公式化为：

s.t.γ_i,k∈{0,1},

λ_i,j∈{0,1},

目标函数是最大化所有UE计算任务的时延与能耗量化加权和的效益。第一个约束和第二个约束表示UE任务上传或者不上传并且只能通过一个信道上传。第三个约束和第四个约束表示UE只能在本地或者卸载至一个MEC服务器执行计算任务。第五个约束表示卸载用户上传功率不超过UE的最大功率。第六个约束表示用户的执行时延不能超过的时延最大值。

接下来介绍本发明的具体实施步骤：

S1、初始化任务卸载决策：所有任务均卸载，用户上传功率设置为上传功率上限，所有任务均未选择信道；

S2、计算UE任务本地执行的时延与能耗：根据上述系统定义模块计算出本地执行的时延与能耗；

S3、联合无线资源管理与任务卸载迭代寻优：卸载策略迭代中交替更新无线资源管理，实现优化的任务卸载；

S4：输出最优卸载效益。

优选地，对于S3联合无线资源管理与任务卸载迭代寻优主要包括如下子步骤：

S31、信道选择：利用贪心策略寻找有效干扰最大的信道

S32、用户上传功率分配：利用黄金分割法寻找最优上传功率；

上述S31信道选择与S32用户上传功率分配两者是相互影响，因此我们联合研究信道分配与上传功率分配。重写原问题P为：

其中

对于问题P₂仍然为混合整数非线性问题，因此对于问题P₂我们进行再次分解，分别为信道选择子问题P₂₁以及上传功率分配子问题P₂₂。

优选地，对于S31信道选择子问题P₂₁，具体定义为：

s.t.γ_i,k∈{0,1},

令

对于问题P₂₁，在给定上传功率条件下信道选择取决于有效干扰EI_i,k的大小，因此我们使用贪心策略进行信道的选择。

信道选择问题是对于卸载任务集

中的任务进行研究，此时γ_i,k＝1，则对问题P₂₁第三个约束做进一步转换：

其中

因此可得用户选择的信道：

优选地，对于S31用户上传功率分配子问题P₂₂，具体定义为：

类似与信道选择，对问题P₂₂第二个约束做进一步转换：

根据用户功率控制函数P₂₂可知，每个用户的上传功率只与自身相关，用户间的功率控制相互独立，由约束条件我们可以得出用户i的上传功率分配范围为

定义函数

对h(p_i)函数使用黄金分割法可得出每个用户的最优上传功率分配。

本发明提供的优化调度方法具有如下优点和有益效果：本发明提出的一种超密集网络中联合无线资源管理与任务卸载策略的方法，不仅可以解决设备在计算性能以及电池容量的不足，而且通过任务卸载可有效节省用户执行时延、降低能耗，更好地提升了用户体验质量。

附图说明

图1为本发明提供的超密集网络架构系统图；

图2为本发明提供的实施步骤流程图。

具体实施方式

为了使本领域技术人员更好地理解本申请中的技术问题、技术方案和技术效果，下面结合附图和具体实施方式对本发明一种超密集网络中联合无线资源管理与任务卸载优化方法作进一步详细说明。

本发明实施例所采用的应用场景为超密集网络中多用户的任务卸载，具体如图1所示。架构包括1个宏基站以及M个微蜂窝基站，宏基站与小基站均部署具有计算能力的MEC服务器，都可为UEs卸载的任务服务，不同之处在于计算能力存在差异，基站集合为

我们设定UEs集合为

每个UE都有一个任务需要执行，假定任务是原子且不可分割成子任务。对于连接到同一基站的UEs任务采用正交频分多址接入(Orthogonal Frequency Division Multiple Access,OFDMA)方式，此时同一基站上不同UE间的干扰可忽略，但通过同一信道接入不同基站的用户间的干扰不可忽略。将带宽B划分成C个相等子信道，每个子信道带宽为W＝B/C，子信道集合为

此外，本发明假定在任务执行期间，UEs不发生移动。用二元组T_i＝(w_i,s_i)表示每个UE拥有的计算任务，其中w_i代表完成计算任务所需的计算能力(由CPU周期数量化)，s_i代表计算任务的数据量大小(包括程序代码，输入文件等信息)。任务只有两种状态变量λ_i,j∈{0,1},

λ_i,j＝0表示UE选择在本地执行计算任务，否则卸载到MEC服务器j执行计算任务。

当UE选择在本地计算时，即λ_i,j＝0，意味着计算任务T_i由UE自身执行。定义f_i ^l为UE的计算能力。因此，任务T_i的本地计算时延

可以表示为：

在执行任务的同时，还会消耗UE自身的剩余电池能量，定义在本地执行消耗能量

为：

其中u_i＝κ(f_i ^l)²表示每个CPU周期消耗能量的功率系数。

当UE通过信道k传输任务数据时，即γ_i,k＝1。此时主要分为两个阶段：第一阶段是任务数据上传阶段，第二阶段是任务计算执行阶段。接下来分别从两个阶段详细说明模型的建立。

(1)任务数据上传阶段

UE决定将任务卸载执行，T_i通过无线信道k进行任务上传时的信噪比SNR_i,k可以表示为：

p_i为任务T_i的上行传输功率，g_i,j表示任务T_i卸载至MECj的信道增益。p_i可由基站确定。σ²表示信道的高斯噪声；

表示任务T_i受到其他UE卸载到其他MEC服务器干扰的大小。

根据香农公式，我们可以计算出任务T_i上传速率r_i,k，具体定义为：

r_i,k＝W log₂(1+SNR_i,k)

任务T_i上传时延

可以定义为：

在上传任务的同时需消耗UE端的能量，能耗

公式可以定义为：

(2)任务计算执行阶段

基站j接收到任务T_i后执行时延

定义为：

为MEC服务器j分配给任务T_i的计算能力。

任务执行结果数据量小，因此本文忽略任务结果回传时延。此外，本文以用户为中心开展的研究，对于卸载任务在MEC执行时的能耗不予考虑。

综上所述，在MEC服务器执行任务T_i需要总的时延

与能耗

分别为：

定义本地执行与卸载执行的系统模型后，我们给出本发明需要优化的目标模型，定义

分别表示UE执行任务时延和能耗的权重参数并且

当UE任务对于时延要求高，则增大

降低

否则反之。根据本地计算以及MEC计算模型，用户卸载效益可以公式化为：

s.t.γ_i,k∈{0,1},

λ_i,j∈{0,1},

目标函数是最大化所有UE计算任务的时延与能耗量化加权和的效益。第一个约束和第二个约束表示UE任务上传或者不上传并且只能通过一个信道上传。第三个约束和第四个约束表示UE只能在本地或者卸载至一个MEC服务器执行计算任务。第五个约束表示卸载用户上传功率不超过UE的最大功率。第六个约束表示用户的执行时延不能超过的时延最大值。

根据上述图1的系统场景，本发明实施例的具体实施的处理流程如图2所示，接下来介绍本发明的具体实施例步骤：

S1、初始化任务卸载决策：所有任务均卸载，用户上传功率设置为上传功率上限，所有任务均未选择信道；

S2、计算UE任务本地执行的时延与能耗：根据上述系统定义模块计算出本地执行的时延与能耗；

S3、联合无线资源管理与任务卸载迭代寻优：卸载策略迭代中交替更新无线资源管理，实现优化的任务卸载；

S4：输出最优卸载效益。

优选地，对于S3联合无线资源管理与任务卸载迭代寻优主要包括如下子步骤：

S31、信道选择：利用贪心策略寻找有效干扰最大的信道

S32、用户上传功率分配：利用黄金分割法寻找最优上传功率；

上述S31信道选择与S32用户上传功率分配两者是相互影响，因此我们联合研究信道选择与上传功率分配。重写原问题P为：

其中

对于问题P₂仍然为混合整数非线性问题，因此对于问题P₂我们进行再次分解，分别为信道选择子问题P₂₁以及上传功率分配子问题P₂₂。

对于上述两个子问题，通过迭代更替优化，最终找出信道最优选择与上传功率最优分配。

优选地，对于S31信道选择子问题P₂₁，具体定义为：

s.t.γ_i,k∈{0,1},

令

紧接着，在给定上传功率条件下，对于问题P₂₁，信道选择取决于有效干扰EI_i,k的大小，有效干扰EI_i,k越大，用户i通过信道k的卸载效益越大,因此我们使用贪心策略进行信道的选择。

信道选择问题是对于卸载任务集

中的任务进行研究，此时γ_i,k＝1，则对问题P₂₁第三个约束做进一步转换：

其中

因此可得用户选择的信道：

优选地，对于S32用户上传功率分配子问题P₂₂，具体定义为：

类似与信道选择，对问题P₂₂第二个约束做进一步转换：

根据用户功率控制函数P₂₂可知，每个用户的上传功率只与自身相关，用户间的功率控制相互独立，由约束条件我们可以得出用户i的上传功率分配范围为

定义函数

对h(p_i)函数使用黄金分割法可得出每个用户的最优上传功率分配。

优选地，对于上述步骤具体算法详解如下：

Claims (1)

1.一种超密集网络中联合无线资源管理与任务卸载优化方法，所述架构包括1个宏基站以及M个微蜂窝基站，宏基站与小基站均部署具有计算能力的MEC服务器，都可为用户设备(UEs)卸载的任务服务，基站集合为

设定UEs集合为

用二元组T_i＝(w_i,s_i)表示每个UE拥有的计算任务，其中w_i代表完成计算任务所需的计算能力，s_i代表计算任务的数据量大小，定义

分别表示UE执行任务时延和能耗的权重参数并且

本地执行时延与能耗分别定义为

任务只有两种状态变量

表示UE选择在本地执行计算任务，否则卸载到MEC服务器j执行计算任务；

为MEC服务器j的计算能力，分配给任务T_i的计算能力为

MEC服务器执行时延与能耗为

本发明的用户卸载效益可以公式化为：

目标函数是最大化所有UE计算任务的时延与能耗量化加权和的效益。第一个约束和第二个约束表示UE任务上传或者不上传并且只能通过一个信道k上传。第三个约束和第四个约束表示UE只能在本地或者卸载至一个MEC服务器执行计算任务。第五个约束表示卸载用户上传功率p_i不超过UE的最大功率

第六个约束表示用户的执行时延(包括本地执行时延

和卸载至MEC服务器j执行时延

)不能超过的时延最大值T_i ^max。

本发明的具体实施包括如下步骤：

S1、初始化任务卸载决策：所有任务均卸载，用户上传功率设置为上传功率上限，所有任务均未选择信道；

S2、计算UE任务本地执行的时延与能耗；

S3、联合无线资源管理与任务卸载迭代寻优：卸载策略迭代中交替更新无线资源管理，实现优化的任务卸载；联合无线资源管理与任务卸载迭代寻优主要包括如下子步骤：

S31、信道选择：利用贪心策略寻找有效干扰最大的信道；

S32、用户上传功率分配：利用黄金分割法寻找最优上传功率；

上述S31信道选择与S32用户上传功率分配两者是相互影响，因此我们联合研究信道选择与上传功率分配。重写原问题P为：

其中f_i ^l为UE的计算能力，u_i＝κ(f_i ^l)²表示每个CPU周期消耗能量的功率系数，

UE决定将任务卸载执行，T_i通过无线信道k进行任务上传时的信噪比SNR_i,k可以表示为：

p_i为任务T_i的上行传输功率，g_i,j表示任务T_i通过无线信道k卸载至MECj的信道增益。p_i可由基站确定。σ²表示信道的高斯噪声；

表示任务T_i受到其他UE通过无线信道k卸载到其他MEC服务器干扰的大小。

根据香农公式，我们可以计算出任务T_i上传速率r_i,k，具体定义为：

r_i,k＝Wlog₂(1+SNR_i,k)

对于问题P₂仍然为混合整数非线性问题，因此对于问题P₂我们进行再次分解，分别为信道选择子问题P₂₁以及上传功率分配子问题P₂₂。

所述S31信道选择子问题P₂₁，具体定义为：

令

对于问题P₂₁，在给定上传功率条件下信道选择取决于有效干扰EI_i,k的大小，因此我们使用贪心策略进行信道的选择。

信道选择问题是对于卸载任务集

中的任务进行研究，此时γ_i,k＝1，则对问题P₂₁第三个约束做进一步转换：

其中

因此可得用户选择的信道：

所述的S32用户上传功率分配子问题P₂₂，具体定义为：

类似与信道选择，对问题P₂₂第二个约束做进一步转换：

根据上传功率分配P₂₂可知，每个用户的上传功率只与自身相关，用户间的功率分配相互独立，由约束条件我们可以得出用户i的上传功率分配范围为

定义函数

对h(p_i)函数使用黄金分割法可得出每个用户的最优上传功率分配。

S4：输出最优UE卸载效益。

Images