CN111447619B - 一种移动边缘计算网络中联合任务卸载和资源分配方法 - Google Patents

一种移动边缘计算网络中联合任务卸载和资源分配方法 Download PDF

Info

Publication number
CN111447619B
CN111447619B CN202010169254.1A CN202010169254A CN111447619B CN 111447619 B CN111447619 B CN 111447619B CN 202010169254 A CN202010169254 A CN 202010169254A CN 111447619 B CN111447619 B CN 111447619B
Authority
CN
China
Prior art keywords
user
subchannel
users
unloading
task
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010169254.1A
Other languages
English (en)
Other versions
CN111447619A (zh
Inventor
鲜永菊
李栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202010169254.1A priority Critical patent/CN111447619B/zh
Publication of CN111447619A publication Critical patent/CN111447619A/zh
Application granted granted Critical
Publication of CN111447619B publication Critical patent/CN111447619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/06—Hybrid resource partitioning, e.g. channel borrowing
    • H04W16/08—Load shedding arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/06—Hybrid resource partitioning, e.g. channel borrowing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种移动边缘计算网络中联合任务卸载和资源分配方法，属于无线通信和移动边缘计算领域。该方法包括：UE产生新的计算任务，向MEC服务器发送任务卸载请求；MEC服务器收集本时隙内所有用户端发送的计算卸载请求信息；将用户计算任务和MEC服务器资源进行首次匹配，构成初始卸载策略集，计算初始目标函数的值；求得最小的目标函数值和获得最优目标函数值的用户。更新所有用户的卸载决定，判断得到的最优的目标函数不小于上一次的目标函数值是否成立，成立则输出卸载决定，信道分配矩阵和最优计算资源。本发明降低了用户卸载的成本开销，节约了移动用户总的成本；能够接纳更多的计算卸载任务，提升了系统的任务执行效率。

Description

一种移动边缘计算网络中联合任务卸载和资源分配方法
技术领域
本发明属于无线通信和移动边缘计算领域，涉及一种移动边缘计算网络中联合任务卸载和资源分配方法。
背景技术
移动边缘计算的出现为资源受限的移动设备提供了一种有效的解决方案。移动设备可将全部或者部分计算密集型任务通过无线信道卸载到计算资源相对丰富的移动边缘计算服务器(Mobile Edge Computing，MEC)来降低本地处理任务时延和能耗。但是执行计算卸载可能会带来额外的传输时延和能量消耗，确定最佳卸载决策是MEC网络中一项研究重点。此外，无线资源和MEC服务器的计算容量均属于有限资源，在多用户MEC系统中无线电和计算资源以共享的方式提供给用户设备(User Equipment，UE)。不同的用户有着不同的计算任务和服务质量要求，所以针对不同的UE具有差异化的无线电和计算资源分配方式，联合计算卸载和服务器资源分配被认为是提高MEC网络性能的最重要问题之一。
近年来已有学者围绕移动边缘计算网络做了广泛的研究，在文献“You C,Zeng Y,Zhang R,et al.Resource management for asynchronous mobile-edge computationoffloading[C]//2018 IEEE International Conference on Communications Workshops(ICC Workshops).IEEE,2018”中研究了异步MEC系统的节能资源管理策略，并制定优化问题以在时间共享和计算时延约束下最小化总移动用户能量消耗；优化问题被简化为两个连续问题以找到最优调度顺序，然后在给定最优顺序的情况下联合优化数据分区和时分。文献“Tran T X,Pompili D.Joint task offloading and resource allocation formulti-server mobile-edge computing networks[J].IEEE Transactions on VehicularTechnology,2019,68(1):856-868”考虑了在一个支持MEC的多小区无线网络场景中联合任务卸载和资源分配的问题，作者将原始问题分解为具有固定任务卸载决策的资源分配(RA)问题和最优值函数的任务卸载(TO)问题。通过凸和拟凸优化技术解决了RA问题，并针对TO问题提出了一种新颖的启发式算法，该算法可以在多项式时间内实现了次优解。文献“Zhang J,Xia W,Cheng Z,et al.An evolutionary game for joint wireless andcloud resource allocation in mobile edge computing[C]//2017 9th InternationalConference on Wireless Communications and Signal Processing(WCSP).IEEE,2017:1-6”在考虑移动终端的能耗和时间延迟以及移动边缘计算环境中的货币成本的基础上，主要研究基于博弈的联合资源分配算法，分析了博弈的稳定性。文献“赵力强,卢晓迪,梁凯,杨键,宋凤飞.一种提供移动边缘计算服务的网络系统及服务方法:中国.108494612[P].2018.09.04]”中，公开了一种提供移动边缘计算服务的网络系统级服务方法，解决移动通信网络上MEC部署问题。文中分别给出了本地MEC服务器计算、多个MEC服务器联合计算、特定非本地MEC服务器计算和云中心计算四种方式，控制器根据任务的计算量和延迟敏感度作为判决依据，判断使用哪种计算方式更加合理。文献“张伟哲,方滨兴,何慧,刘川意,余翔湛,刘亚维,刘国强.一种多用户场景下的移动边缘计算任务卸载方法:中国.108920279[P].2018.11.30”中，为了降低移动设备的反应时延和能耗，其中多用户场景是多个移动设备和MEC服务器相连，每个移动设备可选择该移动设备和MEC服务器之间的多条信道中的一个进行通信，MEC服务器通过主干网与中心云相连。具体涉及两个阶段：第一阶段是决定任务是在本地移动设备上执行还是卸载到MEC服务器执行；第二阶段是当服务器资源不足时，判定任务是继续在MEC服务器上等待还是卸载到远端云中心进行执行。
但是，现有技术在异构网络环境下，MEC服务器资源分配存在以下问题：在多用户单MEC服务器接入场景中，用户设备能耗和延迟优化问题涉及到无线资源和计算资源联合分配。要么仅考虑了计算资源分配而忽视无线资源分配对优化结果的影响；要么虽然考虑了无线资源和计算资源联合分配，但是仅仅将无线资源按子载波形式等比例分配给每个用户。这看似保证了每个用户的公平性，但是对于输入数据量大的任务而言会显得资源不够用，而对传输数据小的任务而言，资源又有富余。造成了资源分配不合理现象，所以本发明需要根据任务特定属性差异化设计一种更细粒度的无线资源分配方法。
发明内容
有鉴于此，本发明的目的在于提供一种移动边缘计算网络中联合任务卸载和资源分配方法，解决了异构无线网络中多用户部署场景下的任务卸载和资源分配问题。兼顾每个用户的特性，有效降低用户卸载的成本开销，节约移动用户总的成本(时延和能耗)；能够接纳更多的计算卸载任务，提升系统的任务执行效率。
为达到上述目的，本发明提供如下技术方案：
一种移动边缘计算网络中联合任务卸载和资源分配方法，具体包括以下步骤：
S1：移动用户产生新的计算任务，并向MEC服务器发送任务卸载请求；
S2：MEC服务器收集本时隙内所有用户端发送的计算卸载请求信息；
S3：MEC服务器将用户计算任务和MEC服务器资源进行首次匹配，构成初始卸载策略集；根据网络场景，建立通信模型、移动设备本地计算模型和边缘服务器计算模型，构建成系统效益最大化问题模型，然后计算出任务卸载到每一个服务器的成本，求出在初始卸载状态下的总的用户成本，即计算出目标函数的值；
S4：通过改变单个用户自身卸载决定下的得到所有用户的卸载决定；
S5：根据步骤S4的卸载决定为用户分配子信道和计算资源；
S6：根据步骤S5为用户分配的子信道和计算资源计算目标函数值；
S7：求得在步骤S4的卸载决定下最小的目标函数值和获得最优目标函数值的用户；
S8：更新所有用户的卸载决定；
S9：判断是否满足结束条件，满足执行步骤S10，不满足返回步骤S4；
S10：输出卸载决定、信道分配矩阵和最优计算资源。
进一步，所述步骤S3具体包括以下步骤：
S31：建立通信模型；
定义C＝[cnk]N×K表示子信道分配矩阵，其中cnk＝1表示将子信道k分配给用户n，否则cnk＝0；给定用户n的发射功率pn，用户n在小基站(Small Base Station，SBS)m中使用子信道k时的信干噪比(Signal to Interference plus Noise Ratio，SINR)为：
Figure BDA0002408593660000031
其中，Vm表示SBS m范围内服务的用户集合，
Figure BDA0002408593660000032
表示在子信道k上从用户n到SBS m的信道增益，
Figure BDA0002408593660000033
表示其他小区同信道用户叠加的小区间干扰，σ2为加性高斯白噪声功率；
用户n在子信道k上的传输速率为：
Figure BDA0002408593660000034
用户n到MEC服务器的传输速率表示为：
Figure BDA0002408593660000035
S32：建立本地计算模型；
令
Figure BDA0002408593660000036
表示用户n的计算能力(以每秒CPU周期为单位)，用户n任务在本地处理延迟
Figure BDA0002408593660000037
及能耗
Figure BDA0002408593660000038
分别为：
Figure BDA0002408593660000039
Figure BDA00024085936600000310
其中，系数υn与芯片硬件架构相关，根据已有的测量，令υn＝5×10-27。根据公式(4)，(5)求出本地计算所产生的花费
Figure BDA0002408593660000041
为：
Figure BDA0002408593660000042
其中，
Figure BDA0002408593660000043
分别表示在用户n处执行计算任务的延迟和能量消耗的权重；所有权重取值范围均在[0,1]之间，并且
Figure BDA0002408593660000044
S33：建立边缘服务器设备计算模型；
令fn表示为服务器分配给用户n的计算能力(以每秒CPU周期为单位)，用户n任务卸载到MEC服务器所产生的时延主要包括传输延迟和服务器执行延迟两部分，分别由符号
Figure BDA0002408593660000045
和
Figure BDA0002408593660000046
表示，其传输能耗用
Figure BDA0002408593660000047
表示；结合公式(3)得到：
Figure BDA0002408593660000048
Figure BDA0002408593660000049
Figure BDA00024085936600000410
其中，dn表示为输入数据的大小，wn表示计算该任务所需要的CPU周期；
根据式(7)、(8)和(9)远程计算开销表示为：
Figure BDA00024085936600000411
S34：建立基于时间和能耗成本最优的联合计算卸载决策和资源分配的问题模型；
用户n成本函数Zn表示为：
Figure BDA00024085936600000412
其中，
Figure BDA00024085936600000413
联合计算卸载、子信道和计算资源优化问题表述为：
Figure BDA00024085936600000414
通过公式(12)求得在初始卸载决策下用户的卸载成本。
进一步，所述步骤S4具体包括：令Al-1表示用户在第l-1次迭代下的卸载决定，则在第l-1次迭代中用户n改变自身卸载决定下的所有用户的卸载决定Al-1(n)为：
Figure BDA00024085936600000415
其中，
Figure BDA00024085936600000416
为模二加法。
进一步，所述步骤S5中，根据步骤S4的卸载决定为用户分配子信道，具体包括以下步骤：
S51：将用户和子信道视为博弈双方，做出满足自身利益最大化的理性决策，由双方的偏好函数构成选择的偏好关系，即用户与信道以最大化传输速率为目标做匹配偏好选择；定义用户n对子信道k的偏好函数为：
Un(k)＝Rnk (14)
MEC服务器对用户n匹配的子信道k的偏好函数为：
Figure BDA0002408593660000051
其中，α表示用户n在子信道k上传输任务的单位速率收益系数，β表示单位干扰成本系数，
Figure BDA0002408593660000052
为用户n在子信道k上受到来自其他卸载用户的总的干扰，定义为：
Figure BDA0002408593660000053
S52：每个用户n根据式(14)构造其与子信道的偏好关系；
S53：每个用户n选择最佳子信道k*＝arg maxk∈K Un(k)，并对子信道k*请求连接；
S54：MEC服务器统计每个子信道k的请求用户；
S55：MEC服务器为每个子信道k在其请求的用户中选择最佳用户
Figure BDA0002408593660000054
并将该子信道分配给该用户；
S56：更新每个子信道k的未能匹配用户的集合，然后从子信道集合中删除已经被分配的子信道；
S57：更新未能匹配的用户集合；
S58：如果用户与子信道之间没有其他请求，则输出子信道分配矩阵，否则返回步骤S52。
进一步，所述步骤S5中，根据步骤S4的卸载决定为用户分配计算资源，具体包括以下步骤：
S61：在子信道分配完成后根据式(12)计算资源分配问题，表示为：
Figure BDA0002408593660000055
式(17)满足条件Σn∈Nfn≤F和条件fn≥0,
Figure BDA0002408593660000056
的约束，其中F表示MEC服务器的最大计算资源，fn表示服务器分配给用户n的计算能力；由于函数
Figure BDA0002408593660000057
的Hessian矩阵由元素
Figure BDA0002408593660000058
和
Figure BDA0002408593660000059
组成，其Hessian矩阵是半正定的矩阵。由此可得该函数是凸函数。并且式(17)的可行域是凸集，因此式(17)的优化问题是一个凸优化问题。采用凸优化方法求解；
S62：计算式(17)不等式约束下的拉格朗日函数表达式为：
Figure BDA0002408593660000061
其中，μ≥0为拉格朗日乘子，Noff为卸载用户的集合；基于KKT条件，约束
Figure BDA0002408593660000062
是松弛的，已在式(18)中将其消除。
S63：令
Figure BDA0002408593660000063
得到式(17)的最优解
Figure BDA0002408593660000064
为：
Figure BDA0002408593660000065
S64：将式(19)代入式(18)，得到式(17)的拉格朗日对偶函数为的拉格朗日对偶函数为：
Figure BDA0002408593660000066
S65：在式(20)中对μ求一阶偏导并令其等于0，获得最优拉格朗日乘子μ*为：
Figure BDA0002408593660000067
S66：根据式(19)和(21)得到最优的计算资源
Figure BDA0002408593660000068
为：
Figure BDA0002408593660000069
进一步，所述步骤S6具体包括：根据步骤S4的卸载决定Al-1(n)、步骤S5为用户分配的子信道和计算资源计算式(12)的函数值，表示为Q(Al-1(n))。
进一步，所述步骤S9具体包括：判断是
Figure BDA00024085936600000610
是否成立，其中Q(Al)表示为在卸载决定为Al时式(12)的值；成立执行步骤S10，否则返回步骤S4。
本发明的有益效果在于：本发明针对异构网络下的移动边缘系统，考虑到不同用户对于资源需求的不同，联合了用户计算卸载、子信道分配和MEC服务器计算资源的分配。提高了整个系统下用户任务的卸载比例，降低了总用户的时延和能耗的开销。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为异构网络中MEC服务器部署场景示意图；
图2为本发明所述的计算任务卸载、子信道和计算资源联合优化方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1～图2，如图1所示，异构网络由一个宏基站(Macro Base Station，MBS)和k小基站(Small Base Station，SBS)组成，用户设备随机分散在整个区域中。MEC服务器是电信运营商在异构网络边缘部署的小型数据中心，它连接到MBS为移动用户提供计算资源并且通过异构网络向用户提供通信资源。本发明将MBS和SBS的集合表示为M＝{0,1,2,...,M}，用户组成的集合表示为N＝{1,2,...,N}。假设存在K个正交的子信道，子信道集合用K＝{1,2,...,K}表示。定义an＝{0,1}表示第n个用户的卸载决定，0代表用户选择本地执行其任务，1代表用户选择将任务卸载到MEC执行。用A＝[a1,a2,...,aN]表示所有用户的卸载决定。
如图2所示，本发明优选的一种移动边缘计算网络中资源分配和计算卸载联合优化方法，包括以下步骤：
步骤S1，当移动用户产生新的计算任务时，可以通过控制链路向MEC服务器发送计算卸载请求。计算卸载请求消息包含量计算任务的相关信息，可表示为{dn,wn}。其中dn表示为输入数据的大小，wn表示计算该任务所需要的CPU周期。
步骤S2，MEC服务器每隔一时隙就会收集一次用户端发送的计算卸载请求信息。并结合子信道数和自身计算资源剩余情况，准备进行资源分配。
步骤S3，MEC服务器将用户计算任务和MEC服务器资源进行首次匹配，构成初始卸载策略集，在初始状态下假设用户全部卸载。用A0＝[1,1,...,1]表示初始状态下所有用户的卸载决定。在执行资源分配之前，本发明根据网络场景，建立了通信模型、移动设备本地计算模型和边缘服务器计算模型，制定了系统效益最大化问题模型。MEC服务器根据所建立的数学模型，计算出任务卸载到每一个服务器的成本，然后求出在初始卸载状态下的总的用户成本。
步骤S3具体包括以下步骤：
步骤S31，建立通信模型。
定义C＝[cnk]N×K表示子信道分配矩阵。其中cnk＝1表示将子信道k分配给用户n，否则cnk＝0。给定用户n的发射功率pn，用户n在SBSm中使用子信道k时的信干噪比(Signal toInterference plus Noise Ratio，SINR)为：
Figure BDA0002408593660000081
其中，Vm表示为SBSm范围内服务的用户集合。
Figure BDA0002408593660000082
是在子信道k上从用户n到SBSm的信道增益。公式(1)中分母的第二项表示为其他小区同信道用户叠加的小区间干扰，σ2为加性高斯白噪声功率。
用户n在子信道k上的传输速率为：
Figure BDA0002408593660000083
用户n到MEC服务器的传输速率可以表示为：
Figure BDA0002408593660000084
步骤S32，建立本地计算模型。
用
Figure BDA0002408593660000085
表示用户n的计算能力(以每秒CPU周期为单位)。UEn任务在本地处理延迟
Figure BDA0002408593660000086
及能耗
Figure BDA0002408593660000087
Figure BDA0002408593660000088
Figure BDA0002408593660000089
其中，系数υn与芯片硬件架构相关，根据已有的测量，令υn＝5×10-27。根据公式(4)，(5)可以求出本地计算所产生的花费
Figure BDA00024085936600000810
Figure BDA00024085936600000811
其中，
Figure BDA00024085936600000812
分别表示在UEn处执行计算任务的延迟和能量消耗的权重。所有权重取值范围均在[0,1]之间，并且
Figure BDA00024085936600000813
步骤S33，建立服务器设备计算模型。
令fn表示为服务器分配给用户n的计算能力(以每秒CPU周期为单位)。UEn任务卸载到MEC服务器所产生的时延主要包括传输延迟和服务器执行延迟两部分，分别由符号
Figure BDA00024085936600000814
和
Figure BDA00024085936600000815
表示，其传输能耗用
Figure BDA0002408593660000091
表示。结合公式(3)可得：
Figure BDA0002408593660000092
Figure BDA0002408593660000093
Figure BDA0002408593660000094
根据式(7),(8)和(9)远程计算开销表示为
Figure BDA0002408593660000095
步骤S34，建立基于时间和能耗成本最优的联合计算卸载决策和资源分配的问题模型。
基于上述讨论，UEn成本函数Zn可表示为：
Figure BDA0002408593660000096
其中，
Figure BDA0002408593660000097
联合计算卸载、子信道和计算资源优化问题可表述为：
Figure BDA0002408593660000098
通过公式(12)可以求得在初始卸载决策下用户的卸载成本。
步骤S4，用Al-1表示用户在第l-1次迭代下的卸载决定。用Al-1(n)表示在第l-1次迭代中用户n改变自身卸载决定下的所有用户的卸载决定，其中l表示迭代次数。计算在每次迭代过程中改变单个用户自身卸载决定下的所有用户的卸载决定Al-1(n)为：
Figure BDA0002408593660000099
其中，
Figure BDA00024085936600000910
表示为模二加法。
步骤S5，根据步骤S4的卸载决定为用户分配子信道。具体包括以下步骤：
步骤S51，将用户和子信道视为博弈双方，做出满足自身利益最大化的理性决策，由双方的偏好函数构成选择的偏好关系，即用户与信道以最大化传输速率为目标做匹配偏好选择。定义用户n对子信道k的偏好函数为
Un(k)＝Rnk (14)
MEC服务器对用户n匹配的子信道k的偏好函数为：
Figure BDA00024085936600000911
其中，α表示为用户n在信道k上传输任务的单位速率收益系数，β是单位干扰成本系数，
Figure BDA00024085936600000912
为用户n在子信道k上受到来自其他卸载用户的总的干扰，定义为
Figure BDA0002408593660000101
步骤S52，每个用户n根据式(14)构造其与子信道的偏好关系。
步骤S53，每个用户n选择最佳子信道k*＝arg maxk∈K Un(k)。并对子信道k*请求连接。
步骤S54，MEC服务器统计每个子信道k的请求用户。
步骤S55，MEC服务器为每个子信道k在其请求的用户中选择最佳用户
Figure BDA0002408593660000102
并将该子信道分配给该用户。
步骤S56，更新每个子信道k的未能匹配用户的集合，然后从子信道集合中删除已经被分配的子信道。
步骤S57，最后更新未能匹配的用户集合。
步骤S58，如果用户与子信道之间没有其他请求，则输出子信道分配矩阵,否则返回步骤S52。
步骤S6，根据步骤S4的卸载决定为用户分配计算资源，具体包括以下步骤：
步骤S61，在子信道分配完成后根据式(12)计算资源分配问题可以表述为
Figure BDA0002408593660000103
其中，满足条件∑n∈Nfn≤F和条件fn≥0,
Figure BDA0002408593660000104
的约束，其中F表示为MEC服务器的最大计算资源。由于函数
Figure BDA0002408593660000105
的Hessian矩阵由元素
Figure BDA0002408593660000106
和
Figure BDA0002408593660000107
组成，其Hessian矩阵是半正定的矩阵。由此可得该函数是凸函数。并且式(17)的可行域是凸集，因此式(17)的优化问题是一个凸优化问题。可用凸优化方法求解
步骤S62，计算式(17)不等式约束下的拉格朗日函数表达式为：
Figure BDA0002408593660000108
其中，μ≥0为拉格朗日乘子。基于KKT条件，约束fn≥0,
Figure BDA0002408593660000109
是松弛的，已在式(18)中将其消除。
步骤S63，令
Figure BDA00024085936600001010
可以得到式(17)的最优解
Figure BDA00024085936600001012
为
Figure BDA00024085936600001011
步骤S64，将(19)代入(18)，我们可以得到式(17)的拉格朗日对偶函数为的拉格朗日对偶函数为
Figure BDA0002408593660000111
步骤S65，在式(20)中对μ求一阶偏导并令其等于0，可以获得最优拉格朗日乘子μ*为
Figure BDA0002408593660000112
步骤S66，根据式(19)和(21)可以得到最优的计算资源fn *为
Figure BDA0002408593660000113
步骤S7，根据步骤S4的卸载决定Al-1(n)，步骤S5为用户分配的子信道和步骤S6为用户分配计算资源表计算式(12)的函数值，其表示为Q(Al-1(n))。
步骤S8，求得在步骤S4的卸载决定Al-1(n)下最优的目标函数值
Figure BDA0002408593660000114
和最优目标函数值的用户
Figure BDA0002408593660000115
步骤S9，更新所有用户的卸载决定
Figure BDA0002408593660000116
步骤S10，判断是
Figure BDA0002408593660000117
是否成立，其中Q(Al)表示为在卸载决定为Al时候的式(12)的值。成立执行步骤S11，不成立返回步骤S4。
步骤S11，输出最优卸载决定，最优信道分配矩阵和最优计算资源。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种移动边缘计算网络中联合任务卸载和资源分配方法，其特征在于，该方法具体包括以下步骤：
S1：移动用户产生新的计算任务，并向MEC服务器发送任务卸载请求；
S2：MEC服务器收集本时隙内所有用户端发送的计算卸载请求信息；
S3：MEC服务器将用户计算任务和MEC服务器资源进行首次匹配，构成初始卸载策略集；根据网络场景，建立通信模型、移动设备本地计算模型和边缘服务器计算模型，构建成系统效益最大化问题模型，然后计算出任务卸载到每一个服务器的成本，求出在初始卸载状态下的总的用户成本，即计算出目标函数的值；
S4：通过改变单个用户自身卸载决定得到所有用户的卸载决定；
S5：根据步骤S4的卸载决定为用户分配子信道和计算资源；
S6：根据步骤S5为用户分配的子信道和计算资源计算目标函数值；
S7：求得在步骤S4的卸载决定下最小的目标函数值和获得最优目标函数值的用户；
S8：更新所有用户的卸载决定；
S9：判断是否满足结束条件，满足执行步骤S10，不满足返回步骤S4；
S10：输出卸载决定、信道分配矩阵和最优计算资源；
所述步骤S3具体包括以下步骤：
S31：建立通信模型；
定义C＝[cnk]N×K表示子信道分配矩阵，其中cnk＝1表示将子信道k分配给用户n，否则cnk＝0；给定用户n的发射功率pn，用户n在小基站(Small Base Station，SBS)m中使用子信道k时的信干噪比(Signal to Interference plus Noise Ratio，SINR)为：
Figure FDA0003591674580000011
其中，Vm表示SBSm范围内服务的用户集合，
Figure FDA0003591674580000012
表示在子信道k上从用户n到SBSm的信道增益，
Figure FDA0003591674580000013
表示其他小区同信道用户叠加的小区间干扰，σ2为加性高斯白噪声功率；
用户n在子信道k上的传输速率为：
Figure FDA0003591674580000014
用户n到MEC服务器的传输速率表示为：
Figure FDA0003591674580000021
S32：建立本地计算模型；
令
Figure FDA0003591674580000022
表示用户n的计算能力，用户n任务在本地处理延迟
Figure FDA0003591674580000023
及能耗
Figure FDA0003591674580000024
分别为：
Figure FDA0003591674580000025
Figure FDA0003591674580000026
其中，系数υn与芯片硬件架构相关，根据公式(4)，(5)求出本地计算所产生的花费
Figure FDA0003591674580000027
为：
Figure FDA0003591674580000028
其中，
Figure FDA0003591674580000029
分别表示在用户n处执行计算任务的延迟和能量消耗的权重；所有权重取值范围均在[0,1]之间，并且
Figure FDA00035916745800000210
S33：建立边缘服务器设备计算模型；
令fn表示为服务器分配给用户n的计算能力，用户n任务卸载到MEC服务器所产生的时延包括传输延迟和服务器执行延迟两部分，分别由符号
Figure FDA00035916745800000211
和
Figure FDA00035916745800000212
表示，其传输能耗用
Figure FDA00035916745800000213
表示；结合公式(3)得到：
Figure FDA00035916745800000214
Figure FDA00035916745800000215
Figure FDA00035916745800000216
其中，dn表示为输入数据的大小，wn表示计算该任务所需要的CPU周期；
根据式(7)、(8)和(9)远程计算开销表示为：
Figure FDA00035916745800000217
S34：建立基于时间和能耗成本最优的联合计算卸载决策和资源分配的问题模型；
用户n成本函数Zn表示为：
Figure FDA00035916745800000218
其中，
Figure FDA00035916745800000219
联合计算卸载、子信道和计算资源优化问题表述为：
Figure FDA00035916745800000220
通过公式(12)求得在初始卸载决策下用户的卸载成本；
所述步骤S4具体包括：令Al-1表示用户在第l-1次迭代下的卸载决定，则在第l-1次迭代中用户n改变自身卸载决定下的所有用户的卸载决定Al-1(n)为：
Figure FDA0003591674580000031
其中，
Figure FDA0003591674580000032
为模二加法；
所述步骤S5中，根据步骤S4的卸载决定为用户分配子信道，具体包括以下步骤：
S51：将用户和子信道视为博弈双方，做出满足自身利益最大化的理性决策，由双方的偏好函数构成选择的偏好关系，即用户与信道以最大化传输速率为目标做匹配偏好选择；定义用户n对子信道k的偏好函数为：
Un(k)＝Rnk (14)
MEC服务器对用户n匹配的子信道k的偏好函数为：
Figure FDA0003591674580000033
其中，α表示用户n在子信道k上传输任务的单位速率收益系数，β表示单位干扰成本系数，
Figure FDA0003591674580000034
为用户n在子信道k上受到来自其他卸载用户的总的干扰，定义为：
Figure FDA0003591674580000035
S52：每个用户n根据式(14)构造其与子信道的偏好关系；
S53：每个用户n选择最佳子信道k*＝argmaxk∈KUn(k)，并对子信道k*请求连接；
S54：MEC服务器统计每个子信道k的请求用户；
S55：MEC服务器为每个子信道k在其请求的用户中选择最佳用户
Figure FDA0003591674580000036
并将该子信道分配给该用户；
S56：更新每个子信道k的未能匹配用户的集合，然后从子信道集合中删除已经被分配的子信道；
S57：更新未能匹配的用户集合；
S58：如果用户与子信道之间没有其他请求，则输出子信道分配矩阵，否则返回步骤S52；
所述步骤S5中，根据步骤S4的卸载决定为用户分配计算资源，具体包括以下步骤：
S61：在子信道分配完成后根据式(12)计算资源分配问题，表示为：
Figure FDA0003591674580000037
式(17)满足条件∑n∈Nfn≤F和条件fn≥0,
Figure FDA0003591674580000038
的约束，其中F表示MEC服务器的最大计算资源，fn表示服务器分配给用户的计算能力；采用凸优化方法求解；
S62：计算式(17)不等式约束下的拉格朗日函数表达式为：
Figure FDA0003591674580000041
其中，μ≥0为拉格朗日乘子，Noff为卸载用户的集合；
S63：令
Figure FDA0003591674580000042
得到式(17)的最优解
Figure FDA0003591674580000043
为：
Figure FDA0003591674580000044
S64：将式(19)代入式(18)，得到式(17)的拉格朗日对偶函数为的拉格朗日对偶函数为：
Figure FDA0003591674580000045
S65：在式(20)中对μ求一阶偏导并令其等于0，获得最优拉格朗日乘子μ*为：
Figure FDA0003591674580000046
S66：根据式(19)和(21)得到最优的计算资源
Figure FDA0003591674580000047
为：
Figure FDA0003591674580000048
2.根据权利要求1所述的一种移动边缘计算网络中联合任务卸载和资源分配方法，其特征在于，所述步骤S6具体包括：根据步骤S4的卸载决定Al-1(n)、步骤S5为用户分配的子信道和计算资源计算式(12)的函数值，表示为Q(Al-1(n))。
3.根据权利要求2所述的一种移动边缘计算网络中联合任务卸载和资源分配方法，其特征在于，所述步骤S9具体包括：判断是
Figure FDA0003591674580000049
是否成立，其中Q(Al)表示为在卸载决定为Al时式(12)的值；成立执行步骤S10，否则返回步骤S4。
CN202010169254.1A 2020-03-12 2020-03-12 一种移动边缘计算网络中联合任务卸载和资源分配方法 Active CN111447619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010169254.1A CN111447619B (zh) 2020-03-12 2020-03-12 一种移动边缘计算网络中联合任务卸载和资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010169254.1A CN111447619B (zh) 2020-03-12 2020-03-12 一种移动边缘计算网络中联合任务卸载和资源分配方法

Publications (2)

Publication Number Publication Date
CN111447619A CN111447619A (zh) 2020-07-24
CN111447619B true CN111447619B (zh) 2022-05-20

Family

ID=71648714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010169254.1A Active CN111447619B (zh) 2020-03-12 2020-03-12 一种移动边缘计算网络中联合任务卸载和资源分配方法

Country Status (1)

Country Link
CN (1) CN111447619B (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112118287B (zh) * 2020-08-07 2023-01-31 北京工业大学 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
CN112004239B (zh) * 2020-08-11 2023-11-21 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统
CN112188560B (zh) * 2020-09-08 2021-11-30 北京科技大学 一种边缘协同的计算资源分配方法
CN112148380B (zh) * 2020-09-16 2022-04-12 鹏城实验室 一种移动边缘计算任务卸载中的资源优化方法及电子设备
CN112162862B (zh) * 2020-09-30 2024-01-19 南京工程学院 一种异构网络中简单的计算任务分配方法
CN112449016B (zh) * 2020-11-20 2022-03-15 北京邮电大学 一种任务卸载方法、装置、存储介质及电子设备
CN112492626B (zh) * 2020-12-07 2022-04-12 南京邮电大学 一种移动用户计算任务的卸载方法
CN112689296B (zh) * 2020-12-14 2022-06-24 山东师范大学 一种异构IoT网络中的边缘计算与缓存方法及系统
CN112671858A (zh) * 2020-12-15 2021-04-16 重庆电子工程职业学院 基于mec的启发式联合任务卸载和资源分配方法
CN112822702B (zh) * 2021-01-12 2022-06-21 重庆邮电大学 一种主从mec网络中联合任务卸载与资源分配方法
CN112822707B (zh) * 2021-01-13 2022-07-12 重庆邮电大学 一种计算资源有限mec中任务卸载与资源分配方法
CN112910964B (zh) * 2021-01-18 2021-11-30 北京理工大学 一种混合云和边缘计算的leo卫星网络计算卸载方法
CN112911587B (zh) * 2021-01-26 2023-02-28 南京邮电大学 Mec-d2d环境下利用物理层安全防窃听任务卸载方法
CN113015217B (zh) * 2021-02-07 2022-05-20 重庆邮电大学 一种基于边云协同低成本的在线多功能业务的计算卸载方法
CN114915625B (zh) * 2021-02-08 2023-04-11 北京邮电大学 一种卸载策略确定方法及装置
CN113207136B (zh) * 2021-04-02 2022-11-18 北京科技大学 一种联合优化计算卸载和资源分配的方法及装置
CN113286317B (zh) * 2021-04-25 2023-07-28 南京邮电大学 一种基于无线供能边缘网络的任务调度方法
CN113296953B (zh) * 2021-06-04 2022-02-15 北京大学 云边端异构边缘计算网络的分布式计算架构、方法与装置
CN113542357B (zh) * 2021-06-15 2022-05-31 长沙理工大学 一种能量消耗成本最小化的电动汽车辅助移动边缘计算卸载方法
CN113504949B (zh) * 2021-06-22 2024-01-30 山东师范大学 Mar客户端在边缘计算中的任务卸载与参数优化方法及系统
CN113452625B (zh) * 2021-06-28 2022-04-15 重庆大学 基于深度强化学习的卸载调度与资源分配方法
CN114375010B (zh) * 2021-06-28 2022-10-14 山东华科信息技术有限公司 基于sdn和匹配理论的配电物联网系统
CN113556764B (zh) * 2021-07-30 2022-05-31 云南大学 一种基于移动边缘计算网络的计算速率确定方法及系统
CN113709886B (zh) * 2021-08-23 2023-08-18 西安电子科技大学 基于匹配理论的移动边缘计算中的动态资源分配方法
CN113835886B (zh) * 2021-09-14 2023-08-29 北京信息科技大学 物联网资源分配方法、装置、电子设备及存储介质
CN114006816B (zh) * 2021-11-09 2022-11-22 湖南大学 一种不确定性条件下移动云计算任务卸载与资源分配方法和系统
CN114126066B (zh) * 2021-11-27 2022-07-19 云南大学 面向mec的服务器资源配置与选址联合优化决策方法
CN114423021B (zh) * 2022-01-20 2023-05-26 重庆邮电大学 一种服务感知的资源优化方法
CN114466356B (zh) * 2022-01-29 2022-10-14 重庆邮电大学 一种基于数字孪生的任务卸载边缘服务器选择方法
CN114554450B (zh) * 2022-02-21 2024-04-02 华北电力大学 基于三边匹配的无人机辅助6g网络资源分配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107249218A (zh) * 2017-06-05 2017-10-13 东南大学 一种mec中无线资源和云资源的联合分配方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN110856259A (zh) * 2019-11-12 2020-02-28 郑州轻工业学院 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107249218A (zh) * 2017-06-05 2017-10-13 东南大学 一种mec中无线资源和云资源的联合分配方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN110856259A (zh) * 2019-11-12 2020-02-28 郑州轻工业学院 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于移动边缘计算的超密集网络任务卸载策略研究;李虎;《中国优秀硕士学位论文全文数据库》;20200215;全文 *

Also Published As

Publication number Publication date
CN111447619A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111447619B (zh) 一种移动边缘计算网络中联合任务卸载和资源分配方法
WO2022121097A1 (zh) 一种移动用户计算任务的卸载方法
CN109413724B (zh) 一种基于mec的任务卸载和资源分配方案
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
Zhang et al. Fair task offloading among fog nodes in fog computing networks
CN111132191B (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN109194763B (zh) 一种超密集网络中基于小型基站自组织协作的缓存方法
CN107172704B (zh) 基于协作频谱感知和干扰约束的认知异构网络功率分配方法
CN107613556B (zh) 一种基于功率控制的全双工d2d干扰管理方法
CN112969163B (zh) 一种基于自适应任务卸载的蜂窝网络计算资源分配方法
Zhang et al. DMRA: A decentralized resource allocation scheme for multi-SP mobile edge computing
CN108449149B (zh) 一种基于匹配博弈的能量采集小基站资源分配方法
CN102752757B (zh) 在频谱聚合过程中按照最小浪费准则优化频谱分配的方法
CN113873658B (zh) 一种以用户服务权重增益为目标函数的跳波束资源分配方法
CN104618934B (zh) 一种基于吞吐量预测的整体优化中继节点选择方法
CN114189521A (zh) 在f-ran架构中协作计算卸载的方法
CN110139281A (zh) 一种基于K-means的全双工D2D分簇资源分配的方法
CN113891481A (zh) 一种面向吞吐量的蜂窝网络d2d通信动态资源分配方法
CN112004265B (zh) 一种基于srm算法的社交网络资源分配方法
CN112235387A (zh) 一种基于能量消耗最小化的多节点协作计算卸载方法
CN115833886A (zh) 一种无蜂窝大规模mimo系统的功率控制方法
CN113115401B (zh) 一种蜂窝网络中最大化满意用户数的接入控制方法
CN113099406B (zh) 一种室内VLC-WiFi异构网络服务质量感知的跨层资源分配方法
CN112770343B (zh) 基于haga的d2d-noma资源分配方法及系统
CN113873525A (zh) 一种超密集边缘计算网络的任务卸载方法及终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant