CN111988806B - 一种基于全双工中继的移动边缘计算网络资源分配方法 - Google Patents

一种基于全双工中继的移动边缘计算网络资源分配方法 Download PDF

Info

Publication number
CN111988806B
CN111988806B CN202010906782.0A CN202010906782A CN111988806B CN 111988806 B CN111988806 B CN 111988806B CN 202010906782 A CN202010906782 A CN 202010906782A CN 111988806 B CN111988806 B CN 111988806B
Authority
CN
China
Prior art keywords
user
relay
task
computing
substances
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
CN202010906782.0A
Other languages
English (en)
Other versions
CN111988806A (zh
Inventor
徐勇军
谷博文
刘期烈
陈前斌
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.)
CHENGDU GUOHENG SPACE TECHNOLOGY ENGINEERING CO LTD
Original Assignee
CHENGDU GUOHENG SPACE TECHNOLOGY ENGINEERING CO LTD
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 CHENGDU GUOHENG SPACE TECHNOLOGY ENGINEERING CO LTD filed Critical CHENGDU GUOHENG SPACE TECHNOLOGY ENGINEERING CO LTD
Priority to CN202010906782.0A priority Critical patent/CN111988806B/zh
Publication of CN111988806A publication Critical patent/CN111988806A/zh
Application granted granted Critical
Publication of CN111988806B publication Critical patent/CN111988806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0833—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network energy consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
    • H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
    • 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

本发明涉及一种基于全双工中继的移动边缘计算网络资源分配方法，属于移动边缘领域。该方法包括构建全双工中继辅助的上行移动边缘计算网络模型；分析所构建系统的传输特性，在满足用户计算任务时延、用户中断概率、用户最大计算能力和最大发射功率等约束，联合优化用户匹配策略、用户任务卸载系数、传输功率，建立系统总能耗最小化优化问题；利用最坏准则和交替迭代方法，将原非凸优化问题分解为两个确定性的凸优化子问题进行求解。本发明可以有效缓解用户执行计算数据量大，时延请求低的任务的压力，提升用户的服务质量，并且相较于现有技术，本发明可以有效降低执行计算任务的消耗，同时降低系统的中断概率，提升系统的顽健性。

Description

一种基于全双工中继的移动边缘计算网络资源分配方法
技术领域
本发明属于移动边缘计算领域，涉及一种基于全双工中继的移动边缘计算网络资源分配方法。
背景技术
随着移动通信技术的高速发展和智能终端的日益普及，各种网络服务和应用不断涌现，例如虚拟现实、在线会议、视频通话等。这类数据量大的通信业务对通信网络在低时延、高可靠等方面提出了更严格的要求。虽然新型智能终端处理器的处理能力越来越强大，但依然无法处理计算量大且时延要求高的通信业务。另一方面，终端设备对本地数据的处理也加剧了电池电量的消耗和自身损耗，这极大地影响了终端设备的运行效率和服务质量。
为了解决上述问题，移动边缘计算作为一种可行的技术方案被提出。具体来说，移动边缘计算允许资源受限的终端设备将部分或全部计算任务卸载到边缘服务器进行处理，以解决终端设备在计算性能低、电池电量不足等条件下的传输问题，从而为终端设备提供低时延、低能耗的网络服务。因此，基于移动边缘计算的无线通信网络成为工业界和学术界关注的热点。
资源分配技术在传统无线网络中具有重要作用。它是通过调节传输功率、子载波分配等无线资源来有效的实现干扰管理，提升用户的服务质量。但在基于移动边缘计算的通信网络中，由于无线通信资源与计算资源相互影响，使得这类网络的资源分配问题变得更为复杂且十分具有挑战性。
目前，针对基于移动边缘计算网络资源分配问题的研究大多是基于双边任务计算方案(即，任务只能由用户或者边缘计算服务器全部计算)。然而，在实际的移动边缘计算网络中，由于任务数据量与时延请求的随机性，双边任务计算方式，无法对计算资源进行灵活的分配，从而导致用户本地服务器或边缘服务器的计算资源利用率低下且计算消耗较高。同时，基于传统半双工中继的移动边缘计算系统虽然在一定程度上改善了网络边缘用户的服务质量，提升了网络的覆盖范围，但半双工非同步收发的方式也导致数据传输时间较长，难以处理更低时延请求的数据业务。此外，虽然已有少量工作针对全双工中继的边缘计算网络的资源分配问题进行了研究，但该研究是在假设完美信道状态信息条件下设计的。然而，由于用户设备分布的随机性、量化误差以及信道时延等因素的影响，使得完美获得信道状态信息是不切实际的。因此，在考虑信道状态信息不确定性的条件下，如何实现全双工中继移动边缘计算网络顽健资源分配、减小用户中断概率，是一个非常有意义的研究问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于全双工中继的移动边缘计算网络资源分配方法。
为达到上述目的，本发明提供如下技术方案：
一种基于全双工中继的移动边缘计算网络资源分配方法，包括如下步骤：
S1：构建基于全双工中继辅助的上行移动边缘计算网络模型；
S2：分析所构建系统的传输特性，在满足用户计算任务时延约束、用户中断概率约束、用户最大计算能力和最大发射功率约束，联合优化用户匹配策略、用户任务卸载系数、用户与中继的传输功率，建立系统总能耗最小化问题；
S3：基于最坏准则方法，将含有概率约束的问题转化为确定性的优化问题。利用变量松弛方法，将目标函数与约束条件中的整数变量转化为连续变量；
S4：基于交替迭代方法，将原非凸问题分解为两个子问题，并利用内点法和拉格朗日对偶原理分别进行求解。
进一步，步骤S1中所述基于全双工中继辅助的上行移动边缘计算网络包括一个宏基站，N个用户和M个全双工中继，分别用
Figure BDA0002661764990000021
和
Figure BDA0002661764990000022
表示。其中，宏基站配备边缘计算服务器，用于远程执行任务。每个中继节点配备全双工天线，用于接收与转发用户的数据。考虑任务执行时延以及计算能耗，用户可将计算任务通过中继卸载到边缘计算服务器处理。对于用户n而言，其执行的任务可表示为
Figure BDA0002661764990000023
其中，Sn为用户n的计算任务的数据量，Cn为用户n的计算任务的计算量，
Figure BDA0002661764990000024
为用户n的计算任务的最大时延，φ为计算单位数据所需的计算能力。假设数据任务是独立的且可以按位操作，因此可以将计算任务分为不同的数据组，并且由网络中的不同实体进行执行。
进一步，步骤S2中所述分析所构建系统的传输特性，其内容包括：
定义αn,m∈{0,1}为用户n关联到中继m的关联因子。当用户n关联到第m个中继，αn,m＝1；否则，αn,m＝0。因此，用户n到所关联中继m的上行传输速率Rn,m为
Figure BDA0002661764990000025
其中，
Figure BDA0002661764990000026
为中继m接收到用户n传输信号的信干噪比；B表示相应子信道的带宽；pn,m和hn,m表示用户n到中继m的传输功率和信道增益；σ2和θm为第m个中继处的背景噪声功率和自干扰信道；
Figure BDA0002661764990000031
为中继m分配给第n个用户的上行传输功率；
Figure BDA0002661764990000032
表示第m个中继节点的自干扰功率。基于干扰消除技术，全双工天线的自干扰功率可以被忽略。
同理，中继m到基站的传输速率
Figure BDA0002661764990000033
为
Figure BDA0002661764990000034
其中，
Figure BDA0002661764990000035
为基站接收到中继m传输信号的信噪比，
Figure BDA0002661764990000036
表示中继m到基站的信道增益，σ2表示基站接收端的背景噪声功率。
为了保证正常的中继通信，用户n的传输速率
Figure BDA0002661764990000037
应该满足
Figure BDA0002661764990000038
同时，由于全双工通信要求输入端的速率应大于输出端的速率，否则会产生中断。因此，应满足如下关系
Figure BDA0002661764990000039
B.数据卸载模型
定义xn,m为用户n的计算任务卸载比例系数，且满足xn,m∈[0,1]。则用户n本地计算的任务量为(1-xn,m)Cn。相应地，卸载任务的计算量为xn,mCn。因此，用户n本地执行时间
Figure BDA00026617649900000310
为
Figure BDA00026617649900000311
其中，
Figure BDA00026617649900000312
表示用户n本地的任务计算能力。
定义
Figure BDA00026617649900000313
为用户n本地执行任务的功率消耗，且满足于
Figure BDA00026617649900000314
其中，κ表示用户终端处理单元的转换系数。因此，用户n本地执行任务的能量消耗
Figure BDA00026617649900000315
可以表示为
Figure BDA00026617649900000316
同理，边缘计算服务器用于计算用户n卸载任务的时间
Figure BDA00026617649900000317
为
Figure BDA00026617649900000318
其中，
Figure BDA00026617649900000319
为边缘计算服务器用于处理用户n任务的计算能力。
定义xn,mSn为卸载任务的数据量，则用户n卸载任务数据上行传输的时间
Figure BDA00026617649900000320
为
Figure BDA00026617649900000321
因此，卸载数据上传的能量消耗
Figure BDA00026617649900000322
为
Figure BDA00026617649900000323
C.信道不确定性模型
考虑信道估计误差的影响，定义
Figure BDA0002661764990000041
和
Figure BDA0002661764990000042
分别为用户到中继链路、中继到基站链路的信道不确定性集合，即
Figure BDA0002661764990000043
Figure BDA0002661764990000044
其中，
Figure BDA0002661764990000045
和
Figure BDA0002661764990000046
分别为用户n到中继m、中继m到基站的信道估计值，
Figure BDA0002661764990000047
和
Figure BDA0002661764990000048
为相应信道估计误差。其中，
Figure BDA0002661764990000049
表示信道估计误差Δhn,m的方差，
Figure BDA00026617649900000410
表示信道估计误差
Figure BDA00026617649900000411
的上界值。
根据最坏情况方法，结合所述信道不确定性描述模型，可以得到如下中断概率
Figure BDA00026617649900000412
其中，ξn,m为中断概率门限。
进一步，步骤S2中所述，建立系统总能耗最小化问题，其内容包括：
Figure BDA00026617649900000413
s.t.C1:
Figure BDA00026617649900000414
αn,m∈{0,1}
C2:
Figure BDA00026617649900000415
C3:
Figure BDA00026617649900000416
C4:
Figure BDA00026617649900000417
C5:
Figure BDA00026617649900000418
C6:
Figure BDA00026617649900000419
C7:0≤xn，m≤1
C8:
Figure BDA00026617649900000420
其中，C1表示一个用户只能关联到一个中继，一个中继可以关联多个用户，最大关联用户数量为Nm。C2表示第n个用户传输功率不超过其最大发射功率门限
Figure BDA00026617649900000421
C3表示第m个中继的传输功率不超过其最大发射功率门限
Figure BDA00026617649900000422
C4和C5表示第n个用户任务执行的时间不超过其最大值
Figure BDA00026617649900000423
C6表示第n个用户的本地计算能力不超过其最大的计算能力
Figure BDA00026617649900000424
C7用于限制计算任务卸载系数。C8用于表示用户n的中断概率。
进一步，基于步骤S3中所述，将含有概率约束的约束条件转化为确定性的约束，具体为：由于C8为中断概率约束，权利要求4中所述的优化问题难以直接求解。根据权利要求3中所述的信道不确定性集合，C8可以转化为：
Figure BDA00026617649900000425
其中，
Figure BDA00026617649900000426
同理，根据最坏准则，有
Figure BDA00026617649900000427
进一步，基于步骤S3中所述，将目标函数与约束条件在中的整数变量转化为连续变量，具体为：基于权利要求4中所述优化问题的单调性，为减小本地计算的消耗，则最优的本地计算时间
Figure BDA0002661764990000051
以及计算能力
Figure BDA0002661764990000052
为
Figure BDA0002661764990000053
Figure BDA0002661764990000054
由于αn,m的存在，使得所提优化依然很难求解。基于变量松弛法，定义
Figure BDA0002661764990000055
和
Figure BDA0002661764990000056
其中αn,m∈[0,1]。同时定义
Figure BDA0002661764990000057
将
Figure BDA0002661764990000058
和
Figure BDA0002661764990000059
带入优化问题中，则有等效的优化问题
Figure BDA00026617649900000510
s.t.C5,C7,
Figure BDA00026617649900000511
0≤αn,m≤1
Figure BDA00026617649900000512
Figure BDA00026617649900000513
其中，
Figure BDA00026617649900000514
进一步，步骤S4具体包括以下步骤：
S4.1.首先，固定αn,m，
Figure BDA00026617649900000523
和
Figure BDA00026617649900000515
分解出关于xn,m的子问题，并用内点法进行求解；
S4.2.其次，固定xn,m，分解出关于αn,m,
Figure BDA00026617649900000516
和
Figure BDA00026617649900000517
的子问题，并用拉格朗日对偶原理进行求解；
S4.3.交替优化S4.1与S4.2中所述的子问题。
进一步，步骤S4.1中所述的关于xn,m的子问题，表示为：
Figure BDA00026617649900000518
s.t.
Figure BDA00026617649900000519
C7:0≤xn,m≤1
由于目标函数是关于xn,m的凸函数，且约束条件
Figure BDA00026617649900000520
和C7为线性约束，因此该问题是一个凸优化问题，可以利用内点法求得xn,m。
步骤4.2中所述于αn,m,
Figure BDA00026617649900000521
和
Figure BDA00026617649900000522
的子问题，表示为
Figure BDA0002661764990000061
s.t.
Figure BDA0002661764990000062
根据变量单调性，则有
Figure BDA0002661764990000063
因此，等价的优化问题为
Figure BDA0002661764990000064
s.t.
Figure BDA0002661764990000065
进一步，基于majorization-minimization算法以及Dinkelbach方法，优化问题转化为
Figure BDA0002661764990000066
s.t.
Figure BDA0002661764990000067
其中，q为中间变量。该优化问题的拉格朗日函数为
Figure BDA0002661764990000068
其中，
Figure BDA0002661764990000069
λn,m，μm和ωn,m为拉格朗日乘子。
同时，所得优化问题的对偶问题为
Figure BDA00026617649900000610
s.t.λn,m≥0,μm≥0,ωn,m≥0
其中，
Figure BDA00026617649900000611
进一步，根据KKT条件，则有如下结论
Figure BDA00026617649900000612
Figure BDA00026617649900000613
其中，[x]+＝max(0,x)。
基于梯度下降法，所述拉格朗日乘子迭代表达式为
Figure BDA00026617649900000614
Figure BDA0002661764990000071
Figure BDA0002661764990000072
其中，t表示迭代次数。d1，d2和d3为迭代步长。
本发明的有益效果在于：本发明结合了全双工中继和移动边缘计算两者的优势，不仅能够提升频谱利用效率，降低传输时延，同时还可以减小用户的计算压力，提升用户体验。此外，考虑信道参数不确定性带来的影响，本发明所提算法可以有效降低传输的中断概率，有效保障用户的服务质量。
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为本发明实施例所构建的基于全双工中继的移动边缘计算网络模型图；
图2为本发明提供的最小能耗模型的求解方案流程图；
图3为本发明方法用户实际中断概率与信道估计误差之间的关系图；
图4为本发明方法系统总能耗与用户任务数据量和时延之间的关系图；
图5为本发明方法系统总能耗与用户任务数据量之间的关系图。
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。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1、图2所示，本发明实施例提供了一种基于全双工中继的移动边缘计算网络资源分配方法，使用该方法能够在满足用户最大计算能力约束，用户任务时延约束下，降低系统的总能耗，有效提升系统的资源利用率。实施例包括以下步骤：
S1：构建基于全双工中继辅助的上行移动边缘计算网络模型；
S2：分析所构建系统的传输特性，在满足用户计算任务时延约束、用户中断概率约束、用户最大计算能力和最大发射功率约束，联合优化用户匹配策略、用户任务卸载系数、用户与中继的传输功率，建立系统总能耗最小化问题；
S3：基于最坏准则方法，将含有概率约束的问题转化为确定性的优化问题。利用变量松弛方法，将目标函数与约束条件中的整数变量转化为连续变量；
S4：基于交替迭代方法，将原非凸问题分解为两个子问题，并利用内点法和拉格朗日对偶原理分别进行求解。
所述步骤S1中基于全双工中继辅助的上行移动边缘计算网络包括一个宏基站，N个用户和M个全双工中继，分别用
Figure BDA0002661764990000081
和
Figure BDA0002661764990000082
表示。其中，宏基站配备边缘计算服务器，用于远程执行任务。每个中继节点配备全双工天线，用于接收与转发用户的数据。考虑任务执行时延以及计算能耗，用户可将计算任务通过中继卸载到边缘计算服务器处理。对于用户n而言，其执行的任务可表示为
Figure BDA0002661764990000083
其中，Sn为用户n的计算任务的数据量，Cn为用户n的计算任务的计算量，
Figure BDA0002661764990000084
为用户n的计算任务的最大时延，φ为计算单位数据所需的计算能力。假设数据任务是独立的且可以按位操作，因此可以将计算任务分为不同的数据组，并且由网络中的不同实体进行执行。
所述步骤S2中分析所构建系统的传输特性，其内容包括：
A.数据传输模型
定义αn,m∈{0,1}为用户n关联到中继m的关联因子。当用户n关联到第m个中继，αn,m＝1；否则，αn,m＝0。因此，用户n到所关联中继m的上行传输速率Rn,m为
Figure BDA0002661764990000091
其中，
Figure BDA0002661764990000092
为中继m接收到用户n传输信号的信干噪比；B表示相应子信道的带宽；pn,m和hn,m表示用户n到中继m的传输功率和信道增益；σ2和θm为第m个中继处的背景噪声功率和自干扰信道；
Figure BDA0002661764990000093
为中继m分配给第n个用户的上行传输功率；
Figure BDA0002661764990000094
表示第m个中继节点的自干扰功率。基于干扰消除技术，全双工天线的自干扰功率可以被忽略。
同理，中继m到基站的传输速率
Figure BDA0002661764990000095
为
Figure BDA0002661764990000096
其中，
Figure BDA0002661764990000097
为基站接收到中继m传输信号的信噪比，
Figure BDA0002661764990000098
表示中继m到基站的信道增益，σ2表示基站接收端的背景噪声功率。
为了保证正常的中继通信，用户n的传输速率
Figure BDA0002661764990000099
应该满足
Figure BDA00026617649900000910
同时，由于全双工通信要求输入端的速率应大于输出端的速率，否则会产生中断。因此，应满足如下关系
Figure BDA00026617649900000911
B.数据卸载模型
定义xn,m为用户n的计算任务卸载比例系数，且满足xn,m∈[0,1]。则用户n本地计算的任务量为(1-xn,m)Cn。相应地，卸载任务的计算量为xn,mCn。因此，用户n本地执行时间
Figure BDA00026617649900000912
为
Figure BDA00026617649900000913
其中，
Figure BDA00026617649900000914
表示用户n本地的任务计算能力。
定义
Figure BDA00026617649900000915
为用户n本地执行任务的功率消耗，且满足于
Figure BDA00026617649900000916
其中，κ表示用户终端处理单元的转换系数。因此，用户n本地执行任务的能量消耗
Figure BDA00026617649900000917
可以表示为
Figure BDA00026617649900000918
同理，边缘计算服务器用于计算用户n卸载任务的时间
Figure BDA00026617649900000919
为
Figure BDA00026617649900000920
其中，
Figure BDA00026617649900000921
为边缘计算服务器用于处理用户n任务的计算能力。
定义xn,mSn为卸载任务的数据量，则用户n卸载任务数据上行传输的时间
Figure BDA00026617649900000922
为
Figure BDA00026617649900000923
因此，卸载数据上传的能量消耗
Figure BDA0002661764990000101
为
Figure BDA0002661764990000102
C.信道不确定性模型
考虑信道估计误差的影响，定义
Figure BDA0002661764990000103
和
Figure BDA0002661764990000104
分别为用户到中继链路、中继到基站链路的信道不确定性集合，即
Figure BDA0002661764990000105
Figure BDA0002661764990000106
其中，
Figure BDA0002661764990000107
和
Figure BDA0002661764990000108
分别为用户n到中继m、中继m到基站的信道估计值，
Figure BDA0002661764990000109
和
Figure BDA00026617649900001010
为相应信道估计误差。其中，
Figure BDA00026617649900001011
表示信道估计误差Δhn,m的方差，
Figure BDA00026617649900001012
表示信道估计误差
Figure BDA00026617649900001013
的上界值。
根据最坏情况方法，结合所述信道不确定性描述模型，可以得到如下中断概率
Figure BDA00026617649900001014
其中，ξn,m为中断概率门限。
进一步，步骤S2中所述，建立系统总能耗最小化问题，其内容包括：
Figure BDA00026617649900001015
s.t.C1:
Figure BDA00026617649900001016
αn,m∈{0,1}
C2:
Figure BDA00026617649900001017
C3:
Figure BDA00026617649900001018
C4:
Figure BDA00026617649900001019
C5:
Figure BDA00026617649900001020
C6:
Figure BDA00026617649900001021
C7:0≤xn，m≤1
C8:
Figure BDA00026617649900001022
其中，C1表示一个用户只能关联到一个中继，一个中继可以关联多个用户，最大关联用户数量为Nm。C2表示第n个用户传输功率不超过其最大发射功率门限
Figure BDA00026617649900001023
C3表示第m个中继的传输功率不超过其最大发射功率门限
Figure BDA00026617649900001024
C4和C5表示第n个用户任务执行的时间不超过其最大值
Figure BDA00026617649900001025
C6表示第n个用户的本地计算能力不超过其最大的计算能力
Figure BDA00026617649900001026
C7用于限制计算任务卸载系数。C8用于表示用户n的中断概率。
所述步骤S3中将含有概率约束的约束条件转化为确定性的约束，具体为：由于C8为中断概率约束，权利要求4中所述的优化问题难以直接求解。根据权利要求3中所述的信道不确定性集合，C8可以转化为：
Figure BDA0002661764990000111
其中，
Figure BDA0002661764990000112
为累积分布函数。根据
Figure BDA0002661764990000113
可以得到
Figure BDA0002661764990000114
因此，C8可以描述为
Figure BDA0002661764990000115
其中，
Figure BDA0002661764990000116
同理，根据最坏准则，有
Figure BDA0002661764990000117
进一步，将目标函数与约束条件在中的整数变量转化为连续变量，具体为：基于权利要求4中所述优化问题的单调性，为减小本地计算的消耗，则最优的本地计算时间
Figure BDA0002661764990000118
以及计算能力
Figure BDA0002661764990000119
为
Figure BDA00026617649900001110
Figure BDA00026617649900001111
由于整数变量αn，m的存在，使得所提优化依然很难求解。基于变量松弛法，定义
Figure BDA00026617649900001112
和
Figure BDA00026617649900001113
其中αn，m∈[0，1]。同时定义
Figure BDA00026617649900001114
将
Figure BDA00026617649900001115
和
Figure BDA00026617649900001116
带入优化问题中，则有等效的优化问题
Figure BDA00026617649900001117
s.t.C5，C7，
Figure BDA00026617649900001118
0≤αn，m≤1
Figure BDA00026617649900001119
Figure BDA00026617649900001120
其中，
Figure BDA00026617649900001121
所述步骤S4具体包括以下步骤：
S4.1.首先，固定αn，m，
Figure BDA00026617649900001122
和
Figure BDA00026617649900001123
分解出关于xn，m的子问题，并用内点法进行求解；
S4.2.其次，固定xn，m，分解出关于αn，m，
Figure BDA00026617649900001124
和
Figure BDA00026617649900001125
的子问题，并用拉格朗日对偶原理进行求解；
S4.3.交替优化S4.1与S4.2中所述的子问题。
进一步，步骤S4.1中所述的关于xn，m的子问题，表示为：
Figure BDA0002661764990000121
s.t.
Figure BDA0002661764990000122
C7：0≤xn，m≤1
由于目标函数是关于xn，m的凸函数，且约束条件
Figure BDA00026617649900001215
和C7为线性约束，因此该问题是一个凸优化问题，可以利用内点法求得xn，m。
步骤4.2中所述于αn，m，
Figure BDA0002661764990000123
和
Figure BDA0002661764990000124
的子问题，表示为
Figure BDA0002661764990000125
s.t.
Figure BDA0002661764990000126
根据变量单调性，则有
Figure BDA0002661764990000127
因此，等价的优化问题为
Figure BDA0002661764990000128
s.t.
Figure BDA0002661764990000129
进一步，基于majorization-minimization算法以及Dinkelbach方法，优化问题转化为
Figure BDA00026617649900001210
s.t.
Figure BDA00026617649900001211
其中，q为中间变量。该优化问题的拉格朗日函数为
Figure BDA00026617649900001212
其中，
Figure BDA00026617649900001213
λn，m，μm和ωn，m为拉格朗日乘子。
同时，所得优化问题的对偶问题为
Figure BDA00026617649900001214
s.t.λn，m≥0，μm≥0，ωn，m≥0
其中，
Figure BDA0002661764990000131
进一步，根据KKT条件，则有如下结论
Figure BDA0002661764990000132
Figure BDA0002661764990000133
其中，[x]+＝max(0，x)。
基于梯度下降法，所述拉格朗日乘子迭代表达式为
Figure BDA0002661764990000134
Figure BDA0002661764990000135
Figure BDA0002661764990000136
其中，t表示迭代次数。d1，d2和d3为迭代步长。
本实施例既可以满足用户任务计算时延的要求，又可以提升系统顽健性，以此前提下，通过联合优化无线电资源与计算资源，来最小化系统的能耗。本发明可以使移动边缘计算网络中的覆盖范围增加，同时还可以减轻用户计算任务的压力，可以提升用户的服务质量，降低系统的能耗，从而提高资源利用率。
如图3所示，本发明给出了用户实际中断概率与信道估计误差的关系。随着信道估计误差的增加，系统实际中断概率逐渐增大。当信道估计误差值较大时，非顽健的算法具有较大的中断概率。在不同的中断概率门限下，本发明所提算法能够使用户的实际中断概率满足约束条件。因为本发明所提算法考虑了信道不确定性带来的影响，具有较好的顽健性。
如图4所示，本发明给出了系统总能耗与用户任务数据量、最大时延的关系。随着用户任务数据量的增加且用户任务时延减小，两种算法的总能耗逐渐增大。本发明所提算法的系统总能耗要低于传统基于半双工的资源分配算法。其原因是：利用全双工技术可以同时同频地进行数据传输，而半双工需要在时延要求内，对数据进行接收后再转发，因此需要消耗更多的能量。
如图5所示，本发明给出了系统总能耗与用户任务数据量的关系。随着用户任务数据量的增加，系统总能耗逐渐增大，并且本发明所提算法具有最低的能耗。因为本文所提算法允许将不同数量的计算资源合理地分配到用户与边缘服务器处分别进行处理，可以有效地降低计算任务所消耗的能量。且基于纯本地计算的算法所消耗的能量要高于另外两种算法。其原因是：当时延请求较小时，本地计算需要的计算能力更高，从而使得能耗较大。
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。
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 (1)

1.一种基于全双工中继的移动边缘计算网络资源分配方法，其特征在于：该方法包括如下步骤：
S1：构建基于全双工中继辅助的上行移动边缘计算网络模型；
S2：分析所构建系统的传输特性，在满足用户计算任务时延约束、用户中断概率约束、用户最大计算能力和最大发射功率约束，联合优化用户匹配策略、用户任务卸载系数、用户与中继的传输功率，建立系统总能耗最小化问题；
S3：基于最坏准则方法，将含有概率约束的问题转化为确定性的优化问题；利用变量松弛方法，将目标函数与约束条件中的整数变量转化为连续变量；
S4：基于交替迭代方法，将原非凸问题分解为两个子问题，并利用内点法和拉格朗日对偶原理分别进行求解；
所述步骤S1中，基于全双工中继辅助的上行移动边缘计算网络包括一个宏基站，N个用户和M个全双工中继，分别用
Figure FDA0003534439000000011
和
Figure FDA0003534439000000012
表示；其中，宏基站配备边缘计算服务器，用于远程执行任务；每个中继节点配备全双工天线，用于接收与转发用户的数据；考虑任务执行时延以及计算能耗，用户将计算任务通过中继卸载到边缘计算服务器处理；对于用户n而言，其执行的任务表示为
Figure FDA0003534439000000013
其中，Sn为用户n的计算任务的数据量，Cn为用户n的计算任务的计算量，
Figure FDA0003534439000000014
为用户n的计算任务的最大时延，φ为计算单位数据所需的计算能力；假设数据任务是独立的且按位操作，将计算任务分为不同的数据组，并且由网络中的不同实体进行执行；
所述步骤S2中，分析所构建系统的传输特性包括：
A.数据传输模型
定义αn,m∈{0,1}为用户n关联到中继m的关联因子；当用户n关联到第m个中继，αn,m＝1；否则，αn,m＝0；因此，用户n到所关联中继m的上行传输速率Rn,m为
Figure FDA0003534439000000015
其中，
Figure FDA0003534439000000016
为中继m接收到用户n传输信号的信干噪比；B表示相应子信道的带宽；pn,m和hn,m表示用户n到中继m的传输功率和信道增益；σ2和
Figure FDA00035344390000000110
为第m个中继处的背景噪声功率和自干扰信道；
Figure FDA0003534439000000017
为中继m分配给第n个用户的上行传输功率；
Figure FDA0003534439000000018
表示第m个中继节点的自干扰功率；基于干扰消除技术，全双工天线的自干扰功率被忽略；
同理，中继m到基站的传输速率
Figure FDA0003534439000000019
为
Figure FDA0003534439000000021
其中，
Figure FDA0003534439000000022
为基站接收到中继m传输信号的信噪比，
Figure FDA0003534439000000023
表示中继m到基站的信道增益，σ2表示基站接收端的背景噪声功率；
为保证正常的中继通信，用户n的传输速率
Figure FDA0003534439000000024
满足
Figure FDA0003534439000000025
同时，由于全双工通信要求输入端的速率应大于输出端的速率，否则会产生中断；满足如下关系
Figure FDA0003534439000000026
B.数据卸载模型
定义xn,m为用户n的计算任务卸载比例系数，且满足xn,m∈[0,1]；则用户n本地计算的任务量为(1-xn,m)Cn；卸载任务的计算量为xn,mCn；用户n本地执行时间
Figure FDA0003534439000000027
为
Figure FDA0003534439000000028
其中，
Figure FDA0003534439000000029
表示用户n本地的任务计算能力；
定义
Figure FDA00035344390000000210
为用户n本地执行任务的功率消耗，且满足于
Figure FDA00035344390000000211
其中，κ表示用户终端处理单元的转换系数；用户n本地执行任务的能量消耗
Figure FDA00035344390000000212
表示为
Figure FDA00035344390000000213
同理，边缘计算服务器用于计算用户n卸载任务的时间
Figure FDA00035344390000000214
为
Figure FDA00035344390000000215
其中，
Figure FDA00035344390000000216
为边缘计算服务器用于处理用户n任务的计算能力；
定义xn,mSn为卸载任务的数据量，则用户n卸载任务数据上行传输的时间
Figure FDA00035344390000000217
为
Figure FDA00035344390000000218
卸载数据上传的能量消耗
Figure FDA00035344390000000219
为
Figure FDA00035344390000000220
C.信道不确定性模型
考虑信道估计误差的影响，定义
Figure FDA00035344390000000221
和
Figure FDA00035344390000000222
分别为用户到中继链路、中继到基站链路的信道不确定性集合，即
Figure FDA00035344390000000223
Figure FDA00035344390000000224
其中，
Figure FDA0003534439000000031
和
Figure FDA0003534439000000032
分别为用户n到中继m、中继m到基站的信道估计值，
Figure FDA0003534439000000033
和
Figure FDA0003534439000000034
为相应信道估计误差；其中，
Figure FDA0003534439000000035
表示信道估计误差Δhn,m的方差，
Figure FDA0003534439000000036
表示信道估计误差
Figure FDA0003534439000000037
的上界值；
根据最坏情况方法，结合所述信道不确定性描述模型，得到如下中断概率
Figure FDA0003534439000000038
其中，ξn,m为中断概率门限；
所述步骤S2中，建立系统总能耗最小化问题，内容包括：
Figure FDA0003534439000000039
s.t.C1:
Figure FDA00035344390000000310
C2:
Figure FDA00035344390000000311
C3:
Figure FDA00035344390000000312
C4:
Figure FDA00035344390000000313
C5:
Figure FDA00035344390000000314
C6:
Figure FDA00035344390000000315
C7:0≤xn,m≤1
C8:
Figure FDA00035344390000000316
其中，C1表示一个用户只能关联到一个中继，一个中继可以关联多个用户，最大关联用户数量为Nm；C2表示第n个用户传输功率不超过其最大发射功率门限
Figure FDA00035344390000000317
C3表示第m个中继的传输功率不超过其最大发射功率门限
Figure FDA00035344390000000318
C4和C5表示第n个用户任务执行的时间不超过其最大值
Figure FDA00035344390000000319
C6表示第n个用户的本地计算能力不超过其最大的计算能力
Figure FDA00035344390000000320
C7用于限制计算任务卸载系数；C8用于表示用户n的中断概率；
所述步骤S3中，将含有概率约束的约束条件转化为确定性的约束具体为：C8为中断概率约束，C8转化为：
Figure FDA00035344390000000321
其中，
Figure FDA00035344390000000322
根据最坏准则，有
Figure FDA00035344390000000323
所述步骤S3中，将目标函数与约束条件在中的整数变量转化为连续变量为：基于优化问题的单调性，为减小本地计算的消耗，则最优的本地计算时间
Figure FDA00035344390000000324
以及计算能力
Figure FDA00035344390000000325
为
Figure FDA00035344390000000326
Figure FDA0003534439000000041
由于整数变量αn,m的存在，使得所提优化依然很难求解；基于变量松弛法，定义
Figure FDA0003534439000000042
和
Figure FDA0003534439000000043
其中αn,m∈[0,1]；同时定义
Figure FDA0003534439000000044
将
Figure FDA0003534439000000045
和
Figure FDA0003534439000000046
带入优化问题中，则有等效的优化问题
Figure FDA0003534439000000047
Figure FDA0003534439000000048
Figure FDA0003534439000000049
Figure FDA00035344390000000410
其中，
Figure FDA00035344390000000411
所述步骤S4具体包括以下步骤：
S4.1：首先，固定αn,m，
Figure FDA00035344390000000412
和
Figure FDA00035344390000000413
分解出关于xn,m的子问题，并用内点法进行求解；
S4.2：其次，固定xn,m，分解出关于αn,m,
Figure FDA00035344390000000414
和
Figure FDA00035344390000000415
的子问题，并用拉格朗日对偶原理进行求解；
S4.3:交替优化S4.1与S4.2中所述的子问题；
所述步骤S4.1中，关于xn,m的子问题表示为：
Figure FDA00035344390000000416
Figure FDA00035344390000000417
目标函数是关于xn,m的凸函数，且约束条件
Figure FDA00035344390000000423
和C7为线性约束，一个凸优化问题，利用内点法求得xn,m；
步骤4.2中关于αn,m,
Figure FDA00035344390000000418
和
Figure FDA00035344390000000419
的子问题表示为
Figure FDA00035344390000000420
Figure FDA00035344390000000421
根据变量单调性，则有
Figure FDA00035344390000000422
等价的优化问题为
Figure FDA0003534439000000051
Figure FDA0003534439000000052
基于majorization-minimization算法以及Dinkelbach方法，优化问题转化为
Figure FDA0003534439000000053
Figure FDA0003534439000000054
其中，q为中间变量；该优化问题的拉格朗日函数为
Figure FDA0003534439000000055
其中，
Figure FDA0003534439000000056
λn,m，μm和ωn,m为拉格朗日乘子；
同时，所得优化问题的对偶问题为
Figure FDA0003534439000000057
s.t.λn,m≥0,μm≥0,ωn,m≥0
其中，
Figure FDA0003534439000000058
根据KKT条件，则有如下结论
Figure FDA0003534439000000059
Figure FDA00035344390000000510
其中，[x]+＝max(0,x)；
基于梯度下降法，拉格朗日乘子迭代表达式为
Figure FDA00035344390000000511
Figure FDA00035344390000000512
Figure FDA00035344390000000513
其中，t表示迭代次数；d1，d2和d3为迭代步长。
CN202010906782.0A 2020-09-01 2020-09-01 一种基于全双工中继的移动边缘计算网络资源分配方法 Active CN111988806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010906782.0A CN111988806B (zh) 2020-09-01 2020-09-01 一种基于全双工中继的移动边缘计算网络资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010906782.0A CN111988806B (zh) 2020-09-01 2020-09-01 一种基于全双工中继的移动边缘计算网络资源分配方法

Publications (2)

Publication Number Publication Date
CN111988806A CN111988806A (zh) 2020-11-24
CN111988806B true CN111988806B (zh) 2022-08-02

Family

ID=73447317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010906782.0A Active CN111988806B (zh) 2020-09-01 2020-09-01 一种基于全双工中继的移动边缘计算网络资源分配方法

Country Status (1)

Country Link
CN (1) CN111988806B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112423379B (zh) * 2020-12-14 2024-02-06 北京中电飞华通信有限公司 一种基于noma-mec的资源分配方法及装置
CN113056007B (zh) * 2021-02-06 2022-04-08 重庆邮电大学 基于正交频分多址的并行移动边缘计算网络资源分配方法
CN113015144B (zh) * 2021-03-17 2022-03-04 华北电力大学 一种结合社交感知的计算任务网络参数优化方法及系统
CN113242605B (zh) * 2021-05-10 2022-04-12 东南大学 一种低时延网络中基于多中继的资源分配方法
CN113342418B (zh) * 2021-06-24 2022-11-22 国网黑龙江省电力有限公司 基于区块链的分布式机器学习任务卸载方法
CN113507712B (zh) * 2021-07-09 2023-07-28 中国传媒大学 一种基于交替方向乘子的资源分配与计算任务卸载方法
CN114630397B (zh) * 2022-03-01 2023-10-27 深圳拓扑视通科技有限公司 一种基于时隙划分的无人机接入选择方法
CN114786215B (zh) * 2022-03-22 2023-10-20 国网浙江省电力有限公司信息通信分公司 多基站移动边缘计算系统传输计算联合优化系统及方法
CN115002801B (zh) * 2022-04-27 2024-04-16 燕山大学 基于无源中继协作的边缘计算资源动态卸载方法及装置
CN115150891B (zh) * 2022-06-09 2023-04-21 南京邮电大学 一种基于移动边缘计算的中断概率辅助任务卸载优化方法
CN115002239B (zh) * 2022-06-10 2023-08-11 北京邮电大学 数据汇聚方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090112561A (ko) * 2008-04-23 2009-10-28 삼성전자주식회사 이동통신 시스템에서 전이중 방식을 사용하는 중계국의 네트워크 진입을 위한 장치 및 방법
CN110113827A (zh) * 2019-04-14 2019-08-09 蘑菇物联技术（深圳）有限公司 基于无线通讯和边缘计算技术的机电设备联控方法
CN110545584A (zh) * 2019-08-20 2019-12-06 浙江科技学院 一种全双工移动边缘计算通信系统的通信处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8203979B2 (en) * 2008-01-28 2012-06-19 The Hong Kong University Of Science And Technology Resource allocation for OFDMA systems with half-duplex relay(s) and corresponding transmission protocol

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090112561A (ko) * 2008-04-23 2009-10-28 삼성전자주식회사 이동통신 시스템에서 전이중 방식을 사용하는 중계국의 네트워크 진입을 위한 장치 및 방법
CN110113827A (zh) * 2019-04-14 2019-08-09 蘑菇物联技术（深圳）有限公司 基于无线通讯和边缘计算技术的机电设备联控方法
CN110545584A (zh) * 2019-08-20 2019-12-06 浙江科技学院 一种全双工移动边缘计算通信系统的通信处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Long Liu ; Yu Zhang ; Shang Liu ; Zhi Zhang.Power allocation optimization for D2D communication underlaying cognitive full duplex relay networks.《11th International Conference on Wireless Communications, Networking and Mobile Computing (WiCOM 2015)》.2016, *
全双工中继无线携能系统与边缘计算联合优化算法研究;杨凯玺;《硕士论文》;20190716;全文 *

Also Published As

Publication number Publication date
CN111988806A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111988806B (zh) 一种基于全双工中继的移动边缘计算网络资源分配方法
CN111278132B (zh) 移动边缘计算中面向低时延高可靠业务的资源分配方法
CN109413724B (zh) 一种基于mec的任务卸载和资源分配方案
CN111930436A (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN112653500B (zh) 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法
CN110928654A (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
Wu et al. Joint user pairing and resource allocation in a SWIPT-enabled cooperative NOMA system
CN111132230B (zh) 一种面向数据采集的带宽分配和数据压缩联合优化方法
CN110545584A (zh) 一种全双工移动边缘计算通信系统的通信处理方法
CN112416603B (zh) 一种基于雾计算的联合优化系统和方法
CN111314894A (zh) 一种面向noma与携能d2d融合网络的鲁棒资源分配方法
CN113727371B (zh) 一种irs辅助的mec网络无线与计算资源分配方法及装置
CN114697333B (zh) 一种能量队列均衡的边缘计算方法
CN114885418A (zh) 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质
CN113727362A (zh) 一种基于深度强化学习的无线供电系统的卸载策略方法
CN112654058A (zh) D2d多播网络中的移动边缘计算卸载与资源分配算法
CN112486685B (zh) 一种电力物联网的计算任务分配方法、装置及计算机设备
Xie et al. Reliable and energy-aware job offloading at terahertz frequencies for mobile edge computing
Nouri et al. Energy optimal resource allocation for mobile edge computation offloading in presence of computing access point
CN115278784A (zh) 基于mec的无线用户任务带宽功率联合优化方法及系统
CN116405979A (zh) 一种毫米波移动边缘计算组网资源分配方法
CN114245449B (zh) 一种5g边缘计算环境下终端能耗感知的任务卸载方法
CN111953730B (zh) 一种基于noma的服务器协作边缘计算方法
CN113613270B (zh) 一种基于数据压缩的雾接入网计算卸载方法
CN113395684B (zh) 一种基于可变带宽信道的分布式运算卸载方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220421

Address after: 332203 Saihu farm community, Ruichang City, Jiujiang City, Jiangxi Province

Applicant after: Cao Xianzheng

Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2

Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220708

Address after: 610041 Building 1, No.11 Gaopeng Avenue, high tech Zone, Chengdu, Sichuan

Applicant after: Chengdu Guoheng Space Technology Engineering Co.,Ltd.

Address before: 332203 Saihu farm community, Ruichang City, Jiujiang City, Jiangxi Province

Applicant before: Cao Xianzheng

GR01 Patent grant
GR01 Patent grant