CN112148380A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112148380A
CN112148380A CN202010972809.6A CN202010972809A CN112148380A CN 112148380 A CN112148380 A CN 112148380A CN 202010972809 A CN202010972809 A CN 202010972809A CN 112148380 A CN112148380 A CN 112148380A
Authority
CN
China
Prior art keywords
time slot
task
user terminal
edge server
resource optimization
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.)
Granted
Application number
CN202010972809.6A
Other languages
English (en)
Other versions
CN112148380B (zh
Inventor
秦猛
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.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
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 Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202010972809.6A priority Critical patent/CN112148380B/zh
Publication of CN112148380A publication Critical patent/CN112148380A/zh
Application granted granted Critical
Publication of CN112148380B publication Critical patent/CN112148380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了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，方法包括：构建以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标的队列稳定性指标；构建网络资源开销指标；以队列稳定性指标为约束条件，构建随机网络资源优化模型；引入拉格朗日乘子对随机网络资源优化模型的约束条件进行变量松弛，构建对耦模型；基于动量随机梯度下降算法求解对耦模型，得到每个时隙的最优资源分配决策。本发明基于原始‑对耦理论构造随机网络资源优化模型的对耦模型，并基于动量随机梯度下降算法在线求解对耦问题，加速算法收敛的同时减少任务队列积压，与现有资源优化方法相比，在不增加网络资源开销的情况下能够进一步降低任务队列积压。

Description

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
技术领域
本发明涉及无线通信技术领域，尤其涉及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。
背景技术
近年来，随着大数据、人工智能、物联网、增强现实/虚拟现实等新兴计算密集型和时延敏感性应用业务的不断涌现，传统的基于移动云计算的任务计算和应用服务模式正面临着严峻挑战。传统的移动云计算服务通常依赖距离用户较远的云计算中心，随着数量流量的爆炸式增长，该种服务模式必然会导致严重的网络拥塞和数据往返时延。为了填补云计算中心服务能力的不足，有必要将云计算中心的服务能力下沉至网络边缘，从而就近为用户提供低时延的应用任务卸载和计算服务。基于以上考虑，移动边缘计算(mobile edgecomputing，MEC)的概念应运而生。
在MEC任务卸载过程中，用户任务的上行卸载速率和在边缘服务器中的计算速率通常取决于用户上行发射功率资源分配和边缘服务器的计算资源分配。当这些异构的资源(通信资源和计算资源)分配不足时，可能导致用户任务长时间得不到服务，从而产生严重的任务积压和时延；相反，当资源分配过多时，又会造成高昂的资源成本开销。此外，由于MEC网络环境具有潜在的动态时变属性，通常会受到诸多随机时变网络参数(如用户任务的随机到达、用户移动性、信道衰落、边缘服务器的资源可用性等)的影响，并且这些时变参数的分布信息通常难以预知，导致面向给定网络参数的静态离线资源优化方法不再适用。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供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，以解决现有移动边缘计算存在资源开销大、服务时延长和任务队列积压严重的问题。
本发明解决技术问题所采用的技术方案如下：
一种移动边缘计算任务卸载中的资源优化方法，其中，包括步骤：
根据预先构建的用户终端任务队列模型和边缘服务器任务队列模型，构建以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标的队列稳定性指标；
根据用户终端上行发射功率和边缘服务器任务计算功率，构建网络资源开销指标；
以所述队列稳定性指标为约束条件，根据所述网络资源开销指标的长期统计平均值，构建以最小化网络资源开销为目标的随机网络资源优化模型；
引入拉格朗日乘子对所述随机网络资源优化模型的约束条件进行变量松弛，构建所述随机网络资源优化模型的对耦模型；
基于动量随机梯度下降算法求解所述对耦模型，确定每个时隙的最优资源分配决策。
所述的移动边缘计算任务卸载中的资源优化方法，其中，所述队列稳定性指标为：
Figure BDA0002684716800000021
其中，
Figure BDA0002684716800000022
为边缘服务器和无线接入点集合，{l}为用户终端集合，T为时间，qm(t)为任务队列长度，当
Figure BDA0002684716800000023
时，qm(t)为边缘服务器任务队列长度，当m∈{l}时，qm(t)为用户终端任务队列长度。
所述的移动边缘计算任务卸载中的资源优化方法，其中，所述随机网络资源优化模型为：
Figure BDA0002684716800000031
其中，xt＝{p(t),f(t)}，xt为时隙t的资源优化变量，p(t)为用户终端在时隙t的上行发射功率，f(t)为边缘服务器在时隙t的任务计算功率，
Figure BDA0002684716800000032
为用户终端上行发射总功率，
Figure BDA0002684716800000033
为所有边缘服务器的任务计算功率，κ为芯片硬件电容参数，ξo和ξc表示两种开销的权重因子。
所述的移动边缘计算任务卸载中的资源优化方法，其中，所述随机网络资源优化模型为：
Figure BDA0002684716800000034
其中，Φ*为满足队列稳定性指标和所有静态约束条件下的最优网络资源开销，
Figure BDA0002684716800000035
为时隙t的xt可行集，xt为时隙t的资源优化变量，T为时间，Φt(xt)为网络在时隙t的瞬时资源开销。
所述的移动边缘计算任务卸载中的资源优化方法，其中，所述对耦模型为：
Figure BDA0002684716800000036
其中，ω＝{a,g}为网络随机动态参数，
Figure BDA0002684716800000037
为拉格朗日对偶函数，
Figure BDA0002684716800000038
为瞬时拉格朗日函数，
Figure BDA0002684716800000039
的表达式为：
Figure BDA0002684716800000041
其中，ωt为时隙t的网络随机动态参数，λl(t)和λm(t)为时隙t的拉格朗日乘子，μm(t)为用户终端在时隙t卸载到边缘服务器m的任务数据量，θm(t)为边缘服务器m在时隙t可以计算的最大任务量。
所述的移动边缘计算任务卸载中的资源优化方法，其中，所述基于动量随机梯度下降算法求解所述对耦模型，确定每个时隙的最优资源分配决策的步骤具体包括：
对拉格朗日乘子进行更新，获取每个时隙的拉格朗日乘子更新值；
获取每个时隙的网络动态参数信息；其中，所述网络动态参数信息包括用户终端的任务数据量和边缘服务器的信道增益量；
根据每个时隙的所述网络动态参数信息和所述拉格朗日乘子更新值求解所述对耦模型，确定每个时隙的最优资源分配决策。
所述的移动边缘计算任务卸载中的资源优化方法，其中，所述对拉格朗日乘子进行更新，获取每个时隙的拉格朗日乘子更新值的步骤包括：
根据拉格朗日乘子当前时隙的历史更新值，构造拉格朗日乘子当前时隙的更新动量项；
根据所述更新动量项和所述拉格朗日乘子当前时隙的乘子梯度信息，确定下一时隙的拉格朗日乘子更新值。
所述的移动边缘计算任务卸载中的资源优化方法，其中，所述拉格朗日乘子的更新公式为：
Figure BDA0002684716800000042
Figure BDA0002684716800000051
其中，
Figure BDA0002684716800000052
和
Figure BDA0002684716800000053
为时隙t+1的拉格朗日乘子，
Figure BDA0002684716800000054
和
Figure BDA0002684716800000055
为时隙t的乘子梯度信息，
Figure BDA0002684716800000056
和
Figure BDA0002684716800000057
为时隙t的更新动量项，λl(t)和λm(t)为时隙t的拉格朗日乘子，
Figure BDA0002684716800000058
和
Figure BDA0002684716800000059
为时隙t-1的拉格朗日乘子，a(t)为用户终端在时隙t的任务数据量，μm(t)为用户终端在时隙t卸载到边缘服务器m的任务数据量，θm(t)为边缘服务器m在时隙t可以计算的最大任务量，β为动量项超参数，ε为步长。
一种终端，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述所述的移动边缘计算任务卸载中的资源优化方法中的步骤。
一种存储介质，其上存储有多条指令，其中，所述指令适于由处理器加载并执行，以执行实现上述所述的移动边缘计算任务卸载中的资源优化方法中的步骤。
有益效果：本发明基于原始-对耦理论构造随机网络资源优化模型的对耦模型，并基于动量随机梯度下降算法对对耦问题进行在线求解，加速算法收敛的同时减少任务队列积压，与现有资源优化方法相比，在不增加网络资源开销的情况下能够进一步降低任务队列积压。
附图说明
图1是本发明实施例中提供的一种移动边缘计算任务卸载中的资源优化方法的一个实施例的流程图；
图2是本发明实施例中提供的MEC任务卸载网络架构图；
图3是本发明实施例中采用SGD算法和mSGD算法得到的网络资源开销随时隙变化趋势图；
图4是本发明实施例中提供的一种终端的功能原理图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
发明人经过研究发现，在MEC任务卸载过程中，用户任务的上行卸载速率和在边缘服务器中的计算速率通常取决于用户上行发射功率资源分配和边缘服务器的计算资源分配。当这些异构的资源(通信资源和计算资源)分配不足时，可能导致用户任务长时间得不到服务，从而产生严重的任务积压和时延；相反，当资源分配过多时，又会造成高昂的资源成本开销。此外，由于MEC网络环境具有潜在的动态时变属性，通常会受到诸多随机时变网络参数(如用户任务的随机到达、用户移动性、信道衰落、边缘服务器的资源可用性等)的影响，并且这些时变参数的分布信息通常难以预知，导致面向给定网络参数的静态离线资源优化方法不再适用。
目前已有一些面向MEC任务卸载的网络环境自适应的资源优化方法。例如，漂移加罚(drift-plus-penalty，DPP)被广泛应用于一般的随机网络资源优化问题中，DPP方法利用李雅普诺夫稳定性理论，为用户任务队列建立二次型李雅普诺夫能量函数，通过在每时隙最小化李雅普诺夫能量函数漂移和网络资源开销的加权和，成功保障了用户任务队列的长时期稳定，实现了资源开销的最小化。然而，该方法的性能表现取决于李雅普诺夫能量函数漂移和资源开销的权重因子，定义为V＞0。理论表明，DPP方法在获得一个O(1/V)资源开销最优的同时，必会造成一个O(V)的任务队列积压，即资源开销最优和任务队列积压间存在一个[O(1/V),O(V)]的折衷关系。另外，现有也有基于深度增强学习(deepreinforcement learning，DRL)的资源优化方法，但DRL方法通常需要经历长期的离线样本训练得到次优的平稳资源优化策略。并且，当网络参数分布和网络规模动态变化时，DRL方法往往需要进行重复性的训练，这会造成额外的计算开销，不适用于网络的扩展。另外，基于DRL方法的任务队列积压和网络资源开销性能严重依赖回报函数的设计好坏，因此该方法并不能从理论上严格保障用户任务队列的稳定。综上所述，现有的MEC异构资源优化方法要么不能保障用户任务队列稳定性和较低的资源开销，要么在两个指标之间存在一个较差的折衷关系。
为了解决上述问题，本发明实施例中提供了一种移动边缘计算任务卸载中的资源优化方法。请参照图1，图1是本发明提供的一种移动边缘计算任务卸载中的资源优化方法的一个实施例的流程图。
在本发明的一个实施例中，所述移动边缘计算任务卸载中的资源优化方法有五个步骤：
步骤S100、根据预先构建的用户终端任务队列模型和边缘服务器任务队列模型，构建以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标的队列稳定性指标。
为了降低网络资源开销的同时，减小用户任务队列积压，本实施例中预先构建的用户终端任务队列模型和边缘服务器任务队列模型。在构建用户终端任务队列模型和边缘服务器任务队列模型时，设定MEC任务卸载网络架构，如图2所示，在一个实施例中，本发明的移动边缘计算任务卸载中的资源优化方法应用于单用户任务卸载场景，网络中包含M台边缘服务器，每台边缘服务器安装有一个无线接入点，将每个“边缘服务器-无线接入点”对用下标m表示，并将它们的全集表示为
Figure BDA0002684716800000071
设定用户和无线接入点均采用全向单天线传输模式，网络工作在离散时域，并将整个时域划分为等长的时隙序列，每个时隙用下标
Figure BDA0002684716800000072
表示，每个时隙的时间长度为τ。
当然，本发明的移动边缘计算任务卸载中的资源优化方法并不局限于图2中的单用户任务卸载场景，也可以扩展至多用户任务卸载场景，在多用户卸载场景中，每个边缘服务器需要为每个用户维持一个任务缓存队列，同时在分配计算资源时需要综合考虑多个用户的任务队列积压。
考虑单一同质的用户任务，并设定任务是比特并行可分的，即任务可以被拆分成任意比特大小，而且可以利用不同边缘服务器进行同时并行计算，将处理每一比特任务的计算量用所需中央处理器(central processing unit，CPU)周期数进行量化，表示为α，单位为“CPU周期/比特”。
每个边缘服务器卸载任务的上行信道可采用单天线非正交多址接入(non-orthogonal multiple access，NOMA)技术、多天线正交多址接入技术或载波监听多路访问(Carrier Sense Multiple Access，CSMA)技术等。为了符合未来B5G/6G网络多址接入技术的特点，本实施例中设定用户采用非正交多址接入技术作为向每个边缘服务器卸载任务的上行信道。具体地，在每个时隙开始沿儿，用户终端采用叠加编码技术将要卸载(发送)给每个边缘服务器(无线接入点)的任务数据编码在同一频道信道，并发送出去；无线接入点接收到用户终端的上行任务数据后，采用串行干扰消除技术解码出发送给自己的任务数据。将用户终端在时隙t的发射功率向量表示为
Figure BDA0002684716800000081
其中，pm(t)表示用户终端到无线接入点m的发射功率。设定用户终端到无线接入点的信道服从平坦块衰落信道模型，并将信道功率增益向量表示为
Figure BDA0002684716800000082
为方便表示，将无线接入点(边缘服务器)按照他们的信道功率增益的升序排序，表示如下：
Figure BDA0002684716800000083
在采用NOMA技术的网络中，为提高边缘接收设备(信道功率增益较低的无线接入点)的传输速率，发送端(用户终端)需要分配更多的功率给他们。因此，在这种情况下，当无线接入点采用串行干扰消除技术对用户终端的上行任务数据解码时，解码顺序将沿着信道功率增益的升序进行。根据香农公式，用户终端在时隙t到每个无线接入点m的最大传输速率可以表示为：
rm(t)＝Blog2(1+γm(t)) (2)
其中，B为可用的频率带宽，γm(t)为无线接入点m的“信号-干扰加噪声”比，其表达式如下：
Figure BDA0002684716800000091
其中，σ2为高斯白噪声功率。
在构建用户终端任务队列模型时，令用户终端应用层在每个时隙t产生的任务数据量为a(t)，用户终端在当前时隙决定卸载到每个边缘服务器m的任务数据量为μm(t)≤rm(t)τ，将时隙t用户终端的本地任务队列长度表示为ql(t)，则ql(t)的表达式为：
Figure BDA0002684716800000092
在构建边缘服务器任务队列模型时，在每个时隙t，无线接入点将解码的用户任务数据通过有线连接转发给与其相连的边缘服务器。每台边缘服务器m为用户终端维持一个任务队列，边缘服务器任务队列长度表示为qm(t)，其表达式为：
qm(t+1)＝max{qm(t)-θm(t)+μm(t),0} (5)
为了降低用户终端任务在本地和边缘服务器侧的排队时延，根据little定理需将用户终端任务队列长度和边缘服务器任务队列长度控制在一定可接受范围内，本实施例中以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标构建队列稳定性指标，队列稳定性指标为：
Figure BDA0002684716800000101
其中，
Figure BDA0002684716800000102
为边缘服务器和无线接入点集合，{l}为用户终端集合，T为时间，qm(t)为任务队列长度，当
Figure BDA0002684716800000103
时，qm(t)为边缘服务器任务队列长度，当m∈{l}时，qm(t)为用户终端任务队列长度。
S200、根据用户终端上行发射功率和边缘服务器任务计算功率，构建网络资源开销指标。
为了构建网络资源开销模型，本实施例中预先构建边缘服务器任务计算模型。在构建边缘服务器任务计算模型时，令每台边缘服务器配置有一个CPU核心，每台边缘服务器采用动态电压和CPU频率调节技术控制用户任务的计算服务速率，将时隙t边缘服务器的任务计算功率表示为
Figure BDA0002684716800000104
其中，
Figure BDA0002684716800000105
表示边缘服务器m的任务计算功率，则每台边缘服务器在时隙t可以计算的最大任务量为θm(t)＝τfm(t)α-1,
Figure BDA0002684716800000106
由于能力消耗通常占据运维开销的主要部分，因此本实施例中采取用户终端上行发射功率和边缘服务器任务计算功率来构建网络资源开销指标，其中，网络资源开销指标为：
Figure BDA0002684716800000107
其中，xt＝{p(t),f(t)}，xt为时隙t的资源优化变量，p(t)为用户终端在时隙t的上行发射功率，f(t)为边缘服务器在时隙t的任务计算功率，
Figure BDA0002684716800000108
为用户上行发射总功率，
Figure BDA0002684716800000109
为所有边缘服务器的任务计算功率，κ为芯片硬件电容参数，ξo和ξc表示两种开销的权重因子。
S300、以所述队列稳定性指标为约束条件，根据网络资源开销指标的长期统计平均值，构建以最小化网络资源开销为目标的随机网络资源优化模型。
考虑到网络的动态时变性，本实施例中以所述队列稳定性指标为约束条件，采用网络资源开销指标的长期统计平均值构建以最小化网络资源开销为目标的随机网络资源优化模型，其中，随机网络资源优化模型为：
Figure BDA0002684716800000111
其中，Φ*为满足队列稳定性指标和所有静态约束条件下的最优网络资源开销，
Figure BDA0002684716800000112
为时隙t的xt可行集，xt为时隙t的资源优化变量，T为时间，Φt(xt)为网络在时隙t的瞬时资源开销。
步骤S400、引入拉格朗日乘子对所述随机网络资源优化模型的约束条件进行变量松弛，构建所述随机网络资源优化模型的对耦模型。
通过以上建模，可以看出随机网络资源优化模型是一个时隙间相关的无限维随机网络优化问题。由于用户终端应用层产生的任务数据量a(t)和信道功率增益g(t)的统计分布信息很难预先获得，因此随机网络资源优化模型无法离线求解。再者，即使可以提前获得以上参数的统计分布信息，当a(t)和g(t)的样本空间非常庞大时，求解随机网络资源优化模型需要通过计算复杂度很高的求和或者求积分来获得期望值
Figure BDA0002684716800000115
和
Figure BDA0002684716800000113
这在实际中很难做到。因此，为了降低随机网络资源优化模型求解复杂度，本实施例中寻求随机网络资源优化模型的对偶解。
由于随机网络资源优化模型是一个约束比较紧的问题，本实施例中引入拉格朗日乘子
Figure BDA0002684716800000114
对随机网络资源优化模型的队列稳定性约束条件进行松弛，然后假设动态在时间上是平稳独立同分布的，将随机网络资源优化模型的时间平均去掉，得到带有期望的对偶模型。其中，对耦模型为：
Figure BDA0002684716800000121
其中，ω＝{a,g}为网络随机动态参数，
Figure BDA0002684716800000122
为拉格朗日对偶函数，
Figure BDA0002684716800000123
为瞬时拉格朗日函数，
Figure BDA0002684716800000124
的表达式为：
Figure BDA0002684716800000125
其中，ωt为时隙t的网络随机动态参数，λl(t)和λm(t)为时隙t的拉格朗日乘子，μm(t)为用户终端在时隙t卸载到边缘服务器m的任务数据量，θm(t)为边缘服务器m在时隙t可以计算的最大任务量。
步骤S500、基于动量随机梯度下降算法求解所述对耦模型，确定每个时隙的最优资源分配决策。
具体实施时，构建随机网络资源优化模型的对耦模型后，求解对耦模型的最大解即为随机网络资源优化模型的最小解。在求解对耦模型时，可以采用对偶随机(次)梯度下降(SGD,stochastic(sub)gradient descent)算法或动量随机(次)梯度下降(mSGD,momentum-based stochastic(sub)gradient descent)算法。
在一具体实施方式中，步骤S500具体包括：
步骤S510、对拉格朗日乘子进行更新，获取每个时隙的拉格朗日乘子更新值；
步骤S520、获取每个时隙的网络动态参数信息；其中，所述网络动态参数信息包括用户终端的任务数据量和边缘服务器的信道增益量；
步骤S530、根据每个时隙的所述网络动态参数信息和所述拉格朗日乘子更新值求解所述对耦问题，确定每个时隙的最优资源分配决策。
无论采用对偶随机(次)梯度下降(SGD,stochastic(sub)gradient descent)算法或动量随机(次)梯度下降(mSGD,momentum-based stochastic(sub)gradient descent)算法，求解对耦模型的步骤均为初始化拉格朗日初始化拉格朗日乘子λ(0)＝0，初始化队列长度q(0)＝0，在每个时隙t∈{0,1,2,…}的开始沿，获取网络动态参数信息ωt＝{a(t),g(t)}，对资源优化变量xt、拉格朗日乘子以及任务队列进行更新。
在一具体实施例中，当采用对偶随机(次)梯度下降(SGD,stochastic(sub)gradient descent)算法求解对耦模型时，对资源优化变量xt、拉格朗日乘子以及任务队列的更新公式分别为：
资源优化变量xt的更新公式为：
Figure BDA0002684716800000131
拉格朗日乘子的更新公式为：
Figure BDA0002684716800000132
Figure BDA0002684716800000133
任务队列的更新公式为：
Figure BDA0002684716800000134
Figure BDA0002684716800000135
由上述式(12)和(13)可以看出，SDG算法在更新拉格朗日乘子的时候只考虑了拉格朗日乘子的当前(次)梯度信息，没有考虑拉格朗日乘子过去的迭代路径，因此导致算法收敛缓慢。由式(12)和(13)以及式(14)和(15)可以看出，SGD算法的拉格朗日乘子和任务队列积压满足
Figure BDA0002684716800000141
的倍数关系。因此，结合式(11)可以看出，当选择步长ε＝1/V时，SGD算法与传统DPP算法具有相同的迭代路径，由此可以得出SGD算法的网络资源开销和队列积压长度折衷关系满足[O(ε),O(1/ε)]。
如图3所述为本实施例中采用SGD算法和mSGD算法得到的网络资源开销随时隙变化趋势图，由图3可以看出，mSGD算法相比于SGD算法，网络资源开销随时隙收敛得更快，且本实施例相比于现有DPP算法，在不增加网络资源开销的同时，将队列积压降至约O((1-β)V)。为了加速算法收敛并降低任务队列积压，本实施例中提出采用动量随机梯度下降算法求解对耦模型。在动量随机梯度下降算法中，资源优化变量xt和任务队列的更新公式与上述SGD算法中资源优化变量xt和任务队列的更新公式相同，即动量随机梯度下降算法中资源优化变量xt和任务队列均采用上述式式(11)、式(14)和式(15)进行更新，两者的区别是拉格朗日乘子的更新公式不同。
当采用动量随机梯度下降算法求解对耦模型时，步骤S510具体包括：
步骤S511、根据拉格朗日乘子当前时隙的历史更新值，构造拉格朗日乘子当前时隙的更新动量项；
步骤S512、根据所述更新动量项和所述拉格朗日乘子当前时隙的乘子梯度信息，确定下一时隙的拉格朗日乘子更新值。
为了改进拉格朗日乘子的迭代路径，本实施例中采用动量随机梯度下降算法求解对耦问题。在动量随机梯度下降算法中对拉格朗日乘子进行更新时，首先根据拉格朗日乘子当前时隙的历史更新值，构造拉格朗日乘子当前时隙的更新动量项，然后根据更新动量项和拉格朗日乘子当前时隙的乘子梯度信息，确定下一时隙的拉格朗日乘子更新值。本实施例中每个时隙对拉格朗日乘子进行更新时，利用拉格朗日乘子的历史更新值构造动量项，同时结合当前乘子梯度信息共同确定下一时隙乘子的更新值，加速算法收敛的同时减少任务队列积压。
本实施例中所述动量随机梯度下降算法包括基于一阶动量随机梯度下降算法、基于高阶动量随机梯度下降算法和基于Nesterov动量随机梯度下降算法。
在基于一阶动量随机梯度下降算法中，利用拉格朗日乘子当前时隙更新值和上一时隙更新值，构造拉格朗日乘子当前时隙的更新动量项，然后根据更新动量项和拉格朗日乘子当前时隙的乘子梯度信息，确定下一时隙的拉格朗日乘子更新值。在基于一阶动量随机梯度下降算法中，拉格朗日乘子的更新公式为：
Figure BDA0002684716800000151
Figure BDA0002684716800000152
其中，
Figure BDA0002684716800000153
和
Figure BDA0002684716800000154
为时隙t+1的拉格朗日乘子，
Figure BDA0002684716800000155
和
Figure BDA0002684716800000156
为时隙t的乘子梯度信息，
Figure BDA0002684716800000157
和
Figure BDA0002684716800000158
为时隙t的更新动量项，λl(t)和λm(t)为时隙t下的拉格朗日乘子，
Figure BDA0002684716800000159
和
Figure BDA00026847168000001510
为时隙t-1的拉格朗日乘子，a(t)为用户终端在时隙t的任务数据量，μm(t)为用户终端在时隙t卸载到边缘服务器m的任务数据量，θm(t)为边缘服务器m在时隙t可以计算的最大任务量，β为动量项超参数，ε为步长。
在基于高阶动量随机梯度下降算法中，需要存储拉格朗日乘子在多个时隙的历史更新值，利用拉格朗日乘子在多个时隙的历史更新值，构造拉格朗日乘子当前时隙的更新动量项，然后根据更新动量项和拉格朗日乘子当前时隙的乘子梯度信息，确定下一时隙的拉格朗日乘子更新值。在基于高阶动量随机梯度下降算法中，拉格朗日乘子的更新公式为：
Figure BDA0002684716800000161
Figure BDA0002684716800000162
其中，
Figure BDA0002684716800000163
和
Figure BDA0002684716800000164
为时隙t+1的拉格朗日乘子，
Figure BDA0002684716800000165
和
Figure BDA0002684716800000166
为时隙t的乘子梯度信息
Figure BDA0002684716800000167
和
Figure BDA0002684716800000168
为时隙t的更新动量项，λl(t)和λm(t)为时隙t下的拉格朗日乘子，
Figure BDA0002684716800000169
和
Figure BDA00026847168000001610
为时隙t-1的拉格朗日乘子，a(t)为用户终端在时隙t的任务数据量，μm(t)为用户终端在时隙t卸载到边缘服务器m的任务数据量，θm(t)为边缘服务器m在时隙t可以计算的最大任务量，
Figure BDA00026847168000001611
为动量项超参数，ε为步长，K为一个正整数。
在基于Nesterov动量随机梯度下降算法中，在构造更新动量项时不仅利用拉格朗日乘子的历史更新值，同时结合拉格朗日乘子的历史乘子梯度信息。在基于Nesterov动量随机梯度下降算法中，拉格朗日乘子的更新公式为：
Figure BDA00026847168000001612
Figure BDA0002684716800000171
其中，
Figure BDA0002684716800000172
和
Figure BDA0002684716800000173
为时隙t+1的拉格朗日乘子，
Figure BDA0002684716800000174
和
Figure BDA0002684716800000175
为时隙t的乘子梯度信息，
Figure BDA0002684716800000176
和
Figure BDA0002684716800000177
为时隙t的更新动量项，λl(t)和λm(t)为时隙t下的拉格朗日乘子，
Figure BDA0002684716800000178
和
Figure BDA0002684716800000179
为时隙t-1的拉格朗日乘子，a(t)为用户终端在时隙t的任务数据量，μm(t)为用户终端在时隙t卸载到边缘服务器m的任务数据量，θm(t)为边缘服务器m在时隙t可以计算的最大任务量，β为动量项超参数，0＜β＜1，ε为步长，K为一个正整数。
基于上述实施例，本发明还提供了一种终端，终端的原理框图可以如图4所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种移动边缘计算任务卸载中的资源优化方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该终端的温度传感器是预先在装置内部设置，用于检测内部设备的当前运行温度。
本领域技术人员可以理解，图4中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：
根据预先构建的用户终端任务队列模型和边缘服务器任务队列模型，构建以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标的队列稳定性指标；
根据用户终端上行发射功率和边缘服务器任务计算功率，构建网络资源开销指标；
以所述队列稳定性指标为约束条件，根据所述网络资源开销指标的长期统计平均值，构建以最小化网络资源开销为目标的随机网络资源优化模型；
引入拉格朗日乘子对所述随机网络资源优化模型的约束条件进行变量松弛，构建所述随机网络资源优化模型的对耦模型；
基于动量随机梯度下降算法求解所述对耦模型，确定每个时隙的最优资源分配决策。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：构建的队列稳定性指标为：
Figure BDA0002684716800000181
其中，
Figure BDA0002684716800000182
为边缘服务器和无线接入点集合，{l}为用户终端集合，T为时间，qm(t)为任务队列长度，当
Figure BDA0002684716800000183
时，qm(t)为边缘服务器任务队列长度，当m∈{l}时，qm(t)为用户终端任务队列长度。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：构建的随机网络资源优化模型为：
Figure BDA0002684716800000191
其中，xt＝{p(t),f(t)}，xt为时隙t的资源优化变量，p(t)为用户终端在时隙t的上行发射功率，f(t)为边缘服务器在时隙t的任务计算功率，
Figure BDA0002684716800000192
为用户终端上行发射总功率，
Figure BDA0002684716800000193
为所有边缘服务器的任务计算功率，κ为芯片硬件电容参数，ξo和ξc表示两种开销的权重因子。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：构建的随机网络资源优化模型为：
Figure BDA0002684716800000194
其中，Φ*为满足队列稳定性指标和所有静态约束条件下的最优网络资源开销，
Figure BDA0002684716800000195
为时隙t的xt可行集，xt为时隙t的资源优化变量，T为时间，Φt(xt)为网络在时隙t的瞬时资源开销。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：构建的对耦模型为：
Figure BDA0002684716800000196
其中，ω＝{a,g}为网络随机动态参数，
Figure BDA0002684716800000197
为拉格朗日对偶函数，
Figure BDA0002684716800000198
为瞬时拉格朗日函数。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：对拉格朗日乘子进行更新，获取每个时隙的拉格朗日乘子更新值；获取每个时隙的网络动态参数信息；根据每个时隙的所述网络动态参数信息和所述拉格朗日乘子更新值求解所述对耦模型，确定每个时隙的最优资源分配决策。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：根据拉格朗日乘子当前时隙的历史更新值，构造拉格朗日乘子当前时隙的更新动量项；根据所述更新动量项和所述拉格朗日乘子当前时隙的乘子梯度信息，确定下一时隙的拉格朗日乘子更新值。
在其中的一个实施例中，该处理器执行计算机程序时还可以实现：根据拉格朗日乘子当前时隙的历史更新值，构造拉格朗日乘子当前时隙的更新动量项；根据所述更新动量项和所述拉格朗日乘子当前时隙的乘子梯度信息，确定下一时隙的拉格朗日乘子更新值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了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，方法包括：根据预先构建的用户终端任务队列模型和边缘服务器任务队列模型，构建以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标的队列稳定性指标；根据用户终端上行发射功率和边缘服务器任务计算功率，构建网络资源开销指标；以所述队列稳定性指标为约束条件，根据所述网络资源开销指标的长期统计平均值，构建以最小化网络资源开销为目标的随机网络资源优化模型；引入拉格朗日乘子对所述随机网络资源优化模型中的约束条件进行变量松弛，构建所述随机网络资源优化模型的对耦模型；基于动量随机梯度下降算法求解所述对耦模型，得到每个时隙的最优资源分配决策。本发明基于原始-对耦理论构造随机网络资源优化模型的对耦模型，并基于动量随机梯度下降算法在线求解对耦问题，加速算法收敛的同时减少任务队列积压，与现有资源优化方法相比，在不增加网络资源开销的情况下能够进一步降低任务队列积压。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种移动边缘计算任务卸载中的资源优化方法，其特征在于，包括步骤：
根据预先构建的用户终端任务队列模型和边缘服务器任务队列模型，构建以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标的队列稳定性指标；
根据用户终端上行发射功率和边缘服务器任务计算功率，构建网络资源开销指标；
以所述队列稳定性指标为约束条件，根据所述网络资源开销指标的长期统计平均值，构建以最小化网络资源开销为目标的随机网络资源优化模型；
引入拉格朗日乘子对所述随机网络资源优化模型的约束条件进行变量松弛，构建所述随机网络资源优化模型的对耦模型；
基于动量随机梯度下降算法求解所述对耦模型，确定每个时隙的最优资源分配决策。
2.根据权利要求1所述的移动边缘计算任务卸载中的资源优化方法，其特征在于，所述队列稳定性指标为：
Figure FDA0002684716790000011
其中，
Figure FDA0002684716790000012
为边缘服务器和无线接入点集合，{l}为用户终端集合，T为时间，qm(t)为任务队列长度，当
Figure FDA0002684716790000014
时，qm(t)为边缘服务器任务队列长度，当m∈{l}时，qm(t)为用户终端任务队列长度。
3.根据权利要求1所述的移动边缘计算任务卸载中的资源优化方法，其特征在于，所述随机网络资源优化模型为：
Figure FDA0002684716790000021
其中，xt＝{p(t),f(t)}，xt为时隙t的资源优化变量，p(t)为用户终端在时隙t的上行发射功率，f(t)为边缘服务器在时隙t的任务计算功率，
Figure FDA0002684716790000022
为用户终端上行发射总功率，
Figure FDA0002684716790000023
为所有边缘服务器的任务计算功率，κ为芯片硬件电容参数，ξo和ξc表示两种开销的权重因子。
4.根据权利要求1所述的移动边缘计算任务卸载中的资源优化方法，其特征在于，所述随机网络资源优化模型为：
Figure FDA0002684716790000024
其中，Φ*为满足队列稳定性指标和所有静态约束条件下的最优网络资源开销，
Figure FDA0002684716790000025
为时隙t的xt可行集，xt为时隙t的资源优化变量，T为时间，Φt(xt)为网络在时隙t的瞬时资源开销。
5.根据权利要求1所述的移动边缘计算任务卸载中的资源优化方法，其特征在于，所述对耦模型为：
Figure FDA0002684716790000026
其中，ω＝{a,g}为网络随机动态参数，
Figure FDA0002684716790000027
为拉格朗日对偶函数，
Figure FDA0002684716790000028
为瞬时拉格朗日函数，
Figure FDA0002684716790000029
的表达式为：
Figure FDA00026847167900000210
其中，ωt为时隙t的网络随机动态参数，λl(t)和λm(t)为时隙t的拉格朗日乘子，μm(t)为用户终端在时隙t卸载到边缘服务器m的任务数据量，θm(t)为边缘服务器m在时隙t可以计算的最大任务量。
6.根据权利要求1所述的移动边缘计算任务卸载中的资源优化方法，其特征在于，所述基于动量随机梯度下降算法求解所述对耦模型，确定每个时隙的最优资源分配决策的步骤具体包括：
对拉格朗日乘子进行更新，获取每个时隙的拉格朗日乘子更新值；
获取每个时隙的网络动态参数信息；其中，所述网络动态参数信息包括用户终端的任务数据量和边缘服务器的信道增益量；
根据每个时隙的所述网络动态参数信息和所述拉格朗日乘子更新值求解所述对耦模型，确定每个时隙的最优资源分配决策。
7.根据权利要求6所述的移动边缘计算任务卸载中的资源优化方法，其特征在于，所述对拉格朗日乘子进行更新，获取每个时隙的拉格朗日乘子更新值的步骤包括：
根据拉格朗日乘子当前时隙的历史更新值，构造拉格朗日乘子当前时隙的更新动量项；
根据所述更新动量项和所述拉格朗日乘子当前时隙的乘子梯度信息，确定下一时隙的拉格朗日乘子更新值。
8.根据权利要求7所述的移动边缘计算任务卸载中的资源优化方法，其特征在于，所述拉格朗日乘子的更新公式为：
Figure FDA0002684716790000031
Figure FDA0002684716790000032
其中，
Figure FDA0002684716790000033
和
Figure FDA0002684716790000034
为时隙t+1的拉格朗日乘子，
Figure FDA0002684716790000035
和
Figure FDA0002684716790000036
为时隙t的乘子梯度信息，
Figure FDA0002684716790000041
和
Figure FDA0002684716790000042
为时隙t的更新动量项，λl(t)和λm(t)为时隙t的拉格朗日乘子，
Figure FDA0002684716790000043
和
Figure FDA0002684716790000044
为时隙t-1的拉格朗日乘子，a(t)为用户终端在时隙t的任务数据量，μm(t)为用户终端在时隙t卸载到边缘服务器m的任务数据量，θm(t)为边缘服务器m在时隙t可以计算的最大任务量，β为动量项超参数，ε为步长。
9.一种终端，其特征在于，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-8任一项所述的移动边缘计算任务卸载中的资源优化方法中的步骤。
10.一种存储介质，其上存储有多条指令，其特征在于，所述指令适于由处理器加载并执行，以执行实现上述权利要求1-8任一项所述的移动边缘计算任务卸载中的资源优化方法中的步骤。
CN202010972809.6A 2020-09-16 2020-09-16 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 Active CN112148380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010972809.6A CN112148380B (zh) 2020-09-16 2020-09-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010972809.6A CN112148380B (zh) 2020-09-16 2020-09-16 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

Publications (2)

Publication Number Publication Date
CN112148380A true CN112148380A (zh) 2020-12-29
CN112148380B CN112148380B (zh) 2022-04-12

Family

ID=73892931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010972809.6A Active CN112148380B (zh) 2020-09-16 2020-09-16 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

Country Status (1)

Country Link
CN (1) CN112148380B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064665A (zh) * 2021-03-18 2021-07-02 四川大学 一种基于李雅普诺夫优化的多服务器计算卸载方法
CN113115459A (zh) * 2021-04-15 2021-07-13 华北电力大学 一种面向电力物联网海量终端的多尺度多维资源分配方法
CN113114733A (zh) * 2021-03-24 2021-07-13 重庆邮电大学 基于能量收集的分布式任务卸载和计算资源的管理方法
CN113159539A (zh) * 2021-04-07 2021-07-23 中山大学 多层边缘计算系统中联合绿色能源调度和动态任务分配方法
CN113286329A (zh) * 2021-05-19 2021-08-20 南京邮电大学 基于移动边缘计算的通信和计算资源联合优化方法
CN113448707A (zh) * 2021-06-29 2021-09-28 安徽大学 在边缘计算中在线批并行任务调度方法
CN113795026A (zh) * 2021-08-02 2021-12-14 西安电子科技大学 边缘计算网络中计算卸载的认证安全级别和资源优化方法
CN113810233A (zh) * 2021-09-17 2021-12-17 重庆邮电大学 一种在随机网络中基于算网协同的分布式计算卸载方法
CN114490446A (zh) * 2021-12-16 2022-05-13 山东师范大学 一种移动增强现实中任务缓存分配方法及系统
CN115022189A (zh) * 2022-05-31 2022-09-06 武汉大学 边缘用户分配模型构建方法、装置、设备及可读存储介质
CN115149983A (zh) * 2022-05-17 2022-10-04 深圳市国电科技通信有限公司 自适应plc网络资源的分配方法、装置和存储介质
CN115361705A (zh) * 2022-07-14 2022-11-18 鹏城实验室 一种信息时效性保障的noma网络任务处理方法及系统
CN117032832A (zh) * 2023-08-25 2023-11-10 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080069445A1 (en) * 2003-03-07 2008-03-20 Martin Weber Image processing apparatus and methods
CN109121151A (zh) * 2018-11-01 2019-01-01 南京邮电大学 小蜂窝集成移动边缘计算下分布式卸载方法
CN109905888A (zh) * 2019-03-21 2019-06-18 东南大学 移动边缘计算中联合优化迁移决策和资源分配方法
CN110266512A (zh) * 2019-04-26 2019-09-20 广东工业大学 一种移动边缘计算迁移系统的快速资源配置方法
CN110519370A (zh) * 2019-08-28 2019-11-29 湘潭大学 一种基于设施选址问题的边缘计算资源分配方法
CN110798858A (zh) * 2019-11-07 2020-02-14 华北电力大学（保定） 基于代价效率的分布式任务卸载方法
CN111182569A (zh) * 2020-01-08 2020-05-19 浙江工业大学 一种5g场景下的边缘计算卸载周期最小化方法
CN111176929A (zh) * 2019-11-29 2020-05-19 广东工业大学 一种面向边缘联邦学习的高能效计算通信联合优化方法
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN111556143A (zh) * 2020-04-27 2020-08-18 中南林业科技大学 移动边缘计算中协作卸载机制下的最小化时延方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080069445A1 (en) * 2003-03-07 2008-03-20 Martin Weber Image processing apparatus and methods
CN109121151A (zh) * 2018-11-01 2019-01-01 南京邮电大学 小蜂窝集成移动边缘计算下分布式卸载方法
CN109905888A (zh) * 2019-03-21 2019-06-18 东南大学 移动边缘计算中联合优化迁移决策和资源分配方法
CN110266512A (zh) * 2019-04-26 2019-09-20 广东工业大学 一种移动边缘计算迁移系统的快速资源配置方法
CN110519370A (zh) * 2019-08-28 2019-11-29 湘潭大学 一种基于设施选址问题的边缘计算资源分配方法
CN110798858A (zh) * 2019-11-07 2020-02-14 华北电力大学（保定） 基于代价效率的分布式任务卸载方法
CN111176929A (zh) * 2019-11-29 2020-05-19 广东工业大学 一种面向边缘联邦学习的高能效计算通信联合优化方法
CN111182569A (zh) * 2020-01-08 2020-05-19 浙江工业大学 一种5g场景下的边缘计算卸载周期最小化方法
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN111556143A (zh) * 2020-04-27 2020-08-18 中南林业科技大学 移动边缘计算中协作卸载机制下的最小化时延方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕昕晨: "移动边缘计算任务迁移与资源管理研究", 《中国博士学位论文全文数据库 信息科技辑》 *
黄德华: "LTE-A异构网中的负载均衡与增强型小区间干扰协调技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064665A (zh) * 2021-03-18 2021-07-02 四川大学 一种基于李雅普诺夫优化的多服务器计算卸载方法
CN113114733A (zh) * 2021-03-24 2021-07-13 重庆邮电大学 基于能量收集的分布式任务卸载和计算资源的管理方法
CN113159539A (zh) * 2021-04-07 2021-07-23 中山大学 多层边缘计算系统中联合绿色能源调度和动态任务分配方法
CN113159539B (zh) * 2021-04-07 2023-09-29 中山大学 多层边缘计算系统中联合绿色能量调度和动态任务分配方法
CN113115459B (zh) * 2021-04-15 2022-11-29 华北电力大学 一种面向电力物联网海量终端的多尺度多维资源分配方法
CN113115459A (zh) * 2021-04-15 2021-07-13 华北电力大学 一种面向电力物联网海量终端的多尺度多维资源分配方法
CN113286329A (zh) * 2021-05-19 2021-08-20 南京邮电大学 基于移动边缘计算的通信和计算资源联合优化方法
CN113448707A (zh) * 2021-06-29 2021-09-28 安徽大学 在边缘计算中在线批并行任务调度方法
CN113795026A (zh) * 2021-08-02 2021-12-14 西安电子科技大学 边缘计算网络中计算卸载的认证安全级别和资源优化方法
CN113810233A (zh) * 2021-09-17 2021-12-17 重庆邮电大学 一种在随机网络中基于算网协同的分布式计算卸载方法
CN114490446A (zh) * 2021-12-16 2022-05-13 山东师范大学 一种移动增强现实中任务缓存分配方法及系统
CN115149983A (zh) * 2022-05-17 2022-10-04 深圳市国电科技通信有限公司 自适应plc网络资源的分配方法、装置和存储介质
CN115022189A (zh) * 2022-05-31 2022-09-06 武汉大学 边缘用户分配模型构建方法、装置、设备及可读存储介质
CN115022189B (zh) * 2022-05-31 2024-03-26 武汉大学 边缘用户分配模型构建方法、装置、设备及可读存储介质
CN115361705A (zh) * 2022-07-14 2022-11-18 鹏城实验室 一种信息时效性保障的noma网络任务处理方法及系统
CN115361705B (zh) * 2022-07-14 2024-04-12 鹏城实验室 一种信息时效性保障的noma网络任务处理方法及系统
CN117032832A (zh) * 2023-08-25 2023-11-10 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法
CN117032832B (zh) * 2023-08-25 2024-03-08 重庆邮电大学 一种基于移动边缘计算的最小化任务调用成本卸载方法

Also Published As

Publication number Publication date
CN112148380B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN112148380B (zh) 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
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN108920279B (zh) 一种多用户场景下的移动边缘计算任务卸载方法
Liu et al. Latency and reliability-aware task offloading and resource allocation for mobile edge computing
CN113950066A (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN113612843A (zh) 一种基于深度强化学习的mec任务卸载和资源分配方法
CN113286329B (zh) 基于移动边缘计算的通信和计算资源联合优化方法
CN109767117B (zh) 移动边缘计算中联合任务调度的功率分配方法
CN113115459B (zh) 一种面向电力物联网海量终端的多尺度多维资源分配方法
CN114697333B (zh) 一种能量队列均衡的边缘计算方法
CN113556764B (zh) 一种基于移动边缘计算网络的计算速率确定方法及系统
CN114285853A (zh) 设备密集型工业物联网中基于端边云协同的任务卸载方法
CN112512061A (zh) 一种多接入边缘计算系统中的任务卸载与分派方法
Zhang et al. Effect: Energy-efficient fog computing framework for real-time video processing
CN116366576A (zh) 算力网络资源调度方法、装置、设备及介质
CN115696581A (zh) 基于约束强化学习的无线网络资源分配方法
Tang et al. Research on heterogeneous computation resource allocation based on data-driven method
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN112799843B (zh) 一种基于边缘计算的在线自适应服务配置优化方法及装置
CN117880852A (zh) 一种面向边缘车联网系统的智能服务迁移方法
CN116866353A (zh) 通算融合的分布式资源协同调度方法、装置、设备及介质
El Haber et al. An energy-efficient task offloading solution for MEC-based IoT in ultra-dense networks
Wang et al. Multi-agent reinforcement learning based coded computation for mobile ad hoc computing
Wang et al. Offloading Strategies for Mobile Edge Computing Based on Multi-Attribute Preferences in Smart Grids
CN113709817A (zh) 多基站多服务器场景下的任务卸载和资源调度方法及装置

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