CN112187534B - 一种工业物联网中基于多跳传输的任务卸载方法 - Google Patents

一种工业物联网中基于多跳传输的任务卸载方法 Download PDF

Info

Publication number
CN112187534B
CN112187534B CN202010992896.1A CN202010992896A CN112187534B CN 112187534 B CN112187534 B CN 112187534B CN 202010992896 A CN202010992896 A CN 202010992896A CN 112187534 B CN112187534 B CN 112187534B
Authority
CN
China
Prior art keywords
task
computing
industrial
wireless access
access node
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
CN202010992896.1A
Other languages
English (en)
Other versions
CN112187534A (zh
Inventor
徐金城
杨博
陈彩莲
关新平
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202010992896.1A priority Critical patent/CN112187534B/zh
Publication of CN112187534A publication Critical patent/CN112187534A/zh
Application granted granted Critical
Publication of CN112187534B publication Critical patent/CN112187534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • 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
    • H04L41/0893—Assignment of logical groups to network elements
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种工业物联网中基于多跳传输的任务卸载方法，涉及工业物联网领域，通过构建通信带宽分配、计算资源分配、路径决策模型、进行非线性优化，通过松弛处理将优化问题转化为凸优化问题并求解，求得近似最优策略。本发明能够在工业网络多跳任务卸载中求得近似最优策略，且复杂度较低，具有降低任务延迟，保证任务的服务质量的效果。

Description

一种工业物联网中基于多跳传输的任务卸载方法
技术领域
本发明涉及工业物联网领域，尤其涉及一种工业物联网中基于多跳传输的任务卸载方法。
背景技术
随着现代信息技术的快速发展，工业物联网在规模和智能化程度上都有了很大的提升。海量的工业设备被接入工业网络中，并且产生了密集的数据流量。同时，由于用户的需求，出现了一批工业应用，例如故障预测和诊断、数据分析、实时监控等，这些工业应用通常对计算量的需求较大，并且是时延敏感型的。然而，由于工业设备自身计算能力和能量供给的限制，在给定的时延要求内处理这些任务是比较困难的，因此亟需一种任务处理策略，来有效地处理工业应用的计算任务。
计算架构的革新为海量数据的处理提供了有力的支撑。从云计算到边缘计算，计算资源与用户的距离逐步拉近，而这不仅带来了更低的传输时延，同时将云计算的能力延伸到网络边缘，能够提供丰富的计算资源，这样就进一步减轻了网络负载的压力，给计算任务提供更高质量的服务。正是由于边缘计算高带宽、低时延、本地化的特点，解决了数据处理时延过大、数据流量过高的问题，使其适用于对实时性和计算能力要求较高的工业场景。同时，结合计算任务卸载技术，将任务从资源受限的工业设备传输到边缘服务器上进行处理。所以，采用基于边缘计算的任务卸载，可以为工业应用下的计算任务提供低时延和更加灵活的计算。
在一般的边缘计算系统中，终端用户可以把计算任务卸载到部署在网络边缘的边缘服务器上。然而，由于工业生产环境的复杂，对通信传输过程存在无法避免的干扰，工业设备和边缘服务器之间的通信质量可能会受到影响，甚至导致连接间断。因此，在这种场景下，单跳的计算任务卸载是不可靠的。通过在网络中部署无线接入节点，工业设备与无线接入节点之间进行合作，将任务数据通过多跳传输的方式卸载到边缘服务器上，这种卸载方式称为多跳任务卸载。在这一过程中，工业设备将任务传输到无线接入节点，由于不同工业设备产生的计算任务需求不同，需要对传输带宽进行分配；其次，任务在无线接入节点之间进行多跳传输时，需要选择合适的传输路径以减小传输过程中的时延；最后，当任务卸载到边缘服务器进行计算时，需要对每个任务分配合理的计算资源以提高计算的效率。
现有技术存在的问题在于，缺乏一种有效的优化策略，同时考虑这三个方面，联合优化通信资源、计算资源和多跳传输路径的决策，得到任务卸载的最优策略。
因此，本领域的技术人员致力于开发一种工业物联网中基于多跳传输的任务卸载方法，在工业物联网场景下，结合边缘计算和任务卸载技术，寻找一种有效的任务处理策略，优化网络资源的分配与任务传输路径的决策，以最大化系统的效用函数，从而满足工业应用的服务要求。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种工业物联网中通信资源、计算资源分配和多跳路径规划的任务卸载方法。该方法在满足设备通信资源以及计算能力约束的要求下，通过分配设备的通信带宽、边缘服务器的计算资源以及多跳路径决策等方式，实现系统效用函数的最大化。
为实现上述目的，本发明提供了一种工业物联网中基于多跳传输的任务卸载方法，在软件定义接入网络中包含M台工业设备、P个无线接入节点和N台SDN交换机，无线接入节点之间、无线接入节点与SDN交换机之间、无线接入节点与其覆盖范围内的工业设备之间通过无线方式进行通信；SDN交换机旁部署有边缘计算服务器；每个工业设备会产生一个计算任务，计算任务可在工业设备本身计算，也可以通过无线接入节点和SDN交换机卸载到边缘计算服务器进行计算；包括如下步骤：
步骤一：系统建模，计算任务为Qi，数据量为di、计算量为ci；边缘计算服务器的计算能力为
Figure GDA0003219438000000021
工业设备的计算能力为
Figure GDA0003219438000000022
步骤二：构建无线接入节点的通信带宽分配、边缘服务器的计算资源分配、计算任务的路由路径决策模型，构建混合整数非线性优化问题，优化系统总体的效用函数；
步骤三：处理步骤二中建立的优化问题，引入辅助变量代替优化问题中耦合的优化变量，利用线性化重构技术，用线性约束代替优化问题中包含耦合变量的约束；对优化问题中的二进制变量进行松弛处理，将优化问题转化为凸优化问题；
步骤四：求解所述步骤三中构建的凸优化问题，利用交替向量乘子法，定义优化变量的本地副本，构建增广拉格朗日函数，通过迭代更新本地变量、全局变量和对偶变量来求解问题，最后对松弛处理的二进制变量进行恢复，得到通信带宽分配、计算资源分配和路由路径的联合优化策略。
进一步地，在工业设备本身计算的模型为：
Figure GDA0003219438000000023
Figure GDA0003219438000000024
其中，
Figure GDA0003219438000000025
表示计算任务Qi在本地计算的时间消耗，定义
Figure GDA0003219438000000026
为计算任务Qi在本地计算的效用函数。
进一步地，工业设备将计算任务传输到无线接入节点的模型为：
与工业设备i相关联的无线接入节点为χ(i)＝k，连接到无线接入节点k的设备的集合为Ωk＝{i：i∈M，χ(i)＝k}；无线接入节点k的无线带宽为Bk，采用时分多址技术实现工业设备与无线接入节点的多对一通信，集合Ωk中的设备i分配到的带宽为Bi，带宽分配满足
Figure GDA0003219438000000031
其中，工业设备与无线接入节点之间的无线通信速率ri为
Figure GDA0003219438000000032
其中，PD为工业设备i的传输功率，
Figure GDA0003219438000000033
为工业设备i和无线接入节点k之间的信道参数，σ2为加性高斯白噪声的方差；计算任务Qi从工业设备i传输到无线接入节点k的通信时延为
Figure GDA0003219438000000034
计算任务Qi从工业设备i传输到无线接入节点k过程的效用函数为
Figure GDA0003219438000000035
进一步地，多跳路径中的单跳通信模型为：
无线接入节点的块错误率用η来表示，传输块大小为
Figure GDA0003219438000000036
则单跳链路出错的概率为
Figure GDA0003219438000000037
出现传输块错误的块进行重传，出现k次块错误，则传输时延为
Figure GDA0003219438000000038
根据概率，传输时延为
Figure GDA0003219438000000039
Figure GDA0003219438000000041
进一步地，计算任务在边缘计算服务器计算的模型为：
计算任务Qi在边缘计算服务器j上的计算时间为
Figure GDA0003219438000000042
其中
Figure GDA0003219438000000043
为边缘计算服务器j分配到计算任务Qi的计算资源，计算任务Qi在边缘计算服务器j上计算的效用函数为
Figure GDA0003219438000000044
进一步地，步骤二的模型为：
采用路径向量路由机制，工业设备i需要将计算任务Qi传输到边缘计算服务器j进行处理，则从与工业设备i相关联的无线接入节点χ(i)到边缘计算服务器j有一组路由路径，定义为
Figure GDA0003219438000000045
包含所有从无线接入节点χ(i)到边缘计算服务器j的路由路径；
定义工业设备i的一组计算选择变量，xi，
Figure GDA0003219438000000046
来表示计算任务Qi在本地计算还是卸载计算；xi＝1表示计算任务Qi在本地进行处理，
Figure GDA0003219438000000047
表示计算任务Qi通过路径p卸载到边缘计算服务器j进行处理；计算选择变量的约束为
Figure GDA0003219438000000048
定义任务的卸载决策向量为
Figure GDA0003219438000000049
则全体任务的卸载决策为
Figure GDA00032194380000000410
定义计算任务的带宽分配向量为
Figure GDA00032194380000000411
定义边缘计算服务器的计算资源分配向量为
Figure GDA00032194380000000412
任务卸载和资源分配优化问题表示为：
Figure GDA00032194380000000413
Figure GDA0003219438000000051
进一步地，所步骤三具体为：
引入辅助变量
Figure GDA0003219438000000052
和
Figure GDA0003219438000000053
代替优化问题中耦合的优化变量
Figure GDA0003219438000000054
和
Figure GDA0003219438000000056
即
Figure GDA0003219438000000057
Figure GDA0003219438000000058
利用线性化重构技术，用线性约束代替优化问题中包含耦合变量的约束c5和c6；
Figure GDA0003219438000000059
Figure GDA00032194380000000510
进一步地，对优化问题中的二进制变量进行松弛处理
Figure GDA00032194380000000511
将优化问题转化为凸优化问题
Figure GDA00032194380000000512
进一步地，步骤四具体为：
定义变量xi，
Figure GDA00032194380000000513
的本地副本
Figure GDA00032194380000000514
构建设备i’的本地变量可行集Ξi′，对于每一个设备，将其本地效用函数表示为
Figure GDA00032194380000000515
其中ξ表示
Figure GDA00032194380000000516
将问题P3表示为：
Figure GDA0003219438000000061
构建问题P4的增广拉格朗日函数：
Figure GDA0003219438000000062
通过迭代更新本地变量、全局变量和对偶变量来求解问题，最后对松弛处理的变量进行恢复，得到通信带宽分配、计算资源分配和路由路径选择的联合优化策略。
本发明还公开了一种工业物联网系统，包括工业设备、无线接入节点、SDN交换机、边缘计算服务器，按照上述的方法，得到通信带宽分配、计算资源分配和路由路径的联合优化策略，进行多跳传输的任务卸载。
本发明基于工业物联网中的多跳任务卸载，构建了工业网络中的多跳任务卸载模型，最大化系统的效用函数，以满足工业应用对计算密集型任务的低时延要求。本发明中考虑了通信带宽分配、边缘服务器计算资源分配和多跳路径选择问题，建立了混合整数非线性规划问题，为了求解该优化问题，首先引入辅助变量并利用线性化重构技术，松弛二进制变量，将问题转化为凸优化问题。而随着网络设备数量增大，变量维度会激烈增长，采用了基于交替向量乘子法的分布式求解方法，能够获得较大的系统效用收益，并且具有降低的时间复杂度。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的基于ADMM的分布式求解算法流程图；
图2是本发明的基于多跳传输的任务卸载模型示意图。
其中：1-工业设备，2-无线接入节点，3-SDN交换机，4-边缘计算服务器。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
如图2所示，为本发明的基于多跳传输的任务卸载模型示意图，包括工业设备1、无线接入节点2、SDN交换机3、边缘计算服务器4。
如图1所示，本发明一种工业物联网中基于多跳传输的任务卸载方法，包括以下步骤：
(1)系统建模：在软件定义接入网络中包含M台工业设备、P个无线接入节点和N台SDN交换机，无线接入节点之间、无线接入节点与SDN交换机之间通过无线方式进行通信；无线接入节点与工业设备通过无线方式进行通信，且有一定的无线通信范围，在所属的无线通信范围内，工业设备只能与无线接入节点进行通信。无线接入节点的通信范围之间没有覆盖。SDN交换机旁部署有一台边缘计算服务器，边缘计算服务器的计算能力为
Figure GDA0003219438000000071
工业设备的计算能力为
Figure GDA0003219438000000072
每个设备会产生一个计算任务Qi，计算任务Qi包含任务数据量大小di和任务计算量ci两个指标；设备上的计算任务有两个计算位置可以选择，设备本身和边缘计算服务器；设备可通过无线接入节点和SDN交换机将计算任务卸载到边缘计算服务器进行计算。
(2)构建无线接入节点的通信带宽分配、边缘服务器的计算资源分配、计算任务的路由路径决策模型，构建混合整数非线性优化问题，优化系统总体的效用函数。
(3)处理步骤(2)中建立的规划问题，构建的问题是一个涉及整数和二进制变量的非线性组合规划问题，并且是非凸的，难以在合理的时间内求解到最优值。卸载决策变量为整数，并且与带宽分配变量和计算资源分配变量相互耦合，因此引入辅助变量代替优化问题中耦合的优化变量，并进一步利用线性化重构技术，分别用一组线性约束来代替优化问题中包含耦合变量的两个约束。由于卸载决策变量为整数导致变量可行集非凸，对卸载决策变量进行松弛处理，松弛为[0，1]上的连续整数，将步骤(2)中建立的规划问题转化为凸优化问题。
(4)求解步骤(3)中构建的凸优化问题，利用交替向量乘子法，定义优化变量的本地副本，构建增广拉格朗日函数，通过迭代更新本地变量、全局变量和对偶变量来求解问题，最后对松弛处理的二进制变量进行恢复，得到通信带宽分配、计算资源分配和路由路径选择的联合优化策略。
步骤(1)具体为：
一个软件定义接入网络(Software defined access network)，由M个工业设备(Industrial Device，ID)，N个SDN交换机(SDN switch)和P个无线接入节点(WirelessAccess Point，WAP)组成。把工业设备的集合表示为
Figure GDA0003219438000000081
把SDN交换机的集合表示为
Figure GDA0003219438000000082
把无线接入节点的集合表示为
Figure GDA0003219438000000083
每个无线接入节点有一定的无线通信范围，在通信范围内分布有若干工业设备，这些工业设备只能与该节点通过无线链路进行通信，不同节点的通信范围之间没有覆盖。无线接入节点之间、无线接入节点与SDN交换机之间按照一定的网络拓扑基于IEEE 802.3协议进行有线通信。每个SDN交换机旁部署有一个边缘计算服务器，边缘计算服务器的计算能力为
Figure GDA0003219438000000084
工业设备的计算能力为
Figure GDA0003219438000000085
设备i产生的任务可以用Qi＝(ci，di)来表示，其中ci表示完成任务Qi需要的CPU周期数，di表示任务Qi的数据量大小。每个工业设备会产生一个计算任务，由于设备的计算能力有限，因此设备可以选择在本地处理任务，也可以选择将任务卸载到边缘服务器处理。若设备决定将任务卸载到边缘服务器处理，则设备先将任务传输到与之关联的接入节点，然后由无线接入节点通过多跳通信传输到边缘服务器，在边缘服务器处理完任务之后，再将计算结果返回。
(1)本地计算
任务Qi的处理时延为本地的计算时间
Figure GDA0003219438000000086
定义本地计算的效用函数为
Figure GDA0003219438000000087
其中，
Figure GDA0003219438000000088
为设备i的计算能力。
(2)卸载计算
若设备i选择将任务卸载到边缘服务器处理，那么设备需要先将任务Qi传输到与其关联的接入节点χ(i)，然后从χ(i)通过多跳通信的方式传输到SDN交换机，交予SDN交换机旁部署的边缘服务器，接着由边缘服务器处理任务，最后将处理完成的结果送回设备。由于返回的结果数据量很小，因此将数据传输回设备的时延忽略不计。
1)设备传输任务到无线接入节点
与设备i相关联的无线接入节点为χ(i)＝k，无线接入节点k总的无线带宽为Bk。考虑采用时分多址(Time division multiple access，TDMA)技术实现设备与无线接入节点的多对一通信，通过把TDMA帧分割成若干个时隙，多个设备可以在各自的时隙中与无线接入节点进行通信，从而避免了通信干扰，能够有效地利用无线信道，保证数据传输的质量。一个TDMA帧能够分配的总带宽为Bk，集合Ωk中的设备i分配到的带宽为Bi，则带宽分配应满足约束
Figure GDA0003219438000000089
根据香农公式，设备i与节点k之间的无线通信速率ri可以得到
Figure GDA0003219438000000091
其中，PD为设备i的传输功率，
Figure GDA0003219438000000092
为设备i和节点k之间的信道参数，σ2为加性高斯白噪声的方差。所以，可以得到任务Qi从设备i传输到节点k的通信时延为
Figure GDA0003219438000000093
因此，定义任务Qi从设备i传输到节点k过程的效用函数为
Figure GDA0003219438000000094
2)无线接入节点多跳传输到SDN交换机
接下来，描述从接入节点k到SDN交换机j的多跳传输过程。定义二进制变量
Figure GDA0003219438000000095
表示路径的选择，其中
Figure GDA0003219438000000096
若
Figure GDA0003219438000000097
则设备i选择路径p进行多跳传输，若
Figure GDA0003219438000000098
则表示没有选择路径p。
首先构建单跳通信模型，由于多径衰落和阴影效应，无线信道产生的波动可能会导致数据传输失败，因此通信设备调制和编码方案根据信道质量动态调整，以保持块错误率(BLER)恒定。无线接入节点的块错误率用η来表示，任务i的数据量大小为di，传输块大小定义为
Figure GDA0003219438000000099
则单跳链路出错的概率为
Figure GDA00032194380000000910
则出现k个块错误的概率为
Figure GDA00032194380000000911
只有出现传输块错误的块需要进行重传，假设重传块的成功率为1。出现k次块错误，则传输时延为
Figure GDA00032194380000000912
根据概率，单跳传输时延为
Figure GDA00032194380000000913
分成两部分求和：
1.
Figure GDA0003219438000000101
2.
Figure GDA0003219438000000102
因此，单跳传输时延为
Figure GDA0003219438000000103
则任务Qi在路径p上多跳传输的效用函数为
Figure GDA0003219438000000104
3)任务在边缘服务器计算
任务通过多跳传输到达SDN交换机j，交予边缘服务器j计算。边缘服务器j的计算能力定义为
Figure GDA0003219438000000105
(CPU cycles/s)，卸载到边缘服务器j的任务能够分配得到一部分计算资源。定义任务Qi分配到边缘服务器j的计算资源为
Figure GDA0003219438000000111
则任务Qi在边缘服务器j上的计算时间为
Figure GDA0003219438000000112
定义任务Qi在边缘服务器j上计算的效用函数为
Figure GDA0003219438000000113
同时任务Qi分配到的资源应该满足如下的约束
Figure GDA0003219438000000114
根据上述的公式，处理设备i上产生的任务Qi的效用函数为
Figure GDA0003219438000000115
步骤(2)具体为：
根据步骤(1)建立的通信和计算模型，构建任务卸载和资源分配优化问题以最大化处理任务的效用函数。定义任务的卸载决策向量为
Figure GDA0003219438000000116
则全体任务的卸载决策为
Figure GDA0003219438000000117
定义任务的带宽分配向量为
Figure GDA0003219438000000118
定义边缘服务器的计算资源分配向量为
Figure GDA0003219438000000119
因此任务卸载和资源分配优化问题为：
Figure GDA00032194380000001110
步骤(3)具体为：
问题P1的目标函数中包含乘积项
Figure GDA00032194380000001111
和
Figure GDA00032194380000001112
而约束c2包含
Figure GDA00032194380000001113
约束c3包含
Figure GDA00032194380000001114
这些乘积项会导致目标函数和可行集是非凸的，从而使得问题P1难解。因此定义两个辅助变量
Figure GDA0003219438000000121
和
Figure GDA0003219438000000122
分别为
Figure GDA0003219438000000123
Figure GDA0003219438000000124
在引入辅助变量后，问题P1的目标函数可以转化为
Figure GDA0003219438000000125
其中
Figure GDA0003219438000000126
约束c2可以转化为
Figure GDA0003219438000000127
约束c3可以转化为
Figure GDA0003219438000000128
因此，问题P1可以转化为
Figure GDA0003219438000000129
然而，约束c5，c6还是使得问题难以求解，因此采用重构线性化技术，用一些线性约束来代替c5和c6。
Figure GDA00032194380000001210
Figure GDA00032194380000001211
其中，Bmin和fmin是无穷小量。
由于二进制变量∏的存在，问题P2依旧是非线性的。为了解决这个问题，将二进制变量xi和
Figure GDA00032194380000001212
松弛为连续变量，即
Figure GDA00032194380000001213
松弛的二进制决策变量可以解释为计算任务被部分卸载了，一部分在本地计算，另一部分在边缘服务器上计算。所以问题P2可以重新写为
Figure GDA0003219438000000131
问题P3是一个凸优化问题，现有很多凸优化方法可以用来处理线性规划问题，例如内点法、对偶分解等。然而针对这个问题设计集中式求解算法比较困难，随着网络设备数量增大，变量维度激烈增长，会给问题求解带来巨大的计算复杂度。因此，接下来提出一个基于分布式算法的求解方法。
步骤(4)具体为：
定义变量xi，
Figure GDA0003219438000000132
的本地副本
Figure GDA0003219438000000133
则
Figure GDA0003219438000000134
则设备i’的本地变量的可行集为
Figure GDA0003219438000000135
因此，问题P3的目标函数可以表示为
Figure GDA0003219438000000136
对于每一个设备，相关的本地效用函数可以表示为
Figure GDA0003219438000000137
其中ξ表示
Figure GDA0003219438000000141
因此，问题P3可以表示为：
Figure GDA0003219438000000142
定义问题P4的增广拉格朗日函数
Figure GDA0003219438000000143
其中，
Figure GDA0003219438000000144
是拉格朗日乘子，ρ是常数惩罚项，可以用来调节ADMM算法的收敛速度。
在很多分析中，通过将增广拉格朗日函数中的线性项和二次项结合起来并缩放对偶变量，可以将ADMM写成带标度的形式，这种形式通常更加方便。
Figure GDA0003219438000000145
其中，
Figure GDA0003219438000000146
是新的标度对偶变量。
ADMM算法通过迭代更新本地变量、全局变量和对偶变量来求解问题，接下来分别给出求解的步骤。
a)本地变量更新
Figure GDA0003219438000000151
根据问题分解，问题P4被转化为M个子问题，可以用分布式方法求解。很显然，(4)是一个二次函数，并且本地变量的可行集是凸的。因此本地变量可以利用原始-对偶内点法或者凸优化工具，例如CPLEX求解。
b)全局变量更新
在得到本地变量在t+1次迭代的值
Figure GDA0003219438000000152
后，求解使得增广拉格朗日函数值最小的全局变量值，计算公式如下所示：
Figure GDA0003219438000000153
Figure GDA0003219438000000154
Figure GDA0003219438000000155
Figure GDA0003219438000000156
式(5)，(6)，(7)，(8)是在无约束的情况下，求二次函数的最小值问题。因此，分别对x，y，u，v一阶导数可以得到
Figure GDA0003219438000000157
Figure GDA0003219438000000158
Figure GDA0003219438000000159
Figure GDA00032194380000001510
接下来，可得
Figure GDA00032194380000001511
Figure GDA0003219438000000161
Figure GDA0003219438000000162
Figure GDA0003219438000000163
在第t次迭代时，令对偶变量为0，即
Figure GDA0003219438000000164
Figure GDA0003219438000000165
因此全局变量在第t+1次迭代的公式为
Figure GDA0003219438000000166
Figure GDA0003219438000000167
Figure GDA0003219438000000168
Figure GDA0003219438000000169
c)乘子更新
Figure GDA00032194380000001610
Figure GDA00032194380000001611
Figure GDA00032194380000001612
Figure GDA00032194380000001613
根据已有的证明，原始残差和对偶残差随着迭代次数增加会收敛到零。因此，为了满足停止迭代的条件，原始残差应该足够小。
Figure GDA00032194380000001614
Figure GDA00032194380000001615
同样的，第t+1次迭代的对偶可行性条件残差也应该足够小，即满足如下条件：
Figure GDA00032194380000001616
Figure GDA00032194380000001617
二进制变量恢复：
为了将原问题转化为凸优化问题，在前面把二元变量x和y松弛为连续变量，所以在ADMM过程收敛后需要恢复二进制变量。以变量xi为例，给出恢复二进制变量的算法。
Figure GDA00032194380000001618
Figure GDA0003219438000000171
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种工业物联网中基于多跳传输的任务卸载方法，其特征在于，在软件定义接入网络中包含M台工业设备、P个无线接入节点和N台SDN交换机，所述无线接入节点之间、所述无线接入节点与所述SDN交换机之间、所述无线接入节点与其覆盖范围内的所述工业设备之间通过无线方式进行通信；所述SDN交换机旁部署有边缘计算服务器；每个所述工业设备会产生一个计算任务，所述计算任务可在所述工业设备本身计算，也可以通过所述无线接入节点和所述SDN交换机卸载到所述边缘计算服务器进行计算；包括如下步骤：
步骤一：系统建模，所述计算任务为Qi，数据量为di、计算量为ci；所述边缘计算服务器的计算能力为
Figure FDA0003219437990000011
所述工业设备的计算能力为
Figure FDA0003219437990000012
步骤二：构建所述无线接入节点的通信带宽分配、所述边缘计算服务器的计算资源分配、所述计算任务的路由路径决策模型，构建混合整数非线性优化问题，优化系统总体的效用函数；
步骤三：处理所述步骤二中建立的优化问题，引入辅助变量代替所述优化问题中耦合的优化变量，利用线性化重构技术，用线性约束代替所述优化问题中包含耦合变量的约束；对所述优化问题中的二进制变量进行松弛处理，将所述优化问题转化为凸优化问题；
步骤四：求解所述步骤三中构建的凸优化问题，得到通信带宽分配、计算资源分配和路由路径的联合优化策略。
2.如权利要求1所述的工业物联网中基于多跳传输的任务卸载方法，其特征在于，在所述工业设备本身计算的模型为：
Figure FDA0003219437990000013
Figure FDA0003219437990000014
其中，
Figure FDA0003219437990000015
表示所述计算任务Qi在本地计算的时间消耗，定义
Figure FDA0003219437990000016
为所述计算任务Qi在本地计算的效用函数。
3.如权利要求1所述的工业物联网中基于多跳传输的任务卸载方法，其特征在于，所述工业设备将所述计算任务传输到所述无线接入节点的模型为：
与所述工业设备i相关联的所述无线接入节点为χ(i)＝k，连接到无线接入节点k的设备的集合为Ωk＝{i：i∈M，χ(i)＝k}；所述无线接入节点k的无线带宽为Bk，采用时分多址技术实现所述工业设备与所述无线接入节点的多对一通信，集合Ωk中的设备i分配到的带宽为Bi，带宽分配满足
Figure FDA0003219437990000021
其中，所述工业设备与所述无线接入节点之间的无线通信速率ri为
Figure FDA0003219437990000022
其中，PD为所述工业设备i的传输功率，
Figure FDA0003219437990000023
为所述工业设备i和所述无线接入节点k之间的信道参数，σ2为加性高斯白噪声的方差；所述计算任务Qi从所述工业设备i传输到所述无线接入节点k的通信时延为
Figure FDA0003219437990000024
所述计算任务Qi从所述工业设备i传输到所述无线接入节点k过程的效用函数为
Figure FDA0003219437990000025
4.如权利要求1所述的工业物联网中基于多跳传输的任务卸载方法，其特征在于，多跳路径中的单跳通信模型为：
所述无线接入节点的块错误率用η来表示，传输块大小为
Figure FDA0003219437990000026
则路由路径p中任一单跳链路l出错的概率为
Figure FDA0003219437990000027
出现传输块错误的块进行重传，出现k次块错误，则传输时延为
Figure FDA0003219437990000028
5.如权利要求1所述的工业物联网中基于多跳传输的任务卸载方法，其特征在于，所述计算任务在所述边缘计算服务器计算的模型为：
所述计算任务Qi在所述边缘计算服务器j上的计算时间为
Figure FDA0003219437990000029
其中
Figure FDA0003219437990000031
为所述边缘计算服务器j分配到所述计算任务Qi的计算资源，所述计算任务Qi在所述边缘计算服务器j上计算的效用函数为
Figure FDA00032194379900000316
6.如权利要求1所述的工业物联网中基于多跳传输的任务卸载方法，其特征在于，所述步骤二的模型为：
采用路径向量路由机制，所述工业设备i需要将所述计算任务Qi传输到所述边缘计算服务器j进行处理，则从与所述工业设备i相关联的所述无线接入节点χ(i)到所述边缘计算服务器j有一组路由路径，定义为
Figure FDA0003219437990000033
包含所有从所述无线接入节点χ(i)到所述边缘计算服务器j的路由路径；
定义所述工业设备i的一组计算选择变量，
Figure FDA0003219437990000034
来表示所述计算任务Qi在本地计算还是卸载计算；xi＝1表示所述计算任务Qi在本地进行处理，
Figure FDA0003219437990000035
表示所述计算任务Qi通过路径p卸载到所述边缘计算服务器j进行处理；计算选择变量的约束为
Figure FDA0003219437990000036
定义Ui为处理所述工业设备i上产生的所述计算任务Qi的效用函数；
定义任务的卸载决策向量为
Figure FDA0003219437990000037
则全体任务的卸载决策为
Figure FDA0003219437990000038
定义计算任务的带宽分配向量为
Figure FDA0003219437990000039
定义边缘计算服务器的计算资源分配向量为
Figure FDA00032194379900000310
任务卸载和资源分配优化问题表示为：
Figure FDA00032194379900000311
Figure FDA00032194379900000312
Figure FDA00032194379900000313
Figure FDA00032194379900000314
Figure FDA00032194379900000315
7.如权利要求6所述的工业物联网中基于多跳传输的任务卸载方法，其特征在于，所述步骤三具体为：
引入辅助变量
Figure FDA0003219437990000041
和
Figure FDA0003219437990000042
代替所述优化问题中耦合的优化变量
Figure FDA0003219437990000043
和
Figure FDA0003219437990000044
即
Figure FDA0003219437990000045
Figure FDA0003219437990000046
利用线性化重构技术，用线性约束代替所述优化问题中包含耦合变量的约束c5和c6；
Figure FDA0003219437990000047
Figure FDA0003219437990000048
其中，Bmin和fmin是无穷小量。
8.如权利要求7所述的工业物联网中基于多跳传输的任务卸载方法，其特征在于，对所述优化问题中的二进制变量进行松弛处理
Figure FDA0003219437990000049
约束c2转化为
Figure FDA00032194379900000410
约束c3转化为
Figure FDA00032194379900000411
将所述优化问题转化为凸优化问题
Figure FDA00032194379900000412
s.t.c1，c2′，c3′，#(1)，#(2)，#(3)。
9.如权利要求8所述的工业物联网中基于多跳传输的任务卸载方法，其特征在于，所述步骤四具体为：
定义变量xi，
Figure FDA00032194379900000413
的本地副本
Figure FDA00032194379900000414
构建设备i’的本地变量可行集Ξi′，对于每一个设备，将其本地效用函数表示为
Figure FDA0003219437990000051
Figure FDA0003219437990000052
Figure FDA0003219437990000053
构建问题P4的增广拉格朗日函数，通过迭代更新本地变量、全局变量和对偶变量来求解问题，最后对松弛处理的变量进行恢复，得到通信带宽分配、计算资源分配和路由路径选择的联合优化策略。
10.一种工业物联网系统，其特征在于，包括工业设备、无线接入节点、SDN交换机、边缘计算服务器，按照如权利要求1-9所述的方法，得到通信带宽分配、计算资源分配和路由路径的联合优化策略，进行多跳传输的任务卸载。
CN202010992896.1A 2020-09-21 2020-09-21 一种工业物联网中基于多跳传输的任务卸载方法 Active CN112187534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010992896.1A CN112187534B (zh) 2020-09-21 2020-09-21 一种工业物联网中基于多跳传输的任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010992896.1A CN112187534B (zh) 2020-09-21 2020-09-21 一种工业物联网中基于多跳传输的任务卸载方法

Publications (2)

Publication Number Publication Date
CN112187534A CN112187534A (zh) 2021-01-05
CN112187534B true CN112187534B (zh) 2021-09-24

Family

ID=73955510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010992896.1A Active CN112187534B (zh) 2020-09-21 2020-09-21 一种工业物联网中基于多跳传输的任务卸载方法

Country Status (1)

Country Link
CN (1) CN112187534B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113676357B (zh) * 2021-08-30 2022-07-29 国网内蒙古东部电力有限公司 面向电力物联网中边缘数据处理的决策方法及其应用

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017100640A1 (en) * 2015-12-11 2017-06-15 Interdigital Patent Holdings, Inc. Method and apparatus for enabling third party edge clouds at the mobile edge
CN109240818A (zh) * 2018-09-04 2019-01-18 中南大学 一种边缘计算网络中基于用户体验的任务卸载方法
CN109388492A (zh) * 2018-10-09 2019-02-26 浙江工业大学 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法
CN109743099A (zh) * 2019-01-10 2019-05-10 深圳市简智联信息科技有限公司 移动边缘计算系统及其资源分配方法
CN111148134A (zh) * 2019-12-19 2020-05-12 南京大学 一种基于移动边缘计算的多用户多任务卸载方法
CN111245651A (zh) * 2020-01-08 2020-06-05 上海交通大学 一种基于功率控制和资源分配的任务卸载方法
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111611076A (zh) * 2020-05-20 2020-09-01 云南大学 任务部署约束下移动边缘计算共享资源公平分配方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017100640A1 (en) * 2015-12-11 2017-06-15 Interdigital Patent Holdings, Inc. Method and apparatus for enabling third party edge clouds at the mobile edge
CN109240818A (zh) * 2018-09-04 2019-01-18 中南大学 一种边缘计算网络中基于用户体验的任务卸载方法
CN109388492A (zh) * 2018-10-09 2019-02-26 浙江工业大学 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法
CN109743099A (zh) * 2019-01-10 2019-05-10 深圳市简智联信息科技有限公司 移动边缘计算系统及其资源分配方法
CN111148134A (zh) * 2019-12-19 2020-05-12 南京大学 一种基于移动边缘计算的多用户多任务卸载方法
CN111245651A (zh) * 2020-01-08 2020-06-05 上海交通大学 一种基于功率控制和资源分配的任务卸载方法
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111611076A (zh) * 2020-05-20 2020-09-01 云南大学 任务部署约束下移动边缘计算共享资源公平分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
移动边缘计算中的计算卸载策略研究综述;董思岐;《计算机科学》;20191130;全文 *

Also Published As

Publication number Publication date
CN112187534A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN111918311B (zh) 基于5g移动边缘计算的车联网任务卸载和资源分配方法
WO2021139537A1 (zh) 一种工业物联网中基于功率控制和资源分配的任务卸载方法
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
CN113939034A (zh) 一种立体异构电力物联网云边端协同资源分配方法
Duong et al. From digital twin to metaverse: The role of 6G ultra-reliable and low-latency communications with multi-tier computing
Liu et al. Full-duplex aided user virtualization for mobile edge computing in 5G networks
CN114051254A (zh) 一种基于星地融合网络的绿色云边协同计算卸载方法
CN113613301B (zh) 一种基于dqn的空天地一体化网络智能切换方法
CN112187534B (zh) 一种工业物联网中基于多跳传输的任务卸载方法
Bhandari et al. Optimal Cache Resource Allocation Based on Deep Neural Networks for Fog Radio Access Networks
Tsukamoto et al. Feedback control for adaptive function placement in uncertain traffic changes on an advanced 5G system
Van Truong et al. System performance and optimization in NOMA mobile edge computing surveillance network using GA and PSO
Xu et al. Joint task offloading and resource allocation for multihop industrial internet of things
Xu et al. Cybertwin assisted wireless asynchronous federated learning mechanism for edge computing
CN117196014B (zh) 基于联邦学习的模型训练方法、装置、计算机设备及介质
CN116761218A (zh) 一种云边端协同系统中的联合优化方法、系统及存储介质
Farajzadeh et al. FLSTRA: Federated learning in stratosphere
CN116600344A (zh) 一种具有电力成本差异的多层mec资源卸载方法
CN115276755B (zh) 卫星网络通信的星间链路与功率分配方法
Yuan et al. Joint multi-ground-user edge caching resource allocation for cache-enabled high-low-altitude-platforms integrated network
WO2022231491A1 (en) Determing allocation of unmanned aerial vehicle base stations in a wireless network
CN113411112A (zh) 一种分布式鲁棒多小区协作波束成形admm网络的构建方法
Luo et al. Resource allocation and user-centric clustering in ultra-dense networks with wireless backhaul
CN117440135B (zh) 基于北斗卫星通信的图像传输方法及系统
Howe et al. Robust and Efficient Quantum Communication

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