CN112188560B

CN112188560B - 一种边缘协同的计算资源分配方法

Info

Publication number: CN112188560B
Application number: CN202010936920.XA
Authority: CN
Inventors: 陈月云; 陈广; 买智源; 杜利平
Original assignee: University of Science and Technology Beijing USTB
Current assignee: University of Science and Technology Beijing USTB
Priority date: 2020-09-08
Filing date: 2020-09-08
Publication date: 2021-11-30
Anticipated expiration: 2040-09-08
Also published as: CN112188560A

Abstract

本发明提供一种边缘协同的计算资源分配方法，属于无线通信技术领域。所述方法包括：建立MEC无线网络，其中，所述MEC无线网络包括：一个配备本地MEC服务器的本地小区和载有其他MEC服务器的其他小区；利用双层竞价博弈构建“用户‑本地MEC服务器‑其他MEC服务器”计算资源分配与协同模型；其中，所述计算资源分配与协同模型包括：本地计算资源分配竞价博弈模型和边缘计算资源协同竞价博弈模型；对构建的计算资源分配与协同模型求均衡解，根据得到的均衡解将本地MEC服务器计算资源合理分配给每个用户并协调MEC服务器之间的计算资源。采用本发明，能够对本地MEC服务器计算资源进行合理配置，并保证MEC服务器的负载均衡。

Description

一种边缘协同的计算资源分配方法

技术领域

本发明涉及无线通信技术领域，特别涉及是指一种边缘协同的计算资源分配方法。

背景技术

移动边缘计算(Mobile Edge Computing，MEC)为用户提供了低时延的计算服务，对计算资源分配机制的高效性与有效性的要求也越来越高。低时延业务需要高效、灵活的资源配置机制保证用户服务顺利进行。然而集中式的资源分配方式计算复杂度高、模型构建复杂、无法突出用户的个体理性。基于博弈论的资源配置机制具有低复杂度、高灵活性等优点，在近年来得到了广泛的研究和发展。尽管博弈能够降低资源分配与协同的复杂度，提高分配的灵活性，但是对于MEC无线网络的资源交互过程中的“资源-支付”描述仍然匮乏，无法有效解决MEC无线网络中计算资源配置不合理与MEC服务器负载均衡问题。

发明内容

本发明实施例提供了边缘协同的计算资源分配方法，能够对本地MEC服务器计算资源进行合理配置，并保证MEC服务器的负载均衡。所述技术方案如下：

本发明实施例提供了一种边缘协同的计算资源分配方法，该方法包括：

建立MEC无线网络，其中，所述MEC无线网络包括：一个配备本地MEC服务器的本地小区和载有其他MEC服务器的其他小区；

利用双层竞价博弈构建“用户-本地MEC服务器-其他MEC服务器”计算资源分配与协同模型；其中，所述计算资源分配与协同模型包括：本地计算资源分配竞价博弈模型和边缘计算资源协同竞价博弈模型；

对构建的计算资源分配与协同模型求均衡解，根据得到的均衡解将本地MEC服务器计算资源合理分配给每个用户并协调MEC服务器之间的计算资源。

进一步地，所述利用双层竞价博弈构建“用户-本地MEC服务器-其他MEC服务器”计算资源分配与协同模型包括：

通过竞价博弈对用户任务卸载计算资源分配问题进行建模，得到本地计算资源分配竞价博弈模型；

通过竞价博弈对本地MEC服务器与其他MEC服务器的资源协同问题进行建模，得到边缘计算资源协同竞价博弈模型。

进一步地，所述通过竞价博弈对用户任务卸载计算资源分配问题进行建模，得到本地计算资源分配竞价博弈模型包括：

通过竞价博弈构建用户与本地MEC服务器在资源买卖中的效用函数；

根据构建的用户与本地MEC服务器在资源买卖中的效用函数，构建本地计算资源分配竞价博弈模型。

进一步地，构建的用户i在资源买卖中的效用函数为：

V_i(α_i,f_si)＝V_li-V_si(α_i,f_si),i∈N

其中，V_i(α_i,f_si)为用户i在资源买卖中的效用函数，α_i为用户i需要支付给本地MEC服务器的费用，f_si为本地MEC服务器分配给用户i的计算资源，N为本地用户的集合，N＝{1,2,3,...,n}，V_li为用户i的本地执行开销，

f_li为用户自身计算资源，β_ti、β_ei分别为用户i的时间权重因子与能量权重因子，c_i为用户i卸载任务的尺寸，k_i为能量消耗因子，V_si(α_i,f_si)为用户i的边缘执行开销，

t_ti为卸载任务传输时间，e_ti为用户i将任务卸载至本地MEC服务器消耗的能量；

构建的本地MEC服务器在资源买卖中的效用函数为：

其中，U(α,f_s)为本地MEC服务器在资源买卖中的效用函数，α＝{α₁,α₂,...,α_n}，f_s＝{f_s1,f_s2,...,f_sn}，U_cos-i(f_si)为本地MEC服务器为用户i提供f_si资源造成的开销，

λ_ti、λ_ei分别为本地MEC服务器的时间权重因子与能量权重因子。

进一步地，构建的本地计算资源分配竞价博弈模型表示为：

其中，s.t.表示约束条件；A为竞价博弈自变量可行域；

表示竞价博弈达到均衡后用户k需要支付给本地MEC服务器的费用，

为竞价博弈达到均衡后本地服务器分配给用户k的计算资源；

为服务器竞价博弈分歧点，

为用户i竞价博弈分歧点。

进一步地，所述通过竞价博弈对本地MEC服务器与其他MEC服务器的资源协同问题进行建模，得到边缘计算资源协同竞价博弈模型包括：

通过竞价博弈构建本地MEC服务器与其他MEC服务器在资源协同中的效用函数；

根据构建的本地MEC服务器与其他MEC服务器在资源协同中的效用函数，构建边缘计算资源协同竞价博弈模型。

进一步地，构建的本地MEC服务器在资源协同中的效用函数为：

U_cur(μ)＝γF_sLack-μ

其中，U_cur(μ)为本地MEC服务器在资源协同中的效用函数，γ为过载惩罚因子，F_sLack表示本地MEC服务器过载所缺少的计算资源，

x_i表示用户i的卸载决策，F_Total为本地MEC服务器总的计算资源，μ为本地MEC服务器请求协同需要支付给其他MEC服务器的费用；

构建的其他MEC服务器在资源协同中的效用函数为：

U_oth＝μ-ηF_sLack

其中，U_oth为其他MEC服务器在资源协同中的效用函数，η为其他MEC服务器在计算协同中所调用计算资源的开销因子，η<γ。

进一步地，构建的边缘计算资源协同竞价博弈模型为：

s.t.γF_sLack-μ≥0,μ-ηF_sLack≥0

其中，s.t.表示约束条件。

进一步地，所述对构建的计算资源分配与协同模型求均衡解包括：

对建模之后得到的具有均衡约束的计算资源分配与协同模型求均衡解，得到竞价博弈达到均衡后本地MEC服务器分配给用户i的计算资源

用户i需要支付给本地MEC服务器的费用

及本地MEC服务器请求协同需要支付给其他MEC服务器的费用μ^*：

其中，θ_i(f_si)＝V_li-V_si-U_cos-i为用户i卸载任务产生的社会福利。

进一步地，通过社会总福利评价边缘协同的计算资源分配方法的性能，其中，社会总福利表示为：

其中，θ_ulti(f_s)表示社会总福利。

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明实施例中，利用双层竞价博弈构建的“用户-本地MEC服务器-其他MEC服务器”计算资源分配与协同模型，能够对本地MEC服务器计算资源进行合理配置，并通过协调MEC服务器之间的计算资源解决在计算资源分配机制中因用户卸载任务过多造成的本地MEC服务器计算负载过大的问题，从而保证MEC服务器的负载均衡。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的边缘协同的计算资源分配方法的流程示意图；

图2为本发明实施例提供的MEC无线网络的系统结构示意图；

图3为本发明实施例提供的双层竞价博弈的逻辑示意图；

图4为本发明实施例提供的移动用户数量对社会总福利的影响示意图；

图5为本发明实施例提供的移动用户数量对卸载比率的影响示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1所示，本发明实施例提供了一种边缘协同的计算资源分配方法，该方法包括：

S101，建立MEC无线网络，其中，所述MEC无线网络包括：一个配备本地MEC服务器的本地小区和载有其他MEC服务器的其他小区；

S102，利用双层竞价博弈构建“用户-本地MEC服务器-其他MEC服务器”计算资源分配与协同模型；其中，所述计算资源分配与协同模型包括：本地计算资源分配竞价博弈模型和边缘计算资源协同竞价博弈模型；

S103，对构建的计算资源分配与协同模型求均衡解，根据得到的均衡解将本地MEC服务器计算资源合理分配给每个用户并协调MEC服务器之间的计算资源。

本发明实施例所述的边缘协同的计算资源分配方法，利用双层竞价博弈构建的“用户-本地MEC服务器-其他MEC服务器”计算资源分配与协同模型，能够对本地MEC服务器计算资源进行合理配置，并通过协调MEC服务器之间的计算资源解决在计算资源分配机制中因用户卸载任务过多造成的本地MEC服务器计算负载过大的问题，从而保证MEC服务器的负载均衡。

本实施例中，所述用户为移动用户，也就是移动终端，小区之间有高速互联接口。

本实施例中，所述双层竞价博弈包括：本地计算资源分配竞价博弈和边缘计算资源协同竞价博弈。

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，所述利用双层竞价博弈构建“用户-本地MEC服务器-其他MEC服务器”计算资源分配与协同模型包括：

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，所述通过竞价博弈对用户任务卸载计算资源分配问题进行建模，得到本地计算资源分配竞价博弈模型包括：

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，构建的用户i在资源买卖中的效用函数为：

V_i(α_i,f_si)＝V_li-V_si(α_i,f_si),i∈N

构建的本地MEC服务器在资源买卖中的效用函数为：

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，构建的本地计算资源分配竞价博弈模型表示为：

其中，s.t.表示约束条件；A为竞价博弈自变量可行域；

为竞价博弈达到均衡后本地服务器分配给用户k的计算资源，可以将

和

看作博弈的均衡后的解，即最优的用户支付与计算资源分配；

为服务器竞价博弈分歧点，即当服务器与用户i讨价还价失败后的效用，

为用户i竞价博弈分歧点，即当用户i与服务器讨价还价失败后的效用。

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，所述通过竞价博弈对本地MEC服务器与其他MEC服务器的资源协同问题进行建模，得到边缘计算资源协同竞价博弈模型包括：

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，构建的本地MEC服务器在资源协同中的效用函数为：

U_cur(μ)＝γF_sLack-μ

F_Total为本地MEC服务器总的计算资源，μ为本地MEC服务器请求协同需要支付给其他MEC服务器的费用，x_i表示用户i的卸载决策，当x_i＝1时，表示将任务卸载到本地MEC服务器上执行，当x_i＝0时，表示任务在用户自身设备上执行；

构建的其他MEC服务器在资源协同中的效用函数为：

U_oth＝μ-ηF_sLack

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，构建的边缘计算资源协同竞价博弈模型为：

s.t.γF_sLack-μ≥0,μ-ηF_sLack≥0

其中，s.t.表示约束条件。

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，所述对构建的计算资源分配与协同模型求均衡解包括：

用户i需要支付给本地MEC服务器的费用

本实施例中，对建模之后得到的具有均衡约束的计算资源分配与协同模型求均衡解，其求解的具体过程为：

1)求解本地计算资源分配竞价博弈模型

首先，证明所述本地计算资源分配竞价博弈模型为拟凹问题：

由于

用户i卸载任务产生的社会福利θ_i(f_si)＝V_li-V_si-U_cos-i，所以构建的本地计算资源分配竞价博弈模型可以转换为：

s.t.θ_i(f_si)-V_i≥0,V_i≥0

定义κ(f_si,V_i)＝(θ(f_si)-V_i)V_i，证明其定义域dom(f_si,V_i)是凸的。

对于V_i≥0凸函数的结论是显然的，对于θ(f_si)-V_i≥0，定义ξ(f_si,V_i)＝V_i-θ(f_si)，求解其海森矩阵H_ξ：

其中，

显然H_ξ为半正定矩阵，所以dom(f_si,V_i)凸的。

接下来，证明本地计算资源分配竞价博弈模型拟凹的二阶条件：

κ(f_si,V_i)的梯度

为：

其中，

κ(f_si,V_i)的海森矩阵H_κ为：

对于任意

R表示实数域，

若

可得：

所以，

所以κ(f_si,V_i)在dom(f_si,V_i)下为拟凹函数。

由梯度与海森矩阵求得最大值点：

由于拟凹问题的性质：极小值点就是最小值点，因此，

分别为最优的计算资源分配与用户支付。

由最优的计算资源分配与用户支付，可得用户i卸载任务产生的最优社会福利

为：

本实施例中，考察

的正负，当

移动用户i将任务卸载到本地MEC服务器上执行，即x_i＝1；反之，移动用户i在本地执行任务，即。

因为本地MEC服务器计算资源有限，所以需要与其他边缘协同计算才能保证本地小区用户卸载任务执行的质量，保证本地MEC服务器的负载均衡。

2)求解边缘计算资源协同竞价博弈模型

本实施例中，所述边缘计算资源协同竞价博弈模型为一元二次优化问题，可直接求解最大值点，得到最优支付费用μ^*：

在前述边缘协同的计算资源分配方法的具体实施方式中，进一步地，通过社会总福利评价边缘协同的计算资源分配方法的性能，其中，社会总福利表示为：

其中，θ_ulti(f_s)表示社会总福利，x_i为卸载决策，θ_i(f_si)＝V_li-V_si-U_cos-i为用户i卸载任务产生的社会福利。

为了验证本发明实施例提出的边缘协同的计算资源分配方法的有效性，对其进行验证，如图2所示，一个载有本地MEC服务器的小区内覆盖n个用户，每个用户都有一个计算任务需要本地执行或者卸载至边缘执行，本地小区通过高速互联接口与其他同样载有MEC服务器的小区连接，小区与小区之间可以进行计算负载的协同。假设小区覆盖范围为1km，MEC无线网络的系统采用正交频分多址(Orthogonal Frequency Division MultipleAccess，OFDMA)接入方式，中心频点为3.5GHz，子信道带宽为20MHz，大尺度衰落模型为：28.0+22log₁₀ d_[km]+20log₁₀ f_[MHz]，其中，d用户与基站的距离，f指用户占据信道的频点，小尺度衰落服从δ＝1的瑞利分布，δ类比于高斯分布方差的绝对值，天线增益设为0dB，用户随机选择接入子波段，本地MEC服务器最大计算资源为9×10¹⁰CPU周数/s，用户待卸载任务所需计算资源在10⁹CPU周数到2×10⁹CPU周数之间，用户自身的计算资源在0.5×10⁹到1.5×10⁹CPU周数/s，卸载任务所需传输数据尺寸在2*10⁵到5*10⁵之间，用户卸载任务发射功率为：20dBm，k_i＝5*10^-27,i∈N，β_ti＝0.8,

λ_ti＝0.3β_ti,

如图3所示，本发明实施例提出的边缘协同的计算资源分配方法主要包含两个部分：本地计算资源分配竞价博弈、边缘计算资源协同竞价博弈；其中本地计算资源分配竞价博弈对本地MEC服务器计算资源进行合理配置；边缘计算资源协同竞价博弈能够解决在计算资源分配机制中因移动用户卸载任务过多造成的本地MEC服务器计算负载过大的问题。

图4给出边缘协同的计算资源分配方法中用户数量对社会总福利的影响，同时给出与未考虑服务器时延开销与边缘协同的集中式算法在社会总福利方面性能的对比。通过对比可以看出本发明实施例(即：本专利)提出的边缘协同的计算资源分配方法在随着移动用户数量的增多能够稳定的提升社会福利，同时性能优于对比的集中式算法。

图5给出边缘协同的计算资源分配方法中用户数量对卸载比率的影响，同时给出与未考虑服务器时延开销与边缘协同的集中式算法在卸载比率方面性能的对比。通过对比可以看出由于本发明实施例(即：本专利)的资源分配与协同机制考虑计算协同能够在用户数量较多时仍然提供充足的计算资源保证较高的卸载比率。

综上，本发明实施例提供的边缘协同的计算资源分配方法具有以下优点：

1)计算开销低，相较于集中式的配置机制，分布式是博弈论的一个特征，因此，博弈论是一个分布式的优化方案，并不需要集中式建模那样的中心决策者，使得信令开销少，因此，基于双层竞价博弈的分布式资源配置方式不需要太多的信令交互，在减少信令交互开销的同时，有效减少了计算复杂度；

2)灵活度高，博弈论能够通过用户的效用函数反映每个用户业务的特点，灵活解决复杂业务资源配置；

3)易实行度高，通过双层竞价博弈建立的资源分配与协同模型能够解释“用户-本地MEC服务器-其他MEC服务器”在通信过程中的经济学角色，能够真实反映现实中的通信交互过程，有利于在实际通信过程中予以推广实行；

4)通过本地计算资源分配竞价博弈和边缘计算资源协同竞价博弈，能够解决MEC无线网络中计算资源配置不合理与MEC服务器负载均衡问题。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。