CN112486685A - 一种电力物联网的计算任务分配方法、装置及计算机设备 - Google Patents

一种电力物联网的计算任务分配方法、装置及计算机设备 Download PDF

Info

Publication number
CN112486685A
CN112486685A CN202011380656.2A CN202011380656A CN112486685A CN 112486685 A CN112486685 A CN 112486685A CN 202011380656 A CN202011380656 A CN 202011380656A CN 112486685 A CN112486685 A CN 112486685A
Authority
CN
China
Prior art keywords
base station
energy consumption
small base
determining
macro base
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
CN202011380656.2A
Other languages
English (en)
Other versions
CN112486685B (zh
Inventor
刘世栋
卜宪德
刘川
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.)
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
Electric Power Research Institute of State Grid Zhejiang Electric Power 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 State Grid Corp of China SGCC, Global Energy Interconnection Research Institute, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011380656.2A priority Critical patent/CN112486685B/zh
Publication of CN112486685A publication Critical patent/CN112486685A/zh
Application granted granted Critical
Publication of CN112486685B publication Critical patent/CN112486685B/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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the 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
    • H04W40/22—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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种电力物联网的计算任务分配方法、装置及计算机设备，该方法包括：根据任务分配向量及用户终端、小基站及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗，继而确定目标函数；根据目标函数、多个预设约束条件及变量替换算法，确定目标函数的解及用户终端、小基站及宏基站的任务分配向量；并确定用户终端、小基站及宏基站的最优任务处理量。通过实施本发明，结合本地计算能耗、小基站计算能耗及宏基站计算能耗，构建目标函数，继而确定最优任务处理量的分配方案，根据最优任务处理量的分配方案，可以最大化使用各层的计算能力，且可在时延较小的情况下，实现各层计算模型的能耗最小化。

Description

一种电力物联网的计算任务分配方法、装置及计算机设备
技术领域
本发明涉及电力物联网以及移动边缘计算领域，具体涉及一种电力物联网的计算任务分配方法、装置及计算机设备。
背景技术
电力系统的技术水平和规模效益已成为衡量国民经济发展的重要基准之一。电力物联网或能源互联网和其他应用类型(例如，增强现实和医疗保健等)的物联网一样，推动着各种移动互联网业务的快速发展。无论是智能电网通信系统需要满足通信服务应用程序对带宽、延迟和可靠性的要求，还是安全输电线路的在线检测需要保证数据监控与传输的实时性和能耗要求，现有的仅依赖于云计算的集中处理模式已经很难满足电力物联网不断增长的各种业务需求。具体表现以下几个方面：(1)时延较长。电力通信服务和监控对实时性的要求极高，如果数据通过现有技术中的云计算处理，系统延时将大大增加。(2)带宽不足。大量电力终端设备产生大量的实时数据，并将上述数据统一传输至云端，将会给网络带宽带来巨大压力。(3)高能源消耗。随着接入设备数量的增加以及数据的增加，电力数据中心将产生巨大的能量成本。
发明内容
有鉴于此，本发明实施例提供了一种电力物联网的计算任务分配方法、装置及计算机设备，以解决现有技术中存在的由于业务量增加，仅依赖于云计算的集中处理模式处理业务产生的时延较长、带宽不足以及消耗过高的问题。
根据第一方面，本发明实施例提供了一种电力物联网的计算任务分配方法，所述电力物联网包括：用户终端、小基站以及宏基站，所述方法包括：根据任务分配向量及所述用户终端、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗；根据所述本地计算能耗、小基站卸载能耗、宏基站卸载能耗确定目标函数；根据所述目标函数、多个预设约束条件以及变量替换算法，确定所述目标函数的解；根据所述目标函数的解，分别确定所述用户终端、小基站以及宏基站的最优任务分配向量；根据所述最优任务分配向量分别确定用户终端的最优任务处理量、小基站的最优任务处理量以及宏基站的最优任务处理量。
结合第一方面，在第一方面第一实施方式中，该方法还包括：根据所述目标函数的解，确定小基站计算能力的最优分配方案；根据所述用户终端的最优任务处理量、所述小基站的最优任务处理量、所述宏基站的最优任务处理量以及小基站计算能力的最优分配方案，确定所述用户终端、小基站以及宏基站的基础参数。
结合第一方面，在第一方面第二实施方式中，所述根据最优任务分配向量及所述用户终端、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗，包括：根据本地任务处理量、处理器能耗、本地计算能力以及预设电容值，确定本地计算能耗；根据小基站传输能耗以及小基站计算能耗，确定小基站卸载能耗；根据宏基站传输能耗以及宏基站计算能耗，确定宏基站卸载能耗。
结合第一方面第二实施方式，在第一方面第三实施方式中，通过以下公式计算本地计算能耗：
Figure BDA0002808389290000021
其中，en，1表示任一移动终端用户n∈N的本地计算能耗，αn，1表示本地任务处理量的分配向量，dn表示数据比特数，cn表示处理每数据比特所需时间，
Figure BDA0002808389290000022
表示为有效开关电容值，fn，1表示任一移动终端用户n∈N的本地计算能力；αn,1dn表示任一移动终端用户n∈N的本地任务处理量，αn,1dncn表示本地处理周期，
Figure BDA0002808389290000031
表示本地处理器每周期所需能耗；
通过以下公式计算小基站卸载能耗：
Figure BDA0002808389290000032
其中，en,s表示任一移动终端用户n∈N的小基站计算能耗，αn,s表示小基站任务处理量的分配向量，rn表示移动终端用户n的传输速率，pn表示移动终端用户n的发射功率，es表示小基站处理器每周期所需能耗；式中，第一项表示通过无线信道传输任务的能耗，第二项表示小基站处理任务的计算能耗；
通过以下公式计算宏基站卸载能耗：
Figure BDA0002808389290000033
其中，en,m表示移动终端用户n的宏基站计算能耗，αn,m表示宏基站任务处理量的分配向量，δ表示有线传输线路的传输功率，em表示宏基站处理器每周期所需能耗；式中，第一项表示移动终端通过无线信道传输任务的能耗，第二项表示小基站通过有线信道传输任务的能耗，第三项表示宏基站处理任务的计算能耗。
结合第一方面，在第一方面第四实施方式中，所述根据所述目标函数、多个预设约束条件以及变量替换算法，确定所述目标函数的解，包括：根据变量替换算法以及预设固定参数，确定所述目标函数的简化目标；根据所述简化目标以及多个预设约束条件，确定所述目标函数的解。
结合第一方面或第一方面第四实施方式，在第一方面第五实施方式中，通过以下过程，确定所述多个预设约束条件：根据本地任务处理量以及本地计算能力，确定本地计算时延；根据所述本地计算时延以及预设时间阈值，确定本地计算时延约束条件；根据小基站任务处理量、小基站计算能力以及第一传输时间，确定小基站计算时延，所述第一传输时间为从移动终端传输至所述小基站所需要的时间；根据所述小基站计算时延以及预设时间阈值，确定小基站计算时延约束条件；根据宏基站任务处理量、宏基站计算能力以及第二传输时间，确定宏基站计算时延，根据所述宏基站计算时延以及预设时间阈值，确定宏基站计算时延约束条件；根据所述本地计算时延约束、所述小基站计算时延约束以及所述宏基站计算时延约束，确定任务分配约束条件；根据小基站计算能力以及分配频率，确定所述计算能力分配约束条件；根据预设发射功率，确定用户发射功率约束条件。
结合第一方面第五实施方式，在第一方面第六实施方式中，通过以下公式计算本地计算时延：
Figure BDA0002808389290000041
其中，tn,1表示本地计算时延；
通过以下公式计算本地计算时延约束条件：
Figure BDA0002808389290000042
其中，Tn表示预设时间阈值；
通过以下公式计算小基站计算时延：
Figure BDA0002808389290000043
其中，tn,s表示小基站计算时延，fn,s表示移动终端用户n被分配到的小基站计算能力；
通过以下公式计算小基站计算时延约束条件：
Figure BDA0002808389290000044
通过以下公式计算宏基站计算时延：
Figure BDA0002808389290000045
其中，tn，m表示宏基站计算时延，Fm表示宏基站中服务器计算能力；通过以下公式计算宏基站计算时延约束条件：
Figure BDA0002808389290000046
通过以下公式计算任务分配约束条件：
αn,l+αn,s+αn,m＝1，
通过以下公式确定计算能力分配约束条件：
0≤fn,s≤βnFs,
Figure BDA0002808389290000051
其中，βnFs表示移动终端用户n被分配到的小基站计算能力最大值，βn表示移动终端用户n的小基站计算能力分配向量，小基站计算能力分配向量为fs＝{f1,s,f2,s，…,fn,s,…,fN,s，}；
通过以下公式计算用户发射功率约束条件：
Figure BDA0002808389290000052
0≤βn,fn,l,αn,l,αn,s,αn,m,tn,l,tn,s,tn,m,
其中
Figure BDA0002808389290000053
表示移动终端用户n的发射功率最大值。
根据第二方面，本发明实施例提供了一种电力物联网的计算任务分配装置，包括：能耗确定模块，用于根据任务分配向量及用户终端、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗；目标函数确定模块，用于根据所述本地计算能耗、小基站卸载能耗、宏基站卸载能耗确定目标函数；目标函数求解模块，用于根据所述目标函数、多个预设约束条件以及变量替换算法，确定所述目标函数的解；任务分配向量确定模块，用于根据所述目标函数的解，分别确定所述用户终端、小基站以及宏基站的最优任务分配向量；最优任务处理量确定模块，用于根据所述最优任务分配向量分别确定用户终端的最优任务处理量、小基站的最优任务处理量以及宏基站的最优任务处理量。
根据第三方面，本发明实施例提供了一种计算机设备，包括：包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面或者第一方面的任意一种实施方式中所述的电力物联网的计算任务分配方法的步骤。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第二方面或者第二方面的任意一种实施方式中所述的电力物联网的计算任务分配方法的步骤。
本发明技术方案，具有如下优点：
1.本发明提供的一种电力物联网的计算任务分配方法、装置及计算机设备，其中，该电力物联网包括：用户终端、小基站以及宏基站，该方法包括：根据任务分配向量及用户终端、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗；根据本地计算能耗、小基站卸载能耗、宏基站卸载能耗确定目标函数；根据目标函数、多个预设约束条件以及变量替换算法，确定目标函数的解；根据目标函数的解，分别确定用户终端、小基站以及宏基站的任务分配向量；根据任务分配向量分别确定用户终端的最优任务处理量、小基站的最优任务处理量以及宏基站的最优任务处理量。通过实施本发明，结合本地计算能耗、小基站计算能耗以及宏基站计算能耗的函数，建立本地、小基站以及宏基站多层的计算模型，构建目标函数，进而通过预设的变量替换算法，根据目标函数的解确定了最优任务处理量的分配方案，根据最优任务处理量的分配方案，可以使各层的计算能力被最大化使用，且可以在时延较小的情况下，实现了各层计算模型的能耗最小化。
2.本发明实施例提供的一种电力物联网的计算任务分配方法，建立了用户终端、小基站和宏基站的通信模型和三层计算模型，完善且实际有效实现了时延和能耗的优化；以时延为限制条件优化单目标能耗，采用变量替换方法进行优化目标求解凸优化问题的解析解，计算实现简单有效。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中电力物联网的计算任务分配方法中通信模型的示意图；
图2为本发明实施例中电力物联网的计算任务分配方法的一个具体示例的流程图；
图3为本发明实施例中电力物联网的计算任务分配方法的另一个具体示例的流程图；
图4为本发明实施例中电力物联网的计算任务分配方法中计算多种约束条件的一个具体示例的流程图；
图5为本发明实施例中电力物联网的计算任务分配方法中随用户数变化的各种方案系统总能耗比较的示意图；
图6为本发明实施例中电力物联网的计算任务分配方法中随计算任务变化的各种方案系统总能耗比较的示意图；
图7为本发明实施例中电力物联网的计算任务分配方法中随执行延迟变化的各种方案系统总能耗比较的示意图；
图8为本发明实施例中电力物联网的计算任务分配方法中随计算需求变化的各种方案系统总能耗的示意图；
图9为本发明实施例中电力物联网的计算任务分配装置的一个具体示例的原理框图；
图10为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有作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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
当传统的基于云计算的集中处理模式已经无法满足电力物联网不断增长的各种业务需求时，移动边缘计算作为一种新兴技术进入用户视野。移动边缘计算集成云计算和移动网络，可以在网络边缘提供大量的计算资源。边缘计算集成移动网络、计算、存储等其他综合功能，边缘计算将云计算的计算和存储等能力搬移到网络边缘，更接近于服务终端或数据生成端。使得各种业务、服务和应用可本地化部署，并为其提供低能耗、低时延和高带宽等运营环境，满足智能电网、智能交通和虚拟现实等新兴应用的计算需求。移动边缘计算主要包含：扁平边缘云架构和分层边缘云架构。在扁平边缘云架构中，移动边缘计算服务器位于同一层；而在分层边缘云架构中，移动边缘计算服务器位于不同的层。
异构网络可与分层移动边缘计算结合。基于异构网络架构，移动边缘计算为小基站和宏基站配备移动边缘计算服务器，帮助智能移动设备执行计算任务，或者三者同时各自执行计算任务，为电力物联网的通信服务和安全输电线路的在线检测提供了强大的支撑和保障。
因此，为了解决相关技术中存在的时延较大、资源不足以及能耗较高的问题，本发明实施例提供了一种电力物联网的计算任务分配方法、装置及计算机设备。
在本发明实施例中，如图1所示，电力物联网包括：用户终端1、小基站2以及宏基站3，其中，用户终端1即为智能移动设备，在电力物联网中包括多个智能移动设备，小基站与多个智能移动设备通过无线信道进行通信，与宏基站通过有线信道相连接；小基站上配置有边缘计算服务器，即为小基站服务器；宏基站上也配置有边缘计算服务器，为宏基站服务器。具体地，预设电力物联网中的通信模型，例如，预设智能移动设备采用正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)通信方式与小基站进行通信，也就是说，将相同带宽的正交频谱分别分配至与小基站连接的多个智能移动设备；预设智能移动设备与小基站之间的传输信道为瑞利衰落信道；预设相干时间大于任务执行时间，即信道增益在任务被处理期间是不变的；可以根据智能移动终端的用户n、通信信道增益、通信信道带宽、发射功率、上行链路信道增益和高斯白噪声功率确定在小基站以及宏基站上的任务卸载速率，可以通过下述公式计算任务卸载速率：
Figure BDA0002808389290000091
其中，rn表示移动终端用户n的传输速率，B表示信道带宽，pn表示移动终端用户n的发射功率，gn表示上行链路信道增益，N0表示和高斯白噪声功率，终端用户n表示任意智能移动设备上的用户，且n∈N。p＝[p1,p2,…pN]表示多个用户终端1的发射功率向量。用户n的发射功率pn需小于其最大发射功率
Figure BDA0002808389290000092
本发明实施例中具备三层计算框架，第一层计算框架为多个智能移动设备构成的具备本地计算能力的用户集合；第二层计算框架为具备有限计算能力的小基站上的边缘计算服务器；第二层计算框架为具备大量机计算资源以及计算能力的宏基站上的边缘计算服务器。传输计算任务时，将智能移动设备上的计算任务首先卸载到小基站上的边缘计算服务器进行计算，然后再卸载到宏基站上的边缘计算服务器进行计算。
本发明实施例提供了一种电力物联网的计算任务分配方法，如图2所示，包括：
步骤S11：根据任务分配向量及用户终端1、小基站2以及宏基站3的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗；在本实施例中，当用户终端1、小基站2与宏基站3一同执行计算任务时，任务分配向量可以是分配到用户终端1的计算任务、分配到小基站2的计算任务以及分配到宏基站3的计算任务之间的比值，可以用α＝{αn,1，αn，s，αn，m}表示。计算任务可以是能够面向数据分割的任务，如病毒扫描和压缩任务等文件可以任意分割。计算任务可以分为三层分别执行，即移动设备、小基站和宏基站等共三层，每层可以并行扫描全部文件的一部分。最后，将三个层的结果合并得到最终结果。
用户终端1、小基站以及宏基站的基础参数可以包括处理每数据比特所需时间、有效开关电容值、移动终端用户的传输速率、移动终端用户的发射功率、小基站处理器每周期所需能耗、有线传输线路的传输功率、宏基站处理器每周期所需能耗等等，其中，有效开关电容值与处理器内的芯片架构相关；本地计算能耗可以是用户在智能移动设备上执行计算任务时消耗的能量；小基站卸载能耗可以包括小基站执行计算任务时消耗的能量以及用户通过无线信道传输计算任务消耗能量；由于卸载到宏基站的任务需要用户终端1首先卸载到小基站，然后再卸载到宏基站。因此，宏基站卸载能耗可以包括用户通过无线信道传输计算任务消耗能量、用户通过有线信道传输计算任务消耗能量以及宏基站上的边缘计算服务器执行计算消耗的能量。
具体地，根据多个基础参数分别确定各用户终端1的本地计算能耗、小基站卸载能耗以及宏基站卸载能耗的函数，也可以是根据多个基础参数之间的关系确定各用户终端1对应的本地计算能耗、小基站卸载能耗以及宏基站卸载能耗的计算表达式。
步骤S12：根据本地计算能耗、小基站卸载能耗、宏基站卸载能耗确定目标函数；在本实施例中，根据本地计算能耗、小基站卸载能耗以及宏基站卸载能耗的计算表达式确定本发明实施例中的目标函数，目标函数可以是能效优化函数，目标为各用户终端1、小基站2以及宏基站3消耗能量最小。
步骤S13：根据目标函数、多个预设约束条件以及变量替换算法，确定目标函数的解；在本实施例中，多个预设约束条件可以包括根据用户需求确定的约束条件以及基础约束，例如，根据用户需求确定的约束条件可以包括最大执行时间约束条件或者最大延时约束条件；基础约束条件可以包括任务分配约束条件、计算能力分配约束条件、用户发射功率约束条件。具体地，目标函数以及多个预设约束条件可以构建在任务执行时间约束条件下的能效优化问题；具体地，可以通过变量替换算法，首先将目标函数中的任一基础参数固定，其次，根据固定后的任一基础参数以及目标函数，求出目标函数的解。
步骤S14：根据目标函数的解，分别确定用户终端1、小基站2以及宏基站3的最优任务分配向量；在本实施例中，根据目标函数的解，确定优化后的计算任务负荷，即
Figure BDA0002808389290000111
步骤S15：根据最优任务分配向量分别确定用户终端的最优任务处理量、小基站的最优任务处理量以及宏基站的最优任务处理量。在本实施例中，用户终端的最优任务处理量是可以保证最小时延且能耗最小的用户终端1上需要处理的任务量；小基站的最优任务处理量是可以保证最小时延且能耗最小的小基站上需要处理的任务量；宏基站的最优任务处理量是可以保证最小时延且能耗最小的宏基站上需要处理的任务量。具体地，可以根据计算出的最优任务分配向量以及计算任务总量分别确定用户终端的最优任务处理量、小基站的最优任务处理量以及宏基站的最优任务处理量。
本发明提供的一种电力物联网的计算任务分配方法，结合本地计算能耗、小基站计算能耗以及宏基站计算能耗的函数，建立本地、小基站以及宏基站多层的计算模型，构建目标函数，进而通过预设的变量替换算法，根据目标函数的解确定了最优任务处理量的分配方案，根据最优任务处理量的分配方案，可以使各层的计算能力被最大化使用，且可以在时延较小的情况下，实现了各层计算模型的能耗最小化。通过生成目标函数进行优化决策，继而进行有效地从终端设备到移动边缘设备计算任务分配，从而实现能耗和时延的双重优化，在最小化能耗的情况，可以提升计算速度。
作为本发明一个可选实施方式，如图3所示，该计算任务分配方法，还包括：
步骤S16：根据目标函数的解，确定小基站计算能力的最优分配方案；在本实施例中，根据目标函数的解，确定小基站计算能力的最优分配方案，即fs＝{f1,s,f2，s，…，fn，s，…，fN,s}。
步骤S17：根据用户终端1的最优任务处理量、小基站的最优任务处理量、宏基站的最优任务处理量以及小基站计算能力的最优分配方案，确定用户终端1、小基站以及宏基站的基础参数。在本实施例中，根据计算出的用户终端1、小基站以及宏基站的最优任务处理量，可以求解根据变量替换算法固定的用户终端1、小基站以及宏基站的基础参数，例如，用户的发射功率等。
本发明提供的一种电力物联网的计算任务分配方法，基于三层计算和卸载的电力物联网移动边缘计算架构，通过建立的各层能量消耗模型和延迟模型，通过从智能移动设备的本地计算到小基站的边缘服务器，再到宏基站边缘云服务器的计算卸载，构建了电力物联网计算卸载的在时延最小的情况下的能耗最小化问题，通过变量替换算法求解最优计算任务分布、边缘计算能力分配和智能移动终端的发射功率等，最终实现优化目标。
作为本发明一个可选实施方式，上述步骤S11，根据任务分配向量及用户终端1、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗，包括：
第一方面，根据本地任务处理量、处理器能耗、本地计算能力以及预设电容值，确定本地计算能耗；在本实施中，计算任务可以被分为三部分，第一部分的计算任务在用户的智能移动终端本地执行，第二部分的计算任务在小基站执行，第三部分的计算任务在宏基站执行。可以是根据本地任务处理量、处理器能耗、本地计算能力以及预设电容值，确定的本地计算能耗的计算函数，也就是说，建立智能移动终端的本地能耗计算模型。
具体地，通过以下公式计算本地计算能耗：
Figure BDA0002808389290000121
其中，en,1表示任一移动终端用户n∈N的本地计算能耗，αn,1表示本地任务处理量的分配向量，dn表示数据比特数，cn表示处理每数据比特所需时间，
Figure BDA0002808389290000122
表示为有效开关电容值，fn,1表示任一移动终端用户n∈N的本地计算能力；αn,1dn表示任一移动终端用户n∈N的本地任务处理量，αn,1dncn表示本地处理周期，
Figure BDA0002808389290000123
表示本地处理器每周期所需能耗；
第二方面，根据小基站传输能耗以及小基站计算能耗，确定小基站卸载能耗；在本实施中，建立小基站2的卸载能耗计算模型，包括小基站传输能耗以及小基站计算能耗，因此，小基站2的传输能耗可以是传输第二部分的计算任务以及传输第三部分的计算任务的能耗，小基站2的卸载能耗为根据小基站传输能耗以及小基站计算能耗生成的计算函数，即建立小基站的能耗计算模型。
具体地，通过以下公式计算小基站卸载能耗：
Figure BDA0002808389290000131
其中，en,s表示任一移动终端用户n∈N的小基站计算能耗，αn,s表示小基站任务处理量的分配向量，rn表示移动终端用户n的传输速率，pn表示移动终端用户n的发射功率，es表示小基站处理器每周期所需能耗；式中，第一项表示通过无线信道传输任务的能耗，第二项表示小基站处理任务的计算能耗。
第三方面，根据宏基站传输能耗以及宏基站计算能耗，确定宏基站卸载能耗。在本实施例中，宏基站传输能耗包括第三部分的计算任务从小基站传输至宏基站的传输能耗以及移动终端通过无线信道传输第三部分的计算任务的能耗。根据宏基站传输能耗以及宏基站上的边缘计算服务器的计算能耗，确定在宏基站上的卸载能耗。
具体地，通过以下公式计算宏基站卸载能耗：
Figure BDA0002808389290000132
其中，en，表示移动终端用户n的宏基站计算能耗，αn,表示宏基站任务处理量的分配向量，δ表示有线传输线路的传输功率，em表示宏基站处理器每周期所需能耗；式中，第一项表示移动终端通过无线信道传输任务的能耗，第二项表示小基站通过有线信道传输任务的能耗，第三项表示宏基站处理任务的计算能耗。
作为本发明一个可选实施方式，上述步骤S13，根据目标函数、多个预设约束条件以及变量替换算法，确定目标函数的解，包括：
首先，根据变量替换算法以及预设固定参数，确定目标函数的简化目标，根据简化目标以及多个预设约束条件，确定目标函数的解；在本实施例中，根据本地计算能耗、小基站卸载能耗、宏基站卸载能耗确定目标函数，即可以通过下述公式，计算目标函数：
Figure BDA0002808389290000141
其中，d表示数据比特，f表示计算能力，p表示用户终端1的发射功率。
具体地，预设固定参数可以是根据变量替换算法确定的，例如，可以是用户终端n的发射功率pn；由于φ和δ的乘积较小，因此φδ项可忽略；又由于es＝em。因此，可以通过下述公式计算目标函数的简化目标：
Figure BDA0002808389290000142
Figure BDA0002808389290000143
Figure BDA0002808389290000144
其中，发射功率pn是固定的，rn也是固定的，此时的多个约束条件可以包括本地计算时延约束条件、小基站计算时延约束条件、宏基站计算时延约束条件、计算能力分配约束条件、用户发射功率约束条件。
此时，根据目标函数的解确定用户终端1的最优任务处理量、小基站的最优任务处理量、宏基站的最优任务处理量以及小基站计算能力的最优分配方案，继而确定用户终端1、小基站以及宏基站的基础参数，即用户终端1的最优发射功率。上述目标函数的用户终端1的发射功率解为最优任务分配
Figure BDA0002808389290000145
Figure BDA0002808389290000146
根据目标函数的解确定用户终端1的发射功率。
具体地，根据计算目标函数的简化目标，确定目标函数的解的过程分以下三种情况：
第一种情况，当目标函数的简化目标大于零时，此时，总能耗随着本地任务分配向量的增加而增加。
即当
Figure BDA0002808389290000147
时，可以通过下述公式计算最优任务分配向量、小基站计算能力的最优分配方案以及预设固定参数：
Figure BDA0002808389290000151
Figure BDA0002808389290000152
Figure BDA0002808389290000153
Figure BDA0002808389290000154
Figure BDA0002808389290000155
第二种情况，当目标函数的简化目标小于零时，此时，总能耗随着本地任务分配向量的增加而减小。
即当
Figure BDA0002808389290000156
时，可以通过下述公式计算最优任务分配向量、小基站计算能力的最优分配方案以及预设固定参数：
Figure BDA0002808389290000157
Figure BDA0002808389290000158
Figure BDA0002808389290000159
Figure BDA00028083892900001510
Figure BDA00028083892900001511
第三种情况，当目标函数的简化目标小于零时，此时，总能耗随着本地任务分配向量的增加而减小。
即当
Figure BDA0002808389290000161
时：
将计算任务卸载至小基站上的边缘计算服务器以及宏基站上的边缘计算服务器无法减少能耗，因此，此时可以考虑在最小化时延的条件下，进行本地计算或者完全卸载计算，完全卸载计算表示为将计算任务全部传输至小基站以及宏基站中进行计算，并可以通过下述公式计算最优任务分配向量、小基站计算能力的最优分配方案以及预设固定参数：
仅本地计算时：
Figure BDA0002808389290000162
Figure BDA0002808389290000163
Figure BDA0002808389290000164
Figure BDA0002808389290000165
Figure BDA0002808389290000166
完全卸载计算时：
Figure BDA0002808389290000167
Figure BDA0002808389290000168
Figure BDA0002808389290000169
Figure BDA00028083892900001610
Figure BDA00028083892900001611
作为本发明一个可选实施方式，如图4所示，通过以下过程，确定多个预设约束条件：
步骤S31：根据本地任务处理量以及本地计算能力，确定本地计算时延；根据本地计算时延以及预设时间阈值，确定本地计算时延约束条件；
具体地，通过以下公式计算本地计算时延：
Figure BDA0002808389290000171
其中，tn,1表示本地计算时延；
通过以下公式计算本地计算时延约束条件：
Figure BDA0002808389290000172
其中，Tn表示预设时间阈值；
步骤S32：根据小基站任务处理量、小基站计算能力以及第一传输时间，确定小基站计算时延，第一传输时间为从移动终端传输至小基站所需要的时间；根据小基站计算时延以及预设时间阈值，确定小基站计算时延约束条件；
通过以下公式计算小基站计算时延：
Figure BDA0002808389290000173
其中，tn,s表示小基站计算时延，fn，s表示移动终端用户n被分配到的小基站计算能力；
通过以下公式计算小基站计算时延约束条件：
Figure BDA0002808389290000174
步骤S33：根据宏基站任务处理量、宏基站计算能力以及第二传输时间，确定宏基站计算时延，根据宏基站计算时延以及预设时间阈值，确定宏基站计算时延约束条件；通过以下公式计算宏基站计算时延：
Figure BDA0002808389290000175
其中，tn，m表示宏基站计算时延，Fm表示宏基站中服务器计算能力；
通过以下公式计算宏基站计算时延约束条件：
Figure BDA0002808389290000181
步骤S34：根据本地计算时延约束、小基站计算时延约束以及宏基站计算时延约束，确定任务分配约束条件；
通过以下公式计算任务分配约束条件：
αn,l+αn,s+αn,m＝1，
步骤S35：根据小基站计算能力以及分配频率，确定计算能力分配约束条件；
通过以下公式确定计算能力分配约束条件：
0≤fn,s≤βnFs,
Figure BDA0002808389290000182
其中，βnFs表示移动终端用户n被分配到的小基站计算能力最大值，βn表示移动终端用户n的小基站计算能力分配向量，小基站计算能力分配向量为fs＝{f1，s，f2,s,…,fn，s,…,fN,s}；
步骤S36：根据预设发射功率，确定用户发射功率约束条件。
通过以下公式计算用户发射功率约束条件：
Figure BDA0002808389290000183
0≤βn,fn,l,αn,l,αn,s,αn,m,tn,l,tn,s,tn,m,
其中
Figure BDA0002808389290000184
表示移动终端用户n的发射功率最大值，本发明实施例并不限定上述步骤S31-步骤S36的执行顺序。
以下结合一具体实施例，结合实际仿真结果描述本发明实施例所提供的一种电力物联网的计算任务分配方法，具体地，移动边缘计算网络参数设置如下：基于相同的智能移动设备，数据比特数dn＝10kbits，处理每数据比特所需时间cn＝1000cycles/bit，预设时间阈值Tn＝2ms，信道带宽为2MHz，任一移动终端用户n∈N的本地计算能力fn，1＝5×109cycles/s，本地计算的能量系数ζ＝10-28cycles/s，用户的最大发射功率Pmax＝0.1W。小基站服务器的计算能力fn,s＝8×109cycles/s，宏基站服务器的计算能力fn，m＝15×109cycles/s，预设信道中发射和接收天线增益均为1，小基站到智能移动设备的距离是18m，路径损失因子是6，噪声功率为10-11W。es＝em＝0.02W/GHz。
当计算方案包括：本发明实施例所提供的电力物联网的计算任务分配方法实现的计算方案、仅本地计算的计算方案、仅小基站计算的计算方案、仅宏基站计算的计算方案和完全卸载的计算方案这五种计算方案时，通过仿真结果比较上述各种计算方案之间的性能，图5-图8显示了不同条件下本发明实施例所提用的计算方案与仅本地计算、仅小基站计算、仅宏基站计算和完全卸载的总能耗，本发明实施例所提用的计算方案能耗最低。
如图5所示，描述了系统总能耗与用户数的关系。结果表明，所有方案的系统总能耗都随着用户数的增加而增加。其中，仅本地计算时，能耗最大；本发明实施例所提用的计算方案能耗最小；仅小基站计算和仅宏基站计算等方案性能居中，且完全卸载方案性能介于二者之间。本发明实施例所提供的方法的节能性能优于其它方案，主要在于宏基站服务器较强的计算能力，而且较低的延迟性能可卸载更多数据给宏基站服务器进行计算。
如图6所示，描述了系统总能耗与计算任务的关系。结果表明，五种方案的能量消耗随着计算任务规模的增加而增加。类似的，仅本地计算时，能耗最大；本发明实施例所提用的计算方案能耗最小；仅小基站计算和仅宏基站计算等方案性能居中，且完全卸载方案性能介于二者之间。本发明实施例所提供的方法的性能优于其它方案，同样因为宏基站服务器较强的计算能力，而且较低的延迟性能可以卸载更多的数据。随着计算任务的不断增加，本发明实施例所提供的方法与其它方案的性能差距逐渐扩大。为了满足任务延迟的需求，当计算任务进一步增加时，会有更多的比特被卸载。
如图7所示，描述了系统总能耗与执行延迟的关系。结果表明，五种方案中只有本发明实施例所提用的计算方案在执行延迟增加时可减小系统总能耗，而本地计算和卸载方案随执行延迟时间变化系统总能耗基本保持不变，且本地计算的能耗始终高于其它各方案。随着执行延迟时间的不断扩大，本发明实施例所提供的方法与其它方案之间的能耗差距逐渐扩大，反映了其良好的性能。
如图8所示，描述了系统总能耗与计算需求的关系。结果表明，五种方案的能量消耗均随着计算需求的增加而增加。类似的，仅本地计算时，能耗最大；本发明实施例所提用的计算方案能耗最小；仅小基站计算和仅宏基站计算等方案性能居中，且完全卸载方案性能介于二者之间。本文方案的性能明显优于其它方案，同样在于宏基站服务器较强的计算能力。随着计算任务的不断增加，本文方案与其它方案的差距基本呈扩大趋势。为了满足任务延迟的需求，当计算任务增加时，将会有更多的任务被卸载以便优化系统能效。
本发明实施例提供一种电力物联网的计算任务分配装置，如图9所示，包括：
能耗确定模块41，用于根据任务分配向量及用户终端、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
目标函数确定模块42，用于根据本地计算能耗、小基站卸载能耗、宏基站卸载能耗确定目标函数；详细实施内容可参见上述方法实施例中步骤S12的相关描述。
目标函数求解模块43，用于根据目标函数、多个预设约束条件以及变量替换算法，确定目标函数的解；详细实施内容可参见上述方法实施例中步骤S13的相关描述。
任务分配向量确定模块44，用于根据目标函数的解，分别确定用户终端、小基站以及宏基站的任务分配向量；详细实施内容可参见上述方法实施例中步骤S14的相关描述。
最优任务处理量确定模块45，用于根据任务分配向量分别确定用户终端的最优任务处理量、小基站的最优任务处理量以及宏基站的最优任务处理量。详细实施内容可参见上述方法实施例中步骤S15的相关描述。
本发明提供的一种电力物联网的计算任务分配装置，结合本地计算能耗、小基站计算能耗以及宏基站计算能耗的函数，建立本地、小基站以及宏基站多层的计算模型，构建目标函数，进而通过预设的变量替换算法，根据目标函数的解确定了最优任务处理量的分配方案，根据最优任务处理量的分配方案，可以使各层的计算能力被最大化使用，且可以在时延较小的情况下，实现了各层计算模型的能耗最小化。通过生成目标函数进行优化决策，继而进行有效地从终端设备到移动边缘设备计算任务分配，从而实现能耗和时延的双重优化，在最小化能耗的情况，可以提升计算速度。
本发明实施例还提供了一种计算机设备，如图10所示，该计算机设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线50或者其他方式连接，图10中以通过总线50连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的电力物联网的计算任务分配方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的电力物联网的计算任务分配方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1所示实施例中的电力物联网的计算任务分配方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本发明实施例还提供了一种非暂态计算机可读介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行如上述实施例中任意一项描述的电力物联网的计算任务分配方法，其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种电力物联网的计算任务分配方法，其特征在于，所述电力物联网包括：用户终端、小基站以及宏基站，所述方法包括：
根据任务分配向量及所述用户终端、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗；
根据所述本地计算能耗、小基站卸载能耗、宏基站卸载能耗确定目标函数；
根据所述目标函数、多个预设约束条件以及变量替换算法，确定所述目标函数的解；
根据所述目标函数的解，分别确定所述用户终端、小基站以及宏基站的最优任务分配向量；
根据所述最优任务分配向量分别确定用户终端的最优任务处理量、小基站的最优任务处理量以及宏基站的最优任务处理量。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述目标函数的解，确定小基站计算能力的最优分配方案；
根据所述用户终端的最优任务处理量、所述小基站的最优任务处理量、所述宏基站的最优任务处理量以及小基站计算能力的最优分配方案，确定所述用户终端、小基站以及宏基站的基础参数。
3.根据权利要求1所述的方法，其特征在于，所述根据最优任务分配向量及所述用户终端、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗，包括：
根据本地任务处理量、处理器能耗、本地计算能力以及预设电容值，确定本地计算能耗；
根据小基站传输能耗以及小基站计算能耗，确定小基站卸载能耗；
根据宏基站传输能耗以及宏基站计算能耗，确定宏基站卸载能耗。
4.根据权利要求3所述的方法，其特征在于，通过以下公式计算本地计算能耗：
Figure FDA0002808389280000021
其中，en，1表示任一移动终端用户n∈N的本地计算能耗，αn，1表示本地任务处理量的分配向量，dn表示数据比特数，cn表示处理每数据比特所需时间，
Figure FDA0002808389280000022
表示为有效开关电容值，fn，1表示任一移动终端用户n∈N的本地计算能力；αn，1dn表示任一移动终端用户n∈N的本地任务处理量，αn，1dncn表示本地处理周期，
Figure FDA0002808389280000023
表示本地处理器每周期所需能耗；
通过以下公式计算小基站卸载能耗：
Figure FDA0002808389280000025
其中，en，s表示任一移动终端用户n∈N的小基站计算能耗，αn，s表示小基站任务处理量的分配向量，rn表示移动终端用户n的传输速率，pn表示移动终端用户n的发射功率，es表示小基站处理器每周期所需能耗；式中，第一项表示通过无线信道传输任务的能耗，第二项表示小基站处理任务的计算能耗；
通过以下公式计算宏基站卸载能耗：
Figure FDA0002808389280000024
其中，en，m表示移动终端用户n的宏基站计算能耗，αn，m表示宏基站任务处理量的分配向量，δ表示有线传输线路的传输功率，em表示宏基站处理器每周期所需能耗；式中，第一项表示移动终端通过无线信道传输任务的能耗，第二项表示小基站通过有线信道传输任务的能耗，第三项表示宏基站处理任务的计算能耗。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标函数、多个预设约束条件以及变量替换算法，确定所述目标函数的解，包括：
根据变量替换算法以及预设固定参数，确定所述目标函数的简化目标；
根据所述简化目标以及多个预设约束条件，确定所述目标函数的解。
6.根据权利要求1或5所述的方法，其特征在于，通过以下过程，确定所述多个预设约束条件：
根据本地任务处理量以及本地计算能力，确定本地计算时延；根据所述本地计算时延以及预设时间阈值，确定本地计算时延约束条件；
根据小基站任务处理量、小基站计算能力以及第一传输时间，确定小基站计算时延，所述第一传输时间为从移动终端传输至所述小基站所需要的时间；根据所述小基站计算时延以及预设时间阈值，确定小基站计算时延约束条件；
根据宏基站任务处理量、宏基站计算能力以及第二传输时间，确定宏基站计算时延，根据所述宏基站计算时延以及预设时间阈值，确定宏基站计算时延约束条件；
根据所述本地计算时延约束、所述小基站计算时延约束以及所述宏基站计算时延约束，确定任务分配约束条件；
根据小基站计算能力以及分配频率，确定所述计算能力分配约束条件；
根据预设发射功率，确定用户发射功率约束条件。
7.根据权利要求6所述的方法，其特征在于，通过以下公式计算本地计算时延：
Figure FDA0002808389280000031
其中，tn，1表示本地计算时延；
通过以下公式计算本地计算时延约束条件：
Figure FDA0002808389280000032
其中，Tn表示预设时间阈值；
通过以下公式计算小基站计算时延：
Figure FDA0002808389280000033
其中，tn，s表示小基站计算时延，fn，s表示移动终端用户n被分配到的小基站计算能力；
通过以下公式计算小基站计算时延约束条件：
Figure FDA0002808389280000041
通过以下公式计算宏基站计算时延：
Figure FDA0002808389280000042
其中，tn，m表示宏基站计算时延，Fm表示宏基站中服务器计算能力；
通过以下公式计算宏基站计算时延约束条件：
Figure FDA0002808389280000043
通过以下公式计算任务分配约束条件：
αn，1+αn，s+αn，m＝1，
通过以下公式确定计算能力分配约束条件：
0≤fn，s≤βnFs，
Figure FDA0002808389280000044
其中，βnFs表示移动终端用户n被分配到的小基站计算能力最大值，βn表示移动终端用户n的小基站计算能力分配向量，小基站计算能力分配向量为fs＝{f1，s，f2，s，...，fn，s，...，fN，s，}；
通过以下公式计算用户发射功率约束条件：
Figure FDA0002808389280000045
0≤βn，fn，1，αn，1，αn，s，αn，m，tn，1，tn，s，tn，m，
其中
Figure FDA0002808389280000046
表示移动终端用户n的发射功率最大值。
8.一种电力物联网的计算任务分配装置，其特征在于，包括：
能耗确定模块，用于根据任务分配向量及用户终端、小基站以及宏基站的基础参数分别确定本地计算能耗、小基站卸载能耗、宏基站卸载能耗；
目标函数确定模块，用于根据所述本地计算能耗、小基站卸载能耗、宏基站卸载能耗确定目标函数；
目标函数求解模块，用于根据所述目标函数、多个预设约束条件以及变量替换算法，确定所述目标函数的解；
任务分配向量确定模块，用于根据所述目标函数的解，分别确定所述用户终端、小基站以及宏基站的最优任务分配向量；
最优任务处理量确定模块，用于根据所述最优任务分配向量分别确定用户终端的最优任务处理量、小基站的最优任务处理量以及宏基站的最优任务处理量。
9.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一项所述的电力物联网的计算任务分配方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的电力物联网的计算任务分配方法的步骤。
CN202011380656.2A 2020-11-30 2020-11-30 一种电力物联网的计算任务分配方法、装置及计算机设备 Active CN112486685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011380656.2A CN112486685B (zh) 2020-11-30 2020-11-30 一种电力物联网的计算任务分配方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011380656.2A CN112486685B (zh) 2020-11-30 2020-11-30 一种电力物联网的计算任务分配方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN112486685A true CN112486685A (zh) 2021-03-12
CN112486685B CN112486685B (zh) 2024-04-19

Family

ID=74938431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011380656.2A Active CN112486685B (zh) 2020-11-30 2020-11-30 一种电力物联网的计算任务分配方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN112486685B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113918240A (zh) * 2021-10-15 2022-01-11 全球能源互联网研究院有限公司 任务卸载方法及装置
CN115250472A (zh) * 2021-04-28 2022-10-28 中国移动通信集团四川有限公司 频率分配方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107682443A (zh) * 2017-10-19 2018-02-09 北京工业大学 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107682443A (zh) * 2017-10-19 2018-02-09 北京工业大学 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘世栋 等: "浅谈基于物联网技术的能源管理系统", 《智能处理与应用》 *
李季: "基于深度强化学习的移动边缘计算中的计算卸载与资源分配算法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115250472A (zh) * 2021-04-28 2022-10-28 中国移动通信集团四川有限公司 频率分配方法、装置及电子设备
CN113918240A (zh) * 2021-10-15 2022-01-11 全球能源互联网研究院有限公司 任务卸载方法及装置
CN113918240B (zh) * 2021-10-15 2024-05-28 全球能源互联网研究院有限公司 任务卸载方法及装置

Also Published As

Publication number Publication date
CN112486685B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN109684075B (zh) 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN110941667B (zh) 一种移动边缘计算网络中的计算卸载方法及系统
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
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
CN112996056A (zh) 一种云边协同下时延最优化的计算任务卸载方法及装置
CN114340016B (zh) 一种电网边缘计算卸载分配方法及系统
CN111010684A (zh) 一种基于mec缓存服务的车联网资源分配方法
CN112188551B (zh) 一种计算迁移方法、计算终端设备及边缘服务器设备
CN111475274A (zh) 云协同多任务调度方法及装置
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
CN112486685A (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
CN112416603B (zh) 一种基于雾计算的联合优化系统和方法
CN113114714B (zh) 一种大规模任务卸载到5g边缘服务器的节能方法及系统
CN112540845A (zh) 一种基于移动边缘计算的协作系统及方法
Zhang et al. Effect: Energy-efficient fog computing framework for real-time video processing
Liao et al. Joint multi-user DNN partitioning and task offloading in mobile edge computing
Yu et al. Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach
CN111158893B (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
CN116347522A (zh) 云边协同下基于近似计算复用的任务卸载方法及装置
CN112449016B (zh) 一种任务卸载方法、装置、存储介质及电子设备
Alam et al. Derandomized distributed multi-resource allocation with little communication overhead
CN113613270B (zh) 一种基于数据压缩的雾接入网计算卸载方法

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
GR01 Patent grant
GR01 Patent grant