CN112512065B - 支持mec的小小区网络中在移动感知下的卸载和迁移方法 - Google Patents

支持mec的小小区网络中在移动感知下的卸载和迁移方法 Download PDF

Info

Publication number
CN112512065B
CN112512065B CN202011401602.XA CN202011401602A CN112512065B CN 112512065 B CN112512065 B CN 112512065B CN 202011401602 A CN202011401602 A CN 202011401602A CN 112512065 B CN112512065 B CN 112512065B
Authority
CN
China
Prior art keywords
task
mobile device
expressed
mobile
algorithm
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
CN202011401602.XA
Other languages
English (en)
Other versions
CN112512065A (zh
Inventor
陈雷
拱宝富
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.)
China Criminal Police University
Original Assignee
China Criminal Police 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 China Criminal Police University filed Critical China Criminal Police University
Priority to CN202011401602.XA priority Critical patent/CN112512065B/zh
Publication of CN112512065A publication Critical patent/CN112512065A/zh
Application granted granted Critical
Publication of CN112512065B publication Critical patent/CN112512065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

支持MEC的小小区网络中在移动感知下的卸载和迁移方法，由于移动设备的移动性，如果移动设备运动出小小区网络的覆盖范围就会使得任务卸载，执行后的结果不能传输给移动设备。因此要考虑任务迁移策略，这样会引起额外的开销。本文提出了考虑移动感知时基于移动边缘计算的任务卸载和迁移策略，可最大化移动设备的总收益。首先对移动设备的移动性进行分析，并对移动设备的总收益最大化问题进行了公式，同时联合任务卸载策略和资源分配来减少任务迁移的概率。其次由于该最优化问题是一个混合整数非线性规划问题，为了对其求解提出了一个基于遗传算法的分布式资源最优化算法。经过仿真验证了本方法与其他算法相比，能有效提高用户的总收益。

Description

支持MEC的小小区网络中在移动感知下的卸载和迁移方法
技术领域
本发明属于移动设备技术领域，特别涉及支持MEC的小小区网络中在移动感知下的卸载和迁移方法。
背景技术
移动边缘计算(MEC)是一种可以在移动设备附近提供计算能力的一种技术。
小小区是指发射功率小于宏基站发射功率的基站的统称。一般来说，小小区的发射功率不超过30dBm，而宏蜂窝基站的发射功率可达46dBm。因此，微蜂窝、家庭基站和远程无线头等都可以称作小小区。小小区作为蜂窝网络的补充，其功能相对宏基站简单，价格低廉，具有即插即用的特性。因此，小小区是当前实现网络密集部署的重要手段。
由于移动设备的移动性，如果移动设备运动出小小区网络的覆盖范围时，就会使得任务卸载执行后的结果不能传输给移动设备。因此，就需要考虑任务迁移策略，这样就会引起额外的开销。
移动通信的快速发展,促进了新兴业务的出现。伴随而来的5G(第5代蜂窝移动通信网络)网络技术带来了许多创新应用的发展，例如：增强现实(AR)和虚拟现实(VR)技术，物联网(IoT)和车联网等。大多数这些应用都是贴近于移动设备。然而，由于硬件条件的限制，例如有限的计算能力、存储空间有限和能量有限，这些服务需求的带宽，时延等，使得移动设备的设备不能满足这些业务的应用。近几年，在移动网络边缘部署移动边缘计算(MEC)服务器，可以解决移动设备能量消耗和传输延迟的问题。
移动边缘计算最重要的一个优势是，提供计算资源给移动设备，因此可以减少本地设备的任务量。因此，基于移动边缘计算的资源管理就成为一个重要的研究点。在多个小小区网络中，移动设备能通过多个小基站来提供服务。在文献[1]和文献[2]中，研究了如何选择合适的小基站接入。文献[1]为了减少请求延迟，提出了一个顺序卸载的博弈论方法来解决卸载和调整移动设备的卸载数量的问题。文献[2]提出了一种联合考虑内容缓存和全双工通信的方法来提供高速服务。该方法通过交替方向的乘法方法来最优化用户选择、功率控制和资源分配。文献[3]介绍了一个新颖的任务缓存方法，该方法缓存全部的任务应用和它们的相关数据到MEC服务器上。同时，通过迭代算法来联合最优化任务缓存和卸载，以达到最小化能量消耗的目的。文献[4]考虑不同的信道条件下对任务卸载的影响，提出了联合考虑计算卸载策略和资源分配最优化策略时的任务卸载、资源分配和子载波分配。文献[5]和[6]中在基于MEC的网络中，假设任务被分割为若干块，并且研究计算卸载和内容缓存，其中任务可以在MEC服务器上执行或者分配给D2D(设备到设备通信Device-to-Device)用户执行。
然而，以上研究都没有考虑到移动设备的移动性问题，移动设备很可能会离开原始的小小区的覆盖范围。因此，任务卸载的结果将会迁移到新的小小区中，该小小区将继续服务于该移动设备[7]。在文献[8]中，为了减少硬切换和迁移时间，提出了一个共享MEC的方法。在文献[9]中，将地理区间按用户的移动，划分为多个不相交的MEC领域，划分的标准是最小化任务可能迁移的次数。文献[10]研究了由多个小小区组成的密集网络，由于移动性的问题，任务被部分的卸载到不同位置上的多个小小区中，其中提出了一个以用户为中心的能量感知管理策略，用来选择合适的小小区。
发明内容
本文提出了一个新颖的考虑支持MEC的小小区网络中在移动感知下的卸载和迁移算法(任务卸载和迁移策略)，该策略可以最大化移动设备的总收益。
首先，对移动设备的移动性进行分析，并且对移动设备的总收益最大化问题进行了公式，同时联合了任务卸载策略和资源分配来减少任务迁移的概率。
其次，由于该最优化问题是一个混合整数非线性规划(Mixed Integer NonlinearProgramming,MINLP)问题，为了求解该NP-hard(NP难题)问题，提出了一个基于遗传算法的分布式资源最优化算法(Distributed Resource Optimization Algorithm based onGenetic Algorithm,DROAGA)。最后，仿真验证了本文提出的DROAGA算法与其他算法相比，能有效提高用户的总收益。
其中：问题中的NP是指非确定性多项式(non-deterministic polynomial，缩写NP)。所谓的非确定性是指，可用一定数量的运算去解决多项式时间内可解决的问题。
本文的目标是在减少任务迁移概率的基础上，通过采用最优的卸载策略和计算资源分配算法，来最大化移动设备的总收益。
本文具体的贡献是：
1)在基于MEC的小小区中提出了一个新颖的移动感知卸载和迁移策略。当移动设备在离开当前小小区时，如果还有未执行完的卸载任务，则会发生执行任务结果的迁移问题。基于用户的移动性，将联合考虑卸载和计算资源的分配，使得移动设备的总收益最大化。
2)提出了一个效用函数来表示系统的消耗成本与收益之间的关系。因此，该问题被公式为一个混合整数非线性规划(MINLP)问题，该问题是一个NP-hard问题，我们提出了一个基于遗传算法的分布式资源最优化算法来解决该问题。
附图说明
图1为考虑用户移动性的支持MEC的小小区网络架构。
图2为移动设备的数量VS.卸载任务和迁移任务的数量。
图3为移动设备的数量VS.移动设备的总收益。
图4为移动设备总的计算资源CMEC(GHz)VS.移动设备的总收益。
图5为任务迁移开销δVS.移动设备的总收益。
具体实施方式
1、系统模型：
系统模型如图1所示，小小区中心区域部署有MEC服务器，移动设备随机分布于小小区中。小小区半径相对较小，因此由于移动设备的移动，使得其不能长时间驻留在该小区。如图1所示，移动用户1表示当移动设备的任务卸载工作在MEC中完成时，该设备仍然驻留在原小小区覆盖的范围内。移动用户2表示当移动设备的任务卸载工作在MEC中完成时，该设备已经离开了原小小区覆盖的范围。这时，任务执行结果将迁移到另一个小小区内进行，这个过程将会引起额外的开销。令Nu＝{1,2,...,i,...N}表示在小小区内的移动设备的集合。移动设备i的任务可以表示为在这里Mi表示计算任务的大小，fi表示需要的计算资源，Ti max表示最大延迟。本文用CPU周期数用来衡量任务需要的计算资源[11]。本文假设本地设备上的计算任务，如果在本地执行任务，所用的时间和消耗的能量将超过将任务卸载到MEC服务器上执行所消耗的时间和消耗的能量。然而，由于MEC服务器上的计算资源有限，只能为部分用户设备提供服务，但是随着用户设备的数量增加，就不能将所有任务都卸载到MEC服务器上。本文用CMEC表示MEC服务器上的计算资源。令A＝{ai,i∈Nu}表示任务卸载的集合。令ai＝1表示任务被卸载，否则ai＝0表示任务在本地执行。
A.网络模型：
假设移动设备i的传输功率为一个常数，用pi表示。θ表示为路径损耗指数。移动设备与小小区基站间的距离用di表示，移动设备i的信噪比(SNR)可以表示为：
其中σ2表示加性高斯白噪声的功率，hi表示信道增益。因此，移动设备i的上行传输速率可以表示为其中B表示带宽。
B.计算模型：
本节提出了计算模型来表示任务在本地或MEC服务器上执行的时间和消耗的能量。
1)本地计算：
令表示本地移动设备i的计算能力(用CPU的周期表示)。因此本地执行时间可以表示为：
根据文献[12]，任务在本地计算执行时的能量消耗可以表示为：
这里κ表示依赖本地硬件的能量转化能力[13]。
2)边缘计算：
当任务卸载给MEC服务器时，这个过程分为传输和执行两步。传输时间表示为能量消耗表示为/>令C＝{Ci,i∈Nu}表示MEC的计算能力，Ci表示分配给移动设备i的计算资源。因此执行时间可以表示为由于计算资源有限，因此，分配给移动设备的资源必须满足/>的限制。输出数据量与输入数据量相比很小可以忽略不计[14]。因此，总的边缘计算时间可以表示为：
C.移动模型：
用驻留时间表示移动设备的移动性，可以通过一个指数函数表示[8],[15]。因此驻留时间的概率密度函数(PDF)可以表示为
这里τi表示移动设备i的平均驻留时间，为了简化假设τi服从高斯分布。
D.问题公式：
本节提出用效用函数来表示，当任务被卸载到MEC服务器时，移动设备消耗的成本和获得的收益。本文将节省的时间和本地节省的能量作为收益，而占用的资源和迁移支出作为成本。节省的时间可以看做是本地执行时间与总的边缘计算时间之差，因此可以表示为：
这里γ表示剩余时间的收益系数。
资源消耗包括传输的能量消耗和MEC计算资源的消耗。因此总的资源消耗可以表示为：
这里α表示消耗每单元能量的价格，β表示消耗每单元计算资源的价格。
当任务被卸载时，考虑总的边缘计算时间和预测的移动设备驻留时间进行比较，因此，效用函数将分两种情况进行讨论。
情况1：在移动设备离开小区前，任务能够在MEC服务器端执行完毕，这时可以表示为其中t表示移动设备驻留时间。在该情况下，任务迁移不能发生。因此，驻留时间t根据公式(5)可知其服从指数分布，这时情况1的概率可以表示为这时的效用函数可以表示为：
这里表示本地剩余能量收益。
情况2：当任务在MEC服务器上执行完毕时，移动设备已经离开了小小区，这时情况2的概率可以表示为这时，MEC服务器上的执行结果将通过宏基站，被迁移到另一个小小区的基站处，该基站将会把执行结果传输给移动设备，这时会引起额外的开销，该额外的开销表示为/>本文为了简化，将迁移开销假设只与任务量的多少相关，用/>表示[8]。因此，这种情况的效用函数可以表示为：
将公式(8)与公式(9)相结合，可得：
因此，用移动设备i的期望收益来衡量系统性能，可以表示为：
尤其，当αi＝0时，任务将在本地执行，移动设备将不能从MEC服务器中获得收益。所以，在这种情况时
结合以上分析，基于卸载决定和计算资源分配下的最优化问题可以公式为：
在公式(14)中，C1表示确保总的边缘计算时间小于最大延迟和计算资源充足。C2表示分配给移动设备的计算资源数量小于MEC服务器的总计算资源。C3表示变量αi限制取值范围。在C4中，I(A)表示指示函数，如果A>0，则I(A)＝1；否则如果A≤0,则I(A)＝0。C4表示当任务在本地执行时，确保计算资源不能分配给MEC服务器。
2、提出的方法：
根据以上的分析，最优化问题(14)(即公式14)，是一个混合整数非线性规划问题，同时也是一个NP-hard问题。因此本文提出了一个基于遗传算法的分布式资源最优化算法(DROAGA)，用来求解该最优化问题，本节主要讨论如何使用DROAGA算法来获得公式(14)的解，算法如算法1所示。
算法1基于分配算法的遗传算法：
输入：Nu，K，Pc，Pm，T。
输出：Lbest，Qbest。
步骤1：起始在限制条件(14)(即公式14)下以随机的方式设置K个个体。计算每个个体的适应值，从中选择最大的一个值作为Qbest。同时设置最好的个体为Lbest。
循环从t＝1到T。
步骤2：随机选择两个个体做概率为Pc的交叉操作。交叉操作将应用统一的交叉操作集合A和利用重组方法形成的集合C。
步骤3：从父母和后代中选择概率为Pm的变异操作。
步骤4：计算每个新个体的适应值，并把它们分为可行和不可行两种。
步骤5：进行随机的竞赛选择操作，并确保最好的个体能被挑选出来。进行t次迭代挑选出最好的个体，并表示为最终在/>中选择最好的个体表示为Lbest。如果优于Lbest，则令/>并且更新Qbest。
算法结束。
首先，效用函数可以看做是一个适当评估个体改善的函数。
其次，最优化问题要求较高的精度，实际的编码串被选做染色体。每个染色体就是问题(14)(即公式14)的一个解，因此可以表示为：
这里Li＝[ai,Ci]T是移动设备i的变量集合。按照公式(14)的限制条件C4，如果ai＝0，则令Li＝[0,0]T。
对于该算法中的选择算子，采用随机竞赛选择方法，该方法有较低的计算复杂度和较好的个体选择性[16]。每次随机选择两个个体，其中最好的一个保留。一直这样选择直到所有人都被选到。如果在选择操作中最好的个体被忽略，则下一代中的最差的一个将被提取出来，并代替最好的这个。
再次，考虑交叉操作，集合A和C作为概率为Pc的操作个体，是由于它们有不同的编码方式。对于集合A，我们使用统一的交叉操作。它可以加速收敛防止落入局部极值中。对于集合C，我们可以采用重组法，因此可以表示为：
这里b表示一个取值在(0,1)之间的随机变量。
最后，变异体也是不同于集合A和C。在限制条件(14)(即公式14)中，将ai取值0或1，增加或减少一个随机变量给概率为Pm的集合Ci。首先选择可行的一个变量，并添加一个接近边界的不可行变量。因为，下一个迭代的不可行变量很可能会成为可行的变量。
仿真分析：
本节根据文献[2]和[4]的仿真参数设置。小小区覆盖半径是80m，移动设备随机分布在小区内。移动设备的传输功率服从高斯分布在这里μ1＝20dBm，并且σ1＝2。对于信道参数，带宽是10MHz，θ＝2是路损参数。对于移动设备而言，基于本地的计算能力统一的分布于从0.5到0.8GHz范围内。任务量的大小是随机安排在[100,150]MB范围内，fi＝εMi表示需要的计算资源，其中ε表示每兆比特的CPU工作的周期，在这里ε取值范围是[0.4,0.5]。由于任务量大，因此设定最大延迟为Ti max＝80s。不同类型任务的代价可以表示为：α＝8units/Joule，β＝2units/GHz，γ＝4units/second。根据文献[13]，我们设置κ＝10-11。在移动性的分析中，移动设备的平均驻留时间服从高斯分布/>这里μ2＝40seconds和σ2＝20。对于DROAGA算法中的输入参数，其中K＝32，Pc＝0.6，Pm＝0.1。
本文提出的DROAGA算法将会与另外三个算法进行比较。这三个算法分别是，AARM(Allocation Algorithm Regardless of the Mobility)算法、ROARM(RandomlyOffloading Algorithm Regard of Mobility)算法和AOARM(All Offloading AlgorithmRegard of Mobility)算法。AARM算法是在不考虑移动性时所提出的分配算法，类似于DROAGA算法。ROARM算法是随机卸载任务算法，其随机卸载的概率是0.5，并且该算法是在分配资源时考虑用户的移动性。AOARM算法是卸载全部任务的算法，该算法是在分配资源时考虑用户的移动性。ROARM算法和AOARM算法都均匀的分配计算资源给移动设备。
图2在仿真参数MEC的总计算资源CMEC＝26GHz和迁移开销δ＝0.5units/MB时，仿真了不同算法在不同移动设备数量时的任务卸载和任务迁移数量的变化情况。图3在相同的仿真条件下，仿真了不同算法在不同移动设备数量时的设备总收益的变化情况。从图3中可以看到，随着移动设备数量的增加，不同算法下的移动设备总收益的变化是非常大的。从图2和图3，可以看到，在资源充足的情况下，DROAGA算法随着移动设备数量的增加，越来越多的任务被卸载，并且这些任务大部分可以避免任务迁移。但是当移动设备数量超过12时，任务卸载数量和任务迁移数量开始变得缓慢，但是移动设备获得的收益却在不断增加，这是因为在MEC资源有限时，只能为部分用户设备提供服务，但是随着用户设备的数量增加，也使用户的总收益获得分集增益和选择性增益，所以，总的收益仍然继续增加，只是速率减缓。从图3中可以看到，在资源充足的情况下，AARM和AOARM算法的总收益首先增加，但是，随着任务迁移数量的增加，迁移的开销也在增加，并且开始超过所获得的增益。因此，总的收益开始减少，直到移动设备的数量到达20。从图3还可以看到，AOARM和AARM算法在开始卸载所有的任务时，由于AOARM算法在资源分配时考虑用户的移动性，因此它的收益要多于AARM算法的收益。最后，由于任务卸载和迁移的数量基本上保持不变，因此AARM算法开始保持平稳。但是，AOARM算法由于考虑用户的移动性，因此迁移开销仍然在增加，并且随时间收益开始下降，因此总收益仍然减少，变化的速率开始变得越来越快。从图3还可以看到，ROARM算法变化的原因类似于AOARM算法，但是由于较少数量的卸载任务，使得ROARM算法在总收益上的变化也越来越慢。
图4在仿真参数MEC的总计算资源CMEC从18GHz到32GHz，和N＝18，δ＝0.5units/MB时。仿真了在MEC的不同计算资源下的移动设备总收益。仿真显示随着总的计算资源的增长，所有算法都获得了较高的收益。但是这些算法中的增长速率是不同的。原因也是与任务卸载和迁移的数量有关。DROAGA算法随着资源的增加，有选择地卸载任务，因此减少了任务迁移的概率，DROAGA算法能够保障移动设备在高概率离开本小区前，就将卸载的任务完成，因此，将会引起卸载任务的数量缓慢的增加。这种情况类似于ROARM算法。当迁移概率很低时，卸载任务的数量基本不会改变，移动设备的收益主要与时间的增益相关，因此收益较小。然而，在AOARM算法中，虽然卸载任务没有改变，但是，迁移的任务越来越少，因此会节省许多的迁移开销，所以总的收益增加得较快。AARM算法在开始时收益增加得较慢，这是因为该算法没有考虑用户的移动性。但随着总资源的增加，该算法通过卸载较多的任务来代替减少任务迁移的概率。所以新的卸载任务将会有较大的概率进行迁移，并且收益的增加是较小的。最后直到所有的任务被卸载。该算法的增速将类似于AOARM算法。因此，图4间接显示出忽略移动性的算法将会出现卸载较多的任务并且增加迁移任务的数量的情况。
图5在仿真参数MEC的总计算资源CMEC＝26GHz和迁移开销δ＝0.2units/MB到0.7units/MB，N＝18时，仿真显示了所有算法在任务迁移开销增加时，总的收益都在减少。DROAGA算法的下降速率较慢，这是因为该算法能减少任务迁移的概率，因此在任务迁移开销增加时，对该算法的影响较小。在ROARM算法中由于较少的卸载任务，当计算资源相对充裕时，任务迁移的概率较小，因此总收益降低较少。在AARM和AOARM算法中，任务大部分被卸载，由于资源短缺，增加了迁移的概率。当有许多任务被迁移，使得迁移开销增加，因此总的收益将降低较多。尤其特别的是，可以看到AOARM算法的收益比AARM算法的收益减少的要慢，这是因为AOARM算法在资源分配时考虑了移动设备的不同移动性，这种算法确保大部分任务的迁移概率较低，因此总的收益与不考虑用户移动性的AARM算法相比获得的系统收益较高。
本技术方案分析了移动设备的移动性问题，考虑到驻留时间，通过基于MEC的最优化任务卸载和计算资源的分配，来减少任务迁移的概率，进而最大化移动设备的总收益。该最优化问题公式为混合整数非线性规划问题。为了解决该NP-hard问题，提出了基于遗传算法的分布式资源最优化算法。仿真分析本文提出的方法能有效的节省迁移开销和增加移动设备的总收益。
参考文献：
[1]M.Deng,H.Tian,and X.Lyu,“Adaptive sequential offloading game formulti-cell mobile edge computing,”in 2016 23rd International Conference onTelecommunications(ICT),May 2016,pp.1-5。
翻译：M.Deng,H.Tian,and X.Lyu,“多小区移动边缘计算中的自适应顺序卸载博弈算法,”in 2016 23rd International Conference on Telecommunications(ICT)(国际通信大会),May 2016,pp.1-5。
[2]Z.Tan,F.R.Yu,X.Li,H.Ji,and V.C.M.Leung,“Virtual resourceallocation for heterogeneous services in full duplex-enabled scns with mobileedge computing and caching,”IEEE Transactions on Vehicular Technology,vol.67,no.2,pp.1794-1808,Feb 2018。
翻译：Z.Tan,F.R.Yu,X.Li,H.Ji,and V.C.M.Leung,“在基于移动边缘计算和缓存的全双工SCN网络中应用于混合服务的虚拟资源分配,”IEEE Transactions on VehicularTechnology(IEEE传输技术会刊),vol.67,no.2,pp.1794-1808,Feb 2018。
[3]Y.Hao,M.Chen,L.Hu,M.S.Hossain,and A.Ghoneim,“Energy efficient taskcaching and offloading for mobile edge computing,”IEEE Access,vol.6,pp.11365-11 373,2018。
翻译：Y.Hao,M.Chen,L.Hu,M.S.Hossain,and A.Ghoneim,“移动边缘计算网络中的高效任务缓存和任务卸载算法,”IEEE Access,vol.6,pp.11 365-11 373,2018。
[4]J.Zhang,W.Xia,F.Yan,and L.Shen,“Joint computation offloading andresource allocation optimization in heterogeneous networks with mobile edgecomputing,”IEEE Access,vol.6,pp.19 324-19 337,2018。
翻译：J.Zhang,W.Xia,F.Yan,and L.Shen,“基于移动边缘计算的混合型网络中的联合计算卸载和资源最优化分配算法,”IEEE Access,vol.6,pp.19 324-19 337,2018。
[5]M.Liu,F.R.Yu,Y.Teng,V.C.M.Leung,and M.Song,“Joint computationoffloading and content caching for wireless blockchain networks,”in IEEEConference on Computer Communications Workshops,April 2018,pp.517-522。
翻译：M.Liu,F.R.Yu,Y.Teng,V.C.M.Leung,and M.Song,“无线区块链网络中的联合计算卸载和内容缓存策略,”in IEEE Conference on Computer CommunicationsWorkshops(计算通信会议),April 2018,pp.517-522。
[6]M.Liu,R.Yu,Y.Teng,V.C.M.Leung,and M.Song,“Computation offloadingand content caching in wireless blockchain networks with mobile edgecomputing,”IEEE Transactions on Vehicular Technology,pp.1-1,2018。
翻译：M.Liu,R.Yu,Y.Teng,V.C.M.Leung,and M.Song,“无线区块链网络中的联合计算卸载和内容缓存算法,”IEEE Transactions on Vehicular Technology,pp.1-1,2018。
[7]A.Machen,S.Wang,K.K.Leung,B.J.Ko,and T.Salonidis,Live servicemigration in mobile edge clouds,”IEEE Wireless Communications,vol.25,no.1,pp.140-147,February 2018。
翻译：A.Machen,S.Wang,K.K.Leung,B.J.Ko,and T.Salonidis,云计算网络中的实时业务迁移策略,”IEEE Wireless Communications(无线通信),vol.25,no.1,pp.140-147,February 2018。
[8]W.Nasrin and J.Xie,“Sharedmec:Sharing clouds to support usermobility in mobile edge computing,”in 2018IEEE International Conference onCommunications(ICC),May 2018,pp.1-6。
翻译：W.Nasrin and J.Xie,“Sharedmec:移动边缘计算网络中支持用户移动的共享云策略,”in 2018IEEE International Conference on Communications(国际通信会议)(ICC),May 2018,pp.1-6。
[9]X.Guan,X.Wan,J.Wang,X.Ma,and G.Bai,“Mobility aware partition ofmec regions in wireless metropolitan area networks,”in IEEE Conference onComputer Communications Workshops,April 2018,pp.1-2。
翻译：X.Guan,X.Wan,J.Wang,X.Ma,and G.Bai,“无线城域网中基于移动性感知划分移动边缘计算区域的策略,”in IEEE Conference on Computer CommunicationsWorkshops(计算通信会议),April 2018,pp.1-2。
[10]Y.Sun,S.Zhou,and J.Xu,“Emm:Energy-aware mobility management formobile edge computing in ultra dense networks,”IEEE Journal on Selected Areasin Communications,vol.35,no.11,pp.2637-2646,Nov 2017。
翻译：Y.Sun,S.Zhou,and J.Xu,“支持移动边缘计算的超密集网络中基于能量感知的移动管理策略,”IEEE Journal on Selected Areas in Communications(通信领域杂志),vol.35,no.11,pp.2637-2646,Nov 2017。
[11]A.Al-Shuwaili and O.Simeone,“Energy-efficient resource allocationfor mobile edge computing-based augmented reality applications,”IEEE WirelessCommunications Letters,vol.6,no.3,pp.398-401,June 2017。
翻译：A.Al-Shuwaili and O.Simeone,“基于移动边缘计算的增强现实应用中的节能资源分配算法”IEEE Wireless Communications Letters(无线通信短文),vol.6,no.3,pp.398-401,June 2017。
[12]S.Guo,B.Xiao,Y.Yang,and Y.Yang,“Energy-efficient dynamicoffloading and resource scheduling in mobile cloud computing,”in IEEE INFOCOM2016-The 35th Annual IEEE International Conference on ComputerCommunications,April 2016,pp.1-9。
翻译：S.Guo,B.Xiao,Y.Yang,and Y.Yang,“移动网络计算中基于能量有效性的动态任务卸载和资源调度策略”in IEEE INFOCOM 2016-The 35th Annual IEEEInternational Conference on Computer Communications(计算通信国际通信会议),April 2016,pp.1-9。
[13]W.Hao and S.Yang,“Small cell cluster-based resource allocationfor wireless backhaul in two-tier heterogeneous networks with massive mimo,”IEEE Transactions on Vehicular Technology,vol.67,no.1,pp.509-523,Jan 2018。
翻译：W.Hao and S.Yang,“采用多数人多输出天线阵列的无线双层混合网络中基于小小区分簇的资源分配策略,”IEEE Transactions on Vehicular Technology(传输技术会刊),vol.67,no.1,pp.509-523,Jan 2018。
[14]X.Chen,L.Jiao,W.Li,and X.Fu,“Efficient multi-user computationoffloading for mobile-edge cloud computing,”IEEE/ACM Transactions onNetworking,vol.24,no.5,pp.2795-2808,October 2016。
翻译：X.Chen,L.Jiao,W.Li,and X.Fu,“基于移动边缘云计算网络的高效的多用户计算卸载策略,”IEEE/ACM Transactions on Networking(网络会刊),vol.24,no.5,pp.2795-2808,October 2016。
[15]X.Liu,J.Zhang,X.Zhang,and W.Wang,“Mobility-aware codedprobabilistic caching scheme for mec-enabled small cell networks,”IEEEAccess,vol.5,pp.17824-17 833,2017。
翻译：X.Liu,J.Zhang,X.Zhang,and W.Wang,“支持移动边缘计算的小小区网络中基于移动感知的概率缓存方案,”IEEE Access,vol.5,pp.17 824-17 833,2017。
[16]M.V.O.D.Assis,A.H.Hamamoto,T.Abrao,and M.L.Proenca,A gametheoretical based system using holt-winters and genetic algorithm with fuzzylogic for dos/ddos mitigation on sdn networks,”IEEE Access,vol.5,pp.9485-9496,2017。
翻译：M.V.O.D.Assis,A.H.Hamamoto,T.Abrao,and M.L.Proenca,SDN网络中使用holt-winter算法和使用模糊遗传算法来减轻DOS和DDOS攻击的博弈论系统,”IEEEAccess,vol.5,pp.9485-9496,2017。

Claims (1)

1.支持MEC的小小区网络中在移动感知下的卸载和迁移方法，其特征在于包括下列步骤：
首先，对移动设备的总收益最大化问题进行了公式，同时联合了任务卸载策略和资源分配来减少任务迁移的概率；
其次，提出了一个基于遗传算法的分布式资源最优化算法；
一、系统模型：
令Nu＝{1,2,...,i,...N}表示在小小区内的移动设备的集合；移动设备i的任务表示为在这里Mi表示计算任务的大小，fi表示需要的计算资源，Ti max表示最大延迟；CPU周期数用来衡量任务需要的计算资源，用CMEC表示MEC服务器上的计算资源；令A＝{ai,i∈Nu}表示任务卸载的集合；令ai＝1表示任务被卸载，否则ai＝0表示任务在本地执行；
A.网络模型：
假设移动设备i的传输功率为一个常数，用pi表示；θ表示为路径损耗指数；移动设备与小小区基站间的距离用di表示，移动设备i的信噪比表示为：
其中σ2表示加性高斯白噪声的功率，hi表示信道增益；因此，移动设备i的上行传输速率表示为其中B表示带宽；
B.计算模型：
1)本地计算：
令表示本地移动设备i的计算能力，用CPU的周期表示；因此本地执行时间表示为：
任务在本地计算执行时的能量消耗表示为：
这里κ表示依赖本地硬件的能量转化能力；
2)边缘计算：
当任务卸载给MEC服务器时，这个过程分为传输和执行两步；传输时间表示为能量消耗表示为/>令C＝{Ci,i∈Nu}表示MEC的计算能力，Ci表示分配给移动设备i的计算资源；因此执行时间表示为分配给移动设备的资源必须满足的限制；输出数据量与输入数据量相比很小忽略不计；因此，总的边缘计算时间表示为：
C.移动模型：
用驻留时间表示移动设备的移动性通过一个指数函数表示；因此驻留时间的概率密度函数表示为：
这里τi表示移动设备i的平均驻留时间，假设τi服从高斯分布；
D.问题公式：
用效用函数来表示，当任务被卸载到MEC服务器时，移动设备消耗的成本和获得的收益；将节省的时间和本地节省的能量作为收益，而占用的资源和迁移支出作为成本；节省的时间看做是本地执行时间与总的边缘计算时间之差，因此表示为：
这里γ表示剩余时间的收益系数；
资源消耗包括传输的能量消耗和MEC计算资源的消耗；因此总的资源消耗表示为：
这里α表示消耗每单元能量的价格，β表示消耗每单元计算资源的价格；
当任务被卸载时，考虑总的边缘计算时间和预测的移动设备驻留时间进行比较，因此，效用函数将分两种情况进行讨论；
情况1：在移动设备离开小区前，任务能够在MEC服务器端执行完毕，这时情况1的概率可以表示为这时的效用函数表示为：
这里表示本地剩余能量收益；
情况2：当任务在MEC服务器上执行完毕时，移动设备已经离开了小小区，MEC服务器上的执行结果将通过宏基站，被迁移到另一个小小区的基站处，该基站将会把执行结果传输给移动设备，这时会引起额外的开销，该额外的开销表示为这种情况的效用函数表示为：
将公式(8)与公式(9)相结合得：
因此，用移动设备i的期望收益来衡量系统性能，表示为：
尤其，当αi＝0时，任务将在本地执行，移动设备将不能从MEC服务器中获得收益；所以，在这种情况时
基于卸载决定和计算资源分配下的最优化问题公式为：
在公式(14)中，C1表示确保总的边缘计算时间小于最大延迟和计算资源充足；C2表示分配给移动设备的计算资源数量小于MEC服务器的总计算资源；C3表示变量αi限制取值范围；在C4中，I(A)表示指示函数，如果A>0，则I(A)＝1；否则如果A≤0,则I(A)＝0；C4表示当任务在本地执行时，确保计算资源不能分配给MEC服务器；
二、提出的方法：
最优化问题公式(14)，是一个混合整数非线性规划问题，同时也是一个NP-hard问题：算法如算法1所示；
算法1基于分配算法的遗传算法：
输入：Nu，K，Pc，Pm，T；
输出：Lbest，Qbest；
步骤1：起始在限制条件公式(14)下以随机的方式设置K个个体；计算每个个体的适应值，从中选择最大的一个值作为Qbest；同时设置最好的个体为Lbest；
循环从t＝1到T；
步骤2：随机选择两个个体做概率为Pc的交叉操作；交叉操作将应用统一的交叉操作集合A和利用重组方法形成的集合C；
步骤3：从父母和后代中选择概率为Pm的变异操作；
步骤4：计算每个新个体的适应值，并把它们分为可行和不可行两种；
步骤5：进行随机的竞赛选择操作，并确保最好的个体能被挑选出来；进行t次迭代挑选出最好的个体，并表示为最终在/>中选择最好的个体表示为Lbest；如果/>优于Lbest，则令/>并且更新Qbest；
算法结束；
首先，效用函数看做是一个适当评估个体改善的函数；
其次，最优化问题要求较高的精度，实际的编码串被选做染色体；每个染色体就是问题公式(14)的一个解，因此表示为：
这里Li＝[ai,Ci]T是移动设备i的变量集合；按照公式(14)的限制条件C4，如果ai＝0，则令Li＝[0,0]T；
对于该算法中的选择算子，采用随机竞赛选择方法，每次随机选择两个个体，其中最好的一个保留；一直这样选择直到所有个体都被选到；如果在选择操作中最好的个体被忽略，则下一代中的最差的一个将被提取出来，并代替最好的个体；
再次，考虑交叉操作，集合A和C作为概率为Pc的操作个体，是由于它们有不同的编码方式；对于集合A，使用统一的交叉操作；它可以加速收敛防止落入局部极值中；对于集合C，采用重组法，表示为：
这里b表示一个取值在(0,1)之间的随机变量；
最后，变异体也是不同于集合A和C；在限制条件公式(14)中，将ai取值0或1，增加或减少一个随机变量给概率为Pm的集合Ci；选择可行的一个变量，并添加一个接近边界的不可行变量。
CN202011401602.XA 2020-12-02 2020-12-02 支持mec的小小区网络中在移动感知下的卸载和迁移方法 Active CN112512065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011401602.XA CN112512065B (zh) 2020-12-02 2020-12-02 支持mec的小小区网络中在移动感知下的卸载和迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011401602.XA CN112512065B (zh) 2020-12-02 2020-12-02 支持mec的小小区网络中在移动感知下的卸载和迁移方法

Publications (2)

Publication Number Publication Date
CN112512065A CN112512065A (zh) 2021-03-16
CN112512065B true CN112512065B (zh) 2024-04-16

Family

ID=74968244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011401602.XA Active CN112512065B (zh) 2020-12-02 2020-12-02 支持mec的小小区网络中在移动感知下的卸载和迁移方法

Country Status (1)

Country Link
CN (1) CN112512065B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238814B (zh) * 2021-05-11 2022-07-15 燕山大学 基于多用户和分类任务的mec任务卸载系统及优化方法
CN113660303B (zh) * 2021-07-02 2024-03-22 山东师范大学 一种端边网云协同的任务卸载方法及系统
CN114866557B (zh) * 2022-05-06 2024-01-23 东北林业大学 边缘计算与v2v融合网络下的计算资源共享平台和方法
CN114973673B (zh) * 2022-05-24 2023-07-18 华南理工大学 车路协同系统中结合noma和内容缓存的任务卸载方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN111124666A (zh) * 2019-11-25 2020-05-08 哈尔滨工业大学 一种移动物联网中的高效、安全的多用户多任务卸载方法
CN111200831A (zh) * 2020-01-08 2020-05-26 中国科学院计算技术研究所 一种融合移动边缘计算的蜂窝网络计算卸载方法
CN111278132A (zh) * 2020-01-19 2020-06-12 重庆邮电大学 移动边缘计算中面向低时延高可靠业务的资源分配方法
CN111586720A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种多小区场景下的任务卸载和资源分配的联合优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN111124666A (zh) * 2019-11-25 2020-05-08 哈尔滨工业大学 一种移动物联网中的高效、安全的多用户多任务卸载方法
CN111200831A (zh) * 2020-01-08 2020-05-26 中国科学院计算技术研究所 一种融合移动边缘计算的蜂窝网络计算卸载方法
CN111278132A (zh) * 2020-01-19 2020-06-12 重庆邮电大学 移动边缘计算中面向低时延高可靠业务的资源分配方法
CN111586720A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种多小区场景下的任务卸载和资源分配的联合优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
车载边缘计算中基于信誉值的计算卸载方法研究;吴振铨，黄旭民，余荣，何昭水;《计算机应用研究》;第35卷(第9期);第2692-2695页 *

Also Published As

Publication number Publication date
CN112512065A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
CN112512065B (zh) 支持mec的小小区网络中在移动感知下的卸载和迁移方法
Mao et al. Energy efficiency and delay tradeoff for wireless powered mobile-edge computing systems with multi-access schemes
CN109413615B (zh) 车联网中基于mec的能量感知卸载的能量延迟折衷
Wang et al. A game-based computation offloading method in vehicular multiaccess edge computing networks
CN107819840B (zh) 超密集网络架构中分布式移动边缘计算卸载方法
CN111800828B (zh) 一种超密集网络的移动边缘计算资源分配方法
Li et al. Energy-aware mobile edge computation offloading for IoT over heterogenous networks
CN111132191B (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN109413676B (zh) 一种超密异构网络中联合下上行的边缘计算迁移方法
Tang et al. Task number maximization offloading strategy seamlessly adapted to UAV scenario
Li et al. An energy‐aware task offloading mechanism in multiuser mobile‐edge cloud computing
CN111093203A (zh) 一种基于环境感知的服务功能链低成本智能部署方法
Wu et al. Efficient task scheduling for servers with dynamic states in vehicular edge computing
CN110856259A (zh) 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法
Li et al. Distributed task offloading strategy to low load base stations in mobile edge computing environment
Chakraborty et al. Sustainable task offloading decision using genetic algorithm in sensor mobile edge computing
Feng et al. Energy-efficient user selection and resource allocation in mobile edge computing
Wang et al. Q‐learning based computation offloading for multi‐UAV‐enabled cloud‐edge computing networks
Pang et al. Joint wireless source management and task offloading in ultra-dense network
Yaqub et al. Multi-objective resource optimization for hierarchical mobile edge computing
Elhattab et al. Opportunistic device association for heterogeneous cellular networks with H2H/IoT co-existence under QoS guarantee
Wang et al. Task allocation mechanism of power internet of things based on cooperative edge computing
Zhou et al. Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE
Liu et al. Deep reinforcement learning-based MEC offloading and resource allocation in uplink NOMA heterogeneous network

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