CN112788764A - 针对noma超密集网络任务卸载和资源分配方法及系统 - Google Patents
针对noma超密集网络任务卸载和资源分配方法及系统 Download PDFInfo
- Publication number
- CN112788764A CN112788764A CN202011544256.0A CN202011544256A CN112788764A CN 112788764 A CN112788764 A CN 112788764A CN 202011544256 A CN202011544256 A CN 202011544256A CN 112788764 A CN112788764 A CN 112788764A
- Authority
- CN
- China
- Prior art keywords
- small cell
- task
- sub
- energy consumption
- resource allocation
- 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.)
- Pending
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 36
- 206010042135 Stomatitis necrotising Diseases 0.000 title claims description 14
- 201000008585 noma Diseases 0.000 title claims description 14
- 238000005457 optimization Methods 0.000 claims abstract description 153
- 238000005265 energy consumption Methods 0.000 claims abstract description 132
- 230000005540 biological transmission Effects 0.000 claims abstract description 79
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 230000002146 bilateral effect Effects 0.000 claims description 33
- 230000000903 blocking effect Effects 0.000 claims description 19
- 230000005577 local transmission Effects 0.000 claims description 7
- 230000000644 propagated effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005562 fading Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种针对NOMA超密集网络任务卸载和资源分配方法及系统,方法包括:计算完成任务时各小小区中不同用户的本地能量消耗和系统总能耗;以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题,并进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题;基于资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗;根据在小基站上的边缘传输能耗和本地能量消耗确定卸载决策。本发明联合计算资源分配、子信道分配和功率控制以及卸载决策进行问题优化,尽量避免因多个用户同时进行任务卸载而产生严重的干扰,进一步改善传输时延的增加和避免发射功率的浪费,提高用户的服务体验。
Description
技术领域
本发明涉及移动边缘计算技术领域,特别是涉及一种针对NOMA超密集网络任务卸载和资源分配方法及系统。
背景技术
各种智能设备的迅速发展,人脸识别、自动驾驶等人工智能应用的普及,无一例外地需要庞大的计算资源来对数据进行实时处理。然而,由于物理尺寸和电池容量受限,一般的智能设备无法提供强大的计算能力来满足这些应用的需求。为了应对这一挑战,欧洲电信标准化协会于2014年提出了移动边缘计算(MEC,mobile edge computing),在无线网络边缘侧(如基站、无线接入点等)部署具有强大计算能力的服务器就近为用户提供所需的服务。借助MEC,用户可以将自己的计算任务卸载到边缘服务器上执行,从而降低任务的计算时延、减少用户的能耗,并满足用户的服务质量(QoS,quality ofservice)要求。然而,随着移动终端数量的指数级增长,由于频谱资源有限,传统的蜂窝MEC网络无法满足大规模用户同时卸载的服务需求。
超密集网络(UDN,Ultra-Dense Network)和非正交多址接入(NOMA,non-orthogonalmultiple access)是未来无线网络中提高频谱利用率和系统吞吐量的两种新兴技术。UDN通过在宏蜂窝内部署小小区基站,不同小小区复用宏小区的子信道资源来提升网络的频谱利用率,满足大规模接入的需求。NOMA技术通过功率域复用,在发送端使用叠加编码的方式使多个用户占用相同的频域/时域资源进行信号传输,然后在接收端采用连续干扰消除技术(SIC,successive interference cancellation)识别不同用户的信号。相较于传统的正交多址接入(OMA,orthogonal multiple access),NOMA可以获得更高的频谱效率和更大的系统吞吐量。
现有的研究工作中大多数研究者对NOMA-MEC超密集网络中的任务卸载和资源分配的联合优化进行了研究,但在NOMA-MEC超密集网络中,多个用户同时进行任务卸载会产生严重的干扰,从而造成传输时延的增加和发射功率的浪费,影响用户的服务体验,同时也忽略了子信道资源的分配。
发明内容
基于此,本发明的目的是提供一种针对NOMA超密集网络任务卸载和资源分配方法及系统,以实现减少传输时延,降低发射功率的浪费。
为实现上述目的,本发明提供了一种针对NOMA超密集网络任务卸载和资源分配方法,所述方法包括:
S1:计算完成任务时各小小区中不同用户的本地能量消耗;
S2:计算完成任务时各小小区中不同用户的系统总能耗;
S3:以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题;
S4:将所述总目标优化问题进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题;所述资源分配子目标优化问题为联合计算资源分配、子信道分配和功率控制优化问题;
S5:基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗;
S6:根据完成任务时各小小区中不同用户在小基站上的边缘传输能耗和本地能量消耗确定卸载决策,所述卸载决策为卸载决策子目标优化问题的解。
可选地,计算完成任务时各小小区中不同用户的本地能量消耗,具体包括:
S11:根据计算各小小区中不同用户在不同信道上的信噪比,其中,表示小小区m中用户u在子信道k上的信噪比,表示用户u和小小区m中的小基站在子信道k上的信道增益,g0用于建模小尺度衰落,服从分布g0~CN(0,1),du,m表示用户u和小小区m中的小基站之间距离,α为路径损耗指数,表示小小区内的干扰,即来自同一小小区内其他用户卸载产生的干扰,表示同层干扰,即来自复用同一子信道的其他小小区内各用户卸载产生的干扰,σ2表示加性高斯白噪声的功率,表示小小区m中用户u占用子信道k的功率;
S13:根据计算完成任务Tu,m时各小小区中不同用户的本地传输时延以及本地能量消耗,其中,表示完成任务Tu,m时小小区m中用户u的本地能量消耗,表示完成任务Tu,m时小小区m中用户u的本地传输时延,表示小小区m中用户u的计算能力,Cu,m表示任务Tu,m所需要的CPU周期数,Cu,m=Lu,mρu,m,Lu,m表示输入数据,ρu,m表示完成1比特任务所需的CPU周期数,κ表示能耗参数。
可选地,所述计算完成任务时各小小区中不同用户的系统总能耗,具体包括:
S21:根据计算完成任务Tu,m时各小小区中不同用户在不同信道上的边缘传输时延和边缘传输能耗,其中,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延,Lu,m表示输入数据,表示小小区m中用户u在子信道k上的链路数据速率,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延;
S22:根据计算完成任务Tu,m时在MEC服务器上的边缘传输时延,其中,表示完成任务Tu,m时在MEC服务器上的边缘传输时延,表示小小区m中的小基站分配给用户u的计算资源,Cu,m表示任务Tu,m所需要的CPU周期数;
S23:根据计算完成任务Tu,m时各小小区中不同用户在小基站上的边缘传输时延和边缘传输能耗,其中,分别表示完成任务Tu,m时小小区m中用户u在小基站上的边缘传输时延和边缘传输能耗,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延,表示完成任务Tu,m时在MEC服务器上的边缘传输时延,表示小小区m中的小基站是否占用子信道k的参数,时表示小小区m中的小基站占用子信道k,表示小小区m中的小基站没有占用子信道k,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延;
S24:根据所述本地能量消耗和各小小区中不同用户在小基站上的边缘传输能耗计算完成任务Tu,m时各小小区中不同用户的系统总能耗,具体公式为:
其中,Eu,m表示完成任务Tu,m时小小区m中用户u的系统总能耗,表示完成任务Tu,m时第m个小小区中第u个用户在小基站上的边缘传输能耗,表示完成任务Tu,m时第m个小小区中第u个用户的本地能量消耗,表示用户卸载决策参数,表示用户u将整个任务Tu,m卸载到小基站m上执行,表示小小区m中用户u在本地完成任务Tu,m。
可选地,所述基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗,具体包括:
S51:简化所述资源分配子目标优化问题;
S52:确定双边交换匹配结果;
S53:基于双边交换匹配结果构建功率控制优化问题;
S54:对所述功率控制优化问题求解,获得各小小区中不同用户占用不同子信道的功率;
S55:将各小小区中不同用户占用不同子信道的功率和双边交换匹配结果代入简化后的联合子信道分配和功率控制优化问题,确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗。
可选地,所述简化所述资源分配子目标优化问题,具体包括:
S511:将所述资源分配子目标优化问题进行分解,获得计算资源分配优化问题、联合子信道分配和功率控制优化问题;
S512:采用拉格朗日函数求解计算资源分配优化问题,并利用KKT条件确定各小小区中每个用户的最优计算资源分配;
S513:根据各小小区中每个用户的最优计算资源分配确定每个任务的最小上传速率要求;
S514:以每个任务的最小上传速率要求为目标,简化联合子信道分配和功率控制优化问题。
可选地,所述确定双边交换匹配结果,具体包括:
S521:将各小基站与一个子信道随机匹配;
S522:将随机选择的两个小基站对应的子信道进行交换;
S523:判断两个小基站是否形成交换阻塞对;如果两个小基站形成交换阻塞对,则执行交换操作;如果两个小基站没有形成交换阻塞对,则确定双边交换匹配结果,即各小小区中的小基站是否占用不同子信道的参数。
本发明还提供一种针对NOMA超密集网络任务卸载和资源分配系统,所述系统包括:
本地能量消耗确定模块,用于计算完成任务时各小小区中不同用户的本地能量消耗;
系统总能耗确定模块,用于计算完成任务时各小小区中不同用户的系统总能耗;
总目标优化问题构建模块,用于以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题;
分解模块,用于将所述总目标优化问题进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题;所述资源分配子目标优化问题为联合计算资源分配、子信道分配和功率控制优化问题;
边缘传输能耗确定模块,用于基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗;
卸载决策确定模块,用于根据完成任务时各小小区中不同用户在小基站上的边缘传输能耗和本地能量消耗确定卸载决策,所述卸载决策为卸载决策子目标优化问题的解。
可选地,所述边缘传输能耗确定模块,具体包括:
简化单元,用于简化所述资源分配子目标优化问题;
双边交换匹配结果确定单元,用于确定双边交换匹配结果;
功率控制优化问题构建单元,用于基于双边交换匹配结果构建功率控制优化问题;
求解单元,用于对所述功率控制优化问题求解,获得各小小区中不同用户占用不同子信道的功率;
代入单元,用于将各小小区中不同用户占用不同子信道的功率和双边交换匹配结果代入简化后的联合子信道分配和功率控制优化问题,确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗。
可选地,所述简化单元,具体包括:
分解子单元,用于将所述资源分配子目标优化问题进行分解,获得计算资源分配优化问题、联合子信道分配和功率控制优化问题;
求解子单元,用于采用拉格朗日函数求解计算资源分配优化问题,并利用KKT条件确定各小小区中每个用户的最优计算资源分配;
最小上传速率要求确定子单元,用于根据各小小区中每个用户的最优计算资源分配确定每个任务的最小上传速率要求;
简化子单元,用于以每个任务的最小上传速率要求为目标,简化联合子信道分配和功率控制优化问题。
可选地,所述双边交换匹配结果确定单元,具体包括:
随机匹配子单元,用于将各小基站与一个子信道随机匹配;
交换子单元,用于将随机选择的两个小基站对应的子信道进行交换;
判断子单元,用于判断两个小基站是否形成交换阻塞对;如果两个小基站形成交换阻塞对,则执行交换操作;如果两个小基站没有形成交换阻塞对,则确定双边交换匹配结果,即各小小区中的小基站是否占用不同子信道的参数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种针对NOMA超密集网络任务卸载和资源分配方法及系统,方法包括:计算完成任务时各小小区中不同用户的本地能量消耗和系统总能耗;以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题,并进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题;基于资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗;根据在小基站上的边缘传输能耗和本地能量消耗确定卸载决策。本发明联合计算资源分配、子信道分配和功率控制进行问题优化,尽量避免因多个用户同时进行任务卸载而产生严重的干扰,进一步改善传输时延的增加和避免发射功率的浪费,提高用户的服务体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例基于NOMA的超密集MEC系统架构;
图2为本发明实施例针对NOMA超密集网络任务卸载和资源分配方法流程图;
图3为本发明实施例针对NOMA超密集网络任务卸载和资源分配系统结构图。
具体实施方式
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。
本发明的目的是提供一种针对NOMA超密集网络任务卸载和资源分配方法及系统,以实现减少传输时延,降低发射功率的浪费。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提出的基于NOMA的超密集MEC系统架构,包含一个宏基站和N个小基站,其中每个小基站配备有一个MEC服务器来为小小区内的U个用户提供计算卸载服务。每个小小区可以通过NOMA技术支持该小小区内不同用户占用相同的信道进行任务卸载。用户的任务既可以本地执行,也可以卸载到该小小区的小基站处执行。
分别用集合表示系统中的N个小基站,集合表示K个子信道,集合表示小小区m中的U个用户,每个小小区可以复用系统中的一个子信道,并且不同小小区可以复用同一信道进一步提高系统的频谱效率。信道复用会带来同层干扰,为了避免严重的干扰降低用户的通信质量,假设占用同一子信道的小小区的最大数目为qmax。定义小小区m中的小基站是否占用子信道k的参数为时表示小小区m中的小基站占用子信道k;否则每个用户都有一个时延受限的任务,用表示小小区m中用户u的任务,其中Lu,m为输入数据的大小(以比特为单位);ρu,m为完成1比特任务所需的CPU周期数;为最大容忍时延(以秒为单位),完成任务所需要的CPU周期数可以用Cu,m=Lu,mρu,m来表示。
本应用考虑一种二进制卸载模式,即每个用户的任务可以在本地执行或者卸载到相应的小基站上执行。定义用户卸载决策参数为表示用户u将其整个任务卸载到小小区m中的小基站上执行;表示小小区m中用户u在本地执行其自身任务。
对于信道模型,分别采用瑞利衰落和自由空间传播路径损耗来模拟小尺度衰落和大尺度衰落模型。当不同用户通过NOMA技术将其任务卸载到同一个小基站时,用户之间存在小区内干扰。可以在小基站上采用SIC技术解码来自同一子信道的不同用户发送的信号。根据上行传输场景中的SIC,小基站首先解码具有较高信道增益的用户的信号,并把其他用户的信号视作干扰,然后,将其从其他用户的干扰项中去除。在子信道k上,对于小小区m中小基站服务的用户信道增益遵循的顺序。
如图2所示,本发明公开一种针对NOMA超密集网络任务卸载和资源分配方法,所述方法应用于NOMA的超密集MEC系统架构,所述方法包括:
S1:计算完成任务时各小小区中不同用户的本地能量消耗;
S2:计算完成任务时各小小区中不同用户的系统总能耗;
S3:以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题;
S4:将所述总目标优化问题进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题;所述资源分配子目标优化问题为联合计算资源分配、子信道分配和功率控制优化问题;
S5:基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗;
S6:根据完成任务时各小小区中不同用户在小基站上的边缘传输能耗和本地能量消耗确定卸载决策,所述卸载决策为卸载决策子目标优化问题的解。
下面对各个步骤进行详细论述:
S1:计算完成任务Tu,m时各小小区中不同用户的本地能量消耗,具体包括:
S11:根据计算各小小区中不同用户在不同信道上的信噪比,其中,表示小小区m中用户u在子信道k上的信噪比,表示用户u和小小区m中的小基站在子信道k上的信道增益,g0用于建模小尺度衰落,服从分布g0~CN(0,1),du,m表示用户u和小小区m中的小基站之间距离,α为路径损耗指数,表示小小区内的干扰,即来自同一小小区内其他用户卸载产生的干扰,表示同层干扰,即来自复用同一子信道的其他小小区内各用户卸载产生的干扰,σ2表示加性高斯白噪声的功率,表示小小区m中用户u占用子信道k的功率。
其中,表示表示小小区m中用户i的卸载决策,表示小小区m中占用子信道k的用户i的发射功率,表示用户i和小小区m中的小基站在子信道k上的信道增益,表示小小区s中用户n的卸载决策,表示小小区s中占用子信道k的用户n的发射功率,表示用户n和小小区m中的小基站在子信道k上的信道增益,表示小小区s中的用户集合,i表示第i个用户,表示小小区s中的小基站是否占用子信道k的参数,s表示小小区s,n表示第n个用户,i表示第i个用户,U表示小小区m中的用户的总个数。
S13:根据计算完成任务Tu,m时各小小区中不同用户的本地传输时延以及本地能量消耗,其中,表示完成任务Tu,m时小小区m中用户u的本地能量消耗,表示完成任务Tu,m时小小区m中用户u的本地传输时延,表示小小区m中用户u的计算能力,Cu,m表示任务Tu,m所需要的CPU周期数,Cu,m=Lu,mρu,m,Lu,m表示输入数据,ρu,m表示完成1比特任务所需的CPU周期数,κ表示能耗参数。
在边缘计算模式中,用户首先将任务上传到相连的基站上,然后,该基站配备的MEC服务器将代替用户执行该任务。
S2:计算完成任务时各小小区中不同用户的系统总能耗,具体包括:
S21:根据计算完成任务Tu,m时各小小区中不同用户在不同信道上的边缘传输时延和边缘传输能耗,其中,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延,Lu,m表示输入数据,表示小小区m中用户u在子信道k上的链路数据速率,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延,表示小小区m中用户u占用子信道k的功率。
S22:根据计算完成任务Tu,m时在MEC服务器上的边缘传输时延,其中,表示完成任务Tu,m时在MEC服务器上的边缘传输时延,表示小小区m中的小基站分配给用户u的计算资源,Cu,m表示任务Tu,m所需要的CPU周期数。
上述忽略了在MEC服务器上完成任务的能耗,因为小基站通常由电网供电,这保证了完成任务所消耗的能量是足够的。此外,由于计算结果较小,忽略了从MEC服务器向用户发送结果的时间和能耗。
S23:根据计算完成任务Tu,m时各小小区中不同用户在小基站上的边缘传输时延和边缘传输能耗,其中,分别表示完成任务Tu,m时小小区m中用户u在小基站上的边缘传输时延和边缘传输能耗,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延,表示完成任务Tu,m时在MEC服务器上的边缘传输时延,表示小小区m中的小基站是否占用子信道k的参数,时表示小小区m中的小基站占用子信道k,表示小小区m中的小基站没有占用子信道k,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延。
S24:根据所述本地能量消耗和各小小区中不同用户在小基站上的边缘传输能耗计算完成任务Tu,m时各小小区中不同用户的系统总能耗,具体公式为:
其中,Eu,m表示完成任务Tu,m时小小区m中用户u的系统总能耗,表示完成任务Tu,m时第m个小小区中第u个用户在小基站上的边缘传输能耗,表示完成任务Tu,m时第m个小小区中第u个用户的本地能量消耗,表示用户卸载决策参数,表示用户u将整个任务Tu,m卸载到小基站m上执行,表示小小区m中用户u在本地完成任务Tu,m。
S3:以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题,具体公式为:
表示小小区m中包括U个用户的集合,Eu,m表示完成任务Tu,m时小小区m中用户u的系统总能耗,表示用户卸载决策参数,表示K个子信道的集合,表示完成任务Tu,m时小小区m中用户u在小基站上的边缘传输时延,表示完成任务Tu,m时小小区m中用户u的本地传输时延,为最大容忍时延,表示小小区m中的小基站分配给用户u的计算资源,Fm表示小小区m中的小基站的计算能力,表示小小区m中的小基站是否占用子信道k的参数,qmax表示占用同一子信道的小小区的最大数目,表示小小区m中用户u占用子信道k的功率,Pmax表示最大发射功率,表示小小区的集合。
约束条件C1表示每个用户的任务完成时间小于其最大时延;C2和C3表示分配给卸载用户的计算资源不超过每个MEC服务器的总资源;C4和C5保证了每个小基站最多复用一个子信道,而每个子信道最多被qmax个小基站复用;C6和C7表示卸载决策和子信道分配是二进制变量;C8是所有卸载用户的功率约束。
总目标优化问题是一个混合整数非线性规划问题,它涉及二进制变量和连续变量,且目标函数是非凸的。此外,卸载决策与资源分配的耦合使得问题更具挑战性。一般情况下无法在多项式时间内获得该问题的最优解。因此,本发明将原问题分解为两个子问题,即资源分配子问题和卸载决策子问题,并提出一种联合算法通过迭代求解这两个子问题获得原问题的次优解。
S4:将所述总目标优化问题进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题。
所述资源分配子目标优化问题为联合计算资源分配、子信道分配和功率控制优化问题;所述资源分配子目标优化问题具体公式为:
表示小小区m中选择任务卸载的用户集合,表示小小区m中包括U个用户的集合,表示完成任务Tu,m时小小区m中用户u在小基站上的边缘传输能耗,为最大容忍时延,表示完成任务Tu,m时在MEC服务器上的边缘传输时延,表示小小区m中的小基站分配给用户u的计算资源,Fm表示小小区m中的小基站的计算能力,表示小小区m中的小基站是否占用子信道k的参数,qmax表示占用同一子信道的小小区的最大数目,表示K个子信道的集合,表示小小区m中用户u占用子信道k的功率,Pmax表示最大发射功率,表示小小区的集合,Lu,m表示输入数据的大小。
该优化问题也是一个涉及二进制变量和连续变量的混合整数非线性规划问题,而且目标函数是非凸的。不同优化变量之间具有强耦合性。为了解决该问题,将其解耦为两个子问题,即计算资源分配问题和联合子信道分配和功率控制问题。然后,通过解决这两个子问题获得原问题的解。
S5:基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗,具体包括:
S51:简化所述资源分配子目标优化问题,具体包括:
S511:将所述资源分配子目标优化问题进行分解,获得计算资源分配优化问题、联合子信道分配和功率控制优化问题。
分配给用户的计算资源越多,任务执行过程中花费的时间越少,那么任务所需的上传时延就越长。任务所需的上传时延约束越松,用户的发射功率越小,所需的上传能耗就越小。因此,计算资源分配问题可以表述为最小化同一小基站服务的卸载用户的任务执行时延,因此计算资源分配优化问题具体表示为:
其中,表示小小区m中选择任务卸载的用户集合,表示小小区m中包括U个用户的集合,表示小小区m中的小基站分配给用户u的计算资源,Cu,m表示完成任务Tu,m所需要的CPU周期数,为最大容忍时延,Fm表示小小区m中的小基站的计算能力。
S512:采用拉格朗日函数求解计算资源分配优化问题,并利用KKT(Karush-Kuhn-Tucher)条件确定各小小区中每个用户的最优计算资源分配,具体公式为:
其中,表示小小区m中用户u的最优计算资源分配,Fm表示小小区m中的小基站的计算能力,Cu,m表示完成任务Tu,m所需要的CPU周期数,Cs,m表示完成任务Ts,m所需要的CPU周期数,表示小小区m中选择任务卸载的用户集合,s表示选择任务卸载的用户s。
S513:根据各小小区中每个用户的最优计算资源分配确定每个任务的最小上传速率要求,具体公式为:
其中,表示每个任务的最小上传速率要求,表示小小区m中用户u的最优计算资源分配,Cu,m表示完成任务Tu,m所需要的CPU周期数,表示小小区m中选择任务卸载的用户集合,表示小小区m中包括U个用户的集合,为最大容忍时延,Lu,m表示输入数据。
S514:以每个任务的最小上传速率要求为目标,简化联合子信道分配和功率控制优化问题,具体表示为:
其中, 表示小小区m中选择任务卸载的用户集合,表示小小区m中包括U个用户的集合,表示完成任务Tu,m时第m个小小区中第u个用户在小基站上的边缘传输能耗,表示小小区m中的小基站是否占用子信道k的参数,qmax表示占用同一子信道的小小区的最大数目,表示K个子信道的集合,表示小小区m中用户u占用子信道k的功率,Pmax表示最大发射功率,表示小小区的集合,表示小小区m中占用子信道k的用户u的任务上传速率,表示每个任务的最小上传速率要求,表示小小区m中用户u占用子信道k的功率。
其中,C1是每个任务的最小上传速率要求。该问题是一个涉及二元变量和连续变量的混合问题,目标函数是非凸的。此外,子信道分配和功率控制共同影响用户的能耗。为了获得问题的全局最优解,需要通过穷举法找出能够实现能耗最小的子信道分配结果,然而随着用户数和子信道数的增加,这种方法的复杂度呈指数级增加。为了提出一个低复杂度的算法,将该问题建模为一个小基站之间存在外部性的多对一二分匹配问题,其中匹配双方分别是小基站和子信道。因此,该问题可以通过小基站和子信道之间相互匹配解决,目的是最小化系统总能耗。同时,在每个临时匹配的过程中进行功率控制。
本发明首先把每个小基站和一个子信道随机匹配,得到一个初始匹配结果。在交换匹配过程中,随机选择两个不同的小基站,并临时交换它们匹配的子信道,其他子信道的匹配保持不变。然后对两个子信道上的用户执行功率控制,得到基站和子信道的效用值。如果这两个小基站形成交换阻塞对,则执行交换操作。交换匹配过程持续进行,直到不存在交换阻塞对,最终可以获得双边交换稳定的匹配结果,具体总结步骤如下:
S52:确定双边交换匹配结果,具体包括:
S521:将各小基站与一个子信道随机匹配。
S522:将随机选择的两个小基站对应的子信道进行交换。
在给定子信道分配的情况下,可以独立地解决同一子信道上卸载用户的功率控制问题,将其描述为最小化占用相同子信道的用户的发射功率,子信道k上卸载用户的功率优化问题可以表示为:
S53:基于双边交换匹配结果构建功率控制优化问题,具体公式为:
其中,是占用子信道k的卸载用户的功率集合,表示双边交换匹配结果,又称小小区m中的小基站是否占用子信道k的参数,表示小小区m中选择任务卸载的用户集合,表示小小区m中包括U个用户的集合,表示小小区m中占用子信道k的用户u的任务上传速率,表示每个任务的最小上传速率要求,表示小小区m中用户u占用子信道k的功率,Pmax表示最大发射功率,表示小小区的集合。
S54:对所述功率控制优化问题求解,获得各小小区中不同用户占用不同子信道的功率,具体包括:
S541:将功率控制优化问题进行简化,获得功率控制近似优化问题,具体公式为:
其中,表示小小区m中选择任务卸载的用户集合,表示小小区m中包括U个用户的集合,表示小小区m中用户u的发射功率,表示小小区m中占用子信道k的用户u的任务上传速率的下界,表示每个任务的最小上传速率要求,Pmax表示最大发射功率,表示小小区的集合,表示双边交换匹配结果,又称小小区m中的小基站是否占用子信道k的参数,Sk表示功率优化变量的集合。
该问题是个凸优化问题,利用凸优化工具CVX直接求解功率控制近似优化问题。因此,可以利用逐次凸逼近(SCA)算法迭代解决该问题获得原问题的解。
通过资源分配,得到用户在卸载过程中的能耗。然后,采用穷举法获得实现系统能耗最小的卸载决策方案。但是该方案的复杂度极高,在实际场景中难以实现。因此,本发明提出了一种低复杂度的任务卸载决策方案,该方案通过比较每个用户在本地计算和边缘计算过程中的能耗确定每个用户的卸载决策,具体步骤如下:
具体的,根据确定卸载决策其中,表示完成任务Tu,m时各小小区中不同用户在小基站上的边缘传输能耗,完成任务Tu,m时各小小区中不同用户本地能量消耗,表示用户u将其整个任务卸载到小小区m中的小基站上执行,表示小小区m中用户u在本地执行其自身任务。
本发明涉及基于NOMA的超密集MEC网络任务卸载和资源分配方案。采用联合任务卸载和资源分配的机制来实现该架构。综合考虑了任务卸载决策、功率控制、计算资源和子信道资源分配。首先,对任务卸载用户进行资源分配,将其解耦为计算资源分配和联合子信道分配和功率控制的两个子问题,在满足用户服务质量的前提下实现最小化系统系统总能耗。其次,通过比较每个用户在本地计算和边缘计算过程中的能耗来优化用户的卸载决策。通过迭代求解这两个问题直到用户不改变自身的卸载决策得到该机制的解。另外,本发明提出了一种联合任务卸载和资源分配的优化方案求解问题。首先,所有用户选择将自身任务全部卸载到关联的小基站上计算,然后通过资源分配获得卸载过程中的能耗,之后通过上式更新每个用户的卸载决策。通过交替解决这两个子问题直到用户不改变自身的卸载决策即可得到原问题的解。
实施例2
如图3所示,本发明还提供一种针对NOMA超密集网络任务卸载和资源分配系统,所述系统包括:
本地能量消耗确定模块301,用于计算完成任务时各小小区中不同用户的本地能量消耗。
系统总能耗确定模块302,用于计算完成任务时各小小区中不同用户的系统总能耗。
总目标优化问题构建模块303,用于以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题。
分解模块304,用于将所述总目标优化问题进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题;所述资源分配子目标优化问题为联合计算资源分配、子信道分配和功率控制优化问题。
边缘传输能耗确定模块305,用于基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗。
卸载决策确定模块306,用于根据完成任务时各小小区中不同用户在小基站上的边缘传输能耗和本地能量消耗确定卸载决策,所述卸载决策为卸载决策子目标优化问题的解。
作为一种实施方式,本发明所述边缘传输能耗确定模块305,具体包括:
简化单元,用于简化所述资源分配子目标优化问题。
双边交换匹配结果确定单元,用于确定双边交换匹配结果。
功率控制优化问题构建单元,用于基于双边交换匹配结果构建功率控制优化问题。
求解单元,用于对所述功率控制优化问题求解,获得各小小区中不同用户占用不同子信道的功率。
代入单元,用于将各小小区中不同用户占用不同子信道的功率和双边交换匹配结果代入简化后的联合子信道分配和功率控制优化问题,确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗。
作为一种实施方式,本发明所述简化单元,具体包括:
分解子单元,用于将所述资源分配子目标优化问题进行分解,获得计算资源分配优化问题、联合子信道分配和功率控制优化问题。
求解子单元,用于采用拉格朗日函数求解计算资源分配优化问题,并利用KKT条件确定各小小区中每个用户的最优计算资源分配。
最小上传速率要求确定子单元,用于根据各小小区中每个用户的最优计算资源分配确定每个任务的最小上传速率要求。
简化子单元,用于以每个任务的最小上传速率要求为目标,简化联合子信道分配和功率控制优化问题。
作为一种实施方式,本发明所述双边交换匹配结果确定单元,具体包括:
随机匹配子单元,用于将各小基站与一个子信道随机匹配。
交换子单元,用于将随机选择的两个小基站对应的子信道进行交换。
判断子单元,用于判断两个小基站是否形成交换阻塞对;如果两个小基站形成交换阻塞对,则执行交换操作;如果两个小基站没有形成交换阻塞对,则确定双边交换匹配结果,即小小区m中的小基站是否占用子信道k的参数。
本发明公开的方案随着迭代次数的增加,系统能耗会逐渐降低并最终收敛于一个定值,收敛所需的迭代次数为2次,这说明本发明所提方案的收敛性是非常快的。系统能耗随着小基站数量的增加而增大。相较于其他卸载方案,所提出方法可以实现更低的能量消耗,并且能够以较低的复杂度获得接近穷举卸载方案的结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种针对NOMA超密集网络任务卸载和资源分配方法,其特征在于,所述方法包括:
S1:计算完成任务时各小小区中不同用户的本地能量消耗;
S2:计算完成任务时各小小区中不同用户的系统总能耗;
S3:以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题;
S4:将所述总目标优化问题进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题;所述资源分配子目标优化问题为联合计算资源分配、子信道分配和功率控制优化问题;
S5:基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗;
S6:根据完成任务时各小小区中不同用户在小基站上的边缘传输能耗和本地能量消耗确定卸载决策,所述卸载决策为卸载决策子目标优化问题的解。
2.根据权利要求1所述的针对NOMA超密集网络任务卸载和资源分配方法,其特征在于,计算完成任务时各小小区中不同用户的本地能量消耗,具体包括:
S11:根据计算各小小区中不同用户在不同信道上的信噪比,其中,表示小小区m中用户u在子信道k上的信噪比,表示用户u和小小区m中的小基站在子信道k上的信道增益,g0用于建模小尺度衰落,服从分布g0~CN(0,1),du,m表示用户u和小小区m中的小基站之间距离,α为路径损耗指数,表示小小区内的干扰,即来自同一小小区内其他用户卸载产生的干扰,表示同层干扰,即来自复用同一子信道的其他小小区内各用户卸载产生的干扰,σ2表示加性高斯白噪声的功率,表示小小区m中用户u占用子信道k的功率;
3.根据权利要求1所述的针对NOMA超密集网络任务卸载和资源分配方法,其特征在于,所述计算完成任务时各小小区中不同用户的系统总能耗,具体包括:
S21:根据计算完成任务Tu,m时各小小区中不同用户在不同信道上的边缘传输时延和边缘传输能耗,其中,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延,Lu,m表示输入数据,表示小小区m中用户u在子信道k上的链路数据速率,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延;
S22:根据计算完成任务Tu,m时在MEC服务器上的边缘传输时延,其中,表示完成任务Tu,m时在MEC服务器上的边缘传输时延,表示小小区m中的小基站分配给用户u的计算资源,Cu,m表示任务Tu,m所需要的CPU周期数;
S23:根据计算完成任务Tu,m时各小小区中不同用户在小基站上的边缘传输时延和边缘传输能耗,其中,分别表示完成任务Tu,m时小小区m中用户u在小基站上的边缘传输时延和边缘传输能耗,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延,表示完成任务Tu,m时在MEC服务器上的边缘传输时延,表示小小区m中的小基站是否占用子信道k的参数, 时表示小小区m中的小基站占用子信道k,表示小小区m中的小基站没有占用子信道k,表示完成任务Tu,m时小小区m中用户u在子信道k上的边缘传输时延;
S24:根据所述本地能量消耗和各小小区中不同用户在小基站上的边缘传输能耗计算完成任务Tu,m时各小小区中不同用户的系统总能耗,具体公式为:
4.根据权利要求1所述的针对NOMA超密集网络任务卸载和资源分配方法,其特征在于,所述基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗,具体包括:
S51:简化所述资源分配子目标优化问题;
S52:确定双边交换匹配结果;
S53:基于双边交换匹配结果构建功率控制优化问题;
S54:对所述功率控制优化问题求解,获得各小小区中不同用户占用不同子信道的功率;
S55:将各小小区中不同用户占用不同子信道的功率和双边交换匹配结果代入简化后的联合子信道分配和功率控制优化问题,确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗。
5.根据权利要求4所述的针对NOMA超密集网络任务卸载和资源分配方法,其特征在于,所述简化所述资源分配子目标优化问题,具体包括:
S511:将所述资源分配子目标优化问题进行分解,获得计算资源分配优化问题、联合子信道分配和功率控制优化问题;
S512:采用拉格朗日函数求解计算资源分配优化问题,并利用KKT条件确定各小小区中每个用户的最优计算资源分配;
S513:根据各小小区中每个用户的最优计算资源分配确定每个任务的最小上传速率要求;
S514:以每个任务的最小上传速率要求为目标,简化联合子信道分配和功率控制优化问题。
6.根据权利要求4所述的针对NOMA超密集网络任务卸载和资源分配方法,其特征在于,所述确定双边交换匹配结果,具体包括:
S521:将各小基站与一个子信道随机匹配;
S522:将随机选择的两个小基站对应的子信道进行交换;
S523:判断两个小基站是否形成交换阻塞对;如果两个小基站形成交换阻塞对,则执行交换操作;如果两个小基站没有形成交换阻塞对,则确定双边交换匹配结果,即各小小区中的小基站是否占用不同子信道的参数。
7.一种针对NOMA超密集网络任务卸载和资源分配系统,其特征在于,所述系统包括:
本地能量消耗确定模块,用于计算完成任务时各小小区中不同用户的本地能量消耗;
系统总能耗确定模块,用于计算完成任务时各小小区中不同用户的系统总能耗;
总目标优化问题构建模块,用于以系统总能耗最小为优化目标,联合资源分配和卸载决策构建总目标优化问题;
分解模块,用于将所述总目标优化问题进行分解,获得资源分配子目标优化问题和卸载决策子目标优化问题;所述资源分配子目标优化问题为联合计算资源分配、子信道分配和功率控制优化问题;
边缘传输能耗确定模块,用于基于所述资源分配子目标优化问题确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗;
卸载决策确定模块,用于根据完成任务时各小小区中不同用户在小基站上的边缘传输能耗和本地能量消耗确定卸载决策,所述卸载决策为卸载决策子目标优化问题的解。
8.根据权利要求7所述的针对NOMA超密集网络任务卸载和资源分配系统,其特征在于,所述边缘传输能耗确定模块,具体包括:
简化单元,用于简化所述资源分配子目标优化问题;
双边交换匹配结果确定单元,用于确定双边交换匹配结果;
功率控制优化问题构建单元,用于基于双边交换匹配结果构建功率控制优化问题;
求解单元,用于对所述功率控制优化问题求解,获得各小小区中不同用户占用不同子信道的功率;
代入单元,用于将各小小区中不同用户占用不同子信道的功率和双边交换匹配结果代入简化后的联合子信道分配和功率控制优化问题,确定完成任务时各小小区中不同用户在小基站上的边缘传输能耗。
9.根据权利要求8所述的针对NOMA超密集网络任务卸载和资源分配系统,其特征在于,所述简化单元,具体包括:
分解子单元,用于将所述资源分配子目标优化问题进行分解,获得计算资源分配优化问题、联合子信道分配和功率控制优化问题;
求解子单元,用于采用拉格朗日函数求解计算资源分配优化问题,并利用KKT条件确定各小小区中每个用户的最优计算资源分配;
最小上传速率要求确定子单元,用于根据各小小区中每个用户的最优计算资源分配确定每个任务的最小上传速率要求;
简化子单元,用于以每个任务的最小上传速率要求为目标,简化联合子信道分配和功率控制优化问题。
10.根据权利要求8所述的针对NOMA超密集网络任务卸载和资源分配系统,其特征在于,所述双边交换匹配结果确定单元,具体包括:
随机匹配子单元,用于将各小基站与一个子信道随机匹配;
交换子单元,用于将随机选择的两个小基站对应的子信道进行交换;
判断子单元,用于判断两个小基站是否形成交换阻塞对;如果两个小基站形成交换阻塞对,则执行交换操作;如果两个小基站没有形成交换阻塞对,则确定双边交换匹配结果,即各小小区中的小基站是否占用不同子信道的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011544256.0A CN112788764A (zh) | 2020-12-23 | 2020-12-23 | 针对noma超密集网络任务卸载和资源分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011544256.0A CN112788764A (zh) | 2020-12-23 | 2020-12-23 | 针对noma超密集网络任务卸载和资源分配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112788764A true CN112788764A (zh) | 2021-05-11 |
Family
ID=75751987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011544256.0A Pending CN112788764A (zh) | 2020-12-23 | 2020-12-23 | 针对noma超密集网络任务卸载和资源分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112788764A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113543342A (zh) * | 2021-07-05 | 2021-10-22 | 南京信息工程大学滨江学院 | 基于noma-mec强化学习资源分配与任务卸载方法 |
CN113891359A (zh) * | 2021-10-11 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种数据处理方法、装置及存储介质 |
CN113905442A (zh) * | 2021-09-30 | 2022-01-07 | 哈尔滨工业大学 | 一种智能电网按优先度分配子载波的传感器资源分配方法 |
CN113938997A (zh) * | 2021-09-30 | 2022-01-14 | 中国人民解放军陆军工程大学 | 一种noma物联网中安全mec系统的资源分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106452700A (zh) * | 2015-08-06 | 2017-02-22 | 电信科学技术研究院 | 一种进行数据传输的方法和设备 |
US20200068492A1 (en) * | 2018-08-23 | 2020-02-27 | Samsung Electronics Co., Ltd. | Method and apparatus for reducing energy consumption of terminal in wireless communication system |
CN111615129A (zh) * | 2020-05-29 | 2020-09-01 | 南京邮电大学 | 基于noma的多用户移动边缘计算系统中的资源分配方法 |
-
2020
- 2020-12-23 CN CN202011544256.0A patent/CN112788764A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106452700A (zh) * | 2015-08-06 | 2017-02-22 | 电信科学技术研究院 | 一种进行数据传输的方法和设备 |
US20200068492A1 (en) * | 2018-08-23 | 2020-02-27 | Samsung Electronics Co., Ltd. | Method and apparatus for reducing energy consumption of terminal in wireless communication system |
CN111615129A (zh) * | 2020-05-29 | 2020-09-01 | 南京邮电大学 | 基于noma的多用户移动边缘计算系统中的资源分配方法 |
Non-Patent Citations (2)
Title |
---|
CHEN XU: "Energy-Minimization Task Offloading and Resource Allocation for Mobile Edge Computing in NOMA Heterogeneous Networks", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
张海君: "基于移动边缘计算的NOMA 异构网络资源分配", 《通信学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113543342A (zh) * | 2021-07-05 | 2021-10-22 | 南京信息工程大学滨江学院 | 基于noma-mec强化学习资源分配与任务卸载方法 |
CN113543342B (zh) * | 2021-07-05 | 2024-03-29 | 南京信息工程大学滨江学院 | 基于noma-mec强化学习资源分配与任务卸载方法 |
CN113905442A (zh) * | 2021-09-30 | 2022-01-07 | 哈尔滨工业大学 | 一种智能电网按优先度分配子载波的传感器资源分配方法 |
CN113938997A (zh) * | 2021-09-30 | 2022-01-14 | 中国人民解放军陆军工程大学 | 一种noma物联网中安全mec系统的资源分配方法 |
CN113938997B (zh) * | 2021-09-30 | 2024-04-30 | 中国人民解放军陆军工程大学 | 一种noma物联网中安全mec系统的资源分配方法 |
CN113891359A (zh) * | 2021-10-11 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种数据处理方法、装置及存储介质 |
CN113891359B (zh) * | 2021-10-11 | 2023-06-20 | 中国联合网络通信集团有限公司 | 一种数据处理方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109413724B (zh) | 一种基于mec的任务卸载和资源分配方案 | |
CN112788764A (zh) | 针对noma超密集网络任务卸载和资源分配方法及系统 | |
Khan et al. | Performance analysis of cloud radio access networks with distributed multiple antenna remote radio heads | |
Takshi et al. | Joint optimization of device to device resource and power allocation based on genetic algorithm | |
CN101860951B (zh) | 分布式多输入多输出无线通信系统中控制功率装置和方法 | |
CN108718445B (zh) | 一种QoS驱动的D2D安全通信资源分配方法 | |
CN111586646B (zh) | 一种蜂窝网络中联合上下信道的d2d通信的资源分配方法 | |
CN108495337A (zh) | 基于noma的无线携能通信系统最大安全速率优化方法 | |
CN106604300B (zh) | 一种基于全双工和大规模天线技术的小小区基站自供能自回传方法 | |
Dai et al. | Interference-aware resource allocation for D2D underlaid cellular network using SCMA: A hypergraph approach | |
CN108848045B (zh) | 基于联合干扰对齐和功率优化的d2d通信干扰管理方法 | |
Swetha et al. | Selective overlay mode operation for D2D communication in dense 5G cellular networks | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
CN110139282B (zh) | 一种基于神经网络的能量采集d2d通信资源分配方法 | |
Zheng et al. | Zero-energy device networks with wireless-powered RISs | |
CN113038583B (zh) | 小区间下行链路干扰控制方法、装置和系统 | |
Ron et al. | Learning-based joint optimization of mode selection and transmit power control for D2D communication underlaid cellular networks | |
CN105979589A (zh) | 异构网络的能量有效资源分配方法及系统 | |
Eliodorou et al. | User association coalition games with zero-forcing beamforming and NOMA | |
Elnourani et al. | Reliable underlay device-to-device communications on multiple channels | |
Cao et al. | On the mathematical modeling and optimization for the energy efficiency performance of CSMA-NOMA random access networks with channel inversion | |
CN114448479B (zh) | 一种基于天线选择的Massive MIMO安全传输优化方法 | |
Al-Zahrani et al. | Resource Allocation and Optimization in Device-to-Device Communication 5G Networks. | |
Kusaladharma et al. | Performance characterization of spatially random energy harvesting underlay D2D networks with primary user power control | |
Nguyen et al. | Achieving energy-efficiency in two-tiers wireless backhaul HetNets |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |