CN112799812B - 一种多智能设备协同优化系统 - Google Patents

Abstract

本发明公开了智能建筑物技术领域中一种多智能设备协同优化系统，所述系统包括智能设备单元、分解计算任务单元、任务迁移单元、模型转化单元；所述系统利用频分多址来对智能建筑物中能量密集型计算任务进行计算分流，并提出了对多智能设备、FDMA传输和计算资源分配的联合优化，并制定了联合优化多智能设备单任务的能量密集型计算任务卸载的方法，最大限度地减少智能建筑物体中智能设备的总能耗，以完成其所需的延迟限制下的任务。

Description

一种多智能设备协同优化系统

技术领域

本发明涉及智能建筑物技术领域，特别涉及一种多智能设备协同优化系统。

背景技术

智能建筑物中包括很多智能设备，这些智能设备时刻在进行各种复杂的能量密集型的计算任务，智能建筑中的智能设备由于本身计算能力的限制，在处理这些复杂计算任务的时候，会产生相当大的能量消耗，这与智能建筑物系统的绿色节能理念相违背，因此找到一种合理的方案来辅助智能建筑物中的各类智能设备进行节能是很有必要的。另外一方面，随着边缘计算技术和无线通信网络技术的发展，不断涌现的新技术为智能建筑物系统的总体能量优化提供了可以改善优化的方案。在智能建筑物中的需要智能设备通过无线网络传输技术，将本地的一些复杂能量密集型计算任务卸载到边缘服务器，通过借助边缘服务器丰富的计算资源联合协作来完成这些复杂的计算任务，以此实现整个智能建筑系统的绿色节能目标。

随着对绿色无线系统的关注日益增长，在过去的几十年中，许多研究工作一直致力于研究节能型边缘(EC)计算服务：如致力于对节能工作量卸载问题进行了研究，并提出了诸如基于乘数共识交替方向法的分布式解决方案；或者，提出了工作量卸载和功率控制的联合优化，以最大程度地减少能耗；或者，提出了一种用于多用户雾计算系统的能源效率优化问题，目的是在执行延迟约束的情况下将能耗降至最低；或者，提出了一种随机优化问题，用于通过EC进行任务卸载，目的是在保证平均队列长度的同时将能耗降至最低。

尽管已有上述研究，但是基于边缘计算服务的智能建筑物系统中智能设备的节能优化方面还存在一定的问题。因为智能建筑系统中，不同的智能设备分布相对比较集中，密集的设备同时产生的能量是一个不可忽略的数据。另外，智能建筑系统中设备种类繁多，不同的设备需要进行处理的计算任务总量不相同，不同设备自己本身携带的计算资源效率也不相同。部分设备的发送功率的限制存在很大的差异，如电子智能监控，空调等智能设备。不同设备需要处理的计算任务对于时间延迟的敏感程度都存在很大的差异。因此，从提高能源效率的角度来看，如何将不同任务的工作负载正确地卸载到边缘计算服务器是一个亟需解决的技术问题。

发明内容

本发明解决了现有技术中无法将不同任务的工作负载正确、高效地卸载到边缘计算服务器的技术问题，提供一种多智能设备协同优化方法，包括通过FDMA技术辅助智能建筑物中的智能设备进行能量优化，建立联合优化模型并制定了联合优化多智能设备单任务的能量密集型计算任务卸载的方法，在满足每个任务的延迟限制的同时最大程度地减少智能建筑物中的总能耗。

为了实现上述目的，本发明采用了如下技术方案：一种多智能设备协同优化系统，其特征在于，包括：智能设备单元，所述智能设备单元包含M个智能设备SD，每个智能设备SD选择一个距离其最近的边缘服务器进行计算任务卸载，每个智能设备的需要完成的总的计算任务量通过SD_m表示；分解计算任务单元，所述分解计算任务单元将每个智能设备中的计算任务SD_m分成通过无线传输网络卸载到边缘服务器的计算任务S_m和智能设备本地完成的计算任务

其中，tot为total简写；任务迁移单元，所述任务迁移单元将不同的智能设备的总任务量

(m＝1,2,...,M，M表示智能设备端总的个数)通过频分多址(FDMA)迁移到边缘服务器组；模型转化单元，所述模型转化单元计算所述智能设备将任务通过FDMA卸载到边缘服务器发送的传输功率，将系统转化为所有智能设备在满足时延约束的条件下完成所有任务的总能量最小化模型。

优选的，所述系统包括k个边缘服务器，所述边缘服务器按序是：g₁＞g₂＞...＞g_k，其中，g_k表示从用户到边缘服务器k的信道功率增益；所有智能设备将总任务通过FDMA卸载到边缘服务器发送的总传输功率为：

其中，参数W表示信道带宽，S_m表示第m个智能设备卸载到边缘服务器的卸载的计算任务量，参数n₀表示背景噪声的功率密度，t表示卸载任务至边缘服务器的时间。

优选的，所述智能设备卸载花费的总能量E_OC为：

其中，

表示边缘卸载功率。

优选的，每个智能设备完成其的总体计算任务量总体延迟

为：

其中，μ_L,m表示第m个智能设备的计算速度，单位bit/s；μ_E表示边缘服务器的计算速度，单位bit/s；

表示第m个智能设备迁移其工作负载到边缘服务器的总延迟。

优选的，所述系统中，发射功率不超过智能设备的功率预算，所述智能设备的卸载总延迟不超过最大延迟限制。

优选的，所述模型转化单元将非凸的最小化模型(P1)转化为凸优化模型(P1-Sub)，(P1):Min(E_OC+E_LC)，其中E_LC为所述智能设备计算完成本地任务量花费的能量。

优选的，所述模型转化单元可以将优化模型(P1)转化为模型(P1-E)：

(P1-E)：

其中

变量为t和

优选的，本地CPU计算能耗取决于动态电压，本地CPU的计算功率取决于计算速度。

优选的，所述任务迁移单元将不同的智能设备的任务SD_m的计算任务量

同时迁移到边缘服务器组。

优选的，所述系统应用于智能建筑物系统中。

本发明相比现有技术具有以下优点：

通过FDMA技术辅助智能建筑物中的智能设备进行能量优化，考虑了多智能设备的场景，并制定了联合优化多智能设备单任务的能量密集型计算任务卸载的方法，最大程度地减少智能建筑物中同时完成其任务的总能耗，所述基于FDMA的计算任务卸载来辅助智能设备进行能量密集型计算任务处理的的方案大大优于计算任务全部智能设备本地处理的方案。

附图说明

图1是系统模型图；

图2是顶层算法在t上线性搜索的收敛图；

图3是顶层算法求解与LINGO求解的准确性对比图；

图4是本发明算法与本地计算方案的能量节省效率仿真对比图；

图5是本发明算法与本地计算方案的时延优势对比图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明，但本发明并不受这些实施例所限制。对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换，而不脱离本发明方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

实施例1：

建立一个如图1所示的智能建筑物系统模型，智能建筑系统中有M个智能设备SD，每个智能设备智能选择一个边缘服务器进行计算任务卸载，每个智能设备的需要完成的总的计算任务量通过SD_m表示。

为了减少本地计算延迟，将智能设备中的计算任务SD_m分成S_m和

两部分：通过无线网络传输技术FDMA卸载到边缘服务器的计算任务为S_m，智能设备本地完成的计算任务是

用户采用FDMA的传输方式，在智能建筑物中，不同的智能设备将任务SD_m的计算任务量

同时迁移到边缘服务器组，令m＝{1,2,3...M}；如图1所示。本发明使用g_k表示从用户到边缘服务器k的信道功率增益。为了便于演示，我们假设k个边缘服务器按序是：

g₁＞g₂＞...＞g_k (1)

基于(1)，整个智能建筑物中，所有智能设备将任务卸载到边缘服务器发送的最小总传输功率(持续时间为t)

式(2)中，参数W表示信道带宽，S_m表示第m个设备卸载到边缘服务器的卸载的计算任务量，参数n₀表示背景噪声的功率密度。在上述场景下，我们首先研究智能建筑系统中，不同的智能设备(SD)如何决定：

1)S_m表示每个智能设备的分流计算量，单位bit；

2)将计算任务量

传送到各个边缘服务器的传输时间t，单位s；

3)在本地为每个任务安排的计算速度μ_L,m，单位为bit/s。

由此，智能设备完成其总体计算任务量总体延迟为：

表示每个智能设备迁移其工作负载到边缘服务器的总延迟。目的是最小化智能系统的所有智能设备完成所有任务的总能量(“ECM，Energy Consumption Minimize”表示“能量最小化”)：Min(E_OC+E_LC)

(P1)：

约束：

变量：

和

其中

表示SD迁移负载能耗，

表示本地CPU计算能耗(基于动态电压调整原理，本地CPU的计算功率是计算速度的三次方，ρ是系数，由芯片结构决定)。约束(4)指的是FDMA传输功率不能超过智能设备功率预算P^max。约束(5)表示智能设备的卸载总延迟不能超过最大延迟限制。约束(6)表示智能设备本地的总CPU计算速度不能超过

由式子(5)可以得到，

即：

表示SD在本地执行任务所需要计算速度的最小值。此外

将式(7)带入目标(P1)，可将优化问题(P1)转化为

约束：

变量：t和

由式(4)可知，在给定t下优化问题是一个凸优化问题，因此分两步解决问题(P1)。

第一步：在给定t下，求解：

约束：

变量：

第二步求解：

P1-top：Min V(t)

约束：

变量：t

我们首先通过识别以下重要特征，提出一种分层线性搜索的算法来解决问题(P1)。第一步是先在给定t的情况下求解底层问题(P1-Sub)，具体求解方法和推导过程在上面的推理证明过程中给出。问题的第二步是求解顶层问题，V(t)是智能建筑系统的总体能量开销，它是通过求解了底层问题P1-Sub之后获得的目标函数的对于t的解析解。接下来求解P1-top问题找到一个最优的t值用来获得目标函数的最优值的数值解，也就是智能建筑系统的最小能量消耗。本发明还提出了一种基于线性搜索算法寻找智能建筑系统的最小能量消耗的同时获得对应的最优能量分配。通过上述引理证明可以得知，对于底层问题(P1-Sub)是一个严格的凸优化问题，可以直接采用MATLAB的凸优化工具箱CVX进行求解底层问题。通过CVX求解可以轻易获得目标函数对于t的解析形势。当顶层问题P1-top将计算任务在信道中的确定传输时间给定，那么智能建筑系统即可通过该CVX工具箱获得系统的整体卸载策略以及最小的能量消耗。CVX解决问题(P1-Sub)的一个重要优点是它不需要智能建筑系统和边缘服务器公开各自的本地信息彼此之间，从而有助于保护各自的隐私。具体而言，在CVX中，智能建筑系统仅需要根据计算任务传输到边缘服务器过程消耗的传输时间，来确定其卸载到边缘服务器消耗的总体能量，并且智能建筑系统的智能设备不需要公开其本地信息(例如{

和

)添加到边缘服务器。而针对分解后的通过顶层问题(P1-Top)，本发明提出了一种基于线性搜索的算法进行寻找最优的t，同时得到最优的分配策略。到目前为止，我们可以使用CVX解决问题(P1-Sub)，并为每个给定的t值获得一个解析解V(t)，接下来我们解决问题(P1-Top)。因为它是一个单变量优化问题，t落在固定间隔内。因此，我们提出了顶层算法，以一个小步长Δ来线性搜索t，用来获得(P1-Top)的数值解。在顶层算法中，每一轮给定当前评估的t，智能建筑系统和边缘服务器进行迭代调用(P1-Sub)的算法以获得V(t)的值。如果V(t)小于当前的最优值，智能建筑系统更新当前的最佳解决方案，t以及V(t)。通过整套基于线性搜索的算法，智能建筑系统可以获得其最小的能量消耗，最佳传输持续时间t^*以及相应的最优分配卸载决策

实施例2：

本发明验证了提出的算法在一个智能建筑物中有3个智能设备(SD)和3个边缘服务器情况下的性能。本发明建立了一个3-ES场景，其中三个边缘服务器分别位于(500，0)、(-500，0)和(0，500)。同时智能设备在智能化建筑物中随机分布，智能建筑物位于3个边缘服务器构成的圆形的圆心，3个智能设备(SD)分别在一个半径为10的圆内随机分布，根据距离模型生成从SD到ES连续信道功率增益为{g_i}_i∈I＝{5.7672*10^-7,6.5859*10^-7,8.7035*10^-7}。带宽W＝8MHz，n₀＝10^-8。本发明设置服务器计算速度μ＝15bit/s。

图2显示了顶层算法中t上的线性搜索，其中有[S₁ ^tot，S₂ ^tot，S₃ ^tot]的取值分别为(4，6，8)bits，(6，8，10)bits，(8，10，12)bits。其中每个用户的计算资源限制

如图2显示，传输时间t太小或传输时间t太长，都不利于最小化智能建筑系统的总能耗，因此表明了寻找最佳t的重要性。

与LINGO相比，图3验证了我们的基于线性搜索算法在解决问题(P1)方面的准确性。图3中的所有测试案例表明，我们的算法可以达到与LINGO全局求解器几乎相同的结果，而差异可忽略不计。

图4显示了本发明提出的在智能建筑物体中多用户采用基于FDMA的EC进行计算任务卸载的方案与全部计算任务在智能建筑物本地计算的方案之间的性能比较。具体来说，全部计算任务在本地处理的方案是指：智能建筑物中的所有用户将能量密集型的计算任务全部采用智能设备本地的计算资源进行处理，而没有边缘计算的任务卸载。图4的结果表明，本发明提出的基于FDMA的MEC计算任务卸载来辅助智能设备进行能量密集型计算任务处理的的方案进行的方案可以大大优于计算任务全部智能设备本地处理的方案。该优势源自边缘服务器丰富的计算资源，以及无线通信技术进行低延迟计算任务卸载操作，整体的能量效率提升可以达到将近20％。

通过对比本地计算和本发明提出边缘服务器辅助计算的两种方案，由图5可以发现在处理完相同的计算任务量时本发明提出的边缘服务器辅助计算任务消耗时间是要明显优于全部在本地计算的方案。

以上是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均属于发明技术方案的范围内。

Claims (3)

1.一种多智能设备协同优化系统，其特征在于，包括：

智能设备单元，所述智能设备单元包含M个智能设备SD，每个智能设备SD选择一个距离其最近的边缘服务器进行计算任务卸载，每个智能设备SD的需要完成的总的计算任务量通过SD_m表示，其中m＝1,2,...,M；

分解计算任务单元，所述分解计算任务单元将每个智能设备中的计算任务SD_m分成通过无线传输网络卸载到边缘服务器的计算任务S_m和智能设备本地完成的计算任务

任务迁移单元，所述任务迁移单元将不同的智能设备的总任务量

其中m＝1,2,...,M且M表示智能设备端总的个数，通过FDMA迁移到边缘服务器组；

模型转化单元，所述模型转化单元计算所述智能设备将任务通过FDMA卸载到边缘服务器发送的传输功率，将系统转化为所有智能设备在满足时延约束的条件下完成所有任务的总能量最小化模型；

所述多智能设备协同优化系统还包括k个边缘服务器，所述边缘服务器按序是：g₁＞g₂＞...＞g_k，其中，g_k表示从用户到边缘服务器k的信道功率增益；所述智能设备将总任务通过FDMA卸载到边缘服务器发送的总传输功率为：

其中，参数W表示信道带宽，S_m表示第m个智能设备卸载到边缘服务器的卸载的计算任务量，参数n₀表示背景噪声的功率密度，t表示卸载任务至边缘服务器的时间；且，

所述模型转化单元将非凸的最小化模型P1转化为凸优化模型P1-Sub，所述P1为：P1:Min(E_OC+E_LC)，式中，E_LC为所述智能设备计算完成本地任务量花费的能量，E_OC为所述智能设备卸载花费的总能量；其中，

所述模型转化单元先将模型P1转化为模型P1-E：

其中，

变量为

和

式中，

表示发射功率不超过智能设备的功率预算，

为每个智能设备完成其的总体计算任务量总体延迟，

表示所述智能设备的卸载总延迟不超过最大延迟限制，μ_L,m表示第m个智能设备的计算速度，单位bit/s；μ_E表示边缘服务器的计算速度，单位bit/s；

表示第m个智能设备迁移其工作负载到边缘服务器的总延迟；得到

带入模型P1得到模型P1-E：

其中，

变量为t和

再在给定t下，求解底层问题P1-Sub模型：

P1-Sub：

其中，

变量为

并进一步求解P1-top模型：

P1-top：Min V(t)，其中，

变量为t，所述V(t)是智能建筑系统的总体能量开销；其中，在求解所述P1-top模型时，以步长Δ来线性搜索t，对于每一轮给定当前评估的t，迭代求解底层P1-Sub模型，求解获得其最小的能量消耗，最佳传输持续时间t^*以及相应的最优分配卸载决策

2.根据权利要求1所述的一种多智能设备协同优化系统，其特征在于：所述任务迁移单元将不同的智能设备的任务SD_m的计算任务量

同时迁移到边缘服务器组。

3.根据权利要求1或2所述的一种多智能设备协同优化系统，其特征在于：所述系统应用于智能建筑物系统。

Images