CN112969163A - 一种基于自适应任务卸载的蜂窝网络计算资源分配方法 - Google Patents
一种基于自适应任务卸载的蜂窝网络计算资源分配方法 Download PDFInfo
- Publication number
- CN112969163A CN112969163A CN202110195807.5A CN202110195807A CN112969163A CN 112969163 A CN112969163 A CN 112969163A CN 202110195807 A CN202110195807 A CN 202110195807A CN 112969163 A CN112969163 A CN 112969163A
- Authority
- CN
- China
- Prior art keywords
- user
- base station
- users
- unloading
- task
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013468 resource allocation Methods 0.000 title claims abstract description 23
- 230000001413 cellular effect Effects 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000005265 energy consumption Methods 0.000 claims description 47
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 241000170489 Upis Species 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- 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
- H04W28/0289—Congestion control
-
- 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
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于自适应任务卸载的蜂窝网络计算资源分配方法,与现有技术相比,解决了OFDMA蜂窝网络基站资源分配不均衡,用户获取计算资源存在差异及排队现象等问题。该方法包括以下步骤:建立多基站多用户系统模型;自适应地选择任务卸载模式;分配计算资源。本发明不仅通过在基站卸载的基础上引入设备‑设备(D2D)卸载的方法,减轻了密集型任务给基站带来的负担,充分利用了网络中的空闲资源,而且根据基站计算资源使用情况自适应地为用户选择最优卸载决策,增加了计算资源分配的灵活性。仿真结果表明本发明的方法能够使系统效用增益增大并且降低计算时延。
Description
技术领域
本发明涉及移动通信技术领域,具体涉及一种基于自适应任务卸载的蜂窝网络计算资源分配方法。
背景技术
随着无线通信技术的发展,蜂窝网络中移动终端的数量呈爆炸式增长,各种计算密集型应用也随之增加,如VR、互动游戏、视频电话等,这些应用对低的传输时延和能量消耗有着较高的要求。移动边缘计算(MEC)是目前移动通信网络的关键技术之一,作为移动云计算的补充,移动边缘计算可以将计算资源、缓存等下沉到网络边缘,减轻回程网络的传输压力,降低计算任务的传输延迟、节约终端设备的能耗。然而,部署了MEC服务器的基站虽然可以近距离为终端用户提供计算功能来减轻蜂窝网络中移动终端的计算压力,但是边缘服务器的资源是有限的,当蜂窝网络中有大量终端用户同时进行密集型任务卸载时,容易对基站造成压力甚至导致基站计算资源枯竭。而且大量终端用户同时卸载势必产生网络干扰。因此,合理的卸载决策和计算资源分配方法对蜂窝网络中的终端任务卸载来说尤为重要。
目前已有的卸载决策方法,如基于基尼系数的卸载决策方法(GCFSA)、全部卸载方法(AOA)和随机卸载方法(ROA)等,均是仅考虑系统中的基站卸载,当用户数量较大时,会出现基站计算资源有限而不能同时为多用户提供计算,基站计算资源匮乏、用户排队等待卸载等问题,而网络中会有很多空闲用户,这些空闲用户的计算资源却没有充分利用起来。
此外,由于目前的计算资源分配方法均是将卸载策略、资源分配作为联合优化问题获得最优解,是一种静态的最优解,而实际中基站的子信道数(计算资源)是动态变化的,已有的计算资源分配方法不能随着基站计算资源的变化而动态更新,灵活性差,会出现系统计算资源分配不均衡、计算资源的利用率低、计算时延长等问题,因此,需要设计一种可以根据基站计算资源使用情况自适应地调整任务卸载决策的计算资源分配方法。
发明内容
本发明的目的在于提供一种基于自适应任务卸载的蜂窝网络计算资源分配方法,本发明不仅通过在基站卸载的基础上引入设备-设备(D2D)卸载的方法来减轻密集型任务给基站带来的负担,充分利用网络中的空闲资源,而且根据基站计算资源使用情况自适应地为用户选择最优卸载决策,增加了计算资源分配的灵活性。
本发明采用了以下技术方案:
一种基于自适应任务卸载的蜂窝网络计算资源分配方法,该方法包括以下步骤:
S1、建立多基站多用户系统模型:在移动边缘计算网络中,建立基于OFDMA的多基站多用户系统模型,每个基站均部署有MEC服务器。
S2、自适应地选择任务卸载模式:基于多基站多用户系统模型,各用户分别自适应地选择最优任务卸载模式。所述任务卸载模式包括D2D卸载、基站卸载和本地计算三种。最优任务卸载模式的选择过程为:用户u优先向周围邻近用户发送计算资源请求,判断每一位邻近用户是否有可使用的计算资源,并通过计算二者的信干噪比判断二者之间的连接是否稳定,选出有计算资源且连接稳定的邻近用户集合,若该集合中的用户个数大于0,说明存在支持D2D卸载的邻近用户,则用户选择D2D卸载模式,并选择时延与能耗的权重和最低的邻近用户进行D2D卸载。若无支持D2D卸载的邻近用户,则用户u向周围基站请求计算资源,并通过计算与周围每个基站之间的信干噪比来选择可连接的基站,在可连接的基站中选出满足约束条件的基站集合,若该集合中的基站个数大于0,说明有支持卸载的基站,则用户u选择基站卸载。若无支持D2D卸载的邻近用户,且无支持卸载的基站,则用户u选择本地计算。
S3、分配计算资源:若用户选择基站卸载,满足约束条件的基站根据计算资源使用情况,自适应地为用户u选择最优卸载决策并分配计算资源。
进一步的,所述的多基站多用户系统模型由NB个基站和NU个用户组成,该系统模型中的用户均随机分布。
设NB={1 2 … B}表示基站的集合,NU={1 2 … U}表示用户的集合;假设各个用户同时具有一个需要执行的时延敏感型任务,该任务不可被分解成多个子任务分开执行,且用户在任务执行完前后位置不变。每个计算任务Zu由三个参数{Du,R,u Tth}组成,u∈NU;其中,Du表示需要执行的任务的数据大小;Ru表示用户u完成计算任务所需要的计算资源,计算资源由CPU周期转数表示,Tth为任务卸载的最大允许时延。
用户的任务采用卸载至邻近用户或者卸载至基站或者本地计算的方式。设S={Suu',u'∈NU,u∈NU}代表用户u与用户u′之间采用D2D卸载模式进行计算任务卸载决策的矢量,其中,Suu'={0,1},Suu'=1代表用户u将计算任务卸载给用户u′执行。设A={aub,u∈NU,b∈NB}代表用户u与基站b之间采用基站卸载模式进行计算任务卸载决策的矢量,其中,aub={0,1},aub=1代表用户u将计算任务卸载给基站b执行。
卸载决策变量Suu'和aub之间的关系如下:
Suu'+aub≤1 u∈NU,u'∈NU,b∈NB
其中:
为了避免子信道之间的干扰,每个用户只能占用一个子信道,K是每个基站的最大子信道数,即基站同时可以服务的用户数量最多为K。
进一步的,步骤S2所述的“自适应地选择任务卸载模式”,其具体包括以下步骤:
S21、用户u优先向周围邻近用户发送计算资源请求,周围有计算资源的邻近用户回复u,令εu为u的邻近用户中满足有计算资源条件的用户组成的集合。分别计算用户u与集合εu中的每个用户之间的信干噪比,并根据连接稳定的条件判断εu中的每个用户是否与u连接稳定,在εu中选出与u连接稳定的用户,得到有计算资源且连接稳定的u的邻近用户集合ψu={u'∈εu|SINRuu'>SINRTH1}。
其中,用户u与集合εu中的每个用户之间的信干噪比采用以下方式计算:
设u'∈εu,采用公式(2)计算用户u与用户u′之间的信干噪比SINRuu';
表示用户u和用户u′间的信道增益,duu′表示用户u与用户u′之间的距离,表示路径损耗指数,σ2表示高斯白噪声,P1表示用户u在D2D卸载时的发射功率,为将计算任务卸载给基站b执行的用户的集合;公式(2)等式右侧分母上的第二项和第三项表示用户u执行D2D卸载时基站卸载的所有用户与其余D2D卸载用户的累积干扰。
连接稳定的条件为:
若用户u与集合εu中的用户u′之间的SINRuu'满足条件SINRuu'>SINRTH1,则用户u与用户u′之间连接稳定,其中,SINRTH1为D2D卸载预先设定的信干噪比阈值。
S22、根据|ψu|大小判定用户u是否有支持D2D卸载的邻近用户,|ψu|表示集合ψu所包含的用户个数,若|ψu|>0,说明有支持D2D卸载的邻近用户,则用户选择D2D卸载模式,执行步骤S23。若|ψu|=0,说明没有支持D2D卸载的邻近用户,则执行步骤S24。
S23、分别计算用户u与集合ψu中的每个用户之间的时延与能耗权重和,并在集合ψu中选择权重和最低的邻近用户u″进行D2D卸载,即令Suu”=1。
其中,用户u与集合ψu中的每个用户之间的时延与能耗权重和采用以下方式计算:
设u'∈ψu,采用公式(3)计算D2D卸载模式下用户u与邻近用户u′之间的时延与能耗权重和Quu′;
Quu′=λEEuu′+λTTuu′ (3)
Euu′=P1tuu′,Tuu′=tuu′=Du/υuu′,υuu′=wlog2(1+SINRuu′)分别代表用户u与用户u′之间D2D卸载的能量消耗、传输时间和传输速度;λE表示能耗的权重系数,λT表示时延的权重系数。
S24、用户u向周围所有的基站请求计算资源;分别计算用户u与周围每个基站之间的信干噪比,根据可连接基站的条件在所有基站中选出用户u可以连接的基站,得到用户u可连接的基站集合为ηu={b∈NB|SINRub>SINRTH2}。
其中,用户u与周围每个基站之间的信干噪比采用以下方式计算:
设b∈NB,采用公式(4)计算用户u与基站b之间的信干噪比SINRub;
表示用户u和基站b间的信道增益,dub表示用户u与基站b之间的距离,P2表示用户u向基站请求数据时的发射功率。因为P2>P1,所以忽略D2D用户对基站用户的干扰,公式(4)等式分母上的第二项表示其他基站卸载用户对其造成的累积干扰。
可连接基站的条件为:
若用户u与基站b之间的SINRub满足条件SINRub>SINRTH2,则用户u可以连接到基站b,其中,SINRTH2为基站卸载预先设定的信干噪比阈值。
其中,用户u与集合ηu中每个基站之间的时延与能耗的权重和采用以下方式计算:
设b∈ηu,采用公式(5)计算用户u与基站b之间的时延与能耗权重和Qub;
Qub=λEEub+λTTub (5)
Eub=P2tub,υub=wlog2(1+SINRub)分别代表用户u与基站b之间基站卸载的能量消耗、总时延和传输速度。tub=Du/υub,分别代表任务传输时间和基站处理时间,gub表示用户u在基站b所分配到的计算资源。
约束条件为:
Tub≤Tth
S26、根据|Bu|大小判定用户u是否有支持卸载的基站,|Bu|表示集合Bu所包含的基站的个数,若|Bu|>0,说明有支持卸载的基站,则用户u选择基站卸载;若|Bu|=0,说明没有支持卸载的基站,则执行步骤S27。
进一步的,步骤S3所述的“分配计算资源”,其具体包括以下步骤:
S31、用户的排序和基站的排序
用户u将集合Bu中的基站根据Qub大小由低向高排序:排序后的基站集合为基站b将集合Ub中的用户根据Qub大小由低向高排序,排序后的用户集合为若基站b需要服务的用户数量则集合分为集合和集合两个部分,其中,集合中的用户可直接完成卸载。
S32、根据排序结果,自适应地为用户选择卸载决策
S321、对每一个用户进行如下循环操作:
S3211、初始化,令τu=1。
S3212、用户u选择基站准备进行任务卸载,若用户u在该基站的集合内,则用户u直接选择基站准备卸载;同时,集合中的其他基站将从各自的集合中去掉用户u,若用户u也在其他基站的集合内,则去掉用户u后从集合中向集合添加新的用户,即更新了一次集合中其他基站的集合若用户u不在基站的集合内,则等待基站更新集合后再做决策。
S33、基站根据卸载决策结果进行计算资源分配
进一步的,该方法还包括以下步骤:
采用公式(10)计算出多基站多用户系统模型的效用增益V,并根据效用增益V确定多基站多用户系统模型的性能:
公式(10)的约束条件如公式(11)所示:
s.t.C1:Tub<Tth,u∈NU,b∈NB
Tuu'<Tth,u∈NU,u'∈NU
C2:Suu'={0,1},u∈NU,u'∈NU
C3:aub={0,1},u∈NU,b∈NB
C4:Suu'+aub≤1
C9:K=min{K,|Ub|}
C10:P1<P2 (11)。
有益效果
(1)本发明通过在基站卸载的基础上引入设备-设备(D2D)卸载的方法,减轻了密集型任务给基站带来的负担,并且充分利用网络中的空闲计算资源。D2D卸载不仅可以降低终端能耗,而且可以降低计算时延。并且因为D2D卸载并不需要基站的干预,所以也降低了蜂窝网络中基站的压力,提高了网络中的资源利用率。
(2)基站根据计算资源使用情况自适应地为用户选择最优卸载决策,增加了计算资源分配的灵活性,提高了系统计算资源利用率。
(3)本发明中基站之间可以相互协作,计算任务繁忙的基站在保证时延与能耗的条件下通过将部分用户转移到其他空闲基站卸载来减少用户排队卸载现象,在提升系统计算资源利用率的同时可以降低计算时延。
(4)本发明考虑的用户的任务类型不同,引入了时延和能耗的权重系数λT和λE,这样能够更加贴近任务多样性的实际情况,适用性更强。
附图说明
图1为本发明的方法顺序图;
图2为本发明中的多用户多基站系统模型图;
图3为本发明中的自适应地选择任务卸载模式的方法流程图;
图4为本发明中的基站根据计算资源使用情况自适应地为用户选择最优卸载决策并分配计算资源的方法流程图;
图5为各种方法的效用增益V的仿真结果图;
图6为各种方法的任务计算时延T的仿真结果图。
具体实施方式
下面结合附图对本发明做进一步说明:
如图1所示的一种基于自适应任务卸载的蜂窝网络计算资源分配方法,该方法包括以下步骤:
S1、建立多基站多用户系统模型:在移动边缘计算网络中,建立基于OFDMA的多基站多用户系统模型,每个基站均部署有MEC服务器。建立好的系统模型如图2所示。
S2、自适应地选择任务卸载模式:基于多基站多用户系统模型,各用户分别自适应地选择最优任务卸载模式。所述任务卸载模式包括D2D卸载、基站卸载和本地计算三种。最优任务卸载模式的选择过程为:用户u优先向周围邻近用户发送计算资源请求,判断每一位邻近用户是否有可使用的计算资源,并通过计算二者的信干噪比判断二者之间的连接是否稳定,选出有计算资源且连接稳定的邻近用户集合,若该集合中的用户个数大于0,说明存在支持D2D卸载的邻近用户,则用户选择D2D卸载模式,并选择时延与能耗的权重和最低的邻近用户进行D2D卸载。若无支持D2D卸载的邻近用户,则用户u向周围基站请求计算资源,并通过计算与周围每个基站之间的信干噪比来选择可连接的基站,在可连接的基站中选出满足约束条件的基站集合,若该集合中的基站个数大于0,说明有支持卸载的基站,则用户u选择基站卸载。若无支持D2D卸载的邻近用户,且无支持卸载的基站,则用户u选择本地计算。
S3、分配计算资源:若用户选择基站卸载,满足约束条件的基站根据计算资源使用情况,自适应地为用户u选择最优卸载决策并分配计算资源。
进一步的,所述的多基站多用户系统模型由NB个基站和NU个用户组成,该系统模型中的用户均随机分布。
设NB={1 2 … B}表示基站的集合,NU={1 2 … U}表示用户的集合;假设各个用户同时具有一个需要执行的时延敏感型任务,该任务不可被分解成多个子任务分开执行,且用户在任务执行完前后位置不变。每个计算任务Zu由三个参数{Du,R,u Tth}组成,u∈NU;其中,Du表示需要执行的任务的数据大小;Ru表示用户u完成计算任务所需要的计算资源,计算资源由CPU周期转数表示,Tth为任务卸载的最大允许时延。
用户的任务采用卸载至邻近用户或者卸载至基站或者本地计算的方式;设S={Suu',u'∈NU,u∈NU}代表用户u与用户u′之间采用D2D卸载模式进行计算任务卸载决策的矢量,其中,Suu'={0,1},Suu'=1代表用户u将计算任务卸载给用户u′执行。设A={aub,u∈NU,b∈NB}代表用户u与基站b之间采用基站卸载模式进行计算任务卸载决策的矢量,其中,aub={0,1},aub=1代表用户u将计算任务卸载给基站b执行。
卸载决策变量Suu'和aub之间的关系如下:
Suu'+aub≤1 u∈NU,u'∈NU,b∈NB
其中:
为了避免子信道之间的干扰,每个用户只能占用一个子信道,K是每个基站的最大子信道数,即基站同时可以服务的用户数量最多为K。根据公式(1)的约束条件,令ψu={u∈NU,u′∈NU,Suu'=1}为用户u可选择的邻近用户的集合,Bu={b∈NB,aub=1}为用户u可选择的基站集合,Ub={u∈NU|aub=1}为将计算任务卸载给基站b执行的用户的集合。
如图3所示,步骤S2所述的“自适应地选择任务卸载模式”,其具体包括以下步骤:
S21、用户u优先向周围邻近用户发送计算资源请求,周围有计算资源的邻近用户回复u,令εu为u的邻近用户中满足有计算资源条件的用户组成的集合。分别计算用户u与集合εu中的每个用户之间的信干噪比,并根据连接稳定的条件判断εu中的每个用户是否与u连接稳定,在εu中选出与u连接稳定的用户,得到有计算资源且连接稳定的u的邻近用户集合ψu={u'∈εu|SINRuu'>SINRTH1}。
其中,用户u与集合εu中的每个用户之间的信干噪比采用以下方式计算:
设u'∈εu,采用公式(2)计算用户u与用户u′之间的信干噪比SINRuu';
表示用户u和用户u′间的信道增益,duu′表示用户u与用户u′之间的距离,表示路径损耗指数,σ2表示高斯白噪声,P1表示用户u在D2D卸载时的发射功率,为将计算任务卸载给基站b执行的用户的集合。公式(2)等式右侧分母上的第二项和第三项表示用户u执行D2D卸载时基站卸载的所有用户与其余D2D卸载用户的累积干扰。
连接稳定的条件为:
若用户u与集合εu中的用户u′之间的SINRuu'满足条件SINRuu'>SINRTH1,则用户u与用户u′之间连接稳定,其中,SINRTH1为D2D卸载预先设定的信干噪比阈值。
S22、根据|ψu|大小判定用户u是否有支持D2D卸载的邻近用户,|ψu|表示集合ψu所包含的用户个数,若|ψu|>0,说明有支持D2D卸载的邻近用户,则用户选择D2D卸载模式,执行步骤S23。若|ψu|=0,说明没有支持D2D卸载的邻近用户,则执行步骤S24。
S23、分别计算用户u与集合ψu中的每个用户之间的时延与能耗权重和,并在集合ψu中选择权重和最低的邻近用户u″进行D2D卸载,即令Suu”=1。
其中,用户u与集合ψu中的每个用户之间的时延与能耗权重和采用以下方式计算:
设u'∈ψu,采用公式(3)计算D2D卸载模式下用户u与邻近用户u′之间的时延与能耗权重和Quu′;
Quu′=λEEuu′+λTTuu′ (3)
Euu′=P1tuu′,Tuu′=tuu′=Du/υuu′,υuu′=wlog2(1+SINRuu′)分别代表用户u与用户u′之间D2D卸载的能量消耗、传输时间和传输速度;λE表示能耗的权重系数,λT表示时延的权重系数。
由于每个用户的计算任务类型不同,用户对时延需求和能耗要求也会不同。为接近实际情况,本发明引入能耗的权重系数λE和时延的权重系数λT,λE与λT的关系如下:
λE+λT=1,0<λE,λT<1
其中,λE>λT表示任务更倾向于节能;λE<λT表示任务更倾向于低延时,比如实时流量这种要求高速度低延时的任务。
S24、用户u向周围所有的基站请求计算资源;分别计算用户u与周围每个基站之间的信干噪比,根据可连接基站的条件在所有基站中选出用户u可以连接的基站,得到用户u可连接的基站集合为ηu={b∈NB|SINRub>SINRTH2}。
其中,用户u与周围每个基站之间的信干噪比采用以下方式计算:
设b∈NB,采用公式(4)计算用户u与基站b之间的信干噪比SINRub;
表示用户u和基站b间的信道增益,dub表示用户u与基站b之间的距离,P2表示用户u向基站请求数据时的发射功率。因为P2>P1,所以忽略D2D用户对基站用户的干扰,公式(4)等式分母上的第二项表示其他基站卸载用户对其造成的累积干扰。
可连接基站的条件为:
若用户u与基站b之间的SINRub满足条件SINRub>SINRTH2,则用户u可以连接到基站b,其中,SINRTH2为基站卸载预先设定的信干噪比阈值。
其中,用户u与集合ηu中每个基站之间的时延与能耗的权重和采用以下方式计算:
设b∈ηu,采用公式(5)计算用户u与基站b之间的时延与能耗权重和Qub;
Qub=λEEub+λTTub (5)
Eub=P2tub,υub=wlog2(1+SINRub)分别代表用户u与基站b之间基站卸载的能量消耗、总时延和传输速度;tub=Du/υub,分别代表任务传输时间和基站处理时间,gub表示用户u在基站b所分配到的计算资源。
约束条件为:
Tub≤Tth
S26、根据|Bu|大小判定用户u是否有支持卸载的基站,|Bu|表示集合Bu所包含的基站的个数,若|Bu|>0,说明有支持卸载的基站,则用户u选择基站卸载;若|Bu|=0,说明没有支持卸载的基站,则执行步骤S27。
如图4所示,步骤S3所述的“分配计算资源”,其具体包括以下步骤:
S31、用户的排序和基站的排序
用户u将集合Bu中的基站根据Qub大小由低向高排序:排序后的基站集合为基站b将集合Ub中的用户根据Qub大小由低向高排序,排序后的用户集合为若基站b需要服务的用户数量则集合分为集合和集合两个部分,其中,集合中的用户可直接完成卸载。
S32、根据排序结果,自适应地为用户选择卸载决策
S321、对每一个用户进行如下循环操作:
S3211、初始化,令τu=1。
S3212、用户u选择基站准备进行任务卸载,若用户u在该基站的集合内,则用户u直接选择基站准备卸载;同时,集合中的其他基站将从各自的集合中去掉用户u,若用户u也在其他基站的集合内,则去掉用户u后从集合中向集合添加新的用户,即更新了一次集合中其他基站的集合若用户u不在基站的集合内,则等待基站更新集合后再做决策。
S33、基站根据卸载决策结果进行计算资源分配
进一步的,该方法还包括以下步骤:
采用公式(10)计算出多基站多用户系统模型的效用增益V,并根据效用增益V确定多基站多用户系统模型的性能:
公式(10)的约束条件如公式(11)所示:
s.t.C1:Tub<Tth,u∈NU,b∈NB
Tuu'<Tth,u∈NU,u'∈NU
C2:Suu'={0,1},u∈NU,u'∈NU
C3:aub={0,1},u∈NU,b∈NB
C4:Suu'+aub≤1
C9:K=min{K,|Ub|}
C10:P1<P2 (11)。
约束条件C1保证任务卸载能在规定时间内返还结果。C2和C3限制了Suu'和aub的取值范围。C4表示每个用户只能选择一种卸载模式,当Suu'+aub=0时,用户选择本地计算。C5限制了基站的计算资源的容量。C6表示每个基站同时可以连接的用户数量最多为K。C7表示每个基站用户只能将当前任务卸载给一个基站执行。同理,C8表示每个D2D用户只能将当前任务卸载给一个邻近用户执行。C9表示基站每次连接的实际用户数量。C10表示基站用户的最大发射功率P2大于D2D用户的最大发射功率P1。公式(10)表示系统的效用增益V与用户的卸载决策和计算资源分配相关。
为了验证本发明所述方法的性能,采用MATLAB进行模拟仿真,得到的仿真结果如图5和图6所示。仿真参数设置为,D2D卸载与基站卸载的噪声方差均取σ2=-100dBm,信道均为瑞利信道,服从圆对称复高斯分布,路径损耗指数D2D用户数是所有用户数量的1/4,D2D卸载的传输功率P1=0.05W,基站卸载的传输功率P2=0.1W,本地计算能力芯片有效开关电容κ=10(-11),基站计算能力G=0.1GHz,能耗与时延的权重系数λE=λT=0.5,任务卸载需要的计算资源Ru=4.5MB,任务卸载的最大允许时延Tth=0.2s,带宽w=10MHz,子信道初始数量K=10。
图5和图6中,“ACRAA”为本发明的基于自适应任务卸载的蜂窝网络计算资源分配方法,其余为已有的计算资源分配方法,分别是基于基尼系数的卸载决策方法(GCFSA)、全部卸载方法(AOA)和随机卸载方法(ROA)。为了保证各种方法对比的公平性,在GCFSA中添加了D2D卸载模式作为SA方法。
图5为各种方法的效用增益V的仿真结果图。由该图可以看出,在用户数量一定时,随着基站数量的增加,ACRAA的效用增益增长迅速,且明显高于其余四种方法。其中,SA的效用增益V仅次于ACRAA,并一直高于AOA,说明引入D2D卸载模式可以明显提高系统性能。
图6为各种方法的任务计算时延T的仿真结果图。由该图可以看出,随着基站数量的增加,ACRAA的时延快速下降,不仅是因为D2D卸载模式可以缓解边缘计算的卸载压力,也因为ACRAA可以随着基站数量的增加自适应选择卸载模式和分配计算资源,从而大幅度降低计算时延。结合图5和图6可知,本发明所述的ACRAA能够使系统效用增益增大并且降低计算时延。
综上所述,本发明不同于传统的中心式计算卸载方法,不仅添加了D2D卸载模式来减缓基站的计算压力,还可以根据基站的资源利用情况为用户自适地选择最优卸载决策并分配计算资源。本发明还以最小化系统的总能耗与时延的权重和为目标,联合优化任务卸载决策与计算资源分配,从而实现系统效用增益V的最大化并且降低计算时延。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种基于自适应任务卸载的蜂窝网络计算资源分配方法,其特征在于:该方法包括以下步骤:
S1、建立多基站多用户系统模型:在移动边缘计算网络中,建立基于OFDMA的多基站多用户系统模型,每个基站均部署有MEC服务器;
S2、自适应地选择任务卸载模式:基于多基站多用户系统模型,各用户分别自适应地选择最优任务卸载模式;所述任务卸载模式包括D2D卸载、基站卸载和本地计算三种;最优任务卸载模式的选择过程为:用户u优先向周围邻近用户发送计算资源请求,判断每一位邻近用户是否有可使用的计算资源,并通过计算二者的信干噪比判断二者之间的连接是否稳定,选出有计算资源且连接稳定的邻近用户集合,若该集合中的用户个数大于0,说明存在支持D2D卸载的邻近用户,则用户选择D2D卸载模式,并选择时延与能耗的权重和最低的邻近用户进行D2D卸载;若无支持D2D卸载的邻近用户,则用户u向周围基站请求计算资源,并通过计算与周围每个基站之间的信干噪比来选择可连接的基站,在可连接的基站中选出满足约束条件的基站集合,若该集合中的基站个数大于0,说明有支持卸载的基站,则用户u选择基站卸载;若无支持D2D卸载的邻近用户,且无支持卸载的基站,则用户u选择本地计算;
S3、分配计算资源:若用户选择基站卸载,满足约束条件的基站根据计算资源使用情况,自适应地为用户选择最优卸载决策并分配计算资源。
2.根据权利要求1所述的一种基于自适应任务卸载的蜂窝网络计算资源分配方法,其特征在于:所述的多基站多用户系统模型由NB个基站和NU个用户组成,该系统模型中的用户均随机分布;
设NB={1 2…B}表示基站的集合,NU={1 2…U}表示用户的集合;假设各个用户同时具有一个需要执行的时延敏感型任务,该任务不可被分解成多个子任务分开执行,且用户在任务执行完前后位置不变;每个计算任务Zu由三个参数组成,u∈NU;其中,Du表示需要执行的任务的数据大小;Ru表示用户u完成计算任务所需要的计算资源,计算资源由CPU周期转数表示,Tth为任务卸载的最大允许时延;
用户的任务采用卸载至邻近用户或者卸载至基站或者本地计算的方式;设S={Suu',u'∈NU,u∈NU}代表用户u与用户u′之间采用D2D卸载模式进行计算任务卸载决策的矢量,其中,Suu'={0,1},Suu'=1代表用户u将计算任务卸载给用户u′执行;设A={aub,u∈NU,b∈NB}代表用户u与基站b之间采用基站卸载模式进行计算任务卸载决策的矢量,其中,aub={0,1},aub=1代表用户u将计算任务卸载给基站b执行;
卸载决策变量Suu'和aub之间的关系如下:
Suu'+aub≤1u∈NU,u'∈NU,b∈NB
其中:
为了避免子信道之间的干扰,每个用户只能占用一个子信道,K是每个基站的最大子信道数,即基站同时可以服务的用户数量最多为K。
3.根据权利要求1所述的一种基于自适应任务卸载的蜂窝网络计算资源分配方法,其特征在于:步骤S2所述的“自适应地选择任务卸载模式”,其具体包括以下步骤:
S21、用户u优先向周围邻近用户发送计算资源请求,周围有计算资源的邻近用户回复u,令εu为u的邻近用户中满足有计算资源条件的用户组成的集合;分别计算用户u与集合εu中的每个用户之间的信干噪比,并根据连接稳定的条件判断εu中的每个用户是否与u连接稳定,在εu中选出与u连接稳定的用户,得到有计算资源且连接稳定的u的邻近用户集合ψu={u'∈εu|SINRuu'>SINRTH1};
其中,用户u与集合εu中的每个用户之间的信干噪比采用以下方式计算:
设u'∈εu,采用公式(2)计算用户u与用户u′之间的信干噪比SINRuu';
表示用户u和用户u′间的信道增益,duu′表示用户u与用户u′之间的距离,表示路径损耗指数,σ2表示高斯白噪声,P1表示用户u在D2D卸载时的发射功率,为将计算任务卸载给基站b执行的用户的集合;公式(2)等式右侧分母上的第二项和第三项表示用户u执行D2D卸载时基站卸载的所有用户与其余D2D卸载用户的累积干扰;
连接稳定的条件为:
若用户u与集合εu中的用户u′之间的SINRuu'满足条件SINRuu'>SINRTH1,则用户u与用户u′之间连接稳定,其中,SINRTH1为D2D卸载预先设定的信干噪比阈值;
S22、根据|ψu|大小判定用户u是否有支持D2D卸载的邻近用户,|ψu|表示集合ψu所包含的用户个数,若|ψu|>0,说明有支持D2D卸载的邻近用户,则用户选择D2D卸载模式,执行步骤S23;若|ψu|=0,说明没有支持D2D卸载的邻近用户,则执行步骤S24;
S23、分别计算用户u与集合ψu中的每个用户之间的时延与能耗权重和,并在集合ψu中选择权重和最低的邻近用户u″进行D2D卸载,即令Suu”=1;
其中,用户u与集合ψu中的每个用户之间的时延与能耗权重和采用以下方式计算:
设u'∈ψu,采用公式(3)计算D2D卸载模式下用户u与邻近用户u′之间的时延与能耗权重和Quu′;
Quu′=λEEuu′+λTTuu′ (3)
Euu′=P1tuu′,Tuu′=tuu′=Du/υuu′,υuu′=wlog2(1+SINRuu′)分别代表用户u与用户u′之间D2D卸载的能量消耗、传输时间和传输速度;λE表示能耗的权重系数,λT表示时延的权重系数;
S24、用户u向周围所有的基站请求计算资源;分别计算用户u与周围每个基站之间的信干噪比,根据可连接基站的条件在所有基站中选出用户u可以连接的基站,得到用户u可连接的基站集合为ηu={b∈NB|SINRub>SINRTH2};
其中,用户u与周围每个基站之间的信干噪比采用以下方式计算:
设b∈NB,采用公式(4)计算用户u与基站b之间的信干噪比SINRub;
表示用户u和基站b间的信道增益,dub表示用户u与基站b之间的距离,P2表示用户u向基站请求数据时的发射功率;因为P2>P1,所以忽略D2D用户对基站用户的干扰,公式(4)等式分母上的第二项表示其他基站卸载用户对其造成的累积干扰;
可连接基站的条件为:
若用户u与基站b之间的SINRub满足条件SINRub>SINRTH2,则用户u可以连接到基站b,其中,SINRTH2为基站卸载预先设定的信干噪比阈值;
其中,用户u与集合ηu中每个基站之间的时延与能耗的权重和采用以下方式计算:
设b∈ηu,采用公式(5)计算用户u与基站b之间的时延与能耗权重和Qub;
Qub=λEEub+λTTub (5)
Eub=P2tub,υub=wlog2(1+SINRub)分别代表用户u与基站b之间基站卸载的能量消耗、总时延和传输速度;tub=Du/υub,分别代表任务传输时间和基站处理时间,gub表示用户u在基站b所分配到的计算资源;
约束条件为:
Tub≤Tth
S26、根据|Bu|大小判定用户u是否有支持卸载的基站,|Bu|表示集合Bu所包含的基站的个数,若|Bu|>0,说明有支持卸载的基站,则用户u选择基站卸载;若|Bu|=0,说明没有支持卸载的基站,则执行步骤S27;
4.根据权利要求1所述的一种基于自适应任务卸载的蜂窝网络计算资源分配方法,其特征在于:步骤S3所述的“分配计算资源”,其具体包括以下步骤:
S31、用户的排序和基站的排序
用户u将集合Bu中的基站根据Qub大小由低向高排序:排序后的基站集合为基站b将集合Ub中的用户根据Qub大小由低向高排序,排序后的用户集合为若基站b需要服务的用户数量则集合分为集合和集合两个部分,其中,集合中的用户可直接完成卸载;
S32、根据排序结果,自适应地为用户选择卸载决策
S321、对每一个用户进行如下循环操作:
S3211、初始化,令τu=1;
S3212、用户u选择基站准备进行任务卸载,若用户u在该基站的集合内,则用户u直接选择基站准备卸载;同时,集合中的其他基站将从各自的集合中去掉用户u,若用户u也在其他基站的集合内,则去掉用户u后从集合中向集合添加新的用户,即更新了一次集合中其他基站的集合若用户u不在基站的集合内,则等待基站更新集合后再做决策;
S33、基站根据卸载决策结果进行计算资源分配
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195807.5A CN112969163B (zh) | 2021-02-22 | 2021-02-22 | 一种基于自适应任务卸载的蜂窝网络计算资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195807.5A CN112969163B (zh) | 2021-02-22 | 2021-02-22 | 一种基于自适应任务卸载的蜂窝网络计算资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112969163A true CN112969163A (zh) | 2021-06-15 |
CN112969163B CN112969163B (zh) | 2022-06-21 |
Family
ID=76285390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110195807.5A Active CN112969163B (zh) | 2021-02-22 | 2021-02-22 | 一种基于自适应任务卸载的蜂窝网络计算资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112969163B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113518330A (zh) * | 2021-07-06 | 2021-10-19 | 重庆工商大学 | 基于d2d通信的多用户计算卸载资源优化决策方法 |
CN113905415A (zh) * | 2021-10-12 | 2022-01-07 | 安徽大学 | 一种蜂窝网络中移动终端的动态计算任务卸载方法 |
CN114461299A (zh) * | 2022-01-26 | 2022-05-10 | 中国联合网络通信集团有限公司 | 一种卸载决策确定方法、装置、电子设备及存储介质 |
CN114928612A (zh) * | 2022-06-01 | 2022-08-19 | 重庆邮电大学 | 移动边缘计算中协同卸载的激励机制与资源分配方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986558A (zh) * | 2014-05-26 | 2014-08-13 | 东南大学 | 一种蜂窝移动通信d2d系统中自适应协作传输方法 |
CN105764121A (zh) * | 2016-01-18 | 2016-07-13 | 浙江工业大学 | 一种蜂窝流量卸载网络中基于动态排序的设备与基站连接方法 |
CN109547979A (zh) * | 2018-12-26 | 2019-03-29 | 北京邮电大学 | 一种d2d缓存网络下联合能耗和用户公平性的内容分发方法 |
CN109788069A (zh) * | 2019-02-27 | 2019-05-21 | 电子科技大学 | 物联网中基于移动边缘计算的计算卸载方法 |
CN110418356A (zh) * | 2019-06-18 | 2019-11-05 | 深圳大学 | 一种计算任务卸载方法、装置及计算机可读存储介质 |
CN110493757A (zh) * | 2019-09-29 | 2019-11-22 | 重庆大学 | 单服务器下降低系统能耗的移动边缘计算卸载方法 |
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 |
WO2020186081A1 (en) * | 2019-03-12 | 2020-09-17 | Intel Corporation | Computational data storage systems |
CN111818168A (zh) * | 2020-06-19 | 2020-10-23 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
-
2021
- 2021-02-22 CN CN202110195807.5A patent/CN112969163B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986558A (zh) * | 2014-05-26 | 2014-08-13 | 东南大学 | 一种蜂窝移动通信d2d系统中自适应协作传输方法 |
CN105764121A (zh) * | 2016-01-18 | 2016-07-13 | 浙江工业大学 | 一种蜂窝流量卸载网络中基于动态排序的设备与基站连接方法 |
CN109547979A (zh) * | 2018-12-26 | 2019-03-29 | 北京邮电大学 | 一种d2d缓存网络下联合能耗和用户公平性的内容分发方法 |
CN109788069A (zh) * | 2019-02-27 | 2019-05-21 | 电子科技大学 | 物联网中基于移动边缘计算的计算卸载方法 |
WO2020186081A1 (en) * | 2019-03-12 | 2020-09-17 | Intel Corporation | Computational data storage systems |
CN110418356A (zh) * | 2019-06-18 | 2019-11-05 | 深圳大学 | 一种计算任务卸载方法、装置及计算机可读存储介质 |
CN110493757A (zh) * | 2019-09-29 | 2019-11-22 | 重庆大学 | 单服务器下降低系统能耗的移动边缘计算卸载方法 |
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 |
CN111818168A (zh) * | 2020-06-19 | 2020-10-23 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
Non-Patent Citations (7)
Title |
---|
KAHLAN ALIOBORY等: "An Adaptive Offloading Decision Scheme in Two-Class Mobile Edge Computing Systems", 《2018 41ST INTERNATIONAL CONFERENCE ON TELECOMMUNICATIONS AND SIGNAL PROCESSING (TSP)》 * |
兰延文: "边缘计算任务卸载与资源优化研究", 《中国优秀博硕士学位论文全文数据库(博士)》 * |
刘星星: "基于移动边缘计算的计算卸载与能效优化研究", 《中国优秀硕士学位论文全文数据库》 * |
孙伟杰: "D2D通信辅助的MEC计算卸载策略研究", 《中国优秀硕士学位论文全文数据库》 * |
尹至达: "自适应任务卸载的边缘计算模型设计与实现", 《中国优秀硕士学位论文全文数据库》 * |
栾秋季: "车联网系统中基于MEC的任务卸载优化研究", 《中国优秀硕士学位论文全文数据库》 * |
颜学文等: "基于D2D通信的流量卸载技术综述", 《计算机科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113518330A (zh) * | 2021-07-06 | 2021-10-19 | 重庆工商大学 | 基于d2d通信的多用户计算卸载资源优化决策方法 |
CN113518330B (zh) * | 2021-07-06 | 2022-11-11 | 重庆工商大学 | 基于d2d通信的多用户计算卸载资源优化决策方法 |
CN113905415A (zh) * | 2021-10-12 | 2022-01-07 | 安徽大学 | 一种蜂窝网络中移动终端的动态计算任务卸载方法 |
CN113905415B (zh) * | 2021-10-12 | 2023-08-18 | 安徽大学 | 一种蜂窝网络中移动终端的动态计算任务卸载方法 |
CN114461299A (zh) * | 2022-01-26 | 2022-05-10 | 中国联合网络通信集团有限公司 | 一种卸载决策确定方法、装置、电子设备及存储介质 |
CN114461299B (zh) * | 2022-01-26 | 2023-06-06 | 中国联合网络通信集团有限公司 | 一种卸载决策确定方法、装置、电子设备及存储介质 |
CN114928612A (zh) * | 2022-06-01 | 2022-08-19 | 重庆邮电大学 | 移动边缘计算中协同卸载的激励机制与资源分配方法 |
CN114928612B (zh) * | 2022-06-01 | 2024-04-12 | 南京浮点智算数字科技有限公司 | 移动边缘计算中协同卸载的激励机制与资源分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112969163B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111447619B (zh) | 一种移动边缘计算网络中联合任务卸载和资源分配方法 | |
CN112969163B (zh) | 一种基于自适应任务卸载的蜂窝网络计算资源分配方法 | |
CN112492626B (zh) | 一种移动用户计算任务的卸载方法 | |
CN110418416B (zh) | 移动边缘计算系统中基于多智能体强化学习的资源分配方法 | |
CN107819840B (zh) | 超密集网络架构中分布式移动边缘计算卸载方法 | |
CN110098969B (zh) | 一种面向物联网的雾计算任务卸载方法 | |
CN109684075A (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 | |
CN111556572B (zh) | 一种基于强化学习的频谱资源和计算资源联合分配方法 | |
CN108541027A (zh) | 一种基于边缘云网络的通信计算资源置换方法 | |
CN112600895B (zh) | 移动边缘计算的服务调度方法、系统、终端以及存储介质 | |
CN110708713B (zh) | 一种采用多维博弈的移动边缘计算移动端能效优化方法 | |
WO2023116460A1 (zh) | 移动边缘计算环境下多用户多任务计算卸载方法及系统 | |
CN111800812B (zh) | 一种应用在非正交多址接入的移动边缘计算网络中的用户接入方案的设计方法 | |
CN109194763A (zh) | 一种超密集网络中基于小型基站自组织协作的缓存方法 | |
Zhao et al. | Task proactive caching based computation offloading and resource allocation in mobile-edge computing systems | |
CN111163143B (zh) | 一种面向移动边缘计算的低时延任务卸载方法 | |
CN112004265B (zh) | 一种基于srm算法的社交网络资源分配方法 | |
CN114363984A (zh) | 一种云边协同光载网络频谱资源分配方法及系统 | |
CN114375058A (zh) | 任务队列感知的边缘计算实时信道分配和任务卸载方法 | |
Li et al. | Joint computation offloading and service caching for MEC in multi-access networks | |
CN116634500A (zh) | 基于超图匹配计算与通信容量增强的d2d计算卸载方法 | |
Zhang et al. | Correlation-based device energy-efficient dynamic multi-task offloading for mobile edge computing | |
CN112788698B (zh) | 一种数据处理方法、装置及终端设备 | |
CN111542091B (zh) | 网络切片的无线与计算资源联合分配方法 | |
CN105516636B (zh) | 一种基于视频通信的异构网络多接入资源分配方法 |
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 |