CN113015144A - 一种结合社交感知的计算任务网络参数优化方法及系统 - Google Patents

一种结合社交感知的计算任务网络参数优化方法及系统 Download PDF

Info

Publication number
CN113015144A
CN113015144A CN202110287068.2A CN202110287068A CN113015144A CN 113015144 A CN113015144 A CN 113015144A CN 202110287068 A CN202110287068 A CN 202110287068A CN 113015144 A CN113015144 A CN 113015144A
Authority
CN
China
Prior art keywords
user equipment
task
server
remote user
objective function
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
CN202110287068.2A
Other languages
English (en)
Other versions
CN113015144B (zh
Inventor
许晨
隆豪
绳韵
郑光远
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202110287068.2A priority Critical patent/CN113015144B/zh
Publication of CN113015144A publication Critical patent/CN113015144A/zh
Application granted granted Critical
Publication of CN113015144B publication Critical patent/CN113015144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • 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
    • G06Q50/01—Social networking
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了一种结合社交感知的计算任务网络参数优化方法及系统，涉及MEC‑D2D网络应用技术领域，包括确定研究区域对应的结合社交网络的MEC‑D2D网络架构、数据传输模型、消耗模型和社会信任矩阵；根据社会信任矩阵以及消耗模型中的数据执行消耗计算函数和数据传输消耗计算函数，确定研究区域对应的最大化长期系统网络效用函数和约束条件，并利用Lyapunov优化算法对最大化系统网络效用函数解耦，得到三个确定性优化目标函数；根据研究区域对应的计算任务数据总量和优化算法，对上述三个确定性优化目标函数求解，得到最优网络参数。本发明应用上述网络参数能够长期降低MEC‑D2D网络中设备执行过程和设备传输过程的能耗。

Description

一种结合社交感知的计算任务网络参数优化方法及系统
技术领域
本发明涉及MEC-D2D网络应用技术领域，特别是涉及一种结合社交感知的计算任务网络参数优化方法及系统。
背景技术
随着移动设备的普及以及5G等无线通信的发展，出现了许多具有低延迟要求的计算密集型应用，如在线沉浸式游戏、增强现实和视频流分析等。然而，传统的云计算无法满足这些应用对低延迟的需求，所以研究者提出了一种新型的计算模式，称为移动边缘计算(MEC，mobile edge computing)。该计算模式将计算任务负载从远程云转移到离用户更近的核心网络的边缘节点(如无线接入点、基站等)上，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，qualityofservice)要求。然而随着蜂窝网流量呈现出爆炸性增长的趋势，传统的蜂窝网络无法满足大规模用户同时卸载的服务需求。
设备到设备通信(D2D，device-to-device communication)技术是解决数据流量急剧增加和不均匀分布的一种经济、有效的技术。D2D技术是一种无需中间节点(如基站)中继传输的本地直连通信技术。两个用户可以直接通过D2D链路传输数据，这样可以减轻基站负担，从而缓解蜂窝网压力。此外，D2D技术具有降低端到端时延与提升频谱效率等优势。社交网络参与D2D连接和选择可以确保D2D连接的安全性和可靠性。
尽管现有的工作中，大多数研究者通过MEC与D2D结合来计算任务卸载方面已经完成了一些出色的工作。然而，在MEC-D2D网络中，忽略了长期的任务卸载能耗优化和社交网络的作用。在MEC-D2D网络中，由于不考虑长期的能耗优化与约束，从长远来看，会导致严重的能源浪费和性能不稳定，同时在D2D连接过程中，根据设备对应用户的社会关系来构建连接可以提升用户对网络连接的信任，激励用户对D2D的使用。因此，在MEC-D2D网络中研究社交网络结合的长期任务卸载有重要意义。
发明内容
本发明的目的是提供一种结合社交感知的计算任务网络参数优化方法及系统，以达到长期降低MEC-D2D网络中设备执行过程和设备传输过程的能耗的目的。
为实现上述目的，本发明提供了如下方案：
一种结合社交感知的计算任务网络参数优化方法，包括：
确定研究区域对应的结合社交网络的MEC-D2D网络架构、数据传输模型以及消耗模型；所述MEC-D2D网络架构是根据所述研究区域对应的服务场景建立的模型架构；所述MEC-D2D网络架构包括一个具有移动边缘计算服务器的集中式基站和多个用户设备，所述用户设备包括远程用户设备和近端用户设备；每个所述远程用户设备只能连接一个所述近端用户设备，且每个所述近端用户设备只能连接一个所述远程用户设备；所述数据传输模型按照数据传输方向依次包括计算任务缓冲区、远程用户设备服务器、近端用户设备服务器以及移动边缘计算服务器；所述消耗模型包括数据执行消耗计算函数和数据传输消耗计算函数；所述数据执行消耗为所述远程用户设备服务器和所述近端用户设备服务器在执行计算任务时所产生的消耗能量，所述数据传输消耗为所述远程用户设备服务器和所述近端用户设备服务器在传输计算任务时所产生的消耗能量；
根据所述MEC-D2D网络架构，确定社会信任矩阵；所述社会信任矩阵中的元素表示一个所述远程用户设备和一个所述近端用户设备之间的社交信任值；
根据所述社会信任矩阵、所述数据执行消耗计算函数和所述数据传输消耗计算函数，确定所述研究区域对应的最大化长期系统网络效用函数和约束条件；所述最大化长期系统网络效用函数为一段时间内最小化用户设备在数据执行过程和数据传输过程的能耗，且最大化社交信任值的函数；所述约束条件包括D2D通信连接约束条件、计算任务执行时间约束条件和用户设备发射功率约束条件；
确定研究区域对应的计算任务数据总量；所述计算任务数据总量为一段时间内所述研究区域中各个所述远程用户设备的每个时隙计算任务数据量的和；所述时隙计算任务数据量为上一时隙未被执行的计算任务数据量与当前时隙产生的计算任务数据量的和；
利用Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数；所述第一短期确定性优化目标函数为远程用户设备服务器计算任务卸载优化目标函数；所述第二短期确定性优化目标函数为近端用户设备服务器与移动边缘计算服务器计算任务卸载优化目标函数，所述第三短期确定性优化目标函数为D2D通信连接选择优化目标函数；
根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，确定远程用户设备服务器的任务执行时间；
根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，确定远程用户设备发射功率和近端用户设备发射功率；
根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系。
一种结合社交感知的计算任务网络参数优化系统，包括：
研究区域模型架构确定模块，用于确定研究区域对应的结合社交网络的MEC-D2D网络架构、数据传输模型以及消耗模型；所述MEC-D2D网络架构是根据所述研究区域对应的服务场景建立的模型架构；所述MEC-D2D网络架构包括一个具有移动边缘计算服务器的集中式基站和多个用户设备，所述用户设备包括远程用户设备和近端用户设备；每个所述远程用户设备只能连接一个所述近端用户设备，且每个所述近端用户设备只能连接一个所述远程用户设备；所述数据传输模型按照数据传输方向依次包括计算任务缓冲区、远程用户设备服务器、近端用户设备服务器以及移动边缘计算服务器；所述消耗模型包括数据执行消耗计算函数和数据传输消耗计算函数；所述数据执行消耗为所述远程用户设备服务器和所述近端用户设备服务器在执行计算任务时所产生的消耗能量，所述数据传输消耗为所述远程用户设备服务器和所述近端用户设备服务器在传输计算任务时所产生的消耗能量；
社会信任矩阵确定模块，用于根据所述MEC-D2D网络架构，确定社会信任矩阵；所述社会信任矩阵中的元素表示一个所述远程用户设备和一个所述近端用户设备之间的社交信任值；
效用函数和约束条件确定模块，用于根据所述社会信任矩阵、所述数据执行消耗计算函数和所述数据传输消耗计算函数，确定所述研究区域对应的最大化长期系统网络效用函数和约束条件；所述最大化长期系统网络效用函数为一段时间内最小化用户设备在数据执行过程和数据传输过程的能耗，且最大化社交信任值的函数；所述约束条件包括D2D通信连接约束条件、计算任务执行时间约束条件和用户设备发射功率约束条件；
计算任务数据总量确定模块，用于确定研究区域对应的计算任务数据总量；所述计算任务数据总量为一段时间内所述研究区域中各个所述远程用户设备的每个时隙计算任务数据量的和；所述时隙计算任务数据量为上一时隙未被执行的计算任务数据量与当前时隙产生的计算任务数据量的和；
解耦模块，用于利用Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数；所述第一短期确定性优化目标函数为远程用户设备服务器计算任务卸载优化目标函数；所述第二短期确定性优化目标函数为近端用户设备服务器与移动边缘计算服务器计算任务卸载优化目标函数，所述第三短期确定性优化目标函数为D2D通信连接选择优化目标函数；
任务执行时间确定模块，用于根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，确定远程用户设备服务器的任务执行时间；
发射功率确定模块，用于根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，确定远程用户设备发射功率和近端用户设备发射功率；
D2D通信连接关系确定模块，用于根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系。
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：
本发明提供了一种结合社交感知的计算任务网络参数优化方法及系统。首先，本发明将用户之间的社会关系量化为用户社会关系矩阵，然后联合能量消耗和用户社会关系矩阵确定长期任务卸载中最大化系统能耗问题，接着通过Lyapunov优化方法将上述问题转化为一系列短期确定性子问题，最后优化求解出相应的网络参数。显然，本发明应用上述网络参数能够长期降低MEC-D2D网络中设备执行过程和设备传输过程的能耗。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明结合社交感知的计算任务网络参数优化方法流程示意图；
图2为本发明结合社交感知的网络计算任务优化系统结构示意图；
图3为本发明结合社交感知的计算任务网络参数优化方法整体流程图；
图4为本发明结合社交网络的MEC-D2D网络架构示意图；
图5为本发明计算任务卸载链路的任务卸载流程模型示意图；
图6为本发明与对比算法1的能耗对比图；
图7为本发明、对比算法2以及对比算法3的能耗对比图。
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结合社交感知的计算任务网络参数优化方法及系统，以达到长期降低MEC-D2D网络中设备执行过程和设备传输过程的能耗的目的。
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。
本发明涉及结合社交网络的MEC-D2D网络长期任务卸载技术方案。该技术方案综合考虑了能量管理，D2D连接选择和功率分配。本发明使用了李雅普诺夫(Lyapunov)优化方法和匹配理论。首先，将长期任务卸载中最大化系统能耗问题通过Lyapunov优化方法转化为一系列短期确定性子问题。然后，将用户之间的社会关系量化为用户社会关系矩阵，并将联合有能耗和用户社会关系矩阵的优化问题表示为二维匹配问题，最后通过提出的基于价格的匹配算法解决上述问题。
实施例一
如图1所示，本实施例提供了一种结合社交感知的计算任务网络参数优化方法，包括如下步骤。
步骤101：确定研究区域对应的结合社交网络的MEC-D2D网络架构、数据传输模型以及消耗模型。
所述MEC-D2D网络架构是根据所述研究区域对应的服务场景建立的模型架构；所述MEC-D2D网络架构包括一个具有移动边缘计算服务器的集中式基站和多个用户设备，所述用户设备包括远程用户设备和近端用户设备；在所述MEC-D2D网络架构中，每个所述远程用户设备只能连接一个所述近端用户设备，且每个所述近端用户设备只能连接一个所述远程用户设备；所述数据传输模型按照数据传输方向依次包括计算任务缓冲区、远程用户设备服务器、近端用户设备服务器以及移动边缘计算服务器；所述消耗模型包括数据执行消耗计算函数和数据传输消耗计算函数；所述数据执行消耗为所述远程用户设备服务器和所述近端用户设备服务器在执行计算任务时所产生的消耗能量，所述数据传输消耗为所述远程用户设备服务器和所述近端用户设备服务器在传输计算任务时所产生的消耗能量。
步骤102：根据所述MEC-D2D网络架构，确定社会信任矩阵；所述社会信任矩阵中的元素表示一个所述远程用户设备和一个所述近端用户设备之间的社交信任值。
步骤103：根据所述社会信任矩阵、所述数据执行消耗计算函数和所述数据传输消耗计算函数，确定所述研究区域对应的最大化长期系统网络效用函数和约束条件；所述最大化长期系统网络效用函数为一段时间内最小化用户设备在数据执行过程和数据传输过程的能耗，且最大化社交信任值的函数；所述约束条件包括D2D通信连接约束条件、计算任务执行时间约束条件和用户设备发射功率约束条件。
步骤104：确定研究区域对应的计算任务数据总量；所述计算任务数据总量为一段时间内所述研究区域中各个所述远程用户设备的每个时隙计算任务数据量的和；所述时隙计算任务数据量为上一时隙未被执行的计算任务数据量与当前时隙产生的计算任务数据量的和。
步骤105：利用Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数；所述第一短期确定性优化目标函数为远程用户设备服务器计算任务卸载优化目标函数；所述第二短期确定性优化目标函数为近端用户设备服务器与移动边缘计算服务器计算任务卸载优化目标函数，所述第三短期确定性优化目标函数为D2D通信连接选择优化目标函数。
步骤106：根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，确定远程用户设备服务器的任务执行时间。
步骤107：根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，确定远程用户设备发射功率和近端用户设备发射功率。
步骤108：根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系。
其中，步骤101具体包括：确定研究区域对应的结合社交网络的MEC-D2D网络架构；根据所述MEC-D2D网络架构，构建数据传输模型；根据所述数据传输模型，确定数据传输过程中的能耗模型。
所述能耗模型的表达式为
Figure BDA0002980907490000081
Eij(t)表示在第t个时隙时第i条计算任务卸载链路所产生的消耗总量，计算任务卸载链路的条数是由远程用户设备的个数确定的；所述计算任务卸载链路按照数据传输方向包括第i个远程用户设备、第j个近端用户设备以及移动边缘计算服务器；
Figure BDA0002980907490000082
表示在第t个时隙时第i个远程用户设备服务器执行计算任务时所产生的消耗能量，
Figure BDA0002980907490000083
表示在第t个时隙时第j个近端用户设备服务器执行计算任务时所产生的消耗能量，
Figure BDA0002980907490000084
表示在第t个时隙时第i个远程用户设备服务器向第j个近端用户设备服务器传输计算任务时所产生的消耗能量，
Figure BDA0002980907490000085
表示在第t个时隙时第j个近端用户设备向移动边缘计算服务器传输计算任务时所产生的消耗能量；τ0表示时隙宽度；
Figure BDA0002980907490000086
表示在第t个时隙时第i个远程用户设备服务器向第j个近端用户设备服务器的发射功率；
Figure BDA0002980907490000087
表示在第t个时隙时第j个近端用户设备向移动边缘计算服务器的发射功率；DT表示远程用户设备，DR表示近端用户设备服务器。
其中，
Figure BDA0002980907490000088
α为由CPU模式所决定的性能参数，
Figure BDA0002980907490000089
表示在第t个时隙时第i个远程用户设备服务器的计算任务执行时间，
Figure BDA00029809074900000810
表示在第t个时隙时第j个近端用户设备服务器的计算任务执行时间，
Figure BDA00029809074900000811
表示在第t个时隙时第i个远程用户设备服务器的CPU周期频率，
Figure BDA0002980907490000091
表示在第t个时隙时第j个近端用户设备服务器的CPU周期频率。
所述研究区域对应的最大化长期系统网络效用函数和约束条件为：
Figure BDA0002980907490000092
其中，
Figure BDA0002980907490000093
和
Figure BDA0002980907490000094
表示在第t个时隙时第i个远程用户设备服务器向第j个近端用户设备服务器的发射功率；
Figure BDA0002980907490000095
表示在第t个时隙时第j个近端用户设备向移动边缘计算服务器的发射功率；xij(t)表示在第t个时隙时第i个远程用户设备服务器与第j个近端用户设备服务器的D2D通信连关系；T表示时隙总数；N表示远程用户设备总数；K表示近端用户设备总数；Uij(t)＝βωij(t)-(1-β)Eij(t)，β∈[0,1]是社交信任值与消耗总量的权重，ωij(t)表示在第t个时隙时第i个远程用户设备和第j个近端用户设备之间的社会信任值；C1和C2是发射功率约束条件；C3是远程用户设备服务器任务执行时间约束条件；C4～C6是D2D通信连接约束条件；
Figure BDA0002980907490000096
表示在第t个时隙时第i个远程用户设备服务器的发射功率；
Figure BDA0002980907490000097
表示在第t个时隙时第j个近端用户设备的发射功率；Pi,max表示第i个远程用户设备服务器的发射功率上限；Pj,max表示第j个近端用户设备的发射功率；
Figure BDA0002980907490000098
表示数学期望。
步骤104具体包括:
确定研究区域内各个所述远程用户设备在每个时隙内产生计算任务数据的速率；确定所述研究区域的时间模式；所述时间模式为等长时隙的模式；确定研究区域内各个所述远程用户设备在上一时隙未被执行的计算任务数据量；根据所述速率、所述时间模式以及所述上一时隙未被执行的计算任务数据量，计算每个时隙计算任务数据量；汇总所有时隙计算任务数据量，确定研究区域对应的计算任务数据总量。
步骤105具体包括：
根据所述数据传输模型确定队列表达式和任务数据量表达式；根据所述队列表达式、所述任务数据量表达式和Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数。
其中，队列表达式Q(t)＝[Q1(t),Q2(t),…,QN(t)]，且Qi(t)和Qi(t+1)之间的关系式Qi(t+1)＝max[Qi(t)-Di(t)]+ri(t)τ0；Qi(t)表示在第t个时隙时第i条计算任务卸载链路中未被执行的计算任务数量；ri(t)表示在第t个时隙时第i个远程用户设备产生数据的速率。
任务数据量表达式
Figure BDA0002980907490000101
Di(t)表示在第t个时隙时第i条计算任务卸载链路中被执行的计算任务数量；
Figure BDA0002980907490000102
Di,l(t)表示在第t个时隙时第i个远程用户设备执行的计算任务数据量，Dj,l(t)在第t个时隙时第j个近端用户设备执行的计算任务数据量，rj(t)在第t个时隙时第j个近端用户设备服务器向移动边缘计算服务器的信道传输速率；C是服务器执行一个计算任务所需的CPU周期数。
第一短期确定性优化目标函数为：
Figure BDA0002980907490000103
第二短期确定性优化目标函数为：
Figure BDA0002980907490000104
第三短期确定性优化目标函数为：
Figure BDA0002980907490000105
V是Lypunov优化方法中的一个可调参数，其表示优化目标能耗与队列长度的权重。V值越大，表示优化过程更多考虑能耗而牺牲一定队列缓存器容量。
步骤106具体包括：
根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，利用KKT数学工具，确定远程用户设备服务器的任务执行时间。
步骤107具体包括：
所述根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，利用KKT数学工具，确定远程用户设备发射功率和近端用户设备发射功率。
步骤108具体包括：
所述根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，采用基于价格的一对一匹配的D2D连接选择算法，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系。
本实施例提供的各个步骤的进一步具体执行过程参见实施例三。
实施例二
如图2所示，本实施例提供的一种结合社交感知的计算任务网络参数优化系统，包括：
研究区域模型架构确定模块201，用于确定研究区域对应的结合社交网络的MEC-D2D网络架构、数据传输模型以及消耗模型；所述MEC-D2D网络架构是根据所述研究区域对应的服务场景建立的模型架构；所述MEC-D2D网络架构包括一个具有移动边缘计算服务器的集中式基站和多个用户设备，所述用户设备包括远程用户设备和近端用户设备；每个所述远程用户设备只能连接一个所述近端用户设备，且每个所述近端用户设备只能连接一个所述远程用户设备；所述数据传输模型按照数据传输方向依次包括计算任务缓冲区、远程用户设备服务器、近端用户设备服务器以及移动边缘计算服务器；所述消耗模型包括数据执行消耗计算函数和数据传输消耗计算函数；所述数据执行消耗为所述远程用户设备服务器和所述近端用户设备服务器在执行计算任务时所产生的消耗能量，所述数据传输消耗为所述远程用户设备服务器和所述近端用户设备服务器在传输计算任务时所产生的消耗能量。
社会信任矩阵确定模块202，用于根据所述MEC-D2D网络架构，确定社会信任矩阵；所述社会信任矩阵中的元素表示一个所述远程用户设备和一个所述近端用户设备之间的社交信任值。
效用函数和约束条件确定模块203，用于根据所述社会信任矩阵、所述数据执行消耗计算函数和所述数据传输消耗计算函数，确定所述研究区域对应的最大化长期系统网络效用函数和约束条件；所述最大化长期系统网络效用函数为一段时间内最小化用户设备在数据执行过程和数据传输过程的能耗，且最大化社交信任值的函数；所述约束条件包括D2D通信连接约束条件、计算任务执行时间约束条件和用户设备发射功率约束条件。
计算任务数据总量确定模块204，用于确定研究区域对应的计算任务数据总量；所述计算任务数据总量为一段时间内所述研究区域中各个所述远程用户设备的每个时隙计算任务数据量的和；所述时隙计算任务数据量为上一时隙未被执行的计算任务数据量与当前时隙产生的计算任务数据量的和。
解耦模块205，用于利用Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数；所述第一短期确定性优化目标函数为远程用户设备服务器计算任务卸载优化目标函数；所述第二短期确定性优化目标函数为近端用户设备服务器与移动边缘计算服务器计算任务卸载优化目标函数，所述第三短期确定性优化目标函数为D2D通信连接选择优化目标函数。
任务执行时间确定模块206，用于根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，确定远程用户设备服务器的任务执行时间。
发射功率确定模块207，用于根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，确定远程用户设备发射功率和近端用户设备发射功率。
D2D通信连接关系确定模块208，用于根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系。
其中，本实施例提供的各个模块的具体执行过程参见实施例一和实施例三。
实施例三
本实施例提供的一种结合社交感知的计算任务网络参数优化方法，如图3所示，包括如下步骤：
步骤1：构建结合社交网络的MEC-D2D网络架构。此MEC-D2D网络架构是根据服务场景建立的模型架构，该服务场景是实际移动边缘计算服务器为远程用户设备提供卸载服务的场景。MEC-D2D网络架构分为两个网络模型，一种是基于设备连接关系构成的设备网络模型，一种是基于用户社交关系构成的社交关系网络模型。
图4为结合社交网络的MEC-D2D网络架构，如图4所示，包含一个具有移动边缘计算服务器的集中式基站和多个用户设备，把用户设备分为远程用户设备和近端用户设备，集中式基站需要为距离集中式基站较远的用户提供计算任务卸载服务。该网络架构将现实场景分为社交域和物理域，社交域表示设备对映的用户在实际生活中的社交关系；在社交域中，用户间的社交关系将影响物理域中D2D通信连接的选择过程。由于在实际基站处理数据的过程中，基站下行数据量远小于用户上行数据量，因此该网络架构仅考虑计算任务的用户上行数据处理过程。在远程用户设备上产生的计算任务，可以卸载到本地服务器上执行，也可以通过D2D通信连接卸载到近端用户设备上执行，同时还能通过近端用户设备卸载到集中式基站的移动边缘服务器上执行。
分别用集合
Figure BDA0002980907490000131
和
Figure BDA0002980907490000132
来表示网络架构中的N个远程用户设备和K个近端用户设备，每个远程用户设备可以通过D2D通信连接到近端用户设备上。远程用户设备到近端用户设备，带宽的统一分配为WHz。近端用户设备到MEC服务器，带宽的统一分配是BHz。时间模式采用等长时隙的模式，时隙的索引集设置为
Figure BDA0002980907490000141
每个时隙的宽度固定为τ0。用xij表示第i个远程用户设备DTi和第j个近端用户设备DRj之间的连接关系，每个远程用户设备只能连一个近端用户设备，每个近端用户设备也只能连一个远程用户设备。D2D通信连接约束条件的表达为：
Figure BDA0002980907490000142
在社交域，用随时间变化的社会信任矩阵来表示设备对映的用户在实际生活中的社交关系，定义社会信任矩阵为Ω(t)＝(ω1(t),ω2(t),…,ωN(t))，其行向量为ωi(t)＝(ωi1(t),ωi2(t),…,ωiK(t))。ωij(t)表示在时隙t中第i个远程用户设备DTi和第j个近端用户设备DRj之间的信任值。社会信任矩阵的取值范围为ωij(t)∈[0,1]，ωij(t)＝0表示在时隙t中第i个远程用户设备DTi和第j个近端用户设备DRj之间没有社交信任关系，用户无法信任该设备的安全性和可靠性。
将D2D通信连接约束条件和社会信任矩阵均输出到步骤4。
步骤2：根据MEC-D2D网络架构，构建数据传输模型。
图5为计算任务卸载链路的计算任务卸载流程模型，该模型中，
Figure BDA0002980907490000143
与
Figure BDA0002980907490000144
通过D2D通信相连接，远程用户设备DTi，近端用户设备DRj和MEC服务器构成了一条计算任务卸载链路，远程用户设备DTi中有一个计算任务缓存器。计算任务在远程用户设备DTi上产生，部分计算任务在DTi本地服务器上执行，用Di,l(t)表示，部分计算任务卸载到DRj上由DRj本地服务器或MEC服务器执行，剩下未被执行的计算任务保存在计算任务缓存器上，用Qi(t)表示。
在每个时隙t中，定义DTi在时隙t中产生数据的速率为ri(t)，产生的数据量可以表示为ri(t)τ0。假设ri(t)τ0是一个随机独立的数据量，并且满足
Figure BDA0002980907490000145
那么对应远程用户设备DTi上的缓冲区任务队列i而言，ri(t)τ0和Di(t)可以视为缓冲区任务队列i的队列输入和队列输出，两者之间的差值为Qi(t)。设时隙t开始处各远程用户设备的队列情况为：
Q(t)＝[Q1(t),Q2(t),…,QN(t)]，其中Q(0)＝0。则Qi(t)和Qi(t+1)有以下关系：
Qi(t+1)＝max[Qi(t)-Di(t)]+ri(t)τ0；
DTi本地服务器和DRj本地服务器在时隙t执行的计算任务量可以表示为
Figure BDA0002980907490000151
Figure BDA0002980907490000152
其中，C是本地服务器设备执行一个计算任务所需的CPU周期数，
Figure BDA0002980907490000153
和
Figure BDA0002980907490000154
表示DTi与DRj的CPU周期频率，
Figure BDA0002980907490000155
和
Figure BDA0002980907490000156
是在时隙t中DTi和DRj的计算任务执行时间。任务执行时间
Figure BDA0002980907490000157
和
Figure BDA0002980907490000158
的长度必须小于一个时隙，公式表示为
Figure BDA0002980907490000159
和
Figure BDA00029809074900001510
该公式为作为步骤4的任务执行时间约束条件。
使用Dij表示DTi和DRj之间的D2D链路，用
Figure BDA00029809074900001511
和
Figure BDA00029809074900001512
表示DTi和DRj的发射功率，hij和hj表示D2D链路和蜂窝链路的信道响应。用Pi,max和Pj,max表示DTi和DRj的发射功率的上界，该上界作为步骤4的发射功率约束条件。并根据前面所述分配WHz的公共带宽给DTi，分配BHz的公共带宽给DRj。基于以上表达式，采用香农公式，可以得到D2D链路Dij的信道传输速率以及DRj和BS之间蜂窝链路的信道传输速率，如下式所示：
Figure BDA00029809074900001513
Figure BDA00029809074900001514
根据图5所示的任务卸载流程模型，任务数据量与传输速率有以下关系：
Figure BDA00029809074900001515
任务执行时间
Figure BDA00029809074900001516
和发射功率
Figure BDA00029809074900001517
将作为参数输出到步骤3，任务执行时间约束条件和发射功率约束条件输出到步骤4，队列Qi(t)公式和任务数据量Di(t)关系式输出到步骤5。
步骤3：根据数据传输模型，构造数据传输过程中的能耗模型。
首先：根据步骤2所提出的数据传输模型，得到传输过程中各个流程所消耗的能量。
根据步骤2的任务执行时间
Figure BDA0002980907490000161
和
Figure BDA0002980907490000162
设备DTi和设备DRj在时隙t执行计算任务所产生的消耗能量可以表示为：
Figure BDA0002980907490000163
Figure BDA0002980907490000164
其中α是一个由CPU模式所决定的性能参数。
根据步骤2中的发射功率
Figure BDA0002980907490000165
和
Figure BDA0002980907490000166
可得到数据传输过程中的传输能耗，具体为
Figure BDA0002980907490000167
在时隙t中，从DTi经过DRj到MEC服务器的链接上的能耗定义为DTi和DRj的执行能耗加上传输能耗，公式如下：
Figure BDA0002980907490000168
将总能耗Eij(t)的能耗公式输出到步骤4。
步骤4：确定最大化系统网络效用的优化问题
输入为步骤1中的社会信任矩阵和D2D通信连接约束条件，步骤2的任务执行时间约束、发射功率约束条件以及队列稳定性约束条件，输出为步骤3的总能耗Eij(t)。
本实施例的目的是长期降低MEC-D2D网络中设备执行过程和传输过程的能耗，并最大化其社会信任度。根据社会信任矩阵与步骤3的总能耗Eij(t)定义要优化的网络效用函数为Uij(t)＝βωij(t)-(1-β)Eij(t)，其中β∈[0,1]是社交信任值与总能耗的权重。
定义系统的时间平均网络效用函数可以表示为
Figure BDA0002980907490000169
因此，最大化系统网络效用的优化问题可以描述为
Figure BDA0002980907490000171
s.t.C1:
Figure BDA0002980907490000172
C2:
Figure BDA0002980907490000173
C3:
Figure BDA0002980907490000174
C4:
Figure BDA0002980907490000175
C5:
Figure BDA0002980907490000176
C6:
Figure BDA0002980907490000177
C7:
Figure BDA0002980907490000178
是速率稳定的
其中
Figure BDA0002980907490000179
和x(t)＝{xij(t)}是要优化参数的集合。C1和C2是步骤2提出的发射功率约束条件。C3是步骤2提出的DT的任务执行时间约束条件，这里假定近端设备具有较大的CPU周期频率，因此τDR(t)不会达到τ0。C4～C6是步骤1提出的D2D通信连接约束条件，即每个DR只能由一个远程用户设备DT连接，同时每个DT只能由一个DR连接。C7表示队列的稳定性约束。
步骤5：将优化问题解耦为三个子问题
步骤5的功能是分解，后面的步骤是先对三个子问题中的两个子问题进行求解，两个子问题的结果是第三个子问题的前置条件。
输入为步骤4的优化问题与步骤2的队列Qi(t)表达式和任务数据量Di(t)的关系式，输出为三个子问题。
步骤4提出的优化问题是一个涉及长期约束的随机优化问题，计算任务的到达量和队列积压是随机且不可预测的，只能使用当前队列状态和当前设备的信息状态来做出有效的计算任务卸载决策。为了解决该问题，运用Lyapunov优化方法将其解耦为一系列短期确定性优化子问题，然后，通过解决这些子问题获得原问题的解。
根据步骤2的队列Qi(t)构建Lyapunov优化框架。令
Figure BDA0002980907490000181
为队列的集合向量，定义Lyapunov函数
Figure BDA0002980907490000182
以及Lyapunov漂移函数
Figure BDA0002980907490000183
Lyapunov漂移函数满足以下约束条件
Figure BDA0002980907490000184
其中B是一个常数。根据Lyapunov优化算法，可以在约束条件下的在每个时隙最小化上式的右侧项来达到最小化左侧项的目的。因此，长期优化问题被转换为在每个时隙求解一个短期优化问题
Figure BDA0002980907490000185
s.t.C1～C6.
该问题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耦合性。
带入步骤2中的任务数据量Di(t)的关系式。
Figure BDA0002980907490000186
s.t.C1～C6.
为了解决该问题，可以单独解决D2D连接选择问题，然后在给定D2D连接选择的情况下，可将其解耦为两个子问题，即本地任务卸载优化问题以及近端设备与MEC卸载优化问题。
本地任务卸载优化问题：
Figure BDA0002980907490000191
s.t.C3:
Figure BDA0002980907490000192
近端设备与MEC卸载优化问题：
Figure BDA0002980907490000193
s.t.C1～C3.
D2D连接选择问题：
Figure BDA0002980907490000194
s.t.C4～C6.
*表示公式VUij(t)-Qi(t)Di(t)的最优解。
本地任务卸载优化问题作为步骤6的输入，近端设备与MEC卸载优化问题作为步骤7的输入，D2D连接选择问题作为步骤8的输入。
步骤6：解决本地任务卸载优化问题
输入为步骤5提出本地任务卸载优化问题：
Figure BDA0002980907490000195
s.t.C3:
Figure BDA0002980907490000196
通过验证相应的二阶导数，可以证明该问题是凸优化问题，并且其约束是线性的。
Figure BDA0002980907490000197
的最优解可以表示为
Figure BDA0002980907490000198
Figure BDA0002980907490000199
的最优解
Figure BDA00029809074900001910
输出到步骤9。
步骤7：解决近端设备与MEC卸载优化问题
输入为步骤5提出的近端设备与MEC卸载优化问题：
Figure BDA00029809074900001911
s.t.C1～C3.
该问题是凸优化问题，可以使用KKT数学工具得到
Figure BDA00029809074900001912
和
Figure BDA00029809074900001913
的最优解
Figure BDA0002980907490000201
Figure BDA0002980907490000202
Figure BDA0002980907490000203
和
Figure BDA0002980907490000204
的最优解
Figure BDA0002980907490000205
输出到步骤9
步骤8：解决D2D连接选择问题
输入步骤5提出的D2D连接选择优化问题：
Figure BDA0002980907490000206
s.t.C4～C6.
为解决步骤5提出的D2D连接选择问题，采用基于价格的一对一匹配的D2D连接选择算法，得到双边交换稳定的匹配结果。首先，把每个远程用户设备和所有近端用户设备匹配，给每个远程用户设备构建一个列表按匹配价格值从小到大的顺序排列近端设备。初始时，每个远程用户设备选择列表中匹配价格值最小的设备发起匹配提议，当出现多个远程用户设备提议匹配到同一近端设备时，近端用户设备逐步提升其匹配价格，提议匹配该近端用户设备的远程用户设备则更新其列表。随着设备的价格提高，部分远程用户设备会放弃该匹配提议。提价过程将一直持续到只有一个近端用户设备匹配远程用户设备为止。该算法将在所有远程用户设备匹配都到一个近端用户设备时终止。在每个时隙采用该算法求解出每个时隙D2D的最优连接选择X*(t)。
D2D的最优连接选择X*(t)输出到步骤9。
步骤9：根据子问题的解求解原优化问题
根据步骤6、7、8得到的解，求解出步骤4提出的最大化系统网络效用原问题的最优解。上文求解出了函数的自变量，但是方案需要函数的因变量，因此需要把这些自变量代回原来的函数，求解出函数值，这些函数值就是本方案需要的结果。
输入步骤6、7、8得到的最优解
Figure BDA0002980907490000207
在每个时隙进行步骤6、7、8，得到的该时隙的数据
Figure BDA0002980907490000208
和X*(t)，即可求解出步骤4提出的最大化系统网络效用原问题的最优解。
采用三种常用算法方案作为对比。对比算法1是不考虑长期优化，仅基于当前状态的吞吐量优化，在每个时隙贪婪地达到能耗最优，即将队列的大小Qi(t)在每个时隙始终设置为0；对比算法2仅考虑MEC服务器执行和本地执行，该算法不考虑社交结合的D2D设备的作用，即将D2D协作设备的计算能力fj DR设置为0；对比算法3，D2D链接的选择使用随机匹配方法，匹配过程不考虑能耗与社交关系，即取消步骤8的过程，X*(t)取一个满足约束条件C4～C6的随机生成的矩阵。
图6所示为所提算法与对比算法1的能耗比较，相比对比算法1，所提算法的能耗更低，且能耗值能够长期保持稳定。
图7为所提算法与对比算法2和对比算法3的比较，所提算法的能耗相比其它两个算法更低，且随着设备数目的扩大，能耗降低的效果愈发显著。
本发明针对移动边缘计算为远距离设备提供卸载服务的场景，提出了一种以最大网络效用为目标的结合社交网络的D2D-MEC网络中的任务卸载方案。首先，构建要优化的长期效用函数，然后通过Lyapunov优化解耦为每个时隙上的短期优化子问题。该短期优化子问题可以拆解为两个子问题，运用凸优化与匹配理论在每个时隙解决这两个子问题即可得到原问题的解。
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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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 (9)

1.一种结合社交感知的计算任务网络参数优化方法，其特征在于，包括：
确定研究区域对应的结合社交网络的MEC-D2D网络架构、数据传输模型以及消耗模型；所述MEC-D2D网络架构是根据所述研究区域对应的服务场景建立的模型架构；所述MEC-D2D网络架构包括一个具有移动边缘计算服务器的集中式基站和多个用户设备，所述用户设备包括远程用户设备和近端用户设备；每个所述远程用户设备只能连接一个所述近端用户设备，且每个所述近端用户设备只能连接一个所述远程用户设备；所述数据传输模型按照数据传输方向依次包括计算任务缓冲区、远程用户设备服务器、近端用户设备服务器以及移动边缘计算服务器；所述消耗模型包括数据执行消耗计算函数和数据传输消耗计算函数；所述数据执行消耗为所述远程用户设备服务器和所述近端用户设备服务器在执行计算任务时所产生的消耗能量，所述数据传输消耗为所述远程用户设备服务器和所述近端用户设备服务器在传输计算任务时所产生的消耗能量；
根据所述MEC-D2D网络架构，确定社会信任矩阵；所述社会信任矩阵中的元素表示一个所述远程用户设备和一个所述近端用户设备之间的社交信任值；
根据所述社会信任矩阵、所述数据执行消耗计算函数和所述数据传输消耗计算函数，确定所述研究区域对应的最大化长期系统网络效用函数和约束条件；所述最大化长期系统网络效用函数为一段时间内最小化用户设备在数据执行过程和数据传输过程的能耗，且最大化社交信任值的函数；所述约束条件包括D2D通信连接约束条件、计算任务执行时间约束条件和用户设备发射功率约束条件；
确定研究区域对应的计算任务数据总量；所述计算任务数据总量为一段时间内所述研究区域中各个所述远程用户设备的每个时隙计算任务数据量的和；所述时隙计算任务数据量为上一时隙未被执行的计算任务数据量与当前时隙产生的计算任务数据量的和；
利用Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数；所述第一短期确定性优化目标函数为远程用户设备服务器计算任务卸载优化目标函数；所述第二短期确定性优化目标函数为近端用户设备服务器与移动边缘计算服务器计算任务卸载优化目标函数，所述第三短期确定性优化目标函数为D2D通信连接选择优化目标函数；
根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，确定远程用户设备服务器的任务执行时间；
根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，确定远程用户设备发射功率和近端用户设备发射功率；
根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系。
2.根据权利要求1所述的一种结合社交感知的计算任务网络参数优化方法，其特征在于，所述确定研究区域对应的结合社交网络的MEC-D2D网络架构、数据传输模型以及消耗模型，具体包括：
确定研究区域对应的结合社交网络的MEC-D2D网络架构；
根据所述MEC-D2D网络架构，构建数据传输模型；
根据所述数据传输模型，确定数据传输过程中的能耗模型；
所述能耗模型的表达式为
Figure FDA0002980907480000021
Eij(t)表示在第t个时隙时第i条计算任务卸载链路所产生的消耗总量；所述计算任务卸载链路按照数据传输方向包括第i个远程用户设备、第j个近端用户设备以及移动边缘计算服务器；
Figure FDA0002980907480000022
表示在第t个时隙时第i个远程用户设备服务器执行计算任务时所产生的消耗能量，
Figure FDA0002980907480000023
表示在第t个时隙时第j个近端用户设备服务器执行计算任务时所产生的消耗能量，
Figure FDA0002980907480000024
表示在第t个时隙时第i个远程用户设备服务器向第j个近端用户设备服务器传输计算任务时所产生的消耗能量，
Figure FDA0002980907480000031
表示在第t个时隙时第j个近端用户设备向移动边缘计算服务器传输计算任务时所产生的消耗能量；τ0表示时隙宽度；
Figure FDA0002980907480000032
表示在第t个时隙时第i个远程用户设备服务器向第j个近端用户设备服务器的发射功率；
Figure FDA0002980907480000033
表示在第t个时隙时第j个近端用户设备向移动边缘计算服务器的发射功率；
其中，
Figure FDA0002980907480000034
α为由CPU模式所决定的性能参数，
Figure FDA0002980907480000035
表示在第t个时隙时第i个远程用户设备服务器的计算任务执行时间，
Figure FDA0002980907480000036
表示在第t个时隙时第j个近端用户设备服务器的计算任务执行时间，
Figure FDA0002980907480000037
表示在第t个时隙时第i个远程用户设备服务器的CPU周期频率，
Figure FDA0002980907480000038
表示在第t个时隙时第j个近端用户设备服务器的CPU周期频率。
3.根据权利要求2所述的一种结合社交感知的计算任务网络参数优化方法，其特征在于，所述研究区域对应的最大化长期系统网络效用函数和约束条件为：
Figure FDA0002980907480000039
其中，
Figure FDA00029809074800000310
和x(t)＝{xij(t)}；
Figure FDA00029809074800000311
表示在第t个时隙时第i个远程用户设备服务器向第j个近端用户设备服务器的发射功率；
Figure FDA00029809074800000312
表示在第t个时隙时第j个近端用户设备向移动边缘计算服务器的发射功率；xij(t)表示在第t个时隙时第i个远程用户设备服务器与第j个近端用户设备服务器的D2D通信连关系；T表示时隙总数；N表示远程用户设备总数；K表示近端用户设备总数；Uij(t)＝βωij(t)-(1-β)Eij(t)，β∈[0,1]是社交信任值与消耗总量的权重，ωij(t)表示在第t个时隙时第i个远程用户设备和第j个近端用户设备之间的社会信任值；C1和C2是发射功率约束条件；C3是远程用户设备服务器任务执行时间约束条件；C4～C6是D2D通信连接约束条件；Pi DT表示在第t个时隙时第i个远程用户设备服务器的发射功率；
Figure FDA0002980907480000041
表示在第t个时隙时第j个近端用户设备的发射功率；Pi,max表示第i个远程用户设备服务器的发射功率上限；Pj,max表示第j个近端用户设备的发射功率。
4.根据权利要求1所述的一种结合社交感知的计算任务网络参数优化方法，其特征在于，所述确定研究区域对应的计算任务数据总量，具体包括:
确定研究区域内各个所述远程用户设备在每个时隙内产生计算任务数据的速率；
确定所述研究区域的时间模式；所述时间模式为等长时隙的模式；
确定研究区域内各个所述远程用户设备在上一时隙未被执行的计算任务数据量；
根据所述速率、所述时间模式以及所述上一时隙未被执行的计算任务数据量，计算每个时隙计算任务数据量；
汇总所有时隙计算任务数据量，确定研究区域对应的计算任务数据总量。
5.根据权利要求3所述的一种结合社交感知的计算任务网络参数优化方法，其特征在于，所述利用Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数，具体包括：
根据所述数据传输模型确定队列表达式和任务数据量表达式；
根据所述队列表达式、所述任务数据量表达式和Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数；
其中，队列表达式Q(t)＝[Q1(t),Q2(t),…,QN(t)]，且Qi(t)和Qi(t+1)之间的关系式Qi(t+1)＝max[Qi(t)-Di(t)]+ri(t)τ0；Qi(t)表示在第t个时隙时第i条计算任务卸载链路中未被执行的计算任务数量；ri(t)表示在第t个时隙时第i个远程用户设备产生数据的速率；
任务数据量表达式
Figure FDA0002980907480000055
Di(t)表示在第t个时隙时第i条计算任务卸载链路中被执行的计算任务数量；
Figure FDA0002980907480000051
Di,l(t)表示在第t个时隙时第i个远程用户设备执行的计算任务数据量，Dj,l(t)在第t个时隙时第j个近端用户设备执行的计算任务数据量，rj(t)在第t个时隙时第j个近端用户设备服务器向移动边缘计算服务器的信道传输速率；C是服务器执行一个计算任务所需的CPU周期数；
第一短期确定性优化目标函数为：
Figure FDA0002980907480000052
第二短期确定性优化目标函数为：
Figure FDA0002980907480000053
第三短期确定性优化目标函数为：
Figure FDA0002980907480000054
6.根据权利要求1所述的一种结合社交感知的计算任务网络参数优化方法，其特征在于，所述根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，确定远程用户设备服务器的任务执行时间，具体包括：
根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，利用KKT数学工具，确定远程用户设备服务器的任务执行时间。
7.根据权利要求1所述的一种结合社交感知的计算任务网络参数优化方法，其特征在于，所述根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，确定远程用户设备发射功率和近端用户设备发射功率，具体包括：
所述根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，利用KKT数学工具，确定远程用户设备发射功率和近端用户设备发射功率。
8.根据权利要求1所述的一种结合社交感知的计算任务网络参数优化方法，其特征在于，所述根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系，具体包括：
所述根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，采用基于价格的一对一匹配的D2D连接选择算法，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系。
9.一种结合社交感知的计算任务网络参数优化系统，其特征在于，包括：
研究区域模型架构确定模块，用于确定研究区域对应的结合社交网络的MEC-D2D网络架构、数据传输模型以及消耗模型；所述MEC-D2D网络架构是根据所述研究区域对应的服务场景建立的模型架构；所述MEC-D2D网络架构包括一个具有移动边缘计算服务器的集中式基站和多个用户设备，所述用户设备包括远程用户设备和近端用户设备；每个所述远程用户设备只能连接一个所述近端用户设备，且每个所述近端用户设备只能连接一个所述远程用户设备；所述数据传输模型按照数据传输方向依次包括计算任务缓冲区、远程用户设备服务器、近端用户设备服务器以及移动边缘计算服务器；所述消耗模型包括数据执行消耗计算函数和数据传输消耗计算函数；所述数据执行消耗为所述远程用户设备服务器和所述近端用户设备服务器在执行计算任务时所产生的消耗能量，所述数据传输消耗为所述远程用户设备服务器和所述近端用户设备服务器在传输计算任务时所产生的消耗能量；
社会信任矩阵确定模块，用于根据所述MEC-D2D网络架构，确定社会信任矩阵；所述社会信任矩阵中的元素表示一个所述远程用户设备和一个所述近端用户设备之间的社交信任值；
效用函数和约束条件确定模块，用于根据所述社会信任矩阵、所述数据执行消耗计算函数和所述数据传输消耗计算函数，确定所述研究区域对应的最大化长期系统网络效用函数和约束条件；所述最大化长期系统网络效用函数为一段时间内最小化用户设备在数据执行过程和数据传输过程的能耗，且最大化社交信任值的函数；所述约束条件包括D2D通信连接约束条件、计算任务执行时间约束条件和用户设备发射功率约束条件；
计算任务数据总量确定模块，用于确定研究区域对应的计算任务数据总量；所述计算任务数据总量为一段时间内所述研究区域中各个所述远程用户设备的每个时隙计算任务数据量的和；所述时隙计算任务数据量为上一时隙未被执行的计算任务数据量与当前时隙产生的计算任务数据量的和；
解耦模块，用于利用Lyapunov优化算法，对所述最大化系统网络效用函数解耦，得到第一短期确定性优化目标函数、第二短期确定性优化目标函数和第三短期确定性优化目标函数；所述第一短期确定性优化目标函数为远程用户设备服务器计算任务卸载优化目标函数；所述第二短期确定性优化目标函数为近端用户设备服务器与移动边缘计算服务器计算任务卸载优化目标函数，所述第三短期确定性优化目标函数为D2D通信连接选择优化目标函数；
任务执行时间确定模块，用于根据所述计算任务数据总量、所述第一短期确定性优化目标函数和所述任务执行时间约束条件，确定远程用户设备服务器的任务执行时间；
发射功率确定模块，用于根据所述计算任务数据总量、所述第二短期确定性优化目标函数、所述发射功率约束条件和所述任务执行时间约束条件，确定远程用户设备发射功率和近端用户设备发射功率；
D2D通信连接关系确定模块，用于根据所述远程用户设备服务器的任务执行时间、所述远程用户设备发射功率、所述近端用户设备发射功率、所述第三短期确定性优化目标函数以及所述D2D通信连接约束条件，确定每个远程用户设备和每个近端用户设备之间的D2D通信连接关系。
CN202110287068.2A 2021-03-17 2021-03-17 一种结合社交感知的计算任务网络参数优化方法及系统 Active CN113015144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110287068.2A CN113015144B (zh) 2021-03-17 2021-03-17 一种结合社交感知的计算任务网络参数优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110287068.2A CN113015144B (zh) 2021-03-17 2021-03-17 一种结合社交感知的计算任务网络参数优化方法及系统

Publications (2)

Publication Number Publication Date
CN113015144A true CN113015144A (zh) 2021-06-22
CN113015144B CN113015144B (zh) 2022-03-04

Family

ID=76409285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110287068.2A Active CN113015144B (zh) 2021-03-17 2021-03-17 一种结合社交感知的计算任务网络参数优化方法及系统

Country Status (1)

Country Link
CN (1) CN113015144B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180183855A1 (en) * 2016-12-28 2018-06-28 Intel Corporation Application computation offloading for mobile edge computing
CN108319502A (zh) * 2018-02-06 2018-07-24 广东工业大学 一种基于移动边缘计算的d2d任务分配的方法及装置
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
CN111107153A (zh) * 2019-12-23 2020-05-05 国网冀北电力有限公司唐山供电公司 一种电力物联网中基于d2d通信的mec定价卸载方法
CN111258677A (zh) * 2020-01-16 2020-06-09 重庆邮电大学 面向异构网络边缘计算的任务卸载方法
CN111885551A (zh) * 2020-06-28 2020-11-03 天津大学 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制
CN111988806A (zh) * 2020-09-01 2020-11-24 重庆邮电大学 一种基于全双工中继的移动边缘计算网络资源分配方法
CN112000481A (zh) * 2020-08-25 2020-11-27 东北大学秦皇岛分校 一种d2d-mec系统计算能力最大化的任务卸载方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180183855A1 (en) * 2016-12-28 2018-06-28 Intel Corporation Application computation offloading for mobile edge computing
CN108319502A (zh) * 2018-02-06 2018-07-24 广东工业大学 一种基于移动边缘计算的d2d任务分配的方法及装置
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
CN111107153A (zh) * 2019-12-23 2020-05-05 国网冀北电力有限公司唐山供电公司 一种电力物联网中基于d2d通信的mec定价卸载方法
CN111258677A (zh) * 2020-01-16 2020-06-09 重庆邮电大学 面向异构网络边缘计算的任务卸载方法
CN111885551A (zh) * 2020-06-28 2020-11-03 天津大学 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制
CN112000481A (zh) * 2020-08-25 2020-11-27 东北大学秦皇岛分校 一种d2d-mec系统计算能力最大化的任务卸载方法
CN111988806A (zh) * 2020-09-01 2020-11-24 重庆邮电大学 一种基于全双工中继的移动边缘计算网络资源分配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHUAI YU 等: "A Socially-Aware Hybrid Computation Offloading Framework for Multi-Access Edge Computing", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 *
聂轩: "社会属性感知的边缘计算任务调度策略研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
邓晓衡等: "基于综合信任的边缘计算资源协同研究", 《计算机研究与发展》 *

Also Published As

Publication number Publication date
CN113015144B (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
Chen et al. Federated learning over wireless IoT networks with optimized communication and resources
Ren et al. Collaborative cloud and edge computing for latency minimization
CN111586762B (zh) 一种基于边缘协作的任务卸载及资源分配联合优化方法
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
CN113296845B (zh) 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法
CN111475274B (zh) 云协同多任务调度方法及装置
CN113242568A (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN110798858B (zh) 基于代价效率的分布式任务卸载方法
US11831708B2 (en) Distributed computation offloading method based on computation-network collaboration in stochastic network
Sun et al. Energy-efficient multimedia task assignment and computing offloading for mobile edge computing networks
Sun et al. Large-scale user-assisted multi-task online offloading for latency reduction in D2D-enabled heterogeneous networks
CN111556516B (zh) 面向时延和能效敏感业务的分布式无线网络任务协同分配方法
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
CN114697333B (zh) 一种能量队列均衡的边缘计算方法
CN110401936A (zh) 一种基于d2d通信的任务卸载与资源分配方法
Ren et al. Dynamic resource allocation scheme and deep deterministic policy gradient-based mobile edge computing slices system
Li et al. Multi-edge collaborative offloading and energy threshold-based task migration in mobile edge computing environment
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN113590279A (zh) 一种面向多核边缘计算服务器的任务调度和资源分配方法
Dou et al. Mobile edge computing based task offloading and resource allocation in smart grid
CN112654058A (zh) D2d多播网络中的移动边缘计算卸载与资源分配算法
CN109981340B (zh) 雾计算网络系统中联合资源优化的方法
CN115955479A (zh) 一种云边端协作系统中的任务快速调度与资源管理方法
Li et al. A trade-off task-offloading scheme in multi-user multi-task mobile edge computing

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