CN113114733B - 基于能量收集的分布式任务卸载和计算资源的管理方法 - Google Patents

基于能量收集的分布式任务卸载和计算资源的管理方法 Download PDF

Info

Publication number
CN113114733B
CN113114733B CN202110312344.6A CN202110312344A CN113114733B CN 113114733 B CN113114733 B CN 113114733B CN 202110312344 A CN202110312344 A CN 202110312344A CN 113114733 B CN113114733 B CN 113114733B
Authority
CN
China
Prior art keywords
task
mobile device
server
ith
mobile
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
CN202110312344.6A
Other languages
English (en)
Other versions
CN113114733A (zh
Inventor
姚枝秀
高倩
夏士超
李云
吴广富
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110312344.6A priority Critical patent/CN113114733B/zh
Publication of CN113114733A publication Critical patent/CN113114733A/zh
Priority to PCT/CN2021/128685 priority patent/WO2022199036A1/zh
Priority to US17/909,374 priority patent/US11956307B1/en
Application granted granted Critical
Publication of CN113114733B publication Critical patent/CN113114733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于移动通信技术领域，特别涉及一种基于能量收集的分布式任务卸载和计算资源的管理方法，包括建立任务本地计算模型和边缘云计算模型；建立出设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数及动边缘计算服务器最大化收益的目标函数；设备根据预筛选准则，预选择移动边缘计算服务服务器进行任务的卸载；利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略；获得各个时隙内移动边缘计算服务器对设备端的最优报价策略；获取最优任务量策略以及最优动态报价策略满足斯坦克尔伯格均衡的解作为资源分配策略；本发明实现电池能量水平的稳定性管理以及针对异构用户的计算资源按需分配。

Description

基于能量收集的分布式任务卸载和计算资源的管理方法
技术领域
本发明属于移动通信技术领域，特别涉及一种基于能量收集的分布式任务卸载和计算资源管理方法。
背景技术
在物联网快速发展和智能终端设备普及的推动下，以计算密集型和延时敏感型为特点的面向云的应用(如虚拟现实、无人驾驶和网络游戏)近年来正以前所未有的速度发展。虽然CPU的处理能力和移动设备(Mobile Devices，MDs)的存储能力不断提高，但在大数据和人工智能时代，计算性能和电池续航时间仍然面临严峻挑战。移动边缘计算(MobileEdge Computing，MEC)作为一种新兴的计算模式，通过将全部或部分本地计算任务卸载到MEC服务器上，能明显提高用户的服务体验。在MEC系统中，将计算和存储资源部署到边缘网络上能有效减小时延，避免数据通信拥塞。
在硬件的尺寸和成本的限制下，传统的电池容量是有限的，不能满足设备长时间续航的要求。在某些场景下，使用可充电电池或传统的电网电源是不可能的或者极其昂贵的，因此，采用更便宜和更方便可靠的供电方法是必不可少的。能量收集(EnergyHarvesting，EH)可以捕获太阳能和风能等可再生能源用于数据通信和MD的任务处理，已成为一项实现绿色通信和持久运行的重要技术。将EH集成到MEC系统中具有重要意义。
随着EH和MEC的融合，保证系统计算性能的稳定性面临着新的挑战。一些主要的成果有：(1)基于能量收集的移动边缘计算的动态计算卸载(参考文献：Mao Y,Zhang J,Letaief K B.Dynamic Computation Offloading for Mobile-Edge Computing withEnergy Harvesting Devices[J].IEEE Journal on Selected Areas inCommunications,2016,34(12):3590-3605.DOI:10.1109/JSAC.2016.2611964)：该算法在单个MD和单个MEC服务器的点对点通信场景下，提出了一种基于扰动李雅普诺夫优化的低复杂度、集中式的任务卸载算法。(2)移动边缘计算中基于能量收集的任务卸载能耗与时延折中算法(参考文献：Zhang G,Zhang W,Cao Y,et al.Energy-Delay Tradeoff forDynamic Offloading in Mobile-Edge Computing System With Energy HarvestingDevices[J].IEEE Transactions on Industrial Informatics,2018,14(10):4642-4655.DOI：10.1109/TII.2018.2843365)：该算法提出了一种动态任务卸载策略来权衡基于EH的MEC系统的能量消耗和计算时延。作者将其转化为一个以缓冲队列稳定性和电池电量为约束条件的移动设备能量消耗和执行延迟平均加权总和问题。并基于扰动李雅普诺夫优化方法，得到了移动设备的CPU周期频率和数据传输功率的最优分配。
这些工作围绕着原始的、简单的集中式的网络架构，即提供的平均速率、时延、连接密度和差异化服务应该被打破。特别是随着物联网时代边缘设备和数据量的快速增长，集中式的优化方法已经不适用于包含数千个异构物联网应用的分布式MEC场景。此外，不同的MDs在计算卸载时延和能量消耗方面通常具有差异化需求，因此，如何按需地分配有限的边缘云的计算资源，以及如何以分布式的方式开发具有能量收集水平的任务卸载策略具有重要研究价值。
发明内容
为了实现系统能耗最小化以及资源的按需分配，本发明提出一种基于能量收集的分布式任务卸载和计算资源的管理方法，具体包括以下步骤：
根据移动边缘计算环境，建立任务本地计算模型和边缘云计算模型；
获取设备向移动边缘计算服务器购买资源进行任务卸载的收益，并在设备端采用扰动李雅普诺夫优化理论以保证设备端电池能量水平及任务队列的稳定性，建立出设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数；
获取移动边缘计算服务器为设备端提供计算服务的收益，建立移动边缘计算服务器最大化收益的目标函数；
根据设备端的任务积压、电池能量水平以及移动边缘计算服务器端的报价，建立移动边缘计算服务器预筛选准则，设备根据预筛选准则，预选择移动边缘计算服务服务器进行任务的卸载；
设备端基于扰动李雅普诺夫优化的设备端收益最大化问题，在各个时隙内，利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略；
移动边缘计算服务器根据所述买方向所选择的移动边缘计算服务器卸载的最优任务量策略，基于移动边缘计算服务器最大化收益问题，获得各个时隙内移动边缘计算服务器对设备端的最优报价策略；
设备端向所选择的移动边缘计算服务器卸载的最优任务量策略，且移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解，那么设备按照最优任务卸载策略向移动边缘计算服务器进行任务卸载。
进一步的，设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数表示为：
Figure BDA0002989890420000031
约束条件：
Figure BDA0002989890420000032
Figure BDA0002989890420000033
Figure BDA0002989890420000034
Figure BDA0002989890420000035
Figure BDA0002989890420000036
其中，Ii(t)＝{Ii0(t),Ii1(t),…,Iin(t)}为第i个移动设备任务卸载策略的集合，bi(t)＝{bi0(t),bi1(t),…,bin(t)}为第i个移动设备处理任务量策略的集合，
Figure BDA0002989890420000037
为第i个移动设备基于扰动李雅普诺夫优化的设备端收益最大化的目标函数，Vi为第i个移动设备的非负可控参数，
Figure BDA0002989890420000041
为第i个移动设备的最大化收益函数，Qi(t)表示时隙t中第i个移动设备到达的任务队列积压，
Figure BDA0002989890420000042
为时隙t第i个移动设备已处理的任务量总和，ai(t)表示时隙t中第i个移动设备到达的任务量，
Figure BDA0002989890420000043
为第i个移动设备电池的虚拟能量队列，
Figure BDA0002989890420000044
为第i个移动设备在时隙t的总能耗，
Figure BDA0002989890420000045
为时隙t第i个移动设备充电到电池的能量，δi(t)表示在时隙t中第i个移动设备收集的能量，
Figure BDA0002989890420000046
为第i个移动设备在每个时隙电池放电量的最小值，
Figure BDA0002989890420000047
为第i个移动设备在每个时隙电池放电量的最大值，Bi(t)在时隙t开始时第i个移动设备i的电池能量水平，
Figure BDA0002989890420000048
为第i个移动设备在本地处理或者卸载到第
Figure BDA0002989890420000049
个移动边缘计算服务器的任务量，其中
Figure BDA00029898904200000410
M为移动设备的集合，N为移动边缘计算服务器的集合，
Figure BDA00029898904200000411
为本地或第
Figure BDA00029898904200000412
个移动边缘计算服务器CPU最小频率值，
Figure BDA00029898904200000413
为本地或第
Figure BDA00029898904200000414
个移动边缘计算服务器为第i个移动设备分配的CPU频率值，
Figure BDA00029898904200000415
为本地或第
Figure BDA00029898904200000416
个移动边缘计算服务器CPU最大频率值，T为每个时隙的时隙索引。
进一步的，在设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数中，当且仅当
Figure BDA00029898904200000417
第i个移动设备能够在本地计算，如果第i个移动设备可以在本地计算任务，最优的本地执行策略表示为：
Figure BDA00029898904200000418
其中，
Figure BDA00029898904200000419
为最优的本地执行策略；
Figure BDA00029898904200000420
为与第i个移动设备芯片架构相关的有效能量系数，τ为每个时隙的时隙长度，ρi为第i个移动设备收益权重因子；
Figure BDA00029898904200000421
γi为通过离线测量获得的计算密度。
进一步的，移动边缘计算服务器最大化收益的目标函数表示为：
Figure BDA0002989890420000051
约束条件：pji(t)≥0，i∈M，t∈T
其中，
Figure BDA0002989890420000052
为第j个移动边缘计算服务器最大化收益函数，sji(t)为第j个服务器为第i个移动设备处理任务所获得的收益，ψj为第j个移动边缘计算服务器的单位能量成本，
Figure BDA0002989890420000053
为第j个移动边缘计算服务器处理第i个移动设备的任务的能耗，m为移动设备集合中移动设备的数量。
进一步的，设备根据预筛选准则，预选择移动边缘计算服务服务器进行任务的卸载包括：
当且仅当
Figure BDA0002989890420000054
时，移动设备可以将任务卸载到移动边缘计算服务器j；否则，移动边缘计算服务器j将会被排除；
对于第i个移动设备，当
Figure BDA0002989890420000055
时，当且仅当移动边缘计算服务器j的报价满足
Figure BDA0002989890420000056
时，移动设备可以将任务卸载到移动边缘计算服务器j；否则，移动边缘计算服务器j将会被排除；
其中，
Figure BDA0002989890420000057
为每个时隙最小的卸载任务；
Figure BDA0002989890420000058
为每一时隙最大的卸载任务；
Figure BDA0002989890420000059
为第i个移动设备卸载到第j个移动边缘计算服务器的最小任务量，pij(t)为第j个移动边缘计算服务器对第i个移动设备的报价，
Figure BDA00029898904200000510
为在时隙t从第i个移动设备到第j个移动边缘计算服务器的单位通信成本，Qi(t)为第i个移动设备的任务队列积压，
Figure BDA00029898904200000511
为第i个移动设备电池的虚拟能量队列，Pi为第i个移动设备在时隙t中的传输功率，ri为第i个移动设备的传输速率。
进一步的，设备端基于扰动李雅普诺夫优化的设备端收益最大化问题，在各个时隙内，利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略，即各个时隙内移动边缘计算服务器对设备端的最优报价策略表示为：
Figure BDA0002989890420000061
其中，p* ji(t)为各个时隙内移动边缘计算服务器对设备端的最优报价策略，
Figure BDA0002989890420000062
为在t时隙移动设备i利用移动边缘计算服务器进行卸载的最优卸载任务量。
进一步的，在t时隙移动设备i利用移动边缘计算服务器进行卸载的最优卸载任务量
Figure BDA0002989890420000063
表示为：
Figure BDA0002989890420000064
其中，
Figure BDA0002989890420000065
pij(t)为第j个移动边缘计算服务器对第i个移动设备的报价，Qi(t)为第i个移动设备的任务队列积压，Pi时隙t中的传输功率。
进一步的，判断移动边缘计算服务器对设备端的最优动态报价策略是否满足斯坦克尔伯格均衡解包括：如果移动边缘计算器的价格确定，满足：
Figure BDA0002989890420000066
同时卸载任务bij(t)确定，如果满足：
Figure BDA0002989890420000067
则移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解；
其中，
Figure BDA0002989890420000068
为卸载任务量是
Figure BDA0002989890420000069
时第i个移动设备的收益值，
Figure BDA00029898904200000610
为第i个移动设备卸载到第j个移动边缘计算服务器任务量的斯坦克尔伯格均衡解，
Figure BDA00029898904200000611
为最小卸载任务量，
Figure BDA00029898904200000612
最大卸载任务量；
Figure BDA00029898904200000613
为报价是
Figure BDA00029898904200000614
时第j个移动边缘计算服务器的收益值，
Figure BDA00029898904200000615
为第j个移动边缘计算服务器对第i个移动设备报价的斯坦克尔伯格均衡解，
Figure BDA00029898904200000616
为移动设备i卸载到移动边缘计算服务器j的成本价格。
进一步的，移动设备i通过移动边缘计算服务器j卸载的成本价格
Figure BDA0002989890420000071
表示为：
Figure BDA0002989890420000072
本发明考虑一种分布式的支持能量收集的MEC卸载系统，提出了一种基于博弈论和扰动李雅普诺夫优化理论的分布式优化策略。该算法通过动态差异化报价机制，实现异构任务卸载、计算资源的按需分配和电池能量的管理的联合优化。此外，为了减少不必要的通信开销，提高处理效率，在权衡电池能量水平、延时和收益的基础上，设计了一种MEC服务器预筛选准则。通过仿真实验，该方法在保证系统收益最大化的同时，实现了电池能量水平的稳定性管理以及针对异构用户的计算资源按需分配。
附图说明
图1为本发明中一种基于能量收集的分布式任务卸载和计算资源管理方法流程图；
图2为支持能量收集的MEC卸载系统模型；
图3为电池能量水平随时隙的变化过程图；
图4为计算资源的按需分配随时隙的变化过程图。
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。
本发明提出一种基于能量收集的分布式任务卸载和计算资源的管理方法，如图1，包括以下步骤：
根据移动边缘计算环境，建立任务本地计算模型和边缘云计算模型；
获取设备向移动边缘计算服务器购买资源进行任务卸载的收益，并在设备端采用扰动李雅普诺夫优化理论以保证设备端电池能量水平及任务队列的稳定性，建立出设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数；
获取移动边缘计算服务器为设备端提供计算服务的收益，建立移动边缘计算服务器最大化收益的目标函数；
根据设备端的任务积压、电池能量水平以及移动边缘计算服务器端的报价，建立移动边缘计算服务器预筛选准则，设备根据预筛选准则，预选择移动边缘计算服务服务器进行任务的卸载；
设备端基于扰动李雅普诺夫优化的设备端收益最大化问题，在各个时隙内，利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略；
移动边缘计算服务器根据所述买方向所选择的移动边缘计算服务器卸载的最优任务量策略，基于移动边缘计算服务器最大化收益问题，获得各个时隙内移动边缘计算服务器对设备端的最优报价策略；
设备端向所选择的移动边缘计算服务器卸载的最优任务量策略，且移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解，那么设备按照最优任务卸载策略向移动边缘计算服务器进行任务卸载。
在本实施例主要从系统模型构建、构建待解决的资源分配问题、如何分配计算资源对以上步骤进行进一步说明。
一、系统模型
如图2所示，本发明考虑了一个支持能量收集的MEC网络系统，包括M＝{1,2,…,m}个配备了能量收集组件的异构移动设备，每个移动设备具有不同的计算需求，例如不同的卸载时延和能量限制。N＝{1,2,…,n}个MEC服务器可在其无线电覆盖范围内为MDs提供计算或数据分析服务。MDs可以在本地计算任务，或者把任务卸载到MEC服务器。假设系统在离散的时隙运行，令τ和
Figure BDA0002989890420000081
分别表示每个时隙的长度和时隙索引。
1.任务和队列模型
令MD i表示第i个移动设备，MD i请求处理的任务可以由一个三元组
Figure BDA0002989890420000091
来表征，其中bi(t)是时隙t已处理的任务量，
Figure BDA0002989890420000092
是最大计算时延要求，γi是通过离线测量获得的计算密度，单位为cycles/bit。
假设MDs产生的任务服从独立同分布的泊松过程，令ai(t)和Qi(t)分别代表时隙t中，MDi的到达的任务量和任务队列积压。因此，令A(t)＝{a1(t),…,am(t)}和Q(t)＝{Qi(t),…,Qm(t)}分别表示时隙t中，所有MDs的到达任务集合和队列积压集合。由于在一个时隙到达的任务是有限的，到达的任务量满足
Figure BDA0002989890420000093
Figure BDA0002989890420000094
表示时隙t中第i个移动设备到达的最大任务量。令
Figure BDA0002989890420000095
表示MDs的到达率集合，即λm为第m个移动设备的到达率；则MDi队列积压的更新方程可表示为Qi(t+1)＝max{Qi(t)-bi(t),0}+ai(t)。
任务卸载主要包含三个阶段：
1)MDs通过无线信道将计算任务上传到MEC服务器；
2)MEC服务器分析和执行任务；
3)计算结果返回到MDs。
由于计算结果的数据量远远小于上传的数据量，并且数据下行传输速率远高于上行，因此，本发明省略结果返回的时延。
2.本地计算模型
在每个时隙开始时，MDs应该决定是否进行卸载，以及卸载多少任务量。对于本地计算，MD需要分配本地CPU计算资源去处理任务。为了在延时约束下实现能量节约，MDs应该以动态且适当的CPU时钟速度处理任务，可以通过利用动态电压频率调节(DynamicVoltage and Frequency Scaling，DVFS)技术调整CPU的处理频率来实现。
令
Figure BDA0002989890420000096
表示时隙t中本地计算的任务量，其中fi0(t)是MDi的CPU频率值。考虑到CPU频率受到最大CPU频率
Figure BDA0002989890420000097
和最小CPU频率
Figure BDA0002989890420000098
的约束，因此需满足条件
Figure BDA0002989890420000101
本地计算能耗模型：考虑到电池能量水平的限制，任务处理和卸载决策应考虑到能耗因素。对本地任务处理，为便于分析，本发明只考虑MDs的CPU完全用于计算任务，并忽略MD运行产生的其他能耗。处理任务bi0(t)的计算能耗可表示为
Figure BDA0002989890420000102
其中，κi是与芯片架构相关的有效能量系数，α和β是由CPU模型决定的参数，σ的取值范围为2到3，为便于分析，本发明令α＝1,β＝0,σ＝2。
3.边缘云计算模型
与MDs相比，MEC服务器有更强的供电能力、计算能力和存储能力。当MDs决定卸载，该任务将会通过无线信道传输到服务器，然后服务器为MDs分配适当的计算资源，下面分析MDs的通信模型、通信能耗模型、通信成本模型、MEC服务器计算时延模型和边缘计算能耗模型。
通信模型：在时隙t中，令hi(t)＝[l(t)]°表示无线信道的增益，其中l(t)是通信距离，o∈{2,3}是常数。根据香浓理论，MDi在时隙t中的任务传输速率表示为
Figure BDA0002989890420000103
其中Bi、P和ω分别为时隙t中的传输带宽、传输功率和噪声平均功率。对于MDi，令Iij(t)∈{0，1}，j∈N为计算任务卸载策略的指标，其中Iij(t)＝1表示MDi在时隙t将任务卸载到第j个MEC服务器。因此，MDi的传输时延表示为
Figure BDA0002989890420000104
其中1{·}是指示器函数。
通信能耗模型：MDi将计算任务bij(t)卸载到MEC服务器j的通信能耗表示为
Figure BDA0002989890420000105
通信成本模型：令
Figure BDA0002989890420000106
表示在时隙t从MDi到MEC服务器j的单位通信成本，本发明定义通信成本模型为
Figure BDA0002989890420000107
MEC服务器计算时延模型：令fij(t)表示时隙t中分配给MDi的MEC服务器j的CPU频率大小。考虑到CPU频率受到最大CPU频率
Figure BDA0002989890420000111
和最小CPU频率
Figure BDA0002989890420000112
的约束，需满足条件
Figure BDA0002989890420000113
因此，MEC服务器j的计算时延表示为
Figure BDA0002989890420000114
边缘计算能耗模型：MEC服务器j的处理任务bij(t)的计算能耗可表示为
Figure BDA0002989890420000115
其中，
Figure BDA0002989890420000116
表示MEC服务器j的处理时延。
4.能量收集模型
每一个配备有EH组件的MD都可以捕获能再生能源以供电池供电。假设在不同的时隙中，MDs的能量收集的到达过程服从独立同分布，令δi(t)表示在时隙t中MDi收集的能量，其最大值为
Figure BDA0002989890420000117
考虑到在实际中只有一部分收集到的能量能被储存在电池中，令
Figure BDA0002989890420000118
表示时隙t中，MDi充电到电池的能量，因此
Figure BDA0002989890420000119
满足
Figure BDA00029898904200001110
通过对本地计算模型和边缘云计算模型的分析，我们可以得到MDi在时隙t的总能耗为
Figure BDA00029898904200001111
为了防止电池放电过度，定义电池放电约束条件满足
Figure BDA00029898904200001112
其中，
Figure BDA00029898904200001113
和
Figure BDA00029898904200001114
是MDi在每个时隙电池放电量的最小和最大值。
特别地，为了确保MDs的持续工作，电池的能量水平必须满足提供任务在本地计算和通信所需的电量，令Bi(t)表示在时隙t开始时MDi的电池能量水平，因此，MDi在时隙t中的能耗约束条件为
Figure BDA00029898904200001115
如果不满足
Figure BDA00029898904200001116
那么任务将积压在本地任务队列中。通过以上分析，进一步可以得到MD i的电池能量水平的更新方程为
Figure BDA00029898904200001117
5.任务处理效用模型
为了评估MDi在时隙t处理任务所获得的收益，本发明采用被广泛应用于无线通信和移动计算领域的对数效用函数，MDi在时隙t处理任务所获得的收益可表示为
Figure BDA0002989890420000121
其中，ρi是MDi的收益权重因子。
二、目标函数
支持EH的MEC卸载系统需要确保每个MD有充足的能量去执行卸载策略，也需要满足每个时隙每个MD的任务队列稳定性和任务卸载时延的要求。相应地，本发明定义时隙t中MEC卸载系统的卸载决策，已处理的任务量、资源分配策略和能量收集策略分别为I(t)＝{Iij(t)}i∈M,j∈N，
Figure BDA0002989890420000122
Figure BDA0002989890420000123
和
Figure BDA0002989890420000124
根据每个时隙的任务卸载、资源分配和能量消耗，可以得到如下的收益最大化模型，即本实施例目标函数：
Figure BDA0002989890420000125
约束条件：
Figure BDA0002989890420000126
Figure BDA0002989890420000127
Figure BDA0002989890420000128
Figure BDA0002989890420000129
Figure BDA00029898904200001210
其中，ψj是MEC服务器j的单位能量成本。
上述模型中，几个约束条件依次表示：
MDi充电到电池的能量满足小于在时隙t收集到的能量；
MDi在时隙t消耗的能量需满足大于最小放电量，并且小于最大放电量和电池能量水平中的最大值；
MDi确保本地计算与卸载的任务之和不超过时隙t中的队列积压量；
MDi或MEC服务器分配的CPU频率大小不能超过每时隙中CPU频率大小的最大值与最小值；
满足任务队列积压的稳定性的条件。
三、基于能量收集的分布式任务卸载和计算资源分配算法
在物联网时代，海量边缘设备和海量数据正在快速增长。一方面，收集系统状态的实时信息是很困难甚至是不可能的。传统的集中式的优化方法已不适用于具有成千上万的异构物联网应用的分布式MEC场景。另一方面，由于到达的任务和收集的能量的间歇性、异构性和偶然性，精确预测系统状态是不可能的。因此，本发明提出了一种基于买卖博弈和李雅普洛夫优化理论的分布式动态计算任务卸载和计算资源分配策略。并将集中式优化问题P1转化为分布式优化问题P2。
1.基于扰动李雅普诺夫优化的博弈模型分析
为了处理MD卸载的任务，MEC服务器必须消耗自己的成本(如计算能耗、硬件成本等)。因此，MDs同样需要为计算服务付费。因此可以将该模型视为一个“市场”，“市场”中的每一个MD正在从适当的MEC服务器买产品。为此，MD被视为买方(b),它购买计算资源去处理卸载的任务，MEC服务器被视为卖方(s),它为买方提供计算服务。
买方(MDs)的付款将与卖方(MEC服务器)的卸载的任务量成正比。定义在时隙t中，MDi卸载到第j个MEC服务器的单价为pij(t)(单位：$/bit)。因此，买方卸载任务到卖方的支付成本表示为sij(t)＝pij(t)bij(t)。
1)买方/MDs博弈模型分析
假设MDs是理性的，并寻求最大化自身收益。买方最优的策略要考虑到卸载任务的收益、通信成本和支付成本，因此，可以得到时隙t中买方的目标函数
Figure BDA0002989890420000131
进一步为了实现电池能量水平的稳定性，并保证长期演进的计算性能，可以得到第i个买方(MDi)的最大化收益函数表示为：
Figure BDA0002989890420000132
约束条件：
Figure BDA0002989890420000133
Figure BDA0002989890420000141
Figure BDA0002989890420000142
Figure BDA0002989890420000143
Figure BDA0002989890420000144
支持EH的MEC系统的计算卸载策略设计比起具有电池供电设备的传统MEC系统要复杂得多。具体来说，电池能量水平和任务缓存队列积压都需要考虑。接下来为买方设计一个基于扰动李雅普洛夫优化的任务卸载和能量管理方法。
基于李雅普洛夫优化的渐进优化：需要注意的是，根据电池能量因果性约束条件
Figure BDA0002989890420000145
和
Figure BDA0002989890420000146
电池能量水平是时间独立的。因此，首先定义了两个重要的参数，分别是是扰动参数θi和MDi电池的虚拟能量队列
Figure BDA0002989890420000147
在本实施例中，设置的扰动参数θi是有界常数，即
Figure BDA0002989890420000148
其中
Figure BDA0002989890420000149
实施过程中令
Figure BDA00029898904200001410
表示用于跟踪MDi的电池能量水平的虚拟能量队列。通过合理设置θi，将有足够的电池能量来维持MDi的本地计算和通信任务。
在每个时隙，MDi的电池能量水平总是满足
Figure BDA00029898904200001411
定义计算任务队列和电池虚拟能量队列的李雅普洛夫函数为
Figure BDA00029898904200001412
其中L[Θi(t)]≥0。根据李雅普诺夫优化定理，可以得到条件李雅普洛夫漂移为
Figure BDA00029898904200001413
最优决策的目标是最小化条件李雅普洛夫漂移减去MDi的最大化收益函数的上边界，即
Figure BDA0002989890420000151
其中Vi≥0是非负可控参数。为了得到其上界，则：
对于任意给定的控制参数Vi≥0、
Figure BDA0002989890420000152
和
Figure BDA0002989890420000153
根据李雅普诺夫优化定理，有如下不等式关系：
Δ[Θi(t)]-ViE{ubi(t)|Θi(t)}
Figure BDA0002989890420000154
+E{Qi(t)[ai(t)-bij(t)]|Θi(t)}
Figure BDA0002989890420000155
其中，Φi是非负常数，且
Figure BDA0002989890420000156
可以看出，最小化条件李雅普洛夫漂移减去MDi的最大化收益函数的上边界等同于最小化所述不等式的右端。可以将P2-buyer最优化问题转化为基于扰动李雅普诺夫优化的买方最大化收益问题P2-buyer'：
Figure BDA0002989890420000157
约束条件：
Figure BDA0002989890420000158
Figure BDA0002989890420000159
Figure BDA00029898904200001510
Figure BDA00029898904200001511
Figure BDA00029898904200001512
2)卖方/MEC服务器博弈模型分析
令sij(t)表示MEC服务器j为MDi提供计算资源而获得的收入。定义在时隙t第j个MEC服务器收入sji(t)为sji(t)＝sij(t)＝pij(t)bij(t)。卖方为买方提供计算服务可获得收益，同时需要消耗自身成本(如计算能耗、硬件成本等)，因此可以定义如下的卖方j的最大化收益函数：
Figure BDA00029898904200001513
约束条件：pji(t)≥0,i∈M,t∈T
其中，该模型中的约束条件表示支付价格需为正数。此外，基于最大值理论，可以将最优化问题P2-seller转化为卖方最大化收益问题P2-seller'：
Figure BDA0002989890420000161
约束条件：pji(t)≥0,i∈M,t∈T
3)最优博弈策略分析
①买方/MDs最优策略分析：
对于每个MD，需要解决三个基本问题是：
1)有多少收集的应该储存在电池中；
2)有多少任务需要在本地计算；
3)如何选择合适的MEC服务器，且应卸载多少任务到MEC服务器。
能量收集最优策略：根据P2-buyer'，容易得到驱动最优的能量收集策略为
Figure BDA0002989890420000162
因此，时隙t能得到最优的能量收集值为
Figure BDA0002989890420000163
若
Figure BDA0002989890420000164
MDi需要存储的最大能量为δi。否则，mi不储存能量。
计算任务卸载最优策略：根据P2-buyer'和
Figure BDA0002989890420000165
进一步将最优化问题P2-seller'转化为P2-buyer″：
Figure BDA0002989890420000166
约束条件：
Figure BDA0002989890420000167
Figure BDA0002989890420000168
Figure BDA0002989890420000169
Figure BDA00029898904200001610
Figure BDA0002989890420000171
本地计算策略：对于每一个MD，由于约束条件
Figure BDA0002989890420000172
的电池放电限制，可以得到能量约束条件下MDi的最小和最大的CPU频率大小分别为
Figure BDA0002989890420000173
当且仅当
Figure BDA0002989890420000174
MDi在本地计算是可行的。根据P2-buyer″，如果MDi可以在本地计算任务，最优的本地执行策略：
Figure BDA0002989890420000175
其中，
Figure BDA0002989890420000176
当
Figure BDA0002989890420000177
有
Figure BDA0002989890420000178
此外，问题P2-buyer″中的各个约束条件都是仿射函数，因此，Ubi(t)对fi0(t)是凸函数。根据拉格朗日乘子和KKT(Karush-Kuhn-Tucker，KKT)条件，可以获得全局最优解为
Figure BDA0002989890420000179
此外，如果
Figure BDA00029898904200001710
则最优决策是
Figure BDA00029898904200001711
如果
Figure BDA00029898904200001712
则最优决策是
Figure BDA00029898904200001713
如果
Figure BDA00029898904200001714
则最优决策是
Figure BDA00029898904200001715
当
Figure BDA00029898904200001716
有
Figure BDA00029898904200001717
Ubi(t)关于fi0(t)的单调递增函数。因此，最优决策是
Figure BDA00029898904200001718
边缘云计算卸载策略：在每时隙开始时，每个MD应该首先选择合适的一个或多个MEC服务器。对于被选择的MEC服务器j，最优的卸载任务量表示为：
Figure BDA0002989890420000181
其中，
Figure BDA0002989890420000182
和
Figure BDA0002989890420000183
为能量约束条件下最小和最大的卸载任务量。
②卖方/MEC服务器最优策略分析
对于每一个卖方/MEC服务器，需要解决的一个根本问题是根据买方的需要确定最优价格(pij(t))和计算资源(fij(t))。根据P2-seller'和
Figure BDA0002989890420000184
可以得到
Figure BDA0002989890420000185
对pji(t)的一阶偏导为
Figure BDA0002989890420000186
进一步可以得到
Figure BDA0002989890420000187
对pji(t)的二阶偏导
Figure BDA0002989890420000188
其中
Figure BDA0002989890420000189
对于每一个卖方，其收益
Figure BDA00029898904200001810
是非负的。令
Figure BDA00029898904200001811
可以得到卖方j的成本价格为
Figure BDA00029898904200001812
这意味着卖方可以接受的最低价格为
Figure BDA00029898904200001813
如果计算资源的交易价格大于
Figure BDA00029898904200001814
可得
Figure BDA00029898904200001815
在本实施例中，对Stackelberg均衡的存在性分析。分析过程首先证明最优解
Figure BDA0002989890420000191
是Stackelberg均衡解(SE)。为便于分析，本发明只分析一个时隙内的最优卸载任务(bij(t))和价格(pij(t))解，并且用同样的方法可以很容易地推广到其他时隙。首先，SE对所提出的博弈的SE定义如下：
卖方的价格pij(t)确定，如果满足
Figure BDA0002989890420000192
同时，卸载任务bij(t)确定，如果满足
Figure BDA0002989890420000193
则
Figure BDA0002989890420000194
和
Figure BDA0002989890420000195
是SE解，最优解
Figure BDA0002989890420000196
是
Figure BDA0002989890420000197
有以下证明：
问题P2-buyer″关于bij(t)是凸函数，
Figure BDA0002989890420000198
在
Figure BDA0002989890420000199
处取得最大值，
Figure BDA00029898904200001910
是
Figure BDA00029898904200001911
根据
Figure BDA00029898904200001912
可得到
Figure BDA00029898904200001913
是关于pij(t)的单调递减函数，这意味着如果卖方的价格增加，买方的计算资源购买意向将会降低，这会导致卖家带来的收益很少，甚至没有收益；因此，卖方应该采取合适的价格，通过求解
Figure BDA00029898904200001914
来得到卖方最优的价格，最优卸载任务
Figure BDA00029898904200001915
会随着卖方价格pij(t)的增加而减少；
如果买方/MD的最优的卸载任务
Figure BDA00029898904200001916
是固定的，问题P2-seller'关于pij(t)是凸函数，
Figure BDA00029898904200001917
是SE
Figure BDA00029898904200001918
收益函数Usj(pij(t))在处
Figure BDA00029898904200001919
取得最大值。
本发明提出了一种卸载预筛选准则去减少不必要的通信信令开销，同时提高任务处理的效率。异构MDs有不同的电池能量水平、卸载要求(队列积压)和流量特点(例如，任务类型，计算密度)。此外，由于MEC服务器有不同的计算资源特点(例如，计算资源可获得性，计算成本)并位于不同的地点，不同的服务器对不同的MDs的计算任务有不同的价格，这可能对每一个MD都不是适用的。为了减少不必要的通信信令开销，在每一时隙开始时，每一个MD选择一个或多个合适的MEC服务器是非常重要的。有两种主要的因素影响MDs的卸载选择策略：电池放电约束因素(B)和价格因素(P)。
标准B：受到每个MD电池放电约束条件
Figure BDA0002989890420000201
在每个时隙能得到最小的卸载任务为
Figure BDA0002989890420000202
其中，
Figure BDA0002989890420000203
每一时隙最大的卸载任务为
Figure BDA0002989890420000204
其中
Figure BDA0002989890420000205
当且仅当
Figure BDA0002989890420000206
时，MD可以将任务卸载到MEC服务器j；否则，MEC服务器j将会被排除。
标准P：由于不同的MEC服务器具有不用的资源价格，每个MD应该首选(或排除)那些有更多(或更少)收益的服务器，并且决定卸载多少任务。
根据
Figure BDA0002989890420000207
关于bij(t)的一阶偏导，令一阶偏导
Figure BDA0002989890420000208
可得
Figure BDA0002989890420000209
这意味着，如果MEC服务器j的报价满足上述不等式，随着bij(t)的增长，MD将获得最大收益
Figure BDA00029898904200002010
即对于MDi，当
Figure BDA00029898904200002011
时，当且仅当MEC服务器j的报价满足上述不等式时，MD可以将任务卸载到MEC服务器j。否则，MEC服务器j将会被排除。
对于买方i，卖方j的浮动价格是
Figure BDA00029898904200002012
因此，可得到
Figure BDA00029898904200002013
因此有
Figure BDA00029898904200002014
这表明在每一时隙开始时，由于Qij(t)和
Figure BDA0002989890420000211
是常数，可用服务器的数量和控制参数Vi有关。Vi越小，可用服务器就越多。
本发明在具体实施时需要根据从买方收到反馈信息对资源进行报价以达到当所有的卖方达到SE，所有的买方将会达到相应的SE。在时隙t中，定义卖方j给买方i的第r次报价为
Figure BDA0002989890420000212
当所有卖方的报价策略确定时，买方的SE解是
Figure BDA0002989890420000213
如果买方达到了SE解，卖方基于买方的计算要求调整价格策略；并且，卖方的价格更新速率能被表示为边际效用。因此，价格迭代过程可以表示为
Figure BDA0002989890420000214
其中，v价格迭代的步长，
Figure BDA0002989890420000215
为了得到第r+1次报价，每个卖方需要从买方收到反馈信息
Figure BDA0002989890420000216
和
Figure BDA0002989890420000217
对于每个买方，收益会随着报价的增加而增加，
Figure BDA0002989890420000218
是关于pij(t)的凸函数，这意味着，当
Figure BDA0002989890420000219
时，卖方不能进一步增加价格，因此，在所述约束下，卖方的价格将会达到SE。基于以上分析，当所有的卖方达到SE，所有的买方将会达到相应的SE。
如图3和图4所示为电池能量水平和分配的CPU频率随时隙变化的过程。主要仿真参数设置为：3个异构的MDs(V1＝100，V2＝300，V3＝600；γ1＝1500，γ1＝1000，γ1＝800)，最小放电量
Figure BDA00029898904200002110
最大放电量
Figure BDA00029898904200002111
任务处理权重因子ρi＝2，本地最小和最大CPU频率分别为
Figure BDA00029898904200002112
和
Figure BDA00029898904200002113
MEC服务器最小和最大CPU频率分别为
Figure BDA00029898904200002114
和fj max＝4GHz，时隙长度τ＝1s，价格更新步长ν＝5×105。
从图3可以看出，电池能量水平在长时间演进过程中达到了稳定，验证了该系统的可行性。从图4可以看出，由于MDs的需求和特性不同，不同的MDs被分配不同的CPU频率资源，实现了在异构用户的MEC环境中保证系统收益最大化的同时，实现计算资源的按需分配。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.基于能量收集的分布式任务卸载和计算资源的管理方法，其特征在于，包括以下步骤：
根据移动边缘计算环境，建立任务本地计算模型和边缘云计算模型；
获取设备向移动边缘计算服务器购买资源进行任务卸载的收益，并在设备端采用扰动李雅普诺夫优化理论以保证设备端电池能量水平及任务队列的稳定性，建立出设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数，表示为：
Figure FDA0003650293370000011
约束条件：
Figure FDA0003650293370000012
Figure FDA0003650293370000013
Figure FDA0003650293370000014
Figure FDA0003650293370000015
Figure FDA0003650293370000016
其中，Ii(t)＝{Ii0(t),Ii1(t),...,Iin(t)}为第i个移动设备任务卸载策略的集合，Ii0(t)表示第i个设备在本地的卸载策略；Iij(t)表示第i个设备卸载到第j个移动边缘计算服务的卸载策略，j∈{1,2,...,n}；bi(t)＝{bi0(t),bi1(t),...,bin(t)}为第i个移动设备处理任务量策略的集合，bi0(t)为第i个移动设备在本地的处理任务量策略，bij(t)为第i个移动设备卸载到第j个移动边缘计算服务的处理任务量策略；Ubi(t)为第i个移动设备基于扰动李雅普诺夫优化的设备端收益最大化的目标函数，Vi为第i个移动设备的非负可控参数，ubi(t)为第i个移动设备的最大化收益函数，Qi(t)表示时隙t中第i个移动设备到达的任务队列积压，
Figure FDA0003650293370000017
为时隙t第i个移动设备已处理的任务量总和，ai(t)表示时隙t中第i个移动设备到达的任务量，
Figure FDA0003650293370000021
为第i个移动设备电池的虚拟能量队列，
Figure FDA0003650293370000022
为第i个移动设备在时隙t的总能耗，
Figure FDA0003650293370000023
为时隙t第i个移动设备充电到电池的能量，δi(t)表示在时隙t中第i个移动设备收集的能量，
Figure FDA0003650293370000024
为第i个移动设备在每个时隙电池放电量的最小值，
Figure FDA0003650293370000025
为第i个移动设备在每个时隙电池放电量的最大值，Bi(t)在时隙t开始时第i个移动设备i的电池能量水平，
Figure FDA0003650293370000026
为第i个移动设备在本地处理或者卸载到第
Figure FDA0003650293370000027
个移动边缘计算服务器的任务量，其中
Figure FDA0003650293370000028
M为移动设备的集合，N为移动边缘计算服务器的集合，
Figure FDA0003650293370000029
为本地或第
Figure FDA00036502933700000210
个移动边缘计算服务器CPU最小频率值，
Figure FDA00036502933700000211
为本地或第
Figure FDA00036502933700000212
个移动边缘计算服务器为第i个移动设备分配的CPU频率值，
Figure FDA00036502933700000213
为本地或第
Figure FDA00036502933700000214
个移动边缘计算服务器CPU最大频率值，T为每个时隙的时隙索引；
获取移动边缘计算服务器为设备端提供计算服务的收益，建立移动边缘计算服务器最大化收益的目标函数；
根据设备端的任务积压、电池能量水平以及移动边缘计算服务器端的报价，建立移动边缘计算服务器预筛选准则，设备根据预筛选准则，预选择移动边缘计算服务器进行任务的卸载；
设备端基于扰动李雅普诺夫优化的设备端收益最大化问题，在各个时隙内，利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略；
移动边缘计算服务器根据买方向所选择的移动边缘计算服务器卸载的最优任务量策略，基于移动边缘计算服务器最大化收益问题，获得各个时隙内移动边缘计算服务器对设备端的最优报价策略；
设备端向所选择的移动边缘计算服务器卸载的最优任务量策略，且移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解，那么设备按照最优任务卸载策略向移动边缘计算服务器进行任务卸载。
2.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法，其特征在于，在设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数中，当且仅当
Figure FDA0003650293370000031
第i个移动设备能够在本地计算，如果第i个移动设备可以在本地计算任务，最优的本地执行策略表示为：
Figure FDA0003650293370000032
其中，
Figure FDA0003650293370000033
为最优的本地执行策略；
Figure FDA0003650293370000034
Figure FDA0003650293370000035
为第i个移动设备电池的虚拟能量队列，ki为与第i个移动设备芯片架构相关的有效能量系数，τ为每个时隙的时隙长度，Vi为非负可控参数，Qi(t)表示时隙t中第i个移动设备到达的任务队列积压，ρi为第i个移动设备收益权重因子；
Figure FDA0003650293370000036
γi为通过离线测量获得的计算密度。
3.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法，其特征在于，移动边缘计算服务器最大化收益的目标函数表示为：
Figure FDA0003650293370000037
约束条件：pji(t)≥0，i∈M，t∈T
其中，Ij(t)＝{I1j(t),I2j(t),...,Imj(t)}为所有移动设备与第j个移动边缘计算服务器相关任务卸载策略指标的集合，pj(t)＝{p1j(t),p2j(t),...,pmj(t)}为时隙t中第j个移动边缘计算服务器对所有移动设备的报价的集合，pij(t)为第j个移动边缘计算服务器对第i个移动设备的报价，i∈{1,2,...,m}；fj(t)＝{f1j(t),f2j(t),...,fmj(t)}为第j个移动边缘计算服务器对所有移动设备分配的CPU频率值的集合，fij(t)为第j个移动边缘计算服务器对第i个移动设备分配的CPU频率值；
Figure FDA0003650293370000038
为第j个移动边缘计算服务器最大化收益函数，sji(t)为第j个服务器为第i个移动设备处理任务所获得的收益，ψj为第j个移动边缘计算服务器的单位能量成本，
Figure FDA0003650293370000039
为第j个移动边缘计算服务器处理第i个移动设备的任务的能耗，m为移动设备集合中移动设备的数量。
4.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法，其特征在于，设备根据预筛选准则，预选择移动边缘计算服务器进行任务的卸载包括：
当且仅当
Figure FDA0003650293370000041
时，移动设备可以将任务卸载到移动边缘计算服务器j；否则，移动边缘计算服务器j将会被排除；
对于第i个移动设备，当
Figure FDA0003650293370000042
时，当且仅当移动边缘计算服务器j的报价满足
Figure FDA0003650293370000043
时，移动设备可以将任务卸载到移动边缘计算服务器j；否则，移动边缘计算服务器j将会被排除；
其中，
Figure FDA0003650293370000044
为每个时隙最小的卸载任务；
Figure FDA0003650293370000045
为每一时隙最大的卸载任务；bij(t)为第i个移动设备卸载到第j个移动边缘计算服务器的任务量，
Figure FDA0003650293370000046
为第i个移动设备卸载到第j个移动边缘计算服务器的最小任务量，pij(t)为第j个移动边缘计算服务器对第i个移动设备的报价，ρi为第i个移动设备收益权重因子，
Figure FDA0003650293370000047
为在时隙t从第i个移动设备到第j个移动边缘计算服务器的单位通信成本，Qi(t)为第i个移动设备的任务队列积压，
Figure FDA0003650293370000048
为第i个移动设备电池的虚拟能量队列，Pi为第i个移动设备在时隙t中的传输功率，ri为第i个移动设备的传输速率，Vi为非负可控参数。
5.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法，其特征在于，设备端基于扰动李雅普诺夫优化的设备端收益最大化问题，在各个时隙内，利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略，即各个时隙内移动边缘计算服务器对设备端的最优报价策略表示为：
Figure FDA0003650293370000051
其中，p* ji(t)为各个时隙内移动边缘计算服务器对设备端的最优报价策略，ρi为第i个移动设备收益权重因子，
Figure FDA0003650293370000052
为在t时隙移动设备i利用移动边缘计算服务器进行卸载的最优卸载任务量，ψj为第j个移动边缘计算服务器的单位能量成本，kj为与第j个移动边缘计算服务器芯片架构相关有效能量系数，γi为通过离线测量获得的计算密度，τ为每个时隙的时隙长度。
6.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法，其特征在于，在t时隙移动设备i利用移动边缘计算服务器进行卸载的最优卸载任务量
Figure FDA0003650293370000053
表示为：
Figure FDA0003650293370000054
其中，
Figure FDA0003650293370000055
pij(t)为第j个移动边缘计算服务器对第i个移动设备的报价，Qi(t)为第i个移动设备的任务队列积压，Vi为非负可控参数，
Figure FDA0003650293370000056
为在时隙t从第i个移动设备到第j个移动边缘计算服务器的单位通信成本，
Figure FDA0003650293370000057
为第i个移动设备电池的虚拟能量队列，Pi为时隙t中的传输功率，ri为第i个移动设备的任务传输速率；
Figure FDA0003650293370000058
和
Figure FDA0003650293370000059
为能量约束条件下最小和最大的卸载任务量。
7.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法，其特征在于，判断移动边缘计算服务器对设备端的最优动态报价策略是否满足斯坦克尔伯格均衡解，即如果移动边缘计算器的价格确定，满足：
Figure FDA00036502933700000510
同时卸载任务bij(t)确定，满足：
Figure FDA0003650293370000061
则移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解；
其中，
Figure FDA0003650293370000062
为卸载任务量是
Figure FDA0003650293370000063
时第i个移动设备的收益值，
Figure FDA0003650293370000064
为第i个移动设备卸载到第j个移动边缘计算服务器任务量的斯坦克尔伯格均衡解，
Figure FDA0003650293370000065
为最小卸载任务量，
Figure FDA0003650293370000066
最大卸载任务量；
Figure FDA0003650293370000067
为报价是
Figure FDA0003650293370000068
时第j个移动边缘计算服务器的收益值，
Figure FDA0003650293370000069
为第j个移动边缘计算服务器对第i个移动设备报价的斯坦克尔伯格均衡解，
Figure FDA00036502933700000610
为移动设备i卸载到移动边缘计算服务器j的成本价格；
Figure FDA00036502933700000611
为卸载任务量是bij(t)时第i个移动设备的收益值，bij(t)为第i个移动设备卸载到第j个移动边缘计算服务器任务量；
Figure FDA00036502933700000612
为卸载任务量是pij(t)时第i个移动设备的收益值，pij(t)为第i个移动设备卸载到第j个移动边缘计算服务器任务量的报价。
8.根据权利要求7所述的基于能量收集的分布式任务卸载和计算资源的管理方法，其特征在于，移动设备i通过移动边缘计算服务器j卸载的成本价格
Figure FDA00036502933700000613
表示为：
Figure FDA00036502933700000614
其中，ψj为第j个移动边缘计算服务器的单位能量成本，kj为与第j个移动边缘计算服务器芯片架构相关的有效能量系数，
Figure FDA00036502933700000615
为第i个移动设备卸载到第j个移动边缘计算服务器的最优任务量，γi为通过离线测量获得的计算密度，τ为每个时隙的时隙长度。
CN202110312344.6A 2021-03-24 2021-03-24 基于能量收集的分布式任务卸载和计算资源的管理方法 Active CN113114733B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110312344.6A CN113114733B (zh) 2021-03-24 2021-03-24 基于能量收集的分布式任务卸载和计算资源的管理方法
PCT/CN2021/128685 WO2022199036A1 (zh) 2021-03-24 2021-11-04 基于能量收集的分布式任务卸载和计算资源的管理方法
US17/909,374 US11956307B1 (en) 2021-03-24 2021-11-04 Distributed task offloading and computing resources management method based on energy harvesting

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110312344.6A CN113114733B (zh) 2021-03-24 2021-03-24 基于能量收集的分布式任务卸载和计算资源的管理方法

Publications (2)

Publication Number Publication Date
CN113114733A CN113114733A (zh) 2021-07-13
CN113114733B true CN113114733B (zh) 2022-07-08

Family

ID=76710566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110312344.6A Active CN113114733B (zh) 2021-03-24 2021-03-24 基于能量收集的分布式任务卸载和计算资源的管理方法

Country Status (3)

Country Link
US (1) US11956307B1 (zh)
CN (1) CN113114733B (zh)
WO (1) WO2022199036A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113114733B (zh) * 2021-03-24 2022-07-08 重庆邮电大学 基于能量收集的分布式任务卸载和计算资源的管理方法
CN113810233B (zh) * 2021-09-17 2022-10-18 重庆邮电大学 一种在随机网络中基于算网协同的分布式计算卸载方法
CN114143317B (zh) * 2021-12-06 2022-10-18 云南大学 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法
CN114650568A (zh) * 2022-03-18 2022-06-21 重庆邮电大学 一种移动Ad Hoc云中基于能量收集的分布式卸载方法
CN115843070B (zh) * 2023-02-23 2023-06-16 山东省计算中心（国家超级计算济南中心） 基于能量收集技术的海洋传感网络计算卸载方法及系统
CN116321297B (zh) * 2023-03-13 2024-01-02 广州爱浦路网络技术有限公司 基于新一代核心网的计算任务卸载方法及系统
CN116307333B (zh) * 2023-05-17 2023-08-08 华侨大学 一种城际定制客运的往返线路和时刻表的获取方法及装置
CN117804490B (zh) * 2024-02-28 2024-05-17 四川交通职业技术学院 一种车辆运行路线的综合规划方法及装置

Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122249A (zh) * 2017-05-10 2017-09-01 重庆邮电大学 一种基于边缘云定价机制的任务卸载决策方法
EP3328035A1 (en) * 2016-11-28 2018-05-30 Tata Consultancy Services Limited System and method for offloading robotic functions to network edge augmented clouds
WO2018111475A1 (en) * 2016-12-12 2018-06-21 Intel Corporation Offload computing protocol
CN108243246A (zh) * 2017-12-25 2018-07-03 北京市天元网络技术股份有限公司 一种边缘计算资源调度方法、边缘设备及系统
EP3343392A1 (en) * 2016-12-31 2018-07-04 INTEL Corporation Hardware accelerator architecture and template for web-scale k-means clustering
WO2018125250A1 (en) * 2016-12-31 2018-07-05 Intel Corporation Systems, methods, and apparatuses for heterogeneous computing
CN108541027A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种基于边缘云网络的通信计算资源置换方法
CN108809695A (zh) * 2018-04-28 2018-11-13 国网浙江省电力有限公司电力科学研究院 一种面向移动边缘计算的分布上行链路卸载策略
CN108809723A (zh) * 2018-06-14 2018-11-13 重庆邮电大学 一种边缘服务器联合任务卸载及卷积神经网络层调度方法
CN108880893A (zh) * 2018-06-27 2018-11-23 重庆邮电大学 一种移动边缘计算服务器联合能量收集及任务卸载方法
CN109362064A (zh) * 2018-09-14 2019-02-19 重庆邮电大学 在移动边缘计算网络中基于mec的任务缓存分配策略
CN109510869A (zh) * 2018-11-22 2019-03-22 北京信息科技大学 一种基于边缘计算的物联网服务动态卸载方法及装置
CN109618399A (zh) * 2018-12-26 2019-04-12 东华大学 多用户移动边缘计算系统中的分布式能量管理优化方法
CN109639833A (zh) * 2019-01-25 2019-04-16 福建师范大学 一种基于无线城域网微云负载均衡的任务调度方法
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
CN109922479A (zh) * 2019-01-11 2019-06-21 西安电子科技大学 一种基于时延预估的计算任务卸载方法
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN110099384A (zh) * 2019-04-25 2019-08-06 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN110149401A (zh) * 2019-05-22 2019-08-20 湖南大学 一种用于优化边缘计算任务的方法和系统
CN110287034A (zh) * 2019-07-04 2019-09-27 重庆大学 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法
CN110377353A (zh) * 2019-05-21 2019-10-25 湖南大学 计算任务卸载系统与方法
CN110580199A (zh) * 2019-09-16 2019-12-17 重庆大学 边缘计算环境下基于粒子群的服务迁移方法
CN110809291A (zh) * 2019-10-31 2020-02-18 东华大学 基于能量采集设备的移动边缘计算系统双层负载平衡方法
CN110839075A (zh) * 2019-11-08 2020-02-25 重庆大学 边缘计算环境下基于粒子群的服务迁移方法
CN110928654A (zh) * 2019-11-02 2020-03-27 上海大学 一种边缘计算系统中分布式的在线任务卸载调度方法
CN111124647A (zh) * 2019-12-25 2020-05-08 大连理工大学 一种车联网中的智能边缘计算方法
CN111163521A (zh) * 2020-01-16 2020-05-15 重庆邮电大学 移动边缘计算中一种分布式异构环境下的资源分配方法
CN111262940A (zh) * 2020-01-17 2020-06-09 中南大学 一种车载边缘计算应用缓存方法、装置及系统
CN111401744A (zh) * 2020-03-17 2020-07-10 重庆邮电大学 一种移动边缘计算中不确定性环境下的动态任务卸载方法
CN111726854A (zh) * 2020-04-24 2020-09-29 浙江工业大学 一种降低物联网计算卸载能耗的方法
CN111865648A (zh) * 2019-04-30 2020-10-30 英特尔公司 用于在边缘环境中执行工作负荷的方法和设备

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10397829B2 (en) * 2015-12-03 2019-08-27 The Trustees Of The Stevens Institute Of Technology System apparatus and methods for cognitive cloud offloading in a multi-rat enabled wireless device
US10372507B2 (en) * 2016-12-31 2019-08-06 Intel Corporation Compute engine architecture to support data-parallel loops with reduction operations
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
FR3081278A1 (fr) * 2018-05-18 2019-11-22 Orange Procede distribue d'allocation de ressources de transmission a des terminaux d2d dans un reseau d'acces cellulaire.
CN109857546B (zh) * 2019-01-03 2021-02-02 武汉理工大学 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
CN109885397B (zh) * 2019-01-15 2023-04-07 长安大学 一种边缘计算环境中时延优化的负载任务迁移算法
CN109951821B (zh) * 2019-02-26 2022-03-11 重庆邮电大学 基于移动边缘计算的最小化车辆能耗任务卸载方案
CN110475224B (zh) * 2019-07-01 2022-03-11 南京邮电大学 一种基于边缘计算的传感器数据处理与协同预测方法
US11487579B2 (en) * 2020-05-05 2022-11-01 Adobe Inc. System and method for resource scaling for efficient resource management
CN111431941B (zh) * 2020-05-13 2021-08-27 南京工业大学 一种基于移动边缘计算的实时视频码率自适应方法
CN112148380B (zh) * 2020-09-16 2022-04-12 鹏城实验室 一种移动边缘计算任务卸载中的资源优化方法及电子设备
US11200989B1 (en) * 2021-01-19 2021-12-14 International Business Machines Corporation Aperiodic data driven cognitive control system
CN113114733B (zh) * 2021-03-24 2022-07-08 重庆邮电大学 基于能量收集的分布式任务卸载和计算资源的管理方法

Patent Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3328035A1 (en) * 2016-11-28 2018-05-30 Tata Consultancy Services Limited System and method for offloading robotic functions to network edge augmented clouds
WO2018111475A1 (en) * 2016-12-12 2018-06-21 Intel Corporation Offload computing protocol
EP3343392A1 (en) * 2016-12-31 2018-07-04 INTEL Corporation Hardware accelerator architecture and template for web-scale k-means clustering
WO2018125250A1 (en) * 2016-12-31 2018-07-05 Intel Corporation Systems, methods, and apparatuses for heterogeneous computing
CN107122249A (zh) * 2017-05-10 2017-09-01 重庆邮电大学 一种基于边缘云定价机制的任务卸载决策方法
CN108243246A (zh) * 2017-12-25 2018-07-03 北京市天元网络技术股份有限公司 一种边缘计算资源调度方法、边缘设备及系统
CN108541027A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种基于边缘云网络的通信计算资源置换方法
CN108809695A (zh) * 2018-04-28 2018-11-13 国网浙江省电力有限公司电力科学研究院 一种面向移动边缘计算的分布上行链路卸载策略
CN108809723A (zh) * 2018-06-14 2018-11-13 重庆邮电大学 一种边缘服务器联合任务卸载及卷积神经网络层调度方法
CN108880893A (zh) * 2018-06-27 2018-11-23 重庆邮电大学 一种移动边缘计算服务器联合能量收集及任务卸载方法
CN109362064A (zh) * 2018-09-14 2019-02-19 重庆邮电大学 在移动边缘计算网络中基于mec的任务缓存分配策略
CN109510869A (zh) * 2018-11-22 2019-03-22 北京信息科技大学 一种基于边缘计算的物联网服务动态卸载方法及装置
CN109618399A (zh) * 2018-12-26 2019-04-12 东华大学 多用户移动边缘计算系统中的分布式能量管理优化方法
CN109922479A (zh) * 2019-01-11 2019-06-21 西安电子科技大学 一种基于时延预估的计算任务卸载方法
CN109639833A (zh) * 2019-01-25 2019-04-16 福建师范大学 一种基于无线城域网微云负载均衡的任务调度方法
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
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN110099384A (zh) * 2019-04-25 2019-08-06 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN111865648A (zh) * 2019-04-30 2020-10-30 英特尔公司 用于在边缘环境中执行工作负荷的方法和设备
CN110377353A (zh) * 2019-05-21 2019-10-25 湖南大学 计算任务卸载系统与方法
CN110149401A (zh) * 2019-05-22 2019-08-20 湖南大学 一种用于优化边缘计算任务的方法和系统
CN110287034A (zh) * 2019-07-04 2019-09-27 重庆大学 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法
CN110580199A (zh) * 2019-09-16 2019-12-17 重庆大学 边缘计算环境下基于粒子群的服务迁移方法
CN110809291A (zh) * 2019-10-31 2020-02-18 东华大学 基于能量采集设备的移动边缘计算系统双层负载平衡方法
CN110928654A (zh) * 2019-11-02 2020-03-27 上海大学 一种边缘计算系统中分布式的在线任务卸载调度方法
CN110839075A (zh) * 2019-11-08 2020-02-25 重庆大学 边缘计算环境下基于粒子群的服务迁移方法
CN111124647A (zh) * 2019-12-25 2020-05-08 大连理工大学 一种车联网中的智能边缘计算方法
CN111163521A (zh) * 2020-01-16 2020-05-15 重庆邮电大学 移动边缘计算中一种分布式异构环境下的资源分配方法
CN111262940A (zh) * 2020-01-17 2020-06-09 中南大学 一种车载边缘计算应用缓存方法、装置及系统
CN111401744A (zh) * 2020-03-17 2020-07-10 重庆邮电大学 一种移动边缘计算中不确定性环境下的动态任务卸载方法
CN111726854A (zh) * 2020-04-24 2020-09-29 浙江工业大学 一种降低物联网计算卸载能耗的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"SP-130333_Draft_Rep_SA_60_v005_rm ".《3GPP tsg_sa\TSG_SA》.2013, *
Wireless_Powered_Mobile_Edge_Computing_Dynamic_Resource_Allocation_and_Throughput_Maximization;Xiumei Deng,;《IEEE XPLORE》;20201028;全文 *
基于混合能量收集的移动边缘计算系统资源分配策略;陈加法;《重庆邮电大学学报》;20210315;全文 *
移动边缘计算中分布式异构任务卸载算法;夏士超;《电子与信息学报》;20201230;全文 *

Also Published As

Publication number Publication date
US11956307B1 (en) 2024-04-09
CN113114733A (zh) 2021-07-13
WO2022199036A1 (zh) 2022-09-29
US20240129363A1 (en) 2024-04-18

Similar Documents

Publication Publication Date Title
CN113114733B (zh) 基于能量收集的分布式任务卸载和计算资源的管理方法
CN111163521B (zh) 移动边缘计算中一种分布式异构环境下的资源分配方法
Xia et al. Online distributed offloading and computing resource management with energy harvesting for heterogeneous MEC-enabled IoT
CN111163519B (zh) 系统收益最大化的无线体域网资源分配与任务卸载方法
Zhang et al. Near-optimal and truthful online auction for computation offloading in green edge-computing systems
CN111641973B (zh) 一种雾计算网络中基于雾节点协作的负载均衡方法
CN109922152B (zh) 一种移动边缘计算中的计算卸载方法及系统
Zhang et al. Online auctions in IaaS clouds: Welfare and profit maximization with server costs
CN111401744B (zh) 一种移动边缘计算中不确定性环境下的动态任务卸载方法
CN107295109A (zh) 自组织网络云计算中的任务卸载与功率分配联合决策方法
CN113810233B (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN111262944B (zh) 异构移动边缘计算网络中分层任务卸载的方法与系统
CN114126066B (zh) 面向mec的服务器资源配置与选址联合优化决策方法
CN113238847B (zh) 基于分散式网络环境下可分任务的分发和调度方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
Chen et al. Dynamic pricing for smart mobile edge computing: A reinforcement learning approach
Liao et al. An intelligent computation demand response framework for IIoT-MEC interactive networks
Li et al. Computation offloading and service allocation in mobile edge computing
CN106779283A (zh) 一种SLA保障QoS期望的云计算服务收益方法
Sahoo et al. An auction based edge resource allocation mechanism for IoT-enabled smart cities
Benblidia et al. A game based power allocation in cloud computing data centers
Li et al. Nonlinear online incentive mechanism design in edge computing systems with energy budget
CN114650568A (zh) 一种移动Ad Hoc云中基于能量收集的分布式卸载方法
Tütüncüoğlu et al. Optimal pricing for service caching and task offloading in edge computing
Zu et al. An auction-based mechanism for task offloading in fog networks

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