CN113207150B - 一种基于背向散射通信的主被动混合卸载方法和装置 - Google Patents

Abstract

本发明公开了一种基于背向散射通信的主被动混合卸载方法和装置，属于无线通信技术领域，所述方法包括：S1：建立移动边缘计算系统模型；S2：确立基站和用户设备之间的匹配关系；S3：获取各个用户设备在无线能量传输过程收集的能量；S4：获取每个用户设备进行本地计算的能耗和所需时间，其中，本地计算与主被动卸载过程并行；S5：计算每个用户设备进行主被动卸载过程的能耗和传输时延；S6：设定包括时延、传输功率、任务分配的通信限制条件，并基于S4和S5最小化用户设备的总能耗，得到各个用户设备的最优卸载策略。本发明充分利用背向散射传输低功耗的特点，能够延长用户设备的使用寿命，提高了移动边缘计算网络的运转性能。

Description

一种基于背向散射通信的主被动混合卸载方法和装置

技术领域

本发明属于无线通信技术领域，更具体地，涉及一种基于背向散射通信的主被动混合卸载方法和装置。

背景技术

随着物联网和5G技术的快速发展，未来的无线网络将连接数以亿计的终端用户设备，其中包括无线传感器、智能摄像头、可穿戴电子用户设备和车载通信器等。与此同时，用户设备也需要支持越来越多低延时、高计算需求的新型应用任务，如脸部识别、虚拟现实。而这类应用程序往往会消耗大量的能量，使用户设备的电池寿命严重缩减。再加上用户设备的物理尺寸限制，其计算能力和电量十分有限，导致响应时间变长，成为用户体验质量的瓶颈，从而阻碍新型应用任务的发展。由此可见，资源需求紧张的应用任务和资源受限的用户设备之间的矛盾给未来移动平台的发展带来了巨大的挑战。

为了提供与实时上下文兼容的快速服务交付，欧洲电信标准协会引入移动边缘计算(Mobile Edge Computing，MEC)了这一概念：移动边缘计算在移动网络的边缘、无线接入网的内部以及移动用户的近处提供了一个IT服务环境以及云计算能力。相比于云计算，移动边缘计算离用户的距离更近，可以在数据源附近完成任务，而无需通过核心网络将数据集中传输至远程云中心，避免了云计算范式中网络拥塞和高通信延迟的问题。

另一方面，传统电池供电的小型用户设备电量有限，当电量即将耗尽时，可能不足以支撑主动传输方式下的任务卸载过程，因此无法利用MEC服务器提供的服务。尽管这个问题可以通过采用更大的电池或更换电池来解决，但大容量电池意味着花费更高的硬件成本，频繁更换电池则需要消耗大量的人力物力。背向散射通信(BackscatterCommunication)作为一种微瓦级超低功耗的通信技术，通过调整天线负载阻抗来反射环境中的无线信号，以实现信息传输。因此，采用主被动混合的方式进行数据卸载，可以有效解决用户设备的能耗问题，进一步延长用户设备的使用寿命。

现有研究较多考虑主动传输方式卸载数据的优化问题，而仅有的少量主被动混合卸载优化研究只考虑了单个基站的情况，且未从用户角度出发降低设备自身能耗，无法解决实际场景下多基站存在时用户设备的最优卸载问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于背向散射通信的主被动混合卸载方法和装置，以最小化系统中的用户设备总能耗为目标，确定主被动混合卸载的最优策略，其中包括每个用户设备的任务划分方案、与基站的匹配选择及主动传输的发射功率，进而解决用户设备工作寿命短的问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于背向散射通信的主被动混合卸载方法，包括：

S1：建立移动边缘计算系统模型，定义基站集合为ε＝{1，2，...，s，...，M}，用户设备集合为

基站和用户设备分别用s和k表示；

S2：确立基站和用户设备之间的匹配关系，匹配的基站s为对应的用户设备k提供携带能量的射频信号，且用户设备k通过主被动混合方式将待卸载的任务传输至基站s连接的MEC服务器上；

S3：获取各个用户设备在无线能量传输过程收集的能量；

S4：获取每个用户设备进行本地计算的能耗和所需时间，其中，本地计算与主被动卸载过程并行；

S5：计算每个用户设备进行主被动卸载过程的能耗和传输时延；

S6：设定包括时延、传输功率、任务分配的通信限制条件，并基于S4和S5最小化所有用户设备的总能耗，得到各个用户设备的最优卸载策略，所述最优卸载策略包括：任务划分方案、与基站的匹配选择及主动传输的发射功率。

在其中一个实施例中，所述步骤S2包括：

基站s为其覆盖范围内的多个用户设备提供服务，一个用户设备仅与一个基站连接；当用户设备k在基站s的覆盖范围内且处于基站s的非重叠区域，用户设备k直接与基站s匹配，即x_ks＝1；

当用户设备k处于基站s重叠区域，则根据基站s非重叠区域的用户设备的连接数建立初始匹配，即处于多个基站重叠区域的用户设备通过比较可选基站的非重叠区域的用户连接数进行匹配选择，优先选择连接数较少的基站进行匹配，同等条件下，则选择信道质量条件更好的基站；

对于任意用户设备k满足

x_ks表示基站s与用户设备k之间的连接匹配结果，x_ks＝1表示基站s和用户设备k匹配，x_ks＝0则表示基站s和用户设备k未建立匹配关系。

在其中一个实施例中，所述步骤S3包括：

在一个时隙T的第一阶段τ₀内，各基站以固定发射功率为与之匹配的用户设备提供携带能量的射频信号，同时用户设备收集用于后续的数据处理及卸载的能量。

在其中一个实施例中，所述步骤S4包括：

本地计算的能耗和时间由划分的数据量l_k确定，其中，本地计算的在时隙T内完成；

其中，l_k＝A_k-L_a，k-L_b，k，L_a，k为主动传输的数据量，L_b，k为背向散射通信的数据量，A_k为用户设备k产生的任务数据量。

在其中一个实施例中，所述步骤S5包括：

连接至同一基站的用户设备依次将数据通过主被动混合方式卸载到MEC服务器上并计算每个用户设备进行主被动卸载过程的能耗；

根据信道条件、用户设备发射功率及任务划分方案计算用户设备k的主被动混合方式的卸载时延为：

其中，τ_a，ks和τ_b，ks表示用户设备k主动和背向散射通信的传输时延；P_ks为用户设备k的发射功率，h_ks和g_ks分别为用户设备k和相匹配的基站s之间的上行和下行信道增益，W为信道带宽，σ²为高斯白噪声的功率，α为背向散射通信的反射系数。

在其中一个实施例中，所述步骤S6包括：

设定包括时延、传输功率、任务分配的通信限制条件；

通过优化用户设备k的任务划分方案L_a，k和L_b，k、发射功率P_ks及与基站s的匹配结果x_ks来最小化所有用户设备的总能耗；

用户设备k的最大发射功率为P_k，max，连接到同一基站的各个用户设备的无线能量传输τ₀和总卸载时间不能超过T，即对于任意的基站s需满足

τ_a，ks和τ_b，ks表示用户设备k主动和背向散射通信的传输时延，x_ks表示基站s与用户设备k之间的连接匹配结果。

在其中一个实施例中，所述步骤S6中最小化系统中所有用户设备的总能耗

由于背向散射通信过程的能耗忽略不计，因此用户设备的能耗主要包括本地计算和主动卸载两部分；在一个时隙T内，通过本地计算和主被动混合卸载完成用户设备k产生的任务数据量A_k，用户设备的CPU处理频率为f_k，CPU的能耗系数为β，

为计算每比特数据所需要的CPU周期数，L_a，L_b，P分别为所有用户设备的主动传输任务量、背向散射通信任务量和发射功率组成的向量。

按照本发明的另一方面，提供了一种基于背向散射通信的主被动混合卸载装置，包括：

建立模块，用于建立移动边缘计算系统模型，定义基站集合为ε＝{1，2，...，s，...，M}，用户设备集合为

基站和用户设备分别用s和k表示；

确立模块，用于确立基站和用户设备之间的匹配关系，匹配的基站s为对应的用户设备k提供携带能量的射频信号，且用户设备k通过主被动混合方式将待卸载的任务传输至基站s连接的MEC服务器上；

获取模块，用于获取各个用户设备在无线能量传输过程收集的能量；

确定模块，用于获取每个用户设备进行本地计算的能耗和所需时间，其中，本地计算与主被动卸载过程并行；

计算模块，用于计算每个用户设备进行主被动卸载过程的能耗和传输时延；

处理模块，用于设定包括时延、传输功率、任务分配的通信限制条件，并基于确定模块和计算模块获取的参数最小化用户设备的总能耗，得到各个用户设备的最优卸载策略，所述最优卸载策略包括：任务划分方案、与基站的匹配选择及主动传输的发射功率。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明构建的主被动混合卸载的优化模型中的目标函数是最小化系统中用户设备的总能耗，约束条件中的各基站的时间分配约束是基于无限能量传输时间和用户设备主被动混合卸载任务量建立，充分利用了背向散射传输低功耗的特点，与现有的主动传输卸载方案相比，进一步延长了用户设备的使用寿命，提高了移动边缘计算网络的运转性能。

(2)本发明考虑位于基站重叠区域内的用户设备的匹配选择问题，较所有用户设备采用随机匹配方式的研究而言，更符合实际，且有利于系统能耗性能达到最优。

附图说明

图1是本发明提供的用户设备主被动混合卸载方法的环境应用图；

图2是本发明提供的用户设备主被动混合卸载过程的时间分配示意图；

图3是本发明提供的用户设备主被动混合卸载方法的流程图；

图4是本发明提供的用户设备主被动混合卸载装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1和图3所示，本发明提出一种基于背向散射通信的多基站多用户主被动混合卸载方法及系统。系统中包含M个基站和N个用户设备，在一个时隙T内研究多基站多用户主被动混合卸载优化问题，包括：

(1)建立移动边缘计算的系统模型。

定义基站集合为ε＝{1，2，...，s，...，M}，用户设备集合为

每个基站和用户设备分别用s和k表示，其中，在主被动混合卸载系统的一个时隙T内，用户设备k产生的任务数据量表示为A_k，该任务是可分的，且要求在时隙T内通过本地计算和主被动混合卸载完成，用户设备的CPU处理频率为f_k，CPU的能耗系数为β，

为计算每比特数据所需要的CPU周期数。

具体地，多个基站工作的频段不同，所有基站并行工作、互不干扰，可以同时进行无线能量传输及数据的接收与处理。如图2所示，在用户设备主被动混合卸载系统的一个时隙T内，基站提供无线能量传输的时间占τ₀。由于MEC服务器的处理能力远大于用户设备，加上最终计算结果的数据量大小与输入数据相比极小，且下行信道的信道带宽远大于上行信道，因此，MEC服务器的计算时间与计算结果的回传时间可忽略不计，连接至同一个基站的用户设备用于卸载的总时间为T-τ₀。

具体地，用户设备一般是单天线的，工作在半双工模式，无法同时进行无线能量收集和数据卸载过程，但本地计算模块不受此影响。一个用户设备至多连接一个基站，而一个基站可为多个用户设备提供服务，连接至同一基站的用户设备共享基站及对应MEC服务器的资源。

(2)基站和用户设备确定匹配关系。

基站的服务范围是有限的，只能为其覆盖范围内的用户设备提供服务。而相邻基站的覆盖区域通常重叠，位于重叠区域的用户设备面临多种连接选择。随机连接难以使网络的性能达到最优，因此，综合考虑整个网络的工作状态择优匹配，不仅能使用户设备的计算任务高效地完成，还能进一步最大化网络效益。

具体地，基站s可以为其覆盖范围内的多个用户设备提供服务，而一个用户设备最多连接一个基站，即对于任意用户k需满足

其中，x_ks表示基站与用户设备之间的连接匹配，x_ks＝1表示基站s和用户设备k匹配，x_ks＝0则表示二者未建立匹配关系。若基站s和用户设备k匹配，基站s可为用户设备k提供携带能量的RF射频信号，而用户设备k可通过主被动混合方式将待卸载的任务传输至基站s连接的MEC服务器上。

具体地，用户设备k在基站s的覆盖范围内且处于基站非重叠区域，用户设备k可直接与基站s匹配，即x_ks＝1。对于在基站重叠区域的用户设备而言，则根据基站非重叠区域的用户连接数建立初始匹配，即处于多个基站重叠区域的用户设备通过比较这些可选基站的非重叠区域的用户连接数进行匹配选择，用户优先选择连接数较少的基站进行匹配，同等条件下，则选择信道质量条件更好的基站。

(3)建模每个用户设备在无线能量传输过程收集的能量。在一个时隙T的第一阶段τ₀时间内，各基站以固定发射功率分别为与之匹配的用户设备提供携带能量的射频信号，用户设备可同时进行能量收集，该能量将用于后续的数据处理及卸载。

(4)建模每个用户设备进行本地计算的能耗和所需时间，其中，本地计算与主被动卸载过程并行。本地计算的能耗和时间由划分的任务量l_k＝A_k-L_a，k-L_b，k确定，其中，本地计算的在时隙T内完成即可，处理每比特数据所消耗的能量建模为

(5)建模每个用户设备进行主被动任务卸载的能耗和传输时延。

具体地，连接至同一基站的用户设备依次将数据通过主被动混合方式卸载到MEC服务器上，根据信道条件和用户设备发射功率，计算主被动卸载速率，再结合任务划分方案，最终得到用户设备k的主被动混合卸载时延为

其中，τ_a，ks和τ_b，ks表示用户设备k主动和背向散射通信的传输延时，进一步地，P_ks为用户设备发射功率，h_ks和g_ks分别为用户设备k和相匹配的基站s之间的上行和下行信道增益，W为信道带宽，σ²为高斯白噪声的功率，α为背向散射通信的反射系数。另外，主动传输的数据量为L_a，k，背向散射通信的数据量为L_b，k。

(6)建模系统的时延、传输功率、任务分配等限制条件，并基于最小化系统用户设备总能耗的优化目标确定卸载策略。

通过优化用户设备k的任务划分方案L_a，k和L_b，k、发射功率P_ks及与基站s的匹配连接选择x_ks，最小化系统中所有用户设备的总能耗

其中，每个用户设备的能耗包括本地计算能耗和主动传输卸载能耗两部分。用户设备k的最大发射功率为P_k，max，连接到同一基站的各个用户设备的无线能量传输和总卸载时间不能超过T，即对于任意的基站s需满足

根据步骤(4)～(5)中的参数最小化所有用户设备的总能耗，得到各个用户设备的最优卸载策略，其中包括每个用户设备的任务划分方案、与基站的匹配选择及主动传输的发射功率。

如图4所示，本发明还提供了一种基于背向散射通信的主被动混合卸载装置，包括：建立模块401、确立模块402、获取模块403、确定模块404、计算模块405和处理模块406。其中，建立模块401，用于建立移动边缘计算系统模型，定义基站集合为ε＝{1，2，...，s，...，M}，用户设备集合为

基站和用户设备分别用s和k表示；确立模块402，用于确立基站和用户设备之间的匹配关系，匹配的基站s为对应的用户设备k提供携带能量的射频信号，且用户设备k通过主被动混合方式将待卸载的任务传输至基站s连接的MEC服务器上；获取模块403，用于获取各个用户设备在无线能量传输过程收集的能量；确定模块404，用于获取每个用户设备进行本地计算的能耗和所需时间，其中，本地计算与主被动卸载过程并行；计算模块405，用于计算每个用户设备进行主被动卸载过程的能耗和传输时延；处理模块406，用于设定包括时延、传输功率、任务分配的通信限制条件，并基于确定模块和计算模块获取的参数最小化用户设备的总能耗，得到各个用户设备的最优卸载策略，最优卸载策略包括：任务划分方案、与基站的匹配选择及主动传输的发射功率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于背向散射通信的主被动混合卸载方法，其特征在于，包括：

S1：建立移动边缘计算系统模型，定义基站集合为ε＝{1，2，...，s，...，M}，用户设备集合为u＝{1，2，...，k，...，N}，基站和用户设备分别用s和k表示；

S2：确立基站和用户设备之间的匹配关系，匹配的基站s为对应的用户设备k提供携带能量的射频信号，且用户设备k通过主被动混合方式将待卸载的任务传输至基站s连接的MEC服务器上；

S3：获取各个用户设备在无线能量传输过程收集的能量；

S4：获取每个用户设备进行本地计算的能耗和所需时间，本地计算与主被动卸载过程并行；

S5：计算每个用户设备进行主被动卸载过程的能耗和传输时延；

S6：设定包括时延、传输功率、任务分配的通信限制条件，并基于S4和S5最小化所有用户设备的总能耗，以得到各个用户设备的最优卸载策略，所述最优卸载策略包括：任务划分方案、与基站的匹配选择及主动传输的发射功率；

所述通信限制条件中的

时延限制条件包括：连接到同一基站的各个用户设备的无线能量传输时间τ₀和总卸载时间不能超过时隙T；

传输功率限制条件包括：用户设备k的发射功率P_ks低于最大发射功率为P_k，max；

任务分配限制条件包括：用户设备k的任务量分配情况应满足L_a，k≥0，L_b，k≥0，0≤L_a，k+L_b，k≤A_k；L_a，k为主动传输的数据量，L_b，k为背向散射通信的数据量，A_k为用户设备k产生的任务数据量；

所述步骤S6包括：设定所述通信限制条件；通过优化用户设备k的任务划分方案L_a，k和L_b，k、发射功率P_ks及与基站s的匹配结果x_ks来最小化所有用户设备的总能耗

最小总功耗对应的任务划分方案L_a，k、L_b，k、发射功率P_ks及与基站s的匹配结果x_ks即为所述最优卸载策略，τ_a，ks表示用户设备k的主动传输时延；

其中，用户设备的能耗主要包括本地计算和主动卸载两部分；在一个时隙T内，通过本地计算和主被动混合卸载完成用户设备k产生的任务数据量A_k，用户设备的CPU处理频率为f_k，CPU的能耗系数为β，

为计算每比特数据所需要的CPU周期数，L_a，L_b，P分别为所有用户设备的主动传输任务量、背向散射通信任务量和发射功率组成的向量。

2.如权利要求1所述的基于背向散射通信的主被动混合卸载方法，其特征在于，所述步骤S2包括：

基站s为其覆盖范围内的多个用户设备提供服务，一个用户设备仅与一个基站连接；当用户设备k在基站s的覆盖范围内且处于基站s的非重叠区域，用户设备k直接与基站s匹配，即x_ks＝1；

当用户设备k处于基站s重叠区域，则根据基站s非重叠区域的用户设备的连接数建立初始匹配，即处于多个基站重叠区域的用户设备通过比较可选基站的非重叠区域的用户连接数进行匹配选择，优先选择连接数较少的基站进行匹配，同等条件下，则选择信道质量条件更好的基站；

对于任意用户设备k满足

x_ks表示基站s与用户设备k之间的连接匹配结果，x_ks＝1表示基站s和用户设备k匹配，x_ks＝0则表示基站s和用户设备k未建立匹配关系。

3.如权利要求1所述的基于背向散射通信的主被动混合卸载方法，其特征在于，所述步骤S3包括：

在一个时隙T的第一阶段τ₀内，各基站以固定发射功率为与之匹配的用户设备提供携带能量的射频信号，同时用户设备收集用于后续的数据处理及卸载的能量。

4.如权利要求1所述的基于背向散射通信的主被动混合卸载方法，其特征在于，所述步骤S4包括：

本地计算的能耗和时间由划分的数据量l_k确定，其中，本地计算的在时隙T内完成；其中，l_k＝A_k-L_a，k-L_b，k。

5.如权利要求4所述的基于背向散射通信的主被动混合卸载方法，其特征在于，所述步骤S5包括：

连接至同一基站的用户设备依次将数据通过主被动混合方式卸载到MEC服务器上并计算每个用户设备进行主被动卸载过程的能耗；

根据信道条件、用户设备发射功率及任务划分方案计算用户设备k的主被动混合方式的卸载时延为：

其中，τ_b，ks表示用户设备k背向散射通信的传输时延；P_ks为用户设备k的发射功率，h_ks和g_ks分别为用户设备k和相匹配的基站s之间的上行和下行信道增益，W为信道带宽，σ²为高斯白噪声的功率，α为背向散射通信的反射系数。

6.一种基于背向散射通信的主被动混合卸载装置，其特征在于，包括：

建立模块，用于建立移动边缘计算系统模型，定义基站集合为ε＝{1，2，...，s，...，M}，用户设备集合为u＝{1，2，...，k，...，N}，基站和用户设备分别用s和k表示；

确立模块，用于确立基站和用户设备之间的匹配关系，匹配的基站s为对应的用户设备k提供携带能量的射频信号，且用户设备k通过主被动混合方式将待卸载的任务传输至基站s连接的MEC服务器上；

获取模块，用于获取各个用户设备在无线能量传输过程收集的能量；

确定模块，用于获取每个用户设备进行本地计算的能耗和所需时间，本地计算与主被动卸载过程并行；

计算模块，用于计算每个用户设备进行主被动卸载过程的能耗和传输时延；

处理模块，用于设定包括时延、传输功率、任务分配的通信限制条件，并基于确定模块和计算模块获取的参数最小化用户设备的总能耗，以得到各个用户设备的最优卸载策略，所述最优卸载策略包括：任务划分方案、与基站的匹配选择及主动传输的发射功率；

所述通信限制条件中的：时延限制条件包括：连接到同一基站的各个用户设备的无线能量传输时间τ₀和总卸载时间不能超过时隙T；传输功率限制条件包括：用户设备k的发射功率P_ks低于最大发射功率为P_k，max；任务分配限制条件包括：用户设备k的任务量分配情况应满足L_a，k≥0，L_b，k≥0，0≤L_a，k+L_b，k≤A_k；，L_a，k为主动传输的数据量，L_b，k为背向散射通信的数据量，A_k为用户设备k产生的任务数据量；

所述处理模块，还用于：设定所述通信限制条件；通过优化用户设备k的任务划分方案L_a，k和L_b，k、发射功率P_ks及与基站s的匹配结果x_ks来最小化所有用户设备的总能耗

最小总功耗对应的任务划分方案L_a，k、L_b，k、发射功率P_ks及与基站s的匹配结果x_ks即为所述最优卸载策略；其中，用户设备的能耗主要包括本地计算和主动卸载两部分；在一个时隙T内，通过本地计算和主被动混合卸载完成用户设备k产生的任务数据量A_k，用户设备的CPU处理频率为f_k，CPU的能耗系数为β，

为计算每比特数据所需要的CPU周期数，L_a，L_b，P分别为所有用户设备的主动传输任务量、背向散射通信任务量和发射功率组成的向量，τ_a，ks表示用户设备k的主动传输时延。

Images