CN113242560B - 一种upf部署与ue调度多阶段规划方法、装置及设备 - Google Patents

一种upf部署与ue调度多阶段规划方法、装置及设备 Download PDF

Info

Publication number
CN113242560B
CN113242560B CN202110429703.6A CN202110429703A CN113242560B CN 113242560 B CN113242560 B CN 113242560B CN 202110429703 A CN202110429703 A CN 202110429703A CN 113242560 B CN113242560 B CN 113242560B
Authority
CN
China
Prior art keywords
upf
scheduling
deployment
edge server
constraint
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
CN202110429703.6A
Other languages
English (en)
Other versions
CN113242560A (zh
Inventor
陈俊杰
李洪均
朱晓军
张丹
杨永杰
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.)
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
Original Assignee
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
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 Nantong University, Nantong Research Institute for Advanced Communication Technologies Co Ltd filed Critical Nantong University
Priority to CN202110429703.6A priority Critical patent/CN113242560B/zh
Publication of CN113242560A publication Critical patent/CN113242560A/zh
Application granted granted Critical
Publication of CN113242560B publication Critical patent/CN113242560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种UPF部署与UE调度多阶段规划方法、装置及设备，其中多阶段规划方法包含以下步骤:步骤S0，建立5G核心网用户面UPF部署与UE调度多阶段规划模型；步骤S1，采用Benders分解算法对UPF部署与UE调度多阶段规划模型进行求解，将模型分解为一个UPF部署主问题和一系列UE调度子问题，将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案。上述多阶段规划方法考虑了相邻时隙间部署决策相互耦合的问题，从而解决了现有技术分别对每一时隙进行优化，忽略了相邻时隙间决策相互耦合，造成了UPF部署成本高的问题。

Description

一种UPF部署与UE调度多阶段规划方法、装置及设备
技术领域
本发明属于移动通信技术领域，更具体地，涉及一种UPF部署与UE调度多阶段规划方法、装置及设备。
背景技术
随着5G时代的到来，为了应对移动数据流量的爆炸式增长和低时延业务需求，必须变革传统的核心网架构。在传统的核心网架构中，核心网网元部署在专用的硬件设备上。网络功能虚拟化(NFV)技术将核心网网元从底层硬件上解耦，以虚拟网络功能(VNF)的形式运行在通用的服务器上，从而提高了网络的灵活性和可扩展性，降低了资本支出和运营成本。在现有技术中，将核心网用户面网元(UPF)集中部署，长距离回程链路造成了高的端到端时延，使其无法满足5G低时延业务需求。随着移动边缘计算和雾计算等新技术的兴起，将UPF 部署在更靠近用户的边缘服务器上，可以显著降低端到端时延。
网络能效和端到端时延是5G网络的两个关键性能指标，因此UPF部署问题需要综合考虑能耗和数据时延。为了降低边缘服务器能耗，UPF网元应该部署到尽可能少的服务器上，为了降低用户面数据时延，UPF网元应该尽可能靠近用户设备(UE)部署。因此，需要对UPF 部署与UE调度进行联合优化。除了能耗和数据时延之外，还需要考虑UPF部署成本。UPF部署成本不仅取决于当前时隙的部署决策，还取决于前一时隙的部署决策，使得相邻时隙间部署决策相互耦合。但现有技术分别对每一时隙进行优化，忽略了相邻时隙间决策相互耦合的问题，造成了UPF部署成本高。
发明内容
为了解决上述问题，本发明提供一种UPF部署与UE调度多阶段规划方法、装置及设备，以降低总的运行能耗和部署成本，同时保证用户面时延。
为了实现以上目的，本发明采用的一种技术方案如下：
第一方面，本发明提供一种UPF部署与UE调度多阶段规划方法，包含以下步骤：
步骤S0，建立5G核心网用户面UPF部署与UE调度多阶段规划模型；
步骤S1，采用Benders分解算法对所述UPF部署与UE调度多阶段规划模型进行求解，将所述模型分解为一个UPF部署主问题和一系列UE调度子问题，将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案。
进一步地，所述UPF部署与UE调度多阶段规划模型以运行周期总的能耗、部署成本及数据时延之和最小化作为目标函数，同时考虑边缘服务器的资源容量、处理容量、流量守恒、边缘服务器上新部署的不同类型UPF实例的数量、边缘服务器开启状态、边缘服务器上部署的不同类型UPF实例的数量、基站和边缘服务器之间的数据流量的约束。
进一步地，所述UPF部署与UE调度多阶段规划模型为：
Figure BDA0003030972170000021
目标函数中T为一个周期的时隙集合，
Figure BDA0003030972170000022
Figure BDA0003030972170000023
分别为时隙t的边缘服务器能耗、UPF部署成本和用户面数据时延；
Figure BDA0003030972170000024
中的I为边缘服务器集合，Pi peak和Pi idle分别为边缘服务器i的峰值功耗和空闲功耗，Ri,cpu为边缘服务器i的CPU容量，K为UPF虚拟网络功能类型的集合，rk,cpu为类型k 的UPF虚拟网络功能的CPU资源需求，Δt为时隙时长，yit表示时隙t边缘服务器i是否开启， nikt表示时隙t边缘服务器i上部署的类型k的UPF实例的数量；
Figure BDA0003030972170000025
中的I为边缘服务器集合， K为UPF虚拟网络功能类型的集合，
Figure BDA0003030972170000026
为类型k的UPF实例的部署成本，辅助变量
Figure BDA0003030972170000027
表示时隙t边缘服务器i上新部署的类型k的UPF实例的数量；
Figure BDA0003030972170000028
中的 M为基站集合，dmi为基站m和边缘服务器i之间的传播时延，umit≥0表示时隙t基站m和边缘服务器i之间的数据流量；
约束条件a为边缘服务器的资源容量约束，其中，J为边缘服务器资源类型的集合，Rij为边缘服务器i的资源j的容量，rkj为类型k的UPF实例的资源j的需求；约束条件b为处理容量约束，其中，
Figure BDA0003030972170000031
为类型k的UPF实例的处理容量；约束条件c为流量守恒约束，其中，
Figure BDA0003030972170000032
为时隙t基站m的数据流量；约束条件d和h由辅助变量
Figure BDA0003030972170000033
的定义推导得到；约束条件 e中yit∈{0,1}表示时隙t边缘服务器i是否开启，yit＝1表示开启，yit＝0表示未开启；约束条件f中
Figure BDA0003030972170000037
表示时隙t边缘服务器i上部署的类型k的UPF实例的数量；约束条件g中 umit≥0表示时隙t基站m和边缘服务器i之间的数据流量。
进一步地，所述UPF部署与UE调度多阶段规划模型分解为一个UPF部署主问题和一系列UE调度子问题，其中UPF部署主问题的模型如下所示：
Figure BDA0003030972170000034
其中，αt为时隙t用户面数据时延的预估值；约束条件i为UE调度子问题产生的Benders 最优割集；约束条件j中设置αt的下限为
Figure BDA0003030972170000035
以加速Benders分解算法的收敛，在本实施例中，
Figure BDA0003030972170000036
约束条件k使UE调度子问题总是存在可行解，避免产生Benders可行割；
时隙t的UE调度子问题的模型为：
Figure BDA0003030972170000041
约束条件l中
Figure BDA0003030972170000042
为求解UPF部署主问题所得UPF部署方案。
进一步地，将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案，具体包括以下步骤：
步骤20，初始化各参数，将UPF部署与UE调度多阶段规划模型的目标函数的上界设为 zub＝∞，下界设为zlb＝-∞，UPF部署主问题中Benders最优割集设为空；
步骤21，利用公式(2)求解UPF部署主问题，得到一个周期内各时隙对应的最优解
Figure BDA0003030972170000043
更新UPF部署与UE调度多阶段规划模型的目标函数的下界:
Figure BDA0003030972170000044
同时将一个周期内各时隙的
Figure BDA0003030972170000045
逐个代入UE调度子问题；
步骤S22,在一个周期内，利用公式(3)逐个时隙求解UE调度子问题，得到一个周期内各时隙对应最优解
Figure BDA0003030972170000046
以及与约束条件l相关的对偶变量的最优值
Figure BDA0003030972170000047
更新UPF部署与UE调度多阶段规划模型的目标函数的上界：
Figure BDA0003030972170000048
步骤S23，判定是否满足收敛条件，
如果满足收敛条件，则迭代终止，输出UPF部署与UE调度多阶段规划方案
Figure BDA0003030972170000049
如果不满足收敛条件，生成一个周期内各时隙对应的Benders最优割:
Figure BDA00030309721700000410
并将一个周期内所有的Benders最优割添加到UPF部署主问题，转入步骤S21。
进一步地，收敛条件包含迭代达到预设的迭代次数，或者误差函数达到预设的误差容限：(zub-zlb)/zlb≤ε。
第二方面，本发明还提供一种UPF部署与UE调度多阶段规划装置，包括：
建立模型模块，利用运行周期总的能耗、部署成本及数据时延之和最小化作为目标函数，同时考虑边缘服务器的资源容量、处理容量、流量守恒、边缘服务器上新部署的不同类型UPF实例的数量、边缘服务器开启状态、边缘服务器上部署的不同类型UPF实例的数量、基站和边缘服务器之间的数据流量的约束建立5G核心网用户面UPF部署与UE调度多阶段规划模型；
输出模块，利用Benders分解算法对所述UPF部署与UE调度多阶段规划模型进行求解，将所述模型分解为一个UPF部署主问题和一系列UE调度子问题，将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案。
第三方面，本发明还提供一种UPF部署与UE调度多阶段规划设备，包括处理器、存储器以及存储在所述存储器中且被分配至由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中所述的任一种UPF部署与UE调度多阶段规划方法。
本发明的上述技术方案相比现有技术具有以下优点：
本发明提供的一种UPF部署与UE调度多阶段规划方法，综合考虑了5G核心网用户面的能耗和部署成本及数据时延三个因素，同时还考虑到相邻时隙间决策相互耦合，从而建立了UPF部署与UE调度多阶段规划模型，以降低运行周期内总的运营成本，同时保证服务质量；采用Benders分解算法对该模型进行求解，将该模型分解为一个UPF部署主问题和一系列UE调度子问题，并交替迭代求解，以得到UPF部署与UE调度多阶段规划方案，该算法具有良好的收敛性；本发明的UPF部署与UE调度多阶段规划方法对于实现高能效、低时延的5G核心网用户面，及满足5G低时延业务需求具有重要意义。
附图说明
图1为本发明一实施例中一种UPF部署与UE调度多阶段规划方法适用的面向边缘计算节点的5G核心网用户面分布式部署架构；
图2为本发明一实施例中一种UPF部署与UE调度多阶段规划方法的流程图；
图3为本发明一实施例中采用Benders分解算法求解UPF部署与UE调度多阶段规划模型的流程图；
图4为本发明一具体实施例中UPF部署与UE调度多阶段规划模型的目标函数上下界随迭代次数的变化曲线；
图5为本发明一个实施例中一种UPF部署与UE调度多阶段规划装置的结构示意图；
图6为本发明一个实施例中一种UPF部署与UE调度多阶段规划设备的内部结构示意图。
具体实施例方式
下面将结合本发明实施例的附图，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作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。
如图1所述，是本发明一实施例提供的一种UPF部署与UE调度多阶段规划方法适用的面向边缘计算节点的5G核心网用户面分布式部署架构，每台基站处放置了一台边缘服务器且两者之间通过光缆进行连接，两者之间的传播时延与其地理距离成正比；所述边缘服务器用于部署5G核心网用户面UPF网元，每个基站通过无线形式和多个UE进行连接，基站的流量为与之相互通信连接的多个UE流量之和。
第一方面，如图2所示，本发明提供的一种UPF部署与UE调度多阶段规划方法包含以下步骤：
步骤S0，建立5G核心网用户面UPF部署与UE调度多阶段规划模型；
综合考虑5G核心网用户面的能耗和部署成本及数据时延，同时考虑到相邻时隙间决策相互耦合，建立UPF部署与UE调度多阶段规划模型，所述UPF部署与UE调度多阶段规划模型目标函数为运行周期内总的能耗和部署成本及数据时延最小化，表示为：
Figure BDA0003030972170000061
公式(1-1)中，T为一个周期的时隙集合，
Figure BDA0003030972170000062
分别为时隙t的边缘服务器能耗、UPF部署成本和用户面数据时延；
采用线性功耗模型，时隙t的边缘服务器能耗表示为：
Figure BDA0003030972170000063
公式(1-1-1)中，I为边缘服务器集合，Pi peak和Pi idle分别为边缘服务器i的峰值功耗和空闲功耗，Ri,cpu为边缘服务器i的CPU容量，K为UPF虚拟网络功能类型的集合，rk,cpu为类型k的UPF虚拟网络功能的CPU资源需求，Δt为时隙时长；
时隙t的UPF部署成本为：
Figure BDA0003030972170000064
公式(1-1-2)中，I为边缘服务器集合，K为UPF虚拟网络功能类型的集合，
Figure BDA0003030972170000071
为类型k的UPF实例的部署成本，辅助变量
Figure BDA0003030972170000072
表示时隙t边缘服务器i上新部署的类型k的UPF实例的数量。
时隙t的用户面数据时延为：
Figure BDA0003030972170000073
公式(1-1-3)中，M为基站集合，dmi为基站m和边缘服务器i之间的传播时延，umit≥0表示时隙t基站m和边缘服务器i之间的数据流量。
同时，考虑边缘服务器的资源容量、处理容量、流量守恒、边缘服务器上新部署的不同类型UPF实例的数量、边缘服务器开启状态、边缘服务器上部署的不同类型UPF实例的数量、基站和边缘服务器之间的数据流量的约束；具体约束条件如公式(1-2)所示：
Figure BDA0003030972170000074
公式(1-2)中，约束条件a为边缘服务器的资源容量约束，其中，J为边缘服务器资源类型的集合，Rij为边缘服务器i的资源j的容量，rkj为类型k的UPF实例的资源j的需求；约束条件b为处理容量约束，其中，
Figure BDA0003030972170000075
为类型k的UPF实例的处理容量；约束条件c为流量守恒约束，其中，
Figure BDA0003030972170000076
为时隙t基站m的数据流量；约束条件d和h由辅助变量
Figure BDA0003030972170000077
的定义推导得到；约束条件e中yit∈{0,1}表示时隙t边缘服务器i是否开启，yit＝1表示开启，yit＝0 表示未开启；约束条件f中
Figure BDA0003030972170000078
表示时隙t边缘服务器i上部署的类型k的UPF实例的数量；约束条件g中umit≥0表示时隙t基站m和边缘服务器i之间的数据流量。
根据上述公式(1-1-1)、(1-1-2)及(1-1-3)代入公式(1-1)中并结合公式(1-2) 得到UPF部署与UE调度多阶段规划模型，具体如公式(1)所示：
Figure BDA0003030972170000081
步骤S1，采用Benders分解算法对所述UPF部署与UE调度多阶段规划模型进行求解，将所述模型分解为一个UPF部署主问题和一系列UE调度子问题，将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案。
所述UPF部署与UE调度多阶段规划模型分解为一个UPF部署主问题和一系列UE调度子问题，其中UPF部署主问题的模型如公式(2)所示：
Figure BDA0003030972170000082
公式(2)中，αt为时隙t用户面数据时延的预估值；约束条件i为UE调度子问题产生的Benders最优割集；约束条件j中设置αt的下限为
Figure BDA0003030972170000091
以加速Benders分解算法的收敛，在本实施例中，
Figure BDA0003030972170000092
约束条件k使UE调度子问题总是存在可行解，避免产生Benders 可行割；
时隙t的UE调度子问题的模型如公式(3)所示：
Figure BDA0003030972170000093
约束条件l中
Figure BDA0003030972170000094
为求解UPF部署主问题所得UPF部署方案。
如图3所示，将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案，具体包括以下步骤：
步骤20，初始化各参数，将UPF部署与UE调度多阶段规划模型的目标函数的上界设为 zub＝∞，下界设为zlb＝-∞，UPF部署主问题中Benders最优割集设为空；
步骤21，利用公式(2)求解UPF部署主问题，得到一个周期内各时隙对应的最优解
Figure BDA0003030972170000095
更新UPF部署与UE调度多阶段规划模型的目标函数的下界:
Figure BDA0003030972170000096
同时将一个周期内各时隙的
Figure BDA0003030972170000097
逐个代入UE调度子问题；
步骤S22,在一个周期内，利用公式(3)逐个时隙求解UE调度子问题，得到一个周期内各时隙对应最优解
Figure BDA0003030972170000098
以及与约束条件l相关的对偶变量的最优值
Figure BDA0003030972170000099
更新UPF部署与UE调度多阶段规划模型的目标函数的上界：
Figure BDA00030309721700000910
其中，
Figure BDA00030309721700000911
可以利用求解器如cplex直接求出来；
步骤S23，判定是否满足收敛条件，收敛条件可以选择迭代达到预设的迭代次数，也可以选择误差函数达到预设的误差容限：(zub-zlb)/zlb≤ε；
如果满足收敛条件，则迭代终止，输出UPF部署与UE调度多阶段规划方案
Figure BDA0003030972170000101
如果不满足收敛条件，生成一个周期内各时隙对应的Benders最优割:
Figure BDA0003030972170000102
并将一个周期内所有的Benders最优割添加到UPF部署主问题，转入步骤S21。
为了对本发明提供的一种UPF部署与UE调度多阶段规划方法进一步说明，先选择一个具体的应用场景进行说明：
假设基站按照泊松点过程分布在4KM×4KM的区域内，密度为1台/KM2，即16个基站。每台基站处放置了一台边缘服务器，即16台服务器(I＝16)，用于部署5G核心网用户面UPF网元。每台边缘服务器配置有48个CPU内核(仅考虑CPU为瓶颈资源)即Ri,cpu＝48，其空闲功耗Pi idle和峰值功耗Pi peak分别为400W和1000W。仅考虑一种UPF类型即K＝1，其 CPU资源需求为1个CPU内核即rk,cpu＝1，吞吐量为100MBPS。基站与边缘服务器之间通过光纤连接，其间的传播时延dmi与其地理距离成正比。由于基站的流量是周期性变化的，周期为1天，因此，T设为24，Δt取为1小时。基站的流量umit从集合{1,2,3,4,5}GBPS 中均匀随机选取；误差容限ε设为0.01；
上述具体实施例中的Benders分解算法中，将24个UE调度子问题生成的对应Benders 最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与 UE调度多阶段规划方案，具体包括以下步骤：
步骤20，初始化各参数，将UPF部署与UE调度多阶段规划模型的目标函数的上界设为 zub＝∞，下界设为zlb＝-∞，UPF部署主问题中Benders最优割集设为空；
步骤21，利用公式(2)求解UPF部署主问题，得到一个周期内24个时隙对应的最优解
Figure BDA0003030972170000103
更新UPF部署与UE调度多阶段规划模型的目标函数的下界:
Figure BDA0003030972170000104
同时将一个周期内24个时隙的
Figure BDA0003030972170000105
逐个代入UE调度子问题；
步骤S22,在一个周期内，利用公式(3)逐个时隙求解UE调度子问题，得到一个周期内24个时隙对应最优解
Figure BDA0003030972170000106
以及与约束条件l相关的对偶变量的最优值
Figure BDA0003030972170000107
更新UPF部署与UE调度多阶段规划模型的目标函数的上界：
Figure BDA0003030972170000111
其中，
Figure BDA0003030972170000112
可以利用求解器如cplex直接求出来；
步骤S23，判定是否满足收敛条件，收敛条件为误差函数达到预设的误差容限：(zub-zlb)/zlb≤ε；
如果满足收敛条件，则迭代终止，输出UPF部署与UE调度多阶段规划方案
Figure BDA0003030972170000113
如果不满足收敛条件，生成一个周期内24个时隙对应的Benders最优割:
Figure BDA0003030972170000114
如图4所示，UPF部署与UE调度多阶段规划模型的目标函数上下界逐渐逼近，从而验证了benders分解算法求解UPF部署与UE调度多阶段规划模型的收敛性。从图4中可以看出，随着迭代次数的增加，上界和下界逐渐趋近，上下界的相对误差逐渐趋向于0；在30次迭代之后，上下界的相对误差下降到误差容限以下；因此在其他实施例中可以直接选择迭代次数作为收敛条件。
为了直观对本发明提出的一种UPF部署与UE调度多阶段规划方法生成的UPF部署与 UE调度多阶段规划方案成本低进行说明，现将本发明提出的UPF部署与UE调度多阶段规划方法与逐阶段求解方法以及基于MDP的求解方法的总成本进行对比，从表一中可以看出，本发明提出的UPF部署与UE调度多阶段规划方法获得的UPF部署与UE调度多阶段规划方案总成本最小，相比逐阶段求解方法和基于MDP的求解方法，分别节省了10.4％和5.1％的总成本
总成本/元
本发明提出的方法 398.3
逐阶段求解方法 439.7
基于MDP的求解方法 418.5
表一本发明提出的方法与逐阶段求解方法以及基于MDP的求解方法的总成本
第二方面，如图5所示，本发明一实施例还提供一种UPF部署与UE调度多阶段规划装置，包括：
建立模型模块，利用运行周期总的能耗、部署成本及数据时延之和最小化作为目标函数，同时考虑边缘服务器的资源容量、处理容量、流量守恒、边缘服务器上新部署的不同类型UPF实例的数量、边缘服务器开启状态、边缘服务器上部署的不同类型UPF实例的数量、基站和边缘服务器之间的数据流量的约束建立5G核心网用户面UPF部署与UE调度多阶段规划模型；
输出模块，利用Benders分解算法对所述UPF部署与UE调度多阶段规划模型进行求解，将所述模型分解为一个UPF部署主问题和一系列UE调度子问题，将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案。
本发明实施例中提供的UPF部署与UE调度多阶段规划装置中的各个模块的实现可为计算机程序的形式，该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时，实现本发明第一方面中所述的一种UPF部署与UE调度多阶段规划方法。
第三方面，本发明另一实施例还提供一种UPF部署与UE调度多阶段规划设备，包括处理器、存储器以及存储在所述存储器中且被分配至由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中所述的一种UPF部署与UE调度多阶段规划方法。
如图6所示，该UPF部署与UE调度多阶段规划设备可为服务器，所述服务器包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力，支撑整个服务器的运行。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下处理器执行第一方面中所述的一种UPF部署与UE调度多阶段规划方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。该服务器可以是手机、平板电脑或者个人数字助理或穿戴式设备等。
本发明实施例中所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细但并不能因此而理解为对本申请专利范围的限制。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种UPF部署与UE调度多阶段规划方法，其特征在于，包含以下步骤：
步骤S0，建立5G核心网用户面UPF部署与UE调度多阶段规划模型；
步骤S1，采用Benders分解算法对所述UPF部署与UE调度多阶段规划模型进行求解，将所述模型分解为一个UPF部署主问题和一系列UE调度子问题，将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案；
所述UPF部署与UE调度多阶段规划模型以运行周期总的能耗、部署成本及数据时延之和最小化作为目标函数，同时考虑边缘服务器的资源容量、处理容量、流量守恒、边缘服务器上新部署的不同类型UPF实例的数量、边缘服务器开启状态、边缘服务器上部署的不同类型UPF实例的数量、基站和边缘服务器之间的数据流量的约束；
所述UPF部署与UE调度多阶段规划模型为：
Figure FDA0003755431290000011
目标函数中T为一个周期的时隙集合，
Figure FDA0003755431290000012
Figure FDA0003755431290000013
分别为时隙t的边缘服务器能耗、UPF部署成本和用户面数据时延；
Figure FDA0003755431290000014
中的I为边缘服务器集合，Pi peak和Pi idle分别为边缘服务器i的峰值功耗和空闲功耗，Ri,cpu为边缘服务器i的CPU容量，K为UPF虚拟网络功能类型的集合，rk,cpu为类型k的UPF虚拟网络功能的CPU资源需求，Δt为时隙时长，yit表示时隙t边缘服务器i是否开启，nikt表示时隙t边缘服务器i上部署的类型k的UPF实例的数量；
Figure FDA0003755431290000015
中的I为边缘服务器集合，K为UPF虚拟网络功能类型的集合，
Figure FDA0003755431290000021
为类型k的UPF实例的部署成本，辅助变量
Figure FDA0003755431290000022
表示时隙t边缘服务器i上新部署的类型k的UPF实例的数量；
Figure FDA0003755431290000023
中的M为基站集合，dmi为基站m和边缘服务器i之间的传播时延，umit≥0表示时隙t基站m和边缘服务器i之间的数据流量；
约束条件a为边缘服务器的资源容量约束，其中，J为边缘服务器资源类型的集合，Rij为边缘服务器i的资源j的容量，rkj为类型k的UPF实例的资源j的需求；约束条件b为处理容量约束，其中，
Figure FDA0003755431290000024
为类型k的UPF实例的处理容量；约束条件c为流量守恒约束，其中，
Figure FDA0003755431290000025
为时隙t基站m的数据流量；约束条件d和h由辅助变量
Figure FDA0003755431290000026
的定义推导得到；约束条件e中yit∈{0,1}表示时隙t边缘服务器i是否开启，yit＝1表示开启，yit＝0表示未开启；约束条件f中nikt
Figure FDA0003755431290000027
￥表示时隙t边缘服务器i上部署的类型k的UPF实例的数量；约束条件g中umit≥0表示时隙t基站m和边缘服务器i之间的数据流量；
所述UPF部署与UE调度多阶段规划模型分解为一个UPF部署主问题和一系列UE调度子问题，其中UPF部署主问题的模型如下所示：
Figure FDA0003755431290000028
其中，αt为时隙t用户面数据时延的预估值；约束条件i为UE调度子问题产生的Benders最优割集；约束条件j中设置αt的下限为
Figure FDA0003755431290000029
以加速Benders分解算法的收敛，其中，
Figure FDA00037554312900000210
约束条件k使UE调度子问题总是存在可行解，仅产生Benders最优割；
时隙t的UE调度子问题的模型为：
Figure FDA0003755431290000031
约束条件l中
Figure FDA0003755431290000032
为求解UPF部署主问题所得UPF部署方案；
将一系列UE调度子问题生成的对应Benders最优割全部添加至UPF部署主问题进行迭代求解直至满足收敛条件，从而得到UPF部署与UE调度多阶段规划方案，具体包括以下步骤：
步骤20，初始化各参数，将UPF部署与UE调度多阶段规划模型的目标函数的上界设为zub＝∞，下界设为zlb＝-∞，UPF部署主问题中Benders最优割集设为空；
步骤21，利用公式(2)求解UPF部署主问题，得到一个周期内各时隙对应的最优解
Figure FDA0003755431290000033
更新UPF部署与UE调度多阶段规划模型的目标函数的下界:
Figure FDA0003755431290000034
同时将一个周期内各时隙的
Figure FDA0003755431290000035
逐个代入UE调度子问题；
步骤S22,在一个周期内，利用公式(3)逐个时隙求解UE调度子问题，得到一个周期内各时隙对应最优解
Figure FDA0003755431290000036
以及与约束条件l相关的对偶变量的最优值
Figure FDA0003755431290000037
更新UPF部署与UE调度多阶段规划模型的目标函数的上界：
Figure FDA0003755431290000038
步骤S23，判定是否满足收敛条件，
如果满足收敛条件，则迭代终止，输出UPF部署与UE调度多阶段规划方案
Figure FDA0003755431290000039
如果不满足收敛条件，生成一个周期内各时隙对应的Benders最优割:
Figure FDA00037554312900000310
并将一个周期内所有的Benders最优割添加到UPF部署主问题，转入步骤S21。
2.根据权利要求1所述的UPF部署与UE调度多阶段规划方法，其特征在于，收敛条件包含迭代达到预设的迭代次数，或者误差函数达到预设的误差容限：(zub-zlb)/zlb≤ε。
CN202110429703.6A 2021-04-21 2021-04-21 一种upf部署与ue调度多阶段规划方法、装置及设备 Active CN113242560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110429703.6A CN113242560B (zh) 2021-04-21 2021-04-21 一种upf部署与ue调度多阶段规划方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110429703.6A CN113242560B (zh) 2021-04-21 2021-04-21 一种upf部署与ue调度多阶段规划方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113242560A CN113242560A (zh) 2021-08-10
CN113242560B true CN113242560B (zh) 2022-11-01

Family

ID=77128755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110429703.6A Active CN113242560B (zh) 2021-04-21 2021-04-21 一种upf部署与ue调度多阶段规划方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113242560B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330568A (zh) * 2017-08-16 2017-11-07 东南大学 基于Benders解耦的储能、分布式电源与配电网协调规划方法
CN109508857B (zh) * 2018-09-28 2020-09-29 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法
CN109831319B (zh) * 2018-12-27 2021-10-26 南京大学 一种考虑多维资源约束的网络功能部署方法
CN110913508B (zh) * 2019-11-25 2021-07-20 广州爱浦路网络技术有限公司 一种部署了upf的5g基站的数据报文处理方法
CN112260271B (zh) * 2020-10-10 2022-08-12 北京交通大学 一种配电网故障恢复策略的生成方法和装置

Also Published As

Publication number Publication date
CN113242560A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
Chang et al. Energy efficient optimization for computation offloading in fog computing system
KR102008242B1 (ko) 클라우드-에지 토폴로지
CN104662843B (zh) 用于无线网状网络的联合频道及路由分配的系统和方法
Wu et al. Green data center placement in optical cloud networks
CN111132299B (zh) 中继系统的资源分配方法和装置
WO2020224544A1 (zh) 选址方法、装置及计算机可读存储介质
US20100161793A1 (en) Method for composing on-chip network topology
Melo et al. Virtual network mapping–an optimization problem
CN104185264A (zh) 上行功率控制的方法和设备
Chaurasia et al. A hybrid evolutionary algorithm with guided mutation for minimum weight dominating set
González et al. Edge computing node placement in 5G networks: A latency and reliability constrained framework
Sitanayah et al. Planning the deployment of multiple sinks and relays in wireless sensor networks
Wang et al. Optimal power allocation on discrete energy harvesting model
CN111343012B (zh) 云平台的缓存服务器部署方法、装置和计算机设备
Wang et al. Joint time delay and energy optimization with intelligent overclocking in edge computing
Gu et al. Towards an optimal sink placement in wireless sensor networks
CN114244713B (zh) 一种电力5g网络切片的资源备份方法及装置
CN113242560B (zh) 一种upf部署与ue调度多阶段规划方法、装置及设备
CN111984623B (zh) 数据库集群自动化部署方法、装置、介质和电子设备
Tziritas et al. Agent placement in wireless embedded systems: memory space and energy optimizations
Moallemi et al. An evolutionary-based algorithm for smart-living applications placement in fog networks
JP2020030691A (ja) 最適化システム及び最適化方法
US10182433B2 (en) System and method for overlapping rate region zoning
Jain et al. A distributed self-stabilizing algorithm for finding a connected dominating set in a graph
Su et al. Efficient algorithms for scheduling multiple bulk data transfers in inter‐datacenter 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