CN113326127B - 一种融合无线携能通信的可充电雾计算迁移方法 - Google Patents

一种融合无线携能通信的可充电雾计算迁移方法 Download PDF

Info

Publication number
CN113326127B
CN113326127B CN202110593699.7A CN202110593699A CN113326127B CN 113326127 B CN113326127 B CN 113326127B CN 202110593699 A CN202110593699 A CN 202110593699A CN 113326127 B CN113326127 B CN 113326127B
Authority
CN
China
Prior art keywords
task
energy consumption
intelligent
intelligent device
migration
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
CN202110593699.7A
Other languages
English (en)
Other versions
CN113326127A (zh
Inventor
陈思光
葛欣炜
王倩
陈康宇
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts 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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110593699.7A priority Critical patent/CN113326127B/zh
Publication of CN113326127A publication Critical patent/CN113326127A/zh
Application granted granted Critical
Publication of CN113326127B publication Critical patent/CN113326127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/75—Information technology; Communication
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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

Abstract

本发明涉及一种融合无线携能通信的可充电雾计算迁移方法，针对当前融合SWIPT的FC迁移的大部分相关研究仅考虑单用户的情形，并在信号接收结构上也主要采用TS结构的局限，融合无线携能通信提出了一个可充电雾计算迁移方法，并且构建了一个多用户场景下最小化所有任务完成总能耗的优化问题，充分考虑了任务迁移比、传输时间和功率分割比的联合优化。基于上述非凸优化问题，本发明提出一个基于凸差规划与加速梯度的交替优化算法，同时结合加速梯度下降方法，实现了任务迁移比、传输时间和功率分割比等最优解的快速求解。本发明所提算法具有能耗低，收敛速度快等特点，且本迁移方法融合了SWIPT技术，进一步降低了智能设备的能耗，延长其生命周期。

Description

一种融合无线携能通信的可充电雾计算迁移方法
技术领域
本发明涉及物联网技术领域，具体是涉及一种融合无线携能通信的可充电雾计算迁移方法。
背景技术
随着物联网(Internet of Things,IoT)和无线传感器网络(Wireless SensorNetwork,WSN)的飞速发展，各种智能设备通过无线方式与因特网相连接，为大量的计算密集型和时延敏感型的智能移动应用程序提供额外的计算资源。但是小型设备由于自身的计算能力和存储电量的能力有限，为了更好地支持计算密集型和延迟敏感型应用，并且提高这些应用的服务质量，雾计算(Fog Computing，FC)的概念进而被提出。雾节点除了可以提高智能设备的任务处理效率，还可以大大降低这些智能移动设备的能耗。但是大多数智能设备都是由电池供电，而且电池存储的电量有限，所以能量采集(Energy Harvesting，EH)技术作为一种可行且环保的方法被提出。传统的EH技术可为高能耗智能移动设备提供更多能量，但其可用性受限于智能移动设备周围的温度、时间、地理位置以及一些其他条件。而WPT技术也存在一系列问题，比如在远场通信情况下，由于电磁波的传输存在衰减，能量的传输也随之衰减。因此，一种称为无线携能通信(Simultaneous Wireless Informationand Power Transfer，SWIPT)的新技术被提出。在SWIPT技术中，传感器不仅可以将接受的射频信号一部分用于能量采集，有也可以同时将其中的一部分用于信息解码。
目前对于无线网络中智能设备能耗的研究主要为以下几个方面：
第一类是仅面向FC网络的研究。目前针对FC的一系列研究方案有效地降低了整个雾网络的能耗并减少了任务处理的时延。
第二类是仅针对SWIPT技术的研究。为了实现SWIPT，有关学者做了大量的研究，提出了两种信号接收结构，即时间切换(Time Switching，TS)和功率分割(Power Splitting，PS)。还有学者对最优资源分配问题做了相应研究。此外，还有一部分研究方案基于现实情况，考虑了一些特殊场景的需要。
第三类是在计算迁移的过程中使用SWIPT技术来降低智能设备的能耗。虽然计算迁移可以有效降低FC网络中智能设备的能量消耗，但是智能设备本身电池容量有限，需要有源电源对其进行充电，这将带来额外的能量消耗。因此计算迁移的同时，融合SWIPT使智能设备从射频信号中采集能量，可以进一步降低智能设备的能量消耗甚至彻底摆脱电量束缚。
经过分析得出现有针对融合SWIPT的FC迁移研究并不完善，大部分相关的研究仅考虑了单用户的情形，并在信号接收结构上也主要采用TS结构。然而，与TS信号接收结构相比，PS信号接收结构在系统传输速率与采集能量之间能获得更好的权衡。
发明内容
针对当前融合SWIPT的FC迁移的大部分相关研究仅考虑单用户的情形，并在信号接收结构上也主要采用TS结构的局限，本发明提供了一种融合无线携能通信的可充电雾计算迁移方法，通过能量采集降低智能设备的能耗，并进一步延长其生命周期。
本发明所述的一种融合无线携能通信的可充电雾计算迁移方法，其步骤为：
步骤1、构建计算迁移模型，所述模型包括上、下两层，上层为雾节点层，下层为具有采集功能的智能设备层，所述智能设备层一共有M个智能设备，智能设备i∈{1,2,3,...,M}，每个所述智能设备内部都集成了PPD；
步骤2、智能设备完成对本地任务的计算；智能设备i根据任务迁移比ai∈[0,1]决定迁移到雾节点的任务大小，通过雾节点层中的信号基站将待处理的计算任务迁移到附近的雾节点进行处理；
步骤3、构建最小化所有任务完成总能耗的优化问题，在一定的约束条件下，实现总能耗的最小化。
进一步的，步骤2的具体流程为：
智能设备i∈{1,2,3,...,M}需要处理的计算任务大小为wi，单位bit，ci表示每计算1bit任务所需要的CPU周期数，fi和fc分别表示智能设备i和雾节点的计算能力，即每秒的周期数，智能设备i根据任务迁移比ai∈[0,1]决定迁移到雾节点的任务大小，当ai＝0时，智能设备i的计算任务将全部在设备本地进行处理，当ai＝1时，智能设备i将所有的计算任务迁移到雾节点进行处理；
本地计算的时延和能耗只与智能设备的计算能力有关，用fi表示，单位为周期/秒，所以任务本地计算的时延和能耗分别表示为：
Figure BDA0003090213630000031
Figure BDA0003090213630000032
其中，κ＝10-11是智能设备的有效电容系数。
进一步的，步骤3的具体流程为：
步骤3-1、智能设备i根据任务迁移比]ai∈[0,1]通过信号基站将部分任务迁移给雾节点协助处理，计算待处理任务迁移的时间及智能设备i处理任务的总能耗；
步骤3-2、在满足时延和能耗约束的条件下，构建智能设备i处理任务的总能耗最低的优化问题；
步骤3-3、利用交替优化算法求解优化问题，实现最优解。
进一步的，步骤3-1中，待处理任务迁移的时间定义为：
Figure BDA0003090213630000033
其中，
Figure BDA0003090213630000034
为智能设备i的上行链路传输时间，
Figure BDA0003090213630000035
为雾节点的计算时间，
Figure BDA0003090213630000036
为智能设备i接收信号基站返回信息的下行链路传输时间；
智能设备i处理任务的总能耗定义为：
Figure BDA0003090213630000037
其中，
Figure BDA0003090213630000038
为任务本地计算的能耗，
Figure BDA0003090213630000039
为智能设备i的上行链路传输能耗，
Figure BDA00030902136300000310
为智能设备i接收返回信息的解码能耗，
Figure BDA00030902136300000311
为智能设备i采集到的能量。
进一步的，步骤3-2中，智能设备i处理任务的总能耗是由迁移比ai、上行传输速率以及智能设备i内置PPD的功率分割系数βi决定的，所以在满足时延和能耗约束的条件下，通过联合优化ai，ti和βi三个变量，可以使智能设备i的总能耗最低，该优化问题P1的构建如下：
Figure BDA0003090213630000041
约束条件如下：
Figure BDA0003090213630000042
Figure BDA0003090213630000043
Figure BDA0003090213630000044
0≤βi≤1 C4
0≤ai≤1 C5
其中，目标函数P1表示最小化所有智能设备的能耗总和，
Figure BDA0003090213630000045
和
Figure BDA0003090213630000046
分别表示智能设备i的最大可容忍延迟和最大可容忍能耗，Ri表示智能设备i的上行迁移速率，Ei为智能设备i处理任务的总能耗；Ti为智能设备i处理任务的总时延；
C1是时延约束，表示智能设备i的任务处理时间不可以超过最大容忍时延；
C2是能耗约束，表示智能设备i的任务处理能耗不可以超过最大容忍能耗；
C3是信道带宽约束；
C4和C5分别是功率分割比约束和迁移比约束。
进一步的，步骤3-3的具体流程为：
步骤3-3-1、利用凸差规划算法，求解局部最优功率分割比的最优值；
步骤3-3-2、利用加速梯度算法，求解局部迁移比和传输时间最优值；
步骤3-3-3、利用交替优化方法求解最终的全局最优解。
本发明所述的有益效果为：(1)本发明设计融合无线携能通信的可充电雾计算迁移方法中，构建一种计算迁移模型，基于此构建了一个最小化所有任务完成总能耗的优化问题，通过对任务迁移比、传输时间以及功率分割比的联合优化，在一定时延、能耗和带宽约束下，实现了总能耗的最小化。
(2)本发明设计融合无线携能通信的可充电雾计算迁移方法中，针对上述构建的总能耗最小化问题，提出了一种基于凸差规划与加速梯度的交替优化算法，该算法融合凸差规划、交替优化及加速梯度下降理论，可实现任务迁移比、传输时间以及功率分割比等最优值的快速求解。
(3)本发明设计融合无线携能通信的可充电雾计算迁移方法中，通过在传统的FC模型中融入SWIPT技术，并且采用PS信号接收结构，使得智能设备从射频信号中解码结果信息的同时可以从中采集能量，并将采集到的能量存储到自身的电池中，用于任务迁移或本地计算，实现了进一步降低智能设备的能耗与延长设备使用寿命的目的。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。
图1是本发明构建的一个融合SWIPT的FC任务迁移模型示意图；
图2是本发明涉及的射频信号分割模型示意图；
图3表示本发明的方案与其他三种方案在处理不同任务大小时所产生总能耗的比较，其中Proposed scheme表示本发明所提出的方法；
图4表示本发明的方案与其他三种方案在处理不同任务大小时所需总时延的比较，其中Proposed scheme表示本发明所提出的方法。
具体实施方式
本发明所述可充电雾计算迁移方法包括如下步骤：
步骤1、构建计算迁移模型，如图1所示，所述模型由上而下共有两层，分别为雾节点层和各种具有能量采集功能的智能设备层；设备层一共有10个智能设备，如图2所示，这些智能设备内部都集成了无源功率分割器。
步骤2、设备层的智能设备完成对本地任务的计算；智能设备i可能由于自身计算资源和电池容量有限，将任务全部在本地处理可能带来能耗过高或设备电量耗尽等问题。为了缓解这些问题并提高用户体验，智能设备可以通过雾节点层中的信号基站将一些待处理的计算任务迁移到附近的雾节点进行处理，具体为：
智能设备i需要处理的计算任务大小为wi(bit)，ci表示每计算1bit任务所需要的CPU周期数，fi和fc分别表示智能设备i和雾节点的计算能力，即每秒的周期数，
Figure BDA0003090213630000051
和
Figure BDA0003090213630000052
分别表示的是智能设备i的最大可容忍延迟和最大可容忍能耗，βi表示智能设备i内置PPD的功率分割系数，它决定了无线射频信号用于信息解码和能量采集的分配比。
本例中，不同的雾节点拥有不同大小的计算任务，即wi∈[100,1000]Kb,每计算1bit任务所需要的CPU周期数为ci＝1000cycle/bit，最大容忍延迟为
Figure BDA0003090213630000061
最大容忍能耗为
Figure BDA0003090213630000062
智能设备i根据任务迁移比ai∈[0,1]决定迁移到雾节点的任务大小，当ai＝0时，智能设备i的计算任务将全部在设备本地进行处理，当ai＝1时，智能设备i将所有的计算任务迁移到雾节点进行处理。
本地计算的时延和能耗只与智能设备的计算能力fi(cycles/s)有关，所以任务本地计算的时延和能耗分别表示为：
Figure BDA0003090213630000063
Figure BDA0003090213630000064
其中，κ＝10-11是智能设备的有效电容系数。在本实例中，智能设备的计算能力为fi＝1*108cycle/s。
步骤3、构建最小化所有任务完成总能耗的优化问题，在一定的约束条件下，实现总能耗的最小化。附近的雾节点为智能设备提供额外的计算资源，智能设备i根据任务迁移ai通过信号基站(SBS)将部分任务迁移给雾节点协助处理，以降低自身能量消耗并优化智能设备用户的使用体验；智能设备内部都集成了PPD，在接受从基站返回的无线射频信号时，PPD可以将无线射频信号的能量分成两部分，一部分能量用于计算结果信息的解码，另一部分用于能量采集并将采集到的电量存储在智能设备的电池中，以降低智能设备的能耗。
步骤3具体为：
智能设备i可以根据任务迁移ai通过SBS将部分任务迁移给雾节点协助处理，以降低自身能量消耗并优化智能设备用户的使用体验。首先，定义智能设备i的上行迁移速率为：
Figure BDA0003090213630000071
其中Pi表示智能设备i的传输功率，Bu表示智能设备i的上行链路带宽，Nu表示上行链路的噪声功率密度，Gu表示上行链路的无线信道增益。
同样地，定义SBS向智能设备i发射信号的传输速率，即智能设备i的下行速率为：
Figure BDA0003090213630000072
其中Pc表示SBS的传输功率，Bd表示智能设备i的下行链路带宽，Nd表示下行链路的噪声功率密度，Gd表示下行链路的无线信道增益，βi表示智能设备i内置PPD的功率分割系数。
任务的完成时间由智能设备i的上行链路传输时间、雾节点的计算时间以及智能设备i接收SBS返回信息的下行链路传输时间三部分组成。定义智能设备i的上行链路传输时间为：
Figure BDA0003090213630000073
雾节点的计算时间定义为：
Figure BDA0003090213630000074
本实例中，雾服务器的计算能力为fc＝2*108cycle/s，智能设备i接收SBS返回信息的下行链路传输时间定义为：
Figure BDA0003090213630000075
其中α表示雾节点计算输出结果的大小与原始任务数据大小的比值。所以任务迁移的时间表示为：
Figure BDA0003090213630000076
相应地，处理任务所需的能量消耗由两部分组成，即智能设备i的上行链路传输能耗和接收返回信息的解码能耗。定义智能设备i的上行链路传输能耗为：
Figure BDA0003090213630000081
智能设备i接收返回信息的解码能耗定义为：
Figure BDA0003090213630000082
其中
Figure BDA0003090213630000083
表示智能设备i信息接收(解码)功率。
此外，由于本发明融入了SWIPT技术，智能设备可以通过内置的PPD将接收到的射频信号一分为二，一部分用于信息解码，另一部分用于能量采集。将智能设备i采集到的能量定义为：
Figure BDA0003090213630000084
其中Pc表示SBS的发射功率。所以智能设备i进行任务迁移所需总的能量消耗为：
Figure BDA0003090213630000085
结合式(1)和式(8)，可以得到智能设备i处理任务的总时延为：
Figure BDA0003090213630000086
相应地，结合式(2)和式(12)，可以得到智能设备i处理任务的总能耗为：
Figure BDA0003090213630000087
根据式(3)，可以推导出：
Figure BDA0003090213630000088
记
Figure BDA0003090213630000089
所以Pi可以表示为：
Figure BDA00030902136300000810
进一步地，可以将智能设备i处理任务的总能耗改写为：
Figure BDA0003090213630000091
智能设备i处理任务的总能耗是由迁移比ai，上行传输速率以及智能设备i内置PPD的功率分割系数βi决定的，所以在满足时延和能耗约束的条件下，通过联合优化ai，ti和βi三个变量，可以使智能设备i的总能耗最低，该优化问题P1的构建如下：
Figure BDA0003090213630000092
约束条件如下：
Figure BDA0003090213630000093
Figure BDA0003090213630000094
Figure BDA0003090213630000095
0≤βi≤1 C4
0≤ai≤1 C5
其中，目标函数P1表示最小化所有智能设备的能耗总和。
C1是时延约束，表示智能设备i的任务处理时间不可以超过最大容忍时延；
C2是能耗约束，表示智能设备i的任务处理能耗不可以超过最大容忍能耗；
C3是信道带宽约束；
C4和C5分别是功率分割比约束和迁移比约束。
下一步提出交替优化算法求解上述P1。首先将优化问题中的变量ai和
Figure BDA0003090213630000096
固定，将优化问题转换成两个凸函数之差的形式，再利用凸差规划算法求解出βi的局部最优值。其次，将求解出的βi值带入原问题，固定βi，将原优化问题转换成传统的凸优化问题，再利用加速梯度算法求解出ai和
Figure BDA0003090213630000097
的局部最优值。重复此步骤，直至求出所有变量的最优解。
基于凸差规划的局部最优功率分割比求解算法具体包括如下步骤：
基于交替优化算法思想，首先固定变量ai和
Figure BDA0003090213630000101
分别记
Figure BDA0003090213630000102
Figure BDA0003090213630000103
可以看出，对于变量βi，函数W(βi)和R(βi)都是凸函数，所以，原优化问题可以转换成两个凸函数之差的形式如下：
Figure BDA0003090213630000104
根据凸差规划理论，首先对式(21)求关于变量βi的一阶导数如下：
Figure BDA0003090213630000105
则Ei在βi(u)处的一阶凸近似为：
Figure BDA0003090213630000106
其中0≤βi(u)≤1。进一步地，可以将优化问题P2转换成如下优化问题：
Figure BDA0003090213630000107
从上述过程可知，
Figure BDA0003090213630000108
是Ei在βi(u)处的一阶凸近似，
Figure BDA0003090213630000109
是关于变量βi的凸函数，并且由约束条件C1、C2、C4构建的变量的可行域是非空的且是凸集，所以优化问题P3是凸优化问题。此外，因为优化问题P3与其对偶问题之间不存在对偶间隙，所以可以采用对偶方法来解决问题。根据约束条件C1、C2构建拉格朗日函数如下：
Figure BDA00030902136300001010
其中λi和ζi分别是约束C1、C2的朗格朗日乘子，分别与计算任务时延和能耗相关。
进一步，可以将优化问题P3转换成如下对偶问题：
Figure BDA0003090213630000111
对式(27)求其关于变量βi的一阶导数，得到拉格朗日函数L(λi,ζi,βi)的梯度函数如下：
Figure BDA0003090213630000112
令
Figure BDA0003090213630000113
得
Figure BDA0003090213630000114
由于此方程是超越方程，所以用牛顿迭代法求其近似解。令
Figure BDA0003090213630000115
Figure BDA0003090213630000116
再通过以下式子对βi进行迭代更新，就可以得到式(29)的近似解。
Figure BDA0003090213630000117
其中n≥0表示该牛顿法的迭代次数，G′(βi(n))和F′(βi(n))分别表示G(βi)和F(βi)在βi＝βi(n)处的一阶导数值。
最后，为了以较快地求解对偶变量的最优值，不同于传统的梯度下降法，本发明采用加速梯度算法，使得其收敛速度加快。首先定义如下的临时变量：
Figure BDA0003090213630000118
Figure BDA0003090213630000119
Figure BDA0003090213630000121
当k≥1时，临时变量εi(r)和δi(r)基于式(33)、(34)和(35)进行更新，然后拉格朗日乘子λi和ζi分别根据以下两个公式进行更新：
Figure BDA0003090213630000122
Figure BDA0003090213630000123
其中ρ是递减步长，[x]+表示[x]+＝max{0,x}。
根据上述过程求得拉格朗日乘子λi和ζi的最优值
Figure BDA0003090213630000124
将其带入式(32)中，即可求得优化问题P2的近似最优解
Figure BDA0003090213630000125
基于加速梯度的局部最优迁移比与传输时间求解算法具体包含如下步骤：
首先固定变量功率分割系数βi，通过求导可知，式(16)中的函数y(x)是连续的且是严格凸函数，
Figure BDA0003090213630000126
也是凸函数，目标函数(19)中其他子函数是线性函数，所以目标函数(19)的凹凸性由
Figure BDA0003090213630000127
的凹凸性决定。另外，由约束条件C1、C2、C3、C5构建的变量的可行域是非空的且是凸集，所以优化问题P1是凸优化问题。此外，因为优化问题P1与其对偶问题之间不存在对偶间隙，所以可以采用对偶方法来解决问题。根据约束条件C1、C2构建拉格朗日函数如下：
Figure BDA0003090213630000128
其中μi和γi分别是约束C1、C2的朗格朗日乘子，分别与计算任务时延和能耗相关。
原优化问题就可以转换成其对偶形式如下：
Figure BDA0003090213630000129
对上述拉格朗日函数分别求其关于变量ai和
Figure BDA00030902136300001210
的一阶导数，得到如下梯度函数：
Figure BDA0003090213630000131
Figure BDA0003090213630000132
其中
Figure BDA0003090213630000133
ln 2是函数y(x)的一阶导数。
令
Figure BDA0003090213630000134
可得
Figure BDA0003090213630000135
定义函数D＝y(x)-xy′(x)，根据朗伯W函数的概念，推导出函数D＝y(x)-xy′(x)中变量x的反函数为：
Figure BDA0003090213630000136
其中
Figure BDA0003090213630000137
所以
Figure BDA0003090213630000138
再令
Figure BDA0003090213630000139
可得
Figure BDA00030902136300001310
最后，将(44)、(45)带入到式(5)中，可以求出
Figure BDA00030902136300001311
接下来采用加速梯度方法，求解拉格朗日乘子的最优值。首先定义如下的临时变量：
Figure BDA00030902136300001312
Figure BDA0003090213630000141
Figure BDA0003090213630000142
当k≥1时，临时变量εi(r)和δi(r)基于式(47)、(48)和(49)进行更新，然后拉格朗日乘子μi和γi分别根据以下两个公式进行更新：
Figure BDA0003090213630000143
Figure BDA0003090213630000144
其中ρ是递减步长，[x]+表示[x]+＝max{0,x}。
最后，通过上述过程求解得出优化问题P5的拉格朗日乘子最优值
Figure BDA0003090213630000145
再将其带入到式(45)和(46)中，分别求得ai和ti得最优值
Figure BDA0003090213630000146
根据上述基于凸差规划的局部最优功率分割比求解算法以及基于加速梯度的局部最优迁移比与传输时间求解算法分别求解出来的结果，再利用交替优化方法求解出最终的全局最优解。
本发明针对当前融合SWIPT的FC迁移的大部分相关研究仅考虑单用户的情形，并在信号接收结构上也主要采用TS结构的局限，融合无线携能通信提出了一个可充电雾计算迁移机制，并且构建了一个多用户场景下最小化所有任务完成总能耗的优化问题，充分考虑了任务迁移比、传输时间和功率分割比的联合优化。接着提出了一个基于凸差规划与加速梯度的交替优化算法解决上述非凸优化问题。所提算法具有能耗低、收敛速度快等特点。本发明融合了SWIPT技术之后，进一步实现了智能设备能耗的降低并且延长了其生命周期。
如图3所示是任务大小与总能耗的关系图，描述了总能耗随任务大小变化的趋势并与其他三种算法做对比。从图中可以看出，总体上，四种算法的总能耗都随计算任务量的增加而上升，当计算任务量小于200Kb时，全部本地计算的能耗低于全部迁移方案的能耗，而计算任务量大于约200Kb时，全部本地计算的能耗高于全部迁移方案的能耗，这是因为当计算任务量很小时，迁移的通信开销大于本机计算的开销。此外，本发明方案与DGECO方案的能耗都要低于传统的本地计算和迁移计算方案，且本发明方案的能耗低于DGECO方案，平均能耗降低了约12.8％，这是因为本发明方案融入了SWIPT技术，使得智能设备可以从SBS发射的射频信号中采集能量，进而降低智能设备的能耗。
如图4所示是总时延随任务大小的变化趋势，并与其他三种方案进行对比。可以看出随着任务大小的增大，各方案的总时延也随之增加，而本方案的总时延总是低于全部本地计算以及全部迁移两种传统的方案。另外，本方案的总延迟与DGECO方案近乎相等，这是因为当返回的结果数据足够小时，用于能量采集的时间开销很小，几乎可以忽略不计。这也充分说明了本方案在降低能耗的同时，保证了低时延的要求。
上述结果证明了SWIPT技术的可行性和优越性。通过从射频信号中采集能量，在保证延迟的情况下，进一步使得智能设备的能耗降低。
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

Claims (3)

1.一种融合无线携能通信的可充电雾计算迁移方法，其特征在于，所述方法的步骤为：
步骤1、构建计算迁移模型，所述模型包括上、下两层，上层为雾节点层，下层为具有采集功能的智能设备层，所述智能设备层一共有M个智能设备，智能设备i∈{1,2,3,...,M}，每个所述智能设备内部都集成了PPD；
步骤2、智能设备完成对本地任务的计算；智能设备i根据任务迁移比ai∈[0,1]决定迁移到雾节点的任务大小，通过雾节点层中的信号基站将待处理的计算任务迁移到附近的雾节点进行处理；
步骤3、构建最小化所有任务完成总能耗的优化问题，在一定的约束条件下，实现总能耗的最小化；步骤3的具体流程为：
步骤3-1、智能设备i根据任务迁移比ai∈[0,1]通过信号基站将部分任务迁移给雾节点协助处理，计算待处理任务迁移的时间及智能设备i处理任务的总能耗；
步骤3-1中，待处理任务迁移的时间定义为：
Ti c＝Ti tra+Ti exe+Ti down
其中，Ti tra为智能设备i的上行链路传输时间，Ti exe为雾节点的计算时间，Ti down为智能设备i接收信号基站返回信息的下行链路传输时间；
智能设备i处理任务的总能耗定义为：
Figure FDA0003764999270000012
其中，
Figure FDA0003764999270000013
为任务本地计算的能耗，
Figure FDA0003764999270000014
为智能设备i的上行链路传输能耗，
Figure FDA0003764999270000015
为智能设备i接收返回信息的解码能耗，
Figure FDA0003764999270000016
为智能设备i采集到的能量；
步骤3-2、在满足时延和能耗约束的条件下，构建智能设备i处理任务的总能耗最低的优化问题；
步骤3-2中，智能设备i处理任务的总能耗是由迁移比ai、上行传输速率以及智能设备i内置PPD的功率分割系数βi决定的，所以在满足时延和能耗约束的条件下，通过联合优化ai，ti和βi三个变量，可以使智能设备i的总能耗最低，该优化问题P1的构建如下：
Figure FDA0003764999270000021
约束条件如下：
Ti≤Timax C1
Figure FDA0003764999270000022
Figure FDA0003764999270000023
0≤βi≤1 C4
0≤ai≤1 C5
其中，目标函数P1表示最小化所有智能设备的能耗总和，Ti max和
Figure FDA0003764999270000024
分别表示智能设备i的最大可容忍延迟和最大可容忍能耗，Ri表示智能设备i的上行迁移速率，Ei为智能设备i处理任务的总能耗；Ti为智能设备i处理任务的总时延，Bu表示智能设备i的上行链路带宽；
C1是时延约束，表示智能设备i的任务处理时间不可以超过最大容忍时延；
C2是能耗约束，表示智能设备i的任务处理能耗不可以超过最大容忍能耗；
C3是信道带宽约束；C4和C5分别是功率分割比约束和迁移比约束；
步骤3-3、利用交替优化算法求解优化问题，实现最优解。
2.根据权利要求1所述的一种融合无线携能通信的可充电雾计算迁移方法，其特征在于，步骤2的具体流程为：
智能设备i∈{1,2,3,...,M}需要处理的计算任务大小为wi，单位bit，ci表示每计算1bit任务所需要的CPU周期数，fi和fc分别表示智能设备i和雾节点的计算能力，即每秒的周期数，智能设备i根据任务迁移比ai∈[0,1]决定迁移到雾节点的任务大小，当ai＝0时，智能设备i的计算任务将全部在设备本地进行处理，当ai＝1时，智能设备i将所有的计算任务迁移到雾节点进行处理；
本地计算的时延和能耗只与智能设备的计算能力有关，用fi表示，单位为周期/秒，所以任务本地计算的时延和能耗分别表示为：
Figure FDA0003764999270000031
Figure FDA0003764999270000032
其中，k＝10-11是智能设备的有效电容系数。
3.根据权利要求1所述的一种融合无线携能通信的可充电雾计算迁移方法，其特征在于，步骤3-3的具体流程为：
步骤3-3-1、利用凸差规划算法，求解局部最优功率分割比的最优值；
步骤3-3-2、利用加速梯度算法，求解局部迁移比和传输时间最优值；
步骤3-3-3、利用交替优化方法求解最终的全局最优解。
CN202110593699.7A 2021-05-28 2021-05-28 一种融合无线携能通信的可充电雾计算迁移方法 Active CN113326127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110593699.7A CN113326127B (zh) 2021-05-28 2021-05-28 一种融合无线携能通信的可充电雾计算迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110593699.7A CN113326127B (zh) 2021-05-28 2021-05-28 一种融合无线携能通信的可充电雾计算迁移方法

Publications (2)

Publication Number Publication Date
CN113326127A CN113326127A (zh) 2021-08-31
CN113326127B true CN113326127B (zh) 2022-09-06

Family

ID=77422448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110593699.7A Active CN113326127B (zh) 2021-05-28 2021-05-28 一种融合无线携能通信的可充电雾计算迁移方法

Country Status (1)

Country Link
CN (1) CN113326127B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170013495A1 (en) * 2015-07-10 2017-01-12 Lg Electronics Inc. Method and apparatus for an input data processing via a local computing or offloading based on power harvesting in a wireless communication system
CN110162894A (zh) * 2019-05-27 2019-08-23 南京邮电大学 工业物联网场景中具有延迟保证的能量高效雾计算迁移方法
CN110493854A (zh) * 2019-06-11 2019-11-22 成都龙腾中远信息技术有限公司 一种基于优化理论的wpt-mec网络上下行资源分配与功率控制机制

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170013495A1 (en) * 2015-07-10 2017-01-12 Lg Electronics Inc. Method and apparatus for an input data processing via a local computing or offloading based on power harvesting in a wireless communication system
CN110162894A (zh) * 2019-05-27 2019-08-23 南京邮电大学 工业物联网场景中具有延迟保证的能量高效雾计算迁移方法
CN110493854A (zh) * 2019-06-11 2019-11-22 成都龙腾中远信息技术有限公司 一种基于优化理论的wpt-mec网络上下行资源分配与功率控制机制

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Energy-optimal Dynamic Computation Offloading;Siguang Chen;《http://www.ieee.org/publications_standards/publications/rights/index.html》;20191231;全文 *
大规模MIMO 和无线传能的移动边缘计算;姚楚楠;《硕士电子期刊》;20210115;全文 *

Also Published As

Publication number Publication date
CN113326127A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Huang et al. A cloud–MEC collaborative task offloading scheme with service orchestration
Lin et al. Task scheduling with dynamic voltage and frequency scaling for energy minimization in the mobile cloud computing environment
Mahmood et al. Partial offloading in energy harvested mobile edge computing: A direct search approach
Ye et al. Charging utility maximization in wireless rechargeable sensor networks
CN111132230B (zh) 一种面向数据采集的带宽分配和数据压缩联合优化方法
CN110493854B (zh) 一种基于优化理论的wpt-mec网络上下行资源分配与功率控制机制
Lyu et al. Computation bits maximization in UAV-enabled mobile-edge computing system
CN112000481A (zh) 一种d2d-mec系统计算能力最大化的任务卸载方法
Liu et al. Energy-efficient space–air–ground integrated edge computing for internet of remote things: A federated DRL approach
CN113286317A (zh) 一种基于无线供能边缘网络的任务调度方法
Zhang et al. Efficient multitask scheduling for completion time minimization in UAV-assisted mobile edge computing
Gu et al. Cooperative mobile edge computing‐cloud computing in Internet of vehicle: Architecture and energy‐efficient workload allocation
CN116600344A (zh) 一种具有电力成本差异的多层mec资源卸载方法
Zhou et al. Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE
Jiang et al. Research on new edge computing network architecture and task offloading strategy for Internet of Things
Li et al. Computation offloading strategy for IoT using improved particle swarm algorithm in edge computing
Li et al. Offloading optimization and time allocation for multiuser wireless energy transfer based mobile edge computing system
Wang et al. A profit maximization strategy of mec resource provider in the satellite-terrestrial double edge computing system
CN113326127B (zh) 一种融合无线携能通信的可充电雾计算迁移方法
Ma Edge server placement for service offloading in internet of things
Zhang et al. Toward a perpetual IoT system: Wireless power management policy with threshold structure
CN112579290A (zh) 一种基于无人机的地面终端设备的计算任务迁移方法
Sun Certificateless batch authentication scheme and intrusion detection model based on the mobile edge computing technology NDN-IoT environment
Li et al. Cooperative recharge scheme based on a Hamiltonian path in mobile wireless rechargeable sensor networks
CN114880038B (zh) 移动边缘计算系统资源优化配置方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant