CN113364860A - 一种mec中联合计算资源分配和卸载决策的方法及系统 - Google Patents

Abstract

本发明属于移动边缘计算技术领域，具体涉及一种MEC中联合计算资源分配和卸载决策的方法及系统；构建了一种边缘网络环境下的计算卸载系统，包括宏基站，微基站，云服务中心；建立车辆任务模型；分别讨论了六种卸载方式的计算模型，计算六种方式下的能耗和时延，将能耗和时延问题转化为对开销的优化问题；采用贪婪算法进行卸载方案的选择并将卸载决策代入优化问题，采用凸优化算法进行求解得到资源分配方案。在本发明所研究的系统下，对计算资源和卸载决策的联合优化问题进行了形式化，并解决了边缘网络下资源分配和卸载决策问题。

Description

一种MEC中联合计算资源分配和卸载决策的方法及系统

技术领域

本发明属于移动边缘计算技术领域，具体涉及一种MEC中联合计算资源分配和卸载决策的方法及系统。

背景技术

随着智能化浪潮席卷全球，车辆也越来越智能化。在智能车中，有着大量的计算密集型任务，这些任务不但计算量大，而且要求低时延和低能耗，而传统的车联网并不能满足这两个要求。

车联网移动边缘计算能够有效的推进车辆智能化、无人化，同时也能改善传统车联网高时延、高能耗、服务器负载过大等不足。目前学术界对边缘计算卸载算法和资源分配的研究有很多，但多数都是针对单一问题进行优化，将这二者联合优化相对较少。

发明内容

为了克服上述问题，本发明提供一种MEC(移动边缘计算，Mobile EdgeComputing，简称MEC)中联合计算资源分配和卸载决策的方法及系统，以克服现有技术的不足。

为了达到上述目的，本发明采用如下技术方案：

一种MEC中联合计算资源分配和卸载决策的方法，包括以下步骤：

步骤一：单位时间内N辆车辆分别产生一个计算密集时延敏感的计算任务，车辆i的计算任务被定义为s_i＝{H_i,Z_i,T_i ^MAX}，其中H_i表示当前任务i的数据量大小，Z_i表示完成该任务i所需的CPU转数，T_i ^MAX表示当前任务可容忍最大时延；

步骤二：计算任务能够选择本地计算或者卸载到边缘计算服务器计算这两种模式；

用a_i∈{0,1}表示任务计算模式的选择，当a_i＝0时表示车辆i选择本地计算模式，a_i＝1时表示车辆i选择卸载到边缘计算服务器计算模式，其中卸载到边缘计算服务器计算模式有三种卸载方式，分别为卸载到微基站边缘计算服务器、宏基站边缘计算服务器或云计算服务器；

步骤三：建立优化问题P1：

其中，

其中：向量a＝{a₁,a₂,...,a_N}表示系统内车辆的卸载模式选择，向量b＝{b₁,b₂,...,b_N}表示当前车辆的基站选择，向量

和

表示车辆的任务是否选择卸载至相对应的服务器进行计算；λ_i表示自适应权重，f_i表示分配给计算任务的计算频率，F_smax表示微基站边缘计算服务器处的最大计算资源，F_mmax表示宏基站边缘计算服务器处的最大计算资源，F_cmax表示云计算服务器处的最大计算资源；

分别表示计算任务是在微基站服务器计算，宏基站服务器计算或云服务器计算，取值为1则表示卸载到此服务器，取值为0则不是；

步骤四：问题转换，用向量ε＝{ε^s,ε^m,ε^c}表示计算任务的目的地，向量γ＝{a,b,ε}表示任务卸载决策变量，而用向量f＝{f₁,f₂,...,f_N}表示计算资源分配，令：

那么问题P1能够转换为下式：

s.t.C1～C8

步骤五：将步骤二选择的任务卸载决策变量γ＝{a,b,ε}代入步骤四中的优化问题P2，得到凸优化问题P3：

解此凸优化问题，得到资源分配方案f＝{f₁,f₂,...,f_N}。

所述步骤三中将时延和能耗联合优化的问题转化为对系统开销

的优化问题P1，解出尽量使开销最小的计算资源分配和卸载任务决策，开销

表示为：

其中T_i和E_i分别表示当前任务i所产生的时延和能耗，自适应权重λ_i求解具体过程如下：

其中，ξ是权重因子，该数值的选取要遵循一个原则，即对时延敏感的任务其数值就要减小，最后再对求得的权重因子ξ进行归一化得到λ_i：

计算任务能够选择本地计算或者卸载到边缘计算服务器计算的模式共有以下六种，其时延、能耗和开销的模型分别如下：

(1)本地计算模型

f_i表示分配给计算任务的计算频率，那么第i个任务在本地执行的时延T_local,i为：

一个计算周期的能量消耗用κf_i ²表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27，因此车辆产生的能耗E_local,i和开销

为：

E_local,i＝κf_i ²Z_i

(2)边缘计算模型

对于任意车辆i来说，既能够接入宏基站也能够选择接入微基站；

当车辆接入微基站时，计算任务有三种卸载方式，即微基站边缘计算服务器、宏基站边缘计算服务器、云计算服务器；当车辆接入宏基站时，有两种卸载方式，即宏基站边缘计算服务器、云计算服务器；其中计算任务i选择卸载到边缘计算服务器计算模式产生的时延、能耗、开销如下：

(a)车辆接入微基站，计算任务在微基站边缘计算服务器进行

任务在微基站进行计算时，产生的时延分为两个部分：任务传输时延和任务处理时延；而产生的能耗分为任务传输能耗和任务处理能耗车辆产生的时延T_sbs,s,i、能耗E_sbs,s,i和开销

分别为：

(b)车辆接入微基站，计算任务在宏基站边缘计算服务器进行

车辆连接微基站，任务上传至宏基站服务器进行计算，在此过程中产生了一个转移时延T_sm，而任务通过光纤转移，其中产生的转移能耗能够忽略，则车辆产生的时延T_sbs,m,i、能耗E_sbs,m,i和开销

分别为：

(c)车辆接入微基站，计算任务在云基站服务器进行

任务上传至云服务器也会产生一个时延T_sc，故车辆产生的时延T_sbs,c,i，能耗E_sbs,c,i和开销

如下:

(d)车辆接入宏基站，计算任务在宏基站边缘计算服务器进行

车辆连接宏基站，计算任务上传宏基站服务器计算，车辆产生的时延T_mbs,m,i，能耗E_mbs,m,i，开销

如下：

(e)车辆接入宏基站，计算任务在云计算服务器进行

车辆连接宏基站，任务在云服务器计算，任务转移产生的时延为T_mc，故车辆产生的时延T_mbs,c,i，能耗E_mbs,c,i和开销

如下：

一种边缘网络环境下的计算卸载系统，包括宏基站，微基站和云服务中心；其中

在宏基站旁配备一个边缘宏基站服务器；宏基站范围内有若干个微基站，同样每个微基站旁配备一个边缘微基站服务器，同时，在系统中存在一个云服务中心，系统模型中共有N辆车辆，用集合表示为i∈{1,2,...,N}；车辆通过正交频分多址方法与基站关联，每个用户车辆占用一个信道，系统带宽被划分为若干个子信道，每个子信道的带宽为B；

每个宏基站和微基站都配有边缘计算服务器，车辆能够选择与宏基站或者微基站进行连接，卸载计算任务；用b_i∈{0,1}表示车辆的连接选择，当车辆连接微基站时b_i＝0，车辆连接宏基站时b_i＝1；根据香农定理，车辆连接微基站或宏基站的传输速率

为：

其中，p^s和p^m表示微基站和宏基站的发射功率，σ²表示无线信道的噪声功率，I表示宏基站和微基站之间的干扰，

和

分别表示微基站和宏基站与车辆之间的信道增益。

本发明的有益效果：

本发明构建了一种边缘网络环境下的计算卸载系统，包括宏基站，微基站，云服务中心；建立车辆任务模型；分别讨论了六种卸载方式的计算模型，计算六种方式下的能耗和时延，将能耗和时延问题转化为对开销的优化问题；采用贪婪算法进行卸载方案的选择并将卸载决策代入优化问题，采用凸优化算法进行求解得到资源分配方案。在本发明的系统下，对计算资源和卸载决策的联合优化问题进行了形式化，并解决了边缘网络下资源分配和卸载决策问题。

附图说明

图1为本发明中所述方法的整体流程图。

图2为本发明中所述方法的效果图。

具体实施方式

实施例1

如图1所示，一种MEC中联合计算资源分配和卸载决策的方法及系统，包括以下步骤：

步骤一：单位时间内N辆车辆分别产生一个计算密集时延敏感的计算任务，车辆i的计算任务被定义为s_i＝{H_i,Z_i,T_i ^MAX}，其中H_i表示当前任务i的数据量大小，Z_i表示完成该任务i所需的CPU转数，T_i ^MAX表示当前任务可容忍最大时延；任务i就是由车辆i产生，故任务i和车辆i共用i表示；

步骤二：计算任务能够选择本地计算或者卸载到边缘计算服务器计算这两种模式；

用a_i∈{0,1}表示任务计算模式的选择，当a_i＝0时表示车辆i选择本地计算模式，a_i＝1时表示车辆i选择卸载到边缘计算服务器计算模式，其中卸载到边缘计算服务器计算模式有三种卸载方式，分别为卸载到微基站边缘计算服务器、宏基站边缘计算服务器或云计算服务器；

当车辆接入宏基站时，有两种卸载方式，即宏基站边缘计算服务器、云计算服务器；车辆采用贪婪算法进行卸载方案的选择，即选择对自身开销最小的卸载方案进行卸载。

步骤三：建立优化问题P1：

其中，

其中：向量a＝{a₁,a₂,...,a_N}表示系统内车辆的卸载模式选择，向量b＝{b₁,b₂,...,b_N}表示当前车辆的基站选择，向量

和

表示车辆的任务是否选择卸载至相对应的服务器进行计算；λ_i表示自适应权重，f_i表示分配给计算任务的计算频率，F_smax表示微基站边缘计算服务器处的最大计算资源，F_mmax表示宏基站边缘计算服务器处的最大计算资源，F_cmax表示云计算服务器处的最大计算资源；

分别表示计算任务是在微基站服务器计算，宏基站服务器计算或云服务器计算，取值为1则表示卸载到此服务器，取值为0则不是；

约束条件C1为决定当前车辆任务只能本地计算或者卸载计算，约束条件C2表示当前车辆的基站连接情况，约束条件C3—C5表示当前计算任务在卸载计算的条件下，一定选择一处服务器进行计算，MEC服务器通过MEC关键技术中虚拟化技术，将计算资源虚拟化分配给系统内的车辆。条件C6—C8是服务器计算资源限制条件；服务器上任务的分配的总频率不能大于服务器最大频率。

步骤四：问题转换，用向量ε＝{ε^s,ε^m,ε^c}表示计算任务的目的地，向量γ＝{a,b,ε}表示任务卸载决策变量，而用向量f＝{f₁,f₂,...,f_N}表示计算资源分配，令：

那么问题P1能够转换为下式：

s.t.C1～C8

步骤五：将步骤二选择的卸载动作即任务卸载决策变量γ＝{a,b,ε}代入步骤四中的优化问题P2，得到凸优化问题P3：

解此凸优化问题，得到资源分配方案f＝{f₁,f₂,...,f_N}。

问题P3是任务卸载决策变量γ＝{a,b,ε}代入问题P2得到的资源分配问题，约束条件C6—C8是服务器计算资源限制条件；服务器上任务的分配的总频率不能大于服务器最大频率。

在研究中，系统中的计算任务都是不可分割的。

所述步骤三中将时延和能耗联合优化的问题转化为对系统开销

的优化问题P1，解出尽量使开销最小的计算资源分配和卸载任务决策，开销

表示为：

其中T_i和E_i分别表示当前任务i所产生的时延和能耗，自适应权重λ_i求解具体过程如下：

其中，λ^*是未归一化的自适应权重，包含从任务1到N的未归一化的权重，即每个任务i都有一个

然后对每一个

归一化得到λ_i，ξ是权重因子，该数值的选取要遵循一个原则，即对时延敏感的任务其数值就要减小，最后再对求得的权重因子ξ进行归一化得到λ_i：

所述六种卸载模式的时延、能耗和开销模型如下：

(1)本地计算模型

计算任务在本地执行时，任务的时延主要是任务的处理时延，即公式(4.4)，f_i表示分配给计算任务的计算频率，那么第i个任务在本地执行的时延T_local,i为：

一个计算周期的能量消耗用κf_i ²表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27，因此车辆产生的能耗E_local,i和开销

为：

E_local,i＝κf_i ²Z_i

(2)边缘计算模型

对于任意车辆i来说，既能够接入宏基站也能够选择接入微基站；

当车辆接入微基站时，计算任务有三种卸载方式，即微基站边缘计算服务器、宏基站边缘计算服务器、云计算服务器；当车辆接入宏基站时，有两种卸载方式，即宏基站边缘计算服务器、云计算服务器；其中计算任务i选择卸载到边缘计算服务器计算模式产生的时延、能耗、开销如下：

(a)车辆接入微基站，计算任务在微基站边缘计算服务器进行

任务在微基站进行计算时，产生的时延分为两个部分：任务传输时延和任务处理时延；而产生的能耗分为任务传输能耗和任务处理能耗，在本系统中由于边缘服务器通过电缆供电，因此不考虑边缘服务器的任务处理能耗；则车辆产生的时延T_sbs,s,i、能耗E_sbs,s,i和开销

分别为：

(b)车辆接入微基站，计算任务在宏基站边缘计算服务器进行

车辆连接微基站，任务上传至宏基站服务器进行计算，在此过程中产生了一个转移时延T_sm，而任务通过光纤转移，其中产生的转移能耗能够忽略，则车辆产生的时延T_sbs,m,i、能耗E_sbs,m,i和开销

分别为：

(c)车辆接入微基站，计算任务在云基站服务器进行

同上文，任务上传至云服务器也会产生一个时延T_sc，故车辆产生的时延T_sbs,c,i，能耗E_sbs,c,i和开销

如下:

(d)车辆接入宏基站，计算任务在宏基站边缘计算服务器进行

车辆连接宏基站，计算任务上传宏基站服务器计算，车辆产生的时延T_mbs,m,i，能耗E_mbs,m,i，开销

如下：

(e)车辆接入宏基站，计算任务在云计算服务器进行

车辆连接宏基站，任务在云服务器计算，任务转移产生的时延为T_mc，故车辆产生的时延T_mbs,c,i，能耗E_mbs,c,i和开销

如下：

一种边缘网络环境下的计算卸载系统，包括宏基站，微基站和云服务中心；其中

在宏基站旁配备一个边缘宏基站服务器；宏基站范围内有若干个微基站，同样每个微基站旁配备一个边缘微基站服务器，同时，在系统中存在一个云服务中心，系统模型中共有N辆车辆，用集合表示为i∈{1,2,...,N}；车辆通过正交频分多址方法与基站关联，每个用户车辆占用一个信道，系统带宽被划分为若干个子信道，每个子信道的带宽为B。

每个宏基站和微基站都配有边缘计算服务器，车辆能够选择与宏基站或者微基站进行连接，卸载计算任务；用b_i∈{0,1}表示车辆的连接选择，当车辆连接微基站时b_i＝0，车辆连接宏基站时b_i＝1；根据香农定理，车辆连接微基站或宏基站的传输速率

为：

其中，B表示信道带宽，p^s和p^m表示微基站和宏基站的发射功率，σ²表示无线信道的噪声功率，I表示宏基站和微基站之间的干扰，

和

分别表示微基站和宏基站与车辆之间的信道增益。

实施例2

步骤一：构建一种边缘网络环境下的计算卸载系统，在1Km*1Km的正方形区域内有1个宏基站，1个微基站，宏基站和微基站的通信范围是1.5Km和1Km，基站的每个信道带宽取B＝2MHz，微基站的发射功率p^s＝30dbm，宏基站的发射功率p^m＝46dbm，高斯白噪声σ²＝-147dbm，宏基站和微基站之间的干扰I＝100σ²，用户的信道衰减模型为u＝127+30logd(d是用户和基站之间的距离)，微基站和宏基站与车辆i之间的信道增益的计算方式为G_i＝10^_u/10。

步骤二：随机分布车辆150辆，每辆车辆上的计算频率取在0.8到1GHz之间的随机值，每辆车同一时刻都会产生一个计算任务s_i＝{H_i,Z_i,T_i ^MAX}。

计算任务的数据量为0.7MB至0.8MB之间随机分布，任务可忍受最大时延在0.6至0.8s之间随机分布，任务完成所需的CPU转数在400兆周期至2000兆周期之间。微基站服务器的计算资源为F_smax＝80GHz，宏基站服务器的计算资源为F_mmax＝200GHz，云服务器的计算资源为F_cmax＝300GHz。由微基站向宏基站服务器和云服务器转移计算任务的时间分别为T_sm＝0.02s，T_sc＝0.12s。由宏基站向云服务器的转移时间为T_mc＝0.1s。

步骤三：计算任务可以选择本地计算或者进行卸载到边缘计算服务器计算。用a_i∈{0,1}表示任务计算模式的选择，当a_i＝0时表示车辆i选择本地计算模式，a_i＝1时表示车辆i选择卸载计算模式。任务有三种卸载方式，即微基站边缘计算服务器、宏基站边缘计算服务器、云计算服务器；当车辆接入宏基站时，有两种卸载方式，即宏基站边缘计算服务器、云计算服务器。车辆采用贪婪算法进行卸载方案的选择，即选择对自身开销最小的卸载方案进行卸载。

步骤四：建立优化问题，并进行转换：

s.t.C1～C8

其中，自适应权重求解具体过程如下：

取ξ＝0.5。最后再对求得的权重进行归一化：

步骤五：将步骤三得到的卸载动作γ＝{a,b,ε}分别代入步骤四中的优化问题，得到凸优化问题：

用凸优化算法解此函数，得到资源分配方案f＝{f₁,f₂,...,f_N}。

由图2可知，分析了在本文提出的系统模型下，任务开销与任务所需CPU转数之间的关系。随着任务所需CPU周期数的增加，系统的开销在增加。而三种移动边缘计算卸载方案的开销小于本地计算的开销，任务越复杂这两者之间的差距就越明显，说明了引入移动边缘计算对车联网发展的必要性。

Claims (4)

1.一种MEC中联合计算资源分配和卸载决策的方法，其特征在于包括以下步骤：

步骤一：单位时间内N辆车辆分别产生一个计算密集时延敏感的计算任务，车辆i的计算任务被定义为s_i＝{H_i,Z_i,T_i ^MAX}，其中H_i表示当前任务i的数据量大小，Z_i表示完成该任务i所需的CPU转数，T_i ^MAX表示当前任务可容忍最大时延；

步骤二：计算任务能够选择本地计算或者卸载到边缘计算服务器计算这两种模式；

用a_i∈{0,1}表示任务计算模式的选择，当a_i＝0时表示车辆i选择本地计算模式，a_i＝1时表示车辆i选择卸载到边缘计算服务器计算模式，其中卸载到边缘计算服务器计算模式有三种卸载方式，分别为卸载到微基站边缘计算服务器、宏基站边缘计算服务器或云计算服务器；

步骤三：建立优化问题P1：

其中，

其中：向量a＝{a₁,a₂,...,a_N}表示系统内车辆的卸载模式选择，向量b＝{b₁,b₂,...,b_N}表示当前车辆的基站选择，向量

和

表示车辆的任务是否选择卸载至相对应的服务器进行计算；λ_i表示自适应权重，f_i表示分配给计算任务的计算频率，F_smax表示微基站边缘计算服务器处的最大计算资源，F_mmax表示宏基站边缘计算服务器处的最大计算资源，F_cmax表示云计算服务器处的最大计算资源；

分别表示计算任务是在微基站服务器计算，宏基站服务器计算或云服务器计算，取值为1则表示卸载到此服务器，取值为0则不是；

步骤四：问题转换，用向量ε＝{ε^s,ε^m,ε^c}表示计算任务的目的地，向量γ＝{a,b,ε}表示任务卸载决策变量，而用向量f＝{f₁,f₂,...,f_N}表示计算资源分配，令：

那么问题P1能够转换为下式：

s.t.C1～C8

步骤五：将步骤二选择的任务卸载决策变量γ＝{a,b,ε}代入步骤四中的优化问题P2，得到凸优化问题P3：

解此凸优化问题，得到资源分配方案f＝{f₁,f₂,...,f_N}。

2.根据权利要求1所述的一种MEC中联合计算资源分配和卸载决策的方法，其特征在于所述步骤三中将时延和能耗联合优化的问题转化为对系统开销

的优化问题P1，解出尽量使开销最小的计算资源分配和卸载任务决策，开销

表示为：

其中T_i和E_i分别表示当前任务i所产生的时延和能耗，自适应权重λ_i求解具体过程如下：

其中，ξ是权重因子，该数值的选取要遵循一个原则，即对时延敏感的任务其数值就要减小，最后再对求得的权重因子ξ进行归一化得到λ_i：

3.计算任务能够选择本地计算或者卸载到边缘计算服务器计算的模式及模型，其特征在于模式共有以下六种，其时延、能耗和开销的模型分别如下：

(1)本地计算模型

f_i表示分配给计算任务的计算频率，那么第i个任务在本地执行的时延T_local,i为：

一个计算周期的能量消耗用κf_i ²表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10^-27，因此车辆产生的能耗E_local,i和开销

为：

(2)边缘计算模型

对于任意车辆i来说，既能够接入宏基站也能够选择接入微基站；

当车辆接入微基站时，计算任务有三种卸载方式，即微基站边缘计算服务器、宏基站边缘计算服务器、云计算服务器；当车辆接入宏基站时，有两种卸载方式，即宏基站边缘计算服务器、云计算服务器；其中计算任务i选择卸载到边缘计算服务器计算模式产生的时延、能耗、开销如下：

(a)车辆接入微基站，计算任务在微基站边缘计算服务器进行

任务在微基站进行计算时，产生的时延分为两个部分：任务传输时延和任务处理时延；而产生的能耗分为任务传输能耗和任务处理能耗车辆产生的时延T_sbs,s,i、能耗E_sbs,s,i和开销

分别为：

(b)车辆接入微基站，计算任务在宏基站边缘计算服务器进行

车辆连接微基站，任务上传至宏基站服务器进行计算，在此过程中产生了一个转移时延T_sm，而任务通过光纤转移，其中产生的转移能耗能够忽略，则车辆产生的时延T_sbs,m,i、能耗E_sbs,m,i和开销

分别为：

(c)车辆接入微基站，计算任务在云基站服务器进行

任务上传至云服务器也会产生一个时延T_sc，故车辆产生的时延T_sbs,c,i，能耗E_sbs,c,i和开销

如下:

(d)车辆接入宏基站，计算任务在宏基站边缘计算服务器进行

车辆连接宏基站，计算任务上传宏基站服务器计算，车辆产生的时延T_mbs,m,i，能耗E_mbs,m,i，开销

如下：

(e)车辆接入宏基站，计算任务在云计算服务器进行

车辆连接宏基站，任务在云服务器计算，任务转移产生的时延为T_mc，故车辆产生的时延T_mbs,c,i，能耗E_mbs,c,i和开销

如下：

4.一种边缘网络环境下的计算卸载系统，其特征在于包括宏基站，微基站和云服务中心；其中在宏基站旁配备一个边缘宏基站服务器；宏基站范围内有若干个微基站，同样每个微基站旁配备一个边缘微基站服务器，同时，在系统中存在一个云服务中心，系统模型中共有N辆车辆，用集合表示为i∈{1,2,...,N}；车辆通过正交频分多址方法与基站关联，每个用户车辆占用一个信道，系统带宽被划分为若干个子信道，每个子信道的带宽为B；

每个宏基站和微基站都配有边缘计算服务器，车辆能够选择与宏基站或者微基站进行连接，卸载计算任务；用b_i∈{0,1}表示车辆的连接选择，当车辆连接微基站时b_i＝0，车辆连接宏基站时b_i＝1；根据香农定理，车辆连接微基站或宏基站的传输速率

为：

其中，p^s和p^m表示微基站和宏基站的发射功率，σ²表示无线信道的噪声功率，I表示宏基站和微基站之间的干扰，

和

分别表示微基站和宏基站与车辆之间的信道增益。

Images