CN113411394B - 一种超密集网络场景下卸载任务的处理的方法及装置 - Google Patents
一种超密集网络场景下卸载任务的处理的方法及装置 Download PDFInfo
- Publication number
- CN113411394B CN113411394B CN202110676580.6A CN202110676580A CN113411394B CN 113411394 B CN113411394 B CN 113411394B CN 202110676580 A CN202110676580 A CN 202110676580A CN 113411394 B CN113411394 B CN 113411394B
- Authority
- CN
- China
- Prior art keywords
- terminal
- relay
- task
- resources
- computing
- 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
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
- H04L67/1012—Server selection for load balancing based on compliance of requirements or conditions with available server resources
-
- 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)
Abstract
本发明提供一种超密集网络场景下卸载任务的处理方法及装置,方法包括:获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;将所述空闲资源与所述终端时延需求量化为效用函数;根据所述效用函数确定任务的卸载模式;按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备。本发明的方案充分利用了大量用户设备的空闲计算资源,实现满足用户带宽、时延需求的前提下,提高资源利用效率并降低能耗。
Description
技术领域
本发明涉及边缘计算技术领域,特别是指一种超密集网络场景下卸载任务的处理的方法及装置。
背景技术
超密集网络(UDN,ultra-dense network)通过部署大量发射功率低、覆盖面积小的接入节点(AP,access point),提高了单位面积吞吐量,以满足人流密集场景中用户对数据业务的高需求。另一方面,为了满足UDN中用户对大数据量、低时延计算任务的需求,并考虑到用户终端本身受电池寿命、计算能力的限制,UDN需要与一些计算卸载技术相结合才能进一步满足用户对于计算业务的需求。其中,移动边缘计算(MEC,mobile edge computing)技术在众多技术中脱颖而出,其通过在用户附近的AP设备上部署MEC服务器,实现低时延、高带宽的计算卸载。
关于UDN与MEC结合的研究,目前已经有一些研究成果。目前大部分研究都是基于每个AP部署一个MEC服务器的前提,但该假设在UDN实际部署是不现实的,原因如下:一方面,UDN中部署的AP主要以功能简单、处理能力有限的低功率节点为主,并且包括许多用户私有节点,很多AP本身不支持MEC功能;另一方面,UDN中AP的部署数量级将与用户设备的数量级持平,为每个AP均另外配置MEC服务器会导致较高的部署成本,在实际场景中难以实现。
发明内容
本发明要解决的技术问题是提供一种超密集网络场景下卸载任务的处理方法及装置。充分利用了大量用户设备的空闲计算资源,实现满足用户带宽、时延需求的前提下,提高资源利用效率并降低能耗。
为解决上述技术问题,本发明的技术方案如下:
本发明提供一种超密集网络场景下卸载任务的处理方法,包括:
获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;
将所述空闲资源与所述终端时延需求量化为效用函数;
根据所述效用函数确定任务的卸载模式;
按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备。
可选的,
其中,τi为终端Ui的时延需求;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP,若连接状态为连接,则为1,若连接状态为未连接,则为0;为终端Ui可用传输的计算数据大小;为终端Ui与每个部署移动边缘计算服务器的接入点El之间的上行传输速率;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;是终端Ui到终端Un的上行传输速率;是终端Ui到中继Am的上行传输速率;是中继Am到终端Uj的下行传输速率;是终端Uj空闲计算能力;为终端Ui的可用计算资源。
可选的,
其中,ei是终端Ui的能耗;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP,若连接状态为连接,则为1,若连接状态为未连接,则为0;Pi u是终端Ui的发射功率;为终端Ui可用传输的计算数据大小;为终端Ui与每个部署移动边缘计算服务器的接入点El之间的上行传输速率;表示终端Ui与终端Un之间设备到设备D2D的连接状态;是终端Ui到终端Un的上行传输速率;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;是所连中继的发射功率;是终端Ui到中继Am的下行传输速率;为终端Ui的可用计算资源;是终端Uj上中央处理器CPU每转的功耗。
可选的,
所述空闲资源包括通信资源和计算资源;
可选的,将所述空闲资源与所述终端时延需求量化为效用函数,包括:
可选的,根据所述效用函数确定任务的卸载模式,包括:
根据所述效用函数,确定任务的卸载模式为移动边缘计算服务器的接入点MEC-AP与设备到设备D2D协作式卸载模式;
根据所述效用函数,确定任务的卸载模式为设备到设备D2D方式的卸载模式。
可选的,所述移动边缘计算服务器的接入点MEC-AP与设备到设备D2D协作式卸载模式包括:
基于非正交多址接入NOMA的能耗与终端时延需求,终端UE将任务卸载到移动边缘计算服务器MEC和/或通过D2D方式进行终端UE间的计算卸载,得到卸载结果;
根据所述卸载结果,得到协作式接入选择问题为
其中P1为协作式选择问题,为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;为请求计算卸载业务的终端Ui对应的效用函数;Φm为MEC-AP的集合;Φd为提供计算卸载的终端UE集合;Φr为中继接入点AP的集合;为终端Ui的请求带宽;为El的可用带宽;为终端Ui的请求计算资源;Ti q为终端Ui的所允许的最大时延;为终端Ui的需要传输的计算数据的大小;Ril为终端Ui的到El的数据传输速率;Fl a为El的可用计算资源;为终端Un的可用带宽;Rin为终端Ui的到终端Un的数据传输速率;为终端Un的空闲计算能力;为中继Am的请求带宽;为终端Uj的可用带宽;Rim为终端Ui的到中继Am的数据传输速率;Rij为终端Ui的到终端Uj的数据传输速率;为终端Uj的可用计算资源;C1a、C1b、C2a、C2b、C2c、C3a、C3b、C4a、C4b是序号。
可选的,根据所述效用函数,确定任务的卸载模式为设备到设备D2D方式的卸载模式,包括:
基于全双工FD的中继AP,终端UE将任务卸载到远端终端UE,得到卸载结果;
根据所述卸载结果,得到功率、带宽的混合整数非线性规划MINP问题:
C5:γ≥γth
其中P2为功率、带宽的混合整数非线性规划MINP问题;ei为终端Ui的能耗;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;为请求计算卸载业务的终端Ui对应的效用函数;Φm为MEC-AP的集合;Φd为提供计算卸载的终端UE集合;Φr为中继接入点AP的集合;Pi u为终端Ui的发射功率;为终端Ui的请求带宽;为El的可用带宽;Ti q为终端Ui的所允许的最大时延;Pi uMax为终端Ui的最大发射功率;Ril为终端Ui的到El的数据传输速率;Fl a为El的可用计算资源;为终端Un的可用带宽;为中继Am的请求带宽;为终端Uj的可用带宽;τi为终端Ui的终端时延需求;C1、C2、C3、C4、C5、C6、C7是序号。
本发明提供一种超密集网络场景下卸载任务的处理装置,包括:
收发模块,用于获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;
处理模块,用于将所述空闲资源与所述终端时延需求量化为效用函数;根据所述效用函数确定任务的卸载模式;按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备。
本发明提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上述的方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;将所述空闲资源与所述终端时延需求量化为效用函数;根据所述效用函数确定任务的卸载模式;按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备;充分利用了大量用户设备的空闲计算资源,实现满足用户带宽、时延需求的前提下,提高资源利用效率并降低能耗。
附图说明
图1是本发明的实施例超密集网络场景下卸载任务的处理方法的流程示意图;
图2是本发明的实施例的终端UE通过中继传输的网络拓扑图;
图3是本发明的实施例的终端UE利用非正交多址接入技术NOMA通过多接入移动边缘计算无线访问接入点MEC-AP传输的网络拓扑图;
图4是本发明的实施例的多个终端UE利用NOMA技术通过MEC-AP传输的网络拓扑图;
图5是本发明的实施例的终端UE通过D2D设备到设备链路传输的网络拓扑图;
图6是本发明的实施例中协作式选择问题P1的流程示意图;
图7是本发明的实施例中功率、带宽的混合整数非线性规划MINP问题P2的流程示意图;
图8是本发明的实施例中效用值的对比图;
图9是本发明的实施例中卸载成功率的对比图;
图10是本发明的实施例中网络能耗的对比图;
图11是本发明的实施例超密集网络场景下卸载任务的处理装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提出一种超密集网络场景下卸载任务的处理方法,其特征在于,包括:
步骤11,获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;
步骤12,将所述空闲资源与所述终端时延需求量化为效用函数;
步骤13,根据所述效用函数确定任务的卸载模式;
步骤14,按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备。
该实施例基于超密集网络(UDN,ultra-dense network)和移动边缘计算技术(MEC,mobile edge computing),针对UDN中MEC服务器部署受限的限制条件,通过引入设备到设备(D2D,device-to-device)通信技术来充分利用UDN的设备中大量空闲资源,确定卸载模式,按照卸载模式将任务卸载至边缘计算中心设备或者中继设备,实现满足用户带宽、时延需求的前提下,提高资源利用效率并降低能耗。
需要说明的是,本实施例可以基于典型UDN场景,当然也可以用于其他场景。
如图2至图5所示,图2是终端UE通过中继传输的网络拓扑图;图3是终端UE利用非正交多址接入技术NOMA通过多接入移动边缘计算无线访问接入点MEC-AP传输的网络拓扑图;图4是多个终端UE利用NOMA技术通过MEC-AP传输的网络拓扑图;图5是终端UE通过D2D设备到设备链路传输的网络拓扑图;
本发明的实施例中,基于典型UDN场景下的网络模型为部署有一个宏基站(MBS,macro base station),N个独立且随机分布的终端UE,密度为λu,M个密集部署且具备全双工(FD,full duplex)功能的接入点(AP,access point),可以是微微蜂窝基站与毫微微蜂窝基站,服从泊松点过程(PPP,Poisson point process)分布,接入点AP密度为λa。部分接入点AP上部署了MEC服务器,即MEC服务器部署数量为L(L<M)。终端UE为集合U={U1,U2,…,UN};接入点AP按可用计算资源从大到小的排序,得到接入点AP的集合为向量A={A1,A2,…,AM};每个部署MEC服务器的AP称为移动边缘计算服务器的接入点MEC-AP,MEC-AP用集合E={E1,E2,…,EL}来表示,其中E1至EL依次对应A1到AL;本实施例中的设备到设备D2D通信使用的频带与蜂窝网为同一频带,需要子载波分配方法避免相邻网络中产生的同频干扰;系统总频带B被分成Ψ个连续子载波,用集合S={S1,S2,…,SΨ}来表示,其中,每个子载波的带宽为B0;El最多能同时为Ql个用户提供计算卸载服务,其中,降低了NOMA中串行干扰消除(SIC,successive interference cancellation)解码的复杂度和功率消耗;MEC-AP在接收计算任务的时候不利用全双工FD功能进行下行传输,减少了MEC-AP端的自干扰。
将计算卸载的模型进行量化,第n个用户Un的状态信息可用表示,其中Bq为请求带宽;Br为可用带宽,这里,请求带宽和可用带宽的单位优选的为MHz(兆赫兹);Cq为请求计算资源,请求计算资源指的是Gigacycles(CPU转数),Dq为需要传输的计算数据大小,Dq的单位优选的为bits(字位);Tq为所允许的最大时延,Tq的单位优选的为s(秒),PuMax为终端UE最大发射功率,PuMax的单位优选的为W(瓦特),Fu为终端UE空闲计算能力,空闲计算能力指每秒运行CPU转数,这里的CPU转数单位优选的为GHz(千兆赫兹),Pcpu为设备的计算功耗,设备的计算功耗指CPU每转的功耗,其公式优选的为W/Giga cycle(每1个CPU转数的瓦特值);
将Ak的当前状态进行量化其中Ba为可用带宽,这里可用带宽的单位优选的为MHz(兆赫兹),Fa为可用计算资源,可用计算资源指的是每秒运行的CPU转数,可用计算资源的单位优选的为GHz(千兆赫兹),若没有装备MEC服务器则可用计算资源的值为0,PaMax为接入点AP最大发射功率,Qk为Ak当前可连接最大用户数目。
本发明一可选的实施例中,
其中,τi为终端Ui的时延需求;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP,若连接状态为连接,则为1,若连接状态为未连接,则为0;为终端Ui可用传输的计算数据大小;为终端Ui与每个部署移动边缘计算服务器的接入点El之间的上行传输速率;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;是终端Ui到终端Un的上行传输速率;是终端Ui到中继Am的上行传输速率;是中继Am到终端Uj的下行传输速率;是终端Uj空闲计算能力;为终端Ui的可用计算资源。
本实施例中的通信过程包括终端UE的上行链路和设备到设备D2D过程中中继到终端UE的下行链路。
其中,ei是终端Ui的能耗;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP,若连接状态为连接,则为1,若连接状态为未连接,则为0;Pi u是终端Ui的发射功率;为终端Ui可用传输的计算数据大小;为终端Ui与每个部署移动边缘计算服务器的接入点El之间的上行传输速率;表示终端Ui与终端Un之间设备到设备D2D的连接状态;是终端Ui到终端Un的上行传输速率;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;是所连中继的发射功率;是终端Ui到中继Am的下行传输速率;为终端Ui的可用计算资源;是终端Uj上中央处理器CPU每转的功耗。
这里,对本实施例中的通信模型进行说明:
在终端Ui与Ej连接的情况下,即且SIC解码器成功解码,则基于NOMA的信干燥比SINR(signal-to-interference-plus-noise ratios)为其中,Ui到Aj的上行信道增益,为Aj接收端收到的小区间干扰,可通过对功率分配与子载波分配来控制该部分干扰。为受到小区内干扰,与Aj接收端SIC解码顺序相关,其中Pt u是Aj所连终端UE中信道增益第t高的终端UE所对应的发射功率,i’为终端Ui的信道增益是Aj所连终端UE中第i’高的终端UE,可通过SIC来控制该部分干扰。Bi为分配给终端Ui的子载波总带宽,N0为接收端的噪声密度;
设备到设备D2D链路包括不连接中继的情况与连接中继的情况:
连接中继的情况,本实施例中只考虑连接一个中继,全双工FD仅在中继端使用,中继同时只服务一个终端UE,则相应的SINR表示为和其中对应Ui至中继Am的链路,可以通过公式计算得到,其中,为中继Am端经过自干扰消除技术的自干扰剩余自干扰大小;对应中继Am至Uj的链路,可以通过公式计算得到。
本发明一可选的实施例中,所述空闲资源包括通信资源和计算资源;
本实施例中,在MEC-AP与D2D中继上分别使用NOMA与FD技术,可以在扩展计算卸载连接数的同时,保证时延和带宽;由于UDN网络中AP、UE的部署与异构资源(通信与计算资源)都具有很强的随机性和密集性,因此资源的利用效率和能耗是网络的关键性能。
需要说明的是,传输速率的公式为数据传输速率R与使用带宽B的关系呈凹且非减型函数,将网络中的通信资源的价值通过公式进行量化,其中b1和b2是使用子载波的个数,θ(b)是关于带宽的价值函数;将计算资源的价值通过公式进行量化,计算能力与计算资源c1和c2是线性相关的,所以ξ(c)表示计算资源的价值函数;
本发明一可选的实施例中,将所述空闲资源与所述终端时延需求量化为效用函数,包括:
本实施例中,时延需求所量化的加权值ωi通过公式计算得到;其中,时延需求Ti q直接影响每个用户的选择优先级,通过给通信资源和计算资源的价值函数加权构成效用函数。表示请求计算卸载业务的终端Ui对应的效用函数,越高,则为所连接的计算卸载服务者(MEC-AP或其他UE)带来的价值越高;为计算卸载服务供应者的效用函数,用来量化其所对应的通信、计算能力。
本发明一可选的实施例中,步骤13包括:
步骤131,根据所述效用函数,确定任务的卸载模式为移动边缘计算服务器的接入点MEC-AP与设备到设备D2D协作式卸载模式;
步骤132,根据所述效用函数,确定任务的卸载模式为设备到设备D2D方式的卸载模式。
进一步地,步骤131包括:所述移动边缘计算服务器的接入点MEC-AP与设备到设备D2D协作式卸载模式包括:
基于非正交多址接入NOMA的能耗与终端时延需求,终端UE将任务卸载到移动边缘计算服务器MEC和/或通过D2D方式进行终端UE间的计算卸载,得到卸载结果;
根据所述卸载结果,得到协作式接入选择问题为
其中P1为协作式选择问题,为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;为请求计算卸载业务的终端Ui对应的效用函数;Φm为MEC-AP的集合;Φd为提供计算卸载的终端UE集合;Φr为中继接入点AP的集合;为终端Ui的请求带宽;为El的可用带宽;为终端Ui的请求计算资源;Ti q为终端Ui的所允许的最大时延;为终端Ui的需要传输的计算数据的大小;Ril为终端Ui的到El的数据传输速率;Fl a为El的可用计算资源;为终端Un的可用带宽;Rin为终端Ui的到终端Un的数据传输速率;为终端Un的空闲计算能力;为中继Am的请求带宽;为终端Uj的可用带宽;Rim为终端Ui的到中继Am的数据传输速率;Rij为终端Ui的到终端Uj的数据传输速率;为终端Uj的可用计算资源。
本实施例中,基于使更高处理能力的服务者为需求更高的UE提供服务,提出为协作式接入选择问题,其中,C1a中的连接变量与连接矩阵和对应;C1b限制了每个用户只连接一个接入节点来进行计算负载;C2a保证MEC-AP的连接UE个数不超过SIC解码个数限制;C2b、不连接中继的D2D过程中的C3a和连接中继的D2D过程中的C4a保证带宽资源能够满足UE需求;C2c、C3b和C4b保证终端时延需求。其中,传输速率的计算是以最差的网络情况,即考虑周围全部潜在干扰时,与AP能使用的最大功率与带宽为条件计算的出来的数值。
本发明一可选的实施例中,步骤132包括:
基于全双工FD的中继AP,终端UE将任务卸载到远端终端UE,得到卸载结果;
根据所述卸载结果,得到功率、带宽的混合整数非线性规划MINP问题:
C5:γ≥γth
其中P2为功率、带宽的混合整数非线性规划MINP问题;ei为终端Ui的能耗;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;Ui u为请求计算卸载业务的终端Ui对应的效用函数;Φm为MEC-AP的集合;Φd为提供计算卸载的终端UE集合;Φr为中继接入点AP的集合;Pi u为终端Ui的发射功率;为终端Ui的请求带宽;为El的可用带宽;Ti q为终端Ui的所允许的最大时延;Pi uMax为终端Ui的最大发射功率;Ril为终端Ui的到El的数据传输速率;Fl a为El的可用计算资源;为终端Un的可用带宽;为中继Am的请求带宽;为终端Uj的可用带宽;τi为终端Ui的终端时延需求。
本实施例中,是功率、带宽的混合整数非线性规划MINP问题;其中,C1保证在使用NOMA的接收端时可以成功完成SIC解码;yik表示第i个UE是否使用第k个子载波,使用则为1;C3限制了传输过程的使用带宽;C4保证时延能够满足需求;C5保证数据能够被顺利接收;C6和C7限制了发射功率不超过发射端的最大功率。
下面对协作式接入选择问题P1和功率、带宽的混合整数非线性规划MINP问题P2的算法进行具体的说明:
由于每个供应者的处理能力有差异,尤其是对于UE,计算卸载任务的负载过高会影响任务进程与电池寿命,因此协作式接入选择问题P1需要保证优化目标并让更高处理能力的计算卸载服务供应者与更高需求的UE连接;功率、带宽的混合整数非线性规划MINP问题P2需要考虑异构资源的分布、用户需求、干扰情况以及达到能耗最低。
如图6所示,协作式接入选择问题P1时多维0-1背包问题,基于动态规划方法的协作式接入选择算法,根据效用函数计算可得,宏基站MBS收集网络信息,进行初始化,将所有计算卸载服务供应者按效用值降序排序得到Z={Z1,Z2,…,ZV},筛选出请求计算卸载任务的UE并按任务量降序排序得到O={O1,O2,…,OW},ZV对应的三维效用函数状态矩阵为V={V1,V2,…,VV}。
功率、带宽的混合整数非线性规划MINP(mixed-integer non-linearprogramming)问题P2在保证满足终端UE的条件下,通过控制功率和子载波分配来达到能耗最小化;如图7所示,将P2分为子载波分配问题和功率分配问题,基于用户位置,以MBS为原点,将区域分为面积相等的四个区域,每个区域的用户集合分别记为U1、U2、U3以及U4,对于每个区域,将用户按距离原点由近到远的顺序排序 对应U中的fq(w)为第q象限的Uq与U中用户对应关系,d为分配子载波方式,d=1为顺序分配,d=-1为逆序分配,通过图7所示的方式能给保证了地理上相邻的UE尽可能占用不重叠的子载波,以减小相邻小区间的干扰。
通过协作式接入选择问题P1和功率、带宽的混合整数非线性规划MINP问题P2,P2中的变量只剩下P,通过量子粒子群算法(QPSO,quantum behaved particle swarmoptimization)进行对P进行计算,具体的算法为该算法基于QPSO的功率分配,具体地,
输入为:(a)连接变量X,Y和约束条件C1,C4-C7;(b)网络状态信息{O,Z,I,J};(c)迭代最大次数Δ以及迭代初始值Δ';(d)初始解P(Δ');
迭代方式为:当e(P)未收敛且Δ'<Δ时,根据QPSO规则更新解集P并求出相应的e,Δ'=Δ'+1;
输出为:功率分配解集P。
一个具体的实施例中,基于MATLAB软件,采用蒙特卡罗方法对本实施例中的方法进行仿真。仿真过程中的参数如下:所考虑场景面积为500m×600m,由于终端UE个数为60到120个不同情况,AP个数为60。UDN中AP存在有不同类型,最大发射功率为20个1W与30个0.5W,覆盖半径分别为40m与10m。MEC服务器的个数存在[20,30,40]三种情况,SIC解码功率阈值Pth为1mW。由于网络的随机性,计算任务数据量Dq从[0.5,1,1.5,2](Mbits)中随机选取,每个用户请求计算任务的CPU转数需求Cq与Dq相关,其对应关系从[500,1000](cycles/bit)中随机选取,时延需求为[0.5,1,1.5,2](s)。计算能力Fu与Fa分别从[2,5,10](GHz)与[15,25](GHz)中随机选取,计算功耗为90(W/Giga cycles),系统可用带宽20MHz,子载波带宽为180kHz。
如图8所示,对不同用户数量情况下传统接入策略与所提接入策略的效用值大小进行比较。其中,传统接入策略为请求用户接入最近且能满足任务需求的节点(MEC-AP,中继或D2D节点)。系统效用值Uu和Uol越大,说明更多处理能力强的服务设备用于需求更大的UE。结果表明,所提接入算法的系统效用值显著高于传统算法,并随着用户个数的增加而不明显波动,由于UDN具有很强的随机性,传统方案只考虑接收信号强度,而不考虑网络的资源分布情况,对于资源的利用效率和自身稳定性容易受到影响。
如图9所示,对考虑D2D与不考虑D2D对于计算卸载成功率的影响进行比较,由于UDN中UE与计算资源分布的随机性,若只采用MEC技术,在部署成本允许范围内,许多UE虽然在MEC-AP的覆盖范围内,但MEC-AP连接数目已经达到最大,就无法对其进行计算卸载。D2D的协作能够充分利用UE的计算资源,并且可以通过中继来进行范围扩展,因此会显著提高卸载成功率。
如图10所示,在相同网络环境中,对所提计算卸载策略使用NOMA与正交多址接入(OMA,orthogonal multiple access)两种接入方案的系统能耗进行比较。如图8和图9所示,说明在密集场景中,相较于传统方案,本实施例所提协作式计算卸载方案在保证用户时延需求的前提下,显著提高了计算卸载成功率并降低计算卸载过程的系统总能耗,并且随着用户密的度增加,其仍能够保证较好的性能,适应UDN中用户密集的情况。
本发明的实施例通过获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;将所述空闲资源与所述终端时延需求量化为效用函数;根据所述效用函数确定任务的卸载模式;按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备;充分利用了大量用户设备的空闲计算资源,实现满足用户带宽、时延需求的前提下,提高资源利用效率并降低能耗。
本发明还提供一种超密集网络场景下卸载任务的处理装置110,包括:
收发模块111,用于获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;
处理模块112,用于将所述空闲资源与所述终端时延需求量化为效用函数;根据所述效用函数确定任务的卸载模式;按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备。
其中,τi为终端Ui的时延需求;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP,若连接状态为连接,则为1,若连接状态为未连接,则为0;为终端Ui可用传输的计算数据大小;为终端Ui与每个部署移动边缘计算服务器的接入点El之间的上行传输速率;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;是终端Ui到终端Un的上行传输速率;是终端Ui到中继Am的上行传输速率;是中继Am到终端Uj的下行传输速率;是终端Uj空闲计算能力;为终端Ui的可用计算资源。
其中,ei是终端Ui的能耗;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP,若连接状态为连接,则为1,若连接状态为未连接,则为0;Pi u是终端Ui的发射功率;为终端Ui可用传输的计算数据大小;为终端Ui与每个部署移动边缘计算服务器的接入点El之间的上行传输速率;表示终端Ui与终端Un之间设备到设备D2D的连接状态;是终端Ui到终端Un的上行传输速率;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;是所连中继的发射功率;是终端Ui到中继Am的下行传输速率;为终端Ui的可用计算资源;是终端Uj上中央处理器CPU每转的功耗。
可选的,所述空闲资源包括通信资源和计算资源;
可选的,将所述空闲资源与所述终端时延需求量化为效用函数,包括:
可选的,根据所述效用函数确定任务的卸载模式,包括:
根据所述效用函数,确定任务的卸载模式为移动边缘计算服务器的接入点MEC-AP与设备到设备D2D协作式卸载模式;
根据所述效用函数,确定任务的卸载模式为设备到设备D2D方式的卸载模式。
可选的,所述移动边缘计算服务器的接入点MEC-AP与设备到设备D2D协作式卸载模式包括:
基于非正交多址接入NOMA的能耗与终端时延需求,终端UE将任务卸载到移动边缘计算服务器MEC和/或通过D2D方式进行终端UE间的计算卸载,得到卸载结果;
根据所述卸载结果,得到协作式接入选择问题为
其中P1为协作式选择问题,为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;为请求计算卸载业务的终端Ui对应的效用函数;Φm为MEC-AP的集合;Φd为提供计算卸载的终端UE集合;Φr为中继接入点AP的集合;为终端Ui的请求带宽;为El的可用带宽;为终端Ui的请求计算资源;Ti q为终端Ui的所允许的最大时延;为终端Ui的需要传输的计算数据的大小;Ril为终端Ui的到El的数据传输速率;Fl a为El的可用计算资源;为终端Un的可用带宽;Rin为终端Ui的到终端Un的数据传输速率;为终端Un的空闲计算能力;为中继Am的请求带宽;为终端Uj的可用带宽;Rim为终端Ui的到中继Am的数据传输速率;Rij为终端Ui的到终端Uj的数据传输速率;为终端Uj的可用计算资源。
可选的,根据所述效用函数,确定任务的卸载模式为设备到设备D2D方式的卸载模式,包括:
基于全双工FD的中继AP,终端UE将任务卸载到远端终端UE,得到卸载结果;
根据所述卸载结果,得到功率、带宽的混合整数非线性规划MINP问题:
C5:γ≥γth
其中P2为功率、带宽的混合整数非线性规划MINP问题;ei为终端Ui的能耗;为终端Ui与El的连接状态,El为每个部署移动边缘计算服务器的接入点MEC-AP;表示终端Ui与终端Un之间设备到设备D2D的连接状态;表示终端Ui与空闲资源Aj的连接情况;则表示终端Ui通过中继最终与终端Uj的连接情况;为请求计算卸载业务的终端Ui对应的效用函数;Φm为MEC-AP的集合;Φd为提供计算卸载的终端UE集合;Φr为中继接入点AP的集合;Pi u为终端Ui的发射功率;为终端Ui的请求带宽;为El的可用带宽;Ti q为终端Ui的所允许的最大时延;Pi uMax为终端Ui的最大发射功率;Ril为终端Ui的到El的数据传输速率;Fl a为El的可用计算资源;为终端Un的可用带宽;为中继Am的请求带宽;为终端Uj的可用带宽;τi为终端Ui的终端时延需求。
需要说明的是,该装置是与上述方法对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,存储有指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种超密集网络场景下卸载任务的处理方法,其特征在于,包括:
获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;
将所述空闲资源与所述终端时延需求量化为效用函数;
根据所述效用函数确定任务的卸载模式;
按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备;
2.根据权利要求1所述的超密集网络场景下卸载任务的处理方法,其特征在于,
5.根据权利要求1所述的超密集网络场景下卸载任务的处理方法,其特征在于,根据所述效用函数确定任务的卸载模式,包括:
根据所述效用函数,确定任务的卸载模式为移动边缘计算服务器的接入点MEC-AP与设备到设备D2D协作式卸载模式;
根据所述效用函数,确定任务的卸载模式为设备到设备D2D方式的卸载模式。
6.一种超密集网络场景下卸载任务的处理装置,其特征在于,包括:
收发模块,用于获得边缘计算中心设备或者中继设备的空闲资源、终端时延需求以及能耗;
处理模块,用于将所述空闲资源与所述终端时延需求量化为效用函数;根据所述效用函数确定任务的卸载模式;按照所述卸载模式将任务卸载至边缘计算中心设备或者中继设备;
7.一种计算机可读存储介质,其特征在于,存储指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676580.6A CN113411394B (zh) | 2021-06-16 | 2021-06-16 | 一种超密集网络场景下卸载任务的处理的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676580.6A CN113411394B (zh) | 2021-06-16 | 2021-06-16 | 一种超密集网络场景下卸载任务的处理的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113411394A CN113411394A (zh) | 2021-09-17 |
CN113411394B true CN113411394B (zh) | 2022-09-09 |
Family
ID=77681282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110676580.6A Active CN113411394B (zh) | 2021-06-16 | 2021-06-16 | 一种超密集网络场景下卸载任务的处理的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113411394B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
CN111884696B (zh) * | 2020-07-01 | 2022-03-25 | 广州大学 | 一种基于多载波的中继协作移动边缘计算方法 |
CN112468568B (zh) * | 2020-11-23 | 2024-04-23 | 南京信息工程大学滨江学院 | 一种移动边缘计算网络的任务中继卸载方法 |
-
2021
- 2021-06-16 CN CN202110676580.6A patent/CN113411394B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN113411394A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109413724B (zh) | 一种基于mec的任务卸载和资源分配方案 | |
Song et al. | Joint task offloading and resource allocation for NOMA-enabled multi-access mobile edge computing | |
Shen et al. | FPLinQ: A cooperative spectrum sharing strategy for device-to-device communications | |
CN111314889A (zh) | 车联网中基于移动边缘计算的任务卸载与资源分配方法 | |
CN111586720A (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
Karimi et al. | Optimal collaborative access point association in wireless networks | |
CN109756912B (zh) | 一种多用户多基站联合任务卸载及资源分配方法 | |
CN110856259A (zh) | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 | |
Hamdi et al. | GA-based scheme for fair joint channel allocation and power control for underlaying D2D multicast communications | |
CN112738822A (zh) | 移动边缘计算环境中基于noma的安全卸载和资源分配方法 | |
Moghimi et al. | Joint radio resource allocation and cooperative caching in PD-NOMA-based HetNets | |
Chaoub et al. | Multimedia traffic transmission over TDMA shared cognitive radio networks with poissonian primary traffic | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
Hassan et al. | A near optimal interference minimization resource allocation algorithm for D2D communication | |
Lynch et al. | Evolutionary learning of link allocation algorithms for 5g heterogeneous wireless communications networks | |
Park et al. | Kolkata paise restaurant game for resource allocation in the internet of things | |
Seng et al. | Joint access selection and heterogeneous resources allocation in UDNs with MEC based on non-orthogonal multiple access | |
Mishra et al. | Maximizing connection density in NB-IoT networks with NOMA | |
Al-Abiad et al. | Task offloading optimization in NOMA-enabled dual-hop mobile edge computing system using conflict graph | |
CN112235387B (zh) | 一种基于能量消耗最小化的多节点协作计算卸载方法 | |
CN113411394B (zh) | 一种超密集网络场景下卸载任务的处理的方法及装置 | |
CN116634500A (zh) | 基于超图匹配计算与通信容量增强的d2d计算卸载方法 | |
CN103327541A (zh) | 基于不同QoS的业务卸载方法 | |
CN111372268B (zh) | 一种超密集网络中联合无线资源管理与任务卸载优化方法 | |
Tran-Quang et al. | Adaptive transmission range assignment algorithm for in-routing image compression on wireless sensor 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 |