CN113423115B - 一种基于边缘计算的能量协作与任务卸载优化方法 - Google Patents

Abstract

一种基于边缘计算的能量协作与任务卸载优化方法，首先当任务流到达无线接入点，无线接入点根据自身电池状态判断是否可本地执行任务，若可本地执行则需要考虑是否进一步卸载到基站计算，若不可本地执行，则考虑是否可以通过能量协同获得其他接入点的能量支持，若可以得到能量供应，则考虑是否进一步考虑卸载到基站处理，若不可以得到能量支持，则只能将任务全部卸载到基站进行任务的处理。然后其次，构建最小化在被执行时的时延消耗函数，最后通过一种能量协作下的联合任务卸载与资源分配算法优化该集合中的卸载决策与资源分配，降低5G环境下任务时延的总消耗。

Description

一种基于边缘计算的能量协作与任务卸载优化方法

技术领域

本发明涉及边缘计算的能量收集技术，尤其涉及绿色能源作为主要能源供应时，随着计算密集型任务的增加，能量消耗的发生所导致的系统时延问题。

背景技术

如今，科技的快速发展，带来了很多计算密集型的任务。但由于自身资源的限制，移动终端面临着能力不足的影响，因此边缘计算成为了一种有效的解决方案，通过在网络边缘部署服务器，计算密集型任务能够在网络边缘处理，相比于传统的云计算模式，服务器的物理位置离终端设备更近，大大减少了任务的传输延迟。然而，在一些生态敏感地区，部署输电线往往是禁止的，且电网连接服务器可能违反环境质量法规，因此越来越多的环境中，将绿色能源作为主要或唯一供电方式，尽管绿色能源有很大优势，但绿色能源的不可预测性为能量的供应带来诸多问题，进而会产生任务的处理延迟，因此，在此背景下如何解决服务器的能量问题，进行高效的任务处理，已成为目前边缘环境中的主要研究方向。

5G技术的飞速发展，任务对时延敏感性更高，边缘计算技术是将远程云计算功能迁移到用户边缘进行任务的处理，能够有效的降低网络时延，有效的解决的5G技术下任务对时延敏感性高的需求。

能量收集是边缘计算中的关键技术之一，可以为用电设备提供可用能源，降低用电设备的能耗，提升设备性能，降低任务处理时延。能量收集一般指用电设备收集到供电设备的能量，之后将能量为己用。从国内外研究现状来看，国内外的学者与专家研究的重点主要是理想场景下边缘计算系统的能量收集方法上。

在基于边缘计算能量收集的专利中，传统建模方式太理想化，未考虑能量收集的不可预测性，因此应用程度较低，在涉及绿色能源作为主要能源供应场景下，能量的不可预测性对于实际场景有着较大的影响。

发明内容

本发明的目的是提供一种基于边缘计算的能量协作与任务卸载优化方法。

本发明是一种基于边缘计算的能量协作与任务卸载优化方法，其步骤为：

步骤(1)建立边缘计算下能量协作的数学模型：

步骤(2)在步骤(1)所建立的能量协作数学模型下，建立任务的计算模型，分别计算服务器任务在无线接入点本地与在基站处理时的时延；

步骤(3)利用步骤(2)得到的不同处理时延值，构建最小化任务在被执行时的时延消耗；

步骤(4)根据步骤(3)的任务执行总消耗目标，提出一种能量协作下的联合任务卸载与资源分配算法优化该集合中的卸载决策与资源分配方案得到最低的系统时延消耗。

本发明的有益效果是：

(1)传统相关发明只利用能量收集技术的收集能量作用，并考虑到能量收集的不可预测性。本发明则将能量收集中的不可预测性考虑到其中，并通过引入能量效率系数，提升模型在能量收集中的实际应用性。

(2)传统发明所建立的模型在服务器可用电源较少时只将任务进一步上传至云端，本发明综合考虑各个服务器的能量状态，并引入无线功率传输技术实现服务器间的能量传输。

(3)传统有关移动边缘计算的发明均忽略了电池状态对于服务器的影响，本发明考虑了服务器的电池状态对服务器的性能产生的影响，进而，对系统任务的处理时延产生的影响问题。

(4)所述方法在建立资源分配与卸载决策模型时，考虑多用户下的计算密集型任务环境，更加贴近于实际场景下的任务卸载与资源分配情况，有更高的实际意义。

附图说明

图1是AP间能量协作与通信系统模型，图2是AP与BS通信的系统模型，图3是不同方案时延消耗情况对比。

具体实施方式

本发明是一种基于边缘计算的能量协作与任务卸载优化方法，其步骤为：步骤(1)建立边缘计算下能量协作的数学模型：

步骤(2)在步骤(1)所建立的能量协作数学模型下，建立任务的计算模型，分别计算服务器任务在无线接入点本地与在基站处理时的时延；

步骤(3)利用步骤(2)得到的不同处理时延值，构建最小化任务在被执行时的时延消耗；

步骤(4)根据步骤(3)的任务执行总消耗目标，提出一种能量协作下的联合任务卸载与资源分配算法优化该集合中的卸载决策与资源分配方案得到最低的系统时延消耗。

以上所述方法，步骤(1)所建立的边缘计算下能量协作的数学模型，具体按以下过程实施：

(1)考虑单基站BS与多个无线接入点AP组成的网络，BS相比于AP有更强的计算能力，AP中装有服务器与可充电电池，且AP间可通过无线电力传输技术进行能量的协作；

(2)引入绿色能源作为AP的能量供应，设d_i为到达AP i的任务流所需计算周期总数，AP i收集到的能量为f_i为AP i的计算速率，单位：周期/秒，k_i为AP i处理器的计算能量效率系数，α∈[0,1]表示能量收获的效率，AP i可接收到AP j传输的最大能量为：

(3)通过能量的协作，建立任务卸载的决策，其决定任务在AP还是卸载到BS计算。以上所述方法，步骤(2)建立的任务计算模型，具体按以下过程实施：

设AP集合Μ＝{1,…,N}，a_i∈{0，1}为卸载决策，取0时在BS端计算，取1时在AP端计算，δ_i为AP i处理1bit数据所需周期数，AP i处的本地处理时延为为上传任务时的通信开销，BS的计算能力为F，单位：周期/秒，AP i所得BS计算速率为/>APi到BS的传输带宽为B，AP i到BS的信道增益和时间分别表示为/>t_M，/>表示AP i卸载任务时发射功率，N₀为噪声功率，从AP i到BS的信干噪比为：

上传至BS处理所需总时延为：以上所述方法，根据步骤(2)得到的不同处理时延值，构建最小化系统总时延的优化目标；具体按以下过程实施：

(1)考虑多AP的情况，所有AP任务在本地计算的时延为：

且所有AP任务卸载至BS计算的时延情况为：

(2)根据以上分析，时延最小化的目标函数为：

以上所述方法，所述步骤(4)通过提出一种能量协作下的联合任务卸载与资源分配算法优化该集合中的卸载决策与资源分配方案得到最低的系统时延消耗，具体按以下过程实施：

(1)为降低计算处理时的复杂度，将目标函数分解成两个子问题：首先，确定卸载决策，利用基于拉格朗日乘子法的资源分配算法得出最优计资源分配方案；然后，根据最优计算资源分配值，通过能量协作下的联合任务卸载与资源分配算法确定最优卸载决策；定义χ为所有a_i＝1的AP集合，表示为χ＝{i|a_i＝1,i∈M}，因此决策确定时，所有卸载到BS的最小化时延表示为：

式中只有后项与计算资源有关，计算资源分配问题写为：

(2)利用基于拉格朗日算法的资源分配算法得出上述函数计算资源分配的优化结果

(3)将所有AP的能量情况进行分类，将可本地完成任务与能够通过能量协作本地完成任务AP分为一类，不能本地完成任务AP分为一类，不能本地计算AP直接卸载至BS计算且属于集合χ，而能够本地完成任务AP通过所提出的联合任务卸载与资源分配算法进行卸载决策的分配；

(4)将所有能够本地完成任务的AP全部进行卸载处理，且放入集合χ₁中，计算得出T_A+T_M值，之后，在集合χ₁中找出一个当其改为本地计算收益最大的AP，将此AP在集合χ₁中删除且放入集合χ，之后更新/>值并循环以上过程，直到集合χ₁中未能找出当其改为本地计算而获得收益的AP，循环结束，得出最优计算资源分配与卸载的决策。

下面结合所给附图以具体实施例来说明本发明的原理及功效，本实施例仅表示对本发明的说明，非对本发明的限制。

如图1所示，本发明的基于边缘计算的能量协作与任务卸载优化方法，首先根据所建立的时延最小化目标函数，将目标函数分解成两个子问题：首先，给定卸载决策，利用拉格朗日乘子法得出最优计资源分配方案。然后，根据最优计算资源分配值，通过能量协作下的联合任务卸载与资源分配算法确定最优卸载决策。定义χ为所有a_i＝1的AP集合，可表示为χ＝{i|a_i＝1,i∈M}，因此决策确定时，所有卸载到BS的最小化时延可表示为：

可以看出，式中只有后项与计算资源有关，因此计算资源分配问题可写为：

上述函数的海森矩阵包括

或者

且拉格朗日函数可写为其中β为拉格朗日乘子。由于被优化问题为凸问题，所以最优解/>满足KKT条件，可得

且对偶函数表示为：

凸对偶函数最优解应满足β^*能表示为/>得出，

将所有AP的能量情况进行分类，将可本地完成任务与能够通过能量协作本地完成任务AP分为一类，不能本地完成任务AP分为一类，不能本地计算AP直接卸载至BS计算且属于集合χ，而能够本地完成任务AP通过联合任务卸载与资源分配算法进行卸载决策的分配。

下面介绍算法步骤，首先，将所有能够本地完成任务的AP全部进行卸载处理，且放入集合χ₁中，计算得出T_A+T_M值，之后，在集合χ₁中找出一个当其改为本地计算收益最大的AP，将此AP在集合χ₁中删除且放入集合χ，之后更新/>值并循环以上过程，直到集合χ₁中未能找出当其改为本地计算而获得收益的AP，循环结束，得出最优计算资源分配与卸载的决策。与不考虑能量协作方案相比，大大提升了服务器的性能，并降低了任务处理的总时延，其仿真对比图如图3。

为清晰说明本发明的目的以及实施方案的优点，上述本实施例利用本发明较佳的实施环境进行处理。并非对本发明的专利保护范围进行了限制，所以，运用到本发明附图与说明内容以及所完成的一切等效结构变化与修饰，都应在本发明的涵盖范围内。

Claims (3)

1.一种基于边缘计算的能量协作与任务卸载优化方法，其特征在于，其步骤为：

步骤1：建立边缘计算下能量协作的数学模型；

步骤2：在步骤1所建立的能量协作数学模型下，建立任务的计算模型，分别计算服务器任务在无线接入点本地与在基站处理时的时延；

步骤3：利用步骤2得到的不同处理时延值，构建最小化任务在被执行时的时延消耗；

步骤4：根据步骤3构建的任务执行总消耗目标，通过一种能量协作下的联合任务卸载与资源分配算法优化该目标中的卸载决策与资源分配方案得到最低的系统时延消耗；

步骤1所建立的边缘计算下能量协作的数学模型，具体按以下过程实施：①考虑单基站BS与多个无线接入点AP组成的网络，BS相比于AP有更强的计算能力，AP中装有服务器与可充电电池；且AP间可通过无线电力传输技术进行能量的协作；②引入绿色能源作为AP的能量供应，设d_i为到达AP i的任务流所需计算周期总数，设d_j为到达AP j的任务流所需计算周期总数,AP i收集的能量为AP j收集的能量为/>f_i为AP i的CPU能力(周期/秒)，f_j为APj的CPU能力(周期/秒),k_i为AP i能量效率系数，k_j为AP j能量效率系数，α∈[0,1]表示能量收集的效率，因此，AP i最大收到AP j的能量为/>③通过能量的协作，建立任务卸载的决策，其决定任务在AP还是卸载到BS计算；

步骤2建立的任务计算模型，具体按以下过程实施：①设d_i为到达AP i的任务流所需计算周期总数，f_i为AP i的CPU能力(周期/秒)，设AP集合M＝{1,…,N}，a_i∈{0，1}为AP i卸载决策，取0时在BS端计算，取1时在APi端计算，同理a_j为AP j卸载决策，δ_i为APi处理1bit数据所需周期数，AP i处的本地处理时延为②ν_i＞1为上传任务时的通信开销，BS的计算能力为F(周期/秒)，AP i所得BS计算速率为f_i ^M，AP i到BS的传输带宽为B，AP i到BS的信道增益和时间分别表示为/>t_M，/>表示AP i卸载任务时发射功率，AP j到BS的信道增益为/> 为AP j卸载任务时发射功率，N₀为噪声功率，从AP i到BS的信干噪比为因此，上传至BS处理所需总时延为

2.根据权利要求1所述的基于边缘计算的能量协作与任务卸载优化方法，其特征在于：

根据步骤2得到的不同处理时延值，构建最小化系统总时延的优化目标；a_i∈{0，1}为APi卸载决策，取0时在BS端计算，取1时在APi端计算，设AP集合M＝{1,…,N}，设AP i处的本地处理时延为设AP i任务卸载至BS计算的时延为/>具体按以下过程实施：①由于本发明考虑多AP的情况，因此所有AP任务在本地计算的时延为

且所有AP任务卸载至BS计算的时延情况为

②设时延最小化的目标函数为：

3.根据权利要求1所述的基于边缘计算的能量协作与任务卸载优化方法，其特征在于：

所述步骤4通过一种能量协作下的联合任务卸载与资源分配算法优化该目标中的卸载决策与资源分配方案得到最低的系统时延消耗.具体按以下过程实施：①为降低计算处理时的复杂度，将目标函数分解成两个子问题：首先，确定卸载决策，利用基于拉格朗日乘子法的资源分配算法得出最优计资源分配方案；然后，根据最优计算资源分配值，通过能量协作下的联合任务卸载与资源分配算法确定最优卸载决策；设AP集合M＝{1,…,N}，设d_i为到达AP i的任务流所需计算周期总数，ν_i＞1为上传任务时的通信开销，定义χ为所有a_i＝1的AP集合，δ_i为AP i处理1bit数据所需周期数，AP i到BS的传输带宽为B，AP i所得BS计算速率为f_i ^M，从AP i到BS的信干噪比为γ_iM，所有AP任务在本地计算的时延为T_A，所有AP任务卸载至BS计算的时延为T_M，BS的计算能力为F(周期/秒)；

可表示为χ＝{i|a_i＝1,i∈M}，因此决策确定时，所有卸载到BS的最小化时延可表示为：

可以看出，式中只有后项与计算资源有关，因此计算资源分配问题可写为：

②的海森矩阵包括

或者/>

且拉格朗日函数可写为其中β为拉格朗日乘子；由于被优化问题为凸问题，所以最优解(f_i ^M)^*满足KKT条件，可得

且对偶函数表示为：

凸对偶函数最优解应满足因此β^*可以表示为/>得出，

③将所有AP的能量情况进行分类，将可本地完成任务与能够通过能量协作本地完成任务AP分为一类，不能本地完成任务AP分为一类，不能本地计算AP直接卸载至BS计算且属于集合χ，而能够本地完成任务AP通过联合任务卸载与资源分配算法进行卸载决策的分配；

④下面介绍算法步骤，首先，将所有能够本地完成任务的AP全部进行卸载处理，且放入集合χ₁中，计算(f_i ^M)^*得出T_A+T_M值，之后，在集合χ₁中找出一个当其改为本地计算收益最大的AP，将此AP在集合χ₁中删除且放入集合χ，

之后更新(f_i ^M)^*值并循环以上过程，直到集合χ₁中未能找出当其改为本地计算而获得收益的AP，循环结束，得出最优计算资源分配与卸载的决策。