CN113556760B - 一种移动边缘计算成本效益优化方法、系统及应用 - Google Patents

一种移动边缘计算成本效益优化方法、系统及应用 Download PDF

Info

Publication number
CN113556760B
CN113556760B CN202110636382.7A CN202110636382A CN113556760B CN 113556760 B CN113556760 B CN 113556760B CN 202110636382 A CN202110636382 A CN 202110636382A CN 113556760 B CN113556760 B CN 113556760B
Authority
CN
China
Prior art keywords
user
local
users
mec server
mec
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
CN202110636382.7A
Other languages
English (en)
Other versions
CN113556760A (zh
Inventor
杜剑波
孙艳
李树磊
孙爱晶
卢光跃
姜静
和煦
程远征
任德锋
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian 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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202110636382.7A priority Critical patent/CN113556760B/zh
Publication of CN113556760A publication Critical patent/CN113556760A/zh
Application granted granted Critical
Publication of CN113556760B publication Critical patent/CN113556760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于通信技术领域，公开了一种移动边缘计算成本效益优化方法、系统及应用，所述移动边缘计算成本效益优化方法包括：初始化用户个数和集合；根据本地执行的可行性以及用户任务的最大可容忍时延进行卸载决策分配优化；进行MEC接入控制和用户分簇优化；分别进行本地计算资源分配优化、MEC服务器功率控制优化以及云中心功率控制优化。本发明通过协同优化卸载决策、接入控制和用户分簇、本地计算资源分配和功率控制，在保证用户任务处理时延的QoS需求的条件下，减小系统总成；将非正交多址引入移动边缘计算系统中，允许多个用户使用相同的信道同时卸载他们自己的任务，提高计算卸载的性能和系统容纳的用户数，进一步提高系统的频谱效率。

Description

一种移动边缘计算成本效益优化方法、系统及应用
技术领域
本发明属于通信技术领域，尤其涉及一种移动边缘计算成本效益优化方法、系统及应用。
背景技术
目前，移动边缘计算(MEC)被认为是通过将计算任务卸载到服务器上来降低用户成本的有效可行的技术。非正交多址(NOMA)允许多个用户共享相同的资源，例如频道和时隙，并且可以有效地提高频谱效率。
目前，用户聚类和资源分配优化是基于NOMA的MEC系统的重要因素，用户能耗最小化是优化的最一般目标。大量的文献仅考虑了用户分簇、资源分配和功率控制问题，而没有考虑任务卸载决策的优化，这在大多数物联网场景中是不合理的。此外，也没有考虑当物联网设备的数量太大时，本地和MEC服务器负担不起的情况。因此，在基于NOMA的MEC系统中加入云中心是必要的。
通过上述分析，现有技术存在的问题及缺陷为：现有文献没有考虑到任务卸载决策的优化，以及也没有考虑到当物联网设备的数量太大时，本地和MEC服务器负担不起的情况。
解决以上问题及缺陷的难度为：以上涉及到优化途径的问题往往都是非凸的，因而难以求解。
解决以上问题及缺陷的意义为：本发明考虑了MEC服务器和云中心混合的场景，有利于保证用户任务成功处理，并且减小系统总成本。本发明所提出的启发式优化算法复杂度低，有利于应用于实际系统中。
发明内容
针对现有技术存在的问题，本发明提供了一种移动边缘计算成本效益优化方法、系统及应用，尤其涉及一种基于非正交多址NOMA的移动边缘计算成本效益优化方法、系统及应用。
本发明是这样实现的，一种移动边缘计算成本效益优化方法，所述移动边缘计算成本效益优化方法包括：
用户个数为N，AP个数M，每个AP所能容纳的最大用户数K，本地可行个数和集合分别为N0和
Figure BDA0003105386200000021
本地不可行个数和集合分别为N1和
Figure BDA0003105386200000022
用户任务输入数据量Dn，用户任务处理密度λn，用户本地处理能力
Figure BDA0003105386200000023
用户任务的最大可容忍时延
Figure BDA0003105386200000024
用户信道增益gn,m等参数。
根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；判断本地执行是否可行，如果可行，则将用户暂时放入本地可行集合
Figure BDA0003105386200000025
否则，则将用户暂时放入本地不可行集合
Figure BDA0003105386200000026
如果N1＜MK，即本地不可行用户的数量小于MEC服务器能够承受的容量，则
Figure BDA0003105386200000027
中的所有用户卸载到MEC服务器，并将MK-N1个用户从本地可行集
Figure BDA0003105386200000028
移到MEC服务器；否则，一些用户必须卸载到云中心处理，本发明挑选MK个用户卸载到MEC处理，剩余的用户将被卸载到云中心。
进行MEC接入控制、用户分簇和功率控制优化：计算所定义的新参数并找到最大值，将此时对应的用户卸载到对应的MEC服务器，即完成分配。依次进行迭代，直到所有用户被分配完。完成后进行功率分配，针对每个MEC中的终端用户K，采用处理时延满足最大时延的用户功率；在确定用户K的功率后，用户K-1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配。
进行本地计算资源分配和云中心功率控制优化：在本地处理中，使其本地处理时延等于用户任务最大处理时延，即可得到本地计算资源分配。在云中心处理中，采用满足处理时延等于最大时延的发射功率。
采用满足处理时延等于最大时延的发射功率。
进一步，所述接入控制和用户分簇优化，包括：
(1)MEC服务器用户个数Ntotal，MEC服务器个数G1,G2...GM，MEC服务器集合
Figure BDA0003105386200000031
(2)对于每个用户
Figure BDA0003105386200000032
计算Γn,m＝gn,mFm，记为集合Γ＝{Γn,m}；
(3)判断是否满足Ntotal≤MK，如果满足，找到(n*,m*)＝argmaxΓ；如果不满足，执行步骤(5)；
(4)判断是否满足
Figure BDA0003105386200000033
如果满足，
Figure BDA0003105386200000034
Γn＝{Γn.m}＝0，Ntotal＝Ntotal+1；如果不满足将第m*个MEC服务器从
Figure BDA0003105386200000035
中去除并设
Figure BDA0003105386200000036
接着执行步骤(3)；
(5)算法执行结束，得到接入控制和用户分簇优化策略。
进一步，步骤(2)中，信道增益最好的MEC服务器会降低数据传输延迟，计算资源最多的服务器会降低任务处理延迟；结合这两个因素，定义一个新的参数Γn,m＝gn,mFm，Γn,m越大，用户n越想访问MEC服务器m。
进一步，所述本地计算资源分配、MEC服务器和云中心功率控制优化，包括：
(1)初始化参数：用户本地处理能力
Figure BDA0003105386200000037
用户任务的最大可容忍时延
Figure BDA0003105386200000038
用户信道增益gn,m，用户本地处理能耗系数α参数等；
(2)对于每个用户
Figure BDA0003105386200000039
使其满足
Figure BDA00031053862000000310
得到本地资源分配
Figure BDA00031053862000000311
(3)对于每个用户
Figure BDA00031053862000000312
其功率分配按照每一个MEC进行分配，对于第M个MEC里的用户，使其最后一个用户满足
Figure BDA00031053862000000313
得到
Figure BDA00031053862000000314
接着倒数第二个用户满足
Figure BDA00031053862000000315
得到
Figure BDA00031053862000000316
以此类推，直到求出第一个用户功率P1 mec；其余的MEC功率分配同上分配；
(4)对于每个用户
Figure BDA00031053862000000317
使其满足
Figure BDA00031053862000000318
得到功率分配
Figure BDA00031053862000000319
(5)算法执行结束，得到本地计算资源分配、MEC服务器和云中心功率控制策略。
其中，在步骤(2)中，取满足
Figure BDA0003105386200000041
的本地资源分配
Figure BDA0003105386200000042
是因为任务处理时延越大，所需的本地计算资源就越少，本地处理能耗就越少；在步骤(3)和步骤(4)中，亦是趋于MEC能耗减小和云中心成本减小的方向进行。
进一步，所述移动边缘计算成本效益优化方法包括以下步骤：
步骤一，初始化参数：用户个数和集合分别为N和
Figure BDA0003105386200000043
AP个数M，每个AP所能容纳的最大用户数K，本地可行集合
Figure BDA0003105386200000044
本地不可行集合
Figure BDA0003105386200000045
本地用户个数和集合分别为Nloc和
Figure BDA0003105386200000046
MEC服务器用户个数和集合分别为Nmec和
Figure BDA0003105386200000047
云中心用户个数和集合Ncloud和
Figure BDA0003105386200000048
步骤二，判断每个用户是否满足
Figure BDA0003105386200000049
如果满足，则将用户暂时放入本地可行集合
Figure BDA00031053862000000410
如果不满足，则将用户放在本地不可行集合
Figure BDA00031053862000000411
步骤三，判断是否满足N1＜MK，如果满足，则将
Figure BDA00031053862000000412
中的所有用户卸载到MEC服务器，并将MK-N1个用户从本地可行集
Figure BDA00031053862000000413
卸载到MEC服务器，记为MEC服务器用户集合
Figure BDA00031053862000000414
卸载决策记为yn＝1；此时
Figure BDA00031053862000000415
中剩余的用户记为本地用户集合
Figure BDA00031053862000000416
卸载决策记为xn＝1；如果不满足，则在
Figure BDA00031053862000000417
中挑选MK个用户卸载到MEC处理，记为MEC服务器用户集合
Figure BDA00031053862000000418
卸载决策记为yn＝1，
Figure BDA00031053862000000419
中剩余的用户将被卸载到云中心，记为云中心用户集合
Figure BDA00031053862000000420
卸载决策记为zn＝1，此时
Figure BDA00031053862000000421
中所有用户记为本地用户集合
Figure BDA00031053862000000422
步骤四，算法执行结束，得到用户卸载决策优化策略。
进一步，步骤三中，从本地可行集
Figure BDA00031053862000000423
中取MK-N1个用户卸载到MEC，所取用户的方法包括：
(1)对于每个用户
Figure BDA00031053862000000424
计算
Figure BDA00031053862000000425
(2)定义一个新参数
Figure BDA00031053862000000426
(3)将Gn升序排列取最后的MK-N1个用户卸载到MEC。
本发明的另一目的在于提供一种应用所述的移动边缘计算成本效益优化方法的移动边缘计算成本效益优化系统，所述移动边缘计算成本效益优化系统，包括：
初始化模块，用于初始化用户个数，AP个数，每个AP所能容纳的最大用户数，本地可行集合，本地不可行集合，本地用户集合，MEC服务器用户集合，云中心用户集合，MEC服务器集合，用户任务输入数据量，用户任务处理密度，用户本地处理能力，用户任务的最大可容忍时延；
卸载决策模块，用于根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；
接入控制和用户分簇模块，用于根据用户的喜好选择接入MEC服务器来实现接入控制和用户分簇；
分配优化模块，用于进行本地计算资源分配优化、MEC服务器功率控制优化以及云中心功率控制优化。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
用户个数和集合分别为N和
Figure BDA0003105386200000051
AP个数M，每个AP所能容纳的最大用户数K，本地可行集合
Figure BDA0003105386200000052
本地不可行集合
Figure BDA0003105386200000053
本地用户个数和集合分别为Nloc和
Figure BDA0003105386200000054
MEC服务器用户个数和集合分别为Nmec和
Figure BDA0003105386200000055
云中心用户个数和集合Ncloud和
Figure BDA0003105386200000056
MEC服务器集合
Figure BDA0003105386200000057
用户任务输入数据量Dn，用户任务处理密度λn，用户本地处理能力
Figure BDA0003105386200000058
用户任务的最大可容忍时延
Figure BDA0003105386200000059
用户信道增益gn,m，用户本地处理能耗系数α参数。
根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；对于每个用户，判断本地执行是否可行，如果可行，则用户暂时放入本地可行集合
Figure BDA00031053862000000510
如果不可行，则用户暂时放入本地不可行集合
Figure BDA00031053862000000511
如果N1＜MK，即本地不可行用户的数量小于MEC服务器能够承受的容量，则
Figure BDA0003105386200000061
中的所有用户卸载到MEC服务器，并将MK-N1个用户从本地可行集
Figure BDA0003105386200000062
移到MEC服务器使MEC服务器饱和，此时
Figure BDA0003105386200000063
中剩余的用户任务在本地执行；如果N1＞MK，即一些用户必须卸载到云中心处理，本发明挑选MK个用户卸载到MEC处理，剩余的用户将被卸载到云中心，此时
Figure BDA0003105386200000064
中所有用户任务在本地执行。
进行MEC接入控制和用户分簇优化：根据所定义的新参数，计算MEC中所有用户的值，找到最大值所对应的用户和MEC服务器，即表示此用户任务想卸载到此MEC服务器，判断此MEC服务器未是否已满，如果未满，则将此用户卸载到这个MEC服务器，并将此用户从
Figure BDA0003105386200000065
中去除，再进行下一次迭代；否则，则将此MEC服务器从整个MEC服务器集合
Figure BDA0003105386200000066
中去除，进行下一次迭代。
进行本地计算资源分配优化：对于每个在本地执行任务的用户，使其本地处理时延等于用户任务最大处理时延，即可得到本地计算资源分配。
进行MEC服务器功率控制优化：对于卸载任务到MEC服务器处理的用户，首先，针对终端用户K，采用处理时延满足最大时延的用户功率；在确定用户K的功率后，用户K-1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配。
进行云中心功率控制优化：对于卸载任务到云中心处理的用户，采用满足处理时延等于最大时延的发射功率，即可得到云中心用户功率分配。
本发明的另一目的在于提供一种需要大容量、低能耗的物联网场景控制系统，所述需要大容量、低能耗的物联网场景控制系统执行所述的移动边缘计算成本效益优化方法。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的移动边缘计算成本效益优化系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的移动边缘计算成本效益优化方法，涉及移动边缘计算(MEC)和非正交多址接入(NOMA)集成系统的联合优化。本发明可以在保证用户任务执行时延的前提下，通过协同卸载决策、接入控制和用户分簇、本地计算资源分配和功率控制的联合优化，有效减少系统的成本。其中，卸载决策是为了尽可能使MEC服务器的用户数饱和，这样系统的总成本会尽可能减小；其次也是为了保证每个用户的任务能成功处理。
本发明基于非正交多址的混合边缘和云计算系统中的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配和功率控制，在保证用户任务处理时延的QoS需求的条件下，减小系统总成本。本发明将非正交多址引入移动边缘计算系统中，允许多个用户使用相同的信道同时卸载他们自己的任务，大大提高了计算卸载的性能，并提高了系统容纳的用户数，从而进一步提高系统的频谱效率。另外，本发明考虑当物联网设备的数量太大，本地和MEC服务器负担不起时，云中心是非常必要的。因此，在基于NOMA的混合边缘和云系统，通过联合优化卸载决策、接入控制和用户分簇、本地计算资源分配和发射功率控制，使得本地和MEC处理的能耗最小化以及云处理模式的经济成本最小化。最重要的是，本发明能够确保所有用户的任务都得到成功处理。
此外，针对本发明所提出的优化问题，设计了两种低复杂度的启发式算法，操作简便，易于实现。本发明将非正交多址引入移动边缘计算中，允许多个用户共享同一信道同时卸载他们自己的任务，大大提高了计算卸载的性能，并增加了系统可容纳的用户数量，从而进一步提高系统的频谱效率。另外，本发明在系统模型中加入了云服务器，有利于缓解本地和MEC服务器计算能力不足的情况；所设计的启发式优化算法复杂度低，有利于应用于实际场景中。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的移动边缘计算成本效益优化方法流程图。
图2是本发明实施例提供的移动边缘计算成本效益优化系统结构框图；
图中：1、初始化模块；2、卸载决策模块；3、接入控制和用户分簇模块；4、分配优化模块。
图3是本发明实施例提供的可应用的一个场景图。
图4是本发明实施例提供的卸载决策分配流程图。
图5是本发明实施例提供的接入控制和用户分簇流程图。
图6是本发明实施例提供的本地计算资源分配、MEC和云中心功率分配流程图。
图7是本发明实施例提供的将本发明与现有联合用户卸载、用户接入和分簇及资源分配和功率控制方法对不同任务输入数据量的能耗比较图。
图8是本发明实施例提供的将本发明与现有联合用户卸载、用户接入和分簇及资源分配和功率控制方法对不同任务输入数据量的能耗比较图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种移动边缘计算成本效益优化方法、系统及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的移动边缘计算成本效益优化方法包括以下步骤：
S101，初始化用户个数和集合；
S102，根据本地执行的可行性以及用户任务的最大可容忍时延进行卸载决策分配优化；
S103，进行MEC接入控制和用户分簇优化；
S104，进行本地计算资源分配优化；
S105，进行MEC服务器功率控制优化；
S106，进行云中心功率控制优化。
如图2所示，本发明实施例提供的移动边缘计算成本效益优化系统包括：
初始化模块1，用于初始化用户个数，AP个数，每个AP所能容纳的最大用户数，本地可行集合，本地不可行集合，本地用户集合，MEC服务器用户集合，云中心用户集合，MEC服务器集合，用户任务输入数据量，用户任务处理密度，用户本地处理能力，用户任务的最大可容忍时延；
卸载决策模块2，用于根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；
接入控制和用户分簇模块3，用于根据用户的喜好选择接入MEC服务器来实现接入控制和用户分簇；
分配优化模块4，用于进行本地计算资源分配优化、MEC服务器功率控制优化以及云中心功率控制优化。
本发明提供的基于非正交多址的移动边缘计算的成本效益优化方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的基于非正交多址的移动边缘计算成本效益优化方法仅仅是一个具体实施例而已。
下面结合实施例对本发明的技术方案作进一步描述。
图3是本发明的方法可应用的一个场景图。系统中M个接入点、N个随机分布的用户和一个远程云中心组成的场景，每个接入点通过有线链路配备一个MEC服务器。用户的卸载决策用xn表示，其中xn＝1表示任务在本地执行，yn＝1表示任务卸载到MEC服务器执行，zn＝1表示任务在云中心执行。每个用户有一个计算密集型任务要卸载到边缘计算服务器上去执行。每个用户的任务可以表示为
Figure BDA0003105386200000091
其中Dn为输入数据量大小(单位为比特)，λn是处理密度，单位为CPU cycles/bit，表示任务的复杂度，
Figure BDA0003105386200000092
表示任务的处理时延约束。另外Cn＝Dn*λn表示的Λn的任务量，即处理完该任务需要的CPU cycles。
本发明中用户以非正交多址的方式与服务器通信，以尽可能充分使用有限的无线资源，从而容纳更多的用户。所有N个用户被分到M个AP中，每个AP中的所有用户使用相同的无线资源。可以通过合理的用户分簇、子载波分配方案，保证簇内用户之间信道有一定的差异，配合发送端进行发送功率控制以及接收端的串行干扰消除来实现。此外，由于本地和MEC服务器容量有限，为了保证每个任务能够成功处理，也可将任务卸载到云中心进行处理。
此外，由于不同任务的参数不同，信道质量不同，当这些任务卸载到本地、边缘服务器或云中心时，将边缘服务器以及云中心的计算资源和功率合理的优化分配，从而在保证每个用户的最低任务处理时延要求的前提下，尽可能减小系统的总成本。
如图4所示，本发明采用的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配、MEC服务器和云中心功率控制优化方法的卸载决策优化包括以下步骤：
步骤一：初始化参数：用户个数和集合分别为N和
Figure BDA0003105386200000101
AP个数M，每个AP所能容纳的最大用户数K，本地可行集合
Figure BDA0003105386200000102
本地不可行集合
Figure BDA0003105386200000103
本地用户个数和集合分别为Nloc和
Figure BDA0003105386200000104
MEC服务器用户个数和集合分别为Nmec和
Figure BDA0003105386200000105
云中心用户个数和集合Ncloud和
Figure BDA0003105386200000106
步骤二：判断每个用户是否满足
Figure BDA0003105386200000107
如果满足，则将用户暂时放入本地可行集合
Figure BDA0003105386200000108
如果不满足，则将用户放在本地不可行集合
Figure BDA0003105386200000109
步骤三：判断是否满足N1＜MK，如果满足，则将
Figure BDA00031053862000001010
中的所有用户卸载到MEC服务器，并将MK-N1个用户从本地可行集
Figure BDA00031053862000001011
卸载到MEC服务器，记为MEC服务器用户集合
Figure BDA00031053862000001012
卸载决策记为yn＝1；此时
Figure BDA00031053862000001013
中剩余的用户记为本地用户集合
Figure BDA00031053862000001014
卸载决策记为xn＝1；如果不满足，则在
Figure BDA00031053862000001015
中挑选MK个用户卸载到MEC处理，记为MEC服务器用户集合
Figure BDA00031053862000001016
卸载决策记为yn＝1，
Figure BDA00031053862000001017
中剩余的用户将被卸载到云中心，记为云中心用户集合
Figure BDA00031053862000001018
卸载决策记为zn＝1，此时
Figure BDA00031053862000001019
中所有用户记为本地用户集合
Figure BDA00031053862000001020
步骤四：算法执行结束，得到用户卸载决策优化策略。
在步骤三中，从本地可行集
Figure BDA0003105386200000111
中取MK-N1个用户卸载到MEC，所取用户的方法包括如下步骤：
(1)对于每个用户
Figure BDA0003105386200000112
计算
Figure BDA0003105386200000113
(2)定义一个新参数
Figure BDA0003105386200000114
(3)将Gn升序排列取最后的MK-N1个用户卸载到MEC。
步骤三中涉及到的卸载决策是为了尽可能使MEC服务器的用户数饱和，这样系统的总成本会尽可能减小；其次也是为了保证每个用户的任务能成功处理。
如图5所示，本发明采用的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配、MEC服务器和云中心功率控制优化方法的接入控制和用户分簇优化包括以下步骤：
步骤一：初始化参数：MEC服务器用户个数Ntotal，MEC服务器个数G1,G2...GM，MEC服务器集合
Figure BDA0003105386200000115
步骤二：对于每个用户
Figure BDA0003105386200000116
计算Γn,m＝gn,mFm，记为集合Γ＝{Γn,m}；
步骤三：判断是否满足Ntotal≤MK，如果满足，找到(n*,m*)＝argmaxΓ；如果不满足，执行步骤五；
步骤四：判断是否满足
Figure BDA0003105386200000117
如果满足，
Figure BDA0003105386200000118
Γn＝{Γn.m}＝0，Ntotal＝Ntotal+1；如果不满足将第m*个MEC服务器从
Figure BDA0003105386200000119
中去除并设
Figure BDA00031053862000001110
接着执行步骤三；
步骤五：算法执行结束，得到接入控制和用户分簇优化策略。
在步骤二中，信道增益最好的MEC服务器会降低数据传输延迟，计算资源最多的服务器会降低任务处理延迟。结合这两个因素，本发明定义了一个新的参数Γn,m＝gn,mFm，Γn,m越大，用户n越想访问MEC服务器m。
如图6所示，本发明采用的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配、MEC服务器和云中心功率控制优化方法的本地计算资源分配、MEC服务器和云中心功率控制优化包括以下步骤：
步骤一：初始化参数：用户本地处理能力
Figure BDA0003105386200000121
用户任务的最大可容忍时延
Figure BDA0003105386200000122
用户信道增益gn,m，用户本地处理能耗系数α参数等；
步骤二：对于每个用户
Figure BDA0003105386200000123
使其满足
Figure BDA0003105386200000124
得到本地资源分配
Figure BDA0003105386200000125
步骤三：对于每个用户
Figure BDA0003105386200000126
其功率分配按照每一个MEC进行分配，对于第M个MEC里的用户，使其最后一个用户满足
Figure BDA0003105386200000127
得到
Figure BDA0003105386200000128
接着倒数第二个用户满足
Figure BDA0003105386200000129
得到
Figure BDA00031053862000001210
以此类推，直到求出第一个用户功率P1 mec；其余的MEC功率分配同上分配；
步骤四：对于每个用户
Figure BDA00031053862000001211
使其满足
Figure BDA00031053862000001212
得到功率分配
Figure BDA00031053862000001213
步骤五：算法执行结束，得到本地计算资源分配、MEC服务器和云中心功率控制策略。
在步骤二中，取满足
Figure BDA00031053862000001214
的本地资源分配
Figure BDA00031053862000001215
是因为任务处理时延越大，所需的本地计算资源就越少，本地处理能耗就越少；在步骤三和步骤四中，也是趋于MEC能耗减小和云中心成本减小的方向进行。
本发明提出的基于非正交多址接入的移动边缘计算系统能够解决由于用户设备处理能力不足带来的时延、能耗高的问题，能够缓解由于无线频带资源不足带来的系统容量少的问题。此外，本发明提出的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配、MEC服务器和云中心功率控制优化方法，操作简便，而且更具有实时性，更接近真实场景，利于网络优化，系统性能的提高。
下面结合实验对本发明的技术效果作详细的描述。
如图7、图8所示，本发明(记为Proposed)和现有的两个方案进行对比：
在Random-computing-offloading方案中，用户随机进行卸载，即用户将自己的任务随机卸载到本地或MEC服务器或云中心进行处理；另外，使用本发明提出的算法进行本地计算资源分配、云中心功率控制和MEC功率控制。
在Random-power方案中，每个用户的功率是随机产生的。
图7显示了用户访问次数如何影响系统的总成本。随着每个AP中接入用户数量的增加，AP处理任务的能耗也随之增加，系统总成本也随之增加。图7中的三条曲线与本发明的分析一致。但是本发明的算法成本最低。由于本发明的算法在MEC和云中心都有功耗优化处理，所以本发明的算法的能耗低于随机功耗算法。同样，本发明的算法也优化了随机卸载和用户接入，所以随着接入点用户的增加，随机卸载算法的能耗比本发明的算法高。
图8描绘了本地处理能力是如何影响系统的总成本。随着本地处理能力的增加，可以分配给每个用户的本地计算资源数量增加，本地处理能耗也增加，系统总成本增加。从图中可以看出，所有三条曲线都随着本地处理能力的增加而增加。由于随机卸载算法的本地用户是随机生成的，而本发明的算法是由优化算法生成的本地用户，由于两种不同的卸载方法，随机卸载的总成本高于本发明提出的算法。另外，决定成本的另一个因素是功率。由于本发明算法的功率分配是优化的，而随机功率算法的功率分配是随机的，所以本发明算法的成本低于随机功率算法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种移动边缘计算成本效益优化方法，其特征在于，所述移动边缘计算成本效益优化方法包括：
用户个数和集合分别为N和
Figure FDA0003905474070000011
AP个数M，每个AP所能容纳的最大用户数K，本地可行集合
Figure FDA0003905474070000012
本地不可行集合
Figure FDA0003905474070000013
本地用户个数和集合分别为Nloc和
Figure FDA0003905474070000014
MEC服务器用户个数和集合分别为Nmec和
Figure FDA0003905474070000015
云中心用户个数和集合Ncloud和
Figure FDA0003905474070000016
MEC服务器集合
Figure FDA0003905474070000017
用户任务输入数据量Dn，用户任务处理密度λn，用户本地处理能力
Figure FDA00039054740700000116
用户任务的最大可容忍时延
Figure FDA00039054740700000117
用户信道增益gn,m，用户本地处理能耗系数α参数；
根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；对于每个用户，判断本地执行是否可行，如果可行，则用户暂时放入本地可行集合
Figure FDA0003905474070000018
如果不可行，则用户暂时放入本地不可行集合
Figure FDA0003905474070000019
如果N1＜MK，即本地不可行用户的数量小于MEC服务器能够承受的容量，则
Figure FDA00039054740700000110
中的所有用户卸载到MEC服务器，并将MK-N1个用户从本地可行集
Figure FDA00039054740700000111
移到MEC服务器使MEC服务器饱和，此时
Figure FDA00039054740700000112
中剩余的用户任务在本地执行；如果N1＞MK，即一些用户必须卸载到云中心处理，挑选MK个用户卸载到MEC处理，剩余的用户将被卸载到云中心，此时
Figure FDA00039054740700000113
中所有用户任务在本地执行；
进行MEC接入控制和用户分簇优化：根据所定义的新参数，计算MEC中所有用户的值，找到最大值所对应的用户和MEC服务器，即表示此用户任务想卸载到此MEC服务器，判断此MEC服务器是否已满，如果未满，则将此用户卸载到这个MEC服务器，并将此用户从
Figure FDA00039054740700000114
中去除，再进行下一次迭代；否则，则将此MEC服务器从整个MEC服务器集合
Figure FDA00039054740700000115
中去除，进行下一次迭代；
进行本地计算资源分配优化：对于每个在本地执行任务的用户，使其本地处理时延等于用户任务最大处理时延，即可得到本地计算资源分配；
进行MEC服务器功率控制优化：对于卸载任务到MEC服务器处理的用户，首先，针对终端用户K，采用处理时延满足最大时延的用户功率；在确定用户K的功率后，用户K-1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配；
进行云中心功率控制优化：对于卸载任务到云中心处理的用户，采用满足处理时延等于最大时延的发射功率，即可得到云中心用户功率分配；
所述接入控制和用户分簇优化，包括：
(1)MEC服务器用户个数Ntotal，MEC服务器个数G1,G2...GM，MEC服务器集合
Figure FDA0003905474070000021
(2)对于每个用户
Figure FDA0003905474070000022
计算Γn,m＝gn,mFm，记为集合Γ＝{Γn,m}；MEC服务器m；
(3)判断是否满足Ntotal≤MK，如果满足，找到(n*,m*)＝argmaxΓ；如果不满足，执行步骤(5)；
(4)判断是否满足
Figure FDA0003905474070000023
如果满足，
Figure FDA0003905474070000024
Γn＝{Γn.m}＝0，Ntotal＝Ntotal+1；如果不满足将第m*个MEC服务器从
Figure FDA0003905474070000025
中去除并设
Figure FDA0003905474070000026
接着执行步骤(3)；
(5)算法执行结束，得到接入控制和用户分簇优化策略。
2.如权利要求1所述移动边缘计算成本效益优化方法，其特征在于，步骤(2)中，信道增益最好的MEC服务器会降低数据传输延迟，计算资源最多的服务器会降低任务处理延迟；结合这两个因素，定义一个新的参数Γn,m＝gn,mFm，Γn,m越大，用户n越想访问MEC服务器m。
3.如权利要求1所述移动边缘计算成本效益优化方法，其特征在于，所述本地计算资源分配、MEC服务器和云中心功率控制优化，包括：
(1)初始化参数：用户本地处理能力
Figure FDA0003905474070000027
用户任务的最大可容忍时延
Figure FDA0003905474070000028
用户信道增益gn,m，用户本地处理能耗系数α参数；
(2)对于每个用户
Figure FDA0003905474070000031
使其满足
Figure FDA0003905474070000032
得到本地资源分配
Figure FDA0003905474070000033
(3)对于每个用户
Figure FDA0003905474070000034
其功率分配按照每一个MEC进行分配，对于第M个MEC里的用户，使其最后一个用户满足
Figure FDA0003905474070000035
得到
Figure FDA0003905474070000036
接着倒数第二个用户满足
Figure FDA0003905474070000037
得到
Figure FDA0003905474070000038
以此类推，直到求出第一个用户功率P1 mec；其余的MEC功率分配同上分配；
(4)对于每个用户
Figure FDA0003905474070000039
使其满足
Figure FDA00039054740700000310
得到功率分配
Figure FDA00039054740700000311
(5)算法执行结束，得到本地计算资源分配、MEC服务器和云中心功率控制策略；
其中，在步骤(2)中，取满足
Figure FDA00039054740700000312
的本地资源分配
Figure FDA00039054740700000313
是因为任务处理时延越大，所需的本地计算资源就越少，本地处理能耗就越少；在步骤(3)和步骤(4)中，亦是趋于MEC能耗减小和云中心成本减小的方向进行。
4.如权利要求1所述移动边缘计算成本效益优化方法，其特征在于，所述移动边缘计算成本效益优化方法包括以下步骤：
步骤一，初始化参数：用户个数和集合分别为N和
Figure FDA00039054740700000314
AP个数M，每个AP所能容纳的最大用户数K，本地可行集合
Figure FDA00039054740700000315
本地不可行集合
Figure FDA00039054740700000316
本地用户个数和集合分别为Nloc和
Figure FDA00039054740700000317
MEC服务器用户个数和集合分别为Nmec和
Figure FDA00039054740700000318
云中心用户个数和集合Ncloud和
Figure FDA00039054740700000319
步骤二，判断每个用户是否满足
Figure FDA00039054740700000320
如果满足，则将用户暂时放入本地可行集合
Figure FDA00039054740700000321
如果不满足，则将用户放在本地不可行集合
Figure FDA00039054740700000322
步骤三，判断是否满足N1＜MK，如果满足，则将
Figure FDA00039054740700000323
中的所有用户卸载到MEC服务器，并将MK-N1个用户从本地可行集
Figure FDA00039054740700000324
卸载到MEC服务器，记为MEC服务器用户集合
Figure FDA00039054740700000325
卸载决策记为yn＝1；此时
Figure FDA00039054740700000326
中剩余的用户记为本地用户集合
Figure FDA00039054740700000327
卸载决策记为xn＝1；如果不满足，则在
Figure FDA00039054740700000328
中挑选MK个用户卸载到MEC处理，记为MEC服务器用户集合
Figure FDA00039054740700000329
卸载决策记为yn＝1，
Figure FDA00039054740700000330
中剩余的用户将被卸载到云中心，记为云中心用户集合
Figure FDA00039054740700000331
卸载决策记为zn＝1，此时
Figure FDA0003905474070000041
中所有用户记为本地用户集合
Figure FDA0003905474070000042
步骤四，算法执行结束，得到用户卸载决策优化策略。
5.如权利要求4所述移动边缘计算成本效益优化方法，其特征在于，步骤三中，从本地可行集
Figure FDA0003905474070000043
中取MK-N1个用户卸载到MEC，所取用户的方法包括：
(1)对于每个用户
Figure FDA0003905474070000044
计算
Figure FDA0003905474070000045
(2)定义一个新参数
Figure FDA0003905474070000046
(3)将Gn升序排列取最后的MK-N1个用户卸载到MEC。
6.一种实施权利要求1～5任意一项所述移动边缘计算成本效益优化方法的移动边缘计算成本效益优化系统，其特征在于，所述移动边缘计算成本效益优化系统包括：
初始化模块，用于初始化用户个数，AP个数，每个AP所能容纳的最大用户数，本地可行集合，本地不可行集合，本地用户集合，MEC服务器用户集合，云中心用户集合，MEC服务器集合，用户任务输入数据量，用户任务处理密度，用户本地处理能力，用户任务的最大可容忍时延；
卸载决策模块，用于根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；
接入控制和用户分簇模块，用于根据用户的喜好选择接入MEC服务器来实现接入控制和用户分簇；
分配优化模块，用于进行本地计算资源分配优化、MEC服务器功率控制优化以及云中心功率控制优化。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
用户个数和集合分别为N和
Figure FDA0003905474070000047
AP个数M，每个AP所能容纳的最大用户数K，本地可行集合
Figure FDA0003905474070000048
本地不可行集合
Figure FDA0003905474070000049
本地用户个数和集合分别为Nloc和
Figure FDA0003905474070000051
MEC服务器用户个数和集合分别为Nmec和
Figure FDA0003905474070000052
云中心用户个数和集合Ncloud和
Figure FDA0003905474070000053
MEC服务器集合
Figure FDA0003905474070000054
用户任务输入数据量Dn，用户任务处理密度λn，用户本地处理能力
Figure FDA00039054740700000513
用户任务的最大可容忍时延
Figure FDA00039054740700000514
用户信道增益gn,m，用户本地处理能耗系数α参数；
根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；对于每个用户，判断本地执行是否可行，如果可行，则用户暂时放入本地可行集合
Figure FDA0003905474070000055
如果不可行，则用户暂时放入本地不可行集合
Figure FDA0003905474070000056
如果N1＜MK，即本地不可行用户的数量小于MEC服务器能够承受的容量，则
Figure FDA0003905474070000057
中的所有用户卸载到MEC服务器，并将MK-N1个用户从本地可行集
Figure FDA0003905474070000058
移到MEC服务器使MEC服务器饱和，此时
Figure FDA0003905474070000059
中剩余的用户任务在本地执行；如果N1＞MK，即一些用户必须卸载到云中心处理，挑选MK个用户卸载到MEC处理，剩余的用户将被卸载到云中心，此时
Figure FDA00039054740700000510
中所有用户任务在本地执行；
进行MEC接入控制和用户分簇优化：根据所定义的新参数，计算MEC中所有用户的值，找到最大值所对应的用户和MEC服务器，即表示此用户任务想卸载到此MEC服务器，判断此MEC服务器未是否已满，如果未满，则将此用户卸载到这个MEC服务器，并将此用户从
Figure FDA00039054740700000511
中去除，再进行下一次迭代；否则，则将此MEC服务器从整个MEC服务器集合
Figure FDA00039054740700000512
中去除，进行下一次迭代；
进行本地计算资源分配优化：对于每个在本地执行任务的用户，使其本地处理时延等于用户任务最大处理时延，即可得到本地计算资源分配；
进行MEC服务器功率控制优化：对于卸载任务到MEC服务器处理的用户，首先，针对终端用户K，采用处理时延满足最大时延的用户功率；在确定用户K的功率后，用户K-1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配；
进行云中心功率控制优化：对于卸载任务到云中心处理的用户，采用满足处理时延等于最大时延的发射功率，即可得到云中心用户功率分配；
所述接入控制和用户分簇优化，包括：
(1)MEC服务器用户个数Ntotal，MEC服务器个数G1,G2...GM，MEC服务器集合
Figure FDA0003905474070000061
(2)对于每个用户
Figure FDA0003905474070000062
计算Γn,m＝gn,mFm，记为集合Γ＝{Γn,m}；MEC服务器m；
(3)判断是否满足Ntotal≤MK，如果满足，找到(n*,m*)＝argmaxΓ；如果不满足，执行步骤(5)；
(4)判断是否满足
Figure FDA0003905474070000063
如果满足，
Figure FDA0003905474070000064
Γn＝{Γn.m}＝0，Ntotal＝Ntotal+1；如果不满足将第m*个MEC服务器从
Figure FDA0003905474070000065
中去除并设
Figure FDA0003905474070000066
接着执行步骤(3)；
(5)算法执行结束，得到接入控制和用户分簇优化策略。
8.一种需要大容量、低能耗的物联网场景控制系统，其特征在于，所述需要大容量、低能耗的物联网场景控制系统执行如权利要求1～5任意一项所述移动边缘计算成本效益优化方法。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求6所述移动边缘计算成本效益优化系统。
CN202110636382.7A 2021-06-08 2021-06-08 一种移动边缘计算成本效益优化方法、系统及应用 Active CN113556760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636382.7A CN113556760B (zh) 2021-06-08 2021-06-08 一种移动边缘计算成本效益优化方法、系统及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636382.7A CN113556760B (zh) 2021-06-08 2021-06-08 一种移动边缘计算成本效益优化方法、系统及应用

Publications (2)

Publication Number Publication Date
CN113556760A CN113556760A (zh) 2021-10-26
CN113556760B true CN113556760B (zh) 2023-02-07

Family

ID=78130387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636382.7A Active CN113556760B (zh) 2021-06-08 2021-06-08 一种移动边缘计算成本效益优化方法、系统及应用

Country Status (1)

Country Link
CN (1) CN113556760B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920280A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种单用户场景下的移动边缘计算任务卸载方法
CN110018834A (zh) * 2019-04-11 2019-07-16 北京理工大学 一种混合移动云/边缘计算的任务卸载和数据缓存方法
CN112738185A (zh) * 2020-12-24 2021-04-30 西安邮电大学 基于非正交多址的边缘计算系统控制联合优化方法及应用
JP2021077938A (ja) * 2019-11-05 2021-05-20 Kddi株式会社 制御装置、制御方法及びコンピュータプログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
US11102630B2 (en) * 2019-10-25 2021-08-24 Telefonaktiebolaget Lm Ericsson (Publ) Method for service placement in a multi-access/mobile edge computing (MEC) system
KR102260781B1 (ko) * 2020-04-29 2021-06-03 홍익대학교세종캠퍼스산학협력단 사물 인터넷을 위한 명명 데이터 네트워킹 기반 에지 클라우드 컴퓨팅 통합 시스템
CN112738822A (zh) * 2020-12-25 2021-04-30 中国石油大学(华东) 移动边缘计算环境中基于noma的安全卸载和资源分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920280A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种单用户场景下的移动边缘计算任务卸载方法
CN110018834A (zh) * 2019-04-11 2019-07-16 北京理工大学 一种混合移动云/边缘计算的任务卸载和数据缓存方法
JP2021077938A (ja) * 2019-11-05 2021-05-20 Kddi株式会社 制御装置、制御方法及びコンピュータプログラム
CN112738185A (zh) * 2020-12-24 2021-04-30 西安邮电大学 基于非正交多址的边缘计算系统控制联合优化方法及应用

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Computation Energy Efficiency Maximization for a NOMA-Based WPT-MEC Network;Liqin Shi，Yinghui Ye，etc.;《IEEE Internet of Things Journal ( Volume: 8, Issue: 13, July1, 1 2021)》;20210104;10731-10744 *
基于自适应遗传算法的MEC任务卸载及资源分配;闫伟等;《电子技术应用》;20200806(第08期);全文 *
无线供能边缘计算网络中系统计算能效最大化资源分配方案;施丽琴，叶迎晖，卢光跃;《CNKI 通信学报》;20200914;59-69 *
移动边缘计算系统联合任务卸载及资源分配算法研究;林峻良;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200215;全文 *

Also Published As

Publication number Publication date
CN113556760A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
WO2022121097A1 (zh) 一种移动用户计算任务的卸载方法
CN108920280B (zh) 一种单用户场景下的移动边缘计算任务卸载方法
CN111586720B (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
CN111405568B (zh) 基于q学习的计算卸载和资源分配方法及装置
CN111132191B (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN110928654B (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN112105062B (zh) 时敏条件下移动边缘计算网络能耗最小化策略方法
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN109343904B (zh) 一种基于Lyapunov优化的雾计算动态卸载方法
CN113242568A (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN109756912B (zh) 一种多用户多基站联合任务卸载及资源分配方法
CN109246761B (zh) 考虑延迟及能耗的基于交替方向乘子法的卸载方法
CN112015545B (zh) 车辆边缘计算网络中的任务卸载方法及系统
CN111130911B (zh) 一种基于移动边缘计算的计算卸载方法
CN112738185B (zh) 基于非正交多址的边缘计算系统控制联合优化方法及应用
CN113254095B (zh) 云边结合平台的任务卸载、调度与负载均衡系统、方法
CN112654081B (zh) 用户分簇及资源分配优化方法、系统、介质、设备及应用
CN111200831A (zh) 一种融合移动边缘计算的蜂窝网络计算卸载方法
CN113286317A (zh) 一种基于无线供能边缘网络的任务调度方法
El Haber et al. Computational cost and energy efficient task offloading in hierarchical edge-clouds
CN116233927A (zh) 一种在移动边缘计算中负载感知的计算卸载节能优化方法
CN115473896A (zh) 基于dqn算法的电力物联网卸载策略和资源配置优化方法
CN115103326A (zh) 基于联盟博弈的车联网任务卸载与资源管理方法及装置
He et al. An offloading scheduling strategy with minimized power overhead for internet of vehicles based on mobile edge computing
CN113556760B (zh) 一种移动边缘计算成本效益优化方法、系统及应用

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