CN113556764B - 一种基于移动边缘计算网络的计算速率确定方法及系统 - Google Patents

一种基于移动边缘计算网络的计算速率确定方法及系统 Download PDF

Info

Publication number
CN113556764B
CN113556764B CN202110870619.8A CN202110870619A CN113556764B CN 113556764 B CN113556764 B CN 113556764B CN 202110870619 A CN202110870619 A CN 202110870619A CN 113556764 B CN113556764 B CN 113556764B
Authority
CN
China
Prior art keywords
calculation
mobile edge
computing
resource allocation
user node
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
CN202110870619.8A
Other languages
English (en)
Other versions
CN113556764A (zh
Inventor
赵明雄
杨昭杰
王子睿
肖一鸣
张榕倩
张贤琪
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN202110870619.8A priority Critical patent/CN113556764B/zh
Publication of CN113556764A publication Critical patent/CN113556764A/zh
Application granted granted Critical
Publication of CN113556764B publication Critical patent/CN113556764B/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
    • 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

本发明涉及一种基于移动边缘计算网络的计算速率确定方法及系统。该方法包括获取网络的基本配置以及迭代参数；以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型；利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式；采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；根据上述策略确定计算速率。本发明能够有效提高网络的总计算速度。

Description

一种基于移动边缘计算网络的计算速率确定方法及系统
技术领域
本发明涉及物联网领域，特别是涉及一种基于移动边缘计算网络的计算速率确定方法及系统。
背景技术
随着物联网时代智能设备的爆发式增长，涌现出大量计算负载高、时延要求小的应用(如实时在线网络游戏、虚拟现实等技术)。但由于物联网设备的能量和计算能力有限，他们并不能完全支持高计算负载和延迟敏感的服务。
为了摆脱这种困境，一种称为移动边缘计算(MEC)的新型计算范例技术应运而生，成为当今情况下一种很有前途的技术，它将云计算和移动网络相结合，将密集型计算任务迁移到附近的网络边缘服务器，减缓网络的带宽压力。但同时，在用户设备的运行过程中，计算速率是影响用户体验的关键性因素，越快的计算速率为越小的延迟。目前国内外针对此问题设计多种最大化计算速率策略，计算速率具体考虑各用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略。
现有技术中采用等功率分配(EPA)方法确定计算速率，但是网络的总计算速度还有待提高。
发明内容
本发明的目的是提供一种基于移动边缘计算网络的计算速率确定方法及系统，能够有效提高网络的总计算速度。
为实现上述目的，本发明提供了如下方案：
一种基于移动边缘计算网络的计算速率确定方法，包括：
获取网络的基本配置以及迭代参数；所述基本配置包括：用户节点的计算资源和计算能力、移动边缘服务器的计算资源和计算能力以及网络内子载波集合；所述迭代参数包括：当前迭代轮次、最大迭代轮次以及辅助变量的初始值；
以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型；
利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式，确定转变后的计算速率最大化系统优化模型；
采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
根据用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略确定计算速率。
可选地，所述以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型，具体包括：
Figure BDA0003188765500000021
其中，tk为应用的完成时间，
Figure BDA0003188765500000022
为系统限制的最长执行时间，fkm为处理任务m时的计算资源，Fk为系统总计算资源，
Figure BDA0003188765500000023
为系统在处理任务m时分配给移动边缘服务器的计算资源，Fs为服务器的总计算资源，xkn是信道分配指示符，是一个二进制变量，当第n个子载波分配给第k个用户时，xkn为1，其他情况均为0，pkn为第k个用户在第n个子载波上的发射功率，
Figure BDA0003188765500000031
为最大发射功率，λkm为用户任务卸载到移动边缘服务器上的比率，tkm为处理任务m时所需要花费的时间，X为用户节点的计算资源，F为移动边缘服务器计算资源分配。
可选地，所述利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式，确定转变后的计算速率最大化系统优化模型，具体包括：
辅助变量a的更新：
Figure BDA0003188765500000032
Figure BDA0003188765500000033
辅助变量Φ的更新：
Figure BDA0003188765500000041
其中，ak和
Figure BDA0003188765500000042
均为辅助变量，dkm为用户节点k处理的第m个任务的数据大小，ckm为计算1比特数据所需要的CPU周期数，rk为将数据卸载到移动边缘服务器的传输速率，B为用户分配的每个子载波的带宽，gkn为用户节点k和基站之间的信道增益，σ为子载波n在基站处加性高斯白噪声的方差。
可选地，所述采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略，具体包括：
利用公式
Figure BDA0003188765500000043
将转变后的计算速率最大化系统优化模型转化为拉格朗日对偶函数；
利用公式
Figure BDA0003188765500000044
确定拉格朗日对偶问题；
采用块坐标下降方法对拉格朗日对偶函数和拉格朗日对偶问题进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
其中，
Figure BDA0003188765500000051
以及γ均为对应于相关约束地非负拉格朗日乘子，即对偶变量，F为满足约束fkm≥0,
Figure BDA0003188765500000052
的所有可能f集合，M为满足约束
Figure BDA0003188765500000055
的所有F集合，X为满足约束xkn∈{0,1},
Figure BDA0003188765500000053
及
Figure BDA0003188765500000054
的所有可能X集合。
可选地，所述采用块坐标下降方法对拉格朗日对偶函数和拉格朗日对偶问题进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略，具体包括：
利用固定的用户节点计算资源分配、固定的移动边缘服务器计算资源分配、固定的发射功率以及固定的辅助变量优化用户节点的计算资源；
利用固定的移动边缘服务器计算资源分配、优化后的用户节点的计算资源、固定的发射功率以及固定的辅助变量优化用户节点计算资源分配；
利用优化后的用户节点计算资源分配、优化后的户节点的计算资源、固定的发射功率以及固定的辅助变量优化移动边缘服务器计算资源分配；
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及固定的辅助变量优化发射功率；
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及优化后的发射功率优化辅助变量；
重复迭代上述步骤，直至用户节点计算资源分配、移动边缘服务器计算资源分配、用户节点的计算资源以及辅助变量收敛。
可选地，所述采用块坐标下降方法对拉格朗日对偶函数和拉格朗日对偶问题进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略，具体还包括：
利用公式
Figure BDA0003188765500000061
对对偶变量进行更新；
其中，ρk,ηk,μk,τk,ιk以及
Figure BDA0003188765500000062
都是迭代期间与每个对偶变量相关的步长，其中z为第z轮迭代，z+1为第z+1轮迭代。
一种基于移动边缘计算网络的计算速率确定系统，包括：
参数获取模块，用于获取网络的基本配置以及迭代参数；所述基本配置包括：用户节点的计算资源和计算能力、移动边缘服务器的计算资源和计算能力以及网络内子载波集合；所述迭代参数包括：当前迭代轮次、最大迭代轮次以及辅助变量的初始值；
计算速率最大化系统优化模型确定模块，用于以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型；
转变后的计算速率最大化系统优化模型确定模块，用于利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式，确定转变后的计算速率最大化系统优化模型；
迭代完成模块，用于采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
计算速率确定模块，用于根据用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略确定计算速率。
可选地，迭代完成模块具体包括：
优化后的用户节点的计算资源确定单元，用于利用固定的用户节点计算资源分配、固定的移动边缘服务器计算资源分配、固定的发射功率以及固定的辅助变量优化用户节点的计算资源；
优化后的用户节点计算资源分配确定单元，用于利用固定的移动边缘服务器计算资源分配、优化后的用户节点的计算资源、固定的发射功率以及固定的辅助变量优化用户节点计算资源分配；
优化后的移动边缘服务器计算资源分配确定单元，用于利用优化后的用户节点计算资源分配、优化后的户节点的计算资源、固定的发射功率以及固定的辅助变量优化移动边缘服务器计算资源分配；
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及固定的辅助变量优化发射功率；
优化后的发射功率确定单元，用于利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及优化后的发射功率优化辅助变量；
迭代完成单元，用于重复迭代上述步骤，直至用户节点计算资源分配、移动边缘服务器计算资源分配、用户节点的计算资源以及辅助变量收敛。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种基于移动边缘计算网络的计算速率确定方法及系统，首先构建计算速率最大化系统优化模型，为了解决优化问题是NP hard且非凸的而难以优化的问题，将速率最大化系统优化模型由非光滑转为光滑形式，采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；根据用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略确定计算速率；本发明基于正交频分多址的移动边缘计算网络中的公平资源分配和写在决策问题来最大化系统的总计算速率，同时满足时间敏感计算任务的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于移动边缘计算网络的计算速率确定方法流程示意图；
图2为本发明与现有技术中不同用户数对于平均计算速率的影响的对比示意图；
图3为本发明与现有技术中不同MEC服务器CPU频率对于平均计算速率的影响的对比示意图；
图4为本发明与现有技术中不同子载波数量对于平均计算速率的影响的对比示意图；
图5为本发明所提供的一种基于移动边缘计算网络的计算速率确定系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于移动边缘计算网络的计算速率确定方法及系统，能够有效提高网络的总计算速度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于移动边缘计算网络的计算速率确定方法流程示意图，如图1所示，本发明所提供的一种基于移动边缘计算网络的计算速率确定方法，包括：
S101，获取网络的基本配置以及迭代参数；所述基本配置包括：用户节点的计算资源和计算能力、移动边缘服务器的计算资源和计算能力以及网络内子载波集合；所述迭代参数包括：当前迭代轮次、最大迭代轮次以及辅助变量的初始值；
S102，以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型；
S102具体包括：
Figure BDA0003188765500000091
其中，tk为应用的完成时间，
Figure BDA0003188765500000092
为系统限制的最长执行时间，fkm为处理任务m时的计算资源，Fk为系统总计算资源，
Figure BDA0003188765500000093
为系统在处理任务m时分配给移动边缘服务器的计算资源，Fs为服务器的总计算资源，xkn是信道分配指示符，是一个二进制变量，当第n个子载波分配给第k个用户时，xkn为1，其他情况均为0，pkn为第k个用户在第n个子载波上的发射功率，
Figure BDA0003188765500000094
为最大发射功率，λkm为用户任务卸载到移动边缘服务器上的比率，tkm为处理任务m时所需要花费的时间，X为用户节点的计算资源，F为移动边缘服务器计算资源分配。
上述具体的确定过程为：
确定初始的计算速率最大化系统优化模型：
Figure BDA0003188765500000101
其中，Rk为移动边缘计算系统的计算的总速率；
每个任务都是在用户节点和移动边缘MEC服务器上并发执行，因此用户k完成任务所需要的时间是取卸载总时间和本地计算总时间的最大值，应用的完成时间tk、系统的总计算速率Rk可以由以下公式给出：
Figure BDA0003188765500000102
其中，tkm为处理任务m时所需要花费的时间，
Figure BDA0003188765500000103
和
Figure BDA0003188765500000104
分别为任务m的本地计算时间和将部分任务卸载到MEC服务器上并完成计算的时间。
Figure BDA0003188765500000111
根据对数运算定理，优化总目标的公式可以表示为：
Figure BDA0003188765500000112
由于数据总量是不变的，因此根据以上计算，所属的系统优化模型如下：
Figure BDA0003188765500000113
S103，利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式，确定转变后的计算速率最大化系统优化模型；
S103具体包括：
辅助变量a的更新：
Figure BDA0003188765500000114
Figure BDA0003188765500000115
辅助变量Φ的更新：
Figure BDA0003188765500000121
其中，ak和
Figure BDA0003188765500000122
均为辅助变量，dkm为用户节点k处理的第m个任务的数据大小，ckm为计算1比特数据所需要的CPU周期数，rk为将数据卸载到移动边缘服务器的传输速率，B为用户分配的每个子载波的带宽，gkn为用户节点k和基站之间的信道增益，σ为子载波n在基站处加性高斯白噪声的方差。
S104，采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
S104具体包括：
将问题P2转化为非约束拉格朗日乘式：
Figure BDA0003188765500000131
Figure BDA0003188765500000132
利用公式
Figure BDA0003188765500000133
将转变后的计算速率最大化系统优化模型转化为拉格朗日对偶函数；
利用公式
Figure BDA0003188765500000134
确定拉格朗日对偶问题；
采用块坐标下降方法对拉格朗日对偶函数和拉格朗日对偶问题进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
其中，
Figure BDA0003188765500000135
以及γ均为对应于相关约束地非负拉格朗日乘子，即对偶变量，F为满足约束fkm≥0,
Figure BDA0003188765500000136
的所有可能f集合，M为满足约束
Figure BDA0003188765500000137
的所有F集合，X为满足约束xkn∈{0,1},
Figure BDA0003188765500000138
及
Figure BDA0003188765500000139
的所有可能X集合。
S104具体包括：
利用固定的用户节点计算资源分配、固定的移动边缘服务器计算资源分配、固定的发射功率以及固定的辅助变量优化用户节点的计算资源；
首先用固定的
Figure BDA00031887655000001310
求解X，可以将拉格朗日函数重写为：
Figure BDA0003188765500000141
如果假定子载波n被分配给用户k，可以得出：
Figure BDA0003188765500000142
其中：
Figure BDA0003188765500000143
Figure BDA0003188765500000144
因此，子问题便可以由下式给出：
Figure BDA0003188765500000145
其中，
Figure BDA0003188765500000146
这个子问题可以直接独立求解，通过最大化每个Ln可以得到最优的子载波分配策略X为：
Figure BDA0003188765500000147
利用固定的移动边缘服务器计算资源分配、优化后的用户节点的计算资源、固定的发射功率以及固定的辅助变量优化用户节点计算资源分配；
使用固定的
Figure BDA0003188765500000149
和给定的子载波分配策略X来求解计算频率f，让
Figure BDA0003188765500000148
成为权利要求4中拉格朗日对偶函数的最优解，而且根据Karush-Kuhn-Tucker(KKT)条件，可以得到：
Figure BDA0003188765500000151
因此可以得出
Figure BDA0003188765500000152
的表达式：
Figure BDA0003188765500000153
另外可以通过以下内容更新卸载率λ，即：
当延迟最小时，用户k达到其最大计算速率，并且由于用户的任务是在本地和MEC服务器上并行处理的，当这两个进程占用的时间相同时，用户完成任务的延迟最小，用公式表示为：
Figure BDA0003188765500000154
依据上式可以得到最佳卸载比率λkm，用公式表示为：
Figure BDA0003188765500000155
再加上总模型约束中的
Figure BDA0003188765500000156
就可以得到：
Figure BDA0003188765500000157
利用优化后的用户节点计算资源分配、优化后的户节点的计算资源、固定的发射功率以及固定的辅助变量优化移动边缘服务器计算资源分配；
其中
Figure BDA0003188765500000158
同时可以通过固定的
Figure BDA0003188765500000159
和给定的(X，f)来求解F，可以通过以下优化问题求解：
Figure BDA00031887655000001510
Figure BDA00031887655000001511
Figure BDA00031887655000001512
Figure BDA00031887655000001513
可以令
Figure BDA0003188765500000161
明显得出
Figure BDA0003188765500000162
因此PF是一个凸优化问题。但该问题需要求解多变量的非线性方程组问题，是非常复杂的。我们从而可以再数值上构造如下算法将FS分为无限小的原子片段并将它们分配给每个用户的任务。该算法的关键是找到每次分配下变化最快的用户(即梯度最大的用户)，当每块足够小时，最终的分配可以达到最佳结果。
具体的算法为频率分配算法：
输入：给定初始值
Figure BDA0003188765500000163
输出：F*
1:初始化：
Figure BDA0003188765500000164
2:如
Figure BDA0003188765500000165
或者F不满足
Figure BDA0003188765500000166
中的任意一条，则置F＝0；
否则置
Figure BDA0003188765500000167
3:循环；
4:置k,
Figure BDA0003188765500000168
5:如果Ukm＞0，则置
Figure BDA0003188765500000169
否则置
Figure BDA0003188765500000171
6:直到满足第2步的条件，循环结束；
7:返回最优频率分配策略F*。
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及固定的辅助变量优化发射功率；
用固定的
Figure BDA0003188765500000172
和给定的(X，f，F)求解p，让
Figure BDA0003188765500000173
表示为步骤四中拉格朗日对偶函数的最优解，根据Karush-Kuhn-Tucker(KKT)条件，可以得到：
Figure BDA0003188765500000174
通过上式可以得出：
Figure BDA0003188765500000175
在上式中，传输功率
Figure BDA0003188765500000176
和高信噪比假设条件下的信道增益没有关系。同时在高接受信噪比的情况下，即σ2趋近于0的情况下，可以获得渐近解，在这种情况下用户在每个子载波上都具有相同的功率，并且上式将变为：
Figure BDA0003188765500000177
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及优化后的发射功率优化辅助变量；
获得的(X，f，F，p)来进行最优辅助变量φ的更新。首先用给定的(X，f，F，p)求解φ，让
Figure BDA0003188765500000178
表示为步骤四中拉格朗日对偶函数的最优解，然后根据Karush-Kuhn-Tucker(KKT)条件可以得到：
Figure BDA0003188765500000181
但实际上很难找到最优辅助变量
Figure BDA0003188765500000182
的闭式表达式，但其实由于L是φk的一个凸函数，并且
Figure BDA0003188765500000183
随着φk的增加而单调增加，所以可以采取二分搜索算法在[0,rk]的范围上求解
Figure BDA0003188765500000184
求解φk的详细过程总结在二分搜索算法中，如下所示：
1.输入：给定的(X，f，F，p)以及准确度指标∈
2:输出：φ*
3:在
Figure BDA0003188765500000185
的范围内持续执行：
4:初始化：
Figure BDA0003188765500000186
5:循环：
6:设置
Figure BDA0003188765500000187
7:根据
Figure BDA0003188765500000188
计算
Figure BDA0003188765500000189
8:如果
Figure BDA00031887655000001810
置
Figure BDA00031887655000001811
否则置
Figure BDA00031887655000001812
9:直到
Figure BDA00031887655000001813
结束循环，得到最优辅助变量φ*。
重复迭代上述步骤，直至用户节点计算资源分配、移动边缘服务器计算资源分配、用户节点的计算资源以及辅助变量收敛。
即对于给定的对偶变量α，β，γ，θ，ψ，ξ，可以通过迭代优化子载波分配策略固定(f，F，p，φ)，优化本地计算资源来获得次优解，再通过用固定的(F，X，p，φ)来优化本地计算资源分配f和用固定的(f，X，p，φ)优化MEC服务器计算资源分配F，使用固定的(f，F，X，φ)优化发射功率p，并使用固定的(f，F，X，p)更新辅助变量φ。重复这个过程最终直到(f，F，X，φ)收敛，这就是步骤四中所说的块坐标下降(BCD)方法。
S104具体还包括：
f*，F*，p*，X*，d*和φ*均已获得，可以通过梯度上升法来更新α，β，θ，ψ，ξ，γ，可以根据以下公式更新对偶变量(α，β，θ，ψ，ξ，γ)：
利用公式
Figure BDA0003188765500000191
对对偶变量进行更新；
其中，ρk,ηk,μk,τk,ιk以及
Figure BDA0003188765500000192
都是迭代期间与每个对偶变量相关的步长，其中z为第z轮迭代，z+1为第z+1轮迭代。
联合资源分配和卸载策略算法(Joint ResourceAllocation and OfflfloadingDecisionAlgorithm)：
初始化：给定的{p,f,F,a,φ,α,β,θ,ψ,ξ,γ}；
2:循环；
3:循环；
4:通过
Figure BDA0003188765500000193
解零一变量X；通过解4中的非约束性拉格朗日乘式求解L；
5:分配本地计算资源，通过
Figure BDA0003188765500000201
6:通过算法1分配MEC服务器计算资源；
7:通过
Figure BDA0003188765500000202
确定发射功率；
8:通过
Figure BDA0003188765500000203
确定卸载比率；
9:根据算法2和P模型解耦后的Pa模型更新辅助变量a和Φ；
10:直到拉格朗日函数收敛；
11:更新对偶变量α，β，θ，ψ，ξ，γ；
12:直到对偶变量收敛，循环结束。
S105，根据用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略确定计算速率。
在仿真实验中设计了部分参数用以优化改进本发明的结果验证，其中仿真参数如表1。
表1
移动边缘计算系统参数名 值
MEC服务器CPU频率 10GHz
移动用户CPU频率 0.6-0.7GHz
用户传输功率 0.6W
用户输入数据大小 100-150K
任务最大完成期限 2-3S
计算强度 1000-1100CPU周期/位数据
背景噪音 10^-13W
子载波带宽 12.5KHz
用户和MEC服务器的距离 30-50M
如图2所示，根据不同的用户数绘制平均计算率，其中M为2或4，N为128，随着用户或任务数目的增加，JRAOD(本发明提出的算法)和EPA(参考方案)的平均计算率均下降。这是因为用户或任务数量的增加会导致分配给每个用户任务的计算资源减少，导致平均计算速率下降。可以看出JRAOD的性能优于EPA。
如图3所示，根据MEC服务器CPU频率的不同数量绘制平均计算速率，其中K为2，M为4，N为128，随着MEC服务器CPU频率的增加，网络的计算速度越来越快。这是因为MEC服务器CPU频率的增加会导致分配给用户的每个任务的计算资源增加，从而导致平均计算速率的增加。也可以看出JRAOD相比于EPA可以大大提高系统的计算速率。
如图4所示，根据子载波数量绘制平均计算速率，其中K为2，M为4，可以看出随着子载波数量的增加，计算速率也在不断增加。这是因为用户将有更好的机会选择具有优选信道增益的子载波。也可以看出JRAOD相比于EPA可以提高系统的计算速率。
图5为本发明所提供的一种基于移动边缘计算网络的计算速率确定系统结构示意图，如图5所示，本发明所提供的一种基于移动边缘计算网络的计算速率确定系统，包括：
参数获取模块501，用于获取网络的基本配置以及迭代参数；所述基本配置包括：用户节点的计算资源和计算能力、移动边缘服务器的计算资源和计算能力以及网络内子载波集合；所述迭代参数包括：当前迭代轮次、最大迭代轮次以及辅助变量的初始值；
计算速率最大化系统优化模型确定模块502，用于以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型；
转变后的计算速率最大化系统优化模型确定模块503，用于利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式，确定转变后的计算速率最大化系统优化模型；
迭代完成模块504，用于采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
计算速率确定模块505，用于根据用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略确定计算速率。
迭代完成模块504具体包括：
优化后的用户节点的计算资源确定单元，用于利用固定的用户节点计算资源分配、固定的移动边缘服务器计算资源分配、固定的发射功率以及固定的辅助变量优化用户节点的计算资源；
优化后的用户节点计算资源分配确定单元，用于利用固定的移动边缘服务器计算资源分配、优化后的用户节点的计算资源、固定的发射功率以及固定的辅助变量优化用户节点计算资源分配；
优化后的移动边缘服务器计算资源分配确定单元，用于利用优化后的用户节点计算资源分配、优化后的户节点的计算资源、固定的发射功率以及固定的辅助变量优化移动边缘服务器计算资源分配；
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及固定的辅助变量优化发射功率；
优化后的发射功率确定单元，用于利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及优化后的发射功率优化辅助变量；
迭代完成单元，用于重复迭代上述步骤，直至用户节点计算资源分配、移动边缘服务器计算资源分配、用户节点的计算资源以及辅助变量收敛。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于移动边缘计算网络的计算速率确定方法，其特征在于，包括：
获取网络的基本配置以及迭代参数；所述基本配置包括：用户节点的计算资源和计算能力、移动边缘服务器的计算资源和计算能力以及网络内子载波集合；所述迭代参数包括：当前迭代轮次、最大迭代轮次以及辅助变量的初始值；
以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型；
利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式，确定转变后的计算速率最大化系统优化模型；
采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
根据用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略确定计算速率；
所述以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型，具体包括：
Figure FDA0003591852280000021
其中，tk为应用的完成时间，
Figure FDA0003591852280000022
为系统限制的最长执行时间，fkm为处理任务m时的计算资源，Fk为系统总计算资源，
Figure FDA0003591852280000023
为系统在处理任务m时分配给移动边缘服务器的计算资源，Fs为服务器的总计算资源，xkn是信道分配指示符，是一个二进制变量，当第n个子载波分配给第k个用户时，xkn为1，其他情况均为0，pkn为第k个用户在第n个子载波上的发射功率，
Figure FDA0003591852280000024
为最大发射功率，λkm为用户任务卸载到移动边缘服务器上的比率，tkm为处理任务m时所需要花费的时间，X为用户节点的计算资源，F为移动边缘服务器计算资源分配；
所述利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式，确定转变后的计算速率最大化系统优化模型，具体包括：
辅助变量a的更新：
Figure FDA0003591852280000025
Figure FDA0003591852280000026
辅助变量Φ的更新：
Figure FDA0003591852280000031
其中，ak和
Figure FDA0003591852280000032
均为辅助变量，dkm为用户节点k处理的第m个任务的数据大小，ckm为计算1比特数据所需要的CPU周期数，rk为将数据卸载到移动边缘服务器的传输速率，B为用户分配的每个子载波的带宽，gkn为用户节点k和基站之间的信道增益，σ为子载波n在基站处加性高斯白噪声的方差。
2.根据权利要求1所述的一种基于移动边缘计算网络的计算速率确定方法，其特征在于，所述采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略，具体包括：
利用公式
Figure FDA0003591852280000033
将转变后的计算速率最大化系统优化模型转化为拉格朗日对偶函数；
利用公式
Figure FDA0003591852280000041
确定拉格朗日对偶问题；
采用块坐标下降方法对拉格朗日对偶函数和拉格朗日对偶问题进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
其中，
Figure FDA0003591852280000042
以及γ均为对应于相关约束地非负拉格朗日乘子，即对偶变量，F为满足约束
Figure FDA0003591852280000043
的所有可能f集合，M为满足约束
Figure FDA0003591852280000044
的所有F集合，X为满足约束
Figure FDA0003591852280000045
及
Figure FDA0003591852280000046
的所有可能X集合。
3.根据权利要求2所述的一种基于移动边缘计算网络的计算速率确定方法，其特征在于，所述采用块坐标下降方法对拉格朗日对偶函数和拉格朗日对偶问题进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略，具体包括：
利用固定的用户节点计算资源分配、固定的移动边缘服务器计算资源分配、固定的发射功率以及固定的辅助变量优化用户节点的计算资源；
利用固定的移动边缘服务器计算资源分配、优化后的用户节点的计算资源、固定的发射功率以及固定的辅助变量优化用户节点计算资源分配；
利用优化后的用户节点计算资源分配、优化后的户节点的计算资源、固定的发射功率以及固定的辅助变量优化移动边缘服务器计算资源分配；
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及固定的辅助变量优化发射功率；
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及优化后的发射功率优化辅助变量；
重复迭代上述步骤，直至用户节点计算资源分配、移动边缘服务器计算资源分配、用户节点的计算资源以及辅助变量收敛。
4.根据权利要求3所述的一种基于移动边缘计算网络的计算速率确定方法，其特征在于，所述采用块坐标下降方法对拉格朗日对偶函数和拉格朗日对偶问题进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略，具体还包括：
利用公式
Figure FDA0003591852280000051
对对偶变量进行更新；
其中，ρk,ηk,μk,τk,ιk以及
Figure FDA0003591852280000052
都是迭代期间与每个对偶变量相关的步长，其中z为第z轮迭代，z+1为第z+1轮迭代。
5.一种基于移动边缘计算网络的计算速率确定系统，其特征在于，包括：
参数获取模块，用于获取网络的基本配置以及迭代参数；所述基本配置包括：用户节点的计算资源和计算能力、移动边缘服务器的计算资源和计算能力以及网络内子载波集合；所述迭代参数包括：当前迭代轮次、最大迭代轮次以及辅助变量的初始值；
计算速率最大化系统优化模型确定模块，用于以移动边缘计算网络系统的计算速率最大为目标函数，以移动边缘计算网络系统的限制的最长执行时间、移动边缘计算网络系统的总计算资源以及最大发射功率为约束条件，构建计算速率最大化系统优化模型；
转变后的计算速率最大化系统优化模型确定模块，用于利用辅助变量的初始值将计算速率最大化系统优化模型由非光滑转为光滑形式，确定转变后的计算速率最大化系统优化模型；
迭代完成模块，用于采用块坐标下降算法对转变后的计算速率最大化系统优化模型进行迭代，直至迭代论次到达最大迭代轮次，确定用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略；
计算速率确定模块，用于根据用户节点不同计算任务的传输速率、计算资源分配和子载波分配策略确定计算速率；
所述计算速率最大化系统优化模型确定模块具体包括：
Figure FDA0003591852280000061
其中，tk为应用的完成时间，
Figure FDA0003591852280000062
为系统限制的最长执行时间，fkm为处理任务m时的计算资源，Fk为系统总计算资源，
Figure FDA0003591852280000063
为系统在处理任务m时分配给移动边缘服务器的计算资源，Fs为服务器的总计算资源，xkn是信道分配指示符，是一个二进制变量，当第n个子载波分配给第k个用户时，xkn为1，其他情况均为0，pkn为第k个用户在第n个子载波上的发射功率，
Figure FDA0003591852280000064
为最大发射功率，λkm为用户任务卸载到移动边缘服务器上的比率，tkm为处理任务m时所需要花费的时间，X为用户节点的计算资源，F为移动边缘服务器计算资源分配；
所述转变后的计算速率最大化系统优化模型确定模块具体包括：
辅助变量a的更新：
Figure FDA0003591852280000071
Figure FDA0003591852280000072
辅助变量Φ的更新：
Figure FDA0003591852280000073
其中，ak和
Figure FDA0003591852280000074
均为辅助变量，dkm为用户节点k处理的第m个任务的数据大小，ckm为计算1比特数据所需要的CPU周期数，rk为将数据卸载到移动边缘服务器的传输速率，B为用户分配的每个子载波的带宽，gkn为用户节点k和基站之间的信道增益，σ为子载波n在基站处加性高斯白噪声的方差。
6.根据权利要求5所述的一种基于移动边缘计算网络的计算速率确定系统，其特征在于，迭代完成模块具体包括：
优化后的用户节点的计算资源确定单元，用于利用固定的用户节点计算资源分配、固定的移动边缘服务器计算资源分配、固定的发射功率以及固定的辅助变量优化用户节点的计算资源；
优化后的用户节点计算资源分配确定单元，用于利用固定的移动边缘服务器计算资源分配、优化后的用户节点的计算资源、固定的发射功率以及固定的辅助变量优化用户节点计算资源分配；
优化后的移动边缘服务器计算资源分配确定单元，用于利用优化后的用户节点计算资源分配、优化后的户节点的计算资源、固定的发射功率以及固定的辅助变量优化移动边缘服务器计算资源分配；
利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及固定的辅助变量优化发射功率；
优化后的发射功率确定单元，用于利用优化后的用户节点计算资源分配、优化后的移动边缘服务器计算资源分配、优化后的用户节点的计算资源以及优化后的发射功率优化辅助变量；
迭代完成单元，用于重复迭代上述步骤，直至用户节点计算资源分配、移动边缘服务器计算资源分配、用户节点的计算资源以及辅助变量收敛。
CN202110870619.8A 2021-07-30 2021-07-30 一种基于移动边缘计算网络的计算速率确定方法及系统 Active CN113556764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110870619.8A CN113556764B (zh) 2021-07-30 2021-07-30 一种基于移动边缘计算网络的计算速率确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110870619.8A CN113556764B (zh) 2021-07-30 2021-07-30 一种基于移动边缘计算网络的计算速率确定方法及系统

Publications (2)

Publication Number Publication Date
CN113556764A CN113556764A (zh) 2021-10-26
CN113556764B true CN113556764B (zh) 2022-05-31

Family

ID=78105030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110870619.8A Active CN113556764B (zh) 2021-07-30 2021-07-30 一种基于移动边缘计算网络的计算速率确定方法及系统

Country Status (1)

Country Link
CN (1) CN113556764B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113507519B (zh) * 2021-07-08 2022-10-04 燕山大学 一种面向智能家居的边缘计算带宽资源分配方法及系统
CN113923223B (zh) * 2021-11-15 2024-02-06 安徽大学 一种边缘环境下低时间成本的用户分配方法
CN114915627B (zh) * 2022-04-15 2024-04-02 浙江工业大学 一种基于fdma接入的无线供能边缘计算网络卸载决策方法
CN114581160B (zh) * 2022-05-05 2022-09-02 支付宝(杭州)信息技术有限公司 资源分配方法、分布式计算系统及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110266512A (zh) * 2019-04-26 2019-09-20 广东工业大学 一种移动边缘计算迁移系统的快速资源配置方法
CN111130911A (zh) * 2019-12-31 2020-05-08 杭州电子科技大学 一种基于移动边缘计算的计算卸载方法
CN111240701A (zh) * 2019-12-31 2020-06-05 重庆大学 一种端-边-云协同计算的任务卸载优化方法
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN112105062A (zh) * 2020-09-16 2020-12-18 云南大学 时敏条件下移动边缘计算网络能耗最小化策略方法
EP3826368A1 (en) * 2019-11-19 2021-05-26 Commissariat à l'énergie atomique et aux énergies alternatives Energy efficient discontinuous mobile edge computing with quality of service guarantees
CN112995913A (zh) * 2021-03-08 2021-06-18 南京航空航天大学 一种无人机轨迹、用户关联和资源分配联合优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110266512A (zh) * 2019-04-26 2019-09-20 广东工业大学 一种移动边缘计算迁移系统的快速资源配置方法
EP3826368A1 (en) * 2019-11-19 2021-05-26 Commissariat à l'énergie atomique et aux énergies alternatives Energy efficient discontinuous mobile edge computing with quality of service guarantees
CN111130911A (zh) * 2019-12-31 2020-05-08 杭州电子科技大学 一种基于移动边缘计算的计算卸载方法
CN111240701A (zh) * 2019-12-31 2020-06-05 重庆大学 一种端-边-云协同计算的任务卸载优化方法
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN112105062A (zh) * 2020-09-16 2020-12-18 云南大学 时敏条件下移动边缘计算网络能耗最小化策略方法
CN112995913A (zh) * 2021-03-08 2021-06-18 南京航空航天大学 一种无人机轨迹、用户关联和资源分配联合优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Energy Efficiency Based Joint Computation Offloading and Resource Allocation in Multi-Access MEC Systems;X. Yang等;《IEEE Access》;20190820;全文 *
J. -J. Yu等;Energy Minimization for Mobile Edge Computing Networks with Time;《2020 IEEE Global Communications Conference》;20210125;全文 *
移动边缘计算中基于改进拍卖模型的计算卸载策略;盛津芳等;《计算机应用研究》(第06期);全文 *

Also Published As

Publication number Publication date
CN113556764A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN113556764B (zh) 一种基于移动边缘计算网络的计算速率确定方法及系统
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN109814951B (zh) 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
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
CN112148380B (zh) 一种移动边缘计算任务卸载中的资源优化方法及电子设备
CN110543336B (zh) 基于非正交多址接入技术的边缘计算任务卸载方法及装置
CN112105062B (zh) 时敏条件下移动边缘计算网络能耗最小化策略方法
CN110557769A (zh) 基于深度强化学习的c-ran计算卸载和资源分配方法
CN112839382B (zh) 一种车联网中视频语义驱动的通信和计算资源联合分配方法
CN112996056A (zh) 一种云边协同下时延最优化的计算任务卸载方法及装置
CN111913723A (zh) 基于流水线的云-边-端协作卸载方法和系统
CN111049917B (zh) 一种基于移动边缘计算的移动感知多用户卸载优化方法
CN112511336B (zh) 一种边缘计算系统中的在线服务放置方法
CN112416603B (zh) 一种基于雾计算的联合优化系统和方法
CN116009677B (zh) 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法
CN114219354A (zh) 一种基于联邦学习资源分配优化方法及系统
CN111556576B (zh) 基于d2d_mec系统的时延优化方法
CN113590279A (zh) 一种面向多核边缘计算服务器的任务调度和资源分配方法
CN114465900A (zh) 基于联邦边缘学习的数据共享时延优化方法及装置
CN114116061A (zh) 一种移动边缘计算环境下的工作流任务卸载方法及系统
CN116828534B (zh) 基于强化学习的密集网络大规模终端接入与资源分配方法
CN116887205A (zh) 一种面向物联网协同智能的无线联邦分割学习算法
CN114884957B (zh) 空天地网络中的计算任务卸载方法、装置和电子设备
CN116761218A (zh) 一种云边端协同系统中的联合优化方法、系统及存储介质
CN113784340B (zh) 一种保密卸载速率优化方法及系统

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