CN113677030B - 一种移动协同计算系统的任务分配方法和设备 - Google Patents

一种移动协同计算系统的任务分配方法和设备 Download PDF

Info

Publication number
CN113677030B
CN113677030B CN202111007433.6A CN202111007433A CN113677030B CN 113677030 B CN113677030 B CN 113677030B CN 202111007433 A CN202111007433 A CN 202111007433A CN 113677030 B CN113677030 B CN 113677030B
Authority
CN
China
Prior art keywords
task
base station
wireless
computing
wireless device
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
CN202111007433.6A
Other languages
English (en)
Other versions
CN113677030A (zh
Inventor
王丰
梁静轩
郑永锦
王子晴
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111007433.6A priority Critical patent/CN113677030B/zh
Publication of CN113677030A publication Critical patent/CN113677030A/zh
Application granted granted Critical
Publication of CN113677030B publication Critical patent/CN113677030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • 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

Abstract

本发明公开了一种移动协同计算系统的任务分配方法和设备，以最小化加权的计算时延和能耗为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数，对任务分配优化目标函数进行求解，得到最优任务分解策略，根据最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；解决了移动边缘服务器的计算与存储资源有限，在大规模无线设备共存的场景下，单个边缘服务器无法响应所有设备的请求，当边缘服务器处于高计算负荷时，会降低新到达的计算任务执行速度，从而影响终端用户的计算服务质量的技术问题。

Description

一种移动协同计算系统的任务分配方法和设备
技术领域
本发明涉及移动通信技术领域，尤其涉及一种移动协同计算系统的任务分配方法和设备。
背景技术
随着无线网络技术的盒移动终端电子设备的快速发展，涌现了从多计算密集型和低时延保证的交互性应用，如在线游戏、虚拟/增强现实等。但是，当前移动终端设备的计算能力的局限性不能满足这些应用对时延的严苛要求，同时，计算能耗对终端设备的电池能量成为了极大挑战。为保证低时延的服务质量要求和电池续航，较为成熟的云计算技术在无线终端设备日益增多和新型应用低时延要求日益严苛的现状下，大量的计算任务经无线接入网及核心网络被上传到了云端，造成了严重网络堵塞，无法保证低时延应用的部署与推广应用。
为此，作为第五代移动通信演进系统的关键技术，移动边缘计算(MEC,MobileEdge Computing)技术应运而生，得到了工业界和学术界的广泛关注。移动边缘计算技术能在靠近用户设备的网络边缘端(如蜂窝基站，Wifi接入点，网管接口等)部署计算服务器，实现在网络边缘侧处理终端用户的计算任务，为之提供类云计算服务，强化无线接入网络的计算、存储和处理等功能，从而为用户带来低能耗和低时延的优势。然而，相比于数据中心，移动边缘服务器的计算与存储资源是有限的，在大规模无线设备共存的场景下，单个边缘服务器无法响应所有设备的请求，当边缘服务器处于高计算负荷时，会降低新到达的计算任务执行速度，从而影响终端用户的计算服务质量。因此，需要对移动边缘服务器的计算与存储资源进行分配，以有效降低时延和能耗。
发明内容
本发明提供了一种移动协同计算系统的任务分配方法和设备，用于解决移动边缘服务器的计算与存储资源有限，在大规模无线设备共存的场景下，单个边缘服务器无法响应所有设备的请求，当边缘服务器处于高计算负荷时，会降低新到达的计算任务执行速度，从而影响终端用户的计算服务质量的技术问题。
有鉴于此，本发明第一方面提供了一种移动协同计算系统的任务分配方法，包括：
获取移动协同计算系统模型，所述移动协同计算系统模型包括基站和终端用户的无线设备，其中，基站为集成MEC服务器的蜂窝基站，各基站之间采用光纤链路通信模式，无线设备通过无线通信链路与基站进行信息交互和计算任务传输；
以加权的计算时延和能耗最小化为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数；
对所述任务分配优化目标函数进行求解，得到最优任务分解策略，以及对应的计算时延和能耗值；
根据所述最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；
获取各分解任务返回的计算结果。
可选地，所述任务分配优化目标函数为：
Figure BDA0003237484010000021
Figure BDA0003237484010000022
T≤TDL
Figure BDA0003237484010000023
其中，T＝TWD+TBS，T≤TDL，TDL为系统全部任务完成并传输回无线设备所需的时间阈值，w1和w2为权重系数，EWD为无线设备端总的处理能耗，T为总的处理时延，M为系统包含所有基站序号的集合，K为系统包含所有无线设备序号的集合，xkm为基站m承担无线设备WDk的计算任务和数据传输的比例。
可选地，无线设备端总的计算能耗EWD等于无线设备WDk的计算能耗
Figure BDA0003237484010000024
叠加分配任务的能耗之和/>
Figure BDA0003237484010000025
其中，
Figure BDA0003237484010000026
κ为与无线设备处理器的结构相关的能耗系数，ε为无线设备传输功率放大器的效率，αk为计算任务输入的数据大小，βk为完成计算任务所需的CPU周期数目，
Figure BDA0003237484010000031
为无线设备WDk的通信发射功率，/>
Figure BDA0003237484010000032
为无线设备WDk和基站之间无线通信的传输速率，xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率。
可选地，处理时延T等于无线设备处理工作量为βkxk,0的任务时所需的时间
Figure BDA0003237484010000033
和无线设备上传输入数据所需要时间/>
Figure BDA0003237484010000034
所耗费的时间TWD与基站群传输和计算过程所耗费的时间TBS叠加；
其中，
Figure BDA0003237484010000035
xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率，xk,m为基站m承担无线设备WDk的计算任务和数据传输的比例，
Figure BDA0003237484010000036
为无线设备WDk和基站之间无线通信的传输速率，tk为基站处理无线设备的任务和传输数据结果所需的时间。
可选地，
Figure BDA0003237484010000037
其中，R为基站群中各个基站之间的传输速率，F为基站群中各个基站处理任务的速率，
Figure BDA0003237484010000038
为基站群进行任务传输的时延，/>
Figure BDA0003237484010000039
为基站群计算过程的时延。
可选地，使用凸优化解法器对所述任务分配优化目标函数进行求解。
本发明第二方面提供了一种移动协同计算系统的任务分配设备，包括：
模型获取单元，用于获取移动协同计算系统模型，所述移动协同计算系统模型包括基站和终端用户的无线设备，其中，基站为集成MEC服务器的蜂窝基站，各基站之间采用光纤链路通信模式，无线设备通过无线通信链路与基站进行信息交互和计算任务传输；
目标函数构造单元，用于以加权的计算时延和能耗最小化为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数；
求解单元，用于对所述任务分配优化目标函数进行求解，得到最优任务分解策略，以及对应的计算时延和能耗值；
任务分解单元，用于根据所述最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；
结果获取单元，用于获取各分解任务返回的计算结果。
可选地，所述任务分配优化目标函数为：
Figure BDA0003237484010000041
Figure BDA0003237484010000042
T≤TDL
Figure BDA0003237484010000043
其中，T＝TWD+TBS，T≤TDL，TDL为系统全部任务完成并传输回无线设备所需的时间阈值，w1和w2为权重系数，EWD为无线设备端总的处理能耗，T为总的处理时延，M为系统包含所有基站序号的集合，K为系统包含所有无线设备序号的集合，xk,m为基站m承担无线设备WDk的计算任务和数据传输的比例。
可选地，无线设备端总的计算能耗EWD等于无线设备WDk的计算能耗
Figure BDA0003237484010000044
叠加分配任务的能耗之和/>
Figure BDA0003237484010000045
其中，
Figure BDA0003237484010000046
κ为与无线设备处理器的结构相关的能耗系数，ε为无线设备传输功率放大器的效率，αk为计算任务输入的数据大小，βk为完成计算任务所需的CPU周期数目，
Figure BDA0003237484010000047
为无线设备WDk的通信发射功率，/>
Figure BDA0003237484010000048
为无线设备WDk和基站之间无线通信的传输速率，xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率。
可选地，处理时延T等于无线设备处理工作量为βxk,0的任务时所需的时间
Figure BDA0003237484010000049
和无线设备上传输入数据所需要时间/>
Figure BDA00032374840100000410
所耗费的时间TWD与基站群传输和计算过程所耗费的时间TBS叠加；
其中，
Figure BDA00032374840100000411
T＝TBS+TWD
xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率，xk,m为基站m承担无线设备WDk的计算任务和数据传输的比例，
Figure BDA0003237484010000051
为无线设备WDk和基站之间无线通信的传输速率，tk为基站处理无线设备的任务和传输数据结果所需的时间。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供了一种移动协同计算系统的任务分配方法，以最小化加权的计算时延和能耗为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数，对任务分配优化目标函数进行求解，得到最优任务分解策略，根据最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；MEC服务器能够共享资源并协同计算任务，利用多个边缘服务器来完成多个无线设备的计算任务分配策略，同时考虑能耗和延时的协同计算系统的任务分配与资源配置，得到最优的任务分配，强化了无线接入网络的计算、存储和处理等功能，解决了移动边缘服务器的计算与存储资源有限，在大规模无线设备共存的场景下，单个边缘服务器无法响应所有设备的请求，当边缘服务器处于高计算负荷时，会降低新到达的计算任务执行速度，从而影响终端用户的计算服务质量的技术问题。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中提供的一种移动协同计算系统的任务分配方法的流程示意图；
图2为本发明实施例中提供的移动协同计算系统模型的架构图；
图3为本发明实施例中提供的一种移动协同计算系统的任务分配设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
为了便于理解，请参阅图1和图2，本发明中提供了一种移动协同计算系统的任务分配方法的实施例，包括：
步骤101、获取移动协同计算系统模型，所述移动协同计算系统模型包括基站和终端用户的无线设备，其中，基站为集成MEC服务器的蜂窝基站，各基站之间采用光纤链路通信模式，无线设备通过无线通信链路与基站进行信息交互和计算任务传输。
需要说明的是，如图2所示，假设共有M个基站，采用光纤连接，序号为m的基站记为BSm，且m∈M，M是包含所有基站序号的集合，每个基站都是集成MEC服务器的蜂窝基站，MEC服务器拥有已经的计算能力。在第m个基站的覆盖范围内有K个终端用户，用WDk表示图2中的无线设备k，且k∈K，K是包含所有无线设备序号的集合。任意WDk采用数值为fk的CPU频率用来处理任务。无线设备通过无线通信链路与基站BSm进行信息交互和计算任务阐述，各个基站之间采用光纤链路通信模式。
步骤102、以加权的计算时延和能耗最小化为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数。
以加权的计算时延和能耗最小化为移动协同计算系统模型的设计指标，构造多用户多基站协同计算的任务分配优化目标函数。多用户多基站协同计算的任务分配优化目标函数可以表示为：
Figure BDA0003237484010000061
Figure BDA0003237484010000062
T≤TDL
Figure BDA0003237484010000063
其中，T＝TWD+TBS，T≤TDL，TDL为系统全部任务完成并传输回无线设备所需的时间阈值，w1和w2为权重系数，EWD为无线设备端总的处理能耗，T为总的处理时延，M为系统包含所有基站序号的集合，K为系统包含所有无线设备序号的集合，xk,m为基站m承担无线设备WDk的计算任务和数据传输的比例。
步骤103、对任务分配优化目标函数进行求解，得到最优任务分解策略，以及对应的计算时延和能耗值。
对多用户多基站协同计算的任务分配优化目标函数进行求最优解操作，可以得到不同无线设备的任务的最优任务分解，以及加权的计算时延和能耗值。在用户计算卸载发射功率固定的情况下，该问题属于一类凸优化问题，因此，可以使用凸优化解法器快速求解。
步骤104、根据最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理。
在计算任务可分解的场景下，无线设备WDk一方面利用CPU模块本地处理任务，另一方面启动计算卸载应用卸载任务至网络边缘侧的MEC服务器。具体的，无线设备WDk首先分解任务，在本地计算一部分任务，剩余部分通过计算卸载应用经无线通信链路传输到基站BSm的服务器进行处理，而基站之间通过光纤进行通信。因此，在任务分解和计算卸载应用下，无线设备WDk与基站BSm协同完成用户的计算任务。
在计算任务模型方面，采用二元物理量(αk,βk)来表征无线设备WDk的计算任务，其中αk表示计算任务输入的数据大小(单位：bit)，βk表示完成计算任务所需CPU周期数目。为便于理论分析，本发明中假设用户的计算任务是可以被任意分割的，且对应的αk和βk将被以相同的比例进行等分。
用xk,m表示基站BSm承担无线设备WDk的计算任务和数据传输的比例。特别的，令xk,0表示无线设备WDk需要完成的任务的比例，对于无线设备WDk的计算任务，无线设备WDk与基站BSm的任务分配有以下限制条件：
Figure BDA0003237484010000071
首先，对于无线设备WDk，在计算时延方面，用
Figure BDA0003237484010000072
表示无线设备WDk处理工作量为βkxk,0的任务时所需的时间。无线设备WDk上传输入数据所需的时间为
Figure BDA0003237484010000073
式中，/>
Figure BDA0003237484010000074
为无线设备WDk和基站之间无线通信的传输速率。根据香农公式，传输速率为/>
Figure BDA0003237484010000081
其中，B为无线设备WDk和间通信时信道带宽，/>
Figure BDA0003237484010000082
为无线设备WDk的通信发射功率，/>
Figure BDA0003237484010000083
为无线设备WDk与基站BSm间信道增益。因此，无线设备WDk的时延为：/>
Figure BDA0003237484010000084
无线设备端所耗费的时间由计算卸载时延和传输时间的叠加来决定，即
Figure BDA0003237484010000085
无线设备WDk把任务传输到最近的基站m后,基站m将任务分配到基站m以外的基站,并把基站m以外的基站的序号记作
Figure BDA0003237484010000086
分配完成后进行协同任务处理。对于基站，BSm基站群完成所有计算任务所需的时间为/>
Figure BDA0003237484010000087
由于无线设备都在基站BSm的覆盖范围内，为了让其他基站执行计算任务，基站BSm收到来自无线设备输入数据后，需要传输/>
Figure BDA0003237484010000088
所需的任务输入数据，其中，/>
Figure BDA0003237484010000089
即不包括序号m的集合，/>
Figure BDA00032374840100000810
因此可以开始进行任务计算，BSm把输入数据传输到/>
Figure BDA00032374840100000811
所消耗的时间为：
Figure BDA00032374840100000812
其中，R表示基站之间通信的传输速率，/>
Figure BDA00032374840100000813
完成对应比例的任务及把所有计算结果返回到任务发起端，但可以假设计算结果的大小可以忽略不计，因此在基站侧所耗费的时间为：/>
Figure BDA00032374840100000814
无线端和基站端协同计算所耗费的总时间为：T＝TBS+TWD。
其次，在计算能耗方面，因为目的是降低用户的能耗，因而主要考虑无线设备的传输能耗和任务计算能耗，即
Figure BDA00032374840100000815
其中，无线设备端的计算能耗为
Figure BDA00032374840100000816
κ为与无线设备处理器的结构相关的能耗系数，
Figure BDA0003237484010000091
表示分配任务和计算结果传输的能耗之和，其中ε为无线设备传输功率放大器的效率。
步骤105、获取各分解任务返回的计算结果。
无线设备WDk利用CPU模块本地处理任务后返回计算结果，另一方面基站网络边缘侧的MEC服务器返回其余计算结果。
本发明实施例提供了一种移动协同计算系统的任务分配方法，以最小化加权的计算时延和能耗为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数，对任务分配优化目标函数进行求解，得到最优任务分解策略，根据最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；MEC服务器能够共享资源并协同计算任务，利用多个边缘服务器来完成多个无线设备的计算任务分配策略，同时考虑能耗和延时的协同计算系统的任务分配与资源配置，得到最优的任务分配，强化了无线接入网络的计算、存储和处理等功能，解决了移动边缘服务器的计算与存储资源有限，在大规模无线设备共存的场景下，单个边缘服务器无法响应所有设备的请求，当边缘服务器处于高计算负荷时，会降低新到达的计算任务执行速度，从而影响终端用户的计算服务质量的技术问题。
为了便于理解，请参阅图3，本发明中提供了一种移动协同计算系统的任务分配设备的实施例，包括：
模型获取单元301，用于获取移动协同计算系统模型，所述移动协同计算系统模型包括基站和终端用户的无线设备，其中，基站为集成MEC服务器的蜂窝基站，各基站之间采用光纤链路通信模式，无线设备通过无线通信链路与基站进行信息交互和计算任务传输；
目标函数构造单元302，用于以加权的计算时延和能耗最小化为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数；
求解单元303，用于对所述任务分配优化目标函数进行求解，得到最优任务分解策略，以及对应的计算时延和能耗值。使用凸优化解法器对所述任务分配优化目标函数进行求解。
任务分解单元304，用于根据所述最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；
结果获取单元305，用于获取各分解任务返回的计算结果。
任务分配优化目标函数为：
Figure BDA0003237484010000101
Figure BDA0003237484010000102
T≤TDL
Figure BDA0003237484010000103
其中，T＝TWD+TBS，T≤TDL，TDL为系统全部任务完成并传输回无线设备所需的时间阈值，w1和w2为权重系数，EWD为总的计算能耗，T为总的计算时延，M为系统包含所有基站序号的集合，K为系统包含所有无线设备序号的集合，xk,m为基站m承担无线设备k的计算任务和数据传输的比例。
总的计算能耗EWD等于无线设备端的计算能耗
Figure BDA0003237484010000104
叠加分配任务和计算结果传输的能耗之和/>
Figure BDA0003237484010000105
其中，
Figure BDA0003237484010000106
κ为与无线设备处理器的结构相关的能耗系数，ε为无线设备传输功率放大器的效率，αk为计算任务输入的数据大小，βk为完成计算任务所需的CPU周期数目，PWDi为无线设备WDi的通信发射功率，
Figure BDA0003237484010000107
为无线设备WDi和基站之间无线通信的传输速率，xi,0为无线设备WDi需要完成的任务的比例，fi为无线设备WDi的CPU频率。
总的计算时延T等于无线设备处理工作量为βxk,0的任务时所需的时间
Figure BDA0003237484010000108
无线设备上传输入数据所需要时间/>
Figure BDA0003237484010000109
和基站计算和传输过程所耗费的时间TBS叠加；
其中，
Figure BDA00032374840100001010
T＝TBS+TWD
xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率，xk,i为基站i承担无线设备WDk的计算任务和数据传输的比例，
Figure BDA0003237484010000111
为无线设备WDk和基站之间无线通信的传输速率，tk为基站处理无线设备的任务和传输数据结果所需的时间。
本发明实施例提供了一种移动协同计算系统的任务分配设备，以加权的计算时延和能耗最小化为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数，对任务分配优化目标函数进行求解，得到最优任务分解策略，根据最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；MEC服务器能够共享资源并协同计算任务，利用多个边缘服务器来完成多个无线设备的计算任务分配策略，同时考虑能耗和延时的协同计算系统的任务分配与资源配置，得到最优的任务分配，强化了无线接入网络的计算、存储和处理等功能，解决了移动边缘服务器的计算与存储资源有限，在大规模无线设备共存的场景下，单个边缘服务器无法响应所有设备的请求，当边缘服务器处于高计算负荷时，会降低新到达的计算任务执行速度，从而影响终端用户的计算服务质量的技术问题。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种移动协同计算系统的任务分配方法，其特征在于，包括：
获取移动协同计算系统模型，所述移动协同计算系统模型包括基站和终端用户的无线设备，其中，基站为集成MEC服务器的蜂窝基站，各基站之间采用光纤链路通信模式，无线设备通过无线通信链路与基站进行信息交互和计算任务传输；
以最小化加权的计算时延和能耗为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数；
对所述任务分配优化目标函数进行求解，得到最优任务分解策略，以及对应的计算时延和能耗值；
根据所述最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；
获取各分解任务返回的计算结果；
所述任务分配优化目标函数为：
Figure FDA0004171419810000011
Figure FDA0004171419810000012
T≤TDL
Figure FDA0004171419810000013
其中，T＝TWD+TBS，T≤TDL，TDL为系统全部任务完成并传输回无线设备所需的时间阈值，w1和w2为权重系数，EWD为无线设备端总的处理能耗，T为总的处理时延，M为系统包含所有基站序号的集合，K为系统包含所有无线设备序号的集合，xk,m为基站m承担无线设备WDk的计算任务和数据传输的比例；
无线设备端总的计算能耗EWD等于所有无线设备的计算能耗
Figure FDA0004171419810000014
叠加分配任务的能耗之和/>
Figure FDA0004171419810000015
其中，
Figure FDA0004171419810000016
κ为与无线设备处理器的结构相关的能耗系数，ε为无线设备传输功率放大器的效率，αk为计算任务输入的数据大小，βk为完成计算任务所需的CPU周期数目，
Figure FDA0004171419810000017
为无线设备WDk的通信发射功率，/>
Figure FDA0004171419810000018
为无线设备WDk和基站之间无线通信的传输速率，xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率。
2.根据权利要求1所述的移动协同计算系统的任务分配方法，其特征在于，处理时延T等于无线设备处理工作量为βkxk,0的任务时所需的时间
Figure FDA0004171419810000021
和无线设备上传输入数据所需要时间/>
Figure FDA0004171419810000022
所耗费的时间TWD与基站群传输和计算过程所耗费的时间TBS叠加；
其中，
Figure FDA0004171419810000023
T＝TBS+TWD
xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率，xk,m为基站m承担无线设备WDk的计算任务和数据传输的比例，
Figure FDA0004171419810000024
为无线设备WDk和基站之间无线通信的传输速率，tk为基站处理无线设备的任务和传输数据结果所需的时间。
3.根据权利要求2所述的移动协同计算系统的任务分配方法，其特征在于，
Figure FDA0004171419810000025
其中，R为基站群中各个基站之间的传输速率，F为基站群中各个基站处理任务的速率，
Figure FDA0004171419810000026
为基站群进行任务传输的时延，/>
Figure FDA0004171419810000027
为基站群计算过程的时延。
4.根据权利要求1所述的移动协同计算系统的任务分配方法，其特征在于，使用凸优化解法器对所述任务分配优化目标函数进行求解。
5.一种移动协同计算系统的任务分配设备，其特征在于，包括：
模型获取单元，用于获取移动协同计算系统模型，所述移动协同计算系统模型包括基站和终端用户的无线设备，其中，基站为集成MEC服务器的蜂窝基站，各基站之间采用光纤链路通信模式，无线设备通过无线通信链路与基站进行信息交互和计算任务传输；
目标函数构造单元，用于以加权的计算时延和能耗最小化为协同计算指标，构造多用户多基站协同计算的任务分配优化目标函数；
求解单元，用于对所述任务分配优化目标函数进行求解，得到最优任务分解策略，以及对应的计算时延和能耗值；
任务分解单元，用于根据所述最优任务分解策略对每个终端设备的任务进行任务分解，将各分解任务在无线设备本地处理或传输至对应的基站进行处理；
结果获取单元，用于获取各分解任务返回的计算结果；
所述任务分配优化目标函数为：
Figure FDA0004171419810000031
Figure FDA0004171419810000032
T≤TDL
Figure FDA0004171419810000033
其中，T＝TWD+TBS，T≤TDL，TDL为系统全部任务完成并传输回无线设备所需的时间阈值，w1和w2为权重系数，EWD为无线设备端总的处理能耗，T为总的处理时延，M为系统包含所有基站序号的集合，K为系统包含所有无线设备序号的集合，xk,m为基站m承担无线设备WDk的计算任务和数据传输的比例；
无线设备端总的计算能耗EWD等于无线设备WDk的计算能耗
Figure FDA0004171419810000034
叠加分配任务的能耗之和/>
Figure FDA0004171419810000035
其中，
Figure FDA0004171419810000036
κ为与无线设备处理器的结构相关的能耗系数，ε为无线设备传输功率放大器的效率，αk为计算任务输入的数据大小，βk为无线设备k完成计算任务所需的CPU周期数目，
Figure FDA0004171419810000037
为无线设备WDk的通信发射功率，/>
Figure FDA0004171419810000038
为无线设备WDk和基站之间无线通信的传输速率，xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率。
6.根据权利要求5所述的移动协同计算系统的任务分配设备，其特征在于，处理时延T等于无线设备处理工作量为βkxk,0的任务时所需的时间
Figure FDA0004171419810000039
和无线设备上传输入数据所需要时间/>
Figure FDA00041714198100000310
所耗费的时间TWD与基站群传输和计算过程所耗费的时间TBS叠加；
其中，
Figure FDA00041714198100000311
T＝TBS+TWD
xk,0为无线设备WDk需要完成的任务的比例，fk为无线设备WDk的CPU频率，xk,m为基站m承担无线设备WDk的计算任务和数据传输的比例，
Figure FDA0004171419810000041
为无线设备WDk和基站之间无线通信的传输速率，tk为基站处理无线设备的任务和传输数据结果所需的时间。/>
CN202111007433.6A 2021-08-30 2021-08-30 一种移动协同计算系统的任务分配方法和设备 Active CN113677030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111007433.6A CN113677030B (zh) 2021-08-30 2021-08-30 一种移动协同计算系统的任务分配方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111007433.6A CN113677030B (zh) 2021-08-30 2021-08-30 一种移动协同计算系统的任务分配方法和设备

Publications (2)

Publication Number Publication Date
CN113677030A CN113677030A (zh) 2021-11-19
CN113677030B true CN113677030B (zh) 2023-06-02

Family

ID=78547480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111007433.6A Active CN113677030B (zh) 2021-08-30 2021-08-30 一种移动协同计算系统的任务分配方法和设备

Country Status (1)

Country Link
CN (1) CN113677030B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
CN113115339A (zh) * 2021-04-13 2021-07-13 重庆邮电大学 一种基于移动性感知的任务卸载和资源分配联合优化方法

Family Cites Families (2)

* 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
CN111132077B (zh) * 2020-02-25 2021-07-20 华南理工大学 车联网环境下基于d2d的多接入边缘计算任务卸载方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930436A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于边缘计算的随机型任务排队卸载优化方法
CN113115339A (zh) * 2021-04-13 2021-07-13 重庆邮电大学 一种基于移动性感知的任务卸载和资源分配联合优化方法

Also Published As

Publication number Publication date
CN113677030A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
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
CN107317700B (zh) 车载边缘计算节点选择系统及方法
CN110392079A (zh) 面向雾计算的节点计算任务调度方法及其设备
Cui et al. Interference-aware SaaS user allocation game for edge computing
US11616702B2 (en) Method and apparatus for differentially optimizing quality of service QoS
Chakraborty et al. Sustainable task offloading decision using genetic algorithm in sensor mobile edge computing
Zhou et al. Energy efficient joint computation offloading and service caching for mobile edge computing: A deep reinforcement learning approach
Zabaleta et al. Quantum game application to spectrum scarcity problems
CN111511028B (zh) 一种多用户资源分配方法、装置、系统及存储介质
Yao et al. Deep reinforcement learning based offloading scheme for mobile edge computing
CN111796880A (zh) 一种边缘云计算任务的卸载调度方法
Liu et al. A combinatorial optimization for energy-efficient mobile cloud offloading over cellular networks
CN113747507B (zh) 一种面向5g超密集网络的计算资源管理方法及装置
CN109981340B (zh) 雾计算网络系统中联合资源优化的方法
CN111343216B (zh) 物联网数据传输方法、装置、终端设备及可读存储介质
Ren et al. Wireless network virtualization resource sharing based on dynamic resource allocation algorithm
Wang et al. Power-minimization computing resource allocation in mobile cloud-radio access network
CN113677030B (zh) 一种移动协同计算系统的任务分配方法和设备
Mahbub et al. Joint energy and latency-sensitive computation and communication resource allocation for multi-access edge computing in a two-tier 5G HetNet
CN111092779B (zh) 网络资源配置方法、装置、计算机设备及可读存储介质
Jiang et al. Double DQN based computing offloading scheme for fog radio access networks
CN111245878B (zh) 一种基于混合云计算和雾计算的计算卸载通信网络的方法
CN113207150B (zh) 一种基于背向散射通信的主被动混合卸载方法和装置
CN113703970B (zh) 基于拍卖机制的服务器资源分配方法、装置、设备及介质
Chen et al. Joint computation offloading and radio resource allocations in wireless cellular 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