CN113810233A - 一种在随机网络中基于算网协同的分布式计算卸载方法 - Google Patents
一种在随机网络中基于算网协同的分布式计算卸载方法 Download PDFInfo
- Publication number
- CN113810233A CN113810233A CN202111095551.7A CN202111095551A CN113810233A CN 113810233 A CN113810233 A CN 113810233A CN 202111095551 A CN202111095551 A CN 202111095551A CN 113810233 A CN113810233 A CN 113810233A
- Authority
- CN
- China
- Prior art keywords
- task
- ith
- representing
- base station
- mec server
- 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.)
- Granted
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
- 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
- H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/78—Architectures of resource allocation
- H04L47/783—Distributed allocation of resources, e.g. bandwidth brokers
-
- 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
- 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
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于移动通信技术领域,特别涉及一种在随机网络中基于算网协同的分布式计算卸载方法,包括基于本地计算模型和边缘云计算模型,构建设备端收益最大化问题模型和MEC服务器最大化收益问题模型;根据用户的随机移动和突发计算要求,分别建立停留时间和等待时延的复合场景集合;采用后验追索权行动来补偿博弈策略,建立设备端和MEC服务器双方基于博弈的随机规划模型;过构建场景树,将设备端和MEC服务器双方的多阶段随机规化问题转化为DEP问题,并求解获得MEC服务器卸载的最优任务策略和MEC服务器对设备端的最优报价策略;本发明基于Lyapunov优化理论的扩展博弈论方法,实现了时变环境下任务的动态卸载和自适应计算能力管理。
Description
技术领域
本发明属于移动通信技术领域,特别涉及一种在随机网络中基于算网协同的分布式计算卸载方法。
背景技术
随着移动互联网和物联网快速发展和融合,移动设备(MDs)(如智能手机、可穿戴设备、自动驾驶汽车等)和面向云应用(如虚拟现实(VR)、增强现实(AR)、在线游戏等)迅速增长,驱动着算力和存储资源推向网络边缘,以减少传输时延和拥塞。多接入边缘计算(MEC)技术可以通过将设备或应用的部分或全部计算任务卸载到边缘云服务器的方式增强用户的服务体验。与此同时,为了满足下一代无线通信网络的要求,超密集网络(UDN)通过在宏基站(MBS)的覆盖范围内部署低功率短距离的小基站(SBSs),能有效地提高网络吞吐量和接入容量。如图1所示,通过将MEC与UDN融合可以使用户随时随地享受无处不在的网络计算服务,并促进任务计算卸载的连续性。
然而,在实际的支持MEC的UDN系统中仍然存在着一些特殊的困难。其主要有:(1)随着物联网时代面向云的设备、应用和数据的快速增长,传统的集中式的优化框架需要系统状态的精确信息(例如流量特点、网络负载、信道状态信息(CSI)等),这在有很多异构物联网应用的复杂时变的支持MEC的UDN场景下并不是有效率的。(2)由于随机移动,移动设备将在不同的无线边缘云接入点之间不断地切换,这会增加任务重卸载和资源重分配的开销,并且严重降低了计算卸载性能。现有技术的一些主要的成果有:(1)车载互联网移动感知和动态迁移服务(参考文献:I.Labriji,F.Meneghello,D.Cecchinato,S.Sesia,E.Perraud,E.C.Strinati and M.Rossi,“Mobility Aware and Dynamic Migration ofMEC Services for the Internet of V ehicles,”IEEE Transactions on Network andService Management,vol.18,no.1,pp.570-584,March 2021):该算法在MEC服务器下,通过预测停留时间,进行比例计算卸载。(2)物联网-边缘云计算系统中的节能和延时保证工作负载分配算法(参考文献:M.Guo,L.Li and Q.Guan,“Energy-Efficient and Delay-Guaranteed Workload Allocation in IoT-Edge-Cloud Computing Systems,”IEEEAccess,vol.7,pp.78685-78697,2019.):在该算法中具有不同功能特性的轻量级边缘云服务器种类繁多,不能快速、及时地响应突发性计算需求,在服务器中卸载任务有一个不确定的等待时延(包括任务队列、减压、安全分析等),这意味着卸载和资源分配决策不应仅考虑网络边(通信因素),还应包含服务边(实际可获得的计算能力因素),尤其是延时敏感型的应用,但是现有技术中缺少在随机和时变的网络环境下的任务卸载需求。
发明内容
为了满足在随机和时变的网络环境下,大规模物联网应用日益增长的需求,本发明提出一种在随机网络中基于算网协同的分布式计算卸载方法,包括以下步骤:
根据UDN环境中设备类型,基于差异化服务质量要求和任务处理成本,分别建立本地计算模型和边缘云计算模型;
基于本地计算模型和边缘云计算模型,在设备端采用Lyapunov优化理论和最小化漂移减效用函数,建立设备端收益最大化问题模型;
基于本地计算模型和边缘云计算模型,在MEC服务器采用最大值理论,建立起MEC服务器最大化收益问题模型;
根据用户的随机移动和突发计算要求,分别建立停留时间和等待时延的复合场景集合;
采用后验追索权行动来补偿博弈策略,建立设备端和MEC服务器双方基于博弈的随机规划模型;
过构建场景树,将设备端和MEC服务器双方的多阶段随机规化问题转化为DEP问题;
利用Lagrangian乘子和KKT条件求解设备端和MEC服务器双方的优化问题,计算出设备端所选择的MEC服务器卸载的最优任务策略和MEC服务器对设备端的最优报价策略;
若设备端向MEC服务器卸载的最优任务量策略,以及MEC服务器对设备端的最优动态报价策略都满足Stackelberg均衡解,那么设备按照最优任务卸载策略向MEC服务器进行任务卸载。
本发明基于Lyapunov优化理论的扩展博弈论方法,实现了时变环境下任务的动态卸载和自适应计算能力管理;在此基础上,考虑到用户的移动性和有限的边缘资源导致的计算和网络不确定因素,提出了多目标不确定条件下的分布式两阶段和多阶段随机规划算法,并且本发明可以采取后验补救措施来补偿不准确的预测网络信息。
附图说明
图1为一种典型的支持MEC的UDN环境;
图2为本发明中一种基于多目标不确定性下的超密集网络的分布式计算能力与网络协作方法流程图;
图3为本发明中任务处理和时隙模型;
图4为本发明中第i个移动设备的停留时间情景树;
图5为发明中追索与补偿过程示意图;
图6为发明中价格随迭代次数的变化过程图;
图7为发明中卸载的任务随迭代次数的变化过程图;
图8为本发明中计算卸载性能随时间变化(V=500,V表示漂移减效用函数中的非负控制参数)示意图;
图9为本发明中计算卸载性能随V变化示意图。
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。
本发明提供一种在随机网络中基于算网协同的分布式计算卸载方法,包括以下步骤:
根据UDN环境中设备类型,基于差异化服务质量要求和任务处理成本,分别建立本地计算模型和边缘云计算模型;
基于本地计算模型和边缘云计算模型,在设备端采用Lyapunov优化理论和最小化漂移减效用函数,建立设备端收益最大化问题模型;
基于本地计算模型和边缘云计算模型,在MEC服务器采用最大值理论,建立起MEC服务器最大化收益问题模型;
根据用户的随机移动和突发计算要求,分别建立停留时间和等待时延的复合场景集合;
采用后验追索权行动来补偿博弈策略,建立设备端和MEC服务器双方基于博弈的随机规划模型;
过构建场景树,将设备端和MEC服务器双方的多阶段随机规化问题转化为DEP问题;
利用Lagrangian乘子和KKT条件求解设备端和MEC服务器双方的优化问题,计算出设备端所选择的MEC服务器卸载的最优任务策略和MEC服务器对设备端的最优报价策略;
若设备端向MEC服务器卸载的最优任务量策略,以及MEC服务器对设备端的最优动态报价策略都满足Stackelberg均衡解,那么设备按照最优任务卸载策略向MEC服务器进行任务卸载。
实施例1
本实施例对本发明根据UDN环境中设备类型,基于差异化服务质量要求和任务处理成本,分别建立本地计算模型和边缘云计算模型的过程进行详细说明。
在本实施例中,如图1,考虑一个工作在离散时间上的支持MEC的UDN系统,令T={0,1,…}和τ∈T,T表示时隙索引,τ表示每个时隙的持续时间。系统包含一个宏基站(MBS)和n个小基站(SBS)。令N={1,…,n}表示n个SBS的集合,M和S∈N分别表示MBS和第S个SBS。M={1,…,m}表示m个移动设备(MD)。每个基站都配备了具有计算能力的MEC服务器,该服务器可以在其覆盖范围内为MD提供计算能力,MD可以在本地处理任务,或者卸载任务到基站的MEC服务器。每个MD可以采用5G网络开发的双连接或CoMP技术,同时连接到MBS和附近的一个SBS。
令MDi表示第i个移动设备,MDi请求处理的任务可以用四元组来表示,其中Qi(t)和Di(t)分别表示在时隙t开始时,任务队列积压和任务处理决策,表示Di(t)的最大计算延时约束,γi为可以通过离线测量获得的计算密度,单位为cycles/bit。
令Ai(t)表示MDi(i∈M)到达的任务,A(t)={A1(t),…,Am(t)}表示时隙t内所有MD的集合。由于在一个时隙内到达的任务是有限的,可得为最大到达的任务。假设所有MDs的任务到达率是独立同分布的;进一步,MDi的队列积压的更新方程可表示为Qi(t+1)=[Qi(t)-Di(t)]++Ai(t),i∈M,t∈T,其中[x]+=max(x,0);Di,L(t)、Di,M(t)和Di,S(t)分别表示本地、MBS和SBS处理的任务挤压。
在每个时隙开始时,每个移动设备需要确定任务卸载策略:非卸载任务Di,L(t)和卸载任务Di,k(t),k∈{M,S}的数量。如图3所示,卸载有三个阶段,即:
由于移动设备的电池容量是有限的,为了在有限的时间内实现节能,MD可以使用由动态电压频率调整(Dynamic Voltage and Frequency Scaling,DVFS)技术确定的合适的CPU时钟频率来处理任务。令表示已处理的任务与本地计算资源间的关系,其中为本地执行时间,为时隙内分配的CPU时钟频率(周期/s),和分别表示MDi的最小和最大的CPU时钟频率。
为了不失一般性,本发明做出以下三个假设:
1)如果MDs在MBS和SBSs的覆盖范围内,则可以在每个时隙内同时与MBS和附近的一个SBS进行通信,即,MD可以将任务同时卸载到MBS和附近的一个SBS中;
对于延时敏感性应用,任务上传延迟必须小于约束时间,即否则,任务注定执行失败。因为计算结果通常比大部分应用的输入任务小得多,所以本发明忽略从基站下载计算结果的时间开销。一旦每个MD决定卸载任务到MBS和附近的SBS,任务上传时延和通信能量开销如下:
1)卸载任务到MBS的MEC服务器
对于每个MD,任务的输入比特需要通过无线信道传递给MBS。需要注意的是,随着用户数量的增加,UDN的干扰环境更加复杂。因此,卸载决策应该考虑设备之间的功率干扰。根据Shannon-Hartley公式,上传数据速率表示为:
其中,ωM和gi,M(t)分别为无线带宽和MBS的信道增益;σ2(t)是平均背景噪声功率,Pi(t)是时隙t中MDi的通信功率,1(·)是指示函数。
2)卸载任务到SBS的MEC服务器
MD i卸载任务Di,S(t)到SBS的MEC服务器,上传数据速率表示为:
其中,ωS和gi,S(t)分别表示无线带宽和SBS的信道增益。
通常,SBS的无线覆盖范围小于MBS。根据先前提到的假设,如果MDs在上传任务期间离开SBS的无线覆盖范围,剩余的任务将首先上传到MBS,然后转发到SBS。因此,SBS的上传时延表示为:
因此,MD i上传Di,S(t)到SBS的通信能耗表示为:
MD i在时隙t内的总能耗为:
MBS/SBS的总的计算卸载时间为:
假设MEC服务器配备有一个Lk核的CPU,CPU核的集合为Lk={1,…,Lk},k∈{M,S}。MEC服务器的任务Di,k(t)处理能耗其中和分别表示MEC服务器中有效交换电容和第lk个CPU核的CPU时钟频率;和分别是每个CPU核的最小和最大CPU时钟频率。
实施例2
本实施例通过实施例1的构建的本地计算模型和边缘云计算模型,计算其处理任务需要消耗的资源成本。
通过实施例1构建的本地计算模型和边缘云计算模型,可知计算卸载时延强烈地依靠于任务的通信时延、等待时延和处理时延。为了确保卸载的任务在约束时间内处理,必须考虑计算因素(计算等待时间计算能力fi,L和)和网络因素(停留时间通信时间)。
为了评价任务处理性能,本发明首先定义了任务处理效用函数和任务处理成本函数。对于每个MD,为了评估每个时隙中处理任务的收益,本发明采用对数效用函数,该函数被广泛的使用在无线通信和移动计算领域,MD i的效用其中,ρi是MD i的效用权重参数。
若MBS上的传输任务为:
SBS上的传输任务为:
则MD i的通信成本表示为:
其中,θi和ηi分别表示MBS和SBS中MD i的单位比特的通信成本。
为了改善用户的计算卸载服务体验,云服务器提供商需要消耗自己的成本。很明显,卸载服务不是免费的,边缘云服务器通常需要补偿才能分享他们的资源。令pi,k(t),k∈{M,S}($/bit)表示每个时隙t内,对于BS k的MD i的单位支付成本,则MD i的计算服务成本BS k的服务效用其中,表示MBS或者SBS的定价策略集合。
实施例3
基于实施例1构建的本地计算模型和边缘云计算模型以及实施例2计算得到卸载任务需要消耗的资源成本,本实施例基于Lyapunov优化理论和最小化漂移减效用函数,建立设备端收益最大化问题模型以及MEC服务器最大化收益问题模型。
本发明假设移动设备永远是理性的,并且会寻求一个最优的卸载决策去最大化其长期收入。MDs/买方的最优决策应该将已卸载的任务、通信成本、能量成本和支付成本考虑在内。通过上述分析,MD/买方i在时隙t的目标函数表示为:
为了保证长期演进中的计算性能,对于MD/买方i,设备端收益最大化问题模型表示为:
0≤Di(t)≤Qi(t),t∈T,
Δ(Qi(t))-ViE{Ui[Di(t)]|Qi(t)}
≤Bi+Qi(t)Ai(t)-E{Qi(t)Di(t)|Qi(t)}-ViE{Ui[Di(t)]|Qi(t)}
最小化漂移减效用函数的上界等于最小化上述不等式的右端(RHS)。因此,可将最优化问题P1-buyer转换为:
0≤Di(t)≤Qi(t),t∈T,
s.t.pi,M(t)≥0,t∈T,
s.t.pi,S(t)≥0,t∈T,
MBS和SBS的收益都与时隙t中的定价集合pi,k(t)、分配的计算能力和计算等待时延有关。为了确保卸载的任务在约束时间内被处理,SBSS需要考虑MD i的等待时间此外,基于最大值理论,可将问题P1-seller转化为问题:
s.t.pi,M(t)≥0t,∈T,
根据P2-seller,每个卖方将通过每个时隙内的用户需求Di,k(t)和当前网络状态(如计算等待时间和停留时间)定期公布最新一轮的市场价格pk(t)。随着需求和网络状态的改变,卖方将动态地改变定价策略直到达到市场均衡。与此同时,所分配的计算能力将进行自适应调整。
实施例4
在实施例3中,本认为停留时间和等待时延是完全已知的。然而,由于用户的随机移动和突发计算要求,在每个时隙开始时,停留时间和等待时延都是不确定的。可以通过使用平均历史值或预测它们来做出决策,但是,在现实的时变环境里,高精度的预测是很困难的。这些不精确的结果将不可避免地影响计算性能和卸载成功率。例如,如果预测的结果比实际的停留时间和等待时延更大,这将导致计算卸载成本增加,甚至是卸载失败。在这一点上,本发明采用两阶段随机规划的方法来采取后验补救措施,补偿先前不精确的预测。
为了处理不确定的停留时间和等待时延本发明首先考虑一个场景的集合,该场景有一系列不确定的参数。令表示SBS中MD i的可能的停留时间的场景集合,令表示BS k,k∈{M,S}中MD i的可能等待时延的场景集合。根据笛卡尔积,可得所有MDs的停留时间的复合场景和等待时延的复合场景可以分别表示为:
注意到,根据MDs的收益与停留时间场景有关。因此,MBS和SBSs的收益分别与和的复合场景有关,其中ΩS(t)是复合时间(SBS中停留时间和等待时延)的复合场景。接下来,本发明分析基于博弈的分布式两阶段随机规划模型。
为了简化分析过程,本发明接下来主要分析SBS,根据SBS可以很容易地推导出MBS的分析过程。
在不确定和时变的网络环境中,随机变量的实际值只有在实现后才知道,即,停留时间和等待时延只有在博弈结束后并将卸载的任务上传到云端后才知道。但是,在观察实际情况后,仍可以采用后验追索权行动来补偿博弈策略。根据随机规划理论,本发明将决策集分为两组:
P3-buyer(two-stage):
0≤Di(t)≤Qi(t),t∈T,
同样地,P2-seller(SBS)的最优问题可表示为如下,
s.t.pi,S(t)≥0,t∈T,
宏基站的最优问题表达式本领域可以根据上述小基站表达式推导得出,本实施例不再赘述。
实施例5
如图1所示,每个MD可以在两个或者多个SBSs间随机移动。然而,基于两阶段随机规划的博弈策略在每个时隙中只需决定一次,这可能会得到次优解。基于这一点,更精确地捕捉和统计特征,从而更好地依此制定卸载、定价和计算能力分配策略,利用多阶段随机规划进一步地发展博弈策略。在多阶段随机规划中,计算卸载过程被划分为H个子切片在子切片τh中,通过多阶段随机规划,任务卸载Di(τh),τh∈H、价格pi,S(τH)和计算能力分配是最优的。令和ξS(τh)表示在子切片τh内,可能的停留时间和复合时间。在所有子时隙中,所有合成场景的停留时间为复合时间为
讲一个卸载任务的任务时间t划分为H个子时隙之后,一个具有2H个阶段的分布式随机规划模型如下:
其中,Di(τh)和fi,L(τh)为子时隙τh中,MD i的已处理的任务和本地计算频率。
同样地,SBSs/卖方优化问题重写为:
s.t pi,S(τh)≥0,τh∈H,
同理,本领域技术人员可以通过以上小基站多阶段随机模型构建思路构建宏基站多阶段随机模型,本发明不再赘述。
实施例6
本实施例使用场景树来解决P3-buyer(multi-stage)和P3-seller(multi-stage)中的优化问题,将随机规划问题转化为确定性等式规划(DEP)。
定义和πS∈ξS分别是和ξS的实现。场景树根据和ξS(τh),τh∈H的实现进行分支。图4是MD/买方i的停留时间的一棵典型的场景树,其中有两个实现来描述的演变。在停留时间场景树中,根节点与第一决策阶段相关联,该决策阶段没有观察到停留时间。根节点与子节点相连,子节点与进一步的阶段相关联,每一个节点都与下一阶段相关联的子节点相连,直到叶节点位置,各子节点有两个实现是关联两个随机停留时间的
通过构建场景树,本发明将P3-buyer(multi-stage)和P3-seller(multi-stage)的买卖双方随机规划问题转化为DEP问题,即:
令表示停留时间场景树中,从根节点到叶子节点的路径。一旦给出一个场景将会确定。令Di(τ1)和Di(τh)分别表示根节点的任务卸载决策和路径中第2h个阶段的节点的卸载决策。然后,MD/买方i的多阶段随机规划能转化成如下的DEP问题:
s.t.pi,S(τh)≥0,τh∈H,
在每个子时隙中,包含两个阶段。如图5所示,偶数阶段将对奇数阶段采取计算能力追索行为βi,S(τh),以补偿子时隙中不确定的停留时间和计算等待时延。后一子时隙对前一子时隙采取卸载任务追索行为Di,S(τh),使补偿更准确,并确保卸载任务能在约束时间内被处理。一般情况下,多阶段随机规划求解的最优策略与阶段数有关,阶段划分越多,求解策略越优化,但求解过程越复杂。
实施例7
本实施例对本发明前述的资源分配策略进行分析。为了分析简化,本发明分析一个阶段的最优博弈策略,它可以很容易地以同样的方式扩展到多个阶段。
1.最优博弈分析
1)MDs最优策略分析
根据P2-buyer,可得如上所示的一阶偏导和此外,可得二阶偏导和因为0≤Di(t)≤Qi(t),t∈T和是仿射函数,在Di(t)上是凸的。买方/MDs的优化问题可通过Lagrangian乘子和Karush-Kuhn-Tucker(KKT)条件求解,最优策略如下所示,
其中:
2)BSs的最优策略分析
从图6~7可以看出,价格更新的迭代是不减的,随着迭代次数的增加,价格逐渐收敛到最优定价策略,图6以迭代次数等于50处为准从上到下四条曲线分别是MBS博弈第二阶段、MBS博弈第一阶段、SBS博弈第一阶段以及SBS博弈第二阶段,图7以迭代次数等于50处为准从上到下四条曲线分别是SBS博弈第二阶段、SBS博弈第一阶段、MBS博弈第一阶段以及MBS博弈第二阶段;与此同时,卸载任务的数量随着价格的增加而逐渐减少,当价格不再增加时卸载策略也达到稳定,验证了该方法的有效性。从图8~9可以看到,市场上的交易价格随着买家的任务队列积压而逐渐增加,而买家的收益随着卸载成本的增加的逐渐减少,从图9可知,在平均队列积压和收入之间存在[O(1/V),O(V)]的折中,验证了该方法的合理性。
在本发明实施例中,下标S表示与小基站相关的参数,下标M表示与宏基站相关的参数,下标i表示某一移动设备的相关参数。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种在随机网络中基于算网协同的分布式计算卸载方法,其特征在于,包括以下步骤:
根据UDN环境中设备类型,基于差异化服务质量要求和任务处理成本,分别建立本地计算模型和边缘云计算模型;
基于本地计算模型和边缘云计算模型,在设备端采用Lyapunov优化理论和最小化漂移减效用函数,建立设备端收益最大化问题模型;
基于本地计算模型和边缘云计算模型,在MEC服务器采用最大值理论,建立起MEC服务器最大化收益问题模型;
根据用户的随机移动和突发计算要求,分别建立停留时间和等待时延的复合场景集合;
采用后验追索权行动来补偿博弈策略,建立设备端和MEC服务器双方基于博弈的随机规划模型;
通过构建场景树,将设备端和MEC服务器双方的多阶段随机规化问题转化为DEP问题;
利用Lagrangian乘子和KKT条件求解设备端和MEC服务器双方的优化问题,计算出设备端所选择的MEC服务器卸载的最优任务策略和MEC服务器对设备端的最优报价策略;
若设备端向MEC服务器卸载的最优任务量策略,以及MEC服务器对设备端的最优动态报价策略都满足Stackelberg均衡解,那么设备按照最优任务卸载策略向MEC服务器进行任务卸载。
2.根据权利要求1所述的一种在随机网络中基于算网协同的分布式计算卸载方法,其特征在于,建立设备端收益最大化问题模型包括:
0≤Di(t)≤Qi(t),t∈T,
其中,fi,L(t)表示第i个设备的CPU时钟频率集合,Di,k(t)表示时隙t内卸载任务集合,表示第i个设备的长期收入,Vi为Lyapunov优化理论中非负控制参数,Di,k(t)表示第i个移动设备的卸载任务,Ai(t)表示第i个移动设备t时隙到达的任务,T为时隙的索引且T={0,1,…},表示第i个设备在时隙t的总收益;k∈{L,M,S}为当前任务类型,L表示非卸载任务,M表示卸载到宏基站的任务,S表示卸载到小基站的任务;为本地服务器处理卸载任务的时间,表示Di(t)的最大计算延时约束,为第i个移动设备t时隙内分配的CPU时钟频率的最小值,fi,L(t)为第i个移动设备t时隙内分配的CPU时钟频率,为第i个移动设备t时隙内分配的CPU时钟频率的最大值,Di(t)为在时隙t开始时任务处理决策,Qi(t)为在时隙t开始时任务队列积压,表示平均队列积压。
3.根据权利要求1所述的一种在随机网络中基于算网协同的分布式计算卸载方法,其特征在于,若将任务卸载到宏基站,则MEC服务器最大化收益问题模型表示为:
约束条件:pi,M(t)≥0,t∈T,
4.根据权利要求1所述的一种在随机网络中基于算网协同的分布式计算卸载方法,其特征在于,若将任务卸载到小基站,则MEC服务器最大化收益问题模型表示为:
约束条件:pi,S(t)≥0,t∈T,
6.根据权利要求1所述的一种在随机网络中基于算网协同的分布式计算卸载方法,其特征在于,采用后验追索权行动来补偿博弈策略,即采用两阶段最优规划模型,将根据设备端收益最大化问题模型和MEC服务器最大化收益问题模型求得的参数作为第一阶段,并在第二阶段采用后验追索权行动来补偿第一阶段获取的参数,则采用后验追索权行动补偿后的设备端收益最大化问题模型表示为:
0≤Di(t)≤Qi(t),t∈T,
若将任务卸载到小基站,采用后验追索权行动补偿后的MEC服务器最大化收益问题表示为:
约束条件:pi,S(t)≥0,t∈T,
其中,fi,L(t)表示第i个设备的CPU时钟频率集合,Di,k(t)表示卸载任务集合,Ybi(t)表示第i个设备的长期收入,Vi为Lyapunov优化理论中非负控制参数,ui[Di(t)]表示第i个设备的效用,si[Di(t)]表示第i个设备的计算服务成本,表示与复合场景下的平均通信成本,表示与复合场景下的平均能耗成本,Di,k(t)表示第i个移动设备的卸载任务,Ai(t)表示第i个移动设备t时隙到达的任务,T为时隙的索引T={0,1,…},表示第i个设备在时隙t的总收益;k∈{L,M,S}为当前任务卸载位置,L表示任务在本地卸载,M表示将任务卸载到宏基站,S表示将任务卸载到小基站;为本地服务器处理卸载任务的时间,表示Di(t)的最大计算延时约束,为第i个移动设备t时隙内分配的CPU时钟频率的最小值,fi,L(t)为第i个移动设备t时隙内分配的CPU时钟频率,为第i个移动设备t时隙内分配的CPU时钟频率的最大值,Di(t)为在时隙t开始时任务处理决策,Qi(t)为在时隙t开始时任务队列积压,表示平均队列积压;表示小基站的收益,uS[pS(t)]表示小基站的服务效用,表示复合场景下的平均追索权,pi,M(t)表示在时隙t内的第i个设备对宏基站的支付成本,T为时隙的索引T={0,1,…},表示时隙t内宏基站总的计算卸载时间,表示Di(t)的最大计算延时约束,为宏基站中每个CPU核的最小频率,为当前宏基站中第i个CPU核的频率,为宏基站中每个CPU核的最大频率。
8.根据权利要求6所述的一种在随机网络中基于算网协同的分布式计算卸载方法,其特征在于,将任务卸载过程划分为H个子时隙,并通过获取一个具有2H个阶段的分布式规划模型,则设备端收益最大化问题表示为:
若将任务卸载到小基站,则MEC服务器最大化收益问题表示为:
约束条件:pi,S(τh)≥0,τh∈H,
其中,fi,L(τh)表示子时隙τh中第i个设备的CPU时钟频率集合,Di,k(τh)表示子时隙τh中第i个移动设备的任务卸载集合,ui[Di(τ1)]表示根节点中第i个移动设备的效用,ci[Di(τ1)]表示根节点中的第i个移动设备的通信成本,ei,L[Di(τ1)]表示根节点中第i个移动设备的能耗成本,si[Di(τ1)]表示根节点中第i个移动设备的计算服务成本,表示子时隙τh第i个移动设备在小基站中的停留时间,Di(τh)和fi,L(τh)为子时隙τh中第i个移动设备的已处理的任务和本地计算频率;Qi(τh)表示子时隙τh的任务队列积压,表示子时隙τh内的停留时间,Ai(τ1)表示根节点第i个移动设备到达的任务。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095551.7A CN113810233B (zh) | 2021-09-17 | 2021-09-17 | 一种在随机网络中基于算网协同的分布式计算卸载方法 |
PCT/CN2021/128920 WO2023040022A1 (zh) | 2021-09-17 | 2021-11-05 | 一种在随机网络中基于算网协同的分布式计算卸载方法 |
US18/015,145 US11831708B2 (en) | 2021-09-17 | 2021-11-05 | Distributed computation offloading method based on computation-network collaboration in stochastic network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095551.7A CN113810233B (zh) | 2021-09-17 | 2021-09-17 | 一种在随机网络中基于算网协同的分布式计算卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113810233A true CN113810233A (zh) | 2021-12-17 |
CN113810233B CN113810233B (zh) | 2022-10-18 |
Family
ID=78939576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095551.7A Active CN113810233B (zh) | 2021-09-17 | 2021-09-17 | 一种在随机网络中基于算网协同的分布式计算卸载方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11831708B2 (zh) |
CN (1) | CN113810233B (zh) |
WO (1) | WO2023040022A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662412A (zh) * | 2023-07-24 | 2023-08-29 | 云南电网能源投资有限责任公司 | 一种电网配用电大数据的数据挖掘方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116208669B (zh) * | 2023-04-28 | 2023-06-30 | 湖南大学 | 基于智慧灯杆的车载异构网络协同任务卸载方法及系统 |
CN116320844B (zh) * | 2023-05-18 | 2023-07-21 | 华中科技大学 | 基于通信流量的fttr智能资源调度方法及系统 |
CN116805923B (zh) * | 2023-08-25 | 2023-11-10 | 淳安华数数字电视有限公司 | 基于边缘计算的宽带通信方法 |
CN117541025B (zh) * | 2024-01-05 | 2024-03-19 | 南京信息工程大学 | 一种用于密集输电线路巡检的边缘计算方法 |
CN117729571B (zh) * | 2024-02-08 | 2024-05-31 | 厦门大学 | 一种动态mec网络中迁移决策与资源分配的联合优化方法 |
CN117891613B (zh) * | 2024-02-29 | 2024-05-31 | 湘江实验室 | 一种基于车联网的计算卸载和资源分配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10452444B1 (en) * | 2017-10-19 | 2019-10-22 | Pure Storage, Inc. | Storage system with compute resources and shared storage resources |
CN111414252A (zh) * | 2020-03-18 | 2020-07-14 | 重庆邮电大学 | 一种基于深度强化学习的任务卸载方法 |
CN112148380A (zh) * | 2020-09-16 | 2020-12-29 | 鹏城实验室 | 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 |
Family Cites Families (13)
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 |
US10326766B2 (en) * | 2017-07-13 | 2019-06-18 | Dell Products, Lp | Method and apparatus for optimizing mobile edge computing for nomadic computing capabilities as a service |
EP3457664B1 (en) * | 2017-09-14 | 2019-11-06 | Deutsche Telekom AG | Method and system for finding a next edge cloud for a mobile user |
CN108809695B (zh) | 2018-04-28 | 2021-07-06 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
CN110928654B (zh) * | 2019-11-02 | 2024-03-19 | 上海大学 | 一种边缘计算系统中分布式的在线任务卸载调度方法 |
CN111163521B (zh) * | 2020-01-16 | 2022-05-03 | 重庆邮电大学 | 移动边缘计算中一种分布式异构环境下的资源分配方法 |
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 |
CN111401744B (zh) | 2020-03-17 | 2023-04-28 | 重庆邮电大学 | 一种移动边缘计算中不确定性环境下的动态任务卸载方法 |
BR112022019005A2 (pt) * | 2020-03-23 | 2022-11-01 | Apple Inc | Estrutura de descoberta de serviços e descarregamento dinâmico para sistemas de rede celular com base em computação de borda |
US11427215B2 (en) * | 2020-07-31 | 2022-08-30 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment |
US11340956B2 (en) * | 2020-09-11 | 2022-05-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for dynamic prediction and optimization of edge server scheduling |
CN113114733B (zh) | 2021-03-24 | 2022-07-08 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
CN113377447B (zh) | 2021-05-28 | 2023-03-21 | 四川大学 | 一种基于李雅普诺夫优化的多用户计算卸载方法 |
-
2021
- 2021-09-17 CN CN202111095551.7A patent/CN113810233B/zh active Active
- 2021-11-05 US US18/015,145 patent/US11831708B2/en active Active
- 2021-11-05 WO PCT/CN2021/128920 patent/WO2023040022A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10452444B1 (en) * | 2017-10-19 | 2019-10-22 | Pure Storage, Inc. | Storage system with compute resources and shared storage resources |
CN111414252A (zh) * | 2020-03-18 | 2020-07-14 | 重庆邮电大学 | 一种基于深度强化学习的任务卸载方法 |
CN112148380A (zh) * | 2020-09-16 | 2020-12-29 | 鹏城实验室 | 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 |
Non-Patent Citations (2)
Title |
---|
卢海峰等: "基于深度强化学习的移动边缘计算任务卸载研究", 《计算机研究与发展》 * |
周浩等: "边缘计算系统的任务调度策略", 《电子测量技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662412A (zh) * | 2023-07-24 | 2023-08-29 | 云南电网能源投资有限责任公司 | 一种电网配用电大数据的数据挖掘方法 |
CN116662412B (zh) * | 2023-07-24 | 2023-10-03 | 云南电网能源投资有限责任公司 | 一种电网配用电大数据的数据挖掘方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230199061A1 (en) | 2023-06-22 |
CN113810233B (zh) | 2022-10-18 |
WO2023040022A1 (zh) | 2023-03-23 |
US11831708B2 (en) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113810233B (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN111953758B (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
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 | |
CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
CN110234127B (zh) | 一种基于sdn的雾网络任务卸载方法 | |
CN110351754B (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
CN111401744B (zh) | 一种移动边缘计算中不确定性环境下的动态任务卸载方法 | |
CN113543176A (zh) | 基于智能反射面辅助的移动边缘计算系统的卸载决策方法 | |
CN112689303B (zh) | 一种边云协同资源联合分配方法、系统及应用 | |
CN113553165B (zh) | 一种基于博弈论的移动边缘计算任务卸载和资源调度方法 | |
CN112600921A (zh) | 一种面向异构移动边缘网络的动态任务卸载方法 | |
CN110381161B (zh) | 电力物联网系统中基于博弈论的资源调度方法 | |
CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
CN115175217A (zh) | 一种基于多智能体的资源分配和任务卸载优化方法 | |
CN111796880B (zh) | 一种边缘云计算任务的卸载调度方法 | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
Cui et al. | Multiagent reinforcement learning-based cooperative multitype task offloading strategy for internet of vehicles in B5G/6G network | |
CN111580943B (zh) | 一种面向低时延边缘计算中多跳卸载的任务调度方法 | |
Lyu et al. | Multi-leader multi-follower Stackelberg game based resource allocation in multi-access edge computing | |
CN111148155A (zh) | 一种基于移动边缘计算的任务卸载方法 | |
CN116820603A (zh) | 一种基于深度强化学习的智慧工厂冗余卸载方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN113747450B (zh) | 一种移动网络中业务部署方法、装置及电子设备 | |
Xia et al. | Distributed computing and networking coordination for task offloading under uncertainties |
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 |