CN113905415A - 一种蜂窝网络中移动终端的动态计算任务卸载方法 - Google Patents

Abstract

本发明涉及一种蜂窝网络中移动终端的动态计算任务卸载方法，包括：建立蜂窝网络中多用户系统模型；进行计算任务的卸载判定：判断每个计算资源请求者的计算任务是否满足卸载条件，即是否能同时满足时延和能耗的判定条件，若能同时满足，则该任务需要进行卸载；否则，该任务无法进行计算卸载；用动态拍卖算法分配计算资源：基站作为第三方即拍卖中间人，对满足步骤(2)中卸载判定的计算任务通过多轮多节点动态拍卖算法进行动态卸载。本发明中的基站利用拍卖算法来实现多轮卸载，并且根据网络状态变化对计算任务卸载进行及时的动态的调整；在提高利用计算资源效率的前提下，本发明引入了能耗和时延的权重系数，对能耗和时延进行了一定的优化。

Description

一种蜂窝网络中移动终端的动态计算任务卸载方法

技术领域

本发明涉及移动通信中计算卸载技术领域，尤其是一种蜂窝网络中移动终端的动态计算任务卸载方法。

背景技术

随着移动通信的快速发展，移动终端(Mobile Terminal，MT)设备的数量激增，随之而来的计算需求也日益增大。计算卸载技术就是为了解决计算需求而诞生的，在现有的计算卸载技术中，主要是将计算资源卸载到边缘服务器(Edge Server，MS)中，但有时候对于密集型任务来说，MS是不够用的。每一个计算资源请求者都有一个任务其中计算资源请求者接受到可拆卸的计算任务要求，为了充分利用周边的空闲计算资源的设备，需要对计算任务进行计算卸载。在此基础上，利用ITE的空闲资源，就考虑到了将计算资源卸载到MT的技术。

现有的将计算资源卸载到MT的技术有在线学习辅助协同卸载(Online Learning-aided Cooperative offloading，OLCD)和启发式方案。其中，OLCD利用累积的社会信任通过多跳路径来实现计算任务卸载，对于效率有一定的提高。启发式方案先是将问题利用Bender方法进行分解，然后将总信道划分成等大的子信道传输信息，再用启发式算法来实现计算任务卸载。

然而，无论是OLCD还是启发式方案，虽然对卸载的效率都有了一定的提高，但是考虑的问题不够全面。其中，OLCD只是静态任务卸载，考虑的计算任务和空闲资源是不变的，但是实际上，计算任务和空闲资源是会动态变化的，OLCD没有考虑这些动态的变化。启发式方案虽然从考虑了动态的卸载场景，但是将总信道等同划分成若干个子信道，降低了计算卸载的速率，增加了时延，在对于紧急的计算任务来说，无法进行及时的处理。因此，在保证计算卸载效率的前提下，跟踪网络状态的变化，对计算任务卸载进行及时的动态的调整是当前需要解决的重要问题。

发明内容

本发明的目的在于提供一种在保证计算任务速率前提下，利用拍卖算法来实现多轮卸载，在保证计算卸载效率的前提下，对计算卸载过程进行动态调控，以提高计算卸载过程时延和能耗为目标的蜂窝网络中移动终端的动态计算任务卸载方法。

为实现上述目的，本发明采用了以下技术方案：一种蜂窝网络中移动终端的动态计算任务卸载方法，该方法包括下列顺序的步骤：

(1)建立蜂窝网络中多用户系统模型；

(2)进行计算任务的卸载判定：判断每个计算资源请求者的计算任务是否满足卸载条件，即是否能同时满足时延和能耗的判定条件，若能同时满足，则该任务需要进行卸载；否则，该任务无法进行计算卸载；

(3)用动态拍卖算法分配计算资源：基站作为第三方即拍卖中间人，对满足步骤(2)中卸载判定的计算任务通过多轮多节点动态拍卖算法进行动态卸载，所述多轮多节点动态拍卖算法对计算任务进行动态调控，对计算任务的能耗和时延进行优化。

所述步骤(1)具体是指：所述蜂窝网络为小型蜂窝网络，小型蜂窝网络包括配有MEC服务器的基站，在基站的信号覆盖范围内有多个移动终端，移动终端用户分为计算资源请求者和计算资源拥有者两种类型；设R＝{R₁,R₂,...,R_M}为计算资源请求者的集合，每一个计算资源请求者都有一个计算任务需要卸载，O＝{O₁,O₂,...,O_N}为计算资源拥有者的集合。

所述步骤(2)具体包括以下步骤：

(2a)计算资源请求者中待判定的计算任务的自身携带信息表示为：

Task＝(P_up，D_R，V_m)

其中，P_up为请求计算端的上传功率大小；D_R为传输任务的任务量大小；V_m为请求计算端的计算能力大小；

(2b)所述能耗的判定条件为：

其中：C_m为请求协助计算端计算任务需要的资源大小；B_tran为传输时无线链路的带宽；

为请求协助计算端传输信息给基站的距离；α为传输距离的权重系数，N₀为信号传输时信道内的高斯噪声功率；d_mn为请求协助计算端传输信息给提供计算资源端的距离；C_n为提供计算资源端的计算任务需要的资源大小；V_n为提供计算资源端的计算能力大小；E_m为本地计算任务消耗的能量；E_tran为进行计算卸载时消耗的能量；

(2b)所述时延的判定条件为：

其中：T_m为本地计算任务需要的时间；T_tran为进行计算卸载时需要的时间；

在同时满足式(1)、式(2)的判定条件公式后，计算任务才被允许进行卸载。

所述步骤(3)中多轮多节点的动态拍卖算法具体包括以下步骤：

(3a)确定计算资源请求者的计算任务的价值密度：

计算资源请求者R_M针对计算资源端拥有者O_N的出价的为：

其中：T_ml为计算资源请求者的计算任务的运行时间；T_tran为任务在无线链路传输的时间；T_nexe为卸载后的任务在计算资源端拥有者上的运行时间；

计算出计算资源请求者的价格后，计算对每一个需要卸载的任务的价值密度：

将每一个价值密度上传至基站内，再存放在价值密度集合

中；

计算资源拥有者将自身的计算能力大小传送至基站，再存放在计算能力集合

中；

(3b)对于步骤(3a)中的价值密度集合

和计算资源拥有者的计算能力集合

在基站接受了来自计算资源请求者的和提供计算资源拥有者的参数后，分别对两个集合中的元素进行由大到小的排序；

(3c)在首轮分配中，分别对两个集合进行降序排列时，根据排序的结果，将排序在前面的进行一一配对；在非首轮分配中，基站把首轮拍卖的已分配的元素进行删除，在两个集合中加入随网络状态变化而产生的新的计算任务和空闲计算资源，再继续进行排序和分配；本轮拍卖失败的移动终端，将会参加下一次拍卖，在参加下一次拍卖时，上一轮拍卖失败的用户，本身任务的价值密度会有变化，变化的公式为：

其中：s表示的是拍卖失败的轮数；β表示的是每一轮拍卖所需要的时间；

根据该公式，每一轮拍卖失败的用户，在下一轮经过公式计算后，对应任务的价值密度提高；

在这一过程中，基站实时的将计算任务的卸载分配结果发送给移动终端；

(3d)移动终端接收到基站的分配结果时，根据该分配结果，采用多轮多节点动态拍卖算法，对计算任务卸载进行动态调整。

所述步骤(3)中对计算任务的能耗和时延进行优化具体包括：

采用公式(6)计算出蜂窝网络中多用户系统模型的时延和能耗优化值，并根据计算出来的优化值确定多轮多节点拍卖算法对于多用户系统模型性能的提升：

其中，δ_m,n是计算资源请求者和计算资源拥有者之间的匹配系数，若匹配时δ_m,n＝1，不匹配时，δ_m,n＝0；

是计算资源请求者的发射功率；D_{tran_mB}是计算资源请求者发送给基站的任务数据大小；

是计算资源拥有者自身计算任务时的功率；λ是时延和能耗的权重系数；

是计算资源请求者的能耗值，

是计算资源请求者的时延值；

公式(6)的限制条件如式(7)、(8)所示：

其中，

为计算资源请求者卸载任务到计算资源拥有者的能耗，T_{tran_mn}为计算资源请求者卸载任务到计算资源拥有者的时延大小；T_{nex_nm}为计算资源请求者和计算资源拥有着各自运行计算任务时间的大小。

由上述技术方案可知，本发明的有益效果为：第一，本发明中的基站利用拍卖算法来实现多轮卸载，并且根据网络状态变化对计算任务卸载进行及时的动态的调整；第二，基站对计算任务的紧急程度进行了优先级划分，并对计算任务进行降序排序，让紧急程度高的计算任务能够优先得到空闲计算资源协助计算；第三，在提高利用计算资源效率的前提下，本发明引入了能耗和时延的权重系数，对能耗和时延进行了一定的优化。

附图说明

图1为本发明的方法流程图；

图2为本发明的多用户单基站系统模型图；

图3为本发明中动态计算卸载的方法流程图；

图4为本发明的计算时延的仿真图；

图5为本发明的计算能耗的仿真图。

具体实施方式

如图1、3所示，一种蜂窝网络中移动终端的动态计算任务卸载方法，该方法包括下列顺序的步骤：

(1)建立蜂窝网络中多用户系统模型；

(2)进行计算任务的卸载判定：判断每个计算资源请求者的计算任务是否满足卸载条件，即是否能同时满足时延和能耗的判定条件，若能同时满足，则该任务需要进行卸载；否则，该任务无法进行计算卸载；

(3)用动态拍卖算法分配计算资源：基站作为第三方即拍卖中间人，对满足步骤(2)中卸载判定的计算任务通过多轮多节点动态拍卖算法进行动态卸载，所述多轮多节点动态拍卖算法对计算任务进行动态调控，对计算任务的能耗和时延进行优化。

如图2所示，所述步骤(1)具体是指：所述蜂窝网络为小型蜂窝网络，小型蜂窝网络包括配有MEC服务器的基站，在基站的信号覆盖范围内有多个移动终端，移动终端用户分为计算资源请求者和计算资源拥有者两种类型；设R＝{R₁,R₂,...,R_M}为计算资源请求者的集合，每一个计算资源请求者都有一个计算任务需要卸载，O＝{O₁,O₂,...,O_N}为计算资源拥有者的集合。

所述步骤(2)具体包括以下步骤：

(2a)计算资源请求者中待判定的计算任务的自身携带信息表示为：

Task＝(P_up，D_R，V_m)

其中，P_up为请求计算端的上传功率大小；D_R为传输任务的任务量大小；V_m为请求计算端的计算能力大小；

(2b)所述能耗的判定条件为：

其中：C_m为请求协助计算端计算任务需要的资源大小；B_tran为传输时无线链路的带宽；

为请求协助计算端传输信息给基站的距离；α为传输距离的权重系数，N₀为信号传输时信道内的高斯噪声功率；d_mn为请求协助计算端传输信息给提供计算资源端的距离；C_n为提供计算资源端的计算任务需要的资源大小；V_n为提供计算资源端的计算能力大小；E_m为本地计算任务消耗的能量；E_tran为进行计算卸载时消耗的能量；

(2b)所述时延的判定条件为：

其中：T_m为本地计算任务需要的时间；T_tran为进行计算卸载时需要的时间；

在同时满足式(1)、式(2)的判定条件公式后，计算任务才被允许进行卸载。

所述步骤(3)中多轮多节点的动态拍卖算法具体包括以下步骤：

(3a)确定计算资源请求者的计算任务的价值密度：

计算资源请求者R_M针对计算资源端拥有者O_N的出价的为：

其中：T_ml为计算资源请求者的计算任务的运行时间；T_tran为任务在无线链路传输的时间；T_nexe为卸载后的任务在计算资源端拥有者上的运行时间；

计算出计算资源请求者的价格后，计算对每一个需要卸载的任务的价值密度：

将每一个价值密度上传至基站内，再存放在价值密度集合

中；

计算资源拥有者将自身的计算能力大小传送至基站，再存放在计算能力集合

中；

(3b)对于步骤(3a)中的价值密度集合

和计算资源拥有者的计算能力集合

在基站接受了来自计算资源请求者的和提供计算资源拥有者的参数后，分别对两个集合中的元素进行由大到小的排序；

(3c)在首轮分配中，分别对两个集合进行降序排列时，根据排序的结果，将排序在前面的进行一一配对；在非首轮分配中，基站把首轮拍卖的已分配的元素进行删除，在两个集合中加入随网络状态变化而产生的新的计算任务和空闲计算资源，再继续进行排序和分配；本轮拍卖失败的移动终端，将会参加下一次拍卖，在参加下一次拍卖时，上一轮拍卖失败的用户，本身任务的价值密度会有变化，变化的公式为：

其中：s表示的是拍卖失败的轮数；β表示的是每一轮拍卖所需要的时间；

根据该公式，每一轮拍卖失败的用户，在下一轮经过公式计算后，对应任务的价值密度提高；

在这一过程中，基站实时的将计算任务的卸载分配结果发送给移动终端；

(3d)移动终端接收到基站的分配结果时，根据该分配结果，采用多轮多节点动态拍卖算法，对计算任务卸载进行动态调整。

所述步骤(3)中对计算任务的能耗和时延进行优化具体包括：

采用公式(6)计算出蜂窝网络中多用户系统模型的时延和能耗优化值，并根据计算出来的优化值确定多轮多节点拍卖算法对于多用户系统模型性能的提升：

其中，δ_m,n是计算资源请求者和计算资源拥有者之间的匹配系数，若匹配时δ_m,n＝1，不匹配时，δ_m,n＝0；

是计算资源请求者的发射功率；D_{tran_mB}是计算资源请求者发送给基站的任务数据大小；

是计算资源拥有者自身计算任务时的功率；λ是时延和能耗的权重系数；

是计算资源请求者的能耗值，

是计算资源请求者的时延值；

公式(6)的限制条件如式(7)、(8)所示：

其中，

为计算资源请求者卸载任务到计算资源拥有者的能耗，T_{tran_mn}为计算资源请求者卸载任务到计算资源拥有者的时延大小；T_{nex_nm}为计算资源请求者和计算资源拥有着各自运行计算任务时间的大小。

为了验证性能是否达标，采用仿真软件进行仿真分析，如图4、5所示。对各种仿真参数进行设置，进行拍卖的回合数为S＝50；生成的任务数k＝70；计算任务的数据量大小为

即在1000kb至5000kb中随机选取；计算资源拥有端的计算能力大小为V_n＝1.5GHz-2.5GHz，即在1.5GHz至2.5GHz中随机选取；在对计算任务进行卸载判定后，对卸载成功的任务计算价值密度，基站对价值密度和计算能力大小进行动态排序。计算涉及的数据量和计算能力大小值都是随机选取。

仿真实验结果参见图4～5，其中的Local代表的是对计算任务进行本地计算，HA是利用将总信道划分成等大的子信道，利用启发式算法进行计算。FA指的是在进行计算卸载时，计算资源大小进行固定分配。MRSNA指的是在经典拍卖的基础上，进行单节点拍卖，以一对多的方式去进行计算卸载。

图4为计算卸载时所需时延的仿真结果，计算卸载的时延指距离基站五十米的前提下的是本地的计算时延T_mi和进行计算卸载时的时延T_tran。

图5为计算卸载消耗能量的仿真结果，计算卸载消耗的能量指的是在距离基站五十米的距离下本地的计算能耗E_mi和进行计算卸载时的能耗E_tran。

从图4和图5中可以看出，无论是时延和能耗两个方面，MRMNA算法比其它的算法都低，代表着计算卸载时的效率就高，性能也就更好。

综上所述，本发明中的基站利用拍卖算法来实现多轮卸载，并且根据网络状态变化对计算任务卸载进行及时的动态的调整；基站对计算任务的紧急程度进行了优先级划分，并对计算任务进行降序排序，让紧急程度高的计算任务能够优先得到空闲计算资源协助计算；在提高利用计算资源效率的前提下，本发明引入了能耗和时延的权重系数，对能耗和时延进行了一定的优化本发明无论在时延或者能耗上面的性能均优于Local，FA,HA和MRSNA的计算卸载方法。

Claims (5)

1.一种蜂窝网络中移动终端的动态计算任务卸载方法，其特征在于：该方法包括下列顺序的步骤：

(1)建立蜂窝网络中多用户系统模型；

(2)进行计算任务的卸载判定：判断每个计算资源请求者的计算任务是否满足卸载条件，即是否能同时满足时延和能耗的判定条件，若能同时满足，则该任务需要进行卸载；否则，该任务无法进行计算卸载；

(3)用动态拍卖算法分配计算资源：基站作为第三方即拍卖中间人，对满足步骤(2)中卸载判定的计算任务通过多轮多节点动态拍卖算法进行动态卸载，所述多轮多节点动态拍卖算法对计算任务进行动态调控，对计算任务的能耗和时延进行优化。

2.根据权利要求1所述的蜂窝网络中移动终端的动态计算任务卸载方法，其特征在于：所述步骤(1)具体是指：所述蜂窝网络为小型蜂窝网络，小型蜂窝网络包括配有MEC服务器的基站，在基站的信号覆盖范围内有多个移动终端，移动终端用户分为计算资源请求者和计算资源拥有者两种类型；设R＝{R₁,R₂,...,R_M}为计算资源请求者的集合，每一个计算资源请求者都有一个计算任务需要卸载，O＝{O₁,O₂,...,O_N}为计算资源拥有者的集合。

3.根据权利要求1所述的蜂窝网络中移动终端的动态计算任务卸载方法，其特征在于：所述步骤(2)具体包括以下步骤：

(2a)计算资源请求者中待判定的计算任务的自身携带信息表示为：

Task＝(P_up，D_R，V_m)

其中，P_up为请求计算端的上传功率大小；D_R为传输任务的任务量大小；V_m为请求计算端的计算能力大小；

(2b)所述能耗的判定条件为：

其中：C_m为请求协助计算端计算任务需要的资源大小；B_tran为传输时无线链路的带宽；

为请求协助计算端传输信息给基站的距离；α为传输距离的权重系数，N₀为信号传输时信道内的高斯噪声功率；d_mn为请求协助计算端传输信息给提供计算资源端的距离；C_n为提供计算资源端的计算任务需要的资源大小；V_n为提供计算资源端的计算能力大小；E_m为本地计算任务消耗的能量；E_tran为进行计算卸载时消耗的能量；

(2b)所述时延的判定条件为：

其中：T_m为本地计算任务需要的时间；T_tran为进行计算卸载时需要的时间；

在同时满足式(1)、式(2)的判定条件公式后，计算任务才被允许进行卸载。

4.根据权利要求1所述的蜂窝网络中移动终端的动态计算任务卸载方法，其特征在于：所述步骤(3)中多轮多节点的动态拍卖算法具体包括以下步骤：

(3a)确定计算资源请求者的计算任务的价值密度：

计算资源请求者R_M针对计算资源端拥有者O_N的出价的为：

其中：T_ml为计算资源请求者的计算任务的运行时间；T_tran为任务在无线链路传输的时间；T_nexe为卸载后的任务在计算资源端拥有者上的运行时间；

计算出计算资源请求者的价格后，计算对每一个需要卸载的任务的价值密度：

将每一个价值密度上传至基站内，再存放在价值密度集合

中；

计算资源拥有者将自身的计算能力大小传送至基站，再存放在计算能力集合

中；

(3b)对于步骤(3a)中的价值密度集合

和计算资源拥有者的计算能力集合

在基站接受了来自计算资源请求者的和提供计算资源拥有者的参数后，分别对两个集合中的元素进行由大到小的排序；

(3c)在首轮分配中，分别对两个集合进行降序排列时，根据排序的结果，将排序在前面的进行一一配对；在非首轮分配中，基站把首轮拍卖的已分配的元素进行删除，在两个集合中加入随网络状态变化而产生的新的计算任务和空闲计算资源，再继续进行排序和分配；本轮拍卖失败的移动终端，将会参加下一次拍卖，在参加下一次拍卖时，上一轮拍卖失败的用户，本身任务的价值密度会有变化，变化的公式为：

其中：s表示的是拍卖失败的轮数；β表示的是每一轮拍卖所需要的时间；

根据该公式，每一轮拍卖失败的用户，在下一轮经过公式计算后，对应任务的价值密度提高；

在这一过程中，基站实时的将计算任务的卸载分配结果发送给移动终端；

(3d)移动终端接收到基站的分配结果时，根据该分配结果，采用多轮多节点动态拍卖算法，对计算任务卸载进行动态调整。

5.根据权利要求1所述的蜂窝网络中移动终端的动态计算任务卸载方法，其特征在于：所述步骤(3)中对计算任务的能耗和时延进行优化具体包括：

采用公式(6)计算出蜂窝网络中多用户系统模型的时延和能耗优化值，并根据计算出来的优化值确定多轮多节点拍卖算法对于多用户系统模型性能的提升：

其中，δ_m,n是计算资源请求者和计算资源拥有者之间的匹配系数，若匹配时δ_m,n＝1，不匹配时，δ_m,n＝0；

是计算资源请求者的发射功率；D_{tran_mB}是计算资源请求者发送给基站的任务数据大小；

是计算资源拥有者自身计算任务时的功率；λ是时延和能耗的权重系数；

是计算资源请求者的能耗值，

是计算资源请求者的时延值；

公式(6)的限制条件如式(7)、(8)所示：

其中，

为计算资源请求者卸载任务到计算资源拥有者的能耗，T_{tran_mn}为计算资源请求者卸载任务到计算资源拥有者的时延大小；T_{nex_nm}为计算资源请求者和计算资源拥有着各自运行计算任务时间的大小。

Images