CN114051254B - 一种基于星地融合网络的绿色云边协同计算卸载方法 - Google Patents

一种基于星地融合网络的绿色云边协同计算卸载方法 Download PDF

Info

Publication number
CN114051254B
CN114051254B CN202111312119.9A CN202111312119A CN114051254B CN 114051254 B CN114051254 B CN 114051254B CN 202111312119 A CN202111312119 A CN 202111312119A CN 114051254 B CN114051254 B CN 114051254B
Authority
CN
China
Prior art keywords
network
ground
beta
star
user
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
CN202111312119.9A
Other languages
English (en)
Other versions
CN114051254A (zh
Inventor
周海波
汤芷萱
马婷
余凯
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202111312119.9A priority Critical patent/CN114051254B/zh
Publication of CN114051254A publication Critical patent/CN114051254A/zh
Application granted granted Critical
Publication of CN114051254B publication Critical patent/CN114051254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/16—Discovering, processing access restriction or access information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/20—Selecting an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于星地融合网络的绿色云边协同计算卸载方法，基于星地融合网络，所述星地融合网络由低轨卫星组网与传统地面网络构成；地面网络包含TSC和LSC两种基站；每一个LSC旁部署有MEC服务器；步骤如下：1)以最小化星地融合网络的能耗为优化目标，结合服务质量要求，建立目标优化问题；对原问题进行数学分析，分解为优化变量分别为二元变量和连续变量的两个子问题；2)将大尺度衰落、用户任务到达速率、天线增益等环境参数输入深度神经网络，求解出用户接入选择x和基站卸载选择β；生成多对(x,β)；将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛。

Description

一种基于星地融合网络的绿色云边协同计算卸载方法
技术领域
本发明属于星地融合网络资源优化和云边协作领域，涉及面向移动边缘计算和云计算的通信资源分配及接入选择优化。
背景技术
随着物联网和5G无线技术的快速发展，计算密集型应用的数量爆发式增长，这些应用来自可穿戴虚拟现实设备、高清直播、智能家居和自动驾驶等等。但是，当前的移动设备的电池电量和计算能力都是有限的，无法满足这些新兴应用的需求，而MEC技术便成了一种可行的解决方案。MEC技术指移动边缘计算MEC，将移动网络和互联网两者技术有效融合在一起，在移动网络侧增加了计算、存储、数据处理等功能；构建了开放式平台以植入应用，并通过无线API开放移动网络与业务服务器之间的信息交互，移动网络与业务进行了深度融合，将传统的无线基站升级为智能化基站；MEC的部署策略尤其是距离用户的相对地理位置可以有效实现低延迟、高带宽等，MEC也可以实时获取移动网络信息和更精准的位置信息来提供更加精准的位置服务。
MEC系统通常包括MEC系统底层：基于网络功能虚拟化NFV技术的硬件资源和虚拟化层架构，分别提供底层硬件的计算、存储、控制功能和硬件虚拟化组件，完成虚拟化的计算处理、缓存、虚拟交换及相应的管理功能。
MEC功能组件：承载业务的对外接口适配功能，通过API完成和基站及上层应用层之间的接口协议封装，提供流量旁路、无线网络信息、虚拟机通信、应用与服务注册等能力，具备相应的底层数据包解析、内容路由选择、上层应用注册管理、无线信息交互等功能。MEC应用层：基于网络功能虚拟化的虚拟机应用架构，将MEC功能组件层封装的基础功能进一步组合成虚拟应用，包括无线缓存、本地内容转发、增强现实、业务优化等应用，并通过标准的API和第三方应用APP实现对接。
边缘计算节点可以提供一定的计算资源，而且由于离用户很近，有着低时延的优势。但是，边缘计算节点的计算能力是有限的，尤其是相比于云，计算能力小了好几个数量级。当用户密度较大，计算任务较多的时候，边缘节点便不足以负担卸载的计算任务。云计算的缺陷在于云服务器群离用户很远，导致较高的时延，但是云的强大的计算能力是难以舍弃的。因此，为了提升网络的计算能力，同时又保证各种用户的时延要求，需要研究云卸载与边缘卸载之间的协同关系。
不过，当下的传统地面网络存在一些缺陷，阻碍了云和边缘之间的协作。由于真实环境很复杂，为每个小型基站构建可靠的无线或光纤回程链路通常是不切实际的。因此，小基站回程容量受限将不可避免地导致人口密集地区的云卸载性能恶化。为了达成边缘卸载与云卸载之间的高效协作，需要寻求一条更可靠的云端卸载路径。近几年来，低轨卫星(LEO，low earth orbit)网络的发展为增强回程连接提供了替代的解决方案。LEO卫星的通信时延较低、回程容量非常大，能够为云计算提供高质量的路由，并缓解地面网络的回程拥塞。
经过对现有文献的检索发现，学术界近年来已经有了一些对利用LEO卫星辅助计算卸载的研究。N.Cheng等人于2019年在《IEEE Journal on Selected Areas inCommunications(IEEE通信选域期刊)》上发表的题为“Space/aerial-assisted computingoffloading for IoT applications:A learning-based approach(物联网应用的空间/航空辅助计算卸载：一种基于学习的方法)”提出了天地一体化网络来协助偏远地区的边缘计算和云计算。无人机作为边缘节点，而卫星则提供对云服务器的访问。B.Di等人于2019年在《IEEE Wireless Communications(IEEE无线通信)》上发表了题为“Ultra-dense LEO:Integration of satellite access networks into 5G and beyond(超密集LEO：卫星接入网络与5G及未来的融合)”的文章，提出了一种基于超密集LEO卫星的星地融合网络架构，以实现高效的数据卸载。文章引入了一种新型基站LSC，作为移动设备的接入点以及与LEO卫星进行通信。以上两篇文章中的卫星仅作为中继节点，没有实际的计算能力。Y.Wang等人以及Q.Tang等人分别于2020年在《IEEE Access》和2021年在《IEEE Internet of ThingsJournal(IEEE物联网期刊)》上发表了题为“A game-theoretic approach to computationoffloading in satellite edge computing(一种卫星边缘计算中计算卸载的博弈论方法)”与“Computation offloading in LEO satellite networks with hybrid cloud andedge computing(低轨卫星网络中的云边混合计算卸载)”的文章。前者考虑到地面与卫星通信的不连续性，制定了计算卸载的博弈模型，并提出了一种迭代的方法来寻找该博弈的纳什均衡。后者考虑了一种LEO卫星边缘计算网络，其中计算任务可以卸载到部署在LEO卫星上的MEC服务器或通过卫星传送到云服务器。文章通过交替方向乘子法制定并解决了最小化地面用户总能耗的优化问题。这两篇文章中的卫星能够提供边缘计算的功能。
然而，现有的大多数工作的研究场景都集中在缺少常规地面基础设施的偏远地区，因此未能研究计算卸载时卫星和地面网络之间的合作关系。
综上所述，现有技术存在的问题是：(1)未能研究卫星网络辅助计算卸载在用户密集的城市地区场景下的效果；(2)未能研究卫星网络与传统的地面基础设施间的合作关系；(3)未能研究卫星网络在云边协同卸载中的辅助作用。解决上述技术问题的意义在于：基于目前无线通信技术的发展与超大规模低轨卫星组网的进步，低轨卫星网络能够作为新的云卸载的路径，有助于提高用户密集的城市地区的回程容量，缓解地面网络的回程拥塞问题。
发明内容
针对现有技术存在的问题，本发明目的是，在一个更真实的城市场景下提供了一种星地融合网络中的云边协同计算卸载方法。
本发明是这样实现的，一种基于星地融合网络的绿色云边协同计算卸载方法，基于星地融合网络，所述星地融合网络由低轨卫星组网与传统地面网络构成。地面网络包含TSC和LSC两种基站；每一个LSC旁部署有MEC服务器，能够提供边缘计算能力；卫星网络与地面网络通过LSC建立通信；所述LSC安装有地面-卫星终端(TST，terrestrial satelliteterminal)。TST支持C波段上的用户-TST链路和Ka波段上的高质量卫星回程链路，所以它既可以作为移动设备的接入点，也可以作为地面卫星通信的中介；包括以下步骤：
步骤1：以最小化星地融合网络的能耗为优化目标，结合服务质量要求，建立目标优化问题；对原问题进行数学分析，分解为优化变量分别为二元变量和连续变量的两个子问题；
步骤2：将大尺度衰落、用户任务到达速率、天线增益等环境参数输入深度神经网络，求解出用户接入选择(x)和基站卸载选择(β)的一组估计；根据一定的探索规则，生成多对(x,β)；
步骤3：将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗。将最小的能耗对应的一组(x,β)加入深度神经网络的训练集。经多次迭代训练神经网络参数直至收敛。
移动用户可以自由选择接入TSC或LSC。用户卸载的任务被传送到MEC服务器或云服务器处理。云服务器可以经地面传统回程链路或卫星骨干网接入。
所述TSC在接收到卸载任务后选择将任务留在本地MEC服务器处理或通过传统回程链路传送到云服务器处理。所述的LEO卫星不具备实际的计算能力，仅作为转发中继。其低通信时延、大回程容量使其能作为可靠的回程链路，有效缓解地面网络的回程拥塞。
进一步，所述步骤2-3中对深度神经网络的直接输出进行的处理需执行以下步骤：
其中分别为用户接入选择、任务卸载比例、移动用户发射功率、MEC服务器资源分配、TSC卸载选择；优化变量可以分为整数变量x和β以及连续变量ρ、p和f，；使用深度神经网络DNN优化用户关联方案和任务调度策略；采用深度神经网络DNN来逼近第一个子问题的最优解。深度神经网络DNN的输入是平均任务到达速率以及移动设备和小基站之间的大尺度信道增益。DNN的输出是用户关联方案和TSC的卸载决策；用/>表示DNN的直接输出，基于此结果探索第二个子问题；DNN输出的连续变量转换为二元变量；将/>映射到离散的用户关联方案的方法是将用户i与具有最大输出的基站相关联；将/>离散化的方法是将其小于0.5的元素置零，其他元素置一；将离散化后的变量根据一步探索和随机探索策略变形，生成多对(x,β)；探索策略具体为：分别将x与β中的一个元素改成1与其的差值，其他元素保持不变；随机探索策略具体为：以概率p将x与β中的每一个元素改成1与其的差值；将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛。
进一步，所述星地融合网络架构下的云边协同计算卸载方法充分结合了MEC时延低和云端计算能力强的优点，能够显著地降低系统能耗。
由于移动设备的计算能力不足，移动边缘计算(MEC，mobile edge computing)成为了一种应对时延敏感和计算密集型任务的关键技术。然而，边缘节点的计算资源相较于云服务器非常有限。因此，需要对云边协同计算进行研究。本发明提出了一种星地融合网络下的云边协同计算卸载架构，充分利用了MEC时延低和云端计算能力强的特点。移动用户可以接入传统小基站(TSC，traditional small cell)或低轨卫星小基站(LSC，LEO-backhauled small cell)，并将其计算任务部分卸载到TSC旁的MEC服务器或通过传统的回程链路或卫星骨干网传送到云端。本发明建立了一个最小化整个星地融合网络的计算卸载能耗的问题。优化问题被进一步分解为两个子问题，分别由深度神经网络和连续凸近似算法(SCA，successive convex approximation)求解。评估结果表明，本星地融合网络下的绿色云边协同计算卸载方法能够显著地降低系统能耗。
与现有技术相比，本发明的优点及有益效果如下:首先，星地融合网络架构下的云边协同计算卸载方法能够有效地提高系统的回程容量；其次，该星地融合网络架构充分发挥了MEC时延低和云端计算能力强的优势；再次，本发明基于真实的城市场景，弥补了现有技术的空白。
附图说明
图1是本发明实施例所采用的星地融合网络场景图。
图2是本发明实施例所采用的问题求解算法框架。
图3是本发明实施例所采用的连续凸近似算法逻辑框图。
图4是本发明实施例提供的平均时限Tmax＝500ms时不同数据卸载模式的能耗比较示意图。
图5是本发明实施例提供的不同用户关联方式在不同时延约束下的系统能耗比较示意图。
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，以下结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当理解，此处所描述的具体实例仅仅用以解释本发明，但本发明的保护范围不限于下述的实施例。
实施例
本实施例采用了图1的星地融合网络场景，提出了一种云边协同计算方法。首先在该城市场景下，需要部署两种小基站，TSC与LSC。每个TSC配备一台MEC服务器，提供近距离接入和一定的数据处理能力。每个LSC都配备了一个地面卫星终端(简称TST)，TST非常便于安装，而且带有可以调整角度的小型天线。由于TST支持C波段上的用户-TST链路和Ka波段上的高质量卫星回程链路，所以它既可以作为移动设备的接入点，也可以作为地面卫星通信的中介。
本实施例的基本目标是通过利用具有高回程容量的LEO卫星网络协助云卸载，完成星地融合网络中的云边协同计算。本实施例考虑每个移动设备都有一个计算密集型任务要在一定的时延限制下完成。由于本地计算能力不足，每个应用程序都有一定比例被卸载到MEC服务器或云服务器。在这样的场景下，每个卸载的计算任务有三种不同的路径可以走：1)上传到某个TSC并在基站旁边的MEC服务器处理；2)上传到某个TSC，通过无线或者有线的地面回程链路进一步发送到远程云端；3)上传到某个LSC，通过Ka波段传输到LEO卫星，再通过卫星骨干网转发到云服务器。
在系统网络模型中，用I和J分别表示移动用户和小基站的集合。其中I∈{1,2,...I}，J∈{1,2,...J'...J}，1≤j≤J'表示TSC，J'+1≤j≤J表示LSC。用二元变量ai,j(i∈I,j∈J)表示用户i是否在基站j的覆盖范围内，若ai,j＝1则表示用户i在基站j的覆盖范围内，否则不在。用二元变量xi,j(i∈I,j∈J)表示用户i是否与基站j关联，若xi,j＝1则表示用户i与基站j关联，否则不关联。
本实施例采用正交频分多址(OFDMA,Orthogonal Frequency Division MultipleAccess)技术。每个基站均等地将子载波分配给与其关联的设备。由于TSC和LSC发射功率低，通信覆盖范围小，因此所有小基站在可容忍的干扰程度下共享相同的频率资源池。本实施例用pi表示用户i的发射功率，Ws表示系统带宽。根据香农容量公式，与第j个基站关联的第i个用户的可达率可表示为：
其中αi,j为大尺度信道增益，gi,j是小尺度信道增益，σ2代表平均背景噪声功率。
本实施例中地面卫星通信的传输速率为常数rGS。类似地，本实施例将卫星到云的传输速率定义为rSC。
本实施例将第i的用户的计算任务描述为其中λi(任务/秒)为平均任务到达速率，di为每个任务的大小，bi(CPU周期/任务)是执行该任务所需的CPU周期数，为任务的完成时限。由于本地计算能力不足，移动设备i将比例为ρi的计算任务卸载到MEC服务器或云端处理。若用户i与基站j关联，则基站j决定将接收到的卸载任务留在MEC服务器处理或进一步发送到云服务器处理。本实施例引入二元变量/>来表示基站j对用户i卸载任务的卸载决定，/>则代表在MEC服务器处理，否则传送到云端处理。
本实施例中星地融合网络的计算开销包括时间开销和能量开销。完成任务的时延由传输时延和处理时延组成，而能耗则由三部分组成：上传数据的能耗、本地计算能耗和边缘/云计算能耗。本实施例忽略计算任务处理完后下传能量消耗和延迟。
用户i本地计算的时延可以表示为
其中fl(CPU周期/秒)为本地服务器分配给计算任务的计算资源。fl＝Cl/λi，其中Cl是本地服务器的计算资源容量。
由于TSC通过用户共享的各种回程链路与云服务器连接，数据包到达的随机性、用户调度和复杂的路由算法使得对回程链路上的时延进行建模是相当麻烦的。因此本实施例假设用户调度策略和路由算法都是预先确定的，并将连接到第j个TSC的每个设备的回程容量简化为常数Wj。因此，对于与第j个TSC通信的第i个用户，可以推导出处理其卸载任务的时延：
其中fc是MEC服务器j/云服务器分配给用户i的计算资源。本实施例假设云服务器的计算能力是无限的，每个卸载到云的任务都分配了相同的计算资源份额。等式(3)中的第一项是通过无线链路上传卸载数据的传输时延，第二项表示卸载数据在MEC服务器处的计算时间，第三项是卸载数据经地面回程链路到云服务器的传输延迟和云服务器的处理时延。
同样地，可以得到用户如果与LSC关联，完成卸载任务的处理所需要的时间：
其中第一项是从用户到基站的传输时延，第二项是从基站到卫星的传输时延，第三项是从卫星到云端的传输时延，第四项是云端的计算时延。
由于本地计算和卸载计算任务是可以同步进行的，所以总时延可以表达为：
第i个移动设备的本地服务器处理计算任务的能耗可以表示为：
其中为第i个本地服务器的单位能耗。/>k0是受芯片架构影响的系数，一般取1015。
对于与第j个TSC通信的第i个用户，处理完其卸载任务的能耗可表示为
其中ee是MEC服务器每CPU周期所消耗的能量，ec是云端每CPU转数所需要的能耗。等式(7)中第一项是传输能耗，第二项是如果任务在MEC服务器中计算所需的能耗，第三项是如果卸载的任务被传到云端计算所需的能耗。
如移动用户与LSC关联，完成卸载任务的处理的能耗为
其中pT和pS是每个TST和卫星的发射功率。第二项和第三项是通过TST-卫星链路和卫星骨干网卸载数据的传播能耗。第四个代表云服务器的计算能耗。
根据以上讨论，可以推导出整个系统能耗的表达式：
本实施例为确保本地服务器及MEC/云服务器处队列的稳定，需要保证各服务器的计算速率在平均数据到达速率之上，即
和
其中是移动用户i的平均任务大小。由于本实施例将fc的值设置为始终大于/>，因此当(11)满足时，云服务器处的任务队列的稳定自然能够满足。
至此，可以制定如下优化问题：
s.t.(10),(11)
xi,j≤ai,j,i∈I,j∈J,(12a)
xi,j∈{0,1},i∈I,j∈J,(12b)
∑j∈Mxi,j＝1,i∈I,(12c)
ρi∈[0,1],i∈I,(12d)
pi≤pmax,i∈I,(12e)
其中约束(12a)-(12c)表示每个用户i只能访问其范围内的一个小区。(12e)给出了移动设备的发射功率约束。(12g)保证每个任务在其最大时限/>内完成。(12h)和(12i)确保每个MEC服务器分配给与其关联的移动设备的计算资源的综合不超过其所拥有的计算资源。
容易注意到(12)是一个NP难(一类具有高难度的组合最优化问题)的混合整数规划问题。此外，优化变量之间的高度耦合性进一步增大了解决(12)的挑战。由于优化变量可以分为整数变量x和β以及连续变量ρ、p和f，本实施例将(12)分解为两个子问题。
第一个子问题使用深度神经网络DNN优化用户关联方案和任务调度策略。第二个子问题使用前一个子问题的给定结果，联合优化卸载比例、计算资源分配和发射功率。
本实施例采用深度神经网络DNN来逼近第一个子问题的最优解。DNN的输入是平均任务到达速率以及移动设备和小基站之间的大尺度信道增益。DNN的输出是用户关联方案和TSC的卸载决策(或称任务调度策略)。本实施例用表示DNN的直接输出，基于此结果探索第二个子问题。
本实施例将DNN输出的连续变量转换为二元变量。将映射到离散的用户关联方案的方法是将用户i与具有最大输出的基站相关联。将/>离散化的方法是将其小于0.5的元素置零，其他元素置一。将离散化后的变量根据一步探索和随机探索策略变形，生成多对(x,β)。进一步探索策略具体为：分别将x与β中的一个元素改成1与其的差值，其他元素保持不变；随机探索策略具体为：以概率p将x与β中的每一个元素改成1与其的差值。将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗。将最小的能耗对应的一组(x,β)加入深度神经网络的训练集。经多次迭代训练神经网络参数直至收敛。
第二个子问题可以表述如下：
其中由于目标函数中的Ei(ρi,pi)和时延约束(12g)是非凸的，问题(13)是非凸的。本实施例使用SCA算法来解决该非凸问题，使用一系列强凸问题代替(13)。经过多次迭代，SCA算法将收敛到(13)的一个平稳点。迭代次数与ε的倒数成正比，ε是L.Cannelli等人于2017年发表于《Mathematical Programming(数学规划)》的题为《Asynchronous parallel algorithms for nonconvex big-data optimization—PartII:Complexity and numerical results(非凸大数据优化的异步并行算法——第二部分：复杂性和数值结果)》的文章中等式(6)中的期望精度。
具体的SCA算法流程如图2所示。其中Y是(13)的可行集。
在每一次迭代v后，可以获得以下强凸问题的唯一解
其中和/>的近似表达式在下面给出。为了表示简便，本实施例将/>中的非凸部分提取出来，即其在当前迭代次数v的近似可写做：
同样地，中的非凸部分可以写做/>和g1i(yi)和g2i(yi)的凸上界可以由SCA算法得到，即
和
至此，可以表示为/>和Ei(yi)非凸部分的和。/>可以用同样的方式表示。图4图5已经是13-17式的计算结果，纵坐标即为目标函数能耗，横坐标为用户密度。
为了使本实施例更具直观性并且展示本实施例提出的卸载模式与算法的优越性，图4与图5提供了仿真结果。仿真场景设定为一个有8个TSC和8个LSC交替部署的区域。每个TSC/LSC的覆盖半径设定为300m，任意两个基站之间的距离为400m。在基站覆盖区域内，移动设备随机分布。图4中的“卫星网络辅助的云边协同卸载”曲线与图5中的“本实施例”曲线均为本实施例的算法计算得到的结果。图4展示了平均时限Tmax＝500ms时不同数据卸载模式的能耗。图4将本实施例提出的低轨卫星辅助的云边协作卸载模式的能耗与其他两种卸载模式的能耗进行比较，另外两种卸载模式分别是常见的仅边缘模式和仅云卸载模式，都是在传统的地面网络上进行的。在仅边缘卸载模式中，移动设备只能接入传统小基站，并将一部分任务卸载到小基站旁边部署的边缘节点计算。在仅云卸载模式中，移动设备只能通过基站传统的回程链路将数据卸载到云服务器。图中展现了三种任务卸载模式中系统能耗随着用户密度的变化。引入了低轨卫星的云边协同卸载模式的能耗始终最低，这是因为卫星基站的引入为用户提供了额外的接入点，从而增加了分配给每个用户可以获得的带宽资源。在这种情况下，移动设备的发射功率可以减少一些，同时还能保持足够的传输速率，从而导致系统能耗的下降。由于边缘节点离用户比较近，所以在任务量较低时，此卸载模式的能耗比云卸载模式的低。但是边缘节点的计算能力很有限，随着任务量的增长，边缘节点的处理时延越来越长，移动设备必须扩大发射功率才能满足时延限制。所以当用户密度超过某个阈值时，仅边缘模式的能量消耗超过了仅云卸载模式的能量消耗，且增长速率较高。
图5对比了不同用户关联方式在不同时延约束下的系统能耗。图5将本实施例的算法求解出的用户关联方式与其他两种方式进行了比较，另外两种关联方式分别是随机关联和最近关联。显而易见的是，时延约束越紧，系统的能耗越多。时延约束较松的时本实施例的算法的优势尚不显著，但当时延约束收紧，其他两种关联方式的能耗随着用户密度的增加而快速增大，这是因为这两种方案都把用户对半分给两种基站，而没有考虑边缘节点的计算资源不足的问题。图4和图5证明了本实施例提出的绿色云边协同卸载方法能够显著地降低系统能耗。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于星地融合网络的绿色云边协同计算卸载方法，基于星地融合网络，所述星地融合网络由低轨卫星组网与传统地面网络构成；地面网络包含TSC和LSC两种基站；每一个LSC旁部署有MEC服务器，能够提供边缘计算能力；卫星网络与地面网络通过LSC建立通信；所述LSC安装有地面-卫星终端TST；TST支持C波段上的用户-TST链路和Ka波段上的高质量卫星回程链路，所以它既能作为移动设备的接入点，也能作为地面卫星通信的中介；
其特征在于：绿色云边协同计算卸载方法包括以下步骤：
步骤1：以最小化星地融合网络的能耗为优化目标，结合服务质量要求，建立目标优化问题；对原问题进行数学分析，分解为优化变量，分别为二元变量和连续变量的两个子问题；
步骤2：将大尺度衰落、用户任务到达速率、天线增益等环境参数输入深度神经网络，求解出用户接入选择(x)和基站卸载选择(β)的一组估计(x,β)；根据一定的探索规则，生成多对(x,β)；
步骤3：将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛；
所述步骤2-3中对深度神经网络的直接输出进行的处理需执行以下步骤：
其中
分别为用户接入选择、任务卸载比例、移动用户发射功率、MEC服务器资源分配、TSC卸载选择；优化变量分为整数变量x和β以及连续变量ρ、p和f；第一个子问题使用深度神经网络DNN优化用户关联方案和任务调度策略；采用深度神经网络DNN来逼近第一个子问题的最优解；
深度神经网络DNN的输入是平均任务到达速率以及移动设备和小基站之间的大尺度信道增益；DNN的输出是用户关联方案和TSC的卸载决策；用x,β表示DNN的直接输出，基于此结果探索第二个子问题；DNN输出的连续变量转换为二元变量；将x映射到离散的用户关联方案的方法是将用户i与具有最大输出的基站相关联；将β离散化的方法是将其小于0.5的元素置零，其他元素置1；将离散化后的变量根据一步探索和随机探索策略变形，生成多对(x,β)；探索策略具体为：分别将x与β中的一个元素改成1与其的差值，其他元素保持不变；随机探索策略具体为：以概率p将x与β中的每一个元素改成1与其的差值；将多对(x,β)代入第二个子问题，第二个子问题使用前一个子问题的给定结果，联合优化卸载比例、计算资源分配和发射功率；利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛。
2.如权利要求1所述的一种基于星地融合网络的绿色云边协同计算卸载方法，其特征在于：移动用户自由选择接入TSC或LSC；用户卸载的任务被传送到MEC服务器或云服务器处理；云服务器能经地面传统回程链路或卫星骨干网接入。
3.如权利要求1所述的一种基于星地融合网络的绿色云边协同计算卸载方法，其特征在于：所述TSC在接收到卸载任务后选择将任务留在本地MEC服务器处理或通过传统回程链路传送到云服务器处理。
4.如权利要求1所述的一种基于星地融合网络的绿色云边协同计算卸载方法，其特征在于：所述的LEO卫星不具备实际的计算能力，仅作为转发中继；其低通信时延、大回程容量使其能作为可靠的回程链路，有效缓解地面网络的回程拥塞。
CN202111312119.9A 2021-11-08 2021-11-08 一种基于星地融合网络的绿色云边协同计算卸载方法 Active CN114051254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111312119.9A CN114051254B (zh) 2021-11-08 2021-11-08 一种基于星地融合网络的绿色云边协同计算卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111312119.9A CN114051254B (zh) 2021-11-08 2021-11-08 一种基于星地融合网络的绿色云边协同计算卸载方法

Publications (2)

Publication Number Publication Date
CN114051254A CN114051254A (zh) 2022-02-15
CN114051254B true CN114051254B (zh) 2024-05-03

Family

ID=80207727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111312119.9A Active CN114051254B (zh) 2021-11-08 2021-11-08 一种基于星地融合网络的绿色云边协同计算卸载方法

Country Status (1)

Country Link
CN (1) CN114051254B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114928394A (zh) * 2022-04-06 2022-08-19 中国科学院上海微系统与信息技术研究所 一种能耗优化的低轨卫星边缘计算资源分配方法
CN114880046B (zh) * 2022-06-09 2024-04-12 哈尔滨工业大学 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法
CN114827152B (zh) * 2022-07-01 2022-09-27 之江实验室 一种星地协同网络低延时云边端协同计算方法和装置
CN114884957B (zh) * 2022-07-12 2022-09-23 北京邮电大学 空天地网络中的计算任务卸载方法、装置和电子设备
CN114884958B (zh) * 2022-07-12 2022-09-20 北京邮电大学 星地融合网络中的计算任务卸载方法、装置和电子设备
CN116388840B (zh) * 2023-03-21 2023-10-03 广州爱浦路网络技术有限公司 用户终端的卫星与地面通信分流接入方法、装置和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 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
CN110868455A (zh) * 2019-10-29 2020-03-06 北京邮电大学 一种基于空天地远程物联网的计算卸载方法及系统
CN111459670A (zh) * 2020-03-30 2020-07-28 中科边缘智慧信息科技（苏州）有限公司 一种在边缘计算不同层次进行协同处理的方法
CN112910964A (zh) * 2021-01-18 2021-06-04 北京理工大学 一种混合云和边缘计算的leo卫星网络计算卸载方法
CN112953625A (zh) * 2021-04-26 2021-06-11 南京大学 一种超大规模低轨卫星网络运维及资源管控方法
CN113507492A (zh) * 2021-05-07 2021-10-15 东北大学 物联网三维空间智能定位与分布式边缘计算支援方法
WO2021221736A2 (en) * 2020-05-01 2021-11-04 Intel Corporation Edge computing in satellite connectivity environments

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11703853B2 (en) * 2019-12-03 2023-07-18 University-Industry Cooperation Group Of Kyung Hee University Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 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
CN110868455A (zh) * 2019-10-29 2020-03-06 北京邮电大学 一种基于空天地远程物联网的计算卸载方法及系统
CN111459670A (zh) * 2020-03-30 2020-07-28 中科边缘智慧信息科技（苏州）有限公司 一种在边缘计算不同层次进行协同处理的方法
WO2021221736A2 (en) * 2020-05-01 2021-11-04 Intel Corporation Edge computing in satellite connectivity environments
CN112910964A (zh) * 2021-01-18 2021-06-04 北京理工大学 一种混合云和边缘计算的leo卫星网络计算卸载方法
CN112953625A (zh) * 2021-04-26 2021-06-11 南京大学 一种超大规模低轨卫星网络运维及资源管控方法
CN113507492A (zh) * 2021-05-07 2021-10-15 东北大学 物联网三维空间智能定位与分布式边缘计算支援方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fast adaptive task offloading in edge computing based on meta reinforcement learning;Wang J et al;《IEEE Transaction on parallel and distributed systems》;全文 *
移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载测量;高寒等;《计算机集成制造系统》;全文 *

Also Published As

Publication number Publication date
CN114051254A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN114051254B (zh) 一种基于星地融合网络的绿色云边协同计算卸载方法
Yu et al. Joint task offloading and resource allocation in UAV-enabled mobile edge computing
CN111930436B (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN113296845B (zh) 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法
CN107995660A (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
CN113543074B (zh) 一种基于车路云协同的联合计算迁移和资源分配方法
CN111475274B (zh) 云协同多任务调度方法及装置
CN112737842B (zh) 空地一体化车联网中基于最小化时延的任务安全卸载方法
CN113377533B (zh) 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法
Zhang et al. FRRF: a fuzzy reasoning routing-forwarding algorithm using mobile device similarity in mobile edge computing-based opportunistic mobile social networks
Lyu et al. Optimal computation offloading in collaborative leo-iot enabled mec: A multi-agent deep reinforcement learning approach
Han et al. Secrecy capacity maximization for a UAV-assisted MEC system
Wang et al. Q‐learning based computation offloading for multi‐UAV‐enabled cloud‐edge computing networks
Tang et al. Leveraging LEO assisted cloud-edge collaboration for energy efficient computation offloading
Wei et al. Resource scheduling and offloading strategy based on LEO satellite edge computing
Chen et al. A multilevel mobile fog computing offloading model based on UAV-assisted and heterogeneous network
Tan et al. Joint offloading and resource allocation based on UAV-assisted mobile edge computing
Lakew et al. Adaptive partial offloading and resource harmonization in wireless edge computing-assisted ioe networks
Zhang et al. Joint sensing, communication, and computation resource allocation for cooperative perception in fog-based vehicular networks
Zheng et al. Optimal communication-computing-caching for maximizing revenue in UAV-aided mobile edge computing
Ren et al. Computation offloading game in multiple unmanned aerial vehicle‐enabled mobile edge computing networks
Jia et al. Collaborative satellite-terrestrial edge computing network for everyone-centric Customized services
Li et al. Computation offloading strategy for IoT using improved particle swarm algorithm in edge computing
Cheng et al. CHEESE: distributed clustering-based hybrid federated Split learning over edge networks
Wang et al. Task offloading and resource allocation for UAV-assisted mobile edge computing with imperfect channel estimation over Rician fading channels

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