CN114245449A - 一种5g边缘计算环境下终端能耗感知的任务卸载方法 - Google Patents
一种5g边缘计算环境下终端能耗感知的任务卸载方法 Download PDFInfo
- Publication number
- CN114245449A CN114245449A CN202111434734.7A CN202111434734A CN114245449A CN 114245449 A CN114245449 A CN 114245449A CN 202111434734 A CN202111434734 A CN 202111434734A CN 114245449 A CN114245449 A CN 114245449A
- Authority
- CN
- China
- Prior art keywords
- terminal
- small cell
- energy consumption
- power
- objective function
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008447 perception Effects 0.000 title claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 94
- 230000005540 biological transmission Effects 0.000 claims abstract description 39
- 230000008878 coupling Effects 0.000 claims abstract description 31
- 238000010168 coupling process Methods 0.000 claims abstract description 31
- 238000005859 coupling reaction Methods 0.000 claims abstract description 31
- 230000001413 cellular effect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000411 transmission spectrum Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
- H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种5G边缘计算环境下终端能耗感知的任务卸载方法。该方法包括:建立全双工自回程异构蜂窝终端总能耗优化模型,计算终端功率耦合约束的边界条件,针对终端功率不耦合场景,对所述总能耗优化模型进行简化,然后利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果,针对终端功率耦合场景,利用第一优化结果,对所述总能耗优化模型重新建模并求解,获得第二优化结果,然后根据该第二优化结果对第一优化结果进行修正,输出最终优化结果,利用终端功率耦合约束的边界条件对场景进行划分,从而实现解耦,大大降低了算法复杂度,提升了求解速度,从而高效降低终端能耗。
Description
技术领域
本申请涉及无线通信网络与边缘计算技术领域,特别是涉及一种5G边缘计算环境下终端能耗感知的任务卸载方法。
背景技术
随着互联网和无线通信技术的快速发展,手机终端的应用程序功能不断丰富,数量持续增长,在方便人们日常生活的同时,也带来了耗电量大的问题。特别是计算任务较重的应用程序,对手机终端的续航带来了挑战。针对该问题,移动边缘计算应运而生。通过将计算功能强大的服务器部署于网络边缘,可以方便手机终端将计算任务卸载到服务器,从而降低手机终端本身的能耗。
然而,将计算任务从手机终端迁移到边缘服务器,需要解决异构蜂窝网络的回程传输成本问题。近年来,全双工自回程技术由于能极大提升频谱效率、降低回程传输成本,作为5G和未来6G的关键技术之一,收到了广泛关注。因此,研究5G边缘计算环境下全双工异构蜂窝终端计算任务卸载问题,能够综合移动边缘计算和全双工通信两者优势,有效解决终端能耗问题。
针对该问题,已有学者提出了解决方案,比如中国专利CN110545584A公开了一种全双工移动边缘计算通信系统的通信处理方法,通过联合通信和计算资源优化建模,然后求解模型来对网络资源进行配置。然而,该方法的模型中,终端直接连接到宏基站,不涉及小蜂窝基站及其相关速率约束,因此无法应用于异构蜂窝网络。同时,该方法主要优化基站与终端能耗之和,没有专门针对终端进行能耗优化,因此无法有效降低终端能耗。针对终端能耗,中国专利CN111988806A公开了一种资源分配方法,通过对终端本地计算和传输能耗进行建模和求解,来实现对资源的优化。然而,该方法假设了连接到全双工中继的终端数为不可优化的固定值,并且模型中没有考虑全双工中继的发送数据量与其连接终端数据量之间的制约关系,特别是未考虑该制约关系导致的终端功率耦合问题,当其优化结果导致全双工中继的发送数据量小于与其连接终端数据量时,将无法产生增益。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低终端能耗的5G边缘计算环境下终端能耗感知的任务卸载方法。
一种5G边缘计算环境下终端能耗感知的任务卸载方法,所述方法包括:
步骤一、建立全双工自回程异构蜂窝终端总能耗优化模型,所述总能耗优化模型包括第一目标函数和第一约束条件,所述第一目标函数为:
所述第一约束条件为:
其中xm,j、tm,j和Pm是优化变量,xm,j表示终端m是否选择小蜂窝j进行计算任务卸载,tm,j表示终端m到小蜂窝j的传输时长,Pm表示终端m的发送功率;M表示网络中的终端集合,J表示网络中的小蜂窝集合;Cm表示终端m在本地进行任务计算的单位比特能耗,Dm表示终端m的计算任务数据量;Pmax表示终端发送功率上限;Rm,j表示终端m到小蜂窝j的链路可达速率,展开表示为:
其中,B表示异构蜂窝的传输频谱带宽,hm,j表示终端m到小蜂窝j的信道增益,N0表示系统背景噪声功率,ξ表示多用户干扰,θ表示干扰抵消因子,Pj表示小蜂窝j的发送功率;
Rj表示小蜂窝j到宏蜂窝的链路可达速率,展开表示为:
其中,hj表示小蜂窝j到宏蜂窝的信道增益,δ表示相邻小蜂窝干扰;
步骤二、计算终端功率耦合约束(1-G)的边界条件:
其中,表示耦合判决门限;表示与小蜂窝j连接的所有终端中最大的信道增益;利用将场景划分为终端功率耦合和终端功率不耦合两种情况:当时,与小蜂窝j连接的所有终端功率不耦合;当时,与小蜂窝j连接的所有终端功率耦合;
步骤三、针对终端功率不耦合场景,对所述总能耗优化模型进行简化,然后利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果;
步骤四、针对终端功率耦合场景,利用步骤三的优化结果,对所述总能耗优化模型重新建模并求解,获得第二优化结果,然后根据该第二优化结果对步骤三的第一优化结果进行修正,输出最终优化结果。
在其中一个实施例中,在步骤三中,所述利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果的具体步骤如下:
3-1)、假设xm,j和tm,j给定,将第一目标函数化简为针对每个终端m的独立优化问题,获得第二目标函数和第二约束条件,所述第二目标函数为:
所述第二约束条件为:0≤Pm≤Pmax (2-A)
其中,fm(Pm)表示第二目标函数;
b1)对于集合Φm1,令j1表示其中最小元素所对应的小蜂窝序号j;对于集合Φm2,令j2表示其中最大元素所对应的小蜂窝序号j;
c1)根据序号j1将信道增益hm,j1带入公式(3)计算得到函数值fm(hm,j1),根据序号j2将信道增益hm,j2带入公式(3)计算得到函数值fm(hm,j2),然后吗比较fm(hm,j1)和fm(hm,j2)的值,将其中的较小者对应的小蜂窝作为关联小蜂窝,将其序号记为j′,然后根据关联小蜂窝序号j′将终端m和小蜂窝j′的关联变量xm,j′设置为xm,j′=1,将网络中除关联小蜂窝j′以外的所有其他小蜂窝作为非关联小蜂窝,非关联小蜂窝j与终端m的关联变量xm,j设置为xm,j=0;
b2)检验t≤T是否成立,如果成立,令t=t+1,返回步骤b2,其中,表示第t次迭代得到的关于终端m的发送功率Pm的迭代值,表示第t-1次迭代得到的关于终端m的发送功率Pm的迭代值,hm,j2表示终端m到关联小蜂窝j′的信道增益,Pj'表示关联小蜂窝j′的发送功率;如果不成立,迭代停止,转入步骤c1;
3-6)、根据得到的xm,j,令tm,j=0,j∈{j|xm,j=0};
3-7)、将得到的xm,j和Pm带回第一目标函数并将其化简为第三目标函数和第三约束条件,所述第三目标函数为:
所述第三约束条件为:
3-8)、利用KKT条件(Karush–Kuhn–Tucker conditions)求解第三目标函数,得到如下tm,j的赋值规则:
最终输出第一优化结果中的tm,j,xm,j,Pm。
在其中一个实施例中,在步骤四具体步骤如下:
4-1)、利用步骤三的第一优化结果,对第一目标函数重新建模,获得第四目标函数和第四约束条件,所述第四目标函数为:
第四约束条件为:
其中,ym表示小蜂窝j是否选择终端m进行本地计算;
4-2)、小蜂窝j通过以下迭代对ym赋值:
b3)对于任意m∈Φm,令ym=0;
4-3)、对于任意m∈Φm,检验ym=1是否成立,如果成立,则令对应的xm,j=0,tm,j=0,Pm=0;然后将tm,j,xm,j,Pm作为最终优化结果输出。
上述5G边缘计算环境下终端能耗感知的任务卸载方法,通过建立全双工自回程异构蜂窝终端总能耗优化模型,计算终端功率耦合约束的边界条件,针对终端功率不耦合场景,对所述总能耗优化模型进行简化,然后利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果,针对终端功率耦合场景,利用第一优化结果,对所述总能耗优化模型重新建模并求解,获得第二优化结果,然后根据该第二优化结果对第一优化结果进行修正,输出最终优化结果,利用终端功率耦合约束的边界条件对场景进行划分,从而实现解耦,大大降低了算法复杂度,提升了求解速度,从而高效降低终端能耗。进一步地,对于耦合场景,通过对不耦合场景的最优解实施复用,收敛速度快,能够有效降低终端总能耗;本申请还考虑了全双工小蜂窝发送数据量与其连接终端数据量之间的制约关系以及终端功率耦合,能够满足异构蜂窝网络的实际网络架构和物理限制,具有良好的工程实用性。
附图说明
图1为一个实施例中5G边缘计算环境下终端能耗感知的任务卸载方法的应用场景图;
图2为一个实施例中5G边缘计算环境下终端能耗感知的任务卸载方法的终端总能耗对比图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的5G边缘计算环境下终端能耗感知的任务卸载方法,可以应用于如图1所示的应用环境中。其中在一个宏基站覆盖区域内,随机分布有多个终端和多个全双工小蜂窝基站(即5G小蜂窝1、5G小蜂窝2……5G小蜂窝j)。宏基站与边缘计算服务器直连。当每个终端有一个计算任务时,该任务可以进行分割,在终端本地完成,或者上传到宏基站由边缘计算服务器完成(即任务卸载到边缘计算服务器完成)。J表示全双工小蜂窝基站集合,集合中的单个全双工小蜂窝基站用j表示。M表示终端集合,集合中的单个终端用m表示。Dm表示终端m的计算任务数据量,Cm表示终端m进行本地计算的单位比特能耗。Pj表示小蜂窝j的发送功率。用Rm,j表示终端m到小蜂窝j的链路可达速率,表示为:
其中,B表示异构蜂窝的传输频谱带宽,hm,j表示终端m到小蜂窝j的信道增益,N0表示系统背景噪声功率,ξ表示多用户干扰,θ表示干扰抵消因子。用Rj表示小蜂窝j到宏蜂窝的回程链路可达速率,表示为:
其中hj表示小蜂窝j到宏蜂窝的信道增益,δ表示相邻小蜂窝干扰。用二进制变量xm,j表示终端是否选择小蜂窝j进行连接,xm,j=1表示选择,xm,j=0表示不选择。用变量tm,j表示终端m到小蜂窝j的传输时长。用变量Pm表示终端m的发送功率,用Pmax表示终端发送功率上限。
在一个实施例中,如图2所示,提供了一种5G边缘计算环境下终端能耗感知的任务卸载方法,包括以下步骤:
步骤一、建立全双工自回程异构蜂窝终端总能耗优化模型,所述总能耗优化模型包括第一目标函数和第一约束条件,所述第一目标函数为:
所述第一约束条件为:
其中xm,j、tm,j和Pm是优化变量,xm,j表示终端m是否选择小蜂窝j进行计算任务卸载,tm,j表示终端m到小蜂窝j的传输时长,Pm表示终端m的发送功率;M表示网络中的终端集合,J表示网络中的小蜂窝集合;Cm表示终端m在本地进行任务计算的单位比特能耗,Dm表示终端m的计算任务数据量;Pmax表示终端发送功率上限;Rm,j表示终端m到小蜂窝j的链路可达速率,展开表示为:
其中,B表示异构蜂窝的传输频谱带宽,hm,j表示终端m到小蜂窝j的信道增益,N0表示系统背景噪声功率,ξ表示多用户干扰,θ表示干扰抵消因子,Pj表示小蜂窝j的发送功率;
Rj表示小蜂窝j到宏蜂窝的链路可达速率,展开表示为:
其中,hj表示小蜂窝j到宏蜂窝的信道增益,δ表示相邻小蜂窝干扰。
其中,第一目标函数表示全体终端总能耗,由每个终端的总能耗累加得到。每个终端的总能耗由两部分组成,第一部分是终端传输能耗,用第一目标函数中的表示,第二部分是本地计算能耗,用第一目标函数中的表示。第一约束条件(1-A)表示每个终端发送功率不能超过功率上限。第一约束条件(1-B)表示每个终端m和小蜂窝j的连接关系只能是连接或者不连接,xm,j只能取0或1。第一约束条件(1-C)表示每个终端m到小蜂窝j的传输时长最大为1。第一约束条件(1-D)表示每个终端m最多只能与集合J中的1个小蜂窝连接。第一约束条件(1-E)表示对于每个小蜂窝j,与其连接的所有终端传输时间总和不能超过1。第一约束条件(1-F)表示当终端m选择与小蜂窝j连接后,才能进行数据传输。第一约束条件(1-G)表示全双工小蜂窝的发送数据量不能低于与其连接的所有终端发送数据量之和。第一约束条件(1-H)表示终端m的传输数据量不超过自身计算任务数据量。
步骤二、计算终端功率耦合约束(1-G)的边界条件:
其中,表示耦合判决门限;表示与小蜂窝j连接的所有终端中最大的信道增益;利用将场景划分为终端功率耦合和终端功率不耦合两种情况:当时,与小蜂窝j连接的所有终端功率不耦合;当时,与小蜂窝j连接的所有终端功率耦合。
其中,由于0≤tm,j≤1,因此第一约束条件(1-G)的左边上界可以表示成的函数,其中表示与小蜂窝j连接的所有终端中最大的信道增益。这样可以计算终端功率耦合约束(1-G)的边界条件利用将本发明场景划分为终端功率耦合和终端功率不耦合两种情况:当时,与小蜂窝j连接的所有终端功率不耦合;当时,与小蜂窝j连接的所有终端功率耦合。采用上述边界条件进行场景划分的优势在于,能够在有效保证求解精度的情况下,将第一约束条件(1-G)的终端功率耦合转化为不耦合,大大降低问题复杂度。
步骤三、针对终端功率不耦合场景,对所述总能耗优化模型进行简化,然后利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果。
步骤四、针对终端功率耦合场景,利用步骤三的优化结果,对所述总能耗优化模型重新建模并求解,获得第二优化结果,然后根据该第二优化结果对步骤三的第一优化结果进行修正,输出最终优化结果。
上述5G边缘计算环境下终端能耗感知的任务卸载方法,通过建立全双工自回程异构蜂窝终端总能耗优化模型,计算终端功率耦合约束的边界条件,针对终端功率不耦合场景,对所述总能耗优化模型进行简化,然后利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果,针对终端功率耦合场景,利用第一优化结果,对所述总能耗优化模型重新建模并求解,获得第二优化结果,然后根据该第二优化结果对第一优化结果进行修正,输出最终优化结果,利用终端功率耦合约束的边界条件对场景进行划分,从而实现解耦,大大降低了算法复杂度,提升了求解速度,从而高效降低终端能耗。进一步地,对于耦合场景,通过对不耦合场景的最优解实施复用,收敛速度快,能够有效降低终端总能耗;本申请还考虑了全双工小蜂窝发送数据量与其连接终端数据量之间的制约关系以及终端功率耦合,能够满足异构蜂窝网络的实际网络架构和物理限制,具有良好的工程实用性。
在一个实施例中,在步骤三中,所述利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果的具体步骤如下:
3-1)、假设xm,j和tm,j给定,将第一目标函数化简为针对每个终端m的独立优化问题,获得第二目标函数和第二约束条件,所述第二目标函数为:
所述第二约束条件为:0≤Pm≤Pmax (2-A)
其中,fm(Pm)表示第二目标函数;上述化简的优势在于,利用终端功率不耦合将原问题转化单变量连续优化问题,降低了求解复杂度。
b1)对于集合Φm1,令j1表示其中最小元素所对应的小蜂窝序号j;对于集合Φm2,令j2表示其中最大元素所对应的小蜂窝序号j;
c1)根据序号j1将信道增益hm,j1带入公式(3)计算得到函数值fm(hm,j1),根据序号j2将信道增益hm,j2带入公式(3)计算得到函数值fm(hm,j2),然后吗比较fm(hm,j1)和fm(hm,j2)的值,将其中的较小者对应的小蜂窝作为关联小蜂窝,将其序号记为j′,然后根据关联小蜂窝序号j′将终端m和小蜂窝j′的关联变量xm,j′设置为xm,j′=1,将网络中除关联小蜂窝j′以外的所有其他小蜂窝作为非关联小蜂窝,非关联小蜂窝j与终端m的关联变量xm,j设置为xm,j=0。
上述操作的优势在于,充分利用信道增益信息来寻找xm,j的最优解,避免了一维搜索,大大提高了求解速度。
b2)检验t≤T是否成立,如果成立,令t=t+1,返回步骤b2,其中,表示第t次迭代得到的关于终端m的发送功率Pm的迭代值,表示第t-1次迭代得到的关于终端m的发送功率Pm的迭代值,hm,j2表示终端m到关联小蜂窝j′的信道增益,Pj'表示关联小蜂窝j′的发送功率;如果不成立,迭代停止,转入步骤c1;
上述迭代的优势在于,能够确保步骤3-3得到的xm,j对于Pm的约束也是可行的。
3-6)、根据得到的xm,j,令tm,j=0,j∈{j|xm,j=0};
3-7)、将得到的xm,j和Pm带回第一目标函数并将其化简为第三目标函数和第三约束条件,所述第三目标函数为:
所述第三约束条件为:
3-8)、利用KKT条件(Karush–Kuhn–Tucker conditions)求解第三目标函数,得到如下tm,j的赋值规则:
最终输出第一优化结果中的tm,j,xm,j,Pm。
采用上述赋值规则的优势在于,在保证求解精确性的同时,大大降低了算法复杂度。
在一个实施例中,在步骤四具体步骤如下:
4-1)、利用步骤三的第一优化结果,对第一目标函数重新建模,获得第四目标函数和第四约束条件,所述第四目标函数为:
第四约束条件为:
其中,ym表示小蜂窝j是否选择终端m进行本地计算。
采用上述重新建模的优势在于,充分利用了步骤三的优化结果,并且利用约束(1-G)耦合将问题建模成了背包问题,大大降低了算法复杂度。
4-2)、小蜂窝j通过以下迭代对ym赋值:
b3)对于任意m∈Φm,令ym=0;
采用上述迭代的优势在于,充分利用了第四目标函数属于背包问题的特点,采用了高效的贪心算法,能够快速找到最优解,并且能确保约束(1-G)满足。
4-3)、对于任意m∈Φm,检验ym=1是否成立,如果成立,则令对应的xm,j=0,tm,j=0,Pm=0;然后将tm,j,xm,j,Pm作为最终优化结果输出。
上述5G边缘计算环境下终端能耗感知的任务卸载方法,通过建立全双工自回程异构蜂窝终端总能耗优化模型,计算终端功率耦合约束的边界条件,针对终端功率不耦合场景,对所述总能耗优化模型进行简化,然后利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果,针对终端功率耦合场景,利用第一优化结果,对所述总能耗优化模型重新建模并求解,获得第二优化结果,然后根据该第二优化结果对第一优化结果进行修正,输出最终优化结果,利用终端功率耦合约束的边界条件对场景进行划分,从而实现解耦,大大降低了算法复杂度,提升了求解速度,从而高效降低终端能耗。进一步地,对于耦合场景,通过对不耦合场景的最优解实施复用,收敛速度快,能够有效降低终端总能耗;本申请还考虑了全双工小蜂窝发送数据量与其连接终端数据量之间的制约关系以及终端功率耦合,能够满足异构蜂窝网络的实际网络架构和物理限制,具有良好的工程实用性。
下面结合仿真实验对本发明的效果做进一步说明。
1.实验条件
为了说明本申请的方法有效性,采用总能耗优化模型的最优解和无卸载方案作为对比算法,对比了终端总能耗性能。最优解是指将总能耗优化模型参数输入求解器CPLEX得到输出,再把输出带入总能耗优化模型计算得到终端总能耗。无卸载方案是指,所有终端不进行任务卸载,计算任务由本地计算完成。假设在一个1000m×1000m的区域,部署有一个5G移动边缘计算环境,由一个宏基站、一个边缘计算服务器、20个小蜂窝基站和100个终端组成。宏基站与边缘计算服务器直连,位置坐标为(500m,500m)。20个小蜂窝基站和100个终端随机均匀分布在整个区域。每个终端的计算任务数据量Dm在5Mbits和10Mbits之间服从均匀分布。传输频谱带宽B=10MHz。系统背景噪声N0=1.3×10-12W/Hz,小蜂窝发送功率Pj=21dB,终端最大功率Pmax=15dB。干扰抵消因子θ=1.85×10-7,多用户干扰ξ=3.06×10-6,相邻小蜂窝干扰δ=5.7×10-5。本地计算单位比特能耗Cm=2.5×10-4J/bit。信道增益采用路径损耗模型32.7-20log10d,其中d为两点之间的距离。
2.实验过程
依据上述实验条件设定,将总能耗优化模型中的小蜂窝集合实例化为J={1,2,…,20},终端集合实例化为M={1,2,…,100},C1=C2=…=C100=2.5×10-4J/bit。首先,将步骤一中的总能耗优化模型实例化。在每一次仿真中,根据每个小蜂窝和每个终端的坐标,计算两者之间的距离d,然后利用-32.7+20log10d对信道增益hm,j进行实例化。例如,小蜂窝1的坐标为(32.6,58.2),终端2的坐标为(492.6,250.3),则两者之间的距离为:
将其带入32.7-20log10d计算得到h2,1=-21.25dB。将h2,1带入R2,1可以将其实例化为:
其中,P2表示小蜂窝2的发送功率。
类似的,可以将所有Rm,j进行实例化。同样地,根据坐标计算每个小蜂窝和宏基站的距离,然后将所有Rj实例化。步骤二、计算每个小蜂窝j的耦合门限值,以小蜂窝1为例,假设其坐标为(32.6,58.2),其到宏蜂窝的距离将其带入计算h1=0.0046,
在步骤三中,首先将问题(1)(即第一目标函数)化简为针对每个终端的独立优化问题,比如对于终端2,假设其计算任务数据量D2=8.2Mbits,则根据步骤3-1,问题化简为:
第二目标函数:
第二约束条件:0≤P2≤31.62
然后根据步骤3-3(a1),得到终端2的集合Φ21和Φ22,根据步骤3-3(b1),找到Φ21中最小元素所对应的小蜂窝序号,假设为j1;找到Φ22中最大元素所对应的小蜂窝序号,假设为j2。根据步骤3-3(c1),比较f2(h2,j1)和f2(h2,j2)的大小,其中的较小者对应的小蜂窝序号记为j′,然后令x2,j′=1,x2,j=0,j≠j′。然后根据步骤3-4的迭代计算终端2的功率上界首先根据步骤3-4(a2)进行初始化,令迭代初始值按照步骤3-4(b2)和(c2)进行循环迭代,最后输出根据步骤3-5,求得然后根据步骤3-6,利用x2,j=0,j≠j′,令t2,j=0,j∈{j|x2,j=0}。根据步骤3-7,将得到的x2,j和P2带入问题(1),得到实例化的问题(4)(即第三目标函数),然后按照步骤3-8的规则:
最终输出最终输出t2,j,x2,j,P2。按照类似的过程,可以求得所有的tm,j,xm,j,Pm。然后按照步骤四,针对小蜂窝耦合门限值大于其发射功率的情况,以小蜂窝2为例,比如则按照步骤4-1,将小蜂窝2的模型重新建模为:
然后按照步骤4-2,通过迭代对小蜂窝2的ym赋值,先按照4-2(a3)对集合初始化,然后按照4-2(b3)对于任意m∈Φm,令ym=0,然后按照4-2(c3)检验是否满足,如果不满足,则迭代停止;如果满足,迭代继续。步骤4-2(d3),对于任意m∈Ψm,找到使取最大值所对应的m,令ym=1,Ψm=Ψm-{m},然后返回4-2(c3)。当迭代停止,按照步骤4-3,对于任意m∈Φm,检验ym=1是否成立,如果成立,则令对应的xm,j=0,tm,j=0,Pm=0;然后将tm,j,xm,j,Pm作为最终优化结果输出。
3.实验结果分析
图2为实验例参数设定下,本申请方法与最优解、无卸载方案的终端总能耗对比图。从图2中可以看出,相比于无卸载方案,本申请能够有效降低终端总能耗,也证实了本申请在综合降低终端传输能耗和本地计算能耗方面的有效性。另外,本申请算法性能接近于最优解,表明本申请所采用的去耦合、场景划分、模型重建等操作能有效保证求解质量。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种5G边缘计算环境下终端能耗感知的任务卸载方法,其特征在于,所述方法包括:
步骤一、建立全双工自回程异构蜂窝终端总能耗优化模型,所述总能耗优化模型包括第一目标函数和第一约束条件,所述第一目标函数为:
所述第一约束条件为:
其中xm,j、tm,j和Pm是优化变量,xm,j表示终端m是否选择小蜂窝j进行计算任务卸载,tm,j表示终端m到小蜂窝j的传输时长,Pm表示终端m的发送功率;M表示网络中的终端集合,J表示网络中的小蜂窝集合;Cm表示终端m在本地进行任务计算的单位比特能耗,Dm表示终端m的计算任务数据量;Pmax表示终端发送功率上限;Rm,j表示终端m到小蜂窝j的链路可达速率,展开表示为:
其中,B表示异构蜂窝的传输频谱带宽,hm,j表示终端m到小蜂窝j的信道增益,N0表示系统背景噪声功率,ξ表示多用户干扰,θ表示干扰抵消因子,Pj表示小蜂窝j的发送功率;
Rj表示小蜂窝j到宏蜂窝的链路可达速率,展开表示为:
其中,hj表示小蜂窝j到宏蜂窝的信道增益,δ表示相邻小蜂窝干扰;
步骤二、计算终端功率耦合约束(1-G)的边界条件:
其中,表示耦合判决门限;表示与小蜂窝j连接的所有终端中最大的信道增益;利用将场景划分为终端功率耦合和终端功率不耦合两种情况:当时,与小蜂窝j连接的所有终端功率不耦合;当时,与小蜂窝j连接的所有终端功率耦合;
步骤三、针对终端功率不耦合场景,对所述总能耗优化模型进行简化,然后利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果;
步骤四、针对终端功率耦合场景,利用步骤三的优化结果,对所述总能耗优化模型重新建模并求解,获得第二优化结果,然后根据该第二优化结果对步骤三的第一优化结果进行修正,输出最终优化结果。
2.根据权利要求1所述的方法,其特征在于,在步骤三中,所述利用最优性条件求解最优的终端功率、终端连接关系以及终端传输时长,获得第一优化结果的具体步骤如下:
3-1)、假设xm,j和tm,j给定,将第一目标函数化简为针对每个终端m的独立优化问题,获得第二目标函数和第二约束条件,所述第二目标函数为:
所述第二约束条件为:0≤Pm≤Pmax (2-A)
其中,fm(Pm)表示第二目标函数;
b1)对于集合Φm1,令j1表示其中最小元素所对应的小蜂窝序号j;对于集合Φm2,令j2表示其中最大元素所对应的小蜂窝序号j;
c1)根据序号j1将信道增益hm,j1带入公式(3)计算得到函数值fm(hm,j1),根据序号j2将信道增益hm,j2带入公式(3)计算得到函数值fm(hm,j2),然后吗比较fm(hm,j1)和fm(hm,j2)的值,将其中的较小者对应的小蜂窝作为关联小蜂窝,将其序号记为j′,然后根据关联小蜂窝序号j′将终端m和小蜂窝j′的关联变量xm,j′设置为xm,j′=1,将网络中除关联小蜂窝j′以外的所有其他小蜂窝作为非关联小蜂窝,非关联小蜂窝j与终端m的关联变量xm,j设置为xm,j=0;
b2)检验t≤T是否成立,如果成立,令返回步骤b2,其中,表示第t次迭代得到的关于终端m的发送功率Pm的迭代值,表示第t-1次迭代得到的关于终端m的发送功率Pm的迭代值,hm,j2表示终端m到关联小蜂窝j′的信道增益,Pj'表示关联小蜂窝j′的发送功率;如果不成立,迭代停止,转入步骤c1;
3-6)、根据得到的xm,j,令tm,j=0,j∈{j|xm,j=0};
3-7)、将得到的xm,j和Pm带回第一目标函数并将其化简为第三目标函数和第三约束条件,所述第三目标函数为:
所述第三约束条件为:
3-8)、利用KKT条件(Karush–Kuhn–Tucker conditions)求解第三目标函数,得到如下tm,j的赋值规则:
最终输出第一优化结果中的tm,j,xm,j,Pm。
3.根据权利要求1所述的方法,其特征在于,在步骤四具体步骤如下:
4-1)、利用步骤三的第一优化结果,对第一目标函数重新建模,获得第四目标函数和第四约束条件,所述第四目标函数为:
第四约束条件为:
其中,ym表示小蜂窝j是否选择终端m进行本地计算;
4-2)、小蜂窝j通过以下迭代对ym赋值:
b3)对于任意m∈Φm,令ym=0;
4-3)、对于任意m∈Φm,检验ym=1是否成立,如果成立,则令对应的xm,j=0,tm,j=0,Pm=0;然后将tm,j,xm,j,Pm作为最终优化结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434734.7A CN114245449B (zh) | 2021-11-29 | 2021-11-29 | 一种5g边缘计算环境下终端能耗感知的任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434734.7A CN114245449B (zh) | 2021-11-29 | 2021-11-29 | 一种5g边缘计算环境下终端能耗感知的任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114245449A true CN114245449A (zh) | 2022-03-25 |
CN114245449B CN114245449B (zh) | 2023-09-26 |
Family
ID=80751880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111434734.7A Active CN114245449B (zh) | 2021-11-29 | 2021-11-29 | 一种5g边缘计算环境下终端能耗感知的任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114245449B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115361668A (zh) * | 2022-10-17 | 2022-11-18 | 合肥本源物联网科技有限公司 | 车联网场景下的基于边缘计算的4g和5g混合卸载方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109121151A (zh) * | 2018-11-01 | 2019-01-01 | 南京邮电大学 | 小蜂窝集成移动边缘计算下分布式卸载方法 |
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 |
CN111669768A (zh) * | 2020-06-05 | 2020-09-15 | 中通服咨询设计研究院有限公司 | 基于全双工自回程的无线供能蜂窝物联网资源优化方法 |
CN112788569A (zh) * | 2020-12-31 | 2021-05-11 | 中通服咨询设计研究院有限公司 | 无线供能蜂窝物联网中全双工基站的联合休眠与关联方法 |
US20210266834A1 (en) * | 2020-02-25 | 2021-08-26 | South China University Of Technology | METHOD OF MULTI-ACCESS EDGE COMPUTING TASK OFFLOADING BASED ON D2D IN INTERNET OF VEHICLES (IoV) ENVIRONMENT |
-
2021
- 2021-11-29 CN CN202111434734.7A patent/CN114245449B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109121151A (zh) * | 2018-11-01 | 2019-01-01 | 南京邮电大学 | 小蜂窝集成移动边缘计算下分布式卸载方法 |
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 |
US20210266834A1 (en) * | 2020-02-25 | 2021-08-26 | South China University Of Technology | METHOD OF MULTI-ACCESS EDGE COMPUTING TASK OFFLOADING BASED ON D2D IN INTERNET OF VEHICLES (IoV) ENVIRONMENT |
CN111669768A (zh) * | 2020-06-05 | 2020-09-15 | 中通服咨询设计研究院有限公司 | 基于全双工自回程的无线供能蜂窝物联网资源优化方法 |
CN112788569A (zh) * | 2020-12-31 | 2021-05-11 | 中通服咨询设计研究院有限公司 | 无线供能蜂窝物联网中全双工基站的联合休眠与关联方法 |
Non-Patent Citations (1)
Title |
---|
张海波;李虎;陈善学;贺晓帆;: "超密集网络中基于移动边缘计算的任务卸载和资源优化", 电子与信息学报, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115361668A (zh) * | 2022-10-17 | 2022-11-18 | 合肥本源物联网科技有限公司 | 车联网场景下的基于边缘计算的4g和5g混合卸载方法 |
CN115361668B (zh) * | 2022-10-17 | 2023-02-14 | 合肥本源物联网科技有限公司 | 车联网场景下的基于边缘计算的4g和5g混合卸载方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114245449B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Energy-aware computation offloading and transmit power allocation in ultradense IoT networks | |
Shi et al. | Computation energy efficiency maximization for a NOMA-based WPT-MEC network | |
Sardellitti et al. | Joint optimization of radio and computational resources for multicell mobile-edge computing | |
Chen et al. | When D2D meets cloud: Hybrid mobile task offloadings in fog computing | |
CN108809695B (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
Lee et al. | An online secretary framework for fog network formation with minimal latency | |
CN110392079A (zh) | 面向雾计算的节点计算任务调度方法及其设备 | |
CN109951873A (zh) | 一种物联网雾计算中信息不对称不确定下的任务卸载机制 | |
Liu et al. | Joint task offloading and resource allocation for device-edge-cloud collaboration with subtask dependencies | |
Feng et al. | Energy-efficient user selection and resource allocation in mobile edge computing | |
CN113115339A (zh) | 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 | |
Jiang et al. | Research on new edge computing network architecture and task offloading strategy for Internet of Things | |
CN112654058A (zh) | D2d多播网络中的移动边缘计算卸载与资源分配算法 | |
CN114245449A (zh) | 一种5g边缘计算环境下终端能耗感知的任务卸载方法 | |
Tan et al. | Optimal resource allocation with principle of equality and diminishing marginal utility in wireless networks | |
Wang et al. | Joint heterogeneous tasks offloading and resource allocation in mobile edge computing systems | |
Gupta et al. | Lifetime maximization in mobile edge computing networks | |
Zhang et al. | On-device intelligence for 5g ran: Knowledge transfer and federated learning enabled ue-centric traffic steering | |
Bai et al. | Deep reinforcement learning for joint offloading and resource allocation in fog computing | |
Cheng et al. | Energy-aware offloading and power optimization in full-duplex mobile edge computing-enabled cellular IoT networks | |
Lin et al. | Joint Optimization of Offloading and Resource Allocation for SDN‐Enabled IoV | |
Liu et al. | Joint optimization of Task Offloading and Computing Resource Allocation in MEC-D2D Network | |
Wang et al. | Task and resource allocation in mobile edge computing: An improved reinforcement learning approach | |
Gupta et al. | NOMA enabled computation and communication resource trade-off for mobile edge computing | |
CN108235356B (zh) | 一种异构网络中用户关联的ga-bpnn方法 |
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 |