CN114423021B - 一种服务感知的资源优化方法 - Google Patents

一种服务感知的资源优化方法 Download PDF

Info

Publication number
CN114423021B
CN114423021B CN202210083725.6A CN202210083725A CN114423021B CN 114423021 B CN114423021 B CN 114423021B CN 202210083725 A CN202210083725 A CN 202210083725A CN 114423021 B CN114423021 B CN 114423021B
Authority
CN
China
Prior art keywords
internet
allocation
energy
task
time
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
CN202210083725.6A
Other languages
English (en)
Other versions
CN114423021A (zh
Inventor
吴大鹏
胡宇
张鸿
李职杜
王汝言
钟艾玲
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210083725.6A priority Critical patent/CN114423021B/zh
Publication of CN114423021A publication Critical patent/CN114423021A/zh
Application granted granted Critical
Publication of CN114423021B publication Critical patent/CN114423021B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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]
    • 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]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/20—Negotiating bandwidth
    • 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
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种服务感知的资源优化方法，属于无线通信技术领域。本方法针对物联网设备计算能力差、电池容量有限，无法满足时延敏感型物联网应用的时延需求的问题，首先确定物联网设备通过无线能量传输技术获得的能量，将其用于任务卸载过程的能量消耗和本地计算的能量消耗；其次根据有效容量理论，构建与时延指数和应用最大时延容忍度两个指标有关的网络时延违反概率问题模型；然后，证明当本地计算时延和任务卸载时延相等时得到最优的网络时延违反概率；最后，分别通过二分法和一维搜索求解得到满足随机应用时延需求的最优任务和资源分配。该方法可显著降低网络时延违反概率。

Description

一种服务感知的资源优化方法
技术领域
本发明属于无线通信技术领域，涉及一种服务感知的资源优化方法。
背景技术
随着近年来5G技术的快速发展，包括虚拟现实、自动驾驶、交互式在线游戏等计算密集型服务越来越流行，这对数据传输和数据处理都提出了更高的要求。这将导致物联网(Internet of Things,IoT)时代的网络流量呈现爆炸性增长的趋势。传统的分布式无线接入网(Distributed Radio Access Network,D-RAN)无法满足不断增长的流量需求，从而提出了基于集中化处理、协作式无线电和实时云计算架构的云无线接入网架构(Cloud RadioAccess Network,C-RAN)。与D-RAN不同，C-RAN的思想是将基站功能分解为基带处理单元(Base Band Unit,BBU)和远端无线射频电头(Remote Radio Head,RRH)。并通过高带宽的前传链路将BBU和RRH连接起来，利用BBU池中的计算资源和存储资源来提高系统的性能。这打破了RRH和BBU之间的固定连接关系，使得RRHs分布在各小区站点，BBUs被进一步集中化和虚拟化为虚拟机(Virtual Machine,VMs)，然后统一集中在一个称为BBU池的云数据中心，由NFV(Network Function Virtulization,NFV)基础设施进行托管，具有NFV的所有功能。然而，与传统的D-RAN相似，能量是导致C-RAN性能瓶颈的关键因素之一。除了标签识别外，射频(RF)能量也别认为是云无线接入网的稳定能量来源。此外，无线供电通信已经引起了学术界和工业界的关注。因此，将无线能量传输(Wireless Energy Transmission,WET)技术集成到云无线接入网中是一个很有前景的想法。
密集型服务的出现对物联网设备的计算能力提出了更高的要求，新兴的移动边缘计算(Mobile Edge Computation,MEC)一直受到学术界和工业界的广泛关注。MEC在无线网络的边缘实现了MEC服务，可以将计算、存储、通信和一些其它功能推向更靠近用户设备的位置。MEC通过将计算密集型服务从容量有限的物联网设备卸载到具有充足计算和存储资源的MEC服务器，从而大大降低了时延和物联网设备的计算负载，从而提高了网络效率和终端用户的服务体验。利用网络功能虚拟化，MEC服务器可以和C-RAN集成，使得MEC服务器和BBU池能够共享相同的网络功能虚拟化基础设施，用于计算和通信合作。
此外，各种类型的物联网应用都是时延敏感的，在不同的应用时延要求下，物联网设备都需要发送数据。由于无线信道的时变性和发送数据量大，如何在云无线接入网中保证不同应用对时延的需求是值得研究的。特别是，在无线供电的云无线接入网中，应用的数据任务需要被最优分配，其中一部分在物联网设备中进行处理，另一部分卸载到边缘运中的MEC服务器进行处理。因此，此类网络中的延迟保证更为复杂。据我们所知，云无线接入网中随机延迟保证仍然是一个悬而未决的问题。
发明内容
有鉴于此，本发明的目的在于针对物联网设备计算能力差、电池容量有限，无法满足时延敏感型物联网应用的时延需求的问题，提供一种服务感知的资源优化方法，考虑网络时延概率，通过优化任务分配、本地计算资源、系统带宽分配、能量分配以及系统时间分配来减少网络时延违反概率。
为达到上述目的，本发明提供如下技术方案：
一种服务感知的资源优化方法，包括以下步骤：
S1：确定应用的最大数据时延容忍度和应用数据速率大小，确定物联网设备的数量、时隙的长度以及系统的总带宽；
S2：系统模型：确定物联网设备通过无线能量传输技术获得的能量Ek，假设收集到的能量全部用于地计算的能量消耗和任务卸载的能量消耗，则分配给将本地计算和任务卸载的能量分别是
Figure BDA0003480352710000021
和
Figure BDA0003480352710000022
根据能量分配情况，得到本地计算的时延
Figure BDA0003480352710000023
和任务卸载的时延
Figure BDA0003480352710000024
从而根据有效容量理论构建与时延指数和应用的最大时延容忍度两个指标有关的网络时延违反概率问题模型；
S3：求解时延指数：在给定系统时间分配的情况下，给定固定物联网设备a的任务卸载比βa来求该物联网设备的时延指数θa；
S4：确定最优任务和资源分配：基于步骤S3得到的时延指数θa，求得最优的任务分配，从而确定带宽分配和本地计算资源分配，进而求得能量分配，如果带宽分配满足最优分配，则进行步骤S5，否则返回步骤S3来更新任务卸载比βa，进而更新时延指数θa，以获取下一轮的任务和资源分配；
S5：确定系统时间分配：如果物联网设备进行能量收集的时间未超过该时隙的最大时间，则返回步骤S3，更新能量收集时间，进而更新任务卸载比βa进行新一轮的任务分配，否则整个资源分配过程结束。
进一步，所述步骤S2具体包括以下步骤：
S21：忽略背景噪声对能量收集的影响，则物联网设备Uk在第i个时间块的射频RF能量表示为：
Figure BDA0003480352710000031
式中的p0表示PS的发射功率；dk表示由于PS和Uk之间的小尺度衰落所导致的信道增益；
Figure BDA0003480352710000032
是PS和物联网设备Uk之间的路径损耗，它取决于PS和Uk之间的距离；
得到Uk在第i个时间块中收集到的DC能量：
Figure BDA0003480352710000033
式中，ηk表示电路能够达到的最大能量效率，sk和ck分别表示电路灵敏度和漏电流；得到Uk在第i个时间块中收集到的能量：
Figure BDA0003480352710000034
S22：将物联网设备Uk在第i个时间块调度的本地CPU周期数记为
Figure BDA0003480352710000035
其不能超过物联网设备的最大CPU周期数
Figure BDA0003480352710000036
物联网设备Uk在第i个时间块的本地计算时延
Figure BDA0003480352710000037
和本地计算能耗
Figure BDA0003480352710000038
分别表示为：
Figure BDA0003480352710000039
Figure BDA00034803527100000310
式中，ρ表示每比特CPU周期数，βk表示物联网设备Uk的任务卸载比，κ是取决于物联网设备的CPU硬件条件的能量参数；
S23：Uk的传输功率pk(i)为：
Figure BDA00034803527100000311
以Bk表示物联网设备Uk卸载任务占用的带宽，则物联网设备Uk在第i个时间块的数据传输速率用香农公式获得：
Figure BDA00034803527100000312
式中，hk表示Uk和RRH之间的信道增益；
Figure BDA00034803527100000313
为Uk与RRH之间的路径损耗；N0为高斯白噪声的功率谱密度；
物联网设备Uk在第i个时间块的任务卸载时延
Figure BDA00034803527100000314
和任务卸载能耗
Figure BDA00034803527100000315
分别表示为：
Figure BDA0003480352710000041
Figure BDA0003480352710000042
S24：Uk的有效容量表示为：
Figure BDA0003480352710000043
式中，E[·]为期望函数，θk为Uk的延迟指数，Ck(θk)是随着延迟指数θk的增加而单调递减的；
对于延迟要求Dmax，将第k个物联网设备的时延违反概率表示为：
Figure BDA0003480352710000044
式中，Pr{Qk＞0}表示稳定状态下第k个物联网设备缓冲区Qk非空的概率；假设缓冲区Qk始终是非空状态，即Pr{Qk＞0}＝1；第k个物联网设备可支持的最大源速率为βkλk＝C(θk)；
S25：网络时延违反概率Pr{D＞Dmax}等于对应所有物联网设备的最大LVP，任务和资源联合分配问题建模如下：
Figure BDA0003480352710000045
进一步，所述步骤S3具体包括以下步骤：
S31：证明对于
Figure BDA0003480352710000046
当本地计算时延
Figure BDA0003480352710000047
等于任务卸载时延
Figure BDA0003480352710000048
时，总会得到最优的网络LVP；
S32：证明随着时延指数θk的增加，物联网设备的LVP逐渐减小，如下式表达：
Figure BDA0003480352710000051
S33：对于数据速率要求为βaλa的任意物联网设备，根据βkλk＝C(θk)和有效容量理论
Figure BDA0003480352710000052
构造函数f1(θa)来求解θa的最优解；f1(θa)表示如下：
Figure BDA0003480352710000053
进一步，所述步骤S4具体包括以下步骤：
S41：证明当最优任务分配为{β1,…,βK}时，对于
Figure BDA0003480352710000054
总是会有：Pr{Dn＞Dmax}＝Pr{Dm＞Dmax}；
S42：结合步骤S41将原始的网络时延违反概率问题转换成下式：
Figure BDA0003480352710000055
S43：根据步骤S41可知，当一个物联网设备的任务卸载比为βa时，其他物联网设备的任务卸载比βk通过ΔPr(a)＝ΔPr(k)求得，ΔPr(k)的表达式如下所示：
Figure BDA0003480352710000056
从而构造函数f2(θk)来求解θk的最优解，函数f2(θk)表达式如下所示：
Figure BDA0003480352710000057
S44：根据步骤S43获得的
Figure BDA0003480352710000058
通过公式
Figure BDA0003480352710000059
计算出相应的任务卸载比
Figure BDA00034803527100000510
进而根据公式
Figure BDA0003480352710000061
求得带宽分配
Figure BDA0003480352710000062
同时根据公式
Figure BDA0003480352710000063
求得本地计算资源分配
Figure BDA0003480352710000064
通过公式
Figure BDA0003480352710000065
和
Figure BDA0003480352710000066
求得能量分配
Figure BDA0003480352710000067
S45：当分配给每个物联网设备的带宽之和∑B*没有超过系统总带宽，则执行步骤S46，若超过则停止带宽分配，此时的带宽分配即为最优的带宽分配，对应的任务分配即为最优的任务分配；
S46：更新βa的值，根据步骤S33中的计算公式计算时延指数θa的最优解，根据步骤S43的公式求解θk的最优解，然后根据公式
Figure BDA0003480352710000068
计算出相应的任务卸载比
Figure BDA0003480352710000069
进而分别根据公式
Figure BDA00034803527100000610
和
Figure BDA00034803527100000611
求得带宽分配
Figure BDA00034803527100000612
和本地计算资源分配
Figure BDA00034803527100000613
进而根据
Figure BDA00034803527100000614
和
Figure BDA00034803527100000615
求得能量分配
Figure BDA00034803527100000616
S47：只要分配给每个物联网设备的带宽之和∑B*没有超过系统总带宽，就继续更新βa的值，直到找到最优的任务分配、带宽分配、本地计算资源分配和能量分配。
进一步，所述步骤S5具体包括以下步骤：
S51：给定应用的最大时延容忍度Dmax，精准参数ετ；
S52：当分配给物联网设备用于能量收集的时间
Figure BDA00034803527100000617
未超过时隙的最大长度，则执行步骤S53，否则停止能量收集时间更新，找到历史能量收集时间分配下的最优任务分配；
S53：更新能量收集的时间
Figure BDA00034803527100000618
根据步骤S46找到最优的任务分配；
S54：只要分配给物联网设备用于能量收集的时间
Figure BDA00034803527100000619
未超过时隙最大长度，就继续更新能量收集时间，直到找到满足能量收集时间要求下的最优任务分配；
S55：将步骤S54得到的结果带入公式
Figure BDA00034803527100000620
和βkλk＝C(θk)求得此时的网络时延违反概率；
S56：找到最小的网络时延违反概率值即为最优的网络时延违反概率，输出此时对应的最优任务分配、带宽分配、本地计算资源分配和能量分配以及最优的系统时间分配。
本发明的有益效果在于：通过引入移动边缘计算与无线能量传输，与传统的云无线接入网系统相比，有效的缓解了物联网设备计算能力差以及电池容量有限导致无法满足应用时延需求的问题。本发明可以有效地在降低网络时延违反概率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明的网络模型图；
图2为本发明的物联网设备通信模型图；
图3为本发明的帧结构示意图；
图4为本发明的方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1～图4，本发明所述的基于边缘协助的时延保证的任务和资源联合分配方法，具体包含以下步骤：
步骤1：确定应用的最大数据时延容忍度和应用数据大小，确定物联网设备的数量、时隙的长度以及系统的总带宽。
步骤2：确定物联网设备通过无线能量传输技术获得的能量Ek，假设收集到的能量全部用于本地计算的能量消耗和任务卸载的能量消耗，则分配给将本地计算和任务卸载的能量分别是
Figure BDA0003480352710000081
和
Figure BDA0003480352710000082
根据能量分配情况，可以得到本地计算的时延
Figure BDA0003480352710000083
和任务卸载的时延
Figure BDA0003480352710000084
从而根据有效容量理论构建与时延指数和应用的最大时延容忍度两个指标有关的网络时延违反概率问题模型。具体包括以下步骤：
步骤2.1：忽略背景噪声对能量收集的影响，则物联网设备Uk在第i个时间块的射频(RF)能量可以表示为：
Figure BDA0003480352710000085
式中的p0表示PS的发射功率；dk表示由于PS和Uk之间的小尺度衰落所导致的信道增益；
Figure BDA0003480352710000086
是PS和物联网设备Uk之间的路径损耗，它取决于PS和Uk之间的距离。
基于此，可以得到Uk在第i个时间块中收集到的DC能量：
Figure BDA0003480352710000087
式中，ηk表示电路能够达到的最大能量效率，sk和ck分别表示电路灵敏度和漏电流。因此，可以得到Uk在第i个时间块中收集到的能量：
Figure BDA0003480352710000088
步骤2.2：将物联网设备Uk在第i个时间块调度的本地CPU周期数记为
Figure BDA0003480352710000089
其不能超过物联网设备的最大CPU周期数
Figure BDA00034803527100000810
假设每比特CPU周期数用和物联网设备Uk的任务卸载比分别用ρ和βk表示。进一步，可以将物联网设备Uk在第i个时间块的本地计算时延
Figure BDA00034803527100000811
和本地计算能耗
Figure BDA00034803527100000812
分别表示为：
Figure BDA00034803527100000813
Figure BDA00034803527100000814
式中，κ是取决于物联网设备的CPU硬件条件的能量参数。
步骤2.3：由于将收集到的能量分用于任务卸载的部分为αkEk，因此Uk的传输功率pk(i)为：
Figure BDA00034803527100000815
以Bk表示物联网设备Uk卸载任务占用的带宽，则物联网设备Uk在第i个时间块的数据传输速率可用香农公式获得：
Figure BDA0003480352710000091
式中，hk表示Uk和RRH之间的信道增益；
Figure BDA0003480352710000092
为Uk与RRH之间的路径损耗；N0为高斯白噪声的功率谱密度。进一步，可以将物联网设备Uk在第i个时间块的任务卸载时延
Figure BDA0003480352710000093
和任务卸载能耗
Figure BDA0003480352710000094
分别表示为：
Figure BDA0003480352710000095
Figure BDA0003480352710000096
步骤2.4：由于服务过程{Rk(i),i＝1,2…}在各时隙之间是没有关联的，因此Uk的有效容量可以表示为：
Figure BDA0003480352710000097
式中，E[·]为期望函数，θk为Uk的延迟指数。Ck(θk)是随着延迟指数θk的增加而单调递减的。
进一步，对于延迟要求Dmax，可以将第k个物联网设备的时延违反概率表示为：
Figure BDA0003480352710000098
式中，Pr{Qk＞0}表示稳定状态下第k个物联网设备的缓冲区Qk为非空的概率。对于一个系统来说，忙碌的时间段更值得我们的关注，因此我们假设缓冲区Qk始终是非空状态，即Pr{Qk＞0}＝1。此外，根据有效容量理论可知，第k个物联网设备可支持的最大源速率为βkλk＝C(θk)。
步骤2.5：网络时延违反概率Pr{D＞Dmax}等于对应所有物联网设备的最大LVP。因此，任务和资源联合分配问题可以建模如下：
Figure BDA0003480352710000101
步骤3：在给定系统时间分配的情况下，给定固定物联网设备a的任务卸载比βa来求该物联网设备的时延指数θa。具体包括以下步骤：
步骤3.1：证明对于
Figure BDA0003480352710000102
当本地计算时延
Figure BDA0003480352710000103
等于任务卸载时延
Figure BDA0003480352710000104
(即
Figure BDA0003480352710000105
)时，总会得到最优的网络LVP。
采用反证法证明。假设对于物联网设备k，存在
Figure BDA0003480352710000106
时有最优网络LVP。两种情况：
情况一：
Figure BDA0003480352710000107
总所周知，能量与时延是负相关，此时
Figure BDA0003480352710000108
即分配用于任务卸载的能量大于分配用于本地计算的能量。此时存在最优的网络LVPPr{Dk＞Dmax}。
当将较小部分传输能量ΔE→0+转移用于本地计算，此时
Figure BDA0003480352710000109
则
Figure BDA00034803527100001010
有
Figure BDA00034803527100001011
且当ΔE→0+时，有
Figure BDA00034803527100001012
可以得到：
Pr{Dk＞Dmax}＞Pr{Dk′＞Dmax}
因此，网络LVP可以进一步降低到Pr{D′k＞Dmax}，这就带来了矛盾。即当
Figure BDA00034803527100001013
时得到的网络LVP不是最优的。
同理，对于情况二：
Figure BDA00034803527100001014
此时
Figure BDA00034803527100001015
即分配用于任务卸载的能量小于分配用于本地计算的能量。此时存在最优的网络LVPPr{Dm＞Dmax}。
当将较小部分计算能量ΔE→0+转移用于任务卸载，此时
Figure BDA00034803527100001016
则
Figure BDA00034803527100001017
有
Figure BDA00034803527100001018
且当ΔE→0+时，有
Figure BDA00034803527100001019
可以得到：
Pr{Dk＞Dmax}＞Pr{D′k＞Dmax}
因此，网络LVP可以进一步降低到Pr{D′k＞Dmax}，这就带来了矛盾。即当
Figure BDA00034803527100001020
时得到的网络LVP不是最优的。
综上，当
Figure BDA00034803527100001021
时，此时的网络LVP最优。
步骤3.2：证明随着时延指数θk的增加，物联网设备的LVP逐渐减小。如下式表达：
Figure BDA0003480352710000111
步骤3.3：对于数据速率要求为βaλa的任意物联网设备，根据βkλk＝C(θk)和有效容量理论
Figure BDA0003480352710000112
构造函数f1(θa)求解θa的最优解。f1(θa)表示如下：
Figure BDA0003480352710000113
步骤4：确定最优任务和资源分配：基于步骤S3得到的时延指数θa，可以求得最优的任务分配，从而可以确定带宽分配和本地计算资源分配，进而求得能量分配，如果带宽分配满足最优分配，则进行步骤S5，否则返回步骤S3来更新任务卸载比βa，进而更新时延指数θa，以获取下一轮的任务和资源分配；
步骤4.1：证明当最优任务分配为{β1,…,βK}时，对于
Figure BDA0003480352710000114
总是会有：Pr{Dn＞Dmax}＝Pr{Dm＞Dmax}。
同样采用反证法来证明。假设在获得最优任务分配时，对于Um仍然存在最大LVPPr{Dm＞Dmax}，对于Un仍然存在最小LVPPr{Dn＞Dmax}，其中m,n∈{1,2,…,K}且Pr{Dm＞Dmax}＞Pr{Dn＞Dmax}，即在Pr{Dm＞Dmax}下得到假设的最优任务分配解。在这种情况下，这两个节点对应的任务卸载比用βm和βn表示。另外，此时Um和Un对应的延迟指数分别用θm和θn表示。根据步骤S32，存在θm＜θn。又因为有效容量随着延迟指数的增加而降低，而任务卸载比又直接影响有效容量(对于一个应用的数据速率λk是已知的，由βkλk＝C(θk)可知任务卸载比βk随有效容量增加)，因此我们有βm＞βn。
令βm′＝βm-Δβ，βn′＝βn+Δβ。有θm＜θm′，θn＞θn′。并且当Δβ→0+时，P1中的约束条件仍然满足。因此可以得到：
Pr{Dm＞Dmax}＞Pr{Dm′＞Dmax}
>Pr{Dn′＞Dmax}＞Pr{Dn＞Dmax}
因此，网络LVP可以进一步降低到Pr{Dm′＞Dmax}，这就产生了矛盾。因此，当得到最优任务分配时，每个物联网设备的LVP应该相等，证明就完成了。
步骤4.2：为了保证最小的网络时延违反概率，系统时间需要在每个时间块用于能量收集、任务卸载以及本地计算。由于S31已经说明当本地计算时延和任务卸载时延相等时得到的网络时延违反概率是的，因此结合S41可将原始的网络时延违反概率问题转换成下式：
Figure BDA0003480352710000121
步骤4.3：根据S41可知，当得到最优任务分配时，所有物联网设备的网络时延违反概率相等。即：当一个物联网设备的任务卸载比为βa时，其他物联网设备的任务卸载比βk可以通过ΔPr(a)＝ΔPr(k)求得。ΔPr(k)的表达式如下所示：
Figure BDA0003480352710000122
从而可以构造函数f2(θk)来求解θk的最优解，函数f2(θk)表达式如下所示：
Figure BDA0003480352710000123
步骤4.4：根据S43获得的
Figure BDA0003480352710000124
即可通过公式
Figure BDA0003480352710000125
计算出相应的任务卸载比
Figure BDA0003480352710000126
进而可以根据公式
Figure BDA0003480352710000127
求得带宽分配
Figure BDA0003480352710000128
同时可以根据公式
Figure BDA0003480352710000129
求得本地计算资源分配
Figure BDA00034803527100001210
进一步通过公式
Figure BDA00034803527100001211
和
Figure BDA00034803527100001212
求得能量分配
Figure BDA00034803527100001213
步骤4.5：当分配给每个物联网设备的带宽之和∑B*没有超过系统总带宽，则执行以下步骤，若超过则停止带宽分配，此时的带宽分配即为最优的带宽分配，对应的任务分配即为最优的任务分配；
步骤4.6：更新βa的值，根据步骤S33中的计算公式计算时延指数θa的最优解，进一步根据步骤S43的公式求解θk的最优解，然后根据公式
Figure BDA0003480352710000131
计算出相应的任务卸载比
Figure BDA0003480352710000132
进而可以分别根据公式
Figure BDA0003480352710000133
和
Figure BDA0003480352710000134
求得带宽分配
Figure BDA0003480352710000135
和本地计算资源分配
Figure BDA0003480352710000136
进而根据
Figure BDA0003480352710000137
和
Figure BDA0003480352710000138
求得能量分配
Figure BDA0003480352710000139
步骤4.7：只要分配给每个物联网设备的带宽之和∑B*没有超过系统总带宽，就继续更新βa的值，直到找到最优的任务分配、带宽分配、本地计算资源分配和能量分配；
步骤5：确定系统时间分配：如果物联网设备进行能量收集的时间未超过该时隙的最大时间，则返回步骤S3，更新能量收集时间，进而更新任务卸载比βa进行新一轮的任务分配，否则整个资源分配过程结束。
步骤5.1：给定应用的最大时延容忍度Dmax，精准参数ετ；
步骤5.2：当分配给物联网设备用于能量收集的时间
Figure BDA00034803527100001310
未超过时隙的最大长度，则执行以下步骤：
步骤5.3：更新能量收集的时间
Figure BDA00034803527100001311
根据步骤S46找到最优的任务分配；
步骤5.4：只要分配给物联网设备用于能量收集的时间
Figure BDA00034803527100001312
未超过时隙最大长度，就继续更新能量收集时间，直到找到满足能量收集时间要求下的最优任务分配；
步骤5.5：将步骤S54得到的结果带入公式
Figure BDA00034803527100001313
和βkλk＝C(θk)即可求得此时的网络时延违反概率；
步骤5.6：找到最小的网络时延违反概率值即为最优的网络时延违反概率，输出此时对应的最优任务分配、带宽分配、本地计算资源分配和能量分配以及最优的系统时间分配。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种服务感知的资源优化方法，其特征在于：包括以下步骤：
S1：确定应用的最大数据时延容忍度和应用数据速率大小，确定物联网设备的数量、时隙的长度以及系统的总带宽；
S2：系统模型：确定物联网设备通过无线能量传输技术获得的能量Ek，假设收集到的能量全部用于地计算的能量消耗和任务卸载的能量消耗，则分配给将本地计算和任务卸载的能量分别是
Figure FDA0004186345870000011
和
Figure FDA0004186345870000012
根据能量分配情况，得到本地计算的时延
Figure FDA0004186345870000013
和任务卸载的时延
Figure FDA0004186345870000014
从而根据有效容量理论构建与时延指数和应用的最大时延容忍度两个指标有关的网络时延违反概率问题模型；
S3：求解时延指数：在给定系统时间分配的情况下，给定固定物联网设备a的任务卸载比βa来求该物联网设备的时延指数θa；
S4：确定最优任务和资源分配：基于步骤S3得到的时延指数θa，求得最优的任务分配，从而确定带宽分配和本地计算资源分配，进而求得能量分配，如果带宽分配满足最优分配，则进行步骤S5，否则返回步骤S3来更新任务卸载比βa，进而更新时延指数θa，以获取下一轮的任务和资源分配；
S5：确定系统时间分配：如果物联网设备进行能量收集的时间未超过该时隙的最大时间，则返回步骤S3，更新能量收集时间，进而更新任务卸载比βa进行新一轮的任务分配，否则整个资源分配过程结束；
所述步骤S2具体包括以下步骤：
S21：忽略背景噪声对能量收集的影响，则物联网设备Uk在第i个时间块的射频RF能量表示为：
Figure FDA0004186345870000015
式中的p0表示PS的发射功率；dk表示由于PS和Uk之间的小尺度衰落所导致的信道增益；
Figure FDA0004186345870000016
是PS和物联网设备Uk之间的路径损耗，它取决于PS和Uk之间的距离；
得到Uk在第i个时间块中收集到的DC能量：
Figure FDA0004186345870000017
式中，ηk表示电路能够达到的最大能量效率，sk和ck分别表示电路灵敏度和漏电流；得到Uk在第i个时间块中收集到的能量：
Figure FDA0004186345870000018
S22：将物联网设备Uk在第i个时间块调度的本地CPU周期数记为
Figure FDA0004186345870000021
其不能超过物联网设备的最大CPU周期数
Figure FDA0004186345870000022
物联网设备Uk在第i个时间块的本地计算时延
Figure FDA0004186345870000023
和本地计算能耗
Figure FDA0004186345870000024
分别表示为：
Figure FDA0004186345870000025
Figure FDA0004186345870000026
式中，ρ表示每比特CPU周期数，βk表示物联网设备Uk的任务卸载比，κ是取决于物联网设备的CPU硬件条件的能量参数；
S23：Uk的传输功率pk(i)为：
Figure FDA0004186345870000027
以Bk表示物联网设备Uk卸载任务占用的带宽，则物联网设备Uk在第i个时间块的数据传输速率用香农公式获得：
Figure FDA0004186345870000028
式中，hk表示Uk和RRH之间的信道增益；
Figure FDA0004186345870000029
为Uk与RRH之间的路径损耗；N0为高斯白噪声的功率谱密度；
物联网设备Uk在第i个时间块的任务卸载时延
Figure FDA00041863458700000210
和任务卸载能耗
Figure FDA00041863458700000211
分别表示为：
Figure FDA00041863458700000212
Figure FDA00041863458700000213
S24：Uk的有效容量表示为：
Figure FDA00041863458700000214
式中，E[·]为期望函数，θk为Uk的延迟指数，Ck(θk)是随着延迟指数θk的增加而单调递减的；
对于延迟要求Dmax，将第k个物联网设备的时延违反概率表示为：
Figure FDA00041863458700000215
式中，Pr{Qk＞0}表示稳定状态下第k个物联网设备缓冲区Qk非空的概率；假设缓冲区Qk始终是非空状态，即Pr{Qk＞0}＝1；第k个物联网设备可支持的最大源速率为βkλk＝C(θk)；
S25：网络时延违反概率Pr{D＞Dmax}等于对应所有物联网设备的最大LVP，任务和资源联合分配问题建模如下：
Figure FDA0004186345870000031
Figure FDA0004186345870000032
Figure FDA0004186345870000033
Figure FDA0004186345870000034
Figure FDA0004186345870000035
Figure FDA0004186345870000036
Figure FDA0004186345870000037
所述步骤S3具体包括以下步骤：
S31：证明对于
Figure FDA0004186345870000038
当本地计算时延
Figure FDA0004186345870000039
等于任务卸载时延
Figure FDA00041863458700000310
时，总会得到最优的网络LVP；
S32：证明随着时延指数θk的增加，物联网设备的LVP逐渐减小，如下式表达：
Figure FDA00041863458700000311
S33：对于数据速率要求为βaλa的任意物联网设备，根据βkλk＝C(θk)和有效容量理论
Figure FDA00041863458700000312
构造函数f1(θa)来求解θa的最优解；f1(θa)表示如下：
Figure FDA00041863458700000313
所述步骤S4具体包括以下步骤：
S41：证明当最优任务分配为{β1,...,βK}时，对于
Figure FDA00041863458700000314
总是会有：Pr{Dn＞Dmax}＝Pr{Dm＞Dmax}；
S42：结合步骤S41将原始的网络时延违反概率问题转换成下式：
Figure FDA0004186345870000041
Figure FDA0004186345870000042
Figure FDA0004186345870000043
Figure FDA0004186345870000044
Figure FDA0004186345870000045
Figure FDA0004186345870000046
Figure FDA0004186345870000047
C7:Pr{Dn＞Dmax}＝Pr{Dm＞Dmax}
S43：根据步骤S41可知，当一个物联网设备的任务卸载比为βa时，其他物联网设备的任务卸载比βk通过ΔPr(a)＝ΔPr(k)求得，ΔPr(k)的表达式如下所示：
Figure FDA0004186345870000048
从而构造函数f2(θk)来求解θk的最优解，函数f2(θk)表达式如下所示：
Figure FDA0004186345870000049
S44：根据步骤S43获得的
Figure FDA00041863458700000410
通过公式
Figure FDA00041863458700000411
计算出相应的任务卸载比
Figure FDA00041863458700000412
进而根据公式
Figure FDA00041863458700000413
求得带宽分配
Figure FDA00041863458700000414
同时根据公式
Figure FDA00041863458700000415
求得本地计算资源分配
Figure FDA00041863458700000416
通过公式
Figure FDA00041863458700000417
和
Figure FDA00041863458700000418
求得能量分配
Figure FDA00041863458700000419
S45：当分配给每个物联网设备的带宽之和∑B*没有超过系统总带宽，则执行步骤S46，若超过则停止带宽分配，此时的带宽分配即为最优的带宽分配，对应的任务分配即为最优的任务分配；
S46：更新βa的值，根据步骤S33中的计算公式计算时延指数θa的最优解，根据步骤S43的公式求解θk的最优解，然后根据公式
Figure FDA00041863458700000420
计算出相应的任务卸载比
Figure FDA00041863458700000421
进而分别根据公式
Figure FDA00041863458700000422
和
Figure FDA00041863458700000423
求得带宽分配
Figure FDA00041863458700000424
和本地计算资源分配
Figure FDA00041863458700000425
进而根据
Figure FDA00041863458700000426
和
Figure FDA00041863458700000427
求得能量分配
Figure FDA00041863458700000428
S47：只要分配给每个物联网设备的带宽之和∑B*没有超过系统总带宽，就继续更新βa的值，直到找到最优的任务分配、带宽分配、本地计算资源分配和能量分配。
2.根据权利要求1所述的服务感知的资源优化方法，其特征在于：所述步骤S5具体包括以下步骤：
S51：给定应用的最大时延容忍度Dmax，精准参数ετ；
S52：当分配给物联网设备用于能量收集的时间
Figure FDA0004186345870000051
未超过时隙的最大长度，则执行步骤S53，否则停止能量收集时间更新，找到历史能量收集时间分配下的最优任务分配；
S53：更新能量收集的时间
Figure FDA0004186345870000052
根据步骤S46找到最优的任务分配；
S54：只要分配给物联网设备用于能量收集的时间
Figure FDA0004186345870000053
未超过时隙最大长度，就继续更新能量收集时间，直到找到满足能量收集时间要求下的最优任务分配；
S55：将步骤S54得到的结果带入公式
Figure FDA0004186345870000054
和βkλk＝C(θk)求得此时的网络时延违反概率；
S56：找到最小的网络时延违反概率值即为最优的网络时延违反概率，输出此时对应的最优任务分配、带宽分配、本地计算资源分配和能量分配以及最优的系统时间分配。
CN202210083725.6A 2022-01-20 2022-01-20 一种服务感知的资源优化方法 Active CN114423021B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210083725.6A CN114423021B (zh) 2022-01-20 2022-01-20 一种服务感知的资源优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210083725.6A CN114423021B (zh) 2022-01-20 2022-01-20 一种服务感知的资源优化方法

Publications (2)

Publication Number Publication Date
CN114423021A CN114423021A (zh) 2022-04-29
CN114423021B true CN114423021B (zh) 2023-05-26

Family

ID=81276730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210083725.6A Active CN114423021B (zh) 2022-01-20 2022-01-20 一种服务感知的资源优化方法

Country Status (1)

Country Link
CN (1) CN114423021B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109413615A (zh) * 2018-09-14 2019-03-01 重庆邮电大学 车联网下基于mec的能量感知卸载的能量延迟折衷方案
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法
WO2020216135A1 (zh) * 2019-04-25 2020-10-29 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN111988805A (zh) * 2020-08-28 2020-11-24 重庆邮电大学 一种面向可靠时延保障的端边协同方法
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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109413615A (zh) * 2018-09-14 2019-03-01 重庆邮电大学 车联网下基于mec的能量感知卸载的能量延迟折衷方案
WO2020216135A1 (zh) * 2019-04-25 2020-10-29 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN111988805A (zh) * 2020-08-28 2020-11-24 重庆邮电大学 一种面向可靠时延保障的端边协同方法
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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Ni Zhu ; Dapeng Wu.Energy-Efficient Mobile Edge Computing Under Delay Constraints.IEEE Transactions on Green Communications and Networking .2021,全文. *
Yaling Yu ; Yao Yan ; Songnong Li ; Zhidu Li ; Dapeng Wu.Task Delay Minimization in Wireless Powered Mobile Edge Computing Networks: A Deep Reinforcement Learning Approach.2021 13th International Conference on Wireless Communications and Signal Processing (WCSP).2021,全文. *
Zhidu Li School of Communication and Information Engineering, Advanced Network and Intelligent Interconnection Technology Key Laboratory of Chongqing Education Commission of China, and the Key Laboratory of Ubiquitous Sensing and Networking in Chongqing, Chongqing University of Posts and Telecommunications, Chongqing, China *
基于云雾混合计算的车联网联合资源分配算法;唐伦;肖娇;魏延南;赵国繁;陈前斌;;电子与信息学报(第08期);全文 *
基于自适应遗传算法的MEC任务卸载及资源分配;闫伟;申滨;刘笑笑;;电子技术应用(第08期);全文 *
绿色能源驱动的移动边缘计算动态任务卸载;马惠荣;陈旭;周知;于帅;;计算机研究与发展(第09期);全文 *

Also Published As

Publication number Publication date
CN114423021A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
WO2021233053A1 (zh) 计算卸载的方法和通信装置
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
US11831708B2 (en) Distributed computation offloading method based on computation-network collaboration in stochastic network
CN109151864B (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
CN110557769A (zh) 基于深度强化学习的c-ran计算卸载和资源分配方法
CN113946423B (zh) 基于图注意力网络的多任务边缘计算调度优化方法
CN109831808A (zh) 一种基于机器学习的混合供电c-ran的资源分配方法
WO2021083230A1 (zh) 功率调节方法和接入网设备
Khumalo et al. Reinforcement learning-based computation resource allocation scheme for 5G fog-radio access network
CN111511028A (zh) 一种多用户资源分配方法、装置、系统及存储介质
Sun et al. Profit maximization of independent task offloading in MEC-enabled 5G internet of vehicles
Albaseer et al. Threshold-based data exclusion approach for energy-efficient federated edge learning
CN108599831A (zh) 一种云无线接入网的鲁棒波束成型设计方法
Li Optimization of task offloading problem based on simulated annealing algorithm in MEC
CN114025359A (zh) 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质
CN114423021B (zh) 一种服务感知的资源优化方法
Li et al. Suitability-based edge server placement strategy in 5G ultra-dense networks
CN112486685A (zh) 一种电力物联网的计算任务分配方法、装置及计算机设备
CN109874154B (zh) 一种基于深度强化学习的c-ran用户关联和计算资源分配方法
CN110933687A (zh) 一种基于解耦的用户上下行接入方法及系统
CN111245878A (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
Hu et al. Computation Offloading and Resource Allocation in IoT-Based Mobile Edge Computing Systems
Tong et al. Dynamic user-centric multi-dimensional resource allocation for a wide-area coverage signaling cell based on DQN
Hwang et al. Offloading optimization with delay distribution in the 3-tier federated cloud, edge, and fog systems

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