CN114466335A - 一种d2d辅助mec系统中基于博弈论的联合优化方法 - Google Patents

Abstract

本发明适用于通信技术领域，提供了一种D2D辅助MEC系统中基于博弈论的联合优化方法，具体步骤包括：S101：构建系统模型；S102：根据构建的系统模型，建立特定的优化问题；S103：将卸载模式选择构建为一个势博弈过程；S104：根据得到的卸载模式，求得卸载比例与资源分配方案；S105：重复迭代执行S103和S104，求出最佳卸载模式、最佳卸载比例分配以及最佳计算资源分配。本发明中的D2D辅助MEC系统中基于博弈论的联合优化方法，整体方法通过博弈论、凸优化以及拉格朗日乘子法得到最佳卸载模式、最佳卸载比例分配以及最佳计算资源分配，并且能够满足系统内用户的通信需要，有效减小系统内任务设备的执行时延，提高系统内用户的体验质量。

Description

一种D2D辅助MEC系统中基于博弈论的联合优化方法

技术领域

本发明属于通信技术领域，尤其涉及一种D2D辅助MEC系统中基于博弈论的联合优化方法。

背景技术

随着第五代移动通信技术(5G)的飞速发展，例如智能手机、智能手表、车辆、平板电脑等移动终端设备的普及率和数量也快速增长。尽管新的移动设备在中央处理器(CPU)方面越来越强大，但也可能无法在短时间内完成例如深度学习、在线3D游戏、人脸识别、基于位置的增强现实或虚拟现实(AR/VR)、移动社交媒体、自动驾驶和智能服务等数据量庞大并且具有低时延要求的应用程序。为了应对该问题，一些计算任务不得不卸载到具有足够计算能力的云服务器上进行计算，这就促使了移动云计算(MCC)的发展。移动云计算的服务器是集中式的并且一般距离移动用户位置较远，这就导致了爆炸性增长的计算数据对接入网和回程链路造成了严重负担并引入高时延。为了应对这个问题，移动边缘计算(MEC)的概念应运而生。

D2D通信是一种在蜂窝系统的控制下，允许终端用户之间通过共享小区资源进行直接通信的新技术。为了更进一步的提高任务卸载效率，有效利用系统内资源，已经有研究者将D2D卸载模式作为移动边缘计算系统的有效补充。D2D通信技术的引入一方面充分利用了空闲设备的计算资源，另一方面有效缓解了边缘服务器与云服务器的压力，更进一步的提升了系统的性能，提高了系统内用户的QoS。

在移动边缘计算系统中，边缘服务器提供了比移动设备更强大但是比传统云服务器稍弱一些的计算能力，但是得益于边缘服务器的部署是分布式的，更加靠近移动设备，因此不仅可以就近为移动设备上时延敏感型或者计算较为复杂的应用提供服务，还可以大大缓解核心网的压力。为了解决计算密集型应用和资源受限的移动设备之间的矛盾，越来越多的研究将任务卸载和资源分配看作一种极具前景的解决方案。

在未来海量机器通信(mMTC)场景中，系统内会有海量的终端设备，仅仅依靠终端设备本身的计算能力不能在短时间响应时延敏感型或者计算较为复杂的服务。虽然边缘服务器和云服务器的引入已经在很大程度上提高了系统性，但面对海量终端的接入，边缘服务器和云服务器的计算资源已经不足以提供充足的服务，因此引入D2D通信技术的卸载模式势在必行。

因此，针对以上现状，迫切需要开发一种D2D辅助MEC系统中基于博弈论的联合优化方法，以克服当前实际应用中的不足。

发明内容

针对现有技术存在的不足，本发明实施例的目的在于提供一种D2D辅助MEC系统中基于博弈论的联合优化方法，以解决上述背景技术中的问题。

为实现上述目的，本发明提供如下技术方案：

一种D2D辅助MEC系统中基于博弈论的联合优化方法，所述联合优化方法具体步骤如下：

S101：在D2D辅助移动边缘计算系统中，构建包含任务设备、资源设备、边缘服务器和云服务器的系统模型，并初始化任务设备计算能力、任务数据量大小以及边缘服务器计算能力系统参数；

S102：根据S101构建的系统模型，得到D2D卸载模式、MEC卸载模式以及云卸载模式下时延的计算方法，并且以最小化系统内任务设备总时延为目标，建立特定的优化问题；

S103：根据S102中建立的优化问题，将卸载模式选择构建为一个势博弈过程，并在每次迭代中更新一个任务设备的卸载模式；

S104：根据S103得到的卸载模式，针对选择D2D卸载模式和云卸载模式的任务设备，通过凸优化得到任务卸载比例；针对选择MEC卸载模式的任务设备，首先通过凸优化得到任务卸载比例的表达式，然后将其带入优化问题，再通过拉格朗日乘子法求得计算资源分配的数值，最后将得到的数值代入任务卸载比例表达式求得任务卸载比例；

S105：重复迭代执行S103和S104至收敛或者最大迭代次数，求出最佳卸载模式、最佳计算资源分配以及最佳卸载比例分配。

作为本发明进一步的技术方案，在S101中，构建D2D辅助移动边缘计算系统中计算卸载与资源分配模型的具体步骤如下：

S1011：在系统模型中，首先假设一个准静态网络场景，即用户的位置在计算卸载期间保持不变；其次，假设任务设备的计算密集型任务分成两部分进行处理；因此将系统模型分为D2D卸载模式、MEC卸载模式以及云卸载模式；

S1012：对于D2D卸载模式，任务设备将执行的任务部分卸载到空闲的D2D设备执行，而余下部分留在本地执行；对于MEC卸载模式，任务设备将执行的任务部分卸载到边缘服务器执行，而余下部分留在本地执行；对于云卸载模式，任务设备将执行的任务部分卸载到云服务器执行，而余下部分留在本地执行；

S1013：设边缘服务器的CPU总资源为f_mec；接入任务设备TD集合为＝{1,2......,N}，并且每个任务设备都有一个需要执行的时延敏感型任务T_i＝＜D_i,X_i,f_i ^l＞(i∈)，其中D_i是任务数据大小，以字节为单位；X_i是计算任务一位所需的计算资源，以周期/位为单位f_i ^l为TD_i的计算能力，单位为CPU频率/每秒CPU周期；

S1014：定义O＝{d2d,mec,cloud}为任务设备可选择的卸载模式；定义模式选择因子为

定义α_i为TD_i卸载任务的比例。

作为本发明进一步的技术方案，在S102中，各个卸载模式下时延的计算方法与优化问题建立的具体步骤如下：

S1021：针对上行链路使用OFDMA方案并且忽略链路间的干扰，因此D2D链路和蜂窝链路的上行传输速率分别为

和

其中：p_i为的TD_i发射功率，B_d和B_m分别为D2D链路和蜂窝链路的上行带宽，h_i,d和h_i,m分别为TD_i与资源设备和边缘服务器之间的信道增益；

根据T_i，本地处理时延表示为

S1022：当任务设备选择D2D卸载模式时，

部分任务的卸载时延和资源设备处理时延分别为

和

由于是部分卸载，部分任务通过上行D2D链路卸载至资源设备并在资源设备处理的同时任务设备也在本地处理余下任务，所以D2D卸载模式下的时延为

S1023：当任务设备选择MEC卸载模式时，

部分任务的卸载时延和边缘服务器处理时延分别为

和

其中：f_i ^m是边缘服务器分配给上卸载任务的计算能力；

同样由于是部分卸载，所以MEC卸载模式下的时延为

S1024：当任务设备选择云卸载模式时，

云卸载过程分为两个阶段，分别是接入阶段与回程阶段，接入阶段的传输时延为

假设部分任务通过核心网传输至云服务器并在云服务器进行处理的时延为常数，用T_core表示；同样由于是部分卸载，所以云卸载模式下的时延为

S1025：优化问题表示为：

作为本发明进一步的技术方案，在S1024中，接入阶段是指部分任务通过蜂窝上行链路传输至边缘服务，回程阶段是指部分任务在边缘服务器通过光纤回程链路中继到云服务器。

作为本发明进一步的技术方案，在S103中，将卸载模式选择构建为一个势博弈过程的具体步骤如下：

对于系统中每一个TD_i，当已经给定其他TD的卸载方式

时，TD_i会以自身时延最小为目标来选择一种最优的卸载模式，该卸载模式选择问题表示为

由于系统内的任务设备之间存在竞争关系，将卸载模式选择构建为一个博弈

N表示博弈的参与者，即系统内全部的任务设备；

为TD_i的策略空间，即卸载模式；L_i表示参与者的时延函数。

作为本发明进一步的技术方案，在S104中，计算资源分配与卸载比例分配的具体步骤如下：

S1041针对选择D2D卸载模式的任务设备，优化问题表示如下：

通过凸优化得到D2D卸载模式下最佳卸载比例为

S1042针对选择云卸载模式的任务设备，优化问题表示为：

通过凸优化得到云卸载模式下最佳卸载比例为

S1043针对选择MEC卸载模式的任务设备，优化问题表示为：

其次将其代入优化问题，将原优化问题改写为：

作为本发明进一步的技术方案，在步骤S1043中，构建拉格朗日函数：

并且通过KKT条件迭代得到TD_i的最佳计算资源分配f_i ^m，最后将f_i ^m代入最佳卸载比例表达式中求解得到MEC卸载模式下的最佳卸载比例。

与现有技术相比，本发明的有益效果是：

D2D辅助移动边缘计算系统将D2D通信技术引入并作为卸载模式之一，D2D通信技术的引入能够充分利用系统内空闲的计算资源为任务设备提供相应服务，并且可以缓解边缘服务器和云服务器的压力，进一步提高系统内用户的体验质量；

本发明通过构建D2D辅助移动边缘计算系统模型，将D2D通信技术的卸载决策引入其中，构建了包含D2D卸载模式、MEC卸载模式以及云卸载模式的三层架构，并且以最小化系统内任务设备总时延为目标构建了优化问题，通过对优化问题的分析，将卸载模式选择问题构建为一个势博弈过程，并在每次迭代更新过程中更新一个任务设备的卸载模式，根据得到的卸载模式，通过凸优化与拉格朗日乘子法解决卸载比例与计算资源分配问题，最后重复迭代至收敛或最大迭代次数，从而得到最佳卸载模式、最佳卸载比例以及最佳计算资源分配；

本发明所提的方法一方面在充分利用系统资源的同时满足不同用户的服务需求，另一方面也能够有效减少系统内任务设备总时延，提升系统内用户的体验质量。

为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明。

附图说明

图1为本发明中D2D辅助移动边缘计算系统模型的示意图。

图2为本发明中D2D辅助MEC系统中基于博弈论的联合优化方法的流程图。

图3为本发明中D2D辅助MEC系统中基于博弈论的联合优化方法的原理图。

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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现进行详细描述。

如图1至3所示，作为本发明一个实施例提供的一种D2D辅助MEC系统中基于博弈论的联合优化方法，所述联合优化方法具体步骤如下：

S101：在D2D辅助移动边缘计算系统中，构建包含任务设备、资源设备、边缘服务器和云服务器的系统模型，并初始化任务设备计算能力、任务数据量大小以及边缘服务器计算能力等系统参数；

S102：根据S101构建的系统模型，得到D2D卸载模式、MEC卸载模式以及云卸载模式下时延的计算方法，并且以最小化系统内任务设备总时延为目标，建立特定的优化问题；

S103：根据S102中建立的优化问题，将卸载模式选择构建为一个势博弈过程，并在每次迭代中更新一个任务设备的卸载模式；

S104：根据S103得到的卸载模式，针对选择D2D卸载模式和云卸载模式的任务设备，通过凸优化得到任务卸载比例；针对选择MEC卸载模式的任务设备，首先通过凸优化得到任务卸载比例的表达式，然后将其带入优化问题，再通过拉格朗日乘子法求得计算资源分配的数值，最后将得到的数值代入任务卸载比例表达式求得任务卸载比例；

S105：重复迭代执行S103和S104至收敛或者最大迭代次数，求出最佳卸载模式、最佳计算资源分配以及最佳卸载比例分配。

在本实施例中，本发明通过构建D2D辅助移动边缘计算系统模型，将D2D通信技术的卸载决策引入其中，构建了包含D2D卸载模式、MEC卸载模式以及云卸载模式的三层架构，并且以最小化系统内任务设备总时延为目标构建了优化问题，通过对优化问题的分析，将卸载模式选择问题构建为一个势博弈过程，并在每次迭代更新过程中更新一个任务设备的卸载模式，根据得到的卸载模式，通过凸优化与拉格朗日乘子法解决卸载比例与计算资源分配问题，最后重复迭代至收敛或最大迭代次数，从而得到最佳卸载模式、最佳卸载比例以及最佳计算资源分配；

本发明所提的方法一方面在充分利用系统资源的同时满足不同用户的服务需求，另一方面也能够有效减少系统内任务设备总时延，提升系统内用户的体验质量。

如图1至3所示，作为本发明的一种优选实施例，在S101中，构建D2D辅助移动边缘计算系统中计算卸载与资源分配模型的具体步骤如下：

S1011：在系统模型中，首先假设一个准静态网络场景，即用户的位置在计算卸载期间保持不变；其次，假设任务设备的计算密集型任务分成两部分进行处理；因此将系统模型分为D2D卸载模式、MEC卸载模式以及云卸载模式；

S1012：对于D2D卸载模式，任务设备将执行的任务部分卸载到空闲的D2D设备执行，而余下部分留在本地执行；对于MEC卸载模式，任务设备将执行的任务部分卸载到边缘服务器执行，而余下部分留在本地执行；对于云卸载模式，任务设备将执行的任务部分卸载到云服务器执行，而余下部分留在本地执行；

S1013：设边缘服务器的CPU总资源为f_mec；接入任务设备TD集合为＝{1,2......,N}，并且每个任务设备都有一个需要执行的时延敏感型任务T_i＝＜D_i,X_i,f_i ^l＞(i∈)，其中D_i是任务数据大小，以字节为单位；X_i是计算任务一位所需的计算资源，以周期/位为单位f_i ^l为TD_i的计算能力，单位为CPU频率/每秒CPU周期；

S1014：定义O＝{d2d,mec,cloud}为任务设备可选择的卸载模式；定义模式选择因子为

定义α_i为TD_i卸载任务的比例。

如图1至3所示，作为本发明的一种优选实施例，在S102中，各个卸载模式下时延的计算方法与优化问题建立的具体步骤如下：

S1021：针对上行链路使用OFDMA方案并且忽略链路间的干扰，因此D2D链路和蜂窝链路的上行传输速率分别为

和

其中：p_i为的TD_i发射功率，B_d和B_m分别为D2D链路和蜂窝链路的上行带宽，h_i,d和h_i,m分别为TD_i与资源设备和边缘服务器之间的信道增益；

根据T_i，本地处理时延表示为

S1022：当任务设备选择D2D卸载模式时，

部分任务的卸载时延和资源设备处理时延分别为

和

由于是部分卸载，部分任务通过上行D2D链路卸载至资源设备并在资源设备处理的同时任务设备也在本地处理余下任务，所以D2D卸载模式下的时延为

S1023：当任务设备选择MEC卸载模式时，

部分任务的卸载时延和边缘服务器处理时延分别为

和

其中：f_i ^m是边缘服务器分配给上卸载任务的计算能力；

同样由于是部分卸载，所以MEC卸载模式下的时延为

S1024：当任务设备选择云卸载模式时，

云卸载过程分为两个阶段，分别是接入阶段与回程阶段，接入阶段的传输时延为

假设部分任务通过核心网传输至云服务器并在云服务器进行处理的时延为常数，用T_core表示；同样由于是部分卸载，所以云卸载模式下的时延为

S1025：优化问题表示为：

如图1至3所示，作为本发明的一种优选实施例，在S1024中，接入阶段是指部分任务通过蜂窝上行链路传输至边缘服务，回程阶段是指部分任务在边缘服务器通过光纤回程链路中继到云服务器。

如图1至3所示，作为本发明的一种优选实施例，S103中，将卸载模式选择构建为一个势博弈过程的具体步骤如下：

对于系统中每一个TD_i，当已经给定其他TD的卸载方式

时，TD_i会以自身时延最小为目标来选择一种最优的卸载模式，该卸载模式选择问题表示为

由于系统内的任务设备之间存在竞争关系，将卸载模式选择构建为一个博弈

N表示博弈的参与者，即系统内全部的任务设备；

为TD_i的策略空间，即卸载模式；L_i表示参与者的时延函数。

如图1至3所示，作为本发明的一种优选实施例，在S104中，计算资源分配与卸载比例分配的具体步骤如下：

S1041针对选择D2D卸载模式的任务设备，优化问题表示如下：

通过凸优化得到D2D卸载模式下最佳卸载比例为

S1042针对选择云卸载模式的任务设备，优化问题表示为：

通过凸优化得到云卸载模式下最佳卸载比例为

S1043针对选择MEC卸载模式的任务设备，优化问题表示为：

其次将其代入优化问题，将原优化问题改写为：

如图1至3所示，作为本发明的一种优选实施例，在步骤S1043中，构建拉格朗日函数：

并且通过KKT条件迭代得到TD_i的最佳计算资源分配f_i ^m，最后将f_i ^m代入最佳卸载比例表达式中求解得到MEC卸载模式下的最佳卸载比例。

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 (7)

1.一种D2D辅助MEC系统中基于博弈论的联合优化方法，其特征在于，所述联合优化方法具体步骤如下：

S101：在D2D辅助移动边缘计算系统中，构建包含任务设备、资源设备、边缘服务器和云服务器的系统模型，并初始化任务设备计算能力、任务数据量大小以及边缘服务器计算能力系统参数；

S102：根据S101构建的系统模型，得到D2D卸载模式、MEC卸载模式以及云卸载模式下时延的计算方法，并且以最小化系统内任务设备总时延为目标，建立特定的优化问题；

S103：根据S102中建立的优化问题，将卸载模式选择构建为一个势博弈过程，并在每次迭代中更新一个任务设备的卸载模式；

S104：根据S103得到的卸载模式，针对选择D2D卸载模式和云卸载模式的任务设备，通过凸优化得到任务卸载比例；针对选择MEC卸载模式的任务设备，首先通过凸优化得到任务卸载比例的表达式，然后将其带入优化问题，再通过拉格朗日乘子法求得计算资源分配的数值，最后将得到的数值代入任务卸载比例表达式求得任务卸载比例；

S105：重复迭代执行S103和S104至收敛或者最大迭代次数，求出最佳卸载模式、最佳计算资源分配以及最佳卸载比例分配。

2.根据权利要求1所述的D2D辅助MEC系统中基于博弈论的联合优化方法，其特征在于，在S101中，构建D2D辅助移动边缘计算系统中计算卸载与资源分配模型的具体步骤如下：

S1011：在系统模型中，首先假设一个准静态网络场景，即用户的位置在计算卸载期间保持不变；其次，假设任务设备的计算密集型任务分成两部分进行处理；因此将系统模型分为D2D卸载模式、MEC卸载模式以及云卸载模式；

S1012：对于D2D卸载模式，任务设备将执行的任务部分卸载到空闲的D2D设备执行，而余下部分留在本地执行；对于MEC卸载模式，任务设备将执行的任务部分卸载到边缘服务器执行，而余下部分留在本地执行；对于云卸载模式，任务设备将执行的任务部分卸载到云服务器执行，而余下部分留在本地执行；

S1013：设边缘服务器的CPU总资源为f_mec；接入任务设备TD集合为＝{1,2......,N}，并且每个任务设备都有一个需要执行的时延敏感型任务T_i＝＜D_i,X_i,f_i ^l＞(i∈)，其中D_i是任务数据大小，以字节为单位；X_i是计算任务一位所需的计算资源，以周期/位为单位f_i ^l为TD_i的计算能力，单位为CPU频率/每秒CPU周期；

S1014：定义O＝{d2d,mec,cloud}为任务设备可选择的卸载模式；定义模式选择因子为

定义α_i为TD_i卸载任务的比例。

3.根据权利要求1所述的D2D辅助MEC系统中基于博弈论的联合优化方法，其特征在于，在S102中，各个卸载模式下时延的计算方法与优化问题建立的具体步骤如下：

S1021：针对上行链路使用OFDMA方案并且忽略链路间的干扰，因此D2D链路和蜂窝链路的上行传输速率分别为

和

其中：p_i为的TD_i发射功率，B_d和B_m分别为D2D链路和蜂窝链路的上行带宽，h_i,d和h_i,m分别为TD_i与资源设备和边缘服务器之间的信道增益；

根据T_i，本地处理时延表示为

S1022：当任务设备选择D2D卸载模式时，

部分任务的卸载时延和资源设备处理时延分别为

和

由于是部分卸载，部分任务通过上行D2D链路卸载至资源设备并在资源设备处理的同时任务设备也在本地处理余下任务，所以D2D卸载模式下的时延为

S1023：当任务设备选择MEC卸载模式时，

部分任务的卸载时延和边缘服务器处理时延分别为

和

其中：f_i ^m是边缘服务器分配给上卸载任务的计算能力；

同样由于是部分卸载，所以MEC卸载模式下的时延为

S1024：当任务设备选择云卸载模式时，

云卸载过程分为两个阶段，分别是接入阶段与回程阶段，接入阶段的传输时延为

假设部分任务通过核心网传输至云服务器并在云服务器进行处理的时延为常数，用T_core表示；同样由于是部分卸载，所以云卸载模式下的时延为

S1025：优化问题表示为：

4.根据权利要求3所述的D2D辅助MEC系统中基于博弈论的联合优化方法，其特征在于，在S1024中，接入阶段是指部分任务通过蜂窝上行链路传输至边缘服务，回程阶段是指部分任务在边缘服务器通过光纤回程链路中继到云服务器。

5.根据权利要求1所述的D2D辅助MEC系统中基于博弈论的联合优化方法，其特征在于，在S103中，将卸载模式选择构建为一个势博弈过程的具体步骤如下：

对于系统中每一个TD_i，当已经给定其他TD的卸载方式

时，TD_i会以自身时延最小为目标来选择一种最优的卸载模式，该卸载模式选择问题表示为

由于系统内的任务设备之间存在竞争关系，将卸载模式选择构建为一个博弈

N表示博弈的参与者，即系统内全部的任务设备；

为TD_i的策略空间，即卸载模式；L_i表示参与者的时延函数。

6.根据权利要求1所述的D2D辅助MEC系统中基于博弈论的联合优化方法，其特征在于，在S104中，计算资源分配与卸载比例分配的具体步骤如下：

S1041针对选择D2D卸载模式的任务设备，优化问题表示如下：

通过凸优化得到D2D卸载模式下最佳卸载比例为

S1042针对选择云卸载模式的任务设备，优化问题表示为：

通过凸优化得到云卸载模式下最佳卸载比例为

S1043针对选择MEC卸载模式的任务设备，优化问题表示为：

其次将其代入优化问题，将原优化问题改写为：

7.根据权利要求6所述的D2D辅助MEC系统中基于博弈论的联合优化方法，其特征在于，在步骤S1043中，构建拉格朗日函数：

并且通过KKT条件迭代得到TD_i的最佳计算资源分配f_i ^m，最后将f_i ^m代入最佳卸载比例表达式中求解得到MEC卸载模式下的最佳卸载比例。

Images