CN114531718B - 不完美csi情况下noma-mec系统能耗优化方法 - Google Patents

Abstract

本发明是一种不完美CSI情况下NOMA‑MEC系统能耗优化方法，包括：步骤1：构建NOMA‑MEC系统，该系统包括至少一个NOMA链路，每个NOMA链路均包括一个用户TU和两个拥有小型MEC服务器可以进行任务计算的无线访问接入点AP，每个所述无线访问接入点AP与用户TU的距离不同；步骤2：在能耗最小化的目标下，用户TU将步骤1中每个无线访问接入点AP完成的计算任务同时卸载至对应的每个无线访问接入点AP处，由用户TU和两个每个无线访问接入点AP共同计算任务。本发明旨在任务动态生成的情况下让CPU运算速率稳定，使得能耗最小化。

Description

不完美CSI情况下NOMA-MEC系统能耗优化方法

技术领域

本发明属于移动边缘计算技术领域,具体的说是涉及一种针对单用户两MEC基站的不完美CSI情况下NOMA-MEC系统的能耗优化方法。

背景技术

随着物联网技术和5G移动通信技术的持续快速发展，种类丰富的移动端服务和应用已成为人们日常生活的一部分。这些新兴的移动端服务和应用，虽然极大丰富了人们的生活，但是也占用了智能移动设备巨大的计算、存储、网络与电池等资源。移动边缘计算(Mobile Edge Computing,MEC)作为一种高效的解决方案应运而生，其将计算任务卸载到边缘服务器，利用边缘服务器强大的计算能力扩展智能移动设备的资源，缓解智能移动设备因资源不足带来的问题。近年来对于移动边缘计算的研究大多集中于在蜂窝网络中布置大量具有计算能力的节点，这些节点一般依赖于小基站或者Wifi接入点，然而这类节点的的建设与部署需要消耗大量的人力物力，例如运营商需要顾及用户的意愿来进行选址，而用户往往对于基站的位置多有考量；另一方面，蜂窝网络中小基站的部署需要解决用户管理、网络建模、干扰抑制和资源管理等多种挑战，需要付出昂贵的安装成本和维护成本。随着用户设备的进一步增加和超密集网络的出现，运营商必然会顾虑这类基础设施的建设将带来的巨额费用，传统MEC系统的计算能力必会到达瓶颈。

目前，为了最大化MEC系统的计算能力以及最小化系统的能耗，主要研究包括基于携能通信卸载方式的研究、借助多无人机卸载的研究、以终端到终端(Device To Device,D2D)方式多终端协同计算的研究和多移动终端通过非正交多址接入技术(Non OthogonalMultiple Access,NOMA)卸载的研究。

NOMA技术在提高频谱效率，增加接入用户数，降低时延等方面有着更好的表现。目前，NOMA辅助MEC系统根据不同的目标可以分为两类:1.任务延迟最小化；2.能耗最小化；针对单输入单输出NOMA-MEC系统，提出了一种混合NOMA传输方案，通过考虑任务完全卸载到MEC服务器，使延迟和能耗最小化。为了提高MEC性能，文献[X.Cao,F.Wang,J.Xu,R.Zhangand S.Cui,"Joint computation and communication cooperation for mobile edgecomputing,"2018 16th International Symposium on Modeling and Optimization inMobile,Ad Hoc,and Wireless Networks(WiOpt),2018,pp.1-6,doi:10.23919/WIOPT.2018.8362865.]中提出了一种联合计算和通信协作方法。考虑了具有两个终端的三节点MEC系统，在延迟允许内最大限度地减少两个终端的总能耗。物联网的快速发展带来了靠近用户设备的空闲资源的计算设备，文献[Jia Q,Xie R,Tang Q,et al.Energy-Efficient Computation Offloading in 5G Cellular Networks with EdgeComputingand D2D Communications[J].IET Communications,2019,13(8).]中提出了一种通过蜂窝网络向MEC服务器以及通过D2D通信向5G网络中的空闲计算设备卸载的节能联合计算。文献[Z.Ding,J.Xu,O.A.Dobre and H.V.Poor,"Joint Power and TimeAllocation for NOMA–MEC Offloading,"in IEEE Transactions on VehicularTechnology,vol.68,no.6,pp.6207-6211,June 2019,doi:10.1109/TVT.2019.2907253.]中提出了一种混合NOMA策略，用户可以首先在分配给其他用户的时隙内卸载其部分任务，然后在仅由自己占用的时隙内卸载其剩余任务，以最大限度地减少启用MEC-NOMA系统的能耗。不同于部分任务卸载，文献[A.Kiani and N.Ansari,"Edge Computing Aware NOMAfor 5G Networks,"in IEEE Internet of Things Journal,vol.5,no.2,pp.1299-1306,April 2018,doi:10.1109/JIOT.2018.2796542.]中的作者认为卸载任务是独立且不可分离的。然后联合优化通信资源和计算资源，提出了一种有效的用户聚类、频率和资源块分配的启发式算法来解决每个NOMA集群的能耗最小化问题。

以上卸载研究均只致力于降低系统能耗，且假设BS上的MEC服务器有充足的计算能力以及能获取到完美的CSI，在实际场景中，由于人口分布以及BS地理位置的原因，难以达到假设的条件，并且没有考虑到任务到达的动态特性。

基于目前人口分布情况，在特定时间段内，部分区域内人口分布密集，而BS分布相对较均匀，因此，在该时间段内，该BS上的MEC服务器会出现负载过重而导致无法满足用户需求的情况，比如，时延增加，移动终端不断重发任务增加能耗等；在城市中，由于高楼、大厦以及车辆等存在多个反射面而导致路径损耗增大，以及多小区间的干扰，导致实践中很难获得完美CSI，研究表明这些无法达到的假设条件都会导致MEC系统中能耗增加。在当前研究中，大部分研究都是基于静态任务分配，对其进行能耗优化，不符合实际场景使用，在任务动态到达时，终端的中央处理器(central processing unit,CPU)采用尽最大能力处理的方式处理任务，在允许时延内能耗增加。

发明内容

为了解决上述问题，本发明提供了一种具有具有不完美CSI的NOMA-MEC系统以及接住缓存的基于NOMA-MEC系统的卸载能耗优化方法，本发明方法在在用户TU处加入缓存队列，任务产生后先加入缓存队列中，再卸载给其他接入点上的MEC服务器，旨在减少移动终端计算处理任务的能耗，并最小化时延内每个时隙的能量消耗量，从而最小化系统总能量消耗。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明是一种不完美CSI情况下NOMA-MEC系统能耗优化方法，该方法包括如下步骤：

步骤1：构建NOMA-MEC系统，所述NOMA-MEC系统包括至少一个NOMA链路，每个所述NOMA链路均包括一个有大量密集的计算任务、仅依靠本地计算资源无法完成计算任务的用户TU和两个拥有小型MEC服务器可以进行任务计算的无线访问接入点AP，每个所述无线访问接入点AP与用户TU的距离不同且每个无线访问接入点AP都有辅助计算任务；

步骤2：在能耗最小化的目标下，用户TU将步骤1中每个无线访问接入点AP完成的计算任务同时卸载至对应的每个无线访问接入点AP处，由用户TU和两个每个无线访问接入点AP共同计算任务实现NOMA-MEC系统能耗最小化。

其中，本发明的步骤1的具体过程包括如下步骤：

步骤1-1：给用户TU配备一个计算任务的缓存队列、两个拥有小型MEC服务器可以进行任务计算的无线访问接入点；

步骤1-2：定义NOMA-MEC系统处理计算任务的时间为T，将T划分为N个时隙，每个时隙长度为τ＝T/N；

步骤1-3：步骤1-3：通过链路信息得无线访问接入点AP1与用户TU的距离A₁，此条链路的估计信道增益

无线访问接入点AP2与用户的距离A₂，此条链路的估计信道增益

信道带宽B，噪声功率/>

当传输瞬时速率低于目标速率时会发生中断事件，得到

中断概率ε₀

以及瞬时速率

其中，

代表第i个AP处的估计信道增益，ε代表均值为零，方差为σ_ε ²的信道估计误差，代表用户传输信号给第i个AP的发射功率，

目标速率为

其中

m为1或2，其中/>

代表用户与第m个AP链路上包含了小尺度衰落估计和大尺度衰落的估计信道增益，/>

中d_m代表用户与第m个AP的距离，α表示路径损耗指数，此时AP处接收到的信号为：

其中，h_i为第i个AP处的链路信道增益，p_i为用户发送给第i个AP信号所用的功率，x_i为发送给第i个AP的数据，

为加性高斯白噪声的方差。

其中，本发明的步骤2具体包括如下步骤：

步骤2-1：用户TU将产生的计算任务分为三份，由AP处的MEC服务器协同计算；

步骤2-2：用户依靠本地计算资源计算d_nbit数据的能耗为

用户将d₁bit数据卸载至AP1处的能耗为/>

用户将d₂bit数据卸载至AP2处的能耗为/>

步骤2-3：以NOMA-MEC系统能耗最小化为目标，建立优化问题如下：

/>

du≥0，d1≥0，d2≥0

其中，“min”表示最小化运算，“s.t.”表示约束条件，p_m为为用户发送给第m个AP信号所用的功率，C_m为第m个AP处信号传输的瞬时速率，R_m为第m个AP处信号传输不发生中断的目标速率，ε₀为中断概率，du代表分配给本地资源计算的任务量，d1代表分配给第1个AP计算的任务量，d2代表分配给第2个AP计算的任务量，Di代表产生的总任务量，dm中m为u、1、2中任意一个。

步骤2-4：由于步骤2-3中的优化问题是一个概率问题不利于求解，因此将步骤2-3中的优化问题转换为非概率问题：

du≥0，d1≥0，d2≥0

其中，

步骤2-5：为了得到全局最优解，将步骤2-4中的问题拆分为功率分配问题和任务量分配问题依次求解，通过一维搜索算法找到最优解；

步骤2-6：根据步骤2-5中所得到的最优解，按照所得到的最优任务量分配以最优功率分配传输数据，实现NOMA-MEC系统的能耗优化。

本发明的有益效果是：在移动边缘计算中，移动用户电量受电池容量限制，严重影响到了移动终端的计算能力和用户的体验，本发明在任务处理过程中考虑边缘服务器协同计算，当任务产生时，将任务加入到缓存队列，并卸载至边缘服务器辅助计算，在时延范围内，将每个时隙的任务量进行均分；旨在任务动态生成的情况下让CPU运算速率稳定，使得能耗最小化；其次，本发明中考虑到了不完美CSI的因素，更符合真实场景；最后，通过NOMA方式可以有效利用空闲的MEC服务器，最大化资源利用。

附图说明

图1是本发明NOMA-MEC系统传输模型。

图2是本发明NOMA-MEC系统能耗优化方法计算模型。

具体实施方式

以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。

本发明是一种基于不完美CSI情况下NOMA-MEC系统的能耗优化方法，写在传输模型如图1所示，NOMA-MEC网络由一个拥有缓存队列的任务型用户(Task User,TU)、两个拥有小型MEC服务器可以进行任务计算的无线访问接入点AP组成。无线访问接入点AP与用户TU距离不同，且负载也不相同，与用户TU距离近的基站负载较高，与用户TU距离远的基站负载较低，用户TU将任务以NOMA方式同时卸载至MEC服务器协同处理任务。图2为计算模型，任务动态产生进入缓存队列，并将任务分为三份，本地计算一份，两个MEC服务器各一份，在时延内将任务平均化处理，减少CPU运算速率变动所带来的能耗。

具体的，能耗优化方法包括如下步骤：

步骤1：构建一个具有密集型计算任务的NOMA-MEC系统，该NOMA-MEC系统包括至少一个NOMA链路，每个所述NOMA链路均包括一个有大量密集的计算任务、仅依靠本地计算资源无法完成计算任务的用户TU和两个拥有小型MEC服务器可以进行任务计算的无线访问接入点AP(Wireless Access Point)，每个所述无线访问接入点AP与用户TU的距离不同且每个无线访问接入点AP都有辅助计算任务，由于场景中存在干扰，AP处无法获取精确的链路信道信息。

具体包括如下步骤：

步骤1-1：NOMA-MEC系统中至少存在一个有大量密集的计算任务、仅依靠本地计算资源无法完成计算任务的用户，给用户TU配备一个计算任务的缓存队列、两个拥有小型MEC服务器可以进行任务计算的无线访问接入点；

步骤1-2：定义NOMA-MEC系统处理计算任务的时间为T，将T划分为N个时隙，每个时隙长度为τ＝T/N；

步骤1-3：步骤1-3：通过链路信息得无线访问接入点AP1与用户TU的距离A₁，此条链路的估计信道增益

无线访问接入点AP2与用户的距离A₂，此条链路的估计信道增益

信道带宽B，噪声功率/>

当传输瞬时速率低于目标速率时会发生中断事件，得到

中断概率ε₀

以及瞬时速率

其中，

代表第i个AP处的估计信道增益，ε代表均值为零，方差为σ_ε ²的信道估计误差，代表用户传输信号给第i个AP的发射功率，

目标速率为

其中

m为1或2，其中/>

代表用户与第m个AP链路上包含了小尺度衰落估计和大尺度衰落的估计信道增益，/>

中d_m代表用户与第m个AP的距离，α表示路径损耗指数，此时AP处接收到的信号为：

其中，h_i为第i个AP处的链路信道增益，p_i为用户发送给第i个AP信号所用的功率，x_i为发送给第i个AP的数据，

为加性高斯白噪声的方差，此时接收端存在信号干扰，在接收端通过串行干扰消除技术将信号解码恢复。

步骤2：在能耗最小化的目标下，用户TU将步骤1中每个无线访问接入点AP完成的计算任务同时卸载至对应的每个无线访问接入点AP处，由用户TU和两个每个无线访问接入点AP共同计算任务实现NOMA-MEC系统能耗最小化。

具体包括如下步骤：

步骤2-1：在第n个时隙内，用户产生的计算任务为Dn，用户依靠本地计算资源可完成的任务量为du，用户卸载到AP1的任务量为d1，用户卸载到AP2的任务量为d2，用户计算1bit数据所需要的CPU周期数为C，电容转换系数为γu。

步骤2-2：用户依靠本地计算资源计算d_nbit数据的能耗为

用户将d₁bit数据卸载至AP1处的能耗为/>

用户将d₂bit数据卸载至AP2处的能耗为/>

其中

/>

步骤2-3：以NOMA-MEC系统能耗最小化为目标，建立优化问题如下：

du≥0，d1≥0，dZ≥0

其中，“min”表示最小化运算，“s.t.”表示约束条件，p_m为为用户发送给第m个AP信号所用的功率，C_m为第m个AP处信号传输的瞬时速率，R_m为第m个AP处信号传输不发生中断的目标速率，ε₀为中断概率，du代表分配给本地资源计算的任务量，d1代表分配给第1个AP计算的任务量，d2代表分配给第2个AP计算的任务量，Di代表产生的总任务量，dm中m为u、1、2中任意一个。

步骤2-4：由于步骤2-3中的优化问题是一个概率问题不利于求解，考虑中断约束下的最小平均卸载数据速率

因此将步骤2-3中的优化问题转换为非概率问题：

/>

du≥0，d1≥0，d2≥0

其中，

步骤2-5：上述优化问题仍为非凸问题，为了得到全局最优解，将步骤2-4中的问题拆分为功率分配问题和任务量分配问题依次求解，

(1)考虑发射功率分配问题，将原问题转化为一个规划问题：

du≥0，d1≥0，d2≥0

通过固定任务分配量du,d1,d2来得到最优发射功率分配

其中/>

(2)考虑任务量分配问题，根据得到的最优发射功率，原优化问题转化为：

/>

并且d1,n≥0、d2,n≥0、du,n≥0；

步骤2-5-3：通过KKT条件(Karush–Kuhn–Tucker Conditions)对优化问题进行求解，

其中，/>

通过观察得出各部分任务量均与系数ψ有关，随后通过一维搜索算法得到系数ψ的值，即可求得所述优化问题的最优解。在上述公式中，/>

为各部分任务量分配的最优解，τ为每个时隙的长度，系数ψ为利用KKT条件求解所引入的拉格朗日乘子，C为用户计算1bit数据所需要的CPU周期数，γ为电容转换系数，ε₀为中断概率，B为信道带宽，

m为1或2，/>

代表用户与第m个AP链路上包含了小尺度衰落估计和大尺度衰落的估计信道增益，/>

中d_m代表用户与第m个AP的距离，α表示路径损耗指数。

一维搜索算法具体如下：

1：输入时隙数N，TU的任务量Dn，以及信道增益h1和h2，

2：初始化

3：For k＝1,...,N do

4：

5：

6：If

7：Break,

8：End if

9：End for

10：输出

步骤2-6：根据步骤2-5中所得到的最优解，按照所得到的最优任务量分配以最优功率分配传输数据，实现NOMA-MEC系统的能耗优化。

本发明路径损耗模型是基于城市路径损耗模型，但本发明想保护的范围涵盖到其他复杂的无线网络模型(按区域、密度等划分的网络模型等)，因为对于复杂网络模型来说不完美CSI更加难以获取。

本发明提供了一个具有不完美CSI的NOMA-MEC网络模型。NOMA-MEC网络由一个拥有缓存队列的任务型用户(Task User,TU)、两个均附属了MEC服务器的加入点两种类型的设备组成。网络中任务型用户一直会产生计算密集型和时延关键的任务，通过NOMA传输将任务转移到多个配备MEC服务器的接入点上。每个接入点和每个用户都配备了单天线。假设信道增益在每个传输块内是恒定的，且在不同的传输块中不同。信道增益根据大小进行排序，将SIC技术应用于信道增益递增的译码系统。每个接入点都可以解码和删除之前解码过的信号。

以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (2)

1.一种不完美CSI情况下NOMA-MEC系统能耗优化方法，其特征在于：所述NOMA-MEC系统能耗优化方法包括如下步骤：

步骤1：构建NOMA-MEC系统，所述NOMA-MEC系统包括至少一个NOMA链路，每个所述NOMA链路均包括一个有大量密集的计算任务、仅依靠本地计算资源无法完成计算任务的用户TU和两个拥有小型MEC服务器可以进行任务计算的无线访问接入点AP，每个所述无线访问接入点AP与用户TU的距离不同且每个无线访问接入点AP都有辅助计算任务；

步骤2：在能耗最小化的目标下，用户TU将步骤1中每个无线访问接入点AP完成的计算任务同时卸载至对应的每个无线访问接入点AP处，由用户TU和两个每个无线访问接入点AP共同计算任务实现NOMA-MEC系统能耗最小化,其中

所述步骤1的具体过程包括如下步骤：

步骤1-1：给用户TU配备一个计算任务的缓存队列、两个拥有小型MEC服务器可以进行任务计算的无线访问接入点；

步骤1-2：定义NOMA-MEC系统处理计算任务的时间为T，将T划分为N个时隙，每个时隙长度为τ＝T/N；

步骤1-3：通过链路信息得无线访问接入点AP1与用户TU的距离A₁，此条链路的估计信道增益

无线访问接入点AP2与用户的距离A₂，此条链路的估计信道增益/>

信道带宽B，噪声功率/>

当传输瞬时速率低于目标速率时会发生中断事件，得到

中断概率ε₀

以及瞬时速率

其中，

代表第i个AP处的估计信道增益，ε代表均值为零，方差为σ_ε ²的信道估计误差，代表用户传输信号给第i个AP的发射功率，

目标速率为

其中

m为1或2，其中/>

代表用户与第m个AP链路上包含了小尺度衰落估计和大尺度衰落的估计信道增益，/>

中d_m代表用户与第m个AP的距离，α表示路径损耗指数，此时AP处接收到的信号为：

其中，h_i为第i个AP处的链路信道增益，p_i为用户发送给第i个AP信号所用的功率，x_i为发送给第i个AP的数据，

为加性高斯白噪声的方差；

所述步骤2具体包括如下步骤：

步骤2-1：用户TU将产生的计算任务分为三份，由AP处的MEC服务器协同计算；

步骤2-2：用户依靠本地计算资源计算d_nbit数据的能耗为

用户将d₁bit数据卸载至AP1处的能耗为/>

用户将d₂bit数据卸载至AP2处的能耗为/>

步骤2-3：以NOMA-MEC系统能耗最小化为目标，建立优化问题如下：

du≥0，d1≥0，d2≥0

其中，“min”表示最小化运算，“s.t.”表示约束条件，p_m为为用户发送给第m个AP信号所用的功率，C_m为第m个AP处信号传输的瞬时速率，R_m为第m个AP处信号传输不发生中断的目标速率，ε₀为中断概率，du代表分配给本地资源计算的任务量，d1代表分配给第1个AP计算的任务量，d2代表分配给第2个AP计算的任务量，Di代表产生的总任务量，dm中m为u、1、2中任意一个；

步骤2-4：将步骤2-3中的优化问题转换为非概率问题：

/>

du≥0，d1≥0，d2≥0

其中，

步骤2-5：为了得到全局最优解，将步骤2-4中的问题拆分为功率分配问题和任务量分配问题依次求解，通过一维搜索算法找到最优解；

步骤2-6：根据步骤2-5中所得到的最优解，按照所得到的最优任务量分配以最优功率分配传输数据，实现NOMA-MEC系统的能耗优化。

2.根据权利要求1所述不完美CSI情况下NOMA-MEC系统能耗优化方法，其特征在于：所述步骤2-5具体包括如下步骤：

步骤2-5-1：考虑发射功率分配问题，将原问题转化为一个规划问题：

du≥0，d1≥0，d2≥0

通过固定任务分配量du,d1,d2来得到最优发射功率分配

其中/>

步骤2-5-2：考虑任务量分配问题，根据得到的最优发射功率，原优化问题转化为：

/>

并且d1,n≥0、d2,n≥0、du,n≥0；

步骤2-5-3：通过KKT条件对优化问题进行求解，

其中，

其中，

为各部分任务量分配的最优解，τ为每个时隙的长度，系数ψ为利用KKT条件求解所引入的拉格朗日乘子，C为用户计算1bit数据所需要的CPU周期数，γ为电容转换系数，ε₀为中断概率，B为信道带宽，/>

m为1或2，/>

代表用户与第m个AP链路上包含了小尺度衰落估计和大尺度衰落的估计信道增益，/>

中d_m代表用户与第m个AP的距离，α表示路径损耗指数，

通过观察得出各部分任务量均与系数ψ有关，随后通过一维搜索算法得到系数ψ的值，即可求得所述优化问题的最优解。

Images