CN114786215B - 多基站移动边缘计算系统传输计算联合优化系统及方法 - Google Patents
多基站移动边缘计算系统传输计算联合优化系统及方法 Download PDFInfo
- Publication number
- CN114786215B CN114786215B CN202210281401.3A CN202210281401A CN114786215B CN 114786215 B CN114786215 B CN 114786215B CN 202210281401 A CN202210281401 A CN 202210281401A CN 114786215 B CN114786215 B CN 114786215B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- terminal equipment
- resource allocation
- allocation scheme
- calculation
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 82
- 238000004364 calculation method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000005540 biological transmission Effects 0.000 title claims abstract description 46
- 238000005265 energy consumption Methods 0.000 claims abstract description 82
- 238000004891 communication Methods 0.000 claims abstract description 69
- 238000013468 resource allocation Methods 0.000 claims abstract description 61
- 238000011480 coordinate descent method Methods 0.000 claims abstract description 26
- 230000006835 compression Effects 0.000 claims description 59
- 238000007906 compression Methods 0.000 claims description 55
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 19
- 238000013144 data compression Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了无线通信技术领域的多基站移动边缘计算系统传输计算联合优化系统及方法,包括:获取终端设备和MEC服务器的参数;基于终端设备和MEC服务器的参数建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出初始系统总能耗;根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗;判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内;响应于相对误差不在阈值范围内时,保存新的通信和计算资源分配方案,并通过块坐标下降法进行下一次迭代更新后,再次判断相对误差是否在阈值范围内。本发明能够降低智慧电网场景中的处理时延和系统能耗。
Description
技术领域
本发明涉及多基站移动边缘计算系统传输计算联合优化系统及方法,属于无线通信技术领域。
背景技术
随着5G的出现和通信技术的发展,许多对延迟敏感并且能耗大的电力服务越来越多。这种要求低延迟和高可靠性的电力服务和应用对电力服务终端的计算能力有很高的要求。由于计算能力有限的电力终端在处理此类应用时会产生较高的延迟,从而影响电力终端的及时反馈,因此如何降低应用处理延迟是当前电力场景中需要解决的关键问题之一。
面对新兴的业务,传统的电力云计算模式已经无法处理快速增长的海量数据,迫切需要对现有电网进行改造,提高电网服务质量。例如,传统云计算的高时延会导致一些对时延要求高的信息终端设备无法进行实时数据采集、处理和控制;其次,电网中很多设备接口复杂,难以接收信息,如果使用云计算解决问题,不仅需要工程师提供支持帮助,还需要相关接口的代码,增加了人工成本;第三,云计算不能更好地制定差异化的安全措施,从而保护不同类型的信息。
因此,移动边缘计算(Mobile Edge Computing,MEC)作为弥补传统云计算缺陷的一种新技术开始被应用在智能电网场景中。然而,目前在移动边缘计算的实际应用过程中仍然存在着传输信息的冗余以及信道和计算资源利用的不充分,并由此导致了处理时延和系统能耗增大等问题。
发明内容
本发明的目的在于克服现有技术中的不足,提供多基站移动边缘计算系统传输计算联合优化系统及方法,能够降低智慧电网场景中的处理时延和系统能耗。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了多基站移动边缘计算系统传输计算联合优化方法,包括:
获取终端设备和MEC服务器的参数;
基于终端设备和MEC服务器的参数建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出初始系统总能耗;
根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗;
判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内;
响应于相对误差不在阈值范围内时,保存新的通信和计算资源分配方案,并通过块坐标下降法进行下一次迭代更新后,再次判断相对误差是否在阈值范围内;
响应于相对误差在阈值范围内时,输出当前通信和计算资源分配方案,结束优化;
响应于迭代次数超过规定最大次数时,输出当前通信和计算资源分配方案,结束优化。
进一步的,所述终端设备和MEC服务器的参数包括:MEC服务器集合J、终端设备集合I、终端设备i需要压缩数据的原始大小Li、终端设备i所需的总压缩率βi、终端设备i在本地进行压缩的压缩率终端设备i在MEC服务器上进行压缩的压缩率βi E、终端设备i所分配到的带宽比例τi、终端设备i到MEC服务器j的信道增益hj,i、终端设备i的最大传输功率终端设备i的传输功率pi、终端设备i的最大允许时延/>终端设备执行压缩程序时每个CPU周期所消耗的能量/>终端设备i的运算能力Fi L、MEC服务器执行压缩程序时每CPU周期所消耗的能量/>和终端设备与MEC服务器的关联因子aj,i。
进一步的,所述优化问题模型为:
ET,i=pitT,i
其中,E(A,τ,β,p)为系统总能耗,为本地压缩所产生的能耗,ET,i为传输的能耗,/>为终端设备i的上传数据在MEC服务器上压缩所需要的能耗,/>表示边缘服务器的能量能耗,Ti为压缩和传输产生的总时延,/>为设定的最大时延限制,/>为本地压缩所产生的时延,ε是取决于具体压缩方法的正常数,Fi L为终端设备i的运算能力,tT,i为传输数据所产生的时延,为电力服务终端设备集合,rj,i为第i个终端设备与第j个基站之间的传输速率,τi为表示第i个终端设备分配到的带宽比例的信道带宽分配因子,B表示总带宽,N0表示噪声功率,hj,i为第i个终端设备到第j个基站的信道增益。
进一步的,根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗,包括:
将所述优化问题模型转化为连续化后的优化问题模型;
采用块坐标下降法将连续化后的优化问题分成多个子问题并迭代求解,得到新的系统总能耗。
进一步的,所述连续化后的优化问题模型为:
其中,关联矩阵Q[q1,…,qi,…,qI],且qi[q1,i,…,qj,i,…qJ,i]T,辅助变量
进一步的,采用块坐标下降法将连续化后的优化问题分成多个子问题并迭代求解,得到新的系统总能耗,包括:
(1)初始化τ=τ(k-1),p=p(k-1),β=β(k-1),连续化后的优化问题被转化为:
通过内点法求解,得到结果Q(k);
(2)初始化Q=Q(k),p=p(k-1),β=β(k-1),连续化后的优化问题被转化为:
约束关于τ单调递减,利用单调性可以将问题简化为:
Tτ,i=Ti|p,Q,β
使用来格朗日乘子法进行求解,得到结果τ=τ(k);
(3)初始化Q=Q(k),τ=τ(k),β=β(k-1),连续化后的优化问题被转化为:
计算满足约束要求的p的最小值,即其中Tp,i=Ti|q,τ,β,得到结果p(k);
(4)初始化Q=Q(k),p=p(k),τ=τ(k),连续化后的优化问题被转化为:
将非凸函数写成:
其中,通过CCP方法迭代求解,将/>用上次迭代的一阶泰勒展开式代替,即:
将原非凸问题转换为一个近似的凸问题:
其中迭代求解凸问题,直到结果收敛,得到结果β(k)。
进一步的,判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内,包括:
|E(k)-E(k-1)|/E(k)<tol
其中,tol为设定的误差容限,E(k-1)为初始系统总能耗,E(k)为新的系统总能耗。
第二方面,本发明提供了多基站移动边缘计算系统传输计算联合优化系统,包括:
数据获取模块:用于获取终端设备和MEC服务器的参数;
建模模块:用于基于终端设备和MEC服务器的参数建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出初始系统总能耗;
迭代更新模块:用于根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗;
判断模块:用于判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内;响应于相对误差不在阈值范围内时,保存新的通信和计算资源分配方案,并通过块坐标下降法进行下一次迭代更新后,再次判断相对误差是否在阈值范围内;响应于相对误差在阈值范围内时,输出当前通信和计算资源分配方案,结束优化;响应于迭代次数超过规定最大次数时,输出当前通信和计算资源分配方案,结束优化。
第三方面,多基站移动边缘计算系统传输计算联合优化装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面,计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明利用移动边缘计算组织灵活、响应快、时延低等特性,结合数据压缩技术降低传输数据的信息冗余度,设计了多基站移动边缘计算系统传输和计算资源的联合优化方法。灵活调配边缘节点基站为智能电力终端提供边缘计算服务,从而降低终端设备的处理和通信时延,同时降低整个边缘计算系统的整体能耗。
附图说明
图1为本发明实施例一提供的一种智能电网场景中的多基站移动边缘计算系统传输和计算资源的联合优化方法的应用场景图;
图2为本实施例1中提供的一种智能电网场景中的多基站移动边缘计算系统传输和计算资源的联合优化方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
本实施例公开了一种智能电网场景中的多基站移动边缘计算系统传输和计算资源的联合优化方法,该方法针对智能电网场景中多个移动电力服务终端设备和多个基站的边缘计算系统,结合信息压缩技术,将移动电力服务终端设备获得的数据信息经过本地压缩后通过无线通信传输给合适的基站,之后在基站中的边缘计算服务器中进行进一步压缩,以便于接下来的信息处理(存储,分析,上传等)。联合优化方法具体包括如下步骤:
步骤一,配置智能电力终端设备和MEC服务器的参数;
其中,智能电力终端设备和MEC服务器的参数包括:
MEC服务器数量,由集合J={1,2,…,J}表示、
终端设备数量,由集合I={1,2,…,I}表示、
终端设备i需要压缩数据的原始大小Li、终端设备i所需的总压缩率βi、终端设备i在本地进行压缩的压缩率βi L、终端设备i在MEC服务器上进行压缩的压缩率βi E、终端设备i所分配到的带宽比例τi、终端设备i到MEC服务器j的信道增益hj,i、终端设备i的最大传输功率终端设备i的传输功率pi、终端设备i的最大允许时延/>终端设备执行压缩程序时每个CPU周期所消耗的能量/>终端设备i的运算能力(以每秒的CPU个数计)Fi L、MEC服务器执行压缩程序时每CPU周期所消耗的能量/>终端设备与MEC服务器的关联因子aj,i;
所述步骤一中,初始化终端设备和MEC服务器的参数和配置{A(0),β(0),p(0),τ(0)},其中τ[τ1,…,τI],p[p1,…,pI],A[a1,…,ai,…,aI],ai[a1,i,…,aj,i,…aJ,i]T。
步骤二,根据在步骤一配置的终端设备和MEC服务器的参数,建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出相应的系统总能耗;
所述步骤二中,先建立无线传输模型,第i个终端设备与第j个基站之间的传输速率计算公式为:rj,i=τiBlog2[1+pi|hj,i|2/(τiBN0)],其中τi为表示第i个终端设备分配到的带宽比例的信道带宽分配因子,B表示总带宽,N0表示噪声功率,pi表示第i个终端设备的发射功率,进一步可以得到传输的时延和能耗为:
ET,i=pitT,i,
其中Li表示需要压缩的原始数据量,aj,i为描述终端与边缘节点是否关联的因子,具体地,当第j个节点为第i个终端提供服务时,aj,i=1,否则aj,i=0;
建立数据压缩模型,假设每个压缩任务都可以通过相同的压缩方法在终端设备和边缘节点上处理,βi表示第i个终端设备所需的总数据压缩率,表示在终端设备本地的压缩率,/>表示在边缘服务器上的压缩率,这样将一比特的数据由原来α压缩率压缩至β的所需的CPU周期数表示为:C(β,ε|α)=eαβε-eαε,其中的ε取决于所使用的数据压缩方法。可以进一步分别得到在本地压缩所需的能耗和时间:其中/>和Fi L分别表示终端设备的能耗和计算能力(CPU周期/s)。由于边缘节点的压缩时间相较于传输和本地压缩时间非常小,可以简化忽略,所以只考虑边缘节点的计算能耗为:/>其中/>分别表示边缘服务器的能耗;
根据上述计算出的主要参数,构建通信资源和计算资源限制下,系统总能耗最小化的优化问题模型:
步骤三,根据当前的通信和计算资源分配方案,通过块坐标下降法(BlockCoordinate Descent,BCD)得到新的通信和计算资源分配方案及相应的系统总能耗;
所述步骤三中,先将步骤二中建立的通信资源分配离散优化问题转化为易于处理的连续形式,具体包括:处理离散的目标函数E,引入辅助变量替换目标函数以及约束条件中的aj,i,重新建立通信资源分配优化问题;
然后采用块坐标下降法将连续化后的优化问题分成以下四个子问题并迭代求解:
(1)优化辅助关联因子qj,i组成矩阵Q,所述子问题为简单的线性规划问题,使用内点法求解;
(2)优化带宽分配因子τi组成的向量τ,所述问题为凸问题,使用拉格朗日乘子法求解;
(3)优化发射功率pi组成的向量p,所述问题可利用其目标函数以及约束关于优化变量的单调性快速求解;
(4)优化带宽分配因子βi组成的向量β,所述问题的目标函数可变形为两个凸函数之差,为凸差规划问题,使用CCP(convex-concave procedure)算法求解:利用一阶泰勒级数展开式将凸差规划问题迭代逼近为凸问题,并求解相应近似凸问题,直到收敛。
步骤四,判断在步骤三更新的系统总能耗值与前一系统总能耗值的相对误差是否在阈值范围内,若在阈值范围内或者迭代次数超过规定最大次数,则输出当前通信和计算资源分配方案,结束优化;否则,执行步骤五;
所述步骤四中,设在第k轮迭代后,关联矩阵,本地数据压缩率,终端设备传输功率和带宽分配的值分别为{Q(k),β(k),p(k),τ(k)},若满足收敛条件:|E(Α(k),β(k),p(k),τ(k))-E(A(k-1),β(k-1),p(k-1),τ(k-1))|/E(A(k-1),β(k-1),p(k-1),τ(k-1))≤tol,其中tol为误差容限,则输出其对应的通信和计算资源分配方案Α*=Α(k),β*=β(k),p*=p(k),τ*=τ(k)并结束优化,否则将{Q(k),β(k),p(k),τ(k)}作为新的{Q(0),β(0),p(0),τ(0)},并返回步骤三。
步骤五,保存当前的通信和计算资源分配方案,并返回步骤三。
以下结合附图1-2对该方案内容进行进一步描述,请参阅图1,考虑一个异构的多小区无线网络,其中单天线的小基站处于宏基站的覆盖下。宏基站负责协调小基站间的通信。该网络系统中存在I个电力服务终端设备和J个小基站,分别用集合I={1,2,…,I}和J={1,2,…,J}表示。
这些基站配备了MEC服务器,可以为覆盖范围内的终端设备提供边缘计算服务,终端设备捕获的信息数据通过无线网络上传到MEC服务上进行进一步处理(分析,上传云服务器,压缩存储等)。每个终端设备仅与接受一个MEC服务器的服务,用关联因子aj,i来描述终端与边缘节点的关联关系,具体地,当第j个节点为第i个终端提供服务时,aj,i=1,否则aj,i=0。考虑到终端设备捕获的数据往往含有较大的信息冗余,因此可以通过数据压缩技术降低数据的信息冗余度,以降低传输和处理的时延同时降低系统的整体能耗。本发明中可以在终端设备和MEC服务器上进行分布式压缩,通过优化两个部分的压缩率比例来得到整体最优的压缩方案。
(2)建立数据压缩模型,为了确保所有数据可以在本地和MEC服务器上进行分步压缩,要求所有终端设备和MEC服务器都使用相同的压缩算法。利用压缩比来描述压缩效果(即原始数据大小与压缩后数据大小之比)。具体的,Li(i∈I)比特的原始数据将先后在本地和MEC服务器上进行压缩处理,最终被压缩为Li/βi比特,其中βi是总的压缩比,并且满足 为本地的数据压缩比,/>为MEC服务器的数据压缩比。在本地和MEC服务压缩一比特数据所需的CPU周期数可分别表示为:
其中ε是取决于具体压缩方法的正常数。
本地压缩所产生的能耗和时延可以分别表示为:
其中Fi L和分别表示终端设备i的运算能力(周期数/秒)和每个CPU周期的能耗。
由于边缘节点的压缩时间相较于传输时延和本地压缩时间非常小,可以简化忽略,所以只考虑边缘节点的能耗,终端设备i的上传数据在MEC服务器上压缩所需要的能耗为:
其中表示MEC服务器j压缩时每个CPU周期消耗的能量。
(3)建立无线传输模型,采用频分多址(Frequency Division Multiple Access,FDMA)来共享带宽,在所述系统中,将总带宽划分为I个部分,并分别将其分配给I个终端设备使用。每个终端设备与其连接的小基站之间的无线信道被建模为独立且均匀分布的瑞利变量。根据香农公式,计算出终端设备i与小基站j之间的数据传输速率(比特/秒)为:
终端设备i在完成本地压缩后,会将大小为数据上传到小基站,传输数据所产生的时延和能耗为:
ET,i=pitT,i (8)
并且压缩和传输产生的总时延不能超过设定的最大时延限制,表示为
如图2所示,本发明的具体步骤为:
(1)将通信资源分配离散优化问题转化为易于处理的连续形式,引入辅助变量替换目标函数以及约束条件中的aj,i,构建关联矩阵Q[q1,…,qi,…,qI],其中qi[q1,i,…,qj,i,…qJ,i]T,得到连续化后的优化问题:
在第k次迭代中,依次对四个子问题进行求解,具体如下:
(2)确定τ,p,β的值,求解Q的值,初始化τ=τ(k-1),p=p(k-1),β=β(k-1),连续化后的优化问题被转化为:
由于问题的目标函数和约束都是线性函数,因此它是一个线性规划问题,可以用内点法求解,得到结果Q(k)。
(3)确定Q,p,β的值,求解τ的值,初始化Q=Q(k),p=p(k-1),β=β(k-1),连续化后的优化问题被转化为:
可以证明该问题为凸问题,并且约束关于τ单调递减,利用单调性可以将问题简化为:
其中约束是有原约束和利用单调性合并而来,同时Tτ,i=Ti|p,Q,β。接下来使用来格朗日乘子法对凸问题进行求解,得到结果τ=τ(k)。
(4)确定Q,τ,β的值,求解p的值,初始化Q=Q(k),τ=τ(k),β=β(k-1),连续化后的优化问题被转化为:
可以证明问题的优化目标函数关于p单调递增,约束关于p单调递减,所以只需要找到满足约束要求的p的最小值即是求解结果,即其中Tp,i=Ti|q,τ,β。得到结果p(k)。
(5)确定Q,τ,p的值,求解β的值,初始化Q=Q(k),p=p(k),τ=τ(k),连续化后的优化问题被转化为:
注意到目标函数是非凸函数,可以写成:
其中不难看出ET,i,/>和/>都是凸函数,由于目标函数是两个凸函数的差值,约束是凸函数,所以这是一个凸差规划问题,可以用CCP(convex-concave procedure)方法迭代求解。根据CCP方法,将/>用上次迭代的一阶泰勒展开式代替,即:
这样就可以将原非凸问题转换为一个近似的凸问题:
其中迭代求解凸问题,直到结果收敛。最终得到结果β(k)。
(6)检测结果是否满足收敛条件:
|E(k)-E(k-1)|/E(k)<tol, (27)
其中tol为设定的误差容限。若满足此收敛条件或者迭代次数超过规定的最大次数kmax,则输出结果,结束流程,否则返回步骤(2)。
综上所述,本发明利用移动边缘计算组织灵活、响应快、时延低等特性,结合数据压缩技术降低传输数据的信息冗余度,设计了多基站移动边缘计算系统传输和计算资源的联合优化方法。灵活调配边缘节点基站为智能电力终端提供边缘计算服务,从而降低终端设备的处理和通信时延,同时降低整个边缘计算系统的整体能耗。本发明未详述之处,均为本领域技术人员的公知技术,在此不再贅述。
实施例二:
多基站移动边缘计算系统传输计算联合优化系统,包括:
数据获取模块:用于获取终端设备和MEC服务器的参数;
建模模块:用于基于终端设备和MEC服务器的参数建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出初始系统总能耗;
迭代更新模块:用于根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗;
判断模块:用于判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内;响应于相对误差不在阈值范围内时,保存新的通信和计算资源分配方案,并通过块坐标下降法进行下一次迭代更新后,再次判断相对误差是否在阈值范围内;响应于相对误差在阈值范围内时,输出当前通信和计算资源分配方案,结束优化;响应于迭代次数超过规定最大次数时,输出当前通信和计算资源分配方案,结束优化。
实施例三:
本发明实施例还提供了多基站移动边缘计算系统传输计算联合优化装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行下述方法的步骤:
获取终端设备和MEC服务器的参数;
基于终端设备和MEC服务器的参数建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出初始系统总能耗;
根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗;
判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内;
响应于相对误差不在阈值范围内时,保存新的通信和计算资源分配方案,并通过块坐标下降法进行下一次迭代更新后,再次判断相对误差是否在阈值范围内;
响应于相对误差在阈值范围内时,输出当前通信和计算资源分配方案,结束优化;
响应于迭代次数超过规定最大次数时,输出当前通信和计算资源分配方案,结束优化。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现下述方法的步骤:
获取终端设备和MEC服务器的参数;
基于终端设备和MEC服务器的参数建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出初始系统总能耗;
根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗;
判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内;
响应于相对误差不在阈值范围内时,保存新的通信和计算资源分配方案,并通过块坐标下降法进行下一次迭代更新后,再次判断相对误差是否在阈值范围内;
响应于相对误差在阈值范围内时,输出当前通信和计算资源分配方案,结束优化;
响应于迭代次数超过规定最大次数时,输出当前通信和计算资源分配方案,结束优化。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.多基站移动边缘计算系统传输计算联合优化方法,其特征是,包括:
获取终端设备和MEC服务器的参数;
基于终端设备和MEC服务器的参数建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出初始系统总能耗;
根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗;
判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内;
响应于相对误差不在阈值范围内时,保存新的通信和计算资源分配方案,并通过块坐标下降法进行下一次迭代更新后,再次判断相对误差是否在阈值范围内;
响应于相对误差在阈值范围内时,输出当前通信和计算资源分配方案,结束优化;
响应于迭代次数超过规定最大次数时,输出当前通信和计算资源分配方案,结束优化;
所述终端设备和MEC服务器的参数包括:MEC服务器集合J、终端设备集合I、终端设备i需要压缩数据的原始大小Li、终端设备i所需的总压缩率βi、终端设备i在本地进行压缩的压缩率βi L、终端设备i在MEC服务器上进行压缩的压缩率βi E、终端设备i所分配到的带宽比例τi、终端设备i到MEC服务器j的信道增益hj,i、终端设备i的最大传输功率终端设备i的传输功率pi、终端设备i的最大允许时延/>终端设备执行压缩程序时每个CPU周期所消耗的能量Ei L、终端设备i的运算能力Fi L、MEC服务器执行压缩程序时每CPU周期所消耗的能量和终端设备与MEC服务器的关联因子aj,i;
所述优化问题模型为:
ET,i=pitT,i
rj,i=τiBlog2[1+pi|hj,i|2/(τiBN0)]
其中,E(A,τ,β,p)为系统总能耗,为本地压缩所产生的能耗,ET,i为传输的能耗,为终端设备i的上传数据在MEC服务器上压缩所需要的能耗,/>表示边缘服务器的能量能耗,Ti为压缩和传输产生的总时延,/>为设定的最大时延限制,/>为本地压缩所产生的时延,ε是取决于具体压缩方法的正常数,Fi L为终端设备i的运算能力,tT,i为传输数据所产生的时延,为电力服务终端设备集合,rj,i为第i个终端设备与第j个基站之间的传输速率,τi为表示第i个终端设备分配到的带宽比例的信道带宽分配因子,B表示总带宽,N0表示噪声功率,hj,i为第i个终端设备到第j个基站的信道增益;
根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗,包括:
将所述优化问题模型转化为连续化后的优化问题模型;
采用块坐标下降法将连续化后的优化问题分成多个子问题并迭代求解,得到新的系统总能耗;
所述连续化后的优化问题模型为:
其中,关联矩阵且/>辅助变量qj,i=aj,i/βi L。
2.根据权利要求1所述的多基站移动边缘计算系统传输计算联合优化方法,其特征是,采用块坐标下降法将连续化后的优化问题分成多个子问题并迭代求解,得到新的系统总能耗,包括:
(1)初始化τ=τ(k-1),p=p(k-1),β=β(k-1),连续化后的优化问题被转化为:
通过内点法求解,得到结果Q(k);
(2)初始化Q=Q(k),p=p(k-1),β=β(k-1),连续化后的优化问题被转化为:
约束(13)关于τ单调递减,利用单调性可以将问题简化为:
Tτ,i=Ti|p,Q,β
使用来格朗日乘子法(20)进行求解,得到结果τ=τ(k);
(3)初始化Q=Q(k),τ=τ(k),β=β(k-1),连续化后的优化问题被转化为:
计算满足约束要求的p的最小值,即其中Tp,i=Ti|q,τ,β,得到结果p(k);
(4)初始化Q=Q(k),p=p(k),τ=τ(k),连续化后的优化问题被转化为:
将非凸函数写成:
其中,通过CCP方法迭代求解,将u(βi L)用上次迭代的一阶泰勒展开式代替,即:
将原非凸问题转换为一个近似的凸问题:
其中迭代求解凸问题,直到结果收敛,得到结果β(k)。
3.根据权利要求1所述的多基站移动边缘计算系统传输计算联合优化方法,其特征是,判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内,包括:
|E(k)-E(k-1)|/E(k)<tol
其中,tol为设定的误差容限,E(k-1)为初始系统总能耗,E(k)为新的系统总能耗。
4.多基站移动边缘计算系统传输计算联合优化系统,其特征是,包括:
数据获取模块:用于获取终端设备和MEC服务器的参数;
建模模块:用于基于终端设备和MEC服务器的参数建立优化问题模型,得到系统初始通信和计算资源分配方案并计算出初始系统总能耗;
迭代更新模块:用于根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗;
判断模块:用于判断新的系统总能耗与初始系统总能耗的相对误差是否在阈值范围内;响应于相对误差不在阈值范围内时,保存新的通信和计算资源分配方案,并通过块坐标下降法进行下一次迭代更新后,再次判断相对误差是否在阈值范围内;响应于相对误差在阈值范围内时,输出当前通信和计算资源分配方案,结束优化;响应于迭代次数超过规定最大次数时,输出当前通信和计算资源分配方案,结束优化;
所述终端设备和MEC服务器的参数包括:MEC服务器集合J、终端设备集合I、终端设备i需要压缩数据的原始大小Li、终端设备i所需的总压缩率βi、终端设备i在本地进行压缩的压缩率βi L、终端设备i在MEC服务器上进行压缩的压缩率βi E、终端设备i所分配到的带宽比例τi、终端设备i到MEC服务器j的信道增益hj,i、终端设备i的最大传输功率终端设备i的传输功率pi、终端设备i的最大允许时延/>终端设备执行压缩程序时每个CPU周期所消耗的能量Ei L、终端设备i的运算能力Fi L、MEC服务器执行压缩程序时每CPU周期所消耗的能量和终端设备与MEC服务器的关联因子aj,i;
所述优化问题模型为:
ET,i=pitT,i
rj,i=τiBlog2[1+pi|hj,i|2/(τiBN0)]
其中,E(A,τ,β,p)为系统总能耗,为本地压缩所产生的能耗,ET,i为传输的能耗,为终端设备i的上传数据在MEC服务器上压缩所需要的能耗,/>表示边缘服务器的能量能耗,Ti为压缩和传输产生的总时延,/>为设定的最大时延限制,/>为本地压缩所产生的时延,ε是取决于具体压缩方法的正常数,Fi L为终端设备i的运算能力,tT,i为传输数据所产生的时延,为电力服务终端设备集合,rj,i为第i个终端设备与第j个基站之间的传输速率,τi为表示第i个终端设备分配到的带宽比例的信道带宽分配因子,B表示总带宽,N0表示噪声功率,hj,i为第i个终端设备到第j个基站的信道增益;
根据初始通信和计算资源分配方案,通过块坐标下降法进行首次迭代更新,得到新的通信和计算资源分配方案及新的系统总能耗,包括:
将所述优化问题模型转化为连续化后的优化问题模型;
采用块坐标下降法将连续化后的优化问题分成多个子问题并迭代求解,得到新的系统总能耗;
所述连续化后的优化问题模型为:
其中,关联矩阵且/>辅助变量qj,i=aj,i/βi L。
5.多基站移动边缘计算系统传输计算联合优化装置,其特征是,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~3任一项所述方法的步骤。
6.计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时实现权利要求1~3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210281401.3A CN114786215B (zh) | 2022-03-22 | 2022-03-22 | 多基站移动边缘计算系统传输计算联合优化系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210281401.3A CN114786215B (zh) | 2022-03-22 | 2022-03-22 | 多基站移动边缘计算系统传输计算联合优化系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114786215A CN114786215A (zh) | 2022-07-22 |
CN114786215B true CN114786215B (zh) | 2023-10-20 |
Family
ID=82425702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210281401.3A Active CN114786215B (zh) | 2022-03-22 | 2022-03-22 | 多基站移动边缘计算系统传输计算联合优化系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114786215B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115412563B (zh) * | 2022-08-22 | 2024-03-22 | 西南交通大学 | 一种边缘设备资源分配方法、装置、设备及可读存储介质 |
CN116684483B (zh) * | 2023-08-02 | 2023-09-29 | 北京中电普华信息技术有限公司 | 一种边缘物联代理通信资源分配的方法及相关产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111132230A (zh) * | 2019-12-25 | 2020-05-08 | 东南大学 | 一种面向数据采集的带宽分配和数据压缩联合优化方法 |
CN111124666A (zh) * | 2019-11-25 | 2020-05-08 | 哈尔滨工业大学 | 一种移动物联网中的高效、安全的多用户多任务卸载方法 |
CN111988806A (zh) * | 2020-09-01 | 2020-11-24 | 重庆邮电大学 | 一种基于全双工中继的移动边缘计算网络资源分配方法 |
WO2021233053A1 (zh) * | 2020-05-22 | 2021-11-25 | 华为技术有限公司 | 计算卸载的方法和通信装置 |
KR20210147240A (ko) * | 2020-05-28 | 2021-12-07 | 한국과학기술원 | 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템 |
CN113950066A (zh) * | 2021-09-10 | 2022-01-18 | 西安电子科技大学 | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 |
CN114096006A (zh) * | 2021-08-18 | 2022-02-25 | 东南大学 | 移动边缘计算系统中资源分配和数据压缩联合优化方法 |
-
2022
- 2022-03-22 CN CN202210281401.3A patent/CN114786215B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124666A (zh) * | 2019-11-25 | 2020-05-08 | 哈尔滨工业大学 | 一种移动物联网中的高效、安全的多用户多任务卸载方法 |
CN111132230A (zh) * | 2019-12-25 | 2020-05-08 | 东南大学 | 一种面向数据采集的带宽分配和数据压缩联合优化方法 |
WO2021233053A1 (zh) * | 2020-05-22 | 2021-11-25 | 华为技术有限公司 | 计算卸载的方法和通信装置 |
KR20210147240A (ko) * | 2020-05-28 | 2021-12-07 | 한국과학기술원 | 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템 |
CN111988806A (zh) * | 2020-09-01 | 2020-11-24 | 重庆邮电大学 | 一种基于全双工中继的移动边缘计算网络资源分配方法 |
CN114096006A (zh) * | 2021-08-18 | 2022-02-25 | 东南大学 | 移动边缘计算系统中资源分配和数据压缩联合优化方法 |
CN113950066A (zh) * | 2021-09-10 | 2022-01-18 | 西安电子科技大学 | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 |
Non-Patent Citations (1)
Title |
---|
"基于数据压缩的移动边缘计算系统中的资源分配";张金悦雪;中国知网硕士学位论文;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114786215A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114786215B (zh) | 多基站移动边缘计算系统传输计算联合优化系统及方法 | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
Chen et al. | Federated learning over wireless IoT networks with optimized communication and resources | |
CN110417496B (zh) | 一种基于能效的认知noma网络顽健资源分配方法 | |
US20230010095A1 (en) | Methods for cascade federated learning for telecommunications network performance and related apparatus | |
CN110941675B (zh) | 一种基于深度学习的无线供能边缘计算延迟优化方法 | |
CN111132230B (zh) | 一种面向数据采集的带宽分配和数据压缩联合优化方法 | |
US10901388B2 (en) | Method and system for creating energy demand model | |
CN111796880B (zh) | 一种边缘云计算任务的卸载调度方法 | |
CN114723057A (zh) | 一种用于多接入边缘计算系统的神经网络协同推理方法 | |
CN116017577A (zh) | 一种基于下一代多址接入技术的无线联邦学习方法 | |
CN112486685B (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 | |
Nouri et al. | Energy optimal resource allocation for mobile edge computation offloading in presence of computing access point | |
CN115118327B (zh) | 一种基于动态测量反馈的卫星通信资源调度方法和系统 | |
Huang et al. | Joint topology and computation resource optimization for federated edge learning | |
CN112835710B (zh) | 一种基于移动边缘计算的电力线路状态分析系统及任务处理方法 | |
Yao et al. | Kalman filtering based adaptive transfer in energy harvesting IoT networks | |
CN107113742B (zh) | 一种功率信息的交互方法及设备 | |
CN104683442A (zh) | 一种在无线云计算下的移动设备能量优化分配方法 | |
CN114096006A (zh) | 移动边缘计算系统中资源分配和数据压缩联合优化方法 | |
CN215729726U (zh) | 5g边缘计算平台架构 | |
KR102554676B1 (ko) | 무선 네트워크를 통한 베이지안 연합학습 구동 방법 및 시스템 | |
CN117336824A (zh) | 移动边缘环境中面向联邦学习的分层节点选择方法 | |
CN115988543A (zh) | 一种基于数字孪生的无人机数能计算联合资源分配方法 | |
CN108235383B (zh) | 一种基于分散式能量控制的多移动运营商速率分配方法 |
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 |