CN114880038B - 移动边缘计算系统资源优化配置方法 - Google Patents
移动边缘计算系统资源优化配置方法 Download PDFInfo
- Publication number
- CN114880038B CN114880038B CN202110087751.1A CN202110087751A CN114880038B CN 114880038 B CN114880038 B CN 114880038B CN 202110087751 A CN202110087751 A CN 202110087751A CN 114880038 B CN114880038 B CN 114880038B
- Authority
- CN
- China
- Prior art keywords
- energy
- time slot
- queue
- mec server
- mobile user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims description 26
- 238000005265 energy consumption Methods 0.000 claims abstract description 40
- 238000007726 management method Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000013468 resource allocation Methods 0.000 claims abstract description 14
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 230000007774 longterm Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 206010057269 Mucoepidermoid carcinoma Diseases 0.000 description 62
- 238000005516 engineering process Methods 0.000 description 7
- 238000003306 harvesting Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
一种移动边缘计算系统资源优化配置方法,将智能电网与MEC系统相结合,建立MEC系统可与电网进行双向能源交易的系统模型,以基站的交易成本与移动用户总能耗的时间平均加权和作为系统平均代价,利用随机对偶次梯度方法,并引入虚拟能量队列,基于任务卸载、资源分配、能源管理及任务缓冲队列约束,确定计算资源优化决策、传输速率控制决策与能源管理策略。该方法可以动态地做出即时决策,而无需先验知晓任何信道、可再生能源和电价变化等随机过程的统计数据,并在能保证用户时延要求下最小化MEC系统长期平均代价。
Description
技术领域
本发明涉及的是一种智能电网控制领域的技术,具体是一种智能电网驱动的移动边缘计算系统资源优化配置方法。
背景技术
随着移动通信技术的快速演进与发展,各种可穿戴的智能终端与相应的应用也逐步开始普及。未来海量的新业务需求,例如虚拟现实/增强现实,超高清视频、车联网自动驾驶等,这些业务对实时计算能力,计算时延,用户体验,带宽等具有很高的要求,为解决这些挑战,移动边缘计算(Mobile Edge Computing,MEC)被认为是实现未来5G移动通信场景的关键技术。
对于移动边缘计算系统来说,随着未来配备MEC服务器的小型基站被密集部署,将产生巨大的能耗和二氧化碳排放量,电费成为蜂窝运营商运营支出的主要部分。因此设计绿色MEC系统,探求如何在满足用户计算服务需求的同时又能有效降低能耗成本,成为MEC可持续发展的一种必然思路和基础研究的新热点。另一方面,智能电网是世界电网发展的新趋势。下一代智能电网具有灵活性和多功能性,能够支持许多新功能,如可再生能源入网、分布式电力生成、双向电力流、电力交易等。引入智能电网技术的MEC系统与传统的MEC系统相比,拥有更多新的特性。新兴智能电网技术的引入,为提升MEC系统能效创造机遇,同时也对传统的MEC系统资源优化配置策略带来新的挑战。
发明内容
本发明针对现有技术存在的上述不足,提出一种移动边缘计算系统资源优化配置方法,将智能电网与MEC系统相结合,建立MEC系统可与电网进行双向能源交易的系统模型,以基站的交易成本与移动用户总能耗的时间平均加权和作为系统平均代价,利用随机对偶次梯度方法,并引入虚拟能量队列,基于任务卸载、资源分配、能源管理及任务缓冲队列约束,确定计算资源优化决策、传输速率控制决策与能源管理策略。该方法可以动态地做出即时决策,而无需先验知晓任何信道、可再生能源和电价变化等随机过程的统计数据,并在能保证用户时延要求下最小化MEC系统长期平均代价。
本发明是通过以下技术方案实现的:
本发明涉及一种移动边缘计算系统资源优化配置方法,包括:
步骤一、建模移动边缘计算系统:由多任务随机到达用户设备与MEC服务器组成的多用户MEC系统,用户设备和边缘服务器均具有任务缓冲能力,MEC服务器配备在一个小型基站(Basic Station,BS)处,该基站内置能量收集设备和可充电的电池,并通过能量收集设备从环境中收集可再生能源,以减少对智能电网的依赖,并且基站还根据动态的电力价格与智能电网进行双向能源交易,从而达到减少系统开销的目的。
步骤二、建立系统能耗模型,即基站在时隙t的能耗为: 其中:移动边缘计算服务器的计算任务能耗/>为电路、散热冷却、备用电池的静态能耗,δ为有效的开关电容系数,它取决于移动边缘服务器的芯片结构,/>为时隙t内MEC服务器的CPU频率;移动用户在时隙t的本地执行能耗/> 传输速率/>用户i在时隙t的卸载能耗为:/> 移动用户i在时隙t的能耗为:/> 为移动用户集合,∈i为移动用户i的有效的开关电容系数,取决于移动用户i的芯片结构,/>为移动用户i在时隙t的CPU频率,并满足:/>为用户允许的最大CPU频率,hi是从移动用户i到MEC服务器的有效信道增益,σ2是MEC服务器上接收器的噪声功率,ωi是分配给移动用户i的上行带宽/>W为系统带宽;当移动用户允许的最大传输速率为/>则移动用户的传输速率需要满足:/> 为MEC允许的最大CPU频率。
步骤三、建立系统队列模型:MEC服务器的队列输入是所有移动用户在时隙t向MEC服务器卸载的总任务量,输出是MEC服务器在时隙t计算的任务量,则MEC服务器的队列长度为:其中:/>是MEC服务器的计算速率,即单位时间MEC服务器计算的数据量;移动用户i在时隙t的队列长度/>k为本地计算每奈特所需的CPU周期数,/>为移动用户i在时隙t的本地计算速率,/>为移动用户i在t时隙的任务到达量,其应小于最大任务到达量,即:/>当队列满足以下条件时,MEC服务器的队列是稳定的,即/>
步骤四、建立能量双向交易模型:基站购买的能量为基站卖出的能量为/>基站的交易成本为:/> 其中:时隙t中获得的可再生能源为/>并且遵循独立同的分布;时隙t电网能量单位购买价格记为αt,电量卖出价格记为βt,为避免没有意义的买卖行为,αt和βt始终满足αt≥βt>0。
步骤五、构建系统长期平均成本最优化问题,具体为:在队列稳定性条件的约束下,最小化基站的交易成本与移动用户总能耗/>的时间平均加权和,在此定义为系统的平均代价,即:/>限制条件为:
s.t
其中:/>和/>分别为电池放电和充电的最大量且/>为时隙t电池的充(放)电量,当/>时,为电池充电,当/>时,为电池放电;/>为基站在时隙t刚开始时的能量状态,/>是允许的最小电池能量水平,/>是允许的最大电池能量水平。
步骤六、通过随机对偶次梯度方法得到分布式在线资源分配和负载管理方法(Distributed Online Resource allocation and Load management,DORL)进行资源优化配置,具体包括:
1)移动用户计算资源调度:在每个时隙,各移动用户分别使用优选的CPU频率对队列内进行本地计算,同时通过优选的卸载速率进行任务卸载;
2)MEC计算资源调度:在每个时隙,MEC服务器通过优选的CPU频率对从MEC服务器队列中的任务进行执行;
3)双向能量交易:在每个时隙结束时,基站通过预购市场当前电力价格和采集的可再生资源来确定与智能电网交易的能量大小,并对电池进行充放电;
4)队列更新:在每个时隙结束时,更新移动用户、MEC服务器的任务队列,虚拟能量队列。
技术效果
与传统的MEC系统相比,本发明引入智能电网技术的MEC系统,利用双向能源交易、可再生能源的利用等特性,考虑移动用户随即到达任务的动态特性,联合优化任务卸载、资源分配、能源管理。本发明仅需要当前时隙的系统信息,可以实现分布式在线控制决策,在能保证用户时延要求下最小化MEC系统长期平均代价。
本发明结合智能电网的多用户移动边缘计算系统场景,基站通过能量收集设备从环境中收集可再生能源(例如风能、太阳能等),以减少对智能电网的依赖。基站还根据动态的电力价格与智能电网进行双向能源交易,从而达到减少系统开销的目的。
本发明构建了最小化系统长期平均代价模型,引入随机对偶次梯度法及虚拟能量队列对放松过后的问题进行求解,问题在没有先验信息的情况下在每个时隙在线做出优化决策。
本发明中每个移动用户及MEC服务器可以独立进行计算资源调度,基站实现双向能源交易决策,以达到在能保证用户时延要求下最小化MEC系统长期平均代价的目的。
本发明根据分布式在线方法可以得到可行的、渐近最优的结果,并可动态地做出即时决策,而无需先验知晓任何信道、可再生能源和电价变化等随机过程的统计数据。
附图说明
图1为本发明流程图;
图2为基于能量收集和智能电网供电的MEC系统场景图;
图3为DORL流程示意图;
图4为不同方法得到的系统平均代价和平均队列长度图。
具体实施方式
如图2所示,为本实施例涉及的应用场景,即由智能电网供电的多用户MEC系统,该系统包括:一个MEC服务器和个移动用户,其中:MEC服务器配备在一个小型基站(Basic Station,BS)处,该基站内置能量收集设备和可充电的电池,并通过能量收集设备从环境中收集可再生能源(例如风能、太阳能等),以减少对智能电网的依赖,并且基站还根据动态的电力价格与智能电网进行双向能源交易,从而达到减少系统开销的目的。
在本实施例场景中,我们设置=10,能量购买价格αt由折叠正态分布产生αt=|x|,x~N(0,5),能量卖出价格满足βt=0.9αt,能量采集的样本由Weibull分布式风速和风速到风力功率的映射生成,风力功率容量为/>同时令初始的电池能量水平/>为5kJ,电池的最大能量水平/>最小能量水平/>每时隙任务到达数据量也服从均值104奈特的折叠正态分布,/>为2GHz,/>为1GHz,移动边缘计算服务器与移动用户i的有效开关电容系数∈i,δ为10-27,MEC服务器接收机的噪声功率σ2=10-9W,从移动用户i到MEC服务器的有效信道增益hi=10-6,系统带宽W为10MHz,基站静态能耗/>为10kJ。
当每个时隙持续时间是单位时间,所以可将“能量”和“功率”的概念互换使用。
如图1所示,为本实施例涉及一种智能电网驱动的移动边缘计算系统资源优化配置方法,包括:
步骤1)系统能耗模型建模:
1.1移动用户能耗:本实施例定义移动用户在时隙t的CPU频率为并满足: 其中:/>为用户允许的最大CPU频率。移动用户在本地执行时,能耗由CPU运行产生,因此所有移动用户在时隙t的本地执行能耗为:/>其中:∈i是有效的开关电容系数,取决于移动用户i的芯片结构。
所述的移动用户i在时隙t的卸载能耗为该能耗小于移动用户允许的最大传输能耗,根据Shannon公式,时隙t移动用户i的传输速率/>其中:hi是从移动用户i到MEC服务器的有效信道增益,σ2是MEC服务器上接收器的噪声功率,ωi是分配给移动用户i的上行带宽,系统带宽W是平均分配给每个用户的,所以有/>当移动用户允许的最大传输速率为/>则移动用户的传输速率需要满足:/>得到用户i在时隙t的卸载能耗为:/>得到移动用户i在时隙t的能耗为:/>
1.2 MEC服务器能耗:时隙t内MEC服务器的CPU频率小于允许的最大CPU频率,即时隙t移动边缘计算服务器的计算任务能耗满足:/>其中:δ也是有效的开关电容系数,它取决于MEC服务器的芯片结构。
1.3基站能耗:除任务计算能耗,还包括电路、散热冷却、备用电池等耗能,当这些能耗为静态能耗,用表示,则基站的总能量消耗满足:/>
步骤2)系统队列模型建模:根据系统场景,本实施例当移动用户的任务随机到达并遵循独立同分布,这些任务在一个时隙内部分卸载到MEC服务器,或者在本地进行计算执行。每个移动用户和MEC服务器都有一个队列缓冲区,到达但尚未执行的任务将会被添加到队列缓冲区中,按照先进先出的原则,对到达的任务进行编排和执行。
2.1移动用户队列:本实施例中移动用户i在时隙t的队列长度 其中:k为本地计算每奈特所需的CPU周期数,因此/>为移动用户i在时隙t的本地计算速率,/>为移动用户i在t时隙的任务到达量,其应小于最大任务到达量,即:/>
2.2 MEC队列:MEC服务器的队列输入是所有移动用户在时隙t向MEC服务器卸载的总任务量,输出是MEC服务器在时隙t计算的任务量,因此MEC服务器的队列长度为: 其中:/>是MEC服务器的计算速率,即单位时间MEC服务器计算的数据量。
2.3电池水平:由于放电深度会影响电池寿命,使得电池不可靠,因此充放电容量必须满足:其中:/>和/>分别为电池放电和充电的最大量;根据电池充放电量,令/>为基站在时隙t刚开始时的能量状态,然后可得到基站侧电池水平的动态方程为:/>考虑到电池的储存能量的能力有限,即有电池容量的限制,满足:/> 其中:/>是允许的最小电池能量水平,/>是允许的最大电池能量水平。
步骤3)基站与智能电网的双向交易模型建模:在时隙t中获得的可再生能源为并且遵循独立同的分布。从双向能源交易机制中得到基站购买的能量为/>基站卖出的能量为/>时隙t电网能量单位购买价格记为αt,电量卖出价格记为βt,为避免没有意义的买卖行为,αt和βt始终满足αt≥βt>0,本实施例得到基站的交易成本为:/>
步骤4)构建优化问题:根据系统场景建模,本实施例提出结合智能电网技术的MEC系统资源优化问题,具体为在队列稳定性条件的约束下,最小化基站的交易成本与移动用户总能耗/>的时间平均加权和,在此定义为系统的平均代价。优化问题还需要满足系统计算资源,电池充放电及容量水平等限制,本实施例通过引入辅助变量 从而消除变量/>具体为:
s.t其中:/>
所有随机变量都取期望值,到达任务购买价格αt,销售价格βt,收集的能量/>均为随机的。w为权值,移动用户总能耗的权重通过改变w的值来进行调整。
步骤5)分布式在线资源分配和负载管理(DORL)方法进行资源优化配置:利用随机对偶次梯度方法对目标优化问题进行放松并分解为四个子问题进行求解,得到了分布式在线资源分配和负载管理(DORL)方法。DORL方法流程图如图3所示,具体为:
5.1初始化,引入虚拟能量队列:移动用户缓存区队列长度MEC服务器缓存区队列长度/>所述虚拟能量队列为电池能量水平的线性映射,即:/>其中/>为梯度更新步长。
5.2基站广播:在每个时隙t,基站向其关联的所有移动用户广播值。
5.3移动用户计算资源调度:在每个时隙t,每个移动用户求解计算资源优化问题:得到移动用户CPU资源分配决策/>在每个时隙t,每个移动用户求解传输速率控制问题:/> 得到移动用户传输速率控制决策/>
在每个时隙,各移动用户分别使用优选的CPU频率对队列内的任务进行本地计算,同时通过优选的卸载速率/>进行任务卸载,将任务传输到MEC服务器进行计算;
5.4 MEC计算资源调度:基站侧独立分布式求解MEC服务器计算资源优化问题:获得MEC服务器的最优CPU频率/>
在每个时隙,MEC服务器通过优选的CPU频率对从MEC服务器队列中的任务进行执行;
5.5双向能量交易:基站侧求解能源管理优化问题: 获得基站最优的能源管理决策/>并基于/>得到电池最优的充放电量/>
在每个时隙结束时,通过优选的确定与智能电网交易的能量大小,并对电池进行充放电;
5.6队列更新:在每个时隙结束时,更新移动用户、MEC服务器的任务队列,虚拟能量队列
本实施例利用软件对智能电网供电的多用户MEC系统进行建模,利用本发明中的分布式在线资源分配和负载管理方法(DORL algorithm)对系统进行资源配置,并与贪婪方法(greedy algorithm)及不考虑可再生能源的DORL方法(DORL without RES algorithm)作为基准进行对比,在图4中展示了这三种方法下系统平均代价和平均队列长度在500个时隙内变化的结果。可以看出利用DORL方法对智能电网驱动的移动边缘计算系统进行配置,可以在保证队列稳定的同时得到更小的系统平均代价。
综上,与现有技术相比,本发明基于智能电网驱动的移动边缘计算系统,对能耗、队列、双向能源交易进行了建模,目标是在保证用户时延的条件下最小化系统平均代价的问题,通过随机对偶次梯度方法,得到了分布式在线资源分配和负载管理方法,即为资源优化配置方法,解决智能电网驱动的移动边缘计算系统资源分配、任务卸载、能源管理联合优化问题;本发明所带来的系统平均代价可以更近似于已知先验的未来的系统信息得到的最优解,且可以即时做出决策。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (2)
1.一种移动边缘计算系统资源优化配置方法,其特征在于,包括:
步骤一、建模移动边缘计算系统:由多任务随机到达用户设备与MEC服务器组成的多用户MEC系统,用户设备和边缘服务器均具有任务缓冲能力,MEC服务器配备在一个小型基站处,该基站内置能量收集设备和可充电的电池,并通过能量收集设备从环境中收集可再生能源,以减少对智能电网的依赖,并且基站还根据动态的电力价格与智能电网进行双向能源交易,从而达到减少系统开销的目的;
步骤二、建立系统能耗模型,即基站在时隙t的能耗为: 其中:移动边缘计算服务器的计算任务能耗/>为电路、散热冷却、备用电池的静态能耗,δ为有效的开关电容系数,它取决于移动边缘服务器的芯片结构,为时隙t内MEC服务器的CPU频率;移动用户在时隙t的本地执行能耗/> 传输速率/>用户i在时隙t的卸载能耗为:/>移动用户i在时隙t的能耗为:/>为移动用户集合,∈i为有效的开关电容系数,取决于移动用户i的芯片结构,/>为移动用户i在时隙t的CPU频率,并满足:/>为用户允许的最大CPU频率,hi是从移动用户i到MEC服务器的有效信道增益,σ2是MEC服务器上接收器的噪声功率,ωi是分配给移动用户i的上行带宽/>W为系统带宽;当移动用户允许的最大传输速率为/>则移动用户的传输速率需要满足:/>为MEC允许的最大CPU频率;
步骤三、建立系统队列模型:MEC服务器的队列输入是所有移动用户在时隙t向MEC服务器卸载的总任务量,输出是MEC服务器在时隙t计算的任务量,则MEC服务器的队列长度为:其中:/>是MEC服务器的计算速率,即单位时间MEC服务器计算的数据量;移动用户i在时隙t的队列长度/>k为本地计算每奈特所需的CPU周期数,/>为移动用户i在时隙t的本地计算速率,/>为移动用户i在t时隙的任务到达量,其应小于最大任务到达量,即:/>当队列满足以下条件时,MEC服务器的队列是稳定的,即/>
步骤四、建立能量双向交易模型:基站购买的能量为基站卖出的能量为/>基站的交易成本为:/> 其中:时隙t中获得的可再生能源为/>并且遵循独立同分布;时隙t电网能量单位购买价格记为αt,电量卖出价格记为βt,为避免没有意义的买卖行为,αt和βt始终满足αt≥βt>0;
步骤五、构建系统长期平均成本最优化问题,具体为:在队列稳定性条件的约束下,最小化基站的交易成本与移动用户总能耗/>的时间平均加权和,在此定义为系统的平均代价,即:/>限制条件为:
其中:/>和/>分别为电池放电和充电的最大量且/>为时隙t电池的充放电量,当/>时,为电池充电,当/>时,为电池放电;/>为基站在时隙t刚开始时的能量状态,/> 是允许的最小电池能量水平,/>是允许的最大电池能量水平;
步骤六、通过随机对偶次梯度方法得到分布式在线资源分配和负载管理方法进行资源优化配置,具体包括:
1)移动用户计算资源调度:在每个时隙,各移动用户分别使用优选的CPU频率对队列内进行本地计算,同时通过优选的卸载速率进行任务卸载;
2)MEC计算资源调度:在每个时隙,MEC服务器通过优选的CPU频率对从MEC服务器队列中的任务进行执行;
3)双向能量交易:在每个时隙结束时,基站通过预购市场当前电力价格和采集的可再生资源来确定与智能电网交易的能量大小,并对电池进行充放电;
4)队列更新:在每个时隙结束时,更新移动用户、MEC服务器的任务队列,虚拟能量队列。
2.根据权利要求1所述的移动边缘计算系统资源优化配置方法,其特征是,所述的分布式在线资源分配和负载管理方法进行资源优化配置,具体为:
5.1初始化,引入虚拟能量队列:移动用户缓存区队列长度MEC服务器缓存区队列长度/>所述虚拟能量队列为电池能量水平的线性映射,即:/>其中/>为梯度更新步长;
5.2基站广播:在每个时隙t,基站向其关联的所有移动用户广播值;
5.3移动用户计算资源调度:在每个时隙t,每个移动用户求解计算资源优化问题:得到移动用户CPU资源分配决策/>在每个时隙t,每个移动用户求解传输速率控制问题:/> 得到移动用户传输速率控制决策/>在每个时隙,各移动用户分别使用优选的CPU频率/>对队列内的任务进行本地计算,同时通过优选的卸载速率/>进行任务卸载,将任务传输到MEC服务器进行计算;
5.4MEC计算资源调度:基站侧独立分布式求解MEC服务器计算资源优化问题:获得MEC服务器的最优CPU频率/>在每个时隙,MEC服务器通过优选的CPU频率/>对从MEC服务器队列中的任务进行执行;
5.5双向能量交易:基站侧求解能源管理优化问题: 获得基站最优的能源管理决策/>并基于/> 得到电池最优的充放电量/>在每个时隙结束时,通过优选的/>确定与智能电网交易的能量大小,并对电池进行充放电;
5.6队列更新:在每个时隙结束时,更新移动用户、MEC服务器的任务队列,虚拟能量队列
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087751.1A CN114880038B (zh) | 2021-01-22 | 2021-01-22 | 移动边缘计算系统资源优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087751.1A CN114880038B (zh) | 2021-01-22 | 2021-01-22 | 移动边缘计算系统资源优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114880038A CN114880038A (zh) | 2022-08-09 |
CN114880038B true CN114880038B (zh) | 2023-12-19 |
Family
ID=82667043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087751.1A Active CN114880038B (zh) | 2021-01-22 | 2021-01-22 | 移动边缘计算系统资源优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880038B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116107734A (zh) * | 2022-11-02 | 2023-05-12 | 贵州电网有限责任公司 | 一种混合供电场景下智能电网基站分布式资源分配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110113195A (zh) * | 2019-04-26 | 2019-08-09 | 山西大学 | 一种移动边缘计算系统中联合卸载判决和资源分配的方法 |
CN110351760A (zh) * | 2019-07-19 | 2019-10-18 | 重庆邮电大学 | 一种移动边缘计算系统动态任务卸载及资源分配方法 |
CN111132175A (zh) * | 2019-12-18 | 2020-05-08 | 西安电子科技大学 | 一种协同计算卸载和资源分配方法及应用 |
CN111163519A (zh) * | 2019-12-27 | 2020-05-15 | 东北大学秦皇岛分校 | 系统收益最大化的无线体域网资源分配与任务卸载算法 |
CN111278132A (zh) * | 2020-01-19 | 2020-06-12 | 重庆邮电大学 | 移动边缘计算中面向低时延高可靠业务的资源分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
-
2021
- 2021-01-22 CN CN202110087751.1A patent/CN114880038B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110113195A (zh) * | 2019-04-26 | 2019-08-09 | 山西大学 | 一种移动边缘计算系统中联合卸载判决和资源分配的方法 |
CN110351760A (zh) * | 2019-07-19 | 2019-10-18 | 重庆邮电大学 | 一种移动边缘计算系统动态任务卸载及资源分配方法 |
CN111132175A (zh) * | 2019-12-18 | 2020-05-08 | 西安电子科技大学 | 一种协同计算卸载和资源分配方法及应用 |
CN111163519A (zh) * | 2019-12-27 | 2020-05-15 | 东北大学秦皇岛分校 | 系统收益最大化的无线体域网资源分配与任务卸载算法 |
CN111278132A (zh) * | 2020-01-19 | 2020-06-12 | 重庆邮电大学 | 移动边缘计算中面向低时延高可靠业务的资源分配方法 |
Non-Patent Citations (1)
Title |
---|
面向多用户移动边缘计算轻量任务卸载优化;张文献;杜永文;张希权;;小型微型计算机系统(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114880038A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Dynamic task offloading for mobile edge computing with hybrid energy supply | |
Jin et al. | Optimized electric vehicle charging with intermittent renewable energy sources | |
CN110113195B (zh) | 一种移动边缘计算系统中联合卸载判决和资源分配的方法 | |
Guo et al. | Optimal power management of residential customers in the smart grid | |
Chen et al. | Cooling-aware energy and workload management in data centers via stochastic optimization | |
CN110798858B (zh) | 基于代价效率的分布式任务卸载方法 | |
CN111107153B (zh) | 一种电力物联网中基于d2d通信的mec定价卸载方法 | |
CN110968366B (zh) | 一种基于有限mec资源的任务卸载方法、装置及设备 | |
Chekired et al. | Queuing model for evs energy management: Load balancing algorithms based on decentralized fog architecture | |
Tian et al. | User preference-based hierarchical offloading for collaborative cloud-edge computing | |
Tianze et al. | Consumption considered optimal scheme for task offloading in mobile edge computing | |
CN110287034A (zh) | 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 | |
CN114880038B (zh) | 移动边缘计算系统资源优化配置方法 | |
Yao et al. | Deep reinforcement learning based offloading scheme for mobile edge computing | |
CN110996390B (zh) | 一种无线接入网络计算资源分配方法及网络系统 | |
Chen et al. | Distributed online optimization of edge computing with mixed power supply of renewable energy and smart grid | |
CN114449490A (zh) | 基于d2d通信的多任务联合计算卸载与资源分配方法 | |
Wang et al. | Power-minimization computing resource allocation in mobile cloud-radio access network | |
CN108650710B (zh) | 基于混合多址接入的无线供能通信网络的资源分配方法 | |
CN110958675A (zh) | 基于5g雾计算节点的终端接入方法 | |
Ghassemi et al. | A stochastic approach to energy cost minimization in smart-grid-enabled data center network | |
Wang et al. | A game theoretical charging scheme for electric vehicles in smart community | |
CN115955479A (zh) | 一种云边端协作系统中的任务快速调度与资源管理方法 | |
Qiao et al. | Multiple time-scale energy scheduling with energy harvesting aided heterogeneous cloud radio access networks | |
Qi et al. | Joint network selection and task offloading in mobile edge computing |
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 |