CN114980039A - D2d协作计算的mec系统中的随机任务调度和资源分配方法 - Google Patents

D2d协作计算的mec系统中的随机任务调度和资源分配方法 Download PDF

Info

Publication number
CN114980039A
CN114980039A CN202210569951.5A CN202210569951A CN114980039A CN 114980039 A CN114980039 A CN 114980039A CN 202210569951 A CN202210569951 A CN 202210569951A CN 114980039 A CN114980039 A CN 114980039A
Authority
CN
China
Prior art keywords
computing
mec
resource allocation
calculation
optimization
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.)
Granted
Application number
CN202210569951.5A
Other languages
English (en)
Other versions
CN114980039B (zh
Inventor
卢健圳
王康
伍沛然
夏明华
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210569951.5A priority Critical patent/CN114980039B/zh
Publication of CN114980039A publication Critical patent/CN114980039A/zh
Application granted granted Critical
Publication of CN114980039B publication Critical patent/CN114980039B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0446—Resources in time domain, e.g. slots or frames
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明针对现有技术的局限性，提出了一种D2D协作计算的MEC系统中的随机任务调度和资源分配方法，通过引入D2D协作计算，边缘设备计算任务不仅可以被卸载到服务器侧，同时可被卸载到临近设备，提升了系统的灵活性，提高了任务的处理速度；通过将能量消耗平均加权作为优化性能指标，提升了系统的长期性能，增强了系统的稳定性；另外，本发明基于李雅普诺夫优化算法的在线任务卸载和资源管理算法设计无需任务到达时间和无线信道衰落先验条件，能够实时有效地进行任务和资源决策。

Description

D2D协作计算的MEC系统中的随机任务调度和资源分配方法
技术领域
本发明涉及移动通信系统的技术领域，具体地，移动边缘计算方面的应用；更具体地，涉及一种D2D协作计算的MEC系统中的随机任务调度和资源分配方法。
背景技术
移动边缘计算(mobile edge computing，MEC)通过将资源推向网络边缘，对边缘设备收集或产生的数据就地处理，能够有效实现5G中通信、计算、控制和缓存一体化的愿景。同时，通过计算卸载等方式，能够显著地降低任务的执行时间，节约边缘设备的能量消耗。
为在多用户MEC系统中实现协作任务执行，设备间(device-to-device，D2D)协同计算技术被引入到MEC系统之中。在动态网络环境中，可通过充分利用大量设备的计算与通信资源实现协同计算。授权公告日为2021.11.02的中国发明专利：一种超密异构网络中联合下上行的边缘计算迁移方法中，首先将联合上下行的计算迁移问题建模为最小化系统时延优化模型，并同时考虑节省用户设备的能耗。由于联合下行链路和上行链路计算迁移问题是一个混合整数规划问题，从而转化为资源分配子问题和计算迁移子问题。
然而，现有技术忽略了任务到达时间之间的耦合性，只考虑了在严格时延或能量限制下的短期性能表现。这种考虑在确定性问题优化中能够接受，然而在时变信道和随机到达时间的影响之下，MEC网络具有时变特性。综上，在支持D2D的MEC网络中，为适应D2D异构、时变的业务量，D2D动态调度问题需要进一步被研究。
发明内容
针对现有技术的局限，本发明提出一种D2D协作计算的MEC系统中的随机任务调度和资源分配方法，本发明采用的技术方案是：
一种D2D协作计算的MEC系统中的随机任务调度和资源分配方法，包括以下步骤：
S1，以终端设备和MEC服务器的能量消耗平均加权和作为优化目标，构建基于D2D协作计算的异构MEC系统模型；
S2，运用李雅普诺夫优化方法，将所述异构MEC系统模型涉及的优化问题转换为各时隙内的子问题；
S3，将所述子问题进一步分解为计算频率控制与计算资源分配问题以及卸载策略与发射功率控制问题；
S4，在各时隙内，对所述计算频率控制与计算资源分配问题进行闭式求解，对所述卸载策略与发射功率控制问题进行交替优化。
相较于现有技术，本发明通过引入D2D协作计算，边缘设备计算任务不仅可以被卸载到服务器侧，同时可被卸载到临近设备，提升了系统的灵活性，提高了任务的处理速度；通过将能量消耗平均加权作为优化性能指标，提升了系统的长期性能，增强了系统的稳定性；另外，本发明基于李雅普诺夫优化算法的在线任务卸载和资源管理算法设计无需任务到达时间和无线信道衰落先验条件，能够实时有效地进行任务和资源决策。
作为一种优选方案，在所述异构MEC系统模型中，包含N个终端设备以及一个位于基站的MEC服务器，所述终端设备表示为
Figure BDA0003659824970000021
所述MEC服务器包含一个Z核CPU，表示为
Figure BDA0003659824970000022
各终端设备分别包含一个CPU，通过蜂窝网络接口与其它终端设备进行通信；到达所述终端设备但未处理的任务将会排队等待处理；排队中的任务可通过D2D链路，以任务卸载的方式交付给所述MEC服务器或临近的终端设备处理；
所述异构MEC系统模型所表示的网络通过时隙的方式进行运作，时隙的长度记为τ，时隙索引t∈1，2，…，T；网络中的所有计算节点记作
Figure BDA0003659824970000023
其包含MEC服务器以及N个终端设备，索引号记作0；网络中的网络控制器具有系统全局信息，所述系统全局信息包含各终端设备的位置及各终端设备的队列的积压长度；通过所述网络控制器为各计算节点进行连接、资源分配和任务调度，各计算节点可在网络控制器的协助下同时保持蜂窝和D2D连接，各时隙只允许在一条链路上进行数据传输；各终端设备之间的连接以节点连接图
Figure BDA0003659824970000024
表示，其中，
Figure BDA0003659824970000025
dmax表示D2D可通信的最大距离；
在所述异构MEC系统模型中，所述终端设备的任务允许以计算比特的方式进行分割，根据分割结果分别在所述终端设备的本地以及所述终端设备临近的计算节点执行；
在所述异构MEC系统模型中，以变量xnm∈{0，1}表示终端设备n是否将计算任务卸载到终端设备m处，当m＝0时，表示卸载到MEC服务器；各终端在一个时隙内只能作为卸载决策的发射端或接收端，在时隙t，计算卸载策略
Figure BDA0003659824970000031
满足：
Figure BDA0003659824970000032
进一步的，所述终端设备和MEC服务器的能量消耗平均加权和按以下公式表示：
Figure BDA0003659824970000033
其中，ωn和ωs分别表示终端设备和MEC服务器在功耗计算时的权重；Pn(t)表示终端设备n在时隙t消耗的功率，Ps(t)表示MEC服务器的功耗。
更进一步的，所述优化问题
Figure BDA0003659824970000034
按以下公式表示：
Figure BDA0003659824970000035
Figure BDA0003659824970000036
Figure BDA0003659824970000037
Figure BDA0003659824970000038
Figure BDA0003659824970000039
Figure BDA00036598249700000310
Figure BDA00036598249700000311
Figure BDA00036598249700000312
其中，
Figure BDA00036598249700000313
表示卸载策略；
Figure BDA00036598249700000314
表示计算频率控制与计算资源分配策略；
Figure BDA00036598249700000315
表示发射功率控制策略定义；
Figure BDA00036598249700000316
表示终端设备的计算频率；
Figure BDA00036598249700000317
表示MEC服务器的计算频率；
Figure BDA0003659824970000041
表示计算资源分配结果；
Figure BDA0003659824970000042
表示终端设备在各通信链路上的发射功率决策。
更进一步的，所述子问题
Figure BDA0003659824970000043
按以下公式表示：
Figure BDA0003659824970000044
其中，Φ(t)＝{X(t)，P(t)，fd(t)，fs(t)，Ds(t)}；
Figure BDA0003659824970000045
V≥0为控制变量，其单位为(bits2/W)，用于控制功耗与队列积压之间的折衷。
更进一步的，终端设备的计算频率控制与计算资源分配问题
Figure BDA0003659824970000046
按以下公式表示：
Figure BDA0003659824970000047
MEC服务器的计算频率控制与计算资源分配问题
Figure BDA0003659824970000048
按以下公式表示：
Figure BDA0003659824970000049
更进一步的，对于特定的计算频率控制与计算资源分配策略{f(t)，fs(t)，Ds(t)}，所述步骤S3中将问题
Figure BDA00036598249700000410
分解为以下卸载策略与发射功率控制问题
Figure BDA00036598249700000411
Figure BDA0003659824970000051
本发明还提供以下内容：
一种D2D协作计算的MEC系统中的随机任务调度和资源分配平台，包括依序连接的模型构建模块、李雅普诺夫优化模块、优化问题分解模块以及优化问题求解模块；其中：
所述模型构建模块用于以终端设备和MEC服务器的能量消耗平均加权和作为优化目标，构建基于D2D协作计算的异构MEC系统模型；
所述李雅普诺夫优化模块用于运用李雅普诺夫优化方法，将所述异构MEC系统模型涉及的优化问题转换为各时隙内的子问题；
所述优化问题分解模块用于将所述子问题进一步分解为计算频率控制与计算资源分配问题以及卸载策略与发射功率控制问题；
所述优化问题求解模块用于在各时隙内，对所述计算频率控制与计算资源分配问题进行闭式求解，对所述卸载策略与发射功率控制问题进行交替优化。
一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法的步骤。
一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如前述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法的步骤。
附图说明
图1为本发明实施例提供的一种D2D协作计算的MEC系统中的随机任务调度和资源分配方法的步骤示意图；
图2为本发明实施例提供的基于D2D协作计算的异构MEC系统模型；
图3为含4个终端设备的D2D-MEC的一般图例；
图4为本发明实施例提供的基于求解问题
Figure BDA0003659824970000061
的卸载策略和资源管理算法伪代码示意图；
图5为不同方案的队列稳定性对比结果；
图6为不同方案的平均功耗性能对比结果；
图7为不同方案的平均时延对比结果；
图8为不同设备数量下的性能比较结果；
图9为参数Amax和ωs取值对系统性能的影响；
图10为不同ωs取值时MEC功耗与设备功耗的对比；
图11为本发明实施例提供的一种D2D协作计算的MEC系统中的随机任务调度和资源分配平台的示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。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在本申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例针对D2D协同计算的MEC系统任务卸载与资源管理问题，通过采用终端设备和MEC服务器能量消耗平均加权和作为优化目标，构建系统模型。针对该系统模型中所要求解的随机优化问题，通过引用李雅普诺夫优化方法，将该问题优化为每个时隙内的子问题。其后，在每个时隙内，对CPU频率和计算资源分配问题进行闭式求解，同时，通过交替优化的方式计算发射功率与任务调度决策。
请参考图1，一种D2D协作计算的MEC系统中的随机任务调度和资源分配方法，包括以下步骤：
S1，以终端设备和MEC服务器的能量消耗平均加权和作为优化目标，构建基于D2D协作计算的异构MEC系统模型；
S2，运用李雅普诺夫优化方法，将所述异构MEC系统模型涉及的优化问题转换为各时隙内的子问题；
S3，将所述子问题进一步分解为计算频率控制与计算资源分配问题以及卸载策略与发射功率控制问题；
S4，在各时隙内，对所述计算频率控制与计算资源分配问题进行闭式求解，对所述卸载策略与发射功率控制问题进行交替优化。
相较于现有技术，本发明通过引入D2D协作计算，边缘设备计算任务不仅可以被卸载到服务器侧，同时可被卸载到临近设备，提升了系统的灵活性，提高了任务的处理速度；通过将能量消耗平均加权作为优化性能指标，提升了系统的长期性能，增强了系统的稳定性；另外，本发明基于李雅普诺夫优化算法的在线任务卸载和资源管理算法设计无需任务到达时间和无线信道衰落先验条件，能够实时有效地进行任务和资源决策。
作为一种优选实施例，在所述异构MEC系统模型中，请参阅图2，包含N个终端设备以及一个位于基站的MEC服务器，所述终端设备表示为
Figure BDA0003659824970000081
Figure BDA0003659824970000082
所述MEC服务器包含一个Z核CPU，表示为
Figure BDA0003659824970000083
各终端设备分别包含一个CPU，通过蜂窝网络接口与其它终端设备进行通信；到达所述终端设备但未处理的任务将会排队等待处理；排队中的任务可通过D2D链路，以任务卸载的方式交付给所述MEC服务器或临近的终端设备处理；
所述异构MEC系统模型所表示的网络通过时隙的方式进行运作，时隙的长度记为τ，时隙索引t∈1，2，…，T；网络中的所有计算节点记作
Figure BDA0003659824970000084
其包含MEC服务器以及N个终端设备，索引号记作0；网络中的网络控制器具有系统全局信息，所述系统全局信息包含各终端设备的位置及各终端设备的队列的积压长度；通过所述网络控制器为各计算节点进行连接、资源分配和任务调度，各计算节点可在网络控制器的协助下同时保持蜂窝和D2D连接，各时隙只允许在一条链路上进行数据传输；各终端设备之间的连接以节点连接图
Figure BDA0003659824970000085
表示，其中，
Figure BDA0003659824970000086
dmax表示D2D可通信的最大距离；
在所述异构MEC系统模型中，所述终端设备的任务允许以计算比特的方式进行分割，根据分割结果分别在所述终端设备的本地以及所述终端设备临近的计算节点执行；将时隙t初始到达终端n处的计算量记为An(t)，其满足An(t)≤An，max。不同时隙的任务独立同分布，其均值
Figure BDA0003659824970000087
将时隙t终端n处通过本地执行和卸载处理的计算量记作Dn(t)，新到达的任务量记作Kn(t)，其包含本地新产生的任务量及接收自其它设备的任务量，即Kn(t)＝Cn(t)+An(t)。其中，Cn(t)表示节点n接收自其它设备的任务量。将时隙t初始终端n处队列积压长度记作Qn(t)，向量QT(t)＝[Q1(t)，…，QN(t)]表示所有终端的队列长度，其值随时间更新如下：
Qn(t+1)＝max{Qn(t)-Dn(t)，0}+Kn(t). (1)
同样地，将时隙t初始MEC服务器处积压队列长度记作GT(t)＝[G1(t)，…，GN(t)]，其值更新方式如下：
Gn(t+1)＝max{Gn(t)-Ds，n(t)，0}+Ks，n(t)， (2)
其中，Ds，n(t)表示服务器在时隙t处理的来自终端n的数据量，卸载自终端n并存储在MEC服务器任务缓存区的任务量记作Ks，n(t)。
在时隙t，终端n通过本地CPU处理的计算比特数记作
Figure BDA0003659824970000091
其与CPU频率fn相关，该值由基站侧网络控制器决定。cn表示执行一个计算比特所需CPU周期数。相应地，时隙t终端n消耗的能量为Pn(t)＝κn(fn(t))3， (4)
其中，κn表示晶体管有效开关电容系数，其值与CPU硬件架构相关。
在所述异构MEC系统模型中，以变量xnm∈{0，1}表示终端设备n是否将计算任务卸载到终端设备m处，当m＝0时，表示卸载到MEC服务器；各终端在一个时隙内只能作为卸载决策的发射端或接收端，在时隙t，计算卸载策略
Figure BDA0003659824970000092
满足：
Figure BDA0003659824970000093
则终端n在时隙t通过蜂窝网向MEC服务器卸载的计算量可表示为：
Figure BDA0003659824970000094
其中，BC表示频分多址所使用的带宽；N0为基站侧噪声功率谱密度；pn0(t)为终端n的发射功率；则Ks，n(t)＝xn0(t)Rn0(t)。
同时，服务器端的功耗为
Figure BDA0003659824970000095
其中fs，z(t)表示MEC服务器第z个处理器在时隙t采用的计算频率。
同样地，终端可通过D2D链路将计算任务卸载到其它终端设备，则时隙t终端n可向终端m卸载的任务量为
Figure BDA0003659824970000096
其中，BD表示D2D链路传输带宽；pnm(t)表示终端n的发射功率；|hnm(t)|2为D2D链路信道增益。此外，其接收来自其他设备的任务量为
Figure BDA0003659824970000101
综上，终端n在时隙t完成的计算任务量为
Figure BDA0003659824970000102
其由本地计算、基于D2D链路的D2D卸载和基于MEC服务器的任务卸载三部分组成。相应地，其消耗的总功率为
Figure BDA0003659824970000103
本技术将系统的长期时间平均功耗作为系统的性能指标，其定义为在T个系统时隙内平均每个时隙所有设备的功耗和MEC服务器的功耗的加权和，可表示为：
Figure BDA0003659824970000104
其中，ωn和ωs分别表示边缘设备和服务器在功耗计算时的权重，可用于调节两者的功耗比例。
此外，系统计算的总时延与系统内的平均任务队列长度成比例关系，本技术在研究设备通过相互协作计算降低功耗的同时，还关注了系统中功耗和时延的折衷关系。系统的平均计算时延定义为系统内所有缓存队列积压长度的时间平均值与任务随机到达的均值之和的比值，即
Figure BDA0003659824970000105
功耗最小化问题的建立与简化：
根据以上模型，将卸载策略定义为
Figure BDA0003659824970000106
计算控制和资源分配策略定义为
Figure BDA0003659824970000107
发射功率控制策略定义为
Figure BDA0003659824970000108
Figure BDA0003659824970000109
其中，
Figure BDA00036598249700001010
为边缘设备的计算频率；
Figure BDA00036598249700001011
Figure BDA00036598249700001012
为MEC服务器的计算频率；
Figure BDA00036598249700001013
表示计算资源分配结果；
Figure BDA00036598249700001014
为设备在各通信链路上的发射功率决策。
则以最小化系统的长期平均功耗为目标的优化问题可定义为
Figure BDA0003659824970000111
Figure BDA0003659824970000112
Figure BDA0003659824970000113
Figure BDA0003659824970000114
Figure BDA0003659824970000115
Figure BDA0003659824970000116
Figure BDA0003659824970000117
Figure BDA0003659824970000118
其中，公式(14a)约束了卸载策略的可行域；公式(14b)和(14c)分别表示设备的最大发射功率限制和最大计算频率限制；为设备n的发射功率上限值，fn，max为设备n的计算频率上限值；
Figure BDA0003659824970000119
为MEC服务器第z个处理器的最大计算频率；公式(14d)保证分配的计算资源之和不能超过资源总量；公式(14e)和(14f)要求所有计算节点的队列达到平均率稳定，从而保证计算任务都能在有限时间内完成。
由于上述问题中卸载策略是一个整数变量，且考虑了计算任务的到达和信道状态在每个时隙内的随机性，因此，其为随机混合整数非线性规划问题，需要在每个时隙内根据系统状态信息做出决策。同时，由于上述问题的解由连续时隙内的系统决策组成，存在时间上的相关性。这使得直接对问题求解是较为困难的。为进一步优化上述问题的求解，本技术考虑基于李雅普诺夫优化理论，将带有长期约束条件和时间平均目标函数的随机优化问题分解为每个时间片内的确定性问题，从而将问题在时间域上解耦，从而制定在线的卸载决策和资源管理算法。
首先，构造相应的李雅普诺夫函数为
Figure BDA00036598249700001110
其中，ΘT(t)＝[QT(t)，GT(t)]。则李雅普诺夫函数偏移为上述李雅普诺夫函数的时序差分值，可写作
Figure BDA00036598249700001111
李雅普诺夫函数偏移体现了队列在相邻时隙间的变化。相应的，根据优化目标，将系统功耗的加权和的均值作为“惩罚值”，从而将每个时隙内的李雅普诺夫函数偏移叠加“惩罚值”定义为
Figure BDA0003659824970000121
其中，V≥0为控制变量，其单位为(bits2/W)，用于控制功耗和时延(队列积压)之间的折衷。
可以证明，基于李雅普诺夫优化理论，可以将随机优化问题
Figure BDA0003659824970000122
转化为在每个时隙内最小化李雅普诺夫函数偏移叠加“惩罚值”函数的上界。则优化问题
Figure BDA0003659824970000123
可转换为
Figure BDA0003659824970000124
其中，Φ(t)＝{X(t)，P(t)，fd(t)，fs(t)，Ds(t)}。根据观察得到的信道状态信息和队列长度，网络控制器可通过求解问题
Figure BDA0003659824970000125
确定任务调度和资源分配策略。
上述目标函数的定义为
Figure BDA0003659824970000126
卸载策略与资源管理算法设计：
在上式中，F1(fd(t)，fs(t)，Ds(t))只与计算频率控制和资源分配有关，而F2(X(t)，P(t))只与卸载策略和发射功率控制有关。因此，问题
Figure BDA0003659824970000127
可以进一步分解为计算频率控制和资源分配问题
Figure BDA0003659824970000128
以及卸载策略和发射功率控制问题
Figure BDA0003659824970000129
其中，计算频率控制和资源分配问题
Figure BDA00036598249700001210
定义为
Figure BDA00036598249700001211
由于设备的计算频率只与本地的缓存队列积压长度有关，因此问题
Figure BDA00036598249700001212
可进一步分解为
Figure BDA0003659824970000131
显然，
Figure BDA0003659824970000132
是一个凸问题，其对应最优解为方程
Figure BDA0003659824970000133
Figure BDA0003659824970000134
或约束(e)中的边界值，即
Figure BDA0003659824970000135
由上式可以看出：终端n在时隙t的最优计算频率
Figure BDA0003659824970000136
随着Qn(t)的增大而增大，这是因为设备需要增大计算频率加速任务的处理以缩短本地的任务缓存队列。并且
Figure BDA0003659824970000137
随着V和ωn增大而减小：V的增大对应了问题
Figure BDA0003659824970000138
的目标函数里的“惩罚项”增大，即侧重减小设备功耗，因此要减小计算频率；ωn的增大说明设备n在平均功耗中的权重增加，因此要减小其计算频率从而减小所有设备功耗的加权和。
同样地，对于MEC服务器的计算频率控制和资源分配问题可以表示为
Figure BDA0003659824970000139
该问题为凸优化问题，能够用凸优化算法求解。但是为了降低算法复杂度，可以利用解的特点求出计算频率和资源分配的闭式解为
Figure BDA00036598249700001310
将上式代入优化问题
Figure BDA00036598249700001311
中，则MEC服务器的计算频率控制问题可以分解为Z个子问题，其中
Figure BDA00036598249700001312
的值为
Figure BDA00036598249700001313
的驻点或约束f的边界点，即
Figure BDA00036598249700001314
由上式可见：当ωs＝0时，MEC服务器保持最大计算频率运行以加快卸载任务处理的速度；而当ωs＞0时，则其计算频率随着Gn′(t)的增大而增大，同时随着ωs的增大而减小。
对于特定的计算频率控制和资源分配策略{f(t)，fs(t)，Ds(t)}，优化问题
Figure BDA0003659824970000141
可以转换为卸载策略和功率控制的优化问题
Figure BDA0003659824970000142
即
Figure BDA0003659824970000143
由于X(t)为整数变量，因此
Figure BDA0003659824970000144
是一个混合整数非线性规划问题。进一步考虑将整数变量和连续变量分离，交替优化计算卸载策略X(t)和发射功率分配策略P(t)。其中，最优发射功率通过闭式求解，而最优任务调度策略通过图匹配算法求解。首先，固定卸载策略X(t)，则终端设备的最优发射功率P(t)可通过求解下面的子问题得到：
Figure BDA0003659824970000145
该问题为凸问题，其发射功率的最优解为
Figure BDA0003659824970000146
的解或可行域的边界值，可得设备在D2D和蜂窝链路上的最优发射功率的闭式解为
Figure BDA0003659824970000147
其次，当功率控制策略P(t)固定时，考虑优化卸载策略X(t)。此时，优化问题
Figure BDA0003659824970000148
可简化为
Figure BDA0003659824970000149
其中，
Figure BDA00036598249700001410
对于固定的
Figure BDA00036598249700001411
当已知Θ(t)时，可以对Wnm(t)进行计算求解，因此，
Figure BDA00036598249700001412
是一个联合优化问题，令y(n，m)(t)＝xnm(t)+xmn(t)，其中n，
Figure BDA00036598249700001413
且n≠m，则y(n，m)(t)≤1，将
Figure BDA00036598249700001414
重写作
Figure BDA0003659824970000151
上述问题可看作一个一般图的最小权重匹配问题，其中，计算节点理解为“图”的节点；而节点间的卸载关系看作“图”中的边；此外，MEC服务器的虚拟机可看作为虚拟节点，表示为集合
Figure BDA0003659824970000152
图中边的集合可表示为
Figure BDA0003659824970000153
Figure BDA0003659824970000154
构造图
Figure BDA0003659824970000155
其中
Figure BDA0003659824970000156
则各边的权重可确定为
Figure BDA0003659824970000157
例如，当系统中包含四个边缘设备时，构造的一般图及节点之间的连接关系如附图3所示。
根据以上方法完成一般图的构造之后，优化问题
Figure BDA0003659824970000158
便转换为图的最小边权重匹配问题，通过最优匹配边的求解，便可得到计算卸载策略X*(t)。本发明利用Edmond′sblossom算法[21]求解，得到最小权重匹配，记作
Figure BDA0003659824970000159
之后，最优任务调度决策可通过
Figure BDA00036598249700001510
和下式求解。
Figure BDA00036598249700001511
求得X*(t)后，固定其值并更新设备发射功率P(t)。根据更新后的发射功率调整图的权重后再次进行匹配，如此不断交替优化，直到达到收敛便可得到最终的计算卸载策略和发射功率分配策略。
具体的，基于求解问题
Figure BDA00036598249700001512
的卸载策略和资源管理算法可总结为算法1，伪代码可参阅图4。该算法在各个时隙内的具体实施过程如下：
(1)观察得到终端与服务器端队列长度Θ(t)，信道状态H(t)；
(2)根据公式(22)、(24)和(25)计算得到f*(t)，
Figure BDA00036598249700001513
(3)初始化发射功率P和任务调度决策X；
(4)交替优化P和X直至达到收敛条件，其中任务调度决策X由Edmond’s blossom和公式(33)恢复得到；发射功率由公式(28)和固定的X计算得到。
(5)输出最终的f*(t)，
Figure BDA00036598249700001514
P*(t)；
更具体的，图5描述了在3000个仿真时隙内，采用本发明提出的D2D-MEC方法和本地计算、随机卸载及集中式MEC卸载3种卸载策略系统内缓存队列积压的平均长度的变化对比。可见：本发明所提方法收敛更快，最终队列长度更短，能够更及时地处理缓存的计算任务。
图6给出了本发明提出的D2D-MEC卸载策略和其他3种卸载策略在仿真中的平均功耗对比。可见，随着控制参数V的增大，本方法功耗降低更快，且平均消耗功耗低于其它方法，能够有效降低系统功耗。
图7给出了本发明提出的D2D-MEC卸载策略和其他3种卸载策略在仿真中的平均计算时延大小对比。可见，各方案平均时延均随着控制参数V的增加而增加，但本发明所提算法平均计算时延均低于其他基准方法，且V越大，差距越明显，能够有效降低系统平均时延，提升系统效率。
图8-10分别研究了本发明所提算法性能与设备数量、控制变量等参数之间的关系，从不同角度阐释了本发明所提算法的灵活性与扩展性。
实施例2
请参阅图11，一种D2D协作计算的MEC系统中的随机任务调度和资源分配平台，包括依序连接的模型构建模块1、李雅普诺夫优化模块2、优化问题分解模块3以及优化问题求解模块4；其中：
所述模型构建模块1用于以终端设备和MEC服务器的能量消耗平均加权和作为优化目标，构建基于D2D协作计算的异构MEC系统模型；
所述李雅普诺夫优化模块2用于运用李雅普诺夫优化方法，将所述异构MEC系统模型涉及的优化问题转换为各时隙内的子问题；
所述优化问题分解模块3用于将所述子问题进一步分解为计算频率控制与计算资源分配问题以及卸载策略与发射功率控制问题；
所述优化问题求解模块4用于在各时隙内，对所述计算频率控制与计算资源分配问题进行闭式求解，对所述卸载策略与发射功率控制问题进行交替优化。
实施例3
一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法的步骤。
实施例4
一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法的步骤。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种D2D协作计算的MEC系统中的随机任务调度和资源分配方法，其特征在于，包括以下步骤：
S1，以终端设备和MEC服务器的能量消耗平均加权和作为优化目标，构建基于D2D协作计算的异构MEC系统模型；
S2，运用李雅普诺夫优化方法，将所述异构MEC系统模型涉及的优化问题转换为各时隙内的子问题；
S3，将所述子问题进一步分解为计算频率控制与计算资源分配问题以及卸载策略与发射功率控制问题；
S4，在各时隙内，对所述计算频率控制与计算资源分配问题进行闭式求解，对所述卸载策略与发射功率控制问题进行交替优化。
2.根据权利要求1所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法，其特征在于，在所述异构MEC系统模型中，包含N个终端设备以及一个位于基站的MEC服务器，所述终端设备表示为
Figure FDA0003659824960000011
所述MEC服务器包含一个Z核CPU，表示为z＝1,…,Z；各终端设备分别包含一个CPU，通过蜂窝网络接口与其它终端设备进行通信；到达所述终端设备但未处理的任务将会排队等待处理；排队中的任务可通过D2D链路，以任务卸载的方式交付给所述MEC服务器或临近的终端设备处理；
所述异构MEC系统模型所表示的网络通过时隙的方式进行运作，时隙的长度记为τ，时隙索引τ∈1,2,…,T；网络中的所有计算节点记作
Figure FDA0003659824960000012
其包含MEC服务器以及N个终端设备，索引号记作0；网络中的网络控制器具有系统全局信息，所述系统全局信息包含各终端设备的位置及各终端设备的队列的积压长度；通过所述网络控制器为各计算节点进行连接、资源分配和任务调度，各计算节点可在网络控制器的协助下同时保持蜂窝和D2D连接，各时隙只允许在一条链路上进行数据传输；各终端设备之间的连接以节点连接图
Figure FDA0003659824960000013
表示，其中，
Figure FDA0003659824960000014
dmax表示D2D可通信的最大距离；
在所述异构MEC系统模型中，所述终端设备的任务允许以计算比特的方式进行分割，根据分割结果分别在所述终端设备的本地以及所述终端设备临近的计算节点执行；
在所述异构MEC系统模型中，以变量xnm∈{0,1}表示终端设备n是否将计算任务卸载到终端设备m处，当m＝0时，表示卸载到MEC服务器；各终端在一个时隙内只能作为卸载决策的发射端或接收端，在时隙t，计算卸载策略
Figure FDA0003659824960000021
满足：
Figure FDA0003659824960000022
3.根据权利要求2所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法，其特征在于，所述终端设备和MEC服务器的能量消耗平均加权和按以下公式表示：
Figure FDA0003659824960000023
其中，ωn和ωs分别表示终端设备和MEC服务器在功耗计算时的权重；Pn(t)表示终端设备n在时隙t消耗的功率，Ps(t)表示MEC服务器的功耗。
4.根据权利要求3所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法，其特征在于，所述优化问题
Figure FDA0003659824960000024
按以下公式表示：
Figure FDA0003659824960000025
Figure FDA0003659824960000026
Figure FDA0003659824960000027
Figure FDA0003659824960000028
Figure FDA0003659824960000029
Figure FDA00036598249600000210
Figure FDA00036598249600000211
Figure FDA00036598249600000212
其中，
Figure FDA00036598249600000213
表示卸载策略；
Figure FDA00036598249600000214
表示计算频率控制与计算资源分配策略；
Figure FDA00036598249600000215
表示发射功率控制策略定义；
Figure FDA00036598249600000216
表示终端设备的计算频率；
Figure FDA00036598249600000217
表示MEC服务器的计算频率；
Figure FDA00036598249600000218
表示计算资源分配结果；
Figure FDA0003659824960000031
表示终端设备在各通信链路上的发射功率决策。
5.根据权利要求4所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法，其特征在于，所述子问题
Figure FDA0003659824960000032
按以下公式表示：
Figure FDA0003659824960000033
其中，Φ(t)＝{X(t),P(t),fd(t),fs(t),Ds(t)}；
Figure FDA0003659824960000034
V≥0为控制变量，其单位为(bits2/W)，用于控制功耗与队列积压之间的折衷。
6.根据权利要求5所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法，其特征在于，终端设备的计算频率控制与计算资源分配问题
Figure FDA0003659824960000038
按以下公式表示：
Figure FDA0003659824960000035
MEC服务器的计算频率控制与计算资源分配问题
Figure FDA0003659824960000039
按以下公式表示：
Figure FDA0003659824960000036
7.根据权利要求5所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法，其特征在于，对于特定的计算频率控制与计算资源分配策略{f(t),fs(t),Ds(t)}，所述步骤S3中将问题
Figure FDA0003659824960000037
分解为以下卸载策略与发射功率控制问题
Figure FDA0003659824960000041
Figure FDA0003659824960000042
8.一种D2D协作计算的MEC系统中的随机任务调度和资源分配平台，其特征在于，包括依序连接的模型构建模块(1)、李雅普诺夫优化模块(2)、优化问题分解模块(3)以及优化问题求解模块(4)；其中：
所述模型构建模块(1)用于以终端设备和MEC服务器的能量消耗平均加权和作为优化目标，构建基于D2D协作计算的异构MEC系统模型；
所述李雅普诺夫优化模块(2)用于运用李雅普诺夫优化方法，将所述异构MEC系统模型涉及的优化问题转换为各时隙内的子问题；
所述优化问题分解模块(3)用于将所述子问题进一步分解为计算频率控制与计算资源分配问题以及卸载策略与发射功率控制问题；
所述优化问题求解模块(4)用于在各时隙内，对所述计算频率控制与计算资源分配问题进行闭式求解，对所述卸载策略与发射功率控制问题进行交替优化。
9.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法的步骤。
10.一种计算机设备，其特征在于：包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的D2D协作计算的MEC系统中的随机任务调度和资源分配方法的步骤。
CN202210569951.5A 2022-05-24 2022-05-24 D2d协作计算的mec系统中的随机任务调度和资源分配方法 Active CN114980039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210569951.5A CN114980039B (zh) 2022-05-24 2022-05-24 D2d协作计算的mec系统中的随机任务调度和资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210569951.5A CN114980039B (zh) 2022-05-24 2022-05-24 D2d协作计算的mec系统中的随机任务调度和资源分配方法

Publications (2)

Publication Number Publication Date
CN114980039A true CN114980039A (zh) 2022-08-30
CN114980039B CN114980039B (zh) 2024-09-24

Family

ID=82956330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210569951.5A Active CN114980039B (zh) 2022-05-24 2022-05-24 D2d协作计算的mec系统中的随机任务调度和资源分配方法

Country Status (1)

Country Link
CN (1) CN114980039B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115514769A (zh) * 2022-09-14 2022-12-23 中山大学 卫星弹性互联网资源调度方法、系统、计算机设备及介质
CN117729571A (zh) * 2024-02-08 2024-03-19 厦门大学 一种动态mec网络中迁移决策与资源分配的联合优化方法
CN118102386A (zh) * 2024-04-24 2024-05-28 南京邮电大学 D2d辅助mec网络中的服务缓存和任务卸载联合优化方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111918311A (zh) * 2020-08-12 2020-11-10 重庆邮电大学 基于5g移动边缘计算的车联网任务卸载和资源分配方法
CN112601197A (zh) * 2020-12-18 2021-04-02 重庆邮电大学 一种基于非正交多址的车联网络中资源优化方法
CN113242568A (zh) * 2021-06-08 2021-08-10 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法
CN113286329A (zh) * 2021-05-19 2021-08-20 南京邮电大学 基于移动边缘计算的通信和计算资源联合优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111918311A (zh) * 2020-08-12 2020-11-10 重庆邮电大学 基于5g移动边缘计算的车联网任务卸载和资源分配方法
CN112601197A (zh) * 2020-12-18 2021-04-02 重庆邮电大学 一种基于非正交多址的车联网络中资源优化方法
CN113286329A (zh) * 2021-05-19 2021-08-20 南京邮电大学 基于移动边缘计算的通信和计算资源联合优化方法
CN113242568A (zh) * 2021-06-08 2021-08-10 重庆邮电大学 一种不确定网络环境中的任务卸载和资源分配方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Multi-Step_Spectrum_States_Prediction_Based_on_Long_Short-Term_Memory", 《IEEE》, 4 August 2021 (2021-08-04) *
吴柳青;朱晓荣;: "基于边-端协同的任务卸载资源分配联合优化算法", 电信科学, no. 03, 20 March 2020 (2020-03-20) *
景泽伟;杨清海;秦猛;: "移动边缘计算中的时延和能耗均衡优化算法", 北京邮电大学学报, no. 02, 5 August 2019 (2019-08-05) *
王康: "基于HTML5的3Ds_M...学资源交流平台的设计与开发", 《中国优秀硕士论文》, 4 August 2014 (2014-08-04) *
黄鸿清: "机器学习在无线信道建模中的应用现状与展望", 《移动通信》, 18 June 2021 (2021-06-18) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115514769A (zh) * 2022-09-14 2022-12-23 中山大学 卫星弹性互联网资源调度方法、系统、计算机设备及介质
CN115514769B (zh) * 2022-09-14 2023-06-06 中山大学 卫星弹性互联网资源调度方法、系统、计算机设备及介质
CN117729571A (zh) * 2024-02-08 2024-03-19 厦门大学 一种动态mec网络中迁移决策与资源分配的联合优化方法
CN117729571B (zh) * 2024-02-08 2024-05-31 厦门大学 一种动态mec网络中迁移决策与资源分配的联合优化方法
CN118102386A (zh) * 2024-04-24 2024-05-28 南京邮电大学 D2d辅助mec网络中的服务缓存和任务卸载联合优化方法及系统
CN118102386B (zh) * 2024-04-24 2024-07-02 南京邮电大学 D2d辅助mec网络中的服务缓存和任务卸载联合优化方法及系统

Also Published As

Publication number Publication date
CN114980039B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN109862610B (zh) 一种基于深度强化学习ddpg算法的d2d用户资源分配方法
CN109729528B (zh) 一种基于多智能体深度强化学习的d2d资源分配方法
CN111800828B (zh) 一种超密集网络的移动边缘计算资源分配方法
CN109947545B (zh) 一种基于用户移动性的任务卸载及迁移的决策方法
CN111405568B (zh) 基于q学习的计算卸载和资源分配方法及装置
CN111405569A (zh) 基于深度强化学习的计算卸载和资源分配方法及装置
CN114980039A (zh) D2d协作计算的mec系统中的随机任务调度和资源分配方法
Zhang et al. Joint offloading and resource allocation in mobile edge computing systems: An actor-critic approach
CN111586696A (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
Yao et al. Task allocation in fog-aided mobile IoT by Lyapunov online reinforcement learning
CN114138373B (zh) 一种基于强化学习的边缘计算任务卸载方法
CN109151864A (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
Fragkos et al. Artificial intelligence enabled distributed edge computing for Internet of Things applications
CN110856259A (zh) 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法
CN116541106B (zh) 计算任务卸载方法、计算设备及存储介质
Jia et al. Learning-based queuing delay-aware task offloading in collaborative vehicular networks
Jiang et al. A Q-learning based method for energy-efficient computation offloading in mobile edge computing
CN110401936A (zh) 一种基于d2d通信的任务卸载与资源分配方法
WO2024174426A1 (zh) 一种基于移动边缘计算的任务卸载及资源分配方法
CN116390125A (zh) 一种基于ddpg-d3qn的工业物联网云边协同卸载及资源分配方法
Nguyen et al. Deep reinforcement learning-based partial task offloading in high altitude platform-aided vehicular networks
Wang et al. Computation offloading based on game theory in MEC-assisted V2X networks
CN113821346B (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
De Mendoza et al. Near optimal VNF placement in edge-enabled 6G networks
Zhao et al. DRL Connects Lyapunov in Delay and Stability Optimization for Offloading Proactive Sensing Tasks of RSUs

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