CN115243382A - Ris辅助边缘计算的去蜂窝网络用户公平性资源分配方法 - Google Patents
Ris辅助边缘计算的去蜂窝网络用户公平性资源分配方法 Download PDFInfo
- Publication number
- CN115243382A CN115243382A CN202210899949.4A CN202210899949A CN115243382A CN 115243382 A CN115243382 A CN 115243382A CN 202210899949 A CN202210899949 A CN 202210899949A CN 115243382 A CN115243382 A CN 115243382A
- Authority
- CN
- China
- Prior art keywords
- kth
- edge
- irs
- representing
- delay
- 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.)
- Pending
Links
Images
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
- G06F9/44594—Unloading
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
-
- 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
-
- 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
- H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
-
- 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
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提出了一种RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,其步骤为:首先,搭建一个IRS辅助边缘计算的去蜂窝网络系统,并计算所有相关信道的信道状态信息;其次,通过联合设计多用户检测MUD矩阵、IRSs的反射波束形成向量、WDs的传输功率和边缘计算资源分配,建立了最小化用户最大延迟的目标优化函数;最后,通过交替迭代的方式对目标优化函数进行联合优化求解,得到卸载数据量、边缘计算资源、IRSs的反射波束形成向量和MUD矩阵的最优值。本发明提出了一种IRS辅助边缘技术的去蜂窝网络系统,由多个BSs和IRSs组成,以改善传输环境。且本发明采用的优化算法具有快速的收敛性,有利于实际实现。
Description
技术领域
本发明涉及移动边缘计算技术领域,特别是指一种RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法。
背景技术
近年来,物联网(IoT)和人工智能(AI)技术的快速发展使各种基于实时通信的新应用成为可能(如自然语言处理、人脸/指纹识别、自动驾驶、3D媒体等)。通常,这些应用程序需要较低的延迟,并且需要更多的计算资源。然而,由于物联网设备的计算能力有限,这对它们来说具有挑战性。为了应对这一挑战,移动边缘计算(MEC)被提出,物联网设备的计算任务可以被卸载到通常配备了巨大计算资源的边缘服务器上。但是,在MEC系统中需要考虑传输延迟,传输时延的大小是由卸载链路的传输环境决定的。当无线设备(WDs)位于小区边缘或基站(BSs)和WDs之间的通信链路被阻塞时,卸载链路变差,从而导致较大的传输延迟。因此,研究如何改善无线通信环境对进一步开发MEC系统的潜力至关重要。
为了提供更好的卸载链路,可以采用具有大量小BSs的超密集网络(UDN)架构,以缩短BSs与WDs之间的距离,或提供它们之间的直接链路。然而,随着BSs数量的增加,小区间干扰成为提升网络吞吐量的瓶颈。因此,提出了基于以用户为中心的去蜂窝网络结构,其中BSs同时服务于所有的WDs,以避免多小区干扰。另一方面,由于大量BSs的部署,无小区网络的能耗和硬件成本很高。近年来,提出一种由大量低功率无源反射元件组成的智能反射面(IRS),可以通过调整反射面的相移将信号能量聚焦到所需的空间方向,从而扩大无线覆盖范围。
发明内容
当WDs位于小区边缘或基站BSs和WDs之间的通信链路被阻塞时,卸载延迟将会很大,为了解决这一问题,本发明提出了一种RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,采用IRSs替代部分BSs,研究在IRS辅助边缘计算的无蜂窝网络系统中的延迟优化问题。
本发明的技术方案是这样实现的:
一种RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,其步骤如下:
S1、搭建一个IRS辅助边缘计算的去蜂窝网络系统,包括K个单天线WD,I个IRSs和B'个BSs;并计算所有相关信道的信道状态信息;
S2、通过联合设计多用户检测MUD矩阵、IRSs的反射波束形成向量、WDs的传输功率和边缘计算资源分配,建立了最小化用户最大延迟的目标优化函数;
S3、引入辅助变量t将目标优化函数转化为目标函数,并利用块坐标下降技术的交替优化算法将目标函数划分为子目标函数I和子目标函数II;
S4、通过交替迭代的方式对子目标函数I和子目标函数II进行联合优化求解,得到卸载数据量、边缘计算资源、IRSs的反射波束形成向量和MUD矩阵的最优值。
优选地,在步骤S1中,相关信道的信道状态信息的计算方法为:
第k个WD和第b个BS之间的直射链路表示为从第k个WD到第i个IRS的反射链路表示为第i个IRS到第b个BS间的反射链路表示为 表示m×n个复值矩阵的空间;第i个IRS的相移系数向量表示为θi=[θi,1,θi,2,…,θi,N]T,θi,n∈[0,2π);第i个IRS的对角反射矩阵Θi为:
其中,Pt表示K个WDs的卸载功率,s=[s1,s2,...,sj,...,sK]T表示K个WDs信号;表示wb,k的共轭转置,表示wk的共轭转置,hd,b,j表示从第b个基站到第j个用户的直射链路增益,hr,i,j表示从第i个IRS到第j个用户的反射链路增益,代表第b个基站接收到的噪声向量,hd,j表示第j个用户的直射链路增益,是MUD矩阵的第k列,(a)成立通过定义 和(b)成立通过定义Θ=diag(Θ1,...,ΘI),(c)成立通过定义hk=hd,k+GΘhr,k;因此,第k个WD的接收SINR为:
其中,γk(wk,θ)为第k个WD的接收SINR;σ2表示用户k处的噪声功率,θ为IRSs的反射波束形成向量;
用户k的可达速率为
Rk(wk,θ)=Blog2(1+γk(wk,θ)). (5);
其中,Rk(wk,θ)表示第k个用户的卸载数据速率,B表示系统带宽。
根据权利要求2所述的RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,其特征在于,在步骤S2中,分别构建本地计算延迟模型和边缘计算延迟模型,分别表示为;
其中,为本地计算延迟,为边缘计算延迟;表示第k个WD的CPU周期频率,Lk表示第k个WD的总计算数据量,表示第k个WD的卸载数据量,ck表示第k个WD的输入数据的计算复杂度;表示MEC服务器的总计算资源,表示MEC服务器分配给第k个WD的计算资源,满足
基于本地计算延迟模型和边缘计算延迟模型,则第k个WD的总延迟表示为:
其中,式(7a)为IRS反射系数约束,式(7b)表示第k个WD的卸载数据量介于0和总输入数据量Lk之间的整数约束;式(7c)表示分配给所有WDs的计算资源不超过总的边缘计算资源约束;式(7e)表示第k个WD的单位检测向量约束。
优选地,所述目标函数为:
优选地,所述子目标函数I为:
子目标函数II为:
优选地,所述通过交替迭代的方式对子目标函数I和子目标函数II进行联合优化求解的方法为:首先给定W和θ,对卸载数据量和边缘计算资源fe进行优化;然后,基于得到的和fe,对MUD矩阵W和反射波束形成向量θ进行优化;重复上述过程,直到收敛;
对于给定的fe,最优的卸载数据量为:
MUD矩阵W和反射波束形成向量θ的优化方法为:
优化MUD矩阵W:
将式(15a)中的不等式改写为:
其中,Re(x)表示实部操作,Im(x)表示虚部操作;的实部和虚部分别是非负实数和零,如:然后,定义一个矩阵A,其(j,k)个元素是||·||2表示一个向量的2-范数,基于此,式(17)可以重新表示为:
反射波束形成向量θ的优化:
与现有技术相比,本发明产生的有益效果为:本发明提出了一种智能反射面(IRS)辅助边缘技术的去蜂窝网络系统,由多个BSs和IRSs组成,以改善传输环境。在去蜂窝MEC系统中使用IRSs优于传统的MEC系统,最大可降低约60%的延迟。本发明采用的基于半定松弛(SDR)和逐次凸逼近(SCA)技术的IRSs反射向量的优化算法具有快速的收敛性,有利于实际实现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提的IRS辅助的去蜂窝网络系统。
图2为本发明的IRS辅助的去蜂窝网络系统中的信道模型。
图3为基于两个WDs的辅助下将数据卸载到五个BSs的仿真场景设置。
图4为时延随距离L的变化曲线。
图5为时延随边缘计算能力的变化曲线。
图6为时延随迭代次数的变化曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,在边缘计算能力约束和IRS相移约束下,通过联合优化卸载数据大小边缘计算资源fe、反射波束形成向量θ和MUD矩阵W,以实现最大WD延迟最小化的目的。为了解决这个非凸问题,设计了一个基于块坐标下降技术(BCD)的算法,其中通过交替迭代的方式来解决与计算和通信设置相关的优化变量。具体步骤如下:
S1、如图1所示,搭建一个IRS辅助边缘计算的去蜂窝网络系统,其中多个分布式BSs在IRSs的帮助下协同服务于多个WDs。所有的IRS和BSs都通过高速光缆连接到一个中央处理单元。去蜂窝网络系统包括K个单天线WD,I个IRSs和B'个BSs;第i个IRS的单元数表示为Ni,第b个基站的天线数表示为Mb,令Ni=N,Mb=M,且表示IRS单元数,表示BSs集,表示IRSs集,表示WDs集;如图2所示,采用块衰落信道模型,其中无线信道在当前时间块保持不变,但在不同的时间块上发生变化,并假设使用现有的先进信道估计方法可以获得所有相关信道的信道状态信息(CSI)。
第k个WD和第b个BS之间的直射链路表示为从第k个WD到第i个IRS的反射链路表示为第i个IRS到第b个BS间的反射链路表示为第i个IRS的相移系数向量表示为θi=[θi,1,θi,2,…,θi,N]T,θi,n∈[0,2π);第i个IRS的对角反射矩阵Θi为:
Pt表示K个WDs的卸载功率,s=[s1,s2,...,sj,...,sK]T表示K个WDs信号;为了简单起见,设定所有的WDs都以相同的功率传输;表示第b个BS上第k个WD的多用户检测MUD向量;第k个WD在BSs处的检测信号表示为:
其中,表示wb,k的共轭转置,表示wk的共轭转置,hd,b,j表示从第b个基站到第j个用户的直射链路增益,hr,i,j表示从第i个IRS到第j个用户的反射链路增益,代表第b个基站接收到的噪声向量,hd,j表示第j个用户的直射链路增益,是MUD矩阵的第k列,(a)成立通过定义 和(b)成立通过定义Θ=diag(Θ1,...,ΘI),(c)成立通过定义hk=hd,k+GΘhr,k;因此,第k个WD的接收SINR为:
其中,γk(wk,θ)为第k个WD的接收SINR;σ2表示用户端的噪声功率,θ为IRSs的反射波束形成向量;
用户k的可达速率为
Rk(wk,θ)=Blog2(1+γk(wk,θ)). (5);
其中,Rk(wk,θ)表示用户k的卸载数据速率,B表示系统带宽。
S2、通过联合设计多用户检测MUD矩阵、IRSs的反射波束形成向量、WDs的传输功率和边缘计算资源分配,建立了最小化用户最大延迟的目标优化函数;
在步骤S2中,分别构建本地计算延迟模型和边缘计算延迟模型,分别表示为;
其中,为本地计算延迟,为边缘计算延迟;表示第k个WD的CPU周期频率,Lk表示第k个WD的总计算数据量,表示第k个WD的卸载数据量,ck表示第k个WD的输入数据的计算复杂度;边缘计算的延迟通常包括三个部分:a)将计算数据传输到BS的卸载延迟;b)在MEC服务器上执行卸载数据的处理延迟;c)向WDs返回计算结果的延迟。表示MEC服务器的总计算资源,表示MEC服务器分配给第k个WD的计算资源,满足这里忽略了返回延迟,因为返回的结果通常规模很小。
基于本地计算延迟模型和边缘计算延迟模型,则第k个WD的总延迟表示为:
其中,式(7a)为IRS反射系数约束,式(7b)表示第k个WD的卸载数据量介于0和总输入数据量Lk之间的整数约束;式(7c)表示分配给所有WDs的计算资源不超过总的边缘计算资源约束;式(7e)表示第k个WD的单位检测向量约束。显然,很难被直接求解。
S3、引入辅助变量t将目标优化函数转化为目标函数,并利用块坐标下降技术的交替优化算法将目标函数划分为子目标函数I和子目标函数II;
虽然的目标函数(OF)和约束式(8b)是线性的,由于以下三个方面,直接解决仍然是挑战的:a)式(8a)的分段形式,b)MUD矩阵W和反射波束形成向量θ耦合在一起,c)(8)对θ非凸。一般情况下,没有标准的方法来找到这种非凸最优问题的全局最优解。为此,设计了一个迭代算法来获得一个局部最优解。具体来说,式(8a)的分段形式被重新表述为线性形式。然后,确定计算设置,交替优化MUD矩阵和反射波束形成向量。最后,设计了两种基于SDR和SCA技术的有效算法,分别得到了θ的局部最优解。
S4、通过交替迭代的方式对子目标函数I和子目标函数II进行联合优化求解,得到卸载数据量、边缘计算资源、IRSs的反射波束形成向量和MUD矩阵的最优值。
首先利用BCD技术将划分为两个独立的子问题。具体来说,首先给定W和θ,对卸载数据量和边缘计算资源fe进行优化。然后,基于得到的和fe,对MUD矩阵W和反射波束形成向量θ进行优化。重复上述过程,直到收敛。
对于给定的fe,最优的卸载数据量为:
MUD矩阵W和反射波束形成向量θ的优化方法为:
优化MUD矩阵W:
将式(15a)中的不等式改写为:
其中,Re(x)表示实部操作,Im(x)表示虚部操作;的实部和虚部分别是非负实数和零,如:然后,定义一个矩阵A,其(j,k)个元素是||·||2表示一个向量的2-范数,基于此,式(17)可以重新表示为:
反射波束形成向量θ的优化:
当的解不是秩1时,需要利用高斯随机化过程重构一个秩一的解。因此,重构解的性能严重依赖于生成的高斯随机数。例如,由于随机化的不确定性,可能会找到的高度次优解决方案,这将导致性能下降。此外,为了找到更好的解,需要生成大量的高斯随机数。并且求解SDR问题是耗时的,特别是当矩阵维数较大时。因此,为了降低计算复杂度和保证性能,需要进一步设计一种更高效的算法。
为了克服SDR技术的缺点,提出了一种基于SCA技术的有效方案来更新反射波束形成向量v。不是直接求解而是试图找到一个可行的解v来减少最大的边缘计算延迟。特别地,对于一个特定的迭代l≥1,首先将v(l-1)定义为在前一次迭代中获得的v的值;然后,对于给定的可实现的最大WD的边缘计算延迟表示为
至此,已经将转化为一种凸形式,可以通过现有的凸优化求解器如CVX来求解。假设v*是的最优解。通过将代入可以发现的可行解对仍然可行,因此求解可以得到比求解更小的值。算法3给出了基于SCA算法的具体步骤。
在算法4中,提供了基于BCD求解的算法的具体步骤。值得注意的是,辅助变量t,也是的OF,随着步骤2和步骤3的实现而不断更新。让和表示在第(l4-1)次迭代中,实现步骤3后的t的值,和在第l4次迭代中,实现步骤2后的t的值。满足这是由于在步骤2中,可以看作是WD的整体最大延迟,然而,在步骤3中,是指WD的边缘计算最大延迟。但是,由于WD的整体延迟和WD的边缘处理延迟在不同的迭代中都有所降低,因此可以保证算法4的收敛性。因此,可以得到
仿真分析
通过仿真来评估本发明方法的性能。考虑一个三维系统模型,如图3所示。5个BSs同时为两个WDs提供服务,WDs可以选择在两个IRS的辅助下,将部分计算数据卸载到MEC节点进行远程计算。BS和IRS的详细位置设置在表1的“位置模型”模块中提供。
表1仿真默认参数设置
与距离相关的路径损失模型为
这里C0=-30dB为参考距离d0=1m处的路径损耗,d为相应的信道距离,κ为路径损耗指数。具体的设置见表1的“通信模型”模块。然后,对于小规模衰落,所有相关信道均采用Rician衰落信道模型。因此,信道模型H为:
这里βUB指瑞利因子,HLoS和HNLoS分别表示LoS确定性分量和非LOS瑞利衰落分量。H相当于瑞利衰落信道当βUB=0和LoS信道当βUB→∞。请注意,对于WD-BS信道模型,需要将大尺度衰落系数的平方根乘以小尺度衰落系数的元素。同样,WD-IRS和IRS-BS信道也可以按照上述步骤生成,用βUI和βIB表示它们的Rician因子。此外,设置βIB→∞,βUI=0,和βUB=0。这些参数的默认设置在表1的“通信模型”模块中给定。此外,计算设置在表1的“计算模型”模块中指定。下面给出了仿真结果,以评估提出的基于BCD的算法在各种仿真环境中实现的最大WD延迟,并将其与以下基准算法进行比较:
无IRS:将反射矩阵Θ设为零矩阵,其他优化变量采用算法4进行优化。
无直射链路:假设WDs和BSs之间的所有直射链路都被一些移动或静态对象完全阻塞,即H=0,所有变量都采用算法4优化。
随机相移:将IRS相移设置为[0,2π)范围内的均匀分布的随机值,而将其他优化变量采用算法4进行优化。
图4-6给出了不同参数设置下的延迟。
1)WDs位置的影响:图4显示了在不同的算法/方案下WDs位置对延迟的影响。据观察,与基准算法相比,本发明提出的两种算法可以实现较低的延迟,特别是当WDs接近IRSs时。此外,对于所有加入IRS方案,在L=60m和L=100m处都有两个明显的波谷。这是因为当WDs接近两个IRSs中的任意一个时,IRSs可以接收到从WDs传输的更强的信号。此外,在“无IRS”方案下,当WD远离BSs时,延迟增加。与“无IRS”方案相比,“随机相移”方案减少的延迟非常有限。此外,还观察到“无直射链路”方案的延迟最高,当WD接近两个IRSs中的一个时,延迟间隙大于所提方案。因此,部署采用优化相移设计的IRS可以扩大信号覆盖范围,改善信号传输环境,减少延迟。
2)边缘计算能力的影响:图5显示了不同方案下的延迟与边缘计算能力的关系。可以观察到,对于所有方案,当较小时,延迟随着的增加而显著减小,而当达到一定值,即30×109cycle/s时,延迟开始缓慢减小。这是因为当较小时,边缘处理延迟起主导作用,而当变大时,卸载延迟占主导地位。这表明,为了最小化延迟,给边缘服务器配备适当的计算能力是经济有效的。
3)收敛性:为了表明本发明方法的收敛性,在图6中给出了延迟随迭代次数Io的改变。结果表明,所有考虑的算法都具有快速收敛性,验证了算法的实用性。
本发明在边缘计算能力约束和IRS相移约束下,通过联合优化卸载数据大小边缘计算资源fe、反射波束形成向量θ和MUD矩阵W,以实现最大WD延迟最小化的目的。为了解决这个非凸问题,设计了一个基于BCD的算法,其中通过交替迭代的方式来解决与计算和通信设置相关的优化变量。大量的仿真结果验证了在MEC系统中部署IRS的好处。特别是,与传统的MEC系统相比,对于距离L=60m和100m,延迟可以从160ms减少到100ms。此外,仿真结果表明,本发明方法具有快速收敛性,验证了其工程可行性。
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、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,其特征在于,其步骤如下:
S1、搭建一个IRS辅助边缘计算的去蜂窝网络系统,包括K个单天线WD,I个IRSs和B'个BSs;并计算所有相关信道的信道状态信息;
S2、通过联合设计多用户检测MUD矩阵、IRSs的反射波束形成向量、WDs的传输功率和边缘计算资源分配,建立了最小化用户最大延迟的目标优化函数;
S3、引入辅助变量t将目标优化函数转化为目标函数,并利用块坐标下降技术的交替优化算法将目标函数划分为子目标函数I和子目标函数II;
S4、通过交替迭代的方式对子目标函数I和子目标函数II进行联合优化求解,得到卸载数据量、边缘计算资源、IRSs的反射波束形成向量和MUD矩阵的最优值。
2.根据权利要求1所述的RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,其特征在于,在步骤S1中,相关信道的信道状态信息的计算方法为:
第k个WD和第b个BS之间的直射链路表示为从第k个WD到第i个IRS的反射链路表示为第i个IRS到第b个BS间的反射链路表示为 表示m×n个复值矩阵的空间;第i个IRS的相移系数向量表示为θi=[θi,1,θi,2,…,θi,N]T,θi,n∈[0,2π);第i个IRS的对角反射矩阵Θi为:
其中,Pt表示K个WDs的卸载功率,s=[s1,s2,...,sj,...,sK]T表示K个WDs信号;表示wb,k的共轭转置,表示wk的共轭转置,hd,b,j表示从第b个基站到第j个用户的直射链路增益,hr,i,j表示从第i个IRS到第j个用户的反射链路增益,代表第b个基站接收到的噪声向量,hd,j表示第j个用户的直射链路增益,是MUD矩阵的第k列,(a)成立通过定义 和(b)成立通过定义Θ=diag(Θ1,...,ΘI),(c)成立通过定义hk=hd,k+GΘhr,k;因此,第k个WD的接收SINR为:
其中,γk(wk,θ)为第k个WD的接收SINR;σ2表示用户k处的噪声功率,θ为IRSs的反射波束形成向量;
用户k的可达速率为
Rk(wk,θ)=Blog2(1+γk(wk,θ)). (5);
其中,Rk(wk,θ)表示第k个用户的卸载数据速率,B表示系统带宽。
3.根据权利要求2所述的RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,其特征在于,在步骤S2中,分别构建本地计算延迟模型和边缘计算延迟模型,分别表示为;
其中,为本地计算延迟,为边缘计算延迟;表示第k个WD的CPU周期频率,Lk表示第k个WD的总计算数据量,表示第k个WD的卸载数据量,ck表示第k个WD的输入数据的计算复杂度;表示MEC服务器的总计算资源,表示MEC服务器分配给第k个WD的计算资源,满足
基于本地计算延迟模型和边缘计算延迟模型,则第k个WD的总延迟表示为:
其中,式(7a)为IRS反射系数约束,式(7b)表示第k个WD的卸载数据量介于0和总输入数据量Lk之间的整数约束;式(7c)表示分配给所有WDs的计算资源不超过总的边缘计算资源约束;式(7e)表示第k个WD的单位检测向量约束。
6.根据权利要求5所述的RIS辅助边缘计算的去蜂窝网络用户公平性资源分配方法,其特征在于,所述通过交替迭代的方式对子目标函数I和子目标函数II进行联合优化求解的方法为:首先给定W和θ,对卸载数据量和边缘计算资源fe进行优化;然后,基于得到的和fe,对MUD矩阵W和反射波束形成向量θ进行优化;重复上述过程,直到收敛;卸载数据量和边缘计算资源fe的优化方法为:
对于给定的fe,最优的卸载数据量为:
MUD矩阵W和反射波束形成向量θ的优化方法为:
优化MUD矩阵W:
将式(15a)中的不等式改写为:
其中,Re(x)表示实部操作,Im(x)表示虚部操作;的实部和虚部分别是非负实数和零,如:然后,定义一个矩阵A,其(j,k)个元素是||·||2表示一个向量的2-范数,基于此,式(17)可以重新表示为:
反射波束形成向量θ的优化:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899949.4A CN115243382A (zh) | 2022-07-28 | 2022-07-28 | Ris辅助边缘计算的去蜂窝网络用户公平性资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899949.4A CN115243382A (zh) | 2022-07-28 | 2022-07-28 | Ris辅助边缘计算的去蜂窝网络用户公平性资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115243382A true CN115243382A (zh) | 2022-10-25 |
Family
ID=83678243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210899949.4A Pending CN115243382A (zh) | 2022-07-28 | 2022-07-28 | Ris辅助边缘计算的去蜂窝网络用户公平性资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115243382A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115988536A (zh) * | 2023-03-20 | 2023-04-18 | 南京邮电大学 | 一种双可重构智能表面辅助移动边缘计算系统优化方法 |
CN116054893A (zh) * | 2022-12-28 | 2023-05-02 | 西安电子科技大学 | 一种基于智能超表面的共生非正交传输方法 |
-
2022
- 2022-07-28 CN CN202210899949.4A patent/CN115243382A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116054893A (zh) * | 2022-12-28 | 2023-05-02 | 西安电子科技大学 | 一种基于智能超表面的共生非正交传输方法 |
CN115988536A (zh) * | 2023-03-20 | 2023-04-18 | 南京邮电大学 | 一种双可重构智能表面辅助移动边缘计算系统优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111010219B (zh) | 可重构智能表面辅助的多用户mimo上行链路传输方法 | |
Gao et al. | Task partitioning and offloading in DNN-task enabled mobile edge computing networks | |
CN115243382A (zh) | Ris辅助边缘计算的去蜂窝网络用户公平性资源分配方法 | |
Yoshida et al. | MAB-based client selection for federated learning with uncertain resources in mobile networks | |
CN110928654A (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN114124623B (zh) | 一种无线通信信道估计方法和装置 | |
CN114268350A (zh) | 智能反射面辅助通信中非理想信道下的鲁棒波束赋形设计方法 | |
US11252045B1 (en) | Processing blind beamforming for multi-user multiple-input multiple-output (MU-MIMO) systems | |
CN114880046B (zh) | 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 | |
CN114697978B (zh) | 一种智能反射面辅助的上行移动边缘计算方法及系统 | |
Sanchez et al. | AirNN: Over-the-air computation for neural networks via reconfigurable intelligent surfaces | |
Li et al. | Joint beamforming and power allocation for intelligent reflecting surface-aided millimeter wave MIMO systems | |
Mao et al. | Roar-fed: Ris-assisted over-the-air adaptive resource allocation for federated learning | |
CN116527174B (zh) | 智能反射面信道状态估计方法、相位调整方法、系统 | |
Le et al. | Reconfigurable intelligent surface-enabled federated learning for power-constrained devices | |
Zhu et al. | Robust beamforming for RIS-aided communications: Gradient-based manifold meta learning | |
Singh et al. | Performance analysis with deep learning assay for cooperative UAV-borne IRS NOMA networks under non-ideal system imperfections | |
CN114764610A (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
Deng et al. | Adaptive beam alignment and optimization for IRS-aided high-speed UAV communications | |
WO2024059969A1 (zh) | 一种信道估计方法、装置及系统 | |
CN113242072B (zh) | 一种基于卷积神经网络的混合波束形成方法 | |
CN113051003B (zh) | 卫星通信网络的计算任务卸载处理方法、系统及存储介质 | |
Vilhar et al. | Shooting and bouncing ray approach for 4G radio network planning | |
Adoum et al. | Federated Meta-Learning for task offloading and resource allocation in MEC-IoT | |
Stańczak et al. | Long‐term Perspectives: Machine Learning for Future Wireless Networks |
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 |