CN115811793A - 一种基于智能反射面辅助的能量采集移动边缘计算方法 - Google Patents

Abstract

本发明提出一种基于智能反射面辅助的能量采集移动边缘计算方法，涉及移动边缘计算的技术领域，首先建立一个由智能反射面、配备MEC服务器的基站和K个用户设备组成的移动边缘计算系统，然后明确每一个用户设备的本地计算任务和卸载至基站的MEC服务器计算的卸载计算任务，接着以系统总计算吞吐量最大作为目标函数，联合考虑了用户设备通信能耗、智能反射面的相移和处理卸载计算任务时输入的比特数目的约束，建立系统优化模型，并通过对系统优化模型优化求解，得到移动边缘计算系统的最大吞吐量，有效提高了通信信号的传输效率，保证通信信道质量，降低计算通信成本和计算复杂度。

Description

一种基于智能反射面辅助的能量采集移动边缘计算方法

技术领域

本发明涉及移动边缘计算的技术领域，特别涉及一种基于智能反射面辅助的能量采集移动边缘计算方法。

背景技术

随着物联网中用户设备数量的空前增加，无线通信网络的计算工作量越来越大。由于用户设备的电池容量有限，当电池能量耗尽时，用户设备的计算工作将中断，加上无线通信网络可能会出现不可预测的延迟，使得传统的云计算无法满足对延迟敏感的应用程序的严格要求，因此，移动边缘计算(mobile edge computing，MEC)作为解决传统云计算高时延、高能耗问题的技术，应运而生。

MEC将计算应用、数据和服务的前沿从集中式云计算基础设施推向网络的边缘，通过在网络边缘的无线接入点部署MEC服务器，使MEC服务器具有类似云的计算服务、任务处理和数据存储能力，因此，MEC服务器可以代替云端服务器，在靠近用户设备的网络边缘端为用户设备提供计算服务，分担云端的传输压力，并将用户设备的计算任务卸载到MEC服务器进行处理，降低了设备电量的消耗速度。现有技术公开了一种能量采集移动边缘计算方法，在用户设备采集能量动态随机到达场景下，以MEC系统总计算吞吐量最大化为准则，根据用户设备的能量收集和信道时变条件，联合优化了用户设备本地计算和计算卸载的任务分配方案，实现了MEC系统能量和资源的动态管控，但在用户设备与MEC服务器之间的通信信道处于深衰落时，该方法通信信号的传输效率低，影响了用户设备与MEC服务器之间的无线通信，导致移动边缘计算的通信成本增高，计算复杂度增大。

在实际应用中，MEC有时难以充分发挥其作用，当用户设备与基站之间存在阻碍物时，将计算任务从用户设备卸载至MEC的难度很大，智能反射面是由大量低成本的无源反射元件构成，每个反射元件都能独立调节其反射相位系数来改变入射信号的幅度和相位，通过调整智能反射面的反射单元的幅度和相位实现对传播环境智能控制，从而提高无线通信性能。所以，通过智能反射面辅助MEC，能够降低计算任务从用户设备卸载至MEC的难度，进一步提高无线通信性能。

发明内容

为解决在当前能量采集移动边缘计算方法中，在面向通信信道处于深衰落时，无法保证通信信道质量，计算通信成本和计算复杂度高的问题，本发明提出一种基于智能反射面辅助的能量采集移动边缘计算方法，将智能反射面引入至移动边缘计算中，能够降低计算任务从用户设备卸载至MEC的难度，有效提高了通信信号的传输效率，保证通信信道质量，降低计算通信成本和计算复杂度。

为了达到上述技术效果，本发明的技术方案如下：

一种基于智能反射面辅助的能量采集移动边缘计算方法，包括以下步骤：

S1.建立基于智能反射面辅助的移动边缘计算系统，所述系统包括智能反射面、配备MEC服务器的基站和K个用户设备；

S2.明确每一个用户设备的计算任务，将每一个用户设备的计算任务分割为本地计算任务和卸载至MEC服务器计算的卸载计算任务；

S3.以移动边缘计算系统的总计算吞吐量最大作为目标函数，以每一个用户设备处理本地计算任务和卸载计算任务所消耗的能量总和、智能反射面的相移及每一个用户设备处理卸载计算任务时输入的比特数目为约束条件，建立系统优化模型；

S4.对系统优化模型进行优化求解，得到移动边缘计算系统的最大吞吐量。

在本技术方案中，首先建立一个由智能反射面、配备MEC服务器的基站和K个用户设备组成的移动边缘计算系统，在用户设备与基站通信过程中，采用智能反射面将用户设备发送的信息反射给边缘基站，改善了用户设备与基站之间的信道质量，然后明确每一个用户设备的本地计算任务和卸载至基站的MEC服务器计算的卸载计算任务，避免计算任务全部在用户设备进行计算，出现高能耗和高时延的问题，接着以系统的总计算吞吐量最大作为目标函数，联合考虑了用户设备通信能耗、智能反射面的相移和处理卸载计算任务时输入的比特数目的约束，建立系统优化模型，并通过对系统优化模型优化求解，得到移动边缘计算系统的最大吞吐量，能够降低计算任务从用户设备卸载至MEC的难度，有效提高了通信信号的传输效率，保证通信信道质量，降低计算通信成本和计算复杂度。

优选地，设移动边缘计算系统内的每一个用户处理计算任务的时间周期为T，将时间周期T划分为N个时隙长度为τ的时隙，时隙长度τ的计算表达式为：

τ＝T/N

在第n个时隙中，计算第k个用户设备处理本地计算任务时输入的比特数

的计算表达式为：

其中，

f_k表示第k个用户设备的CPU运行速率，C_k表示第k个用户设备本地处理每比特本地计算任务所需要的CPU周期数目。

优选地，在第n个时隙中，构建第k个用户设备处理本地计算任务所消耗的能量模型

能量模型

的表达式为：

其中，γ_k表示与第k个用户设备的处理器芯片架构有关的电容系数。

优选地，每一个用户设备均配备有一根天线，基站配备有Q根天线，智能反射面包括M个无源反射单元，设第k个用户设备在第n个时隙中与智能反射面之间的信道增益为

第k个用户设备在第n个时隙中与基站之间的信道增益为

智能反射面在第n个时隙中与基站之间的信道增益

配备MEC服务器的基站通过配备的天线与每一个用户设备进行通信。

优选地，设第n个时隙智能反射面的对角相移矩阵为Φ_n，Φ_n的具体表达式为：

其中，θ_m,n∈{θ_1,n,θ_2,n,...,θ_M,n}表示在第n个时隙智能反射面第m个反射单元的相位，

在第n个时隙中，计算第k个用户设备处理卸载计算任务时所输入的比特数

的计算表达式为：

其中，R_k,n表示第k个用户设备在第n个时隙将卸载计算任务卸载至基站的上行链路的传输速率，B_k表示第k个用户设备在上行链路处理卸载计算任务时需要的传输频谱带宽。

优选地，在第n个时隙中，构建第k个用户设备处理卸载计算任务所需消耗的能量模型

能量模型

的表达式为：

其中，p_k,n表示第k个用户设备在第n个时隙的发射功率。

优选地，在步骤S3中，所述目标函数的具体表达式为：

其中，

以每一个用户设备处理本地计算任务和卸载计算任务所消耗的能量总和为约束条件的表达式为：

其中，E_k,i表示第k个用户设备在第i个时隙采集的能量；

以智能反射面的相移为约束条件的表达式为：

以每一个用户设备处理卸载计算任务时输入的比特数目为约束条件的表达式为：

优选地，在步骤S4中，采用交替变量迭代优化算法对系统优化模型进行优化求解，交替变量包括用户设备上行链路发射功率p，用户设备处理本地计算比特数目l^loc和智能反射面的相移θ。

优选地，对系统优化模型进行优化求解的具体过程为：

S41.将目标函数分别转化为第一目标子函数和第二目标子函数；

S42.分别确定第一目标子函数和第二目标子函数的约束条件；

S43.在第一目标子函数的约束条件下，固定θ，对l^loc和p进行更新迭代优化，得到第一目标子函数的第一优化值；并在第二目标子函数的约束条件下，固定l^loc和p，对θ进行更新迭代优化，得到第二目标子函数的第二优化值；

S44.判断第一优化值和第二优化值之差的绝对值是否小于优化阈值，若是，输出第二目标子函数的优化值为目标函数值的最优值，并将目标函数值的最优值设为移动边缘计算系统的最大吞吐量；否则，返回步骤S43。

优选地，每一个用户设备均通过随机采集自然环境中的能量处理计算任务。

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种基于智能反射面辅助的能量采集移动边缘计算方法，首先建立一个由智能反射面、配备MEC服务器的基站和K个用户设备组成的移动边缘计算系统，在用户设备与基站通信过程中，采用智能反射面将用户设备发送的信息反射给边缘基站，改善了用户设备与基站之间的信道质量，然后明确每一个用户设备的本地计算任务和卸载至基站的MEC服务器计算的卸载计算任务，避免计算任务全部在用户设备进行计算，出现高能耗和高时延的问题，接着以系统的总计算吞吐量最大作为目标函数，联合考虑了用户设备通信能耗、智能反射面的相移和处理卸载计算任务时输入的比特数目的约束，建立系统优化模型，并通过对系统优化模型优化求解，得到移动边缘计算系统的最大吞吐量，能够降低计算任务从用户设备卸载至MEC的难度，有效提高了通信信号的传输效率，保证通信信道质量，降低计算通信成本和计算复杂度。

附图说明

图1表示本发明实施例中提出的一种基于智能反射面辅助的能量采集移动边缘计算方法的流程示意图；

图2表示本发明实施例中提出的移动边缘计算系统的结构图；

图3表示移动边缘计算系统的总吞吐量与时隙长度的关系曲线图；

图4表示移动边缘计算系统的总吞吐量与用户设备数量的关系曲线图。

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；

为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸，“上”“下”等部位方向的描述非对本专利的限制；

对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

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

如图1所示，本实施例提出了一种基于智能反射面辅助的能量采集移动边缘计算方法，包括以下步骤：

S1.建立基于智能反射面辅助的移动边缘计算系统，所述系统包括智能反射面、配备MEC服务器的基站和K个用户设备；

S2.明确每一个用户设备的计算任务，将每一个用户设备的计算任务分割为本地计算任务和卸载至MEC服务器计算的卸载计算任务；

在步骤S2中，设移动边缘计算系统内的每一个用户处理计算任务的时间周期为T，将时间周期T划分为N个时隙长度为τ的时隙，时隙长度τ的计算表达式为：

τ＝T/N

在第n个时隙中，计算第k个用户设备处理本地计算任务时输入的比特数

的计算表达式为：

其中，

f_k表示第k个用户设备的CPU运行速率，C_k表示第k个用户设备本地处理每比特本地计算任务所需要的CPU周期数目；通过动态电压频率调节技术，每一个用户设备均根据完成计算任务所需CPU周期数，进行动态调节CPU运行速率f_k，动态电压频率调节技术是根据芯片所运行的应用程序对计算能力的不同需要，动态调节芯片的运行频率和电压，从而达到节能的目的；

在第n个时隙中，构建第k个用户设备处理本地计算任务所消耗的能量模型

能量模型

的表达式为：

其中，γ_k表示与第k个用户设备的处理器芯片架构有关的电容系数；参见图2，每一个用户设备均配备有一根天线，基站配备有Q根天线，智能反射面包括M个无源反射单元，设第k个用户设备在第n个时隙中与智能反射面之间的信道增益为

第k个用户设备在第n个时隙中与基站之间的信道增益为

智能反射面在第n个时隙中与基站之间的信道增益

配备MEC服务器的基站通过配备的天线与每一个用户设备进行通信，每一个用户设备均通过随机采集自然环境中的能量处理计算任务。

S3.以移动边缘计算系统的总计算吞吐量最大作为目标函数，以每一个用户设备处理本地计算任务和卸载计算任务所消耗的能量总和、智能反射面的相移及每一个用户设备处理卸载计算任务时输入的比特数目为约束条件，建立系统优化模型；

S4.对系统优化模型进行优化求解，得到移动边缘计算系统的最大吞吐量。

在本实施例中，首先建立一个由智能反射面、配备MEC服务器的基站和K个用户设备组成的移动边缘计算系统，在用户设备与基站通信过程中，采用智能反射面将用户设备发送的信息反射给边缘基站，改善了用户设备与基站之间的信道质量，然后明确每一个用户设备的本地计算任务和卸载至基站的MEC服务器计算的卸载计算任务，避免计算任务全部在用户设备进行计算，出现高能耗和高时延的问题，接着以系统的总计算吞吐量最大作为目标函数，联合考虑了用户设备通信能耗、智能反射面的相移和处理卸载计算任务时输入的比特数目的约束，建立系统优化模型，并通过对系统优化模型优化求解，得到移动边缘计算系统的最大吞吐量，能够降低计算任务从用户设备卸载至MEC的难度，有效提高了通信信号的传输效率，保证通信信道质量，降低计算通信成本和计算复杂度。

实施例2

设第n个时隙智能反射面的对角相移矩阵为Φ_n，Φ_n的具体表达式为：

其中，θ_m,n∈{θ_1,n,θ_2,n,...,θ_M,n}表示在第n个时隙智能反射面第m个反射单元的相位，

θ_m,n∈[0,2π]；计算第k个用户设备的信噪比SNR，SNR的计算表达式为：

其中，σ²表示接收机加性高斯白噪声的功率，p_k,n表示第k个用户设备在第n个时隙的发射功率；基于第k个用户设备的信噪比SNR，在第n个时隙中，计算第k个用户设备在第n个时隙将卸载计算任务卸载至基站的上行链路的传输速率R_k,n，R_k,n的计算表达式如下：

其中，B_k表示第k个用户设备在上行链路处理卸载计算任务时需要的传输频谱带宽；在第n个时隙中，计算第k个用户设备处理卸载计算任务时所输入的比特数

的计算表达式为：

在第n个时隙中，构建第k个用户设备处理卸载计算任务所需消耗的能量模型

能量模型

的表达式为：

其中，p_k,n表示第k个用户设备在第n个时隙的发射功率；

和

满足以下能量因果关系：

其中，E_k,i表示第k个用户设备在第i个时隙采集的能量，上述能量因果关系是指截至时隙

时，每一个用户设备累计采集到的能量不小于每一个用户设备累计计算消耗的能量，消耗的能量为每一个用户设备处理本地计算任务和卸载计算任务所消耗的能量；

在步骤S3中，所述目标函数的具体表达式为：

其中，

以每一个用户设备处理本地计算任务和卸载计算任务所消耗的能量总和为约束条件的表达式为：

其中，E_k,i表示第k个用户设备在第i个时隙采集的能量；

以智能反射面的相移为约束条件的表达式为：

以每一个用户设备处理卸载计算任务时输入的比特数目为约束条件的表达式为：

实施例3

参见图1及图2，在步骤S4中，采用交替变量迭代优化算法对系统优化模型进行优化求解，交替变量包括用户设备上行链路发射功率p，用户设备处理本地计算比特数目l^loc和智能反射面的相移θ，对系统优化模型进行优化求解的具体过程为：

S41.将目标函数分别转化为第一目标子函数和第二目标子函数；

在步骤S41中，由于优化交替变量p和θ存在耦合关系，所以采用交替变量迭代优化算法，将目标函数转化为第一目标子函数和第二目标子函数，第一目标子函数的具体表达式为：

第二目标子函数的具体表达式为：

S42.分别确定第一目标子函数和第二目标子函数的约束条件；

在步骤S42中，第一目标子函数的约束条件为：

第二目标子函数的约束条件为：

S43.在第一目标子函数的约束条件下，固定θ，对l^loc和p进行更新迭代优化，得到第一目标子函数的第一优化值；并在第二目标子函数的约束条件下，固定l^loc和p，对θ进行更新迭代优化，得到第二目标子函数的第二优化值；

在步骤S43中，基于第一目标子函数与第一目标子函数的约束条件，建立第一优化问题，固定θ，对l^loc和p进行更新迭代优化，该问题属于凸优化问题，可以借助凸优化软件进行求解，求出次优解(Ι^loc)^*和p^*，将(Ι^loc)^*和p^*代入第一目标子函数，得到第一目标子函数的第一优化值；

基于第二目标子函数与第二目标子函数的约束条件，建立第二目标子函数的第二优化问题，固定l^loc和p，对θ进行更新迭代优化，通过调整θ来提高信噪比从而提高吞吐量，令第二优化问题的第二目标子函数转化为第三目标子函数：

第三目标子函数的约束条件为：

基于第三目标子函数与第三目标子函数的约束条件，建立第三优化问题，令v_n＝(v_1,n,v_2,n,...v_M,n)^H，其中

且进一步定义

将第三优化问题中

转化为：

此时第三优化问题仍属于非凸二次规划二次约束问题，需要对第三优化问题继续转化，记：

将第三优化问题的第三目标子函数转化为第四目标子函数：

第四目标子函数的约束条件为：

|v_m,n|²＝1

基于第四目标子函数和第四目标子函数的约束条件，建立第四优化问题，由矩阵迹的性质可以得到

定义

且rank(V_n)＝1,由于其秩为1，第四优化问题仍然是非凸问题，需要使用半定松弛条件，将第四目标子函数和第四目标子函数进一步等价为第五目标子函数：

第五目标子函数的约束条件为：

V_n≥0

基于第五目标函数与第五目标函数的约束条件建立第五优化问题，并计算出次优解

若

则需要用高斯随机化对其进行降秩处理，进而利用

求得θ^*，将固定的l^loc、p和求得的θ^*代入第二目标子函数，得到第二目标子函数的第二优化值；

S44.判断第一优化值和第二优化值之差的绝对值是否小于优化阈值，若是，输出第二目标子函数的优化值为目标函数值的最优值，并将目标函数值的最优值设为移动边缘计算系统的最大吞吐量；否则，返回步骤S43。

参见图3，图3中显示移动边缘计算系统总吞吐量与时隙长度τ的关系，其中时隙数量N＝10个，用户设备个数K＝5个，从图3看出，优化方案在不同时隙长度τ下，本实施例求得的系统总吞吐量均优于参与比较的两种方案，且随着时隙长度τ增大，本实施例提出的方案的优势越来越明显；参见图4，本实施例还得出移动边缘计算系统总吞吐量与用户数量的关系，其中时隙数量N＝10个，时隙长度τ＝0.2，从图4看出，优化方案在不同用户设备数量下，本实施例求得的系统总吞吐量均优于参与比较的两种方案，且随着用户设备数量增加，本实施例提出的方案的优势越来越明显。

显然，本发明的上述实施例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)

1.一种基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，包括以下步骤：

S1.建立基于智能反射面辅助的移动边缘计算系统，所述系统包括智能反射面、配备MEC服务器的基站和K个用户设备；

S2.明确每一个用户设备的计算任务，将每一个用户设备的计算任务分割为本地计算任务和卸载至MEC服务器计算的卸载计算任务；

S3.以移动边缘计算系统总计算吞吐量最大作为目标函数，以每一个用户设备处理本地计算任务和卸载计算任务所消耗的能量总和、智能反射面的相移及每一个用户设备处理卸载计算任务时输入的比特数目为约束条件，建立系统优化模型；

S4.对系统优化模型进行优化求解，得到移动边缘计算系统的最大吞吐量。

2.根据权利要求1所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，设移动边缘计算系统内的每一个用户处理计算任务的时间周期为T，将时间周期T划分为N个时隙长度为τ的时隙，时隙长度τ的计算表达式为：

τ＝T/N

在第n个时隙中，计算第k个用户设备处理本地计算任务时输入的比特数

的计算表达式为：

其中，

f_k表示第k个用户设备的CPU运行速率，C_k表示第k个用户设备本地处理每比特本地计算任务所需要的CPU周期数目。

3.根据权利要求2所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，在第n个时隙中，构建第k个用户设备处理本地计算任务所消耗的能量模型

能量模型

的表达式为：

其中，γ_k表示与第k个用户设备的处理器芯片架构有关的电容系数。

4.根据权利要求3所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，每一个用户设备均配备有一根天线，基站配备有Q根天线，智能反射面包括M个无源反射单元，设第k个用户设备在第n个时隙中与智能反射面之间的信道增益为

第k个用户设备在第n个时隙中与基站之间的信道增益为

智能反射面在第n个时隙中与基站之间的信道增益

配备MEC服务器的基站通过配备的天线与每一个用户设备进行通信。

5.根据权利要求4所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，设第n个时隙智能反射面的对角相移矩阵为Φ_n，Φ_n的具体表达式为：

其中，θ_m,n∈{θ_1,n,θ_2,n,...,θ_M,n}表示在第n个时隙智能反射面第m个反射单元的相位，

在第n个时隙中，计算第k个用户设备处理卸载计算任务时所输入的比特数

的计算表达式为：

其中，R_k,n表示第k个用户设备在第n个时隙将卸载计算任务卸载至基站的上行链路的传输速率，B_k表示第k个用户设备在上行链路处理卸载计算任务时需要的传输频谱带宽。

6.根据权利要求5所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，在第n个时隙中，构建第k个用户设备处理卸载计算任务所需消耗的能量模型

能量模型

的表达式为：

其中，p_k,n表示第k个用户设备在第n个时隙的发射功率。

7.根据权利要求6所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，在步骤S3中，所述目标函数的具体表达式为：

其中，

以每一个用户设备处理本地计算任务和卸载计算任务所消耗的能量总和为约束条件的表达式为：

其中，E_k,i表示第k个用户设备在第i个时隙采集的能量；

以智能反射面的相移为约束条件的表达式为：

以每一个用户设备处理卸载计算任务时输入的比特数目为约束条件的表达式为：

8.根据权利要求7所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，在步骤S4中，采用交替变量迭代优化算法对系统优化模型进行优化求解，交替变量包括用户设备上行链路发射功率p，用户设备处理本地计算比特数目l^loc和智能反射面的相移θ。

9.根据权利要求8所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，对系统优化模型进行优化求解的具体过程为：

S41.将目标函数分别转化为第一目标子函数和第二目标子函数；

S42.分别确定第一目标子函数和第二目标子函数的约束条件；

S43.在第一目标子函数的约束条件下，固定θ，对l^loc和p进行更新迭代优化，得到第一目标子函数的第一优化值；并在第二目标子函数的约束条件下，固定l^loc和p，对θ进行更新迭代优化，得到第二目标子函数的第二优化值；

S44.判断第一优化值和第二优化值之差的绝对值是否小于优化阈值，若是，输出第二目标子函数的优化值为目标函数值的最优值，并将目标函数值的最优值设为移动边缘计算系统的最大吞吐量；否则，返回步骤S43。

10.根据权利要求1-9任一项所述的基于智能反射面辅助的能量采集移动边缘计算方法，其特征在于，每一个用户设备均通过随机采集自然环境中的能量处理计算任务。

Images