CN115915276A - 基于边缘计算的能量受限终端任务在线调度装置及其方法 - Google Patents
基于边缘计算的能量受限终端任务在线调度装置及其方法 Download PDFInfo
- Publication number
- CN115915276A CN115915276A CN202211415692.7A CN202211415692A CN115915276A CN 115915276 A CN115915276 A CN 115915276A CN 202211415692 A CN202211415692 A CN 202211415692A CN 115915276 A CN115915276 A CN 115915276A
- Authority
- CN
- China
- Prior art keywords
- terminal
- task
- calculation
- server
- model
- 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.)
- Withdrawn
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004891 communication Methods 0.000 claims abstract description 41
- 238000005265 energy consumption Methods 0.000 claims abstract description 36
- 230000007774 longterm Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000013468 resource allocation Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000012067 mathematical method Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
基于边缘计算的能量受限终端任务在线调度装置及其方法，包括：终端任务卸载模型与能量收集模型，服务功能缓存模型负责根据网络的基站、物联终端数量、收集的可再生能量、计算任务属性等；资源分配模块负责构建可再生能源收集模型、无线通信模型、物联终端的任务卸载模型以及服务器的服务缓存决策模型，将模型数据传递给任务边缘计算模型和问题在线求解算法；问题在线求解算法根据随机网络参数在线求解单时隙目标函数并执行最优的物联终端任务卸载与资源分配决策。本发明实现了物联终端在长期运行过程中因任务卸载或本地计算任务产生的通信与计算能耗与时延加权和最小化；降低因物联终端能耗不足需长期花费人力进行运维引起的管理成本。
Description
技术领域
本发明涉及5G无线通信与边缘计算技术领域，具体涉及一种基于边缘计算的能量受限终端任务在线调度装置及其方法。
背景技术
随着5G通信与工业互联网发展，网络切片技术满足了各类移动物联设备的海量部署需求，并推动物联终端的应用数据指数性增长，出现了包括AR、VR、语音或人脸识别等多样化的新兴计算任务。然而云计算中心部署在远端核心网，海量数据接入将造成网络拥塞，高传输时延难以满足海量物联终端实时计算需求。另外，物联终端电池容量受限，本地计算将增加终端能耗，不利于工业互联网下的物联终端持续运行。
为解决5G无线通信网络边缘侧的海量物联计算任务处理实时性不足问题，移动边缘计算作为新型计算范式受到研究人员广泛关注。通过将移动边缘计算服务器部署在5G微基站、无人机、WiFi等接入网络节点，将云计算资源下沉到网络边缘，为海量物联设备提供低时延计算支撑。其中任务卸载技术令物联终端可经5G无线通信链路将计算任务上传至边缘服务器进行处理，极大减少了物联终端本地计算能耗与时间。然而实际工业互联网场景下，物联终端执行任务卸载仍需产生通信功耗，而大部分物联终端可用能量受限，无法满足在五连场景下的长时间工作需求。
关于面向物联终端的通信能耗优化研究中，基于边缘计算的电力终端任务卸载与资源分配优化方法得到广泛关注，并提出了多种面向物联终端能耗与计算时延的任务卸载优化策略。然而现有工作鲜少考虑服务缓存与任务卸载的耦合关系。由于边缘服务器可用计算资源和缓存资源有限，边缘服务器需缓存与计算任务类型有关的数据库或运行环境，才能为相应类型的任务提供计算服务。若缺乏相应服务缓存，终端需执行本地计算并造成能耗上升。
另外，在工业互联网场景下，部分物联终端可部署能量收集设备，对环境中的可再生能量进行收集与使用，进而提升物联终端的运行稳定性。然而现有工作未考虑收集的可再生能量与网络计算任务到达的随机性，难以实现服务缓存、可再生能量使用以及网络资源分配的实时匹配，无法实现长期运行下的物联终端通信能耗、计算能耗与任务处理时延开销性能优化。
因此，本发明提出了一种基于边缘计算的能量受限终端任务在线调度方法，旨在最小化能量受限的物联终端在长期运行过程中因处理计算任务产生的通信与计算能耗；降低物联终端的运维管理成本，提高泛在物联场景下5G无线通信网络边缘设备的运行可靠性。
发明内容
为了解决现有技术中存在的缺陷，本发明公开一种基于边缘计算的能量受限终端任务在线调度装置，其技术方案如下：
基于边缘计算的能量受限终端任务在线调度装置，包括：终端任务卸载模型与能量收集模型、服务功能缓存模型、任务边缘计算模型、问题在线求解算法模块；其特征为：
终端任务卸载模型与能量收集模型：负责描述能量受限的物联终端的可再生能源收集模型、物联终端与5G微基站上部署的边缘计算服务器之间的无线通信时间计算模块、描述物联终端的任务卸载决策计算模块；
服务功能缓存模型：负责构建描述5G微基站上部署的边缘计算服务器的缓存容量上限以及服务缓存决策计算模块；
任务边缘计算模型：用于描述边缘计算服务器处理物联终端卸载过来的计算任务处理时间计算模块，并基于终端任务卸载模型与服务功能缓存模型共同构建物联终端长期平均的通信、计算能耗与通信、计算时延加权和最小化目标函数；
问题在线求解算法模块：根据所构建的时间长期平均的物联终端通信与计算能耗最小化优化函数，应用李雅普诺夫优化方法将多时隙随机优化问题解耦为单时隙确定性问题，并基于拉格朗日对偶次梯度法迭代获取单时隙问题最优解。
本发明还公开一种基于边缘计算的能量受限终端任务在线调度方法。
本发明相对于现有技术的优点在于：
(1)本发明实现了物联终端在长期运行过程中因处理计算任务产生的通信、计算能耗与通信、计算时延加权和最小化；
(2)降低了因物联终端能耗不足需长期花费人力进行运维而引起的管理成本，提高了工业物联网终端的运行可靠性。
附图说明
图1为一种基于边缘计算的电力终端任务低功耗在线调度方法示意图。
图2为问题在线求解算法执行示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
参考图1，本发明提供一种基于边缘计算的能量受限终端任务低功耗在线调度方法，所述方法包括：终端任务卸载模型与能量收集模型、服务功能缓存模型、任务边缘计算模型与问题在线求解算法。
S10。所述终端任务卸载模型与能量收集模型用于描述可再生能源收集模型、物联终端与5G微基站上部署的边缘计算服务器之间的无线通信时间计算方法、描述物联终端的任务卸载决策计算方法，并将数学模型传递给任务边缘计算模型和问题在线求解算法，做下一步目标函数构建与问题求解。
进一步的，终端任务卸载模型与能量收集模型所述的构建可再生能源收集模型、物联终端与5G微基站上部署的边缘计算服务器之间的无线通信时间计算方法、描述物联终端的任务卸载决策计算方法，其建模过程包括：
S11。设时间长度划分为无穷多个时隙，记时隙的集合为个T＝{1,2,...,t...}。设某电力物联场景下存在J个5G微基站，I个物联终端。其中各5G微基站均部署有一个边缘计算服务器(下文简称服务器)为物联终端提供任务卸载支持；各物联终端部署有一个小型光伏板用于收集环境中的可再生能量(光伏电能)为物联终端运行供能。设在时隙t中物联终端i的可再生能量收集速率ei(t)为一个随机值。记Bi(t)为物联终端i的能量队列，Ei(t)表示物联终端i的实际通信与计算能耗总和，其动态变化满足
Bi(t+1)＝max{Bi(t)-Ei(t),0}+ei(t) (29)
S12。每个时隙开始时物联终端(下文将简称为终端)将有一个计算任务到达。本文考虑计算任务不可分割处理，且存在对应的唯一服务功能类型，计算任务需在缓存了服务m上的完成，其中默认终端始终具备任务所需服务功能。计算任务采用所属服务类型的编号索引m∈M表示，其中M表示服务功能类型集合。任务属性由二元组(dm,h)表示，dm是任务m的数据规模大小(bit)，h是处理单位任务数据所需的CPU周期数(MHz/bit)。
计算任务到达后，终端设备将做出任务处理决策：1)本地计算：在终端本地执行计算；2)卸载至服务器：终端任务经无线链路完全卸载至服务器执行边缘计算。时隙t内终端i对于计算任务m的任务卸载决策由二进制变量ximj(t)表示，当ximj(t)＝1时，表示在时隙t中终端i的任务m卸载至服务器处理；反之，当终端i的任务卸载决策时，表示在时隙t选择本地计算，记各时隙t中终端的任务卸载决策需满足式(2)
S13。在时隙t，若终端选择卸载任务至服务器，记为终端i与服务器j之间的上行无线链路传输速率，表示为
其中pi(t)为终端i的传输功率，满足gij为服务器j与终端i之间的信道增益，w为可用频谱资源。σ2为小区间平均噪声功率，小区间平均干扰功率记为χ。对应地，在时隙t终端i卸载任务m产生的通信能耗与终端i卸载任务m至服务器j产生上行通信时延分别表示为：
S20。所述服务功能缓存模型用于描述5G微基站上部署的边缘计算服务器的缓存容量上限以及服务缓存决策计算方法，并将数学模型传递给任务边缘计算模型和问题在线求解算法，做下一步目标函数构建与问题求解。
进一步的，服务功能缓存模型所述的构建5G微基站上部署的边缘计算服务器的缓存容量上限以及服务缓存决策计算方法，其建模过程包括：
S21。计及计算任务所需数据库与代码运行环境差异性，服务器需部署对应服务功能(下文简称服务)提供差异化边缘计算环境，构建bjm(t)∈{0,1}为在时隙t中服务器j的服务缓存决策，若bjm(t)＝1，表示服务器j缓存服务m，反之为0。由于各服务器缓存空间有限，服务缓存决策需满足
S22。其中sm表示服务m所需缓存容量。由于服务器的缓存空间有限，记服务器的缓存空间大小为Cj。为满足卸载任务的边缘计算要求，终端需卸载至缓存有对应服务的服务器进行边缘计算，即满足
S30。所述任务边缘计算模型用于构建边缘服务器的任务边缘计算模型，并以物联终端的长期时间平均能耗最小化为目标构建目标函数，并将目标函数传递给问题在线求解算法，做下一步问题求解。
进一步的，任务边缘计算模型所述的构建边缘服务器的任务边缘计算模型，并以物联终端长期平均的通信、计算能耗与通信、计算时延加权和最小化为目标构建目标函数，其建模过程包括：
S31。若终端i在本地完成计算，记在时隙t中终端i分配的本地计算资源为fi(t)≤fi,max。，其中fi,max为终端i拥有的计算资源上限；在时隙t中终端i执行任务m的本地计算所需计算时间与计算能耗表示为:
S32。若终端i执行任务卸载，设服务器j的可用计算资源上限由CPU工作频率表示，其中 为在时隙t中服务器j分配给终端i的计算资源，满足其中在服务器j完成任务计算所需计算时间表示为
若服务器j未缓存有终端i所需的服务m，服务器j具向电力云中心平台请求下发对应服务功能完成对应类型的任务计算，设R0(t)为电力云中心的核心网络传输速率，从电力云中心下发服务至服务器j所需传输时间记为
S33。本发明方法目标为最小化时延限制下的终端长期时间平均的通信与计算能耗，进而在时隙t中终端处理任务实际所需时间Ti(t)以及能耗Ei(t)计算公式为
本说明提出方法目标为优化能量受限终端的长期能耗与时延开销的加权和，并保证系统稳定性，进而构建目标函数为
其中α与β分别表示能耗权重因子与时延开销权重因子。记表示终端i的长期能量预算上限，Tmax为计算任务处理时延门限，目标函数约束包括(43)-(47)：
S40。所述问题在线求解算法用于根据任务边缘计算模型构建的目标函数，执行多时隙优化问题解耦，单时隙优化问题在线求解与向终端发送最优任务卸载与资源分配决策执行指令，获取系统能耗与运行可靠性性能的优化。
进一步的，问题在线求解算法所述的根据任务边缘计算模型构建的目标函数，执行多时隙优化问题解耦，并基于凸优化理论在线求解单时隙优化问题，其求解过程包括：
S41。基于李雅普诺夫优化理论，构建关于终端i能量队列Bi(t)的虚拟能耗队列如式(48)所示。基于虚拟能耗队列与目标函数，构建李雅普诺夫函数以及李雅普诺夫偏移函数、偏移加罚函数，形成长期随机优化目标函数的优化上界，分别如式(49)-(52)所示。
其中G为一个常数，V为权重因子，Θ(t)对应所含的虚拟队列平方变量集合；。
S42。基于李雅普诺夫偏移加罚函数上界，形成单时隙优化目标函数式，如式(53)所示。
S43。初始化任意一个服务缓存决策初始化问题上界UP为一个十分大的正数，当前迭代次数为l＝0，设最大迭代上限为Lmax＝30。将式(53)分解为给定缓存决策集合下内层的任务卸载与资源分配子问题以及外层的服务缓存子问题，如式(54)-(55)所示。通过对内层问题(54)与外层问题(55)基于凸优化梯度乘子法交替迭代求解，获取当前时隙的终端计算资源、通信功率、任务卸载与服务缓存决策在线分配方案。
进一步地，所述基于凸优化梯度乘子法交替迭代求解方法，其过程包括：
S44。在第l轮迭代中，将式(54)原0-1离散变量松弛为取值在[0,1]区间的连续变量，得到式(56)
基于内嵌对偶次梯度乘子法的凸优化工具箱求解式(56)，得到给定服务缓存决策下的最优松弛化任务卸载决策、终端与服务器计算资源分配决策与终端上行通信功率分配决策并基于四舍五入法将松弛化的还原回0-1离散决策x，将求解结果传递至外层问题
S45。基于S44得到的外层服务缓存决策问题属于一个关于0-1离散变量b的整数线性规划问题，可直接应用分支定界法等典型数学方法获取服务缓存决策b(l)，并得到第l轮迭代的问题取值上界UP(l)。
S46。若当前第l轮迭代的UP(l)上界值与前一轮迭代的上界值UP(l-1)的取值十分接近，不超过设定的偏差值0.5，即|UP(l)-UP(l-1)|≤0.5，则视问题为获取最优解，将当前时隙t的最优解
反之l＝l+1，并将当前得到的服务缓存决策b(l)返回步骤S44。
S4:7。在当前时隙t中，将最优解传至物联终端与5G基站执行任务卸载与资源分配决策。
本发明公开一种基于边缘计算的能量受限终端任务在线调度方法，采用问题在线求解模式降低求解所需时间复杂度，可根据问题解耦获取的子问题数量，弹性扩展，简便管理每个优化问题的求解。同时，本发明所提的能量受限的物联终端任务低功耗在线调度方法相比于现有技术，其优点在于：(1)本发明实现了物联终端在长期运行过程中因任务卸载或本地计算任务产生的通信与计算能耗与时延加权和最小化；(2)降低了因物联终端能耗不足需长期花费人力进行运维而引起的管理成本，提高了工业物联网场景下的物联终端运行可靠性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (9)
1.基于边缘计算的能量受限终端任务在线调度装置，包括：终端任务卸载模型与能量收集模型、服务功能缓存模型、任务边缘计算模型、问题在线求解算法模块；其特征为：
终端任务卸载模型与能量收集模型：负责描述能量受限的物联终端的可再生能源收集模型、物联终端与5G微基站上部署的边缘计算服务器之间的无线通信时间计算模块、描述物联终端的任务卸载决策计算模块；
服务功能缓存模型：负责构建描述5G微基站上部署的边缘计算服务器的缓存容量上限以及服务缓存决策计算模块；
任务边缘计算模型：用于描述边缘计算服务器处理物联终端卸载过来的计算任务处理时间计算模块，并基于终端任务卸载模型与服务功能缓存模型共同构建物联终端长期平均的通信、计算能耗与通信、计算时延加权和最小化目标函数；
问题在线求解算法模块：根据所构建的时间长期平均的物联终端通信与计算能耗最小化优化函数，应用李雅普诺夫优化方法将多时隙随机优化问题解耦为单时隙确定性问题，并基于拉格朗日对偶次梯度法迭代获取单时隙问题最优解。
2.根据权利要求1所述的基于边缘计算的能量受限终端任务在线调度装置，其特征为：所述任务边缘计算模型构建目标函数后，完成多时隙随机优化问题的计算是采用李雅普诺夫优化，将原问题分解为单时隙确定性问题。
3.基于边缘计算的能量受限终端任务在线调度方法，其特征为：包括如下步骤：
S10：建立终端任务卸载模型与能量收集模型，包括负责构建可再生能源收集模型、物联终端与5G微基站上部署的边缘计算服务器之间的无线通信时间计算方法、描述物联终端的任务卸载决策计算方法；
S20：建立服务功能缓存模型，用于描述5G微基站上部署的边缘计算服务器的缓存容量上限以及服务缓存决策计算方法；
S30：建立任务边缘计算模型，用于描述边缘计算服务器处理物联终端卸载过来的计算任务处理时间计算模块，并基于终端任务卸载模型与能量收集模型和服务功能缓存模型共同构建物联终端长期平均的通信、计算能耗与通信、计算时延加权和最小化目标函数；
S40：问题在线求解算法，用于根据任务边缘计算模型构建的目标函数，执行多时隙优化问题解耦，单时隙优化问题在线求解与向终端发送最优任务卸载与资源分配决策执行指令，获取系统能耗与运行可靠性性能的优化。
4.根据权利要求3所述的基于边缘计算的能量受限终端任务在线调度方法，其特征为：
所述S10建模过程包括如下内容：
S11：设时间长度划分为无穷多个时隙，记时隙的集合为T＝{1,2,...,t...}；设某物联场景下存在J个5G微基站，I个物联终端；其中各5G微基站均部署有一个边缘计算服务器(简称为服务器)为物联终端(简称为终端)提供任务卸载支持；各物联终端部署有一个小型光伏板用于收集环境中的可再生能量为物联终端运行供能；设在时隙t中物联终端i的可再生能量收集速率ei(t)为一个随机值；记Bi(t)为物联终端i的能量队列，Ei(t)表示物联终端i的实际通信与计算能耗总和，其动态变化满足：
Bi(t+1)＝max{Bi(t)-Ei(t),0}+ei(t) (1)；
S12：每个时隙开始时物联终端将有一个计算任务到达，考虑计算任务不可分割处理，且存在对应的唯一服务功能类型，计算任务需在缓存了服务m上的完成，其中默认终端始终具备任务所需服务功能；计算任务采用所属服务类型的编号索引m∈M表示，其中M表示服务功能类型集合；任务属性由二元组(dm,h)表示，dm是任务m的数据规模大小(bit)，h是处理单位任务数据所需的CPU周期数(MHz/bit)；
计算任务到达后，终端设备将做出任务处理决策：1)本地计算：在终端本地执行计算；2)卸载至服务器：终端任务经无线链路完全卸载至服务器执行边缘计算；时隙t内终端i对于计算任务m的任务卸载决策由二进制变量ximj(t)表示，当ximj(t)＝1时，表示在时隙t中终端i的任务m卸载至服务器j处理；反之，当终端i的任务卸载决策时，表示在时隙t选择本地计算，记各时隙t中终端的任务卸载决策需满足：
S13：在时隙t，若终端选择卸载任务至服务器，记为终端i与服务器j之间的上行无线链路传输速率，表示为
其中pi(t)为终端i的传输功率，满足gij为服务器j与终端i之间的信道增益，w为可用频谱资源；σ2为小区间平均噪声功率，小区间平均干扰功率记为χ；对应地，在时隙t终端i卸载任务m产生的通信能耗与终端i卸载任务m至服务器j产生上行通信时延分别表示为：
5.根据权利要求3所述的基于边缘计算的能量受限终端任务在线调度方法，其特征为：
所述S20建模过程包括：
S21:计及计算任务所需数据库与代码运行环境差异性，服务器需部署对应服务提供差异化边缘计算环境，构建bjm(t)∈{0,1}为在时隙t中服务器j的服务缓存决策，若bjm(t)＝1，表示服务器j缓存服务m，反之为0；由于各服务器缓存空间有限，服务缓存决策需满足:
S22:其中sm表示服务m所需缓存容量；由于服务器的缓存空间有限，记服务器的缓存空间大小为Cj；为满足卸载任务的边缘计算要求，终端需卸载至缓存有对应服务的服务器进行边缘计算，即满足:
6.根据权利要求3所述的基于边缘计算的能量受限终端任务在线调度方法，其特征为：
所述S30建模过程包括：
S31:若终端i在本地完成计算，记在时隙t中终端i分配的本地计算资源为fi(t)≤fi,max，其中fi,max为终端i拥有的计算资源上限；在时隙t中终端i执行任务m的本地计算所需计算时间与计算能耗表示为:
S32:若终端i执行任务卸载，设在时隙t中服务器j的可用计算资源上限由CPU工作频率表示，其中 为在时隙t中服务器j分配给终端i的计算资源，满足其中在服务器j完成任务计算所需计算时间表示为:
若服务器j未缓存有终端i所需的服务m，服务器j向电力云中心平台请求下发对应服务功能完成对应类型的任务计算，设R0(t)为电力云中心的核心网络传输速率，从电力云中心下发服务至服务器j所需传输时间记为：
S33：设立目标为最小化时延限制下的终端长期时间平均的通信与计算能耗，进而在时隙t中终端处理任务实际所需时间Ti(t)以及能耗Ei(t)计算公式为：
该目标为优化能量受限终端的长期能耗与时延开销的加权和，并保证系统稳定性，进而构建目标函数为：
其中α与β分别表示能耗权重因子与时延开销权重因子，记表示终端i的长期能量预算上限，Tmax为计算任务处理时延门限，目标函数约束包括(15)-(19)：
7.根据权利要求3所述的基于边缘计算的能量受限终端任务在线调度方法，其特征为：
所述S40求解过程包括：
S41：基于李雅普诺夫优化理论，构建关于终端i能量队列Bi(t)的虚拟能耗队列如式(20)所示；基于虚拟能耗队列与目标函数，构建李雅普诺夫函数以及李雅普诺夫偏移函数、偏移加罚函数，形成长期随机优化目标函数的优化上界，分别如式(21)-(24)所示，其中G为一个常数，V为权重因子，Θ(t)对应所含的虚拟队列平方变量集合；
S42：基于李雅普诺夫偏移加罚函数上界，形成单时隙优化目标函数式，如式(25)所示：
S43：初始化任意一个服务缓存决策初始化问题上界UP为一个十分大的正数，当前迭代次数为l＝0，设最大迭代上限为Lmax＝30；将式(25)分解为给定缓存决策集合下内层的任务卸载与资源分配子问题以及外层的服务缓存子问题，如式(26)-(27)所示；通过对内层问题(26)与外层问题(27)基于凸优化梯度乘子法交替迭代求解，获取当前时隙的终端计算资源、通信功率、任务卸载与服务缓存决策在线分配方案；
所述基于凸优化梯度乘子法交替迭代求解方法，其过程包括：
S44：在第l轮迭代中，将式(26)原0-1离散变量松弛为取值在[0,1]区间的连续变量，得到式(28)
基于内嵌对偶次梯度乘子法的凸优化工具箱求解式(28)，得到给定服务缓存决策下的最优松弛化任务卸载决策、终端与服务器计算资源分配决策与终端上行通信功率分配决策并基于四舍五入法将松弛化的还原回0-1离散决策x，将求解结果传递至外层问题
S45：基于S44得到的外层服务缓存决策问题属于一个关于0-1离散变量b的整数线性规划问题，可直接应用分支定界法等典型数学方法获取服务缓存决策b(l)，并得到第l轮迭代的问题取值上界UP(l)；
S46：若当前第l轮迭代的UP(l)上界值与前一轮迭代的上界值UP(l-1)的取值十分接近，不超过设定的偏差值0.5，即|UP(l)-UP(l-1)≤0.5，则视问题为获取最优解，将当前时隙t的最优解
反之l＝l+1，并将当前得到的服务缓存决策b(l)返回步骤S44；
S47：在当前时隙t中，将最优解传至物联终端与5G基站执行任务卸载与资源分配决策。
8.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求3至7中任意一项所述的方法。
9.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求3至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211415692.7A CN115915276A (zh) | 2022-11-12 | 2022-11-12 | 基于边缘计算的能量受限终端任务在线调度装置及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211415692.7A CN115915276A (zh) | 2022-11-12 | 2022-11-12 | 基于边缘计算的能量受限终端任务在线调度装置及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115915276A true CN115915276A (zh) | 2023-04-04 |
Family
ID=86470510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211415692.7A Withdrawn CN115915276A (zh) | 2022-11-12 | 2022-11-12 | 基于边缘计算的能量受限终端任务在线调度装置及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115915276A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117931460A (zh) * | 2024-03-25 | 2024-04-26 | 勤源(江苏)科技有限公司 | 基于机器学习的智能物联终端边缘计算方法及系统 |
-
2022
- 2022-11-12 CN CN202211415692.7A patent/CN115915276A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117931460A (zh) * | 2024-03-25 | 2024-04-26 | 勤源(江苏)科技有限公司 | 基于机器学习的智能物联终端边缘计算方法及系统 |
| CN117931460B (zh) * | 2024-03-25 | 2024-05-24 | 勤源(江苏)科技有限公司 | 基于机器学习的智能物联终端边缘计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111836283B (zh) | 一种基于mec多服务器的车联网资源分配方法 | |
| CN110941667B (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
| 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 | |
| CN111405568B (zh) | 基于q学习的计算卸载和资源分配方法及装置 | |
| Feng et al. | Collaborative data caching and computation offloading for multi-service mobile edge computing | |
| CN109151864B (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 | |
| CN111031102A (zh) | 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法 | |
| CN109246761B (zh) | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 | |
| CN113115339B (zh) | 一种基于移动性感知的任务卸载和资源分配联合优化方法 | |
| Li et al. | Radio and computing resource allocation with energy harvesting devices in mobile edge computing environment | |
| CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
| CN114650228B (zh) | 一种异构网络中基于计算卸载的联邦学习调度方法 | |
| CN111796880B (zh) | 一种边缘云计算任务的卸载调度方法 | |
| Qin et al. | User-edge collaborative resource allocation and offloading strategy in edge computing | |
| CN115802389A (zh) | 一种利用数字孪生辅助模型训练的联邦学习方法 | |
| CN115915276A (zh) | 基于边缘计算的能量受限终端任务在线调度装置及其方法 | |
| 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 | |
| Dong et al. | Content caching-enhanced computation offloading in mobile edge service networks | |
| Zhou et al. | Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE | |
| CN113159539B (zh) | 多层边缘计算系统中联合绿色能量调度和动态任务分配方法 | |
| Dlamini et al. | LSTM-based traffic load balancing and resource allocation for an edge system | |
| CN114615730A (zh) | 回程受限密集无线网络面向内容覆盖的功率分配方法 | |
| Merluzzi et al. | Latency-constrained dynamic computation offloading with energy harvesting IoT devices | |
| Li et al. | Collaborative optimization of edge-cloud computation offloading in internet of vehicles | |
| Xue et al. | Research on energy transmission strategy based on MEC in green communication |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230404 |
|
| WW01 | Invention patent application withdrawn after publication |