CN115988536B - 一种双可重构智能表面辅助移动边缘计算系统优化方法 - Google Patents

Abstract

本发明属于无线通信技术领域，公开了一种双可重构智能表面辅助移动边缘计算系统优化方法，该系统包括基站、D‑RIS以及用户终端，其中BS处配有MEC服务器，用户终端具有时延敏感型任务，本发明提出了D‑RIS辅助MEC的任务卸载与任务分配联合优化方法，构建了基于时延最小化的任务卸载及任务分配模型，以最小化用户任务处理时延为目标，设计了用户任务分配、D‑RIS相移和接收波束成形向量的联合交替优化算法。本发明与等比例任务分配且RIS相移固定等方案相比，获得了更低的用户任务处理时延，有效降低用户任务的卸载时延和计算时延。

Description

一种双可重构智能表面辅助移动边缘计算系统优化方法

技术领域

本发明属于无线通信技术领域，具体的说是涉及一种双可重构智能表面辅助移动边缘计算系统优化方法。

背景技术

当前用户对网络延迟的感知越来越敏感，对低延迟的需求比较严格。移动边缘计算技术在对时延有严格要求的领域发挥着十分重要的作用。移动边缘计算通过将一部分计算能力下沉到移动边缘节点，拉近了用户和云服务器的距离，减少任务的卸载时间，最终达到降低任务处理时延的目的。但是，当用于卸载计算任务的通信环境恶劣时，不能充分利用移动边缘计算的益处。

目前，可重构智能表面作为一项革命性的技术，它由大量低成本的无源元件组成，每个无源元件能够以可调节的相移独立地反射入射信号，协同改变反射信号的传播，从而有效提高接收信噪比。因此，本发明提出了双可重构智能表面辅助移动边缘计算系统。

发明内容

为了解决上述技术问题，本发明提供了一种双可重构智能表面辅助移动边缘计算系统优化方法，在用户直传信道环境很差时，采用双可重构智能表面(D-RIS,Double-Reconfigurable Intelligence Surface)来改善信道环境，并且通过任务分配，来产生时延较低的用户部分任务卸载方案。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明是一种双可重构智能表面辅助移动边缘计算系统优化方法，包括如下步骤：

获取信道衰落增益，计算用户与基站(BS,Base Station)之间的信道传输速率；

由于用户对时延敏感，因此用户终端需要将其任务划分为两部分，其中一部分进行本地计算，另一部分通过BS处的移动边缘计算(MEC,Mobile Edge Computing)服务器进行计算。根据所述信道传输速率，计算用户任务卸载至BS的卸载时延；

分别获取用户任务在本地与BS处的MEC服务器进行计算的时延；

构建了以最小化用户任务的处理时延为目标的任务分配、D-RIS相移和接收波束成形向量联合优化模型。

进一步的，所述用户的信道衰落增益可表示为：

其中，

表示用户与BS之间的信道增益，/>

表示N×1维复矩阵；N表示BS的天线数；/>

表示双RIS系统中第一个RIS，记作为RIS1(符号表示为I₁)，与另外一个RIS，记作为RIS2(符号表示为I₂)之间的信道增益，M₁表示RIS2的反射单元个数，M₂表示RIS2的反射单元个数；/>

表示RIS2与基站B之间的信道增益；/>

表示用户(符号表示为u)与RIS1之间的信道增益；/>

表示用户与RIS2之间的信道增益；

表示RIS1与BS之间的信道增益。不失一般性，/>

记作为RIS1的相移系数，其中/>

m₁∈{1,2,…,M₁}，则RIS1的相移反射矩阵表示为Φ₁＝diag{θ₁}，diag表示将向量进行对角化处理，形成对角矩阵；/>

记作为RIS2的相移系数，其中/>

m₂∈{1,2,…,M₂}，则RIS2的相移反射矩阵表示为Φ₂＝diag{θ₂}；其中，/>

其中，d_m表示D的第m列向量，m∈{1,2,...,M₁}。

进一步的，BS处接收信号可表示为：

其中，P表示用户的发射功率；h表示用户任务卸载至基站的信道衰落增益；s表示卸载任务信号；

表示复加性高斯白噪声，σ²表示噪声功率。

假设BS处使用线性接收波束成形向量对接收信号进行解码，在BS处恢复的信号可表示为：

其中，

表示基站接收信号的波束成形向量，H表示对向量或矩阵进行共轭转置，且满足||ω||²＝1。

进一步的，所述用户任务卸载至BS的链路信噪比可表示为：

进一步的，所述用户与基站之间的信道传输速率可表示为：

R_off＝Blog₂(1+γ) (5)

其中，B表示用户所分配的传输带宽；γ表示用户任务卸载至基站的链路信噪比。

进一步的，用户部分任务卸载至BS的卸载时延可表示为：

其中，D_p表示用户卸载至BS的任务量；R_off表示用户与基站之间的信道传输速率。

进一步的，用户在本地进行任务处理的计算时延可表示为：

其中，D_t表示用户任务的数据量；C表示用户计算1比特任务所需的中央处理器(CPU,Central Processing Unit)周期数；f_l表示用户的CPU频率。

进一步的，BS处的MEC服务器完成用户剩余任务的计算时延可表示为：

其中，f_m表示MEC的CPU频率。

进一步的，所述联合优化模型为：

D_p∈{0,1,…,D_t}(9c)

||ω||²＝1(9d)

其中，(9a)与(9b)分别代表RIS1和RIS2的相移反射系数限制，(9c)代表计算任务量的分配限制，(9d)代表BS处接收信号波束成形向量的归一化处理。通过联合优化任务分配，D-RIS相移和接收波束成形向量，最小化系统总时延。

进一步的，所述联合优化模型的求解方法如下：

为方便求解，联合优化模型重写为：

D_p∈{0,1,…,D_t}(10c)

||ω||²＝1(10d)

其中

对于给定ω,

时，/>

可重写为

对

求导可得出，当/>

时，/>

单调递减，当

时，/>

单调递增，所以在/>

取得最小值时，

由于任务量为整数，可得出最优的任务量分配为

其中，/>

与/>

分别表示向下取整和向上取整。

对于给定D_p，问题可重写为：

||ω||²＝1 (12c)

问题可进一步等效为：

||ω||²＝1 (13c)

对上述子问题进行交替优化，当固定ω,

时，子问题可写为：

上述不等式中等式成立的条件显然为

时，∠(·)表示求解相位角，子问题可进一步等效为：

很容易解得

的最优值为/>

进一步的，固定ω,

时子问题可写为：

其中，

类似于求解/>

很容易解得/>

的最优值为

其中/>

最后，固定

时，根据最大比合并准则(Maximal Ratio Combining,MRC)，可以求解最优的波束成形向量得：

本发明的有益效果是：本发明对于延迟敏感型用户，将部分任务通过D-RIS辅助卸载至MEC处进行处理；

本发明采用的D-RIS可有效改变发射信号的传播，增大MEC处接收信号的信噪比，从而提升任务卸载速率，降低系统延迟。

综上所述，本发明通过双RIS辅助，降低用户卸载计算任务链路的路径损耗，有效满足低延迟用户的需求。

附图说明

图1是本发明实施例的流程示意图。

图2是本发明实施例的系统模型图。

图3是本发明实施例的仿真图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明：以下实施例仅用于更清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明提出了一种双可重构智能表面辅助移动边缘计算系统优化方法，所述方法包括如下步骤：

步骤1、获取信道衰落增益，计算用户与基站(BS,Base Station)之间的信道传输速率。

步骤2、由于用户对时延敏感，因此用户终端需要将其任务划分为两部分，其中一部分进行本地计算，另一部分通过BS处的移动边缘计算(MEC,Mobile Edge Computing)服务器进行计算。根据所述信道传输速率，计算用户任务卸载至BS的卸载时延。

步骤3、分别获取用户任务在本地与BS处的MEC服务器进行计算的时延。

步骤4、构建了以最小化用户任务的处理时延为目标的任务分配、双可重构智能表面(D-RIS,Double-Reconfigurable Intelligence Surface)相移和接收波束成形向量联合优化模型。

步骤5、通过交替优化，分别求出各个变量的闭式解，通过迭代算法直至收敛，求得最优解。

其中，用户任务卸载至BS的链路信道衰落增益可表示为：

其中，

表示用户与BS之间的信道增益，/>

表示N×1维复矩阵；N表示BS的天线数；/>

表示双RIS系统中第一个RIS，记作为RIS1(符号表示为I₁)，与另外一个RIS，记作为RIS2(符号表示为I₂)，之间的信道增益，M₁表示RIS2的反射单元个数，M₂表示RIS2的反射单元个数；/>

表示RIS2与BS(符号表示为B)，之间的信道增益；

表示用户u与RIS1之间的信道增益；/>

表示用户与RIS2之间的信道增益；/>

表示RIS1与BS之间的信道增益。不失一般性，/>

记作为RIS1的相移系数，其中/>

m₁∈{1,2,…,M₁}，则RIS1的相移反射矩阵表示为Φ₁＝diag{θ₁}，diag表示将向量进行对角化处理，形成对角矩阵；/>

记作为RIS2的相移系数，其中/>

m₂∈{1,2,…,M₂}，则RIS2的相移反射矩阵表示为Φ₂＝diag{θ₂}；其中，/>

其中，d_m表示D的第m列向量，m∈{1,2,...,M₁}。

用户BS处接收信号可表示为：

其中，P表示用户的发射功率；h表示用户任务卸载至基站的信道衰落增益；s表示卸载任务信号；

表示复加性高斯白噪声，σ²表示噪声功率。

假设BS处使用线性接收波束成形向量对接收信号进行解码，在BS处恢复的信号可表示为：

其中，

表示基站接收信号的波束成形向量，H表示对向量或矩阵进行共轭转置，且满足||ω||²＝1。

用户任务卸载至BS的链路信噪比可表示为：

用户与基站之间的信道传输速率可表示为：

R_off＝Blog₂(1+γ) (5)

其中，B表示用户所分配的传输带宽；γ表示用户任务卸载至基站的链路信噪比。

用户部分任务卸载至BS的卸载时延可表示为：

其中，D_p表示用户卸载至BS的任务量；R_off表示用户与基站之间的信道传输速率。

用户在本地进行任务处理的计算时延可表示为：

其中，D_t表示用户任务的数据量；C表示用户计算1比特任务所需的中央处理器(CPU,Central Processing Unit)周期数；f_l表示用户的CPU频率。

所述BS处的MEC服务器完成用户剩余任务的计算时延可表示为：

其中，f_m表示MEC的CPU频率。

本发明中，问题可被建模为：

D_p∈{0,1,…,D_t}(9c)

||ω||²＝1(9d)

其中，(9a)与(9b)分别代表RIS1和RIS2的相移反射系数限制，(9c)代表计算任务量的分配限制，(9d)代表BS处接收信号波束成形向量的归一化处理。通过联合优化任务分配，D-RIS相移和接收波束成形向量，最小化系统总时延。

本发明中，所述问题求解方法如下：

为方便求解，问题重写为：

D_p∈{0,1,…,D_t}(10c)

||ω||²＝1(10d)

其中

对于给定ω,

时，/>

可重写为

对

求导可得出，当/>

时，/>

单调递减，当

时，/>

单调递增，所以在/>

取得最小值时，

由于任务量为整数，可得出最优的任务量分配为

其中，/>

与/>

分别表示向下取整和向上取整。

对于给定D_p，问题可重写为：

||ω||²＝1 (12c)

问题可进一步等效为：

||ω||²＝1 (13c)

我们对上述子问题进行交替优化，当固定ω,

时，子问题可写为：

上述不等式中等式成立的条件显然为

时，∠(·)表示求解相位角，子问题可进一步等效为：

很容易解得

的最优值为/>

进一步的，固定ω,

时子问题可写为：

其中，

类似于求解/>

很容易解得/>

的最优值为

其中/>

最后，固定

时，根据最大比合并准则(Maximal Ratio Combining,MRC)，我们可以求解最优的波束成形向量得：

下面给出计算机上利用MATLAB语言仿真实现发明的一个实例。本发明考虑一个二维笛卡尔坐标系，将用户，RIS1，RIS2，BS的位置分别设置为(0,0)，(1,0)，(10,50)，(0,50)，单位为米，用户到MEC的信道服从瑞利分布，路径损耗设为3，用户到RIS1(路径损耗设为1.9，莱斯因子设为9)再到RIS2(路径损耗设为3，莱斯因子设为9)最后到MEC(路径损耗设为1.9，莱斯因子设为3)，用户到RIS1再到MEC(路径损耗设为3，莱斯因子设为9)和用户到RIS2(路径损耗设为3，莱斯因子设为3)再到MEC均服从莱斯分布，RIS1与RIS2的元素数均为32，C表示计算1bit所需的CPU周期数，取值为8×10⁸cycles/bit，f_l为用户的CPU频率，取值为8×10⁸cycles/s，f_m为BS出的MEC服务器的CPU频率，取值为8×10⁸cycles/s，P表示用户的发射功率，取值为30dBm，噪声功率σ²为-90dBm，用户到MEC的信道带宽为1MHz，用户与基站天线数分别设为1和4。图3为本发明所提出的方案与固定相移优化任务比例，任务等比例分配优化相移以及固定任务比例与相移三种方案的对比，图中的自变量为总任务量D_t，由图可知，本发明提出的方案在时延上均小于三种对比方案，凸显了本发明方案的优势。

以上所述仅是本发明的优选实施方式，但本发明的保护范围并不局限于此，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (1)

1.一种双可重构智能表面辅助移动边缘计算系统优化方法，其特征在于，所述优化方法包括如下步骤：

步骤1、获取信道衰落增益，计算用户与基站之间的信道传输速率；

步骤2、用户终端将用户的任务划分为两部分，一部分在本地进行计算，另一部分通过基站处的移动边缘计算MEC服务器进行计算，根据步骤1的信道传输速率，计算用户任务卸载至基站的卸载时延；

步骤3、分别获取用户在本地进行任务处理的计算时延与基站处的MEC服务器完成用户剩余任务的计算时延；

步骤4、构建以最小化用户任务的处理时延为目标的任务分配、双可重构智能表面相移和接收波束成形向量联合优化模型；

步骤5、对步骤4构建的联合优化模型求得最优解；

其中：

在步骤2中，用户任务卸载至基站的信道衰落增益表示为：

其中，

表示用户与基站之间的信道增益，/>

表示N×1维复矩阵；N表示基站的天线数；/>

表示双RIS系统中第一个RIS，记作为RIS1符号表示为I₁，与另外一个RIS，记作为RIS2符号表示为I₂之间的信道增益，M₁表示RIS2的反射单元个数，M₂表示RIS2的反射单元个数；/>

表示RIS2与基站B之间的信道增益；/>

表示用户u与RIS1之间的信道增益；/>

表示用户与RIS2之间的信道增益；/>

表示RIS1与基站之间的信道增，/>

记作为RIS1的相移系数，其中

表示RIS1反射单元的相位，j表示复数的虚部，则RIS1的相移反射矩阵表示为Φ₁＝diag{θ₁}，diag表示将向量进行对角化处理，形成对角矩阵；

记作为RIS2的相移系数，其中/>

表示RIS2反射单元的相位，则RIS2的相移反射矩阵表示为Φ₂＝diag{θ₂}，其中，

其中，d_m表示D的第m列向量，m∈{1,2,…,M₁}；

在所述步骤2中，所述基站处接收信号可表示为：

其中，P表示用户的发射功率；h表示用户任务卸载至基站的信道衰落增益；s表示卸载任务信号；

表示复加性高斯白噪声，σ²表示噪声功率，

假设基站处使用线性接收波束成形向量对接收信号进行解码，在基站处恢复的信号表示为：

其中，

表示基站接收信号的波束成形向量，H表示对向量或矩阵进行共轭转置，且满足||ω||²＝1；

在所述步骤2中，用户任务卸载至基站的链路信噪比表示为：

其中：h为户任务卸载至基站的信道衰落增益。

在步骤1中，所述用户与基站之间的信道传输速率表示为：

R_off＝Blog₂(1+γ) (5)

其中，B表示用户所分配的传输带宽；γ表示用户任务卸载至基站的链路信噪比；

在所述步骤2中，用户任务卸载至基站的卸载时延表示为：

其中，D_p表示用户卸载至基站的任务量；R_off表示用户与基站之间的信道传输速率；

所述步骤3中，用户在本地进行任务处理的计算时延表示为：

其中，D_t表示用户总任务量；C表示用户计算1比特任务所需的中央处理器周期数；f_l表示用户的中央处理器的频率；D_p表示用户卸载至基站的任务量；

所述基站处的MEC服务器完成用户剩余任务的计算时延表示为：

其中，f_m表示MEC的CPU频率；

在所述步骤4中，以最小化用户任务的处理时延为目标的任务分配、双可重构智能表面相移和接收波束成形向量联合优化模型具体为：

D_p∈{0,1,…,D_t} (9c)

||ω||²＝1 (9d)

其中，(9a)与(9b)分别代表RIS1和RIS2的相移反射系数限制，(9c)代表计算任务量的分配限制，(9d)代表基站处接收信号波束成形向量的归一化处理，通过联合优化任务分配，双可重构智能表面相移和接收波束成形向量，最小化系统总时延；

所述步骤5具体为：

为方便求解，联合优化模型重写为：

D_p∈{0,1,…,D_t} (10c)

||ω||²＝1 (10d)

其中

对于给定ω,

时，/>

重写为

对

求导得出，当/>

时，/>

单调递减，当

时，/>

单调递增，所以在/>

取得最小值时，

由于任务量为整数，得出最优的任务量分配为

其中，/>

与/>

分别表示向下取整和向上取整；

对于给定D_p，问题重写为：

||ω||²＝1 (12c)

问题进一步等效为：

||ω||²＝1 (13c)

对上述子问题进行交替优化，当固定ω,

时，子问题写为：

上述不等式中等式成立的条件显然为

时，∠(·)表示求解相位角，子问题进一步等效为：

解得

的最优值为/>

固定ω,

时子问题写为：

其中，

求解/>

解得/>

的最优值为/>

其中

最后，固定

时，根据最大比合并准则，求解最优的波束成形向量得：

Images