CN116016502A - Vr系统卸载成本最小化的通信和计算资源的联合分配方法 - Google Patents

Vr系统卸载成本最小化的通信和计算资源的联合分配方法 Download PDF

Info

Publication number
CN116016502A
CN116016502A CN202211533804.9A CN202211533804A CN116016502A CN 116016502 A CN116016502 A CN 116016502A CN 202211533804 A CN202211533804 A CN 202211533804A CN 116016502 A CN116016502 A CN 116016502A
Authority
CN
China
Prior art keywords
constraint
communication
cost
mec
convex
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
Application number
CN202211533804.9A
Other languages
English (en)
Inventor
林世俊
曾婉钰
卢宝山
石江宏
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN202211533804.9A priority Critical patent/CN116016502A/zh
Publication of CN116016502A publication Critical patent/CN116016502A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种在CCHN中基于NOMA‑MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其可以在VR设备的卸载决策αm和蜂窝资源块选择βm,n已知的情况下，利用连续凸逼近算法联合优化下行传输功率pm，下行传输时间
Figure DDA0003975423370000013
MEC服务器计算频率
Figure DDA0003975423370000012
和VR设备计算频率
Figure DDA0003975423370000011
本发明能够在满足VR设备时延和能耗的约束下，通过合理分配通信和计算资源，实现VR设备在NOMA‑MEC系统下的CCHN总计算卸载成本最小化，且具有较低复杂度。

Description

VR系统卸载成本最小化的通信和计算资源的联合分配方法
技术领域
本发明涉及在CCHN中基于NOMA-MEC的VR系统资源分配技术领域，具体涉及一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，包括下行传输的功率和时间，MEC服务器和VR设备的计算频率。
背景技术
VR是一种高端的人机界面交互技术，随着社会的发展，5G技术催生了多样化的VR应用新产业链，如360°VR视频、在线VR游戏等。为了满足海量VR业务在极短时间内完成超大量数据密集计算和传输的需求，MEC被提出作为关键推动力之一，通过将计算任务卸载到边缘服务器处理，可以很大程度缓解VR设备的压力。然而，频谱资源稀缺仍是不可避免的瓶颈，严重影响着MEC网络的性能。为了追求更高的频谱效率，引入了NOMA和CCHN。NOMA允许多个VR设备共享同一时频资源，CCHN允许不具备认知无线电(Cognitive Radio,CR)能力的VR设备利用任何CR技术获得CR服务，且CCHN中的CR路由器可以作为更靠近VR设备的MEC服务器，为VR设备提供访问更快、抖动更低的服务。此外，全球温室气体排放问题使得研究绿色通信至关重要，不仅可以延长VR设备寿命，还可以降低MEC服务器维护费用。
因此，考虑到MEC服务器计算成本、MEC服务器传输成本和CRB频谱占用成本，在VR设备时延和能耗约束下研究通信和计算资源的分配，最小化CCHN中基于NOMA-MEC的VR系统总计算卸载成本最小化问题非常重要。
发明内容
针对现有技术存在的问题，本发明的目的在于提供一种在CCHN中基于NOMA-MEC的VR系统的资源分配方法，在满足VR设备时延和能耗的约束下通过合理联合分配通信和计算资源实现VR设备在NOMA-MEC系统下的CCHN总计算卸载成本最小化。
为实现上述目的，本发明采用的技术方案是：
一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，所述方法包括以下步骤：
步骤1、网络中放置一组VR设备
Figure BDA0003975423350000021
和一组可用的
Figure BDA0003975423350000022
给定VR设备的卸载决策αm和CRB选择βm,n；给定初始步长θ(0)和步长更新因子δ，初始迭代索引koff＝1和kloc＝1，最大迭代次数Γ；
步骤2、生成卸载VR设备集
Figure BDA0003975423350000023
本地VR设备集
Figure BDA0003975423350000024
卸载CRB集
Figure BDA0003975423350000025
本地CRB集
Figure BDA0003975423350000026
并进一步将卸载VR设备集和本地VR设备集表示为
Figure BDA0003975423350000027
和
Figure BDA0003975423350000028
步骤3、在卸载VR设备集
Figure BDA0003975423350000029
和卸载CRB集
Figure BDA00039754233500000210
下，获得卸载通信和计算资源分配问题P1的目标函数和约束；
步骤4、进行卸载通信和计算资源分配问题P1的约束等价转换；
步骤5、随机生成满足卸载通信和计算资源分配问题P1约束的初始可行解集，即
Figure BDA0003975423350000031
步骤6、卸载通信和计算资源分配问题P1的凸逼近，获得凸问题P2；
步骤7、解决凸问题P2得到解
Figure BDA0003975423350000032
并更新最优解
Figure BDA0003975423350000033
步骤8、更新问题P2约束的可行解集
Figure BDA0003975423350000034
其中θ(koff)是步长，其更新方式为θ(koff)＝θ(koff-1)(1-δθ(koff-1))；
步骤9、koff＝koff+1，迭代次数koff＞Γ时进入步骤10，否则进入步骤6；
步骤10、在本地VR设备集
Figure BDA0003975423350000035
和本地CRB集
Figure BDA0003975423350000036
下，获得本地通信和计算资源分配问题P3的目标函数和约束；
步骤11、进行本地通信和计算资源分配问题P3的约束等价转换；
步骤12、随机生成满足本地通信和计算资源分配问题P3约束的初始可行解集，即
Figure BDA0003975423350000037
步骤13、本地通信和计算资源分配问题P3的凸逼近，获得凸问题P4；
步骤14、解决凸问题P4得到解
Figure BDA0003975423350000038
并更新最优解
Figure BDA0003975423350000039
步骤15、更新问题P4约束的可行解集
Figure BDA00039754233500000310
其中θ(kloc)是步长，其更新方式为θ(kloc)＝θ(kloc-1)(1-δθ(kloc-1))；
步骤16、kloc＝kloc+1，迭代次数kloc＞Γ时进入步骤17，否则进入步骤13；
步骤17、输出在给定VR设备的卸载决策αm和CRB选择βm,n下的卸载通信和计算资源分配问题解集
Figure BDA0003975423350000041
和本地通信和计算资源分配问题解集
Figure BDA0003975423350000042
对应的卸载成本
Figure BDA0003975423350000043
和本地成本
Figure BDA0003975423350000044
以及系统成本
Figure BDA0003975423350000045
所述步骤3中，卸载通信和计算资源分配问题P1的目标函数和约束如下：
(1)目标函数：卸载成本Coff计算为VR设备的MEC服务器计算成本
Figure BDA0003975423350000046
MEC服务器传输成本
Figure BDA0003975423350000047
和CRB频谱占用成本
Figure BDA0003975423350000048
Figure BDA0003975423350000049
其中，ηMEC＞0为MEC服务器每消耗单位能量需要支付的费用，
Figure BDA00039754233500000410
为VR设备占用每单位时间CRB n需要支付的费用，κMEC＞0为MEC服务器有效电容系数。Im为任务的2D FOVs数据大小，ρm为处理一个位需要的CPU周期数；
Figure BDA00039754233500000411
为MEC服务器分配给VR设备m的计算频率，pm为VR设备m分配到的下行传输功率，
Figure BDA00039754233500000412
为使用CRB n的下行传输时间；
(2)约束C1：MEC服务器计算资源有限，分配给VR设备的计算频率之和不能超过MEC最大计算频率
Figure BDA00039754233500000413
Figure BDA0003975423350000051
(3)约束C2：令
Figure BDA0003975423350000052
表示使用CRB n的下行传输时间，为了保证VR设备m所需数据的传输，有
Figure BDA0003975423350000053
其中，Om是3D FOVs的数据大小，Rm是VR设备m的可达数据率；
(4)约束C3：VR设备允许共享相邻蜂窝单元的CRB的前提是，对相邻蜂窝单元中的基站造成的干扰不超过给定的最大值，
Figure BDA0003975423350000054
其中，
Figure BDA0003975423350000055
是与CRB n相关的第q个BS与VR设备m间的信道增益，
Figure BDA0003975423350000056
是与CRB n相关的第q个BS的最大允许干扰；
(5)约束C4：VR设备m的总时延表示为MEC服务器计算时延
Figure BDA0003975423350000057
与下行传输时延tn tr之和，需要在给定最后期限
Figure BDA0003975423350000058
前完成，
Figure BDA0003975423350000059
(6)约束C5：VR设备m的总能耗计算为接收能耗，不能超过VR设备可承受的最大能耗
Figure BDA00039754233500000510
Figure BDA00039754233500000511
其中，
Figure BDA00039754233500000512
是接受能耗。
所述步骤4具体如下：
(1)引入辅助变量
Figure BDA00039754233500000513
将问题P1的C2约束转换为以下三个等价的约束：
Figure BDA00039754233500000611
Figure BDA00039754233500000612
Figure BDA0003975423350000061
(2)引入辅助变量
Figure BDA0003975423350000062
将问题P1的C4约束转换为以下两个等价的约束：
Figure BDA0003975423350000063
Figure BDA0003975423350000064
所述步骤6中，凸逼近处理如下：在上一次迭代的解集
Figure BDA0003975423350000065
上：
(1)P1目标函数Coff的凸逼近：Coff中非凸项
Figure BDA0003975423350000066
的凸逼近为
Figure BDA0003975423350000067
其中
Figure BDA0003975423350000068
于是，在第koff+1次迭代中，P1目标函数Coff的凸逼近为
Figure BDA0003975423350000069
(2)步骤4的(1)中三个等价后的约束在Ψoff(koff)上的凸逼近分别为
Figure BDA00039754233500000610
Figure BDA0003975423350000071
Figure BDA0003975423350000072
(3)步骤4的(2)中等价后的第二个约束在Ψoff(koff)上的凸逼近为
Figure BDA0003975423350000073
(4)根据步骤6(1)(2)(3)生成问题P1在第koff+1次迭代中，获得
Figure BDA0003975423350000074
上的凸问题P2。
所述步骤10中，本地通信和计算资源分配问题P3的目标函数和约束具体如下：
(1)目标函数：本地成本Cloc计算为VR设备的MEC服务器传输成本
Figure BDA0003975423350000075
和CRB频谱占用成本
Figure BDA0003975423350000076
Figure BDA0003975423350000077
(2)约束C6：令
Figure BDA0003975423350000078
表示使用CRB n的下行传输时间，为了保证VR设备m所需数据的传输，有
Figure BDA0003975423350000081
(3)约束C7：VR设备允许共享相邻蜂窝单元的CRB的前提是，对相邻蜂窝单元中的BS造成的干扰不超过给定的最大值，
Figure BDA0003975423350000082
(4)约束C8：VR设备m的总时延表示为本地计算时延
Figure BDA0003975423350000083
与下行传输时延
Figure BDA0003975423350000084
之和，需要在给定最后期限
Figure BDA0003975423350000085
前完成，
Figure BDA0003975423350000086
其中，
Figure BDA0003975423350000087
是VR设备本地计算频率；
(5)约束C9：VR设备m的总能耗计算为接收能耗
Figure BDA0003975423350000088
和本地计算能耗
Figure BDA0003975423350000089
之和，不能超过VR设备可承受的最大能耗
Figure BDA00039754233500000810
Figure BDA00039754233500000811
其中κLOC＞0为VR设备有效电容系数。
所述步骤11中，本地通信和计算资源分配问题P3的约束等价转换具体如下：
(1)引入辅助变量
Figure BDA00039754233500000812
将问题P3的约束C6转换为以下三个等价的约束：
Figure BDA00039754233500000813
Figure BDA00039754233500000814
Figure BDA00039754233500000815
(2)引入辅助变量
Figure BDA0003975423350000091
将问题P3的约束C8转换为以下两个等价的约束：
Figure BDA0003975423350000092
Figure BDA0003975423350000093
所述步骤13中，凸逼近处理如下：在上一次迭代的解集
Figure BDA0003975423350000094
上：
(1)P3目标函数Cloc的凸逼近为
Figure BDA0003975423350000095
(2)步骤11(1)中三个等价后的约束在Ψloc(kloc)上的凸逼近分别为
Figure BDA0003975423350000096
Figure BDA0003975423350000097
Figure BDA0003975423350000098
(3)步骤11(2)中等价后的第二个约束在Ψloc(kloc)上的凸逼近为
Figure BDA0003975423350000101
(4)根据步骤13的(1)(2)(3)生成问题P3在第kloc+1次迭代中，在
Figure BDA0003975423350000102
上的凸问题P4。
所述步骤7和步骤14中，通过Matlab CVX工具箱解决凸问题P2和凸问题P4。
采用上述方案后，可以在VR设备的卸载决策αm和蜂窝资源块选择βm,n已知的情况下，利用连续凸逼近算法联合优化下行传输功率pm，下行传输时间
Figure BDA0003975423350000103
MEC服务器计算频率
Figure BDA0003975423350000104
和VR设备计算频率
Figure BDA0003975423350000105
本发明能够在满足VR设备时延和能耗的约束下，通过合理分配通信和计算资源，实现VR设备在NOMA-MEC系统下的CCHN总计算卸载成本最小化，且具有较低复杂度。与计算资源平均分配(ECRA)算法、分式发射功率分配(FTPA)算法、无时间优化算法(NoTO)和随机优化(RFS)算法相比，本发明可以大幅度节省系统成本。
附图说明
图1为在卸载通信和计算资源分配问题上，本发明(SCA)与穷举搜索(OES)算法对比得到的相对误差随最大迭代次数Γ的收敛曲线；
图2为在本地通信和计算资源分配问题上，本发明(SCA)与穷举搜索(OES)算法对比得到的相对误差随最大迭代次数Γ的收敛曲线；
图3为在卸载通信和计算资源分配问题上，本发明(SCA)与穷举搜索(OES)算法在30个随机例子下的性能比较；
图4为在本地通信和计算资源分配问题上，本发明(SCA)与穷举搜索(OES)算法在30个随机例子下的性能比较；
图5为在卸载通信和计算资源分配问题上，本发明(SCA)与ECRA、FTPA、NoTO和RFS算法在不同VR设备数下的性能比较；
图6为在本地通信和计算资源分配问题上，本发明(SCA)与ECRA、FTPA、NoTO和RFS算法在不同VR设备数下的性能比较；
图7为在卸载通信和计算资源分配问题上，本发明(SCA)与ECRA、FTPA、NoTO和RFS算法在不同输入数据大小下的性能比较；
图8为在本地通信和计算资源分配问题上，本发明(SCA)与ECRA、FTPA、NoTO和RFS算法在不同输入数据大小下的性能比较；
图9为在卸载通信和计算资源分配问题上，本发明(SCA)与ECRA、FTPA、NoTO和RFS算法在不同最大允许时延下的性能比较；
图10为在本地通信和计算资源分配问题上，本发明(SCA)与ECRA、FTPA、NoTO和RFS算法在不同最大允许时延下的性能比较。
具体实施方式
本发明揭示了一种在CCHN中基于NOMA-MEC的VR系统总计算卸载成本优化方法，应用场景是下行链路，它包含一个CR路由器、一组VR设备
Figure BDA0003975423350000111
和一组可用的蜂窝资源块(Cellular Resource Block,CRB)集合
Figure BDA0003975423350000121
CR路由器配备了计算模块，作为靠近VR设备的MEC服务器。每个VR设备只能使用一个CRB，使用同一CRB的VR设备被划分为同一个NOMA分组，然后共享一个下行CRB，将数据从MEC服务器传输到VR设备端。VR设备通过应用连续干扰消除技术解码来自MEC服务器的数据。
为了方便处理，考虑准静态网络，即在完成任务计算和传输的整个过程，VR设备都保持不动。通过共享相邻蜂窝单元的频谱，完成MEC服务器到VR设备的数据传输。为了尽可能减小蜂窝用户(Cellular Users,CUs)间的相互干扰，相邻的蜂窝单元占用不同频谱，然后频谱又进一步划分为CRBs。考虑到MEC服务器到VR设备的数据传输过程会对CUs造成额外的干扰，CCHN的频谱需要从其他服务提供商购买，MEC服务器上的任务计算和下行传输过程会带来一定能耗，系统总计算卸载成本主要包含三个部分：
①MEC服务器为VR设备执行计算任务，产生电能消耗而造成的MEC服务器计算成本，
Figure BDA0003975423350000122
②MEC服务器给VR设备分配下行传输功率传输数据，产生传输能耗而造成的MEC服务器传输成本，
Figure BDA0003975423350000123
③VR设备共享CRB需要支付的CRB频谱占用成本，
Figure BDA0003975423350000131
因此，整个系统的计算卸载成本可以计算为，
Figure BDA0003975423350000132
其中，αm和βm,n分别表示VR设备的卸载决策和CRB选择，当αm＝1时表示计算任务在MEC服务器上处理，当αm＝0时表示计算任务在VR设备上处理，βm,n＝1表示VR设备m使用CRBn接收数据。ηMEC＞0为MEC服务器每消耗单位能量需要支付的费用，
Figure BDA0003975423350000133
为VR设备占用每单位时间CRB n需要支付的费用，κMEC＞0为MEC服务器有效电容系数。Im为任务的2D FOVs数据大小，ρm为处理一个位需要的CPU周期数。
Figure BDA0003975423350000134
为MEC服务器分配给VR设备m的计算频率，pm为VR设备m分配到的下行传输功率，
Figure BDA0003975423350000135
为使用CRB n的下行传输时间。
当VR设备卸载决策αm和CRB选择βm,n给定时，系统中的卸载VR设备集、本地VR设备集、卸载CRB集、本地CRB集可以分别表示为
Figure BDA0003975423350000136
Figure BDA0003975423350000137
和
Figure BDA0003975423350000138
根据不同CRB上的NOMA分组情况将卸载VR设备集和本地VR设备集进一步表示为
Figure BDA0003975423350000139
和
Figure BDA00039754233500001310
现在，VR设备在NOMA-MEC系统下的CCHN总计算卸载成本最小化问题可以分成卸载通信和计算资源分配问题和本地通信和计算资源分配问题两个问题讨论。
问题1：卸载通信和计算资源分配问题：当αm＝1时，VR设备的任务在MEC服务器上计算。卸载成本Coff计算为VR设备的MEC服务器计算成本
Figure BDA0003975423350000141
MEC服务器传输成本
Figure BDA0003975423350000142
和CRB频谱占用成本
Figure BDA0003975423350000143
Figure BDA0003975423350000144
卸载通信和计算资源分配问题P1可以描述为
Figure BDA0003975423350000145
其中，约束C1表示MEC服务器分配给VR设备的计算频率之和不能超过MEC服务器最大计算频率
Figure BDA0003975423350000146
约束C2表示在下行传输时间
Figure BDA0003975423350000147
内需要保证VR设备m所需3D FOVs数据Om的传输，其中Rm是VR设备m的可达数据率，计算为
Figure BDA0003975423350000148
hm和
Figure BDA0003975423350000149
分别表示MEC服务器和VR设备m间的信道系数和VR设备m在CRB n上的最大干扰功率和噪声水平。约束C3表示VR设备m允许共享相邻蜂窝单元的CRB n的前提是，对与CRB n相关的Qn个BSs造成的干扰不超过给定的最大值
Figure BDA00039754233500001410
束C4表示VR设备m的总时延，即MEC服务器计算时延和下行传输时延之和不超过给定期限
Figure BDA00039754233500001411
约束C5表示VR设备m的总能耗，即接收能耗不超过VR设备可承受能耗
Figure BDA0003975423350000151
问题2：本地通信和计算资源分配问题：本地通信和计算资源分配问题：当αm＝0时，VR设备的任务在VR设备本地计算。本地成本Cloc计算为VR设备的MEC服务器传输成本
Figure BDA0003975423350000152
和CRB频谱占用成本
Figure BDA0003975423350000153
Figure BDA0003975423350000154
本地通信和计算资源分配问题P3可以描述为
Figure BDA0003975423350000155
其中，约束C6表示在下行传输时间
Figure BDA0003975423350000159
内需要保证VR设备m所需2DFOVs数据Im的传输，其中Rm是VR设备m的可达数据率。约束C7表示VR设备m允许共享相邻蜂窝单元的CRB n的前提是，对与CRB n相关的Qn个BSs造成的干扰不超过给定的最大值
Figure BDA0003975423350000156
约束C8表示VR设备m的总时延，即VR设备本地计算时延和下行传输时延之和不超过给定期限
Figure BDA0003975423350000157
约束C9表示VR设备m的总能耗，即接收能耗和本地计算能耗之和不超过VR设备可承受能耗
Figure BDA0003975423350000158
其中κLOC＞0为VR设备有效电容系数。
很显然，问题P1的目标函数、约束C2、C4，P3的目标函数、约束C6、C8是非凸的。因此，问题P1和P3是非凸问题，通常很难求解。为了让问题P1和P3易于处理，我们对非凸约束进行等价转换。然后再使用SCA算法，将问题P1和P3的非凸函数和约束转换为给定点即上一次迭代的解集上的凸函数和约束，进而转化为凸问题求解。最终达到优化下行传输功率pm，下行传输时间
Figure BDA0003975423350000161
MEC服务器计算频率
Figure BDA0003975423350000162
和VR设备计算频率
Figure BDA0003975423350000163
Figure BDA0003975423350000164
本发明的通信和计算资源联合分配方法具体包括以下步骤：
步骤1、网络中放置一组VR设备
Figure BDA0003975423350000165
和一组可用的
Figure BDA0003975423350000166
给定VR设备的卸载决策αm和CRB选择βmn；给定初始步长θ(0)和步长更新因子δ，初始迭代索引koff＝1和kloc＝1，最大迭代次数Γ。
步骤2、生成卸载VR设备集
Figure BDA0003975423350000167
本地VR设备集
Figure BDA0003975423350000168
卸载CRB集
Figure BDA0003975423350000169
本地CRB集
Figure BDA00039754233500001610
并进一步将卸载VR设备集和本地VR设备集表示为
Figure BDA00039754233500001611
和
Figure BDA00039754233500001612
步骤3、在卸载VR设备集
Figure BDA00039754233500001613
和卸载CRB集
Figure BDA00039754233500001614
下，获得卸载通信和计算资源分配问题P1。
步骤4、卸载通信和计算资源分配问题P1的约束等价转换：
(1)引入辅助变量
Figure BDA00039754233500001615
将问题P1的C2约束转换为以下三个等价的约束：
Figure BDA00039754233500001616
Figure BDA00039754233500001617
Figure BDA0003975423350000171
(2)引入辅助变量
Figure BDA0003975423350000172
问题P1的C4约束转换为以下两个等价的约束：
Figure BDA0003975423350000173
Figure BDA0003975423350000174
步骤5、随机生成满足卸载通信和计算资源分配问题P1约束的初始可行解集，即
Figure BDA0003975423350000175
步骤6、卸载通信和计算资源分配问题P1的凸逼近：在上一次迭代的解集
Figure BDA0003975423350000176
上：
(1)P1目标函数Coff的凸逼近：Coff中非凸项
Figure BDA0003975423350000177
的凸逼近为
Figure BDA0003975423350000178
其中
Figure BDA0003975423350000179
于是，在第koff+1次迭代中，P1目标函数Coff的凸逼近为
Figure BDA00039754233500001710
(2)步骤4的(1)中三个等价后的约束在Ψoff(koff)上的凸逼近分别为
Figure BDA00039754233500001711
Figure BDA0003975423350000181
Figure BDA0003975423350000182
(3)步骤4的(2)中等价后的第二个约束在Ψoff(koff)上的凸逼近为
Figure BDA0003975423350000183
(4)根据步骤6(1)(2)(3)生成问题P1在第koff+1次迭代中，获得
Figure BDA0003975423350000184
上的凸问题P2。
步骤7、通过Matlab CVX工具箱解决凸问题P2得到解
Figure BDA0003975423350000185
并更新最优解
Figure BDA0003975423350000186
步骤8、更新问题P2约束的可行解集
Figure BDA0003975423350000187
其中θ(koff)是步长，其更新方式为θ(koff)＝θ(koff-1)(1-δθ(koff-1))。
步骤9、koff＝koff+1，迭代次数koff＞Γ时进入步骤10，否则进入步骤6。
步骤10、在本地VR设备集
Figure BDA0003975423350000191
和本地CRB集
Figure BDA0003975423350000192
下，获得本地通信和计算资源分配问题P3。
步骤11、本地通信和计算资源分配问题P3的约束等价转换：
(1)引入辅助变量
Figure BDA0003975423350000193
将问题P3的约束C6转换为以下三个等价的约束：
Figure BDA0003975423350000194
Figure BDA0003975423350000195
Figure BDA0003975423350000196
(2)引入辅助变量
Figure BDA0003975423350000197
将问题P3的约束C8转换为以下两个等价的约束：
Figure BDA0003975423350000198
Figure BDA0003975423350000199
步骤12、随机生成满足本地通信和计算资源分配问题P3约束的初始可行解集，即
Figure BDA00039754233500001910
步骤13、本地通信和计算资源分配问题P3的凸逼近：在上一次迭代解集
Figure BDA00039754233500001911
上：
(1)P3目标函数Cloc的凸逼近为
Figure BDA0003975423350000201
(2)步骤11(1)中三个等价后的约束在Ψloc(kloc)上的凸逼近分别为
Figure BDA0003975423350000202
Figure BDA0003975423350000203
Figure BDA0003975423350000204
(3)步骤11(2)中等价后的第二个约束在Ψloc(kloc)上的凸逼近为
Figure BDA0003975423350000205
(4)根据步骤13(1)(2)(3)生成问题P3在第kloc+1次迭代中，在
Figure BDA0003975423350000206
上的凸问题P4。
步骤14、通过Matlab CVX工具箱解决凸问题P4得到解
Figure BDA0003975423350000207
并更新最优解
Figure BDA0003975423350000208
步骤15、更新问题P4约束的可行解集
Figure BDA0003975423350000209
其中θ(kloc)是步长，其更新方式为θ(kloc)＝θ(kloc-1)(1-δθ(kloc-1))。
步骤16、kloc＝kloc+1，迭代次数kloc＞Γ时进入步骤17，否则进入步骤13。
步骤17、输出在给定VR设备的卸载决策αm和CRB选择βm,n下的卸载通信和计算资源分配问题解集
Figure BDA0003975423350000211
和本地通信和计算资源分配问题解集
Figure BDA0003975423350000212
对应的卸载成本
Figure BDA0003975423350000213
和本地成本
Figure BDA0003975423350000214
以及系统成本
Figure BDA0003975423350000215
为了评估本发明的性能，进行以下仿真。设置以MEC服务为中心的蜂窝单元的服务半径为500m，VR设备随机放置在这个范围内。在与所考虑的蜂窝单元相邻的6个单元中，基站都位于单元中心位置。信道增益根据对数距离路径损失模型计算，路径损失指数为4。仿真参数设置为：VR设备最大传输功率为23dBm，CRB个数为20，信道带宽B为500MHz，2D FOVs数据大小取值范围为[1,6]Mbits，3D FOVs数据大小取值范围为[2-12]Mbits，计算载荷ρm为10cycle/bit，VR设备最大允许时延为20ms，噪声功率谱密度为-174dBm/Hz，VR设备接受功率
Figure BDA0003975423350000216
为0.01W，MEC服务器的最大计算能力
Figure BDA0003975423350000217
为1000GHz，MEC服务器和VR设备的有效电容切换系数κMEC和κLOC分别为10-26和10-27，VR设备的最大允许能耗
Figure BDA0003975423350000218
为0.5Joule，MEC服务器消耗每焦耳能量的成本ηMEC为10-5，CRB n的单位时间成本
Figure BDA0003975423350000219
取值范围为[10-4,10-2]。
图1和图2分别描述了卸载通信和计算资源分配问题和本地通信和计算资源分配问题在不同VR设备数量下，由SCA算法得到的系统成本值与与最优穷举(OES)算法相比得到的相对误差随迭代次数变化的趋势。可以看出，所提出的SCA算法获得的成本随着迭代次数增加而快速下降，当最大迭代次数为5时相对误差基本上就能够控制在5％以下，说明SCA算法的收敛速度较快。在本发明接下里的仿真中，SCA算法的最大迭代次数设置为Γ＝5。
由于OES算法的时间、空间复杂度随着VR设备数呈指数型增长，我们只在小网络场景下对比SCA算法和OES算法。如图3和图4所示，我们在30个随机例子中对比了SCA算法和OES算法，其中Case 1-Case10、Case 11-Case 20、Case 21-Case 30分别是在VR设备数量M＝3,4,5的场景下仿真运行的。可以看出，OES算法的运行时间随VR设备数增加快速增长，但SCA算法能在非常短的时间内得到和OES算法相近的性能。
为了在大网络中衡量SCA算法的性能，我们提出了4种基准测试方案作为对比，即计算资源平均分配算法(ECRA)、分式发射功率分配算法(FTPA)、无时间优化算法(NoTO)、随机优化算法(RFS)。VR设备数量的默认值设为20，ECRA算法中MEC服务器和VR设备的计算CPU频率固定为3GHz，FTPA算法中下行传输功率按照信道增益排序分配，NoTO算法中下行传输时间固定为4ms。
如图5、图6和图7、图8所示，系统成本随VR设备的数量和输入数据量的增加而增加。这是因为系统中参与传输和计算的VR设备的数量或输入数据量增加时，系统需要提供更多的通信和计算资源来满足所有VR设备的传输、计算需求，因此系统的总成本随之上升。反之，如图9、图10所示，系统的成本随VR设备最大容许时延的增加而减少。因为当任务的时延要求越严格时，系统需要以更多的通信和计算资源为代价，来保证传输和计算在任务最大容许时延内完成，因此系统成本增加。另外，相比于RFS、NoTO、ECRA和FTPA算法，所提的SCA算法平均减少了83.04％、58.47％、29.79％和12.52％的系统成本。
以上所述，仅是本发明实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (8)

1.一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其特征在于：所述方法包括以下步骤：
步骤1、网络中放置一组VR设备
Figure FDA0003975423340000011
和一组可用的
Figure FDA0003975423340000012
给定VR设备的卸载决策αm和CRB选择βm,n；给定初始步长θ(0)和步长更新因子δ，初始迭代索引koff＝1和kloc＝1，最大迭代次数Γ；
步骤2、生成卸载VR设备集
Figure FDA0003975423340000013
本地VR设备集
Figure FDA0003975423340000014
卸载CRB集
Figure FDA0003975423340000015
本地CRB集
Figure FDA0003975423340000016
并进一步将卸载VR设备集和本地VR设备集表示为
Figure FDA0003975423340000017
和
Figure FDA0003975423340000018
步骤3、在卸载VR设备集
Figure FDA0003975423340000019
和卸载CRB集
Figure FDA00039754233400000110
下，获得卸载通信和计算资源分配问题P1的目标函数和约束；
步骤4、进行卸载通信和计算资源分配问题P1的约束等价转换；
步骤5、随机生成满足卸载通信和计算资源分配问题P1约束的初始可行解集，即
Figure FDA00039754233400000111
步骤6、卸载通信和计算资源分配问题P1的凸逼近，获得凸问题P2；
步骤7、解决凸问题P2得到解
Figure FDA00039754233400000112
并更新最优解
Figure FDA00039754233400000113
步骤8、更新问题P2约束的可行解集
Figure FDA00039754233400000114
其中θ(koff)是步长，其更新方式为θ(koff)＝θ(koff-1)(1-δθ(koff-1))；
步骤9、koff＝koff+1，迭代次数koff＞Γ时进入步骤10，否则进入步骤6；
步骤10、在本地VR设备集
Figure FDA00039754233400000210
和本地CRB集
Figure FDA00039754233400000211
下，获得本地通信和计算资源分配问题P3的目标函数和约束；
步骤11、进行本地通信和计算资源分配问题P3的约束等价转换；
步骤12、随机生成满足本地通信和计算资源分配问题P3约束的初始可行解集，即
Figure FDA0003975423340000021
步骤13、本地通信和计算资源分配问题P3的凸逼近，获得凸问题P4；
步骤14、解决凸问题P4得到解
Figure FDA0003975423340000022
并更新最优解
Figure FDA0003975423340000023
步骤15、更新问题P4约束的可行解集
Figure FDA0003975423340000024
其中θ(kloc)是步长，其更新方式为θ(kloc)＝θ(kloc-1)(1-δθ(kloc-1))；
步骤16、kloc＝kloc+1，迭代次数kloc＞Γ时进入步骤17，否则进入步骤13；
步骤17、输出在给定VR设备的卸载决策αm和CRB选择βm,n下的卸载通信和计算资源分配问题解集
Figure FDA0003975423340000025
和本地通信和计算资源分配问题解集
Figure FDA0003975423340000026
对应的卸载成本
Figure FDA0003975423340000027
和本地成本
Figure FDA0003975423340000028
以及系统成本
Figure FDA0003975423340000029
2.根据权利要求1所述的一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其特征在于：所述步骤3中，卸载通信和计算资源分配问题P1的目标函数和约束如下：
(1)目标函数：卸载成本Coff计算为VR设备的MEC服务器计算成本
Figure FDA0003975423340000031
MEC服务器传输成本
Figure FDA0003975423340000032
和CRB频谱占用成本
Figure FDA0003975423340000033
Figure FDA0003975423340000034
其中，ηMEC＞0为MEC服务器每消耗单位能量需要支付的费用，
Figure FDA0003975423340000035
为VR设备占用每单位时间CRB n需要支付的费用，κMEC＞0为MEC服务器有效电容系数。Im为任务的2D FOVs数据大小，ρm为处理一个位需要的CPU周期数；
Figure FDA0003975423340000036
为MEC服务器分配给VR设备m的计算频率，pm为VR设备m分配到的下行传输功率，
Figure FDA0003975423340000037
为使用CRB n的下行传输时间；
(2)约束C1：MEC服务器计算资源有限，分配给VR设备的计算频率之和不能超过MEC最大计算频率
Figure FDA0003975423340000038
Figure FDA0003975423340000039
(3)约束C2：令
Figure FDA00039754233400000310
表示使用CRB n的下行传输时间，为了保证VR设备m所需数据的传输，有
Figure FDA00039754233400000311
其中，Om是3D FOVs的数据大小，Rm是VR设备m的可达数据率；
(4)约束C3：VR设备允许共享相邻蜂窝单元的CRB的前提是，对相邻蜂窝单元中的基站造成的干扰不超过给定的最大值，
Figure FDA00039754233400000312
其中，
Figure FDA0003975423340000041
是与CRB n相关的第q个BS与VR设备m间的信道增益，
Figure FDA0003975423340000042
是与CRB n相关的第q个BS的最大允许干扰；
(5)约束C4：VR设备m的总时延表示为MEC服务器计算时延
Figure FDA0003975423340000043
与下行传输时延
Figure FDA0003975423340000044
之和，需要在给定最后期限
Figure FDA0003975423340000045
前完成，
Figure FDA0003975423340000046
(6)约束C5：VR设备m的总能耗计算为接收能耗，不能超过VR设备可承受的最大能耗
Figure FDA0003975423340000047
Figure FDA0003975423340000048
其中，
Figure FDA0003975423340000049
是接受能耗。
3.根据权利要求2所述的一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其特征在于：所述步骤4具体如下：
(1)引入辅助变量
Figure FDA00039754233400000410
将问题P1的C2约束转换为以下三个等价的约束：
Figure FDA00039754233400000411
Figure FDA00039754233400000412
Figure FDA00039754233400000413
(2)引入辅助变量
Figure FDA00039754233400000414
将问题P1的C4约束转换为以下两个等价的约束：
Figure FDA0003975423340000051
Figure FDA0003975423340000052
4.根据权利要求3所述的一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其特征在于：所述步骤6中，凸逼近处理如下：在上一次迭代的解集
Figure FDA0003975423340000053
(1)P1目标函数Coff的凸逼近：Coff中非凸项
Figure FDA0003975423340000054
的凸逼近为
Figure FDA0003975423340000055
其中
Figure FDA0003975423340000056
于是，在第koff+1次迭代中，P1目标函数Coff的凸逼近为
Figure FDA0003975423340000057
(2)步骤4的(1)中三个等价后的约束在Ψoff(koff)上的凸逼近分别为
Figure FDA0003975423340000058
Figure FDA0003975423340000059
Figure FDA00039754233400000510
(3)步骤4的(2)中等价后的第二个约束在Ψoff(koff)上的凸逼近为
Figure FDA0003975423340000061
(4)根据步骤6(1)(2)(3)生成问题P1在第koff+1次迭代中，获得
Figure FDA0003975423340000062
上的凸问题P2。
5.根据权利要求1所述的一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其特征在于：所述步骤10中，本地通信和计算资源分配问题P3的目标函数和约束具体如下：
(1)目标函数：本地成本Cloc计算为VR设备的MEC服务器传输成本
Figure FDA0003975423340000063
和CRB频谱占用成本
Figure FDA0003975423340000064
Figure FDA0003975423340000065
(2)约束C6：令
Figure FDA0003975423340000066
表示使用CRB n的下行传输时间，为了保证VR设备m所需数据的传输，有
Figure FDA0003975423340000067
(3)约束C7：VR设备允许共享相邻蜂窝单元的CRB的前提是，对相邻蜂窝单元中的BS造成的干扰不超过给定的最大值，
Figure FDA0003975423340000071
(4)约束C8：VR设备m的总时延表示为本地计算时延
Figure FDA0003975423340000072
与下行传输时延
Figure FDA0003975423340000073
之和，需要在给定最后期限
Figure FDA0003975423340000074
前完成，
Figure FDA0003975423340000075
其中，
Figure FDA0003975423340000076
是VR设备本地计算频率；
(5)约束C9：VR设备m的总能耗计算为接收能耗
Figure FDA0003975423340000077
和本地计算能耗
Figure FDA0003975423340000078
之和，不能超过VR设备可承受的最大能耗
Figure FDA0003975423340000079
Figure FDA00039754233400000710
其中κLOC＞0为VR设备有效电容系数。
6.根据权利要求5所述的一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其特征在于：所述步骤11具体如下：
(1)引入辅助变量
Figure FDA00039754233400000711
将问题P3的约束C6转换为以下三个等价的约束：
Figure FDA00039754233400000712
Figure FDA00039754233400000713
Figure FDA00039754233400000714
(2)引入辅助变量
Figure FDA00039754233400000715
将问题P3的约束C8转换为以下两个等价的约束：
Figure FDA0003975423340000081
Figure FDA0003975423340000082
7.根据权利要求6所述的一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其特征在于：所述步骤13中，凸逼近处理如下：在上一次迭代的解集
Figure FDA0003975423340000083
上：
(1)P3目标函数Cloc的凸逼近为
Figure FDA0003975423340000084
(2)步骤11(1)中三个等价后的约束在Ψloc(kloc)上的凸逼近分别为
Figure FDA0003975423340000085
Figure FDA0003975423340000086
Figure FDA0003975423340000087
(3)步骤11(2)中等价后的第二个约束在Ψloc(kloc)上的凸逼近为
Figure FDA0003975423340000091
(4)根据步骤13的(1)(2)(3)生成问题P3在第kloc+1次迭代中，获得
Figure FDA0003975423340000092
上的凸问题P4。
8.根据权利要求1所述的一种在CCHN中基于NOMA-MEC的VR系统卸载成本最小化的通信和计算资源的联合分配方法，其特征在于：所述步骤7和步骤14中，通过Matlab CVX工具箱解决凸问题P2和凸问题P4。
CN202211533804.9A 2022-12-01 2022-12-01 Vr系统卸载成本最小化的通信和计算资源的联合分配方法 Pending CN116016502A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211533804.9A CN116016502A (zh) 2022-12-01 2022-12-01 Vr系统卸载成本最小化的通信和计算资源的联合分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211533804.9A CN116016502A (zh) 2022-12-01 2022-12-01 Vr系统卸载成本最小化的通信和计算资源的联合分配方法

Publications (1)

Publication Number Publication Date
CN116016502A true CN116016502A (zh) 2023-04-25

Family

ID=86032487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211533804.9A Pending CN116016502A (zh) 2022-12-01 2022-12-01 Vr系统卸载成本最小化的通信和计算资源的联合分配方法

Country Status (1)

Country Link
CN (1) CN116016502A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118250821A (zh) * 2024-03-26 2024-06-25 南京邮电大学 一种无人机位置与资源分配联合优化方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114189521A (zh) * 2021-12-15 2022-03-15 福州大学 在f-ran架构中协作计算卸载的方法
KR102391956B1 (ko) * 2020-11-26 2022-04-28 주식회사 그리드위즈 비직교 다중접속(noma) 방식을 지원하는 다중접속 에지 컴퓨팅(mec)에서 컴퓨팅 오프로딩 최적화를 위한 연합 방법
CN114521023A (zh) * 2022-02-23 2022-05-20 北京邮电大学 Swipt辅助noma-mec系统资源分配建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102391956B1 (ko) * 2020-11-26 2022-04-28 주식회사 그리드위즈 비직교 다중접속(noma) 방식을 지원하는 다중접속 에지 컴퓨팅(mec)에서 컴퓨팅 오프로딩 최적화를 위한 연합 방법
CN114189521A (zh) * 2021-12-15 2022-03-15 福州大学 在f-ran架构中协作计算卸载的方法
CN114521023A (zh) * 2022-02-23 2022-05-20 北京邮电大学 Swipt辅助noma-mec系统资源分配建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DENGXU LIT 等: "NOMA-based Joint Allocation and Offloading Strategy of Communication and Computing Resources", 2021 INTERNATIONAL WIRELESS COMMUNICATIONS AND MOBILE COMPUTING (IWCMC), 9 August 2021 (2021-08-09) *
李炎达: "下一代移动通信网络的安全博弈研究", 中国优秀硕士学位论文全文数据库, 15 July 2019 (2019-07-15) *
郝万明 等: "基于非正交多址接入的移动边缘计算安全节能联合资源分配", 电子与信息学报, 31 December 2021 (2021-12-31) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118250821A (zh) * 2024-03-26 2024-06-25 南京邮电大学 一种无人机位置与资源分配联合优化方法和装置

Similar Documents

Publication Publication Date Title
CN109413724A (zh) 一种基于mec的任务卸载和资源分配方案
Deng et al. Throughput maximization for multiedge multiuser edge computing systems
CN107613556B (zh) 一种基于功率控制的全双工d2d干扰管理方法
CN113784373A (zh) 云边协同网络中时延和频谱占用联合优化方法及系统
Deng et al. Device-to-device load balancing for cellular networks
CN110493854A (zh) 一种基于优化理论的wpt-mec网络上下行资源分配与功率控制机制
Wei et al. Optimal offloading in fog computing systems with non-orthogonal multiple access
Pawar et al. Joint uplink-downlink resource allocation for D2D underlaying cellular network
CN116016502A (zh) Vr系统卸载成本最小化的通信和计算资源的联合分配方法
Zeng et al. Dynamic spectrum sharing for load balancing in multi-cell mobile edge computing
CN112654058A (zh) D2d多播网络中的移动边缘计算卸载与资源分配算法
Lan et al. Execution latency and energy consumption tradeoff in mobile-edge computing systems
CN115801091A (zh) 面向星地协同计算的大规模星座网络资源调度方法
CN113630886B (zh) 异构物联网中一种基于粒子群算法的频谱分配方法
Abdel-Razeq et al. Efficient user-channel pairing with power-domain sum-rate maximization in opportunistic hybrid OFDMA-NOMA IoT systems
Zhang et al. Energy-efficient non-orthogonal multiple access for downlink communication in mobile edge computing systems
CN114189521A (zh) 在f-ran架构中协作计算卸载的方法
Qiu et al. Energy-efficient rate allocation for NOMA-MEC offloading under outage constraints
CN109561129B (zh) 一种基于光纤-无线网络的协同计算卸载方法
Manzoor et al. Ruin theory for user association and energy optimization in multi-access edge computing
Zeng et al. Joint proportional task offloading and resource allocation for MEC in ultra-dense networks with improved whale optimization algorithm
CN111935833B (zh) 一种蜂窝网络中d2d通信系统的频谱复用方法
Fei et al. Joint computational and wireless resource allocation in multicell collaborative fog computing networks
Liu et al. Joint optimization of Task Offloading and Computing Resource Allocation in MEC-D2D Network
Kuhnle et al. Online algorithms for optimal resource management in dynamic D2D communications

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