CN116567725B - 一种时延最小化的多边缘服务器网络任务卸载方法 - Google Patents
一种时延最小化的多边缘服务器网络任务卸载方法 Download PDFInfo
- Publication number
- CN116567725B CN116567725B CN202310527603.6A CN202310527603A CN116567725B CN 116567725 B CN116567725 B CN 116567725B CN 202310527603 A CN202310527603 A CN 202310527603A CN 116567725 B CN116567725 B CN 116567725B
- Authority
- CN
- China
- Prior art keywords
- optimal
- energy
- task
- alpha
- ratio
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 6
- 206010042135 Stomatitis necrotising Diseases 0.000 claims 4
- 201000008585 noma Diseases 0.000 claims 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0917—Management thereof based on the energy state of entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Power Sources (AREA)
Abstract
本申请公开了一种时延最小化的多边缘服务器网络任务卸载方法,本申请提供的方法包括:如果能量不受限,则根据任务卸载比例以及发送功率,确定当前任务卸载方式;确定功率不受限时最优任务分配比δ*;确定功率不受限时最优发射功率比α*;将能量不受限情况下的最优任务分配比和最优发射功率分配确定为最优解(δ*,α*);如果能量受限,则所述方法还包括:判断最优解(δ*,α*)消耗的能量E(δ*,α*)是否小于能量限制Emax;如果小于则将能量不受限情况下的最优任务分配比和最优发射功率分配确定为最优解,否则分两种情况分别确定能量受限得到的最优解(δ*,α*)。本申请综合考虑卸载延时和计算延时的总时延。
Description
技术领域
本发明属于无线通信技术领域,特别是一种时延最小化的多边缘服务器网络任务卸载方法。
背景技术
随着车联网、工业自动化等要求低时延的应用不断出现,用户对计算能力的要求也越来了越高。为了能在短时间能得到复杂任务的计算结果,用户将一部分或者所有的任务卸载到计算能力较强的边缘计算服务器来辅助计算是一种比较流行的方案。为了能进一步降低延迟,可以采用非正交多址接入(NOMA)的方法卸载任务,因为任务可以用并行的方式传输。目前,只有少量的研究是针对下行的场景,即单个用户将不同的任务通过NOMA的方式卸载到边缘计算的服务器上。
在多服务器的下行边缘计算(MEC)网络中除了NOMA的卸载方式用户还可以在多态服务器中基于最小时延和能耗最小的准则选择一台最佳的服务器,即单服务器方式。在下行网络中整体的时延包括两个部分,一部分是任务卸载时传输数据的时延,另一部分是任务计算时延。对于NOMA的传输方式能获得较小的计算时延,因为它能并行的传输任务并且并行的计算任务,但对于单服务器方式选择最佳的传输信道能获得更快的传输速率,即较小的卸载时延。两种方案能得到较小的任务计算或卸载时延,但对于整体时延而言。单服务器选择的最佳卸载信道可能对应的边缘计算服务器计算速率较慢,而NOMA卸载方式的任务卸载时延也有可能较大。两种方式都无法同时兼顾计算时延和卸载时延。
发明内容
本发明的目的在于提供一种时延最小化的多边缘服务器网络任务卸载方法,用于NOMA和单服务器两种不同的卸载方案无法兼顾计算时延和卸载时延的技术问题。
本申请提供一种时延最小化的多边缘服务器网络任务卸载方法,所述方法用于以下模型:
一个需要卸载任务到边缘计算服务器上的用户,N台边缘计算服务器随机分布在用户周围;本地用户采用的卸载方式包括非正交多址NOMA卸载方式,以及单服务器的卸载方式;
根据信道增益的大小对N台服务器进行编号S1,S2,...SN,其中|hk|2表示用户到第k(1≤k≤N)台服务器的信道增益,且|h1|2>|h2|2...|hN|2;
NOMA方式下采用两台边缘计算服务器,分别为Sn,Sm,其中1≤n<m≤N;任务计算的数据量L,单位为bit;Lbit数据分成K+1份,其中一份为本地计算,其余K份卸载到K台边缘计算的服务器上,若采用NOMA方式,则2≤K≤N,若采用单服务器方式K=1;δ∈[0,1]表示卸载任务数据的比例,δL表示卸载的任务数据,(1-δ)L表示本地计算的数据;
服务器Sx接收到的信号表示为:
xx表示卸载到Sx的数据,wx表示在服务器Sx处的高斯白噪声;Pu表示发送功率,α、(1-α)分别表示卸载到Sn,Sm的功率比例;
接收到信号后Sx先解码得到xm,Sx接收xm的速率表示为:
若需要解码xn则在接收到的信号yn中去除已经得到的xm,Sn接收xn的速率表示为:
Rn,n(α)=Blog2(1+βρu|hn|2) (3)
其中B表示系统的带宽,
卸载到服务器Sx的数据量为:卸载时间:/>卸载消耗的能量:其中Rmn(α)=Rm,m(α)+Rn,n(α);
设Sx的处理器时钟频率为fx,且计算1bit的任务数据需要κ个时钟周期;则Sx计算1bit信息的时间为:
此时,卸载数据计算1bit时间描述为Fmn(α)=max{Tm(α),Tn(α)},卸载任务总的计算时延为δLFmn(α);
设用户本地处理器频率为f0,本地计算时间为
所以综合考虑卸载和计算两部分时延表示为:
完成一个任务用户消耗的能量为:
ξ一个时钟周期处理器消耗的能量系数;
如果能量不受限,则所述方法包括:
步骤1,根据任务卸载比例以及发送功率,确定当前任务卸载方式;
步骤2,确定功率不受限时最优任务分配比δ*;
步骤3,确定功率不受限时最优发射功率比α*;
步骤4,将能量不受限情况下的最优任务分配比和最优发射功率比确定为最优解(δ*,α*);
如果能量受限,则所述方法还包括:
步骤5,判断最优解(δ*,α*)消耗的能量E(δ*,α*)是否小于能量限制Emax;如果小于则将能量不受限情况下的最优任务分配比和最优发射功率比确定为最优解,否则执行步骤6;
步骤6,分两种情况分别确定能量受限得到的最优解(δ*,α*)。
可选的,根据任务卸载比例以及发送功率,确定当前任务卸载方式,包括:
当α=0或α=1则当前处于单服务器的卸载方式;
当α∈(0,1),则当前处于NOMA的卸载方式;
通过优化(δ,α)的取值使得时延Tmn(δ,α)最小化。
可选的,确定功率不受限时最优任务分配比δ*,包括:
步骤2.1:根据信道系数h1,h2,...hN选择满足预期条件的两条hn,hm,对应的服务器为Sn,Sm;服务器的处理器频率为fn,fm;服务器处理1bit的数据需要κ个时钟周期;其中处理能力较强的服务器为Sn;
步骤2.2:若用户的任务有L bit的数据量,则用户本地的计算时延为f0为用户的处理器频率;卸载到服务器的时延为δLFmn(α),Fmn(α)为卸载并计算1bit数据所需要的时间;
令卸载到服务器的计算时延和用户本地计算时延相等,通过以下方法得到功率不受限时最优任务分配比:
可选的,确定功率不受限时最优发射功率比α*,包括:
步骤3.1:根据用户发送功率Pu和带宽B,使用二分法确定两台服务器通信速率Rn,n(α)、Rm,m(α)的比值;其中,两台服务器通信速率等于两台服务器的处理器频率fm,fn的比值时的发射功率比
步骤3.2:分别定义中间量1、中间量2和中间量3为:
中间量1:
Q1(α)=|hn|2(1+ρuα|hm|2)Rm,m(α)+|hm|2(1+ρuα|hn|2)Rn,n(α)
中间量2:
hmn=|hn|2-|hm|2
中间量3:
其中Pu表示用户发射的总功率,σ2为高斯白噪声的功率;
使用二分法计算κQ1(α)=fnhmn时发射功率比的值
步骤3.3:根据任务数据量L,两台服务器计算能力fm,fn,两台服务器与用户通信速率Rn,n(α),Rm,m(α),本地计算能力f0、计算单位bit处理器所用的时钟周期κ以及步骤3.1和步骤3.2得到的确定功率不受限时最优发射功率比α*:
可选的,通过以下方法计算消耗的能量:
ξ是用户处理器一个周期的有效电流系数,Rmn(α)=Rm,m(α)+Rn,n(α)表示两台服务器通信速率的总和。
可选的,分两种情况分别确定能量受限得到的最优解(δ*,α*)中,第一种情况下:
步骤611:能量限制Emax大于所有数据都在用户本地计算时消耗的能量但小于任务全部卸载到计算能力较弱的服务器Sm,对应为
定义中间量4:
定义中间量5:
使用二分法在寻找中间量6:/>使得/>
步骤612:根据中间量6:得到当前情况下最优的任务分配比和发射功率比:
可选的,分两种情况分别确定能量受限得到的最优解(δ*,α*)中,第二种情况下为:
能量不受限的最优解(δ*,α*)消耗的能量E(δ*,α*)大于能量限制Emax的情况:
能量限制大于所有任务数据卸载到较强服务器消耗的能量,但小于所有数据都在本地计算消耗的能量,对应为执行以下步骤:
步骤621:计算中间量7:当/>时/>等于中间量5:/> 否则
步骤622:判断功率不受限情况下的最优发射功率比α*与中间量7:的大小;
步骤623:若则计算两组解,并选择两组解时延较小的一组;
第一组解的发射功率比与能量不受限时一致,对应为发射功率比α=α*,任务分配比为中间量4确定,任务分配比δ=Q3(α*);
第二组解使用二分法在α∈[α*,1]搜索中间量8:α′,使得中间量4:此时,第二组解为发射功率比α∈α′,任务分配比δ=Q3(α′);
步骤624:若利用与步骤623相同的方法计算两组解进行比较;其中,二分法搜索发射功率比的范围为/>
本申请提出一种时延最小化的多边缘服务器网络任务卸载方法,让计算能力有限的用户在边缘计算服务器的帮助下更快的完成计算任务。本申请从理论上分析了在多服务器的情况下,综合考虑卸载延时和计算延时的总时延。本申请相比于其他的卸载方案具有优越性。
附图说明
图1是本申请实施例提供的一种时延最小化的多边缘服务器网络任务卸载方法的系统模型图。
图2是本申请实施例提供1提供的任务数据量与总延时的关系图。
图3是本申请实施例提供2提供的功率分配α在不同的计算能力下的变化图。
具体实施方式
本申请提供一种时延最小化的多边缘服务器网络任务卸载方法,方法用于以下模型:
一个需要卸载任务到边缘计算服务器上的用户,N台边缘计算服务器随机分布在用户周围;本地用户采用的卸载方式包括非正交多址NOMA卸载方式,以及单服务器的卸载方式;
服务器的计算能力不相同,用户到服务器的信道增益也不相同,因此计算任务所需要的时延也并不相同。此外,时延还与任务卸载的方式、发送信号的功率分配以及卸载任务数据量与本地计算数据量比值有关。
根据信道增益的大小对N台服务器进行编号S1,S2,...SN,其中|hk|2表示用户到第k(1≤k≤N)台服务器的信道增益,且|h1|2>|h2|2...|hN|2;
NOMA方式下采用两台边缘计算服务器,分别为Sn,Sm,其中1≤n<m≤N;任务计算的数据量L,单位为bit;Lbit数据分成K+1份,其中一份为本地计算,其余K份卸载到K台边缘计算的服务器上,若采用NOMA方式,则2≤K≤N,若采用单服务器方式K=1;δ∈[0,1]表示卸载任务数据的比例,δL表示卸载的任务数据,(1-δ)L表示本地计算的数据;
服务器Sx接收到的信号表示为:
xx表示卸载到Sx的数据,wx表示在服务器Sx处的高斯白噪声;Pu表示发送功率,α、(1-α)分别表示卸载到Sn,Sm的功率比例;
接收到信号后Sx先解码得到xm,Sx接收xm的速率表示为:
若需要解码xn则在接收到的信号yn中去除已经得到的xm,Sn接收xn的速率表示为:
Rn,n(α)=Blog2(1+αρu|hn|2) (3)
其中B表示系统的带宽,
卸载到服务器Sx的数据量为:卸载时间:/>卸载消耗的能量:其中Rmn(α)=Rm,m(α)+Rn,n(α);
设Sx的处理器时钟频率为fx,且计算1bit的任务数据需要κ个时钟周期;则Sx计算1bit信息的时间为:
此时,卸载数据计算1bit时间描述为Fmn(=)=max{Tm(α),Tn(α)},卸载任务总的计算时延为δLFmn(=);
设用户本地处理器频率为f0,本地计算时间为
所以综合考虑卸载和计算两部分时延表示为:
完成一个任务用户消耗的能量为:
ξ一个时钟周期处理器消耗的能量系数。
对于发射功率比和任务分配的优化具体的描述如下:
1、能量不限的情况
为了让时延Tmn(=)最小,首先优化任务的分配比例问题。和δLFmn(α)分别是关于δ的减函数和增函数。所以可以容易的得到当/>时Tmn(α)取得最小值。可以得出任务分配比例的解为
根据(7)可以得到结论,任务分配比例与任务数据总bit数无关,但与用户处理器的计算能力、无线传输能力和边缘计算服务器的计算能力有关。总的来说,当本地处理器的计算能力增加时,本地计算的比重应该增加;随着服务器的计算能力的增加本地计算的比例应该减少。
第二步考虑优化发射功率比例α的问题。经过任务比例的分配后,任务的时延转变为该函数为关于Fmn(α)的增函数,所以最小化时延转变为最小化Fmn(α)。根据(4)我们可以推出
由于Rm,m(α)和Rn,n(α)分别为关于α的减函数和增函数,且存在一个使得一般情况下fm≠fn所以无法得到/>的具体表达式但可以通过二分法简单的得到/>的数值。所以可以得到当/>时/>当/>时/>最后,Fmn(α)可以表示为:
对Tm(α)求导可以容易的得出所以当/>时Fmn(α)的最小值为
对Tn(α)求导可以得当κQ1(α)-fnhmn>0则Tn(α)为增函数;当κQ1(α)-fnhmn<0则Tn(α)为减函数,其中:
Q1(α)=|hn|2(1+ρuα|hm|2)Rm,m(α)+|hm|2(1+ρuα|hn|2)Rn,n(α) (10)
注意到可以得到/>时优化的功率分配比和最小时延为:
式(11)中为κQ1(α)=fnhmn时α的取值,hmn=|hn|2-|hm|2。当/>时最优的α取值为/>或/>且/>说明此时最优的卸载方式为NOMA卸载方式。当时α*=1,此时最佳卸载方式为单服务器的卸载方式。且注意到优化方案中,不存在α*=0的情况,也就是说只要Sn存在Sm就不会单独被选中。
2、用户能量有限Emax的情况
用户能量不限的情况下求得最优的任务分配比和功率分配比为(δ*,α*),如果消耗的能量E(δ*,α*)<Emax则(δ*,α*)同时也为能量受限时的最优解。对于E(δ*,α*)>Emax的情况分为三种情况讨论:
这种情况下能量限制大于所有数据都在用户本地计算时消耗的能量但小于任务全部卸载到计算能力较弱的服务器,解的可行域为{(α,γ)|0≤α≤1,0≤δα≤min{1,Q3(α)}}。
最优解(α*,δ*)为
为/>时的取值,可以使用二分法在/>中寻找。
(2)
这种情况下,能量限制大于所有任务数据卸载到较强服务器消耗的能量,但小于所有数据都在本地计算消耗的能量,可行域为当时/>否则/>
当分为两种情况,α≤α*时最优解为(α*,Q4(α*));由于Q4(α)为增函数α>α*时同样可以采用二分法在α∈[α*,1]中搜索得到α′使得/>此时α′为最优解。当/>可以采用类似的方式在/>上搜索得到最优解。在得到功率分配最优解α后带入Q4(α)中可得到任务分配比δ最优解Q4(α*)。
在这种情况下能量限制的值过小,没有一种分配方案可以满足能量限制。因此没有可行解。考虑适当放宽能量约束,即增大Emax使(1)或(2)两种情况成立来完成优化目标。
本申请中,如果能量不受限,则方法包括:
步骤1,根据任务卸载比例以及发送功率,确定当前任务卸载方式;
步骤2,确定功率不受限时最优任务分配比δ*;
步骤3,确定功率不受限时最优发射功率比α*;
步骤4,将能量不受限情况下的最优任务分配比和最优发射功率比确定为最优解(δ*,α*)
如果能量受限,则所述方法还包括:
步骤5,判断最优解(δ*,α*)消耗的能量E(δ*,α*)是否小于能量限制Emax;如果小于则将能量不受限情况下的最优任务分配比和最优发射功率比确定为最优解,否则执行步骤6;
步骤6,分两种情况分别确定能量受限得到的最优解(δ*,α*)。
步骤1,根据任务卸载比例以及发送功率,确定当前任务卸载方式:
当α=0或α=1则当前处于单服务器的卸载方式;
当α∈(0,1),则当前处于NOMA的卸载方式;
通过优化(δ,α)的取值使得时延Tmn(δ,α)最小化。
步骤2,确定功率不受限时最优任务分配比δ*。
步骤2.1:根据信道系数h1,h2,...hN选择满足预期条件的两条hn,hm,对应的服务器为Sn,Sm;服务器的处理器频率为fn,fm;服务器处理1bit的数据需要κ个时钟周期;其中处理能力较强的服务器为Sn;
步骤2.2:若用户的任务有L bit的数据量,则用户本地的计算时延为f0为用户的处理器频率;卸载到服务器的时延为γLFmn(α),Fmn(α)为卸载并计算1bit数据所需要的时间,与发射功率比α有关;
令卸载到服务器的计算时延和用户本地计算时延相等,通过以下方法得到功率不受限时最优任务分配比:
步骤3,确定功率不受限时最优发射功率比α*。
步骤3.1:根据用户发送功率Pu和带宽B,使用二分法确定两台服务器通信速率Rn,n(α)、Rm,m(α)的比值;其中,两台服务器通信速率等于两台服务器的处理器频率fm,fn的比值时的发射功率比
步骤3.2:分别定义中间量1、中间量2和中间量3为:
中间量1:
Q1(α)=|hn|2(1+ρuα|hm|2)Rm,m(α)+|hm|2(1+ρuα|hn|2)Rn,n(α)
中间量2:
hmn=|hn|2-|hm|2
中间量3:
其中Pu表示用户发射的总功率,σ2为高斯白噪声的功率;
使用二分法计算κQ1(α)=fnhmn时发射功率比的值
步骤3.3:根据任务数据量L,两台服务器计算能力fm,fn,两台服务器与用户通信速率Rn,n(α),Rm,m(α),本地计算能力f0、计算单位bit处理器所用的时钟周期κ以及步骤3.1和步骤3.2得到的确定功率不受限时最优发射功率比α*:
步骤4,将能量不受限情况下的最优任务分配比和最优发射功率比确定为最优解(δ*,α*)。
如果能量受限,则所述方法还包括:
步骤5,判断最优解(δ*,α*)消耗的能量E(δ*,α*)是否小于能量限制Emax;如果小于则将能量不受限情况下的最优任务分配比和最优发射功率比确定为最优解,否则执行步骤6;
具体的,通过以下方法计算消耗的能量:
ξ是用户处理器一个周期的有效电流系数,Rmn(α)=Rm,m(α)+Rn,n(α)表示两台服务器通信速率的总和。
步骤6,分两种情况分别确定能量受限得到的最优解(δ*,α*)。
其中,第一种情况下:
步骤611:能量限制Emax大于所有数据都在用户本地计算时消耗的能量但小于任务全部卸载到计算能力较弱的服务器Sm,对应为
定义中间量4:
定义中间量5:
使用二分法在寻找中间量6:/>使得/>
步骤612:根据中间量6:得到当前情况下最优的任务分配比和发射功率比:
第二种情况下为:
能量不受限的最优解(δ*,α*)消耗的能量E(δ*,α*)大于能量限制Emax的情况:
能量限制大于所有任务数据卸载到较强服务器消耗的能量,但小于所有数据都在本地计算消耗的能量,对应为执行以下步骤:
步骤621:计算中间量7:当/>时/>等于中间量5:/> 否则
步骤622:判断功率不受限情况下的最优发射功率比α*与中间量7:的大小;
步骤623:若则计算两组解,并选择两组解时延较小的一组;
第一组解的发射功率比与能量不受限时一致,对应为发射功率比α=α*,任务分配比为中间量4确定,任务分配比δ=Q3(α*);
第二组解使用二分法在α∈[α*,1]搜索中间量8:α′,使得中间量4:此时,第二组解为发射功率比α=α′,任务分配比δ=Q3(α′);
步骤624:若利用与步骤623相同的方法计算两组解进行比较;其中,二分法搜索发射功率比的范围为/>
下面结合两个具体实施例对本申请进行阐述:
实例1:
本发明的实施例子具体描述如下,在仿真中MEC服务器随机分布在半径为200m的圆上,用户在圆的中心。用户到服务器的信道增益方差为Ωk=dk -3.76,dk为用户到服务器的距离。用户处理器频率为f0=0.5GHz,计算每bit数据所用的时钟周期κ=1000,有效电容系数ξ=10-26。设半径内的边缘计算服务器有5台;处理器频率分别为[6,7,8,7,3]GHz;带宽为20MHz;高斯白噪声的功率为-174dBm/Hz;用户发发射功率Pu=1W。
根据上述步骤执行,得到优化结果。
图2展示了使用不同的方案任务数据量与总延时的关系图。可以观察到本申请的方案时延大幅度小于单服务器的方案。正如预期的那样,用户在能量约束下的整体延迟可能与没有能量约束的延迟有所不同。具体来说,当任务规模较大时,我们可以看到,随着能量约束的严格,整体延迟增加,即Emax减小。此外,当任务规模较小时,不具有能量约束的方案与具有能量约束的方案的整体延迟相同,这表明它们具有相同的最优解。随着任务规模增加有能量约束的方案延时比没有能量约束的要大,且能量约束越严格两者差距越大。
实例2:
实例2考虑了两个服务器的情况。其中一台服务器固定时钟频率为3GHz,另一台频率在1到5GHz变化。通信带宽1MHz,高斯白噪声功率为-144dBm/Hz,用户发射功率0.01W。其余参数与实例1一致。
图3展示了功率分配α在不同的计算能力下的变化。图中对比了在能量不受限和受限两种方案的功率分配。在能量有限的在时钟频率为[1,2,3,4,5]GHz情况下分配比为[0.99,0.99,0.9901,1,1],此时本申请采取的优化卸载方案为单服务器的卸载方式。在能量不受限制的情况下功率分配比为[7.85×10-6,2.74×10-5,7.6×10-5,1,1],可以发现在处理器时钟频率相差较大时本申请提出的方案趋于单服务器的卸载方式,但处理器频率接近时采取NOMA的卸载方案。说明本申请能根据服务器的不同有效的选择NOMA和单服务器两种卸载方式。
本申请提出一种时延最小化的多边缘服务器网络任务卸载方法,让计算能力有限的用户在边缘计算服务器的帮助下更快的完成计算任务。本申请从理论上分析了在多服务器的情况下,综合考虑卸载延时和计算延时的总时延。本申请相比于其他的卸载方案具有优越性。
Claims (7)
1.一种时延最小化的多边缘服务器网络任务卸载方法,其特征在于,所述方法用于以下模型:
一个需要卸载任务到边缘计算服务器上的用户,N台边缘计算服务器随机分布在用户周围;本地用户采用的卸载方式包括非正交多址NOMA卸载方式,以及单服务器的卸载方式;
根据信道增益的大小对N台服务器进行编号S1,S2,...SN,其中|hk|2表示用户到第k(1≤k≤N)台服务器的信道增益,且|h1|2>|h2|2...|hN|2;
NOMA方式下采用两台边缘计算服务器,分别为Sn,Sm,其中1≤n<m≤N;任务计算的数据量L,单位为bit;Lbit数据分成K+1份,其中一份为本地计算,其余K份卸载到K台边缘计算的服务器上,若采用NOMA方式,则2≤K≤N,若采用单服务器方式K=1;δ∈[0,1]表示卸载任务数据的比例,ρL表示卸载的任务数据,(1-δ)L表示本地计算的数据;
服务器Sx接收到的信号表示为:
xx表示卸载到Sx的数据,wx表示在服务器Sx处的高斯白噪声;Pu表示发送功率,α、(1-α)分别表示卸载到Sn,Sm的功率比例;
接收到信号后Sx先解码得到xm,Sx接收xm的速率表示为:
若需要解码xn则在接收到的信号yn中去除已经得到的xm,Sn接收xn的速率表示为:
Rn,n(α)=Blog2(1+αρu|hn|2) (3)
其中B表示系统的带宽,
卸载到服务器Sx的数据量为:卸载时间:/>卸载消耗的能量:其中Rmn(α)=Rm,m(α)+Rn,n(α);
设Sx的处理器时钟频率为fx,且计算1bit的任务数据需要κ个时钟周期;则Sx计算1bit信息的时间为:
此时,卸载数据计算1bit时间描述为Fmn(α)=max{Tm(α),Tn(α)},卸载任务总的计算时延为δLFmn(α);
设用户本地处理器频率为f0,本地计算时间为
所以综合考虑卸载和计算两部分时延表示为:
完成一个任务用户消耗的能量为:
ν一个时钟周期处理器消耗的能量系数;
如果能量不受限,则所述方法包括:
步骤1,根据任务卸载比例以及发送功率,确定当前任务卸载方式;
步骤2,确定功率不受限时最优任务分配比δ*;
步骤3,确定功率不受限时最优发射功率比α*;
步骤4,将能量不受限情况下的最优任务分配比和最优发射功率比确定为最优解(δ*,α*);
如果能量受限,则所述方法还包括:
步骤5,判断最优解(δ*,α*)消耗的能量E(δ*,α*)是否小于能量限制Emax;如果小于则将能量不受限情况下的最优任务分配比和最优发射功率比确定为最优解,否则执行步骤6;
步骤6,分两种情况分别确定能量受限得到的最优解(δ★,α★)。
2.根据权利要求1所述的方法,其特征在于,根据任务卸载比例以及发送功率,确定当前任务卸载方式,包括:
当α=0或α=1则当前处于单服务器的卸载方式;
当α∈(0,1),则当前处于NOMA的卸载方式;
通过优化(δ,α)的取值使得时延Tmn(δ,α)最小化。
3.根据权利要求2所述的方法,其特征在于,确定功率不受限时最优任务分配比δ*,包括:
步骤2.1:根据信道系数h1,h2,...hN选择满足预期条件的两条hn,hm,对应的服务器为Sn,Sm;服务器的处理器频率为fn,fm;服务器处理1bit的数据需要κ个时钟周期;其中处理能力较强的服务器为Sn;
步骤2.2:若用户的任务有L bit的数据量,则用户本地的计算时延为f0为用户的处理器频率;卸载到服务器的时延为δLFmn(α),Fmn(α)为卸载并计算1bit数据所需要的时间;
令卸载到服务器的计算时延和用户本地计算时延相等,通过以下方法得到功率不受限时最优任务分配比:
4.根据权利要求3所述的方法,其特征在于,确定功率不受限时最优发射功率比α*,包括:
步骤3.1:根据用户发送功率Pu和带宽B,使用二分法确定两台服务器通信速率Rn,n(α)、Rm,m(α)的比值;其中,两台服务器通信速率等于两台服务器的处理器频率fm,fn的比值时的发射功率比
步骤3.2:分别定义中间量1、中间量2和中间量3为:
中间量1:
Q1(α)=|hn|2(1+ρuα|hm|2)Rm,m(α)+|hm|2(1+ρuα|hn|2)Rn,n(α)
中间量2:
hmn=|hn|2-|hm|2
中间量3:
其中Pu表示用户发射的总功率,σ2为高斯白噪声的功率;
使用二分法计算κQ1(α)=fnhmn时发射功率比的值
步骤3.3:根据任务数据量L,两台服务器计算能力fm,fn,两台服务器与用户通信速率Rn,n(α),Rm,m(α),本地计算能力f0、计算单位bit处理器所用的时钟周期κ以及步骤3.1和步骤3.2得到的确定功率不受限时最优发射功率比α*:
5.根据权利要求4所述的方法,其特征在于,通过以下方法计算消耗的能量:
ξ是用户处理器一个周期的有效电流系数,Rmn(α)=Rm,m(α)+Rn,n(α)表示两台服务器通信速率的总和。
6.根据权利要求4所述的方法,其特征在于,分两种情况分别确定能量受限得到的最优解(δ★,α★)中,第一种情况下:
步骤611:能量限制Emax大于所有数据都在用户本地计算时消耗的能量但小于任务全部卸载到计算能力较弱的服务器Sm,对应为
定义中间量4:
定义中间量5:
使用二分法在寻找中间量/>使得/>
步骤612:根据中间量得到当前情况下最优的任务分配比和发射功率比:
7.根据权利要求4所述的方法,其特征在于,分两种情况分别确定能量受限得到的最优解(δ★,α★)中,第二种情况下为:
能量不受限的最优解(δ★,α★)消耗的能量E(δ*,α*)大于能量限制Emax的情况:
能量限制大于所有任务数据卸载到较强服务器消耗的能量,但小于所有数据都在本地计算消耗的能量,对应为执行以下步骤:
步骤621:计算中间量当/>时/>等于中间量/> 否则/>
步骤622:判断功率不受限情况下的最优发射功率比α*与中间量的大小;
步骤623:若则计算两组解,并选择两组解时延较小的一组;
第一组解的发射功率比与能量不受限时一致,对应为发射功率比α=α*,任务分配比为中间量4确定,任务分配比δ=Q3(α*);
第二组解使用二分法在α∈[α*,1]搜索中间量8:α′,使得中间量4:此时,第二组解为发射功率比α=α′,任务分配比δ=Q3(α′);
步骤624:若利用与步骤623相同的方法计算两组解进行比较;其中,二分法搜索发射功率比的范围为/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527603.6A CN116567725B (zh) | 2023-05-09 | 2023-05-09 | 一种时延最小化的多边缘服务器网络任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527603.6A CN116567725B (zh) | 2023-05-09 | 2023-05-09 | 一种时延最小化的多边缘服务器网络任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116567725A CN116567725A (zh) | 2023-08-08 |
CN116567725B true CN116567725B (zh) | 2024-02-13 |
Family
ID=87494143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310527603.6A Active CN116567725B (zh) | 2023-05-09 | 2023-05-09 | 一种时延最小化的多边缘服务器网络任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116567725B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109729543A (zh) * | 2018-12-29 | 2019-05-07 | 南京邮电大学 | 一种基于数据压缩的高能效计算任务卸载方法 |
CN112333702A (zh) * | 2020-10-30 | 2021-02-05 | 杭州哲达科技股份有限公司 | 一种基于安全noma移动边缘计算的延迟最小化的优化方法 |
CN115396953A (zh) * | 2022-08-02 | 2022-11-25 | 黑龙江八一农垦大学 | 移动边缘计算中一种基于改进粒子群算法的计算卸载方法 |
WO2022257348A1 (zh) * | 2021-06-08 | 2022-12-15 | 重庆邮电大学 | 一种不确定网络环境中的任务卸载和资源分配方法 |
-
2023
- 2023-05-09 CN CN202310527603.6A patent/CN116567725B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109729543A (zh) * | 2018-12-29 | 2019-05-07 | 南京邮电大学 | 一种基于数据压缩的高能效计算任务卸载方法 |
CN112333702A (zh) * | 2020-10-30 | 2021-02-05 | 杭州哲达科技股份有限公司 | 一种基于安全noma移动边缘计算的延迟最小化的优化方法 |
WO2022257348A1 (zh) * | 2021-06-08 | 2022-12-15 | 重庆邮电大学 | 一种不确定网络环境中的任务卸载和资源分配方法 |
CN115396953A (zh) * | 2022-08-02 | 2022-11-25 | 黑龙江八一农垦大学 | 移动边缘计算中一种基于改进粒子群算法的计算卸载方法 |
Non-Patent Citations (2)
Title |
---|
景泽伟 ; 杨清海 ; 秦猛 ; .移动边缘计算中的时延和能耗均衡优化算法.北京邮电大学学报.(第02期), * |
移动边缘计算中的时延和能耗均衡优化算法;景泽伟;杨清海;秦猛;;北京邮电大学学报(第02期) * |
Also Published As
Publication number | Publication date |
---|---|
CN116567725A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109922479B (zh) | 一种基于时延预估的计算任务卸载方法 | |
CN110418416B (zh) | 移动边缘计算系统中基于多智能体强化学习的资源分配方法 | |
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 | |
CN111049917B (zh) | 一种基于移动边缘计算的移动感知多用户卸载优化方法 | |
CN109548161B (zh) | 一种无线资源调度的方法、装置和终端设备 | |
CN111511028B (zh) | 一种多用户资源分配方法、装置、系统及存储介质 | |
CN110955463A (zh) | 支持边缘计算的物联网多用户计算卸载方法 | |
CN115473896B (zh) | 基于dqn算法的电力物联网卸载策略和资源配置优化方法 | |
CN113727362A (zh) | 一种基于深度强化学习的无线供电系统的卸载策略方法 | |
Wu et al. | Residual energy maximization for wireless powered mobile edge computing systems with mixed-offloading | |
CN110780986B (zh) | 一种基于移动边缘计算的物联网任务调度方法及系统 | |
CN116841732A (zh) | 一种基于单比特量化的联邦学习资源优化设计方法 | |
CN116567725B (zh) | 一种时延最小化的多边缘服务器网络任务卸载方法 | |
Du et al. | Computation energy efficiency maximization for NOMA-based and wireless-powered mobile edge computing with backscatter communication | |
Jiao et al. | Deep reinforcement learning for time-energy tradeoff online offloading in MEC-enabled industrial internet of things | |
CN112231009B (zh) | 一种能量捕获网络模型任务计算卸载决策与调度方法 | |
CN110190982B (zh) | 基于公平时间的非正交多址接入边缘计算时间和能耗优化 | |
Jiang et al. | Age-of-Information-Based Computation Offloading and Transmission Scheduling in Mobile-Edge-Computing-Enabled IoT Networks | |
CN109769258B (zh) | 基于安全urllc通信协议的资源优化方法 | |
Li et al. | Fast: Fidelity-adjustable semantic transmission over heterogeneous wireless networks | |
CN110536308A (zh) | 一种基于博弈的多节点计算卸载方法 | |
Yan et al. | Bayesian optimization for online management in dynamic mobile edge computing | |
WO2021254211A1 (zh) | 用于无线通信的电子设备和方法、计算机可读存储介质 | |
CN112104737B (zh) | 一种计算迁移方法、移动计算设备及边缘计算设备 | |
Wang et al. | Green federated learning over cloud-ran with limited fronthual capacity and quantized neural 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |