CN116761218A - 一种云边端协同系统中的联合优化方法、系统及存储介质 - Google Patents

一种云边端协同系统中的联合优化方法、系统及存储介质 Download PDF

Info

Publication number
CN116761218A
CN116761218A CN202310641479.6A CN202310641479A CN116761218A CN 116761218 A CN116761218 A CN 116761218A CN 202310641479 A CN202310641479 A CN 202310641479A CN 116761218 A CN116761218 A CN 116761218A
Authority
CN
China
Prior art keywords
task
computing
unloading
cloud
variable
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
CN202310641479.6A
Other languages
English (en)
Inventor
王雪
王书波
顾艳
孟姝宇
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202310641479.6A priority Critical patent/CN116761218A/zh
Publication of CN116761218A publication Critical patent/CN116761218A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • H04W28/0925—Management thereof using policies
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种云边端协同系统中的联合优化方法、系统及存储介质，属于通信技术领域。方法包括：构建云边端协同系统的模型，初始化系统参数；计算本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算的时延能耗加权和，在约束条件下建立优化问题；将原非凸问题转化为凸问题，进行重复迭代执行至收敛或达到最大迭代次数，求出卸载决策和资源分配方案；采用二进制变量恢复算法，将卸载决策变量恢复为二进制变量，对资源分配进行调整，使结果达到最优。本方法能够得到最佳的卸载决策以及资源分配方案，能够有效减小任务的时延以及能耗，提高云边端协同系统内用户的服务质量。

Description

一种云边端协同系统中的联合优化方法、系统及存储介质
技术领域
本发明属于通信技术领域，尤其涉及一种云边端协同系统中的联合优化方法、系统及存储介质。
背景技术
随着5G技术的出现及普及，计算与存储设备的数量逐渐增多，出现了许多新兴的应用和场景，例如智能实时导航、自动驾驶、增强现实(VR)等，这些应用需要处理大量数据，同时用户还需要较低的时延与能耗需求。传统的移动云计算(MCC)不仅有着较高的时延，且通信资源和计算资源都难以满足越来越多的用户接入和越来越高的计算资源需求。有必要通过引入具有严格时延要求的大规模分布式计算设备，来减少云服务器的通信资源和计算资源压力。因此，引入了多接入边缘计算(MEC)。
MEC作为一种新兴技术，是对云计算的补充，并将其扩展到网络的边缘，推动了通信和计算服务更接近用户。MEC通过将处理/计算能力从远程云转移到用户附近，旨在执行终端用户设备卸载的资源密集型任务，并进行数据的收集、处理和聚合，能够减少许多新兴能力要求高的应用程序的端到端(E2E)延迟，有助于显著缓解骨干网络上的流量拥塞，提高终端用户的体验质量(QoE)。
当MEC同时为较多的设备提供服务时，网络拥塞通常是不可避免的，特别是对于具有大量数据位的任务，这会引起较大的等待延迟，甚至可能导致任务失败。面对这些问题，设备到设备(D2D)辅助卸载计算是扩大通信覆盖和解决网络拥塞问题的一个有前途的解决方案。在D2D辅助卸载计算中，D2D设备能够建立短距离D2D通信链路，这些链路扩大了网络覆盖范围，因为一个设备可以在MEC通信范围外与另一个设备进行通信。此外，这些链接允许任务设备将计算密集型任务卸载给附近具有空闲计算资源的设备进行计算。因此，D2D卸载作为MEC的补充，可以有效提升计算服务能力。
MEC具有革新通信和计算行业的巨大潜力，目前还正在蓬勃发展，特别是在无线通信领域。近年来，对MEC进行了大量研究，但仍有许多悬而未决的问题函待解决。任务卸载不仅涉及计算资源这一因素，还包括传输时延和能耗。要计算的任务必须成功交付给边缘服务器，在特定应用程序所需的时间内计算。因此，一个有效的MEC系统必须在功耗和延迟的限制下，优化协调频谱资源、计算资源和存储资源。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种云边端协同系统中的联合优化方法、系统及存储介质，通过变量松弛，交替方向乘子法，变量恢复算法以及拉格朗日乘子法得到最佳的卸载决策以及资源分配方案，能够有效减小任务的时延以及能耗，提高云边端协同系统内用户的服务质量。
根据本发明的一个方面，本发明提供了一种云边端协同系统中的联合优化方法，所述方法包括以下步骤：
S101：构建云边端协同系统的模型，所述系统包括任务设备、D2D辅助设备、边缘服务器和云服务器；初始化系统参数，所述系统参数包括任务设备的任务、电量、计算能力、以及D2D辅助设备、边缘服务器和云服务器的计算能力；
S102：根据任务设备的电量剩余值，求其时延能耗的权重，加权得到本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算的时延能耗加权和，并且以最小化系统内任务设备的总开销为目标，在约束条件下建立优化问题；
S103：根据建立的所述优化问题，将卸载决策的二进制变量松弛为连续变量，将原非凸问题转化为凸问题；
S104：根据所述凸问题，进行重复迭代执行至收敛或达到最大迭代次数，求出卸载决策和资源分配方案；
S105：采用二进制变量恢复算法，将卸载决策变量恢复为二进制变量，同时根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
优选地，所述步骤S101中，构建云边端协同系统的模型包括：
S1011：在云边端协同系统模型中，MEC服务器、云服务器和D2D辅助设备均能够为任务设备提供计算服务，每个任务设备的计算任务能够分别选择本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算四种计算方式；
S1012：假设在某一时间段有N个任务设备产生计算任务，且每个任务设备仅产生一个计算任务，任务设备的计算任务序列定义为R＝{R1,R2,...,RN}，第i个任务设备的计算任务定义为Ri＝{Bi,Ci}，其中Bi表示计算任务的数据大小，Ci表示计算该任务所需的计算资源量，也就是CPU周期数。
优选地，所述步骤S102具体包括：
S1021：每个任务设备通过蜂窝链路并采用正交频分复用技术接入小区基站，D2D链路复用蜂窝链路，任务设备i的上行链路传输速率和D2D链路的传输速率分别为：和/>其中，pi表示任务设备i的传输功率，/>表示任务设备i与BS之间的信道增益，/>表示D2D信道增益，σ2为高斯信道噪声的方差；
S1022：当任务设备选择在本地进行计算时，定义fi L为任务设备i的本地计算能力，则任务在本地计算所需的执行时延为：相应地，本地计算所需的能耗为：/>其中εi为能耗系数，表示任务设备i的每个CPU周期消耗的能量，是用户CPU计算能力的超线性函数；能耗模型定义为εi＝k(fi L)r，其中k是芯片的能耗系数，r的取值为常数；
S1023：当任务设备选择进行卸载计算时，任务的卸载过程分为上传任务、处理任务和下载任务三部分；忽略不计下载任务的时延和能耗；
当任务设备选择在MEC服务器进行卸载计算时，任务设备通过无线信道连接到附近的基站后将任务卸载到MEC服务器上；任务卸载时的上传时延为：MEC服务器为每个卸载任务分配的计算资源定义为fi E，则MEC服务器的处理时延为：/>任务卸载到MEC服务器并计算所需总的时延为：/>相应地，任务卸载到MEC服务器所需的能耗为：/>其中，/>为任务传输时任务设备发射功率大小，/>为任务设备空闲状态时电路功率大小；
S1024：当任务设备选择云服务器进行卸载计算时，将任务上传到基站之后基站通过光纤链路传输到云服务器上进行计算；由基站到云服务器的传输时延计算为一平均值，定义为Ti x；任务卸载时上传时延为：云服务器为每个卸载任务分配的计算资源定义为fi C，则云服务器处理时延为：/>任务卸载到云服务器所需的时延为：相应地，任务卸载到云服务器所需的能耗为：
S1025：当任务设备选择D2D辅助设备进行卸载计算任务时，任务设备通过D2D链路连接到附近空闲且能量充足的D2D设备；任务卸载上传时延为：每个D2D设备的计算资源定义为fi D，则D2D设备的处理时延为：/>任务卸载到D2D设备所需的总时延为：相应地，任务卸载到D2D设备所需的能耗为：/>
S1026：优化问题表示为：
其中，分别表示任务在本地、MEC服务器、云服务器、D2D辅助设备上进行计算，fmax为MEC服务器的最大计算资源，K为蜂窝链路的最大用户接入数量。
优选地，所述步骤S103中，通过将二元变量x松弛为连续的实值变量，将非凸问题转化为凸问题。
优选地，在S104中，采用交替方向乘子法重复迭代求解优化问题执行至收敛或者达到最大迭代次数，求出卸载决策和资源分配方案，具体步骤包括：
优化问题中是全局变量，对每一个用户i′，资源分配全局变量/>的局部变量设为/>局部变量是对全局变量局部信息的复制；
对用户i′局部变量的可行集表示为：
原问题和约束被转化为：
P：
s.t.
根据问题和约束构造增广拉格朗日函数表示为：
其中，λi′是带约束的拉格朗日乘子，ρ＞0是调节算法收敛速度的恒定惩罚参数；
迭代更新局部变量、全局变量以及拉格朗日乘子；
局部变量更新表示为：
全局变量更新表示为：
拉格朗日乘子更新表示为：
优选地，对局部变量更新以及全局变量更新进行求解，具体包括：
1)局部变量更新：将问题分解，转化为N个子问题，通过分布式方式求解获得最优局部变量；
2)全局变量更新：将问题可转化为：
3)收敛性分析：迭代停止条件的原始残差为：对偶残差为：||λi′[t+1]-λ[t]||2≤εdual；
其中，εprim＝10-5，εdual＝10-5。
优选地，所述步骤S105中，当算法达到收敛并求解之后，将变量恢复成二进制变量，二进制变量恢复算法包括：
对于用户i，找出其最大的卸载决策值xi，并将卸载决策值从大到小进行排序，从用户i开始，i＝1,2,3,...,N，让xi＝1，检查是否符合约束条件，直到不符合约束条件时其余的进行中断输出；之后根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
根据本发明的另一方面，本发明还提供了一种云边端协同系统中的联合优化系统，所述系统包括：
构建模块，用于构建云边端协同系统的模型，所述系统包括任务设备、D2D辅助设备、边缘服务器和云服务器；初始化系统参数，所述系统参数包括任务设备的任务、电量、计算能力、以及D2D辅助设备、边缘服务器和云服务器的计算能力；
计算模块，用于根据任务设备的电量剩余值，求其时延能耗的权重，加权得到本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算的时延能耗加权和，并且以最小化系统内任务设备的总开销为目标，在约束条件下建立优化问题；
转换模块，用于根据建立的所述优化问题，将卸载决策的二进制变量松弛为连续变量，将原非凸问题转化为凸问题；
求解模块，用于根据所述凸问题，进行重复迭代执行至收敛或达到最大迭代次数，求出卸载决策和资源分配方案；
调整模块，用于采用二进制变量恢复算法，将卸载决策变量恢复为二进制变量，同时根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
根据本发明的另一方面，本发明还提供了一种云边端协同系统中的联合优化系统，所述系统包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述方法步骤。
根据本发明的另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述方法步骤。
有益效果：本发明中的云边端协同系统中基于交替方向乘子法的联合优化方法，通过变量松弛，交替方向乘子法，变量恢复算法以及拉格朗日乘子法得到最佳的卸载决策以及资源分配方案，能够有效减小任务的时延以及能耗，提高云边端协同系统内用户的服务质量。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1是云边端协同系统模型的示意图；
图2是云边端协同系统中的联合优化方法示意图；
图3是云边端协同系统中的联合优化系统示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参考图1和图2，本实施例提供了一种云边端协同系统中的联合优化方法，所述方法包括以下步骤：
S101：构建云边端协同系统的模型，所述系统包括任务设备、D2D辅助设备、边缘服务器和云服务器；初始化系统参数，所述系统参数包括任务设备的任务、电量、计算能力、以及D2D辅助设备、边缘服务器和云服务器的计算能力；
S102：根据任务设备的电量剩余值，求其时延能耗的权重，加权得到本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算的时延能耗加权和，并且以最小化系统内任务设备的总开销为目标，在约束条件下建立优化问题；
S103：根据建立的所述优化问题，将卸载决策的二进制变量松弛为连续变量，将原非凸问题转化为凸问题；
S104：根据所述凸问题，进行重复迭代执行至收敛或达到最大迭代次数，求出卸载决策和资源分配方案；
S105：采用二进制变量恢复算法，将卸载决策变量恢复为二进制变量，同时根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
在步骤S105中，KTT条件是指在满足一些有规则的条件下，一个非线性规划问题能有最优化的一个必要和充分条件，是泛拉格朗日乘子法的一种形式。
本实施例的方法中，通过变量松弛，交替方向乘子法，变量恢复算法以及拉格朗日乘子法得到最佳的卸载决策以及资源分配方案，能够有效减小任务的时延以及能耗，提高云边端协同系统内用户的服务质量。
优选地，所述步骤S101中，构建云边端协同系统的模型包括：
S1011：在云边端协同系统模型中，MEC服务器、云服务器和D2D辅助设备均能够为任务设备提供计算服务，每个任务设备的计算任务能够分别选择本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算四种计算方式；
S1012：假设在某一时间段有N个任务设备产生计算任务，且每个任务设备仅产生一个计算任务，任务设备的计算任务序列定义为R＝{R1,R2,...,RN}，第i个任务设备的计算任务定义为Ri＝{Bi,Ci}，其中Bi表示计算任务的数据大小，Ci表示计算该任务所需的计算资源量，也就是CPU周期数。
优选地，所述步骤S102具体包括：
S1021：每个任务设备通过蜂窝链路并采用正交频分复用技术接入小区基站，D2D链路复用蜂窝链路，任务设备i的上行链路传输速率和D2D链路的传输速率分别为：和/>其中，pi表示任务设备i的传输功率，/>表示任务设备i与BS之间的信道增益，/>表示D2D信道增益，σ2为高斯信道噪声的方差；
S1022：当任务设备选择在本地进行计算时，定义fi L为任务设备i的本地计算能力，则任务在本地计算所需的执行时延为：相应地，本地计算所需的能耗为：其中εi为能耗系数，表示任务设备i的每个CPU周期消耗的能量，是用户CPU计算能力的超线性函数；能耗模型定义为εi＝k(fi L)r，其中k是芯片的能耗系数，r的取值为常数；
S1023：当任务设备选择进行卸载计算时，任务的卸载过程分为上传任务、处理任务和下载任务三部分；忽略不计下载任务的时延和能耗；
当任务设备选择在MEC服务器进行卸载计算时，任务设备通过无线信道连接到附近的基站后将任务卸载到MEC服务器上；任务卸载时的上传时延为：MEC服务器为每个卸载任务分配的计算资源定义为fi E，则MEC服务器的处理时延为：/>任务卸载到MEC服务器并计算所需总的时延为：/>相应地，任务卸载到MEC服务器所需的能耗为：/>其中，/>为任务传输时任务设备发射功率大小，/>为任务设备空闲状态时电路功率大小；
S1024：当任务设备选择云服务器进行卸载计算时，将任务上传到基站之后基站通过光纤链路传输到云服务器上进行计算；由基站到云服务器的传输时延计算为一平均值，定义为Ti x；任务卸载时上传时延为：云服务器为每个卸载任务分配的计算资源定义为fi C，则云服务器处理时延为：/>任务卸载到云服务器所需的时延为：相应地，任务卸载到云服务器所需的能耗为：
S1025：当任务设备选择D2D辅助设备进行卸载计算任务时，任务设备通过D2D链路连接到附近空闲且能量充足的D2D设备；任务卸载上传时延为：每个D2D设备的计算资源定义为fi D，则D2D设备的处理时延为：/>任务卸载到D2D设备所需的总时延为：/>相应地，任务卸载到D2D设备所需的能耗为：/>
S1026：优化问题表示为：
其中，分别表示任务在本地、MEC服务器、云服务器、D2D辅助设备上进行计算，fmax为MEC服务器的最大计算资源，K为蜂窝链路的最大用户接入数量。
优选地，所述步骤S103中，通过将二元变量x松弛为连续的实值变量，将非凸问题转化为凸问题。
优选地，在S104中，采用交替方向乘子法重复迭代求解优化问题执行至收敛或者达到最大迭代次数，求出卸载决策和资源分配方案，具体步骤包括：
优化问题中是全局变量，对每一个用户i′，资源分配全局变量/>的局部变量设为/>局部变量是对全局变量局部信息的复制；
对用户i′局部变量的可行集表示为：
原问题和约束被转化为：
P：
s.t.
根据问题和约束构造增广拉格朗日函数表示为：
其中，λi′是带约束的拉格朗日乘子，ρ＞0是调节算法收敛速度的恒定惩罚参数；
迭代更新局部变量、全局变量以及拉格朗日乘子；
局部变量更新表示为：
全局变量更新表示为：
拉格朗日乘子更新表示为：
优选地，对局部变量更新以及全局变量更新进行求解，具体包括：
1)局部变量更新：将问题分解，转化为N个子问题，通过分布式方式求解获得最优局部变量；
2)全局变量更新：将问题可转化为：
3)收敛性分析：迭代停止条件的原始残差为：对偶残差为：||λi′[t+1]-λ[t]||2≤εdual；
其中，εprim＝10-5，εdual＝10-5。
优选地，所述步骤S105中，当算法达到收敛并求解之后，将变量恢复成二进制变量，二进制变量恢复算法包括：
对于用户i，找出其最大的卸载决策值xi，并将卸载决策值从大到小进行排序，从用户i开始，i＝1,2,3,...,N，让xi＝1，检查是否符合约束条件，直到不符合约束条件时其余的进行中断输出；之后根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
本实施例中，云边端协同系统在本地计算的基础上，引入MEC卸载计算，D2D卸载计算，MCC卸载计算三种卸载计算模式，三种卸载方式互相辅助，提高系统内用户的体验质量；D2D卸载计算还能扩大网络覆盖范围，通过将任务卸载给附近具有空闲计算资源的D2D设备，有效提升系统的计算服务能力。
本实施例通过建立时延与能耗联合优化问题，将二进制卸载决策变量松弛为连续变量，使原非凸优化问题转化为凸问题，采用交替方向乘子法重复迭代执行至收敛或最大迭代次数，求出卸载决策和资源分配方案，之后采用二进制变量恢复算法，使卸载变量恢复为二进制变量，同时根据恢复的卸载决策变量，采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
本实施例一方面在充分利用系统资源的同时满足不同用户的服务需求，另一方面也能够有效减少系统内任务设备的时延能耗加权和，提升系统内用户的体验质量。
实施例2
图3是云边端协同系统中的联合优化系统示意图。如图3所示，本实施例提供了一种云边端协同系统中的联合优化系统，所述系统包括：
构建模块，用于构建云边端协同系统的模型，所述系统包括任务设备、D2D辅助设备、边缘服务器和云服务器；初始化系统参数，所述系统参数包括任务设备的任务、电量、计算能力、以及D2D辅助设备、边缘服务器和云服务器的计算能力；
计算模块，用于根据任务设备的电量剩余值，求其时延能耗的权重，加权得到本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算的时延能耗加权和，并且以最小化系统内任务设备的总开销为目标，在约束条件下建立优化问题；
转换模块，用于根据建立的所述优化问题，将卸载决策的二进制变量松弛为连续变量，将原非凸问题转化为凸问题；
求解模块，用于根据所述凸问题，进行重复迭代执行至收敛或达到最大迭代次数，求出卸载决策和资源分配方案；
调整模块，用于采用二进制变量恢复算法，将卸载决策变量恢复为二进制变量，同时根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
本实施例2中各个模块所实现的功能的具体实施过程与实施例1中的各个步骤的实施过程相同，在此不再赘述。
实施例3
根据本发明的另一方面，本实施例提供了一种云边端协同系统中的联合优化系统，所述系统包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现实施例1中的方法步骤，具体的实现过程可以参考实施例1中的方法步骤的实现过程，在此不再赘述。
实施例4
根据本发明的另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现实施例1中的方法步骤，具体的实现过程可以参考实施例1中的方法步骤的实现过程，在此不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种云边端协同系统中的联合优化方法，其特征在于，所述方法包括以下步骤：
S101：构建云边端协同系统的模型，所述系统包括任务设备、D2D辅助设备、边缘服务器和云服务器；初始化系统参数，所述系统参数包括任务设备的任务、电量、计算能力、以及D2D辅助设备、边缘服务器和云服务器的计算能力；
S102：根据任务设备的电量剩余值，求其时延能耗的权重，加权得到本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算的时延能耗加权和，并且以最小化系统内任务设备的总开销为目标，在约束条件下建立优化问题；
S103：根据建立的所述优化问题，将卸载决策的二进制变量松弛为连续变量，将原非凸问题转化为凸问题；
S104：根据所述凸问题，进行重复迭代执行至收敛或达到最大迭代次数，求出卸载决策和资源分配方案；
S105：采用二进制变量恢复算法，将卸载决策变量恢复为二进制变量，同时根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
2.根据权利要求1所述的方法，其特征在于，所述步骤S101中，构建云边端协同系统的模型包括：
S1011：在云边端协同系统模型中，MEC服务器、云服务器和D2D辅助设备均能够为任务设备提供计算服务，每个任务设备的计算任务能够分别选择本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算四种计算方式；
S1012：假设在某一时间段有N个任务设备产生计算任务，且每个任务设备仅产生一个计算任务，任务设备的计算任务序列定义为R＝{R1,R2,...,RN}，第i个任务设备的计算任务定义为Ri＝{Bi,Ci}，其中Bi表示计算任务的数据大小，Ci表示计算该任务所需的计算资源量，也就是CPU周期数。
3.根据权利要求2所述的方法，其特征在于，所述步骤S102具体包括：
S1021：每个任务设备通过蜂窝链路并采用正交频分复用技术接入小区基站，D2D链路复用蜂窝链路，任务设备i的上行链路传输速率和D2D链路的传输速率分别为：和/>其中，pi表示任务设备i的传输功率，/>表示任务设备i与BS之间的信道增益，/>表示D2D信道增益，σ2为高斯信道噪声的方差；
S1022：当任务设备选择在本地进行计算时，定义fi L为任务设备i的本地计算能力，则任务在本地计算所需的执行时延为：相应地，本地计算所需的能耗为：/>其中εi为能耗系数，表示任务设备i的每个CPU周期消耗的能量，是用户CPU计算能力的超线性函数；能耗模型定义为εi＝k(fi L)r，其中k是芯片的能耗系数，r的取值为常数；
S1023：当任务设备选择进行卸载计算时，任务的卸载过程分为上传任务、处理任务和下载任务三部分；忽略不计下载任务的时延和能耗；
当任务设备选择在MEC服务器进行卸载计算时，任务设备通过无线信道连接到附近的基站后将任务卸载到MEC服务器上；任务卸载时的上传时延为：MEC服务器为每个卸载任务分配的计算资源定义为fi E，则MEC服务器的处理时延为：/>任务卸载到MEC服务器并计算所需总的时延为：/>相应地，任务卸载到MEC服务器所需的能耗为：/>其中，/>为任务传输时任务设备发射功率大小，为任务设备空闲状态时电路功率大小；
S1024：当任务设备选择云服务器进行卸载计算时，将任务上传到基站之后基站通过光纤链路传输到云服务器上进行计算；由基站到云服务器的传输时延计算为一平均值，定义为Ti x；任务卸载时上传时延为：云服务器为每个卸载任务分配的计算资源定义为fi C，则云服务器处理时延为：/>任务卸载到云服务器所需的时延为：/>相应地，任务卸载到云服务器所需的能耗为：/>
S1025：当任务设备选择D2D辅助设备进行卸载计算任务时，任务设备通过D2D链路连接到附近空闲且能量充足的D2D设备；任务卸载上传时延为：每个D2D设备的计算资源定义为fi D，则D2D设备的处理时延为：/>任务卸载到D2D设备所需的总时延为：相应地，任务卸载到D2D设备所需的能耗为：/>
S1026：优化问题表示为：
其中，分别表示任务在本地、MEC服务器、云服务器、D2D辅助设备上进行计算，fmax为MEC服务器的最大计算资源，K为蜂窝链路的最大用户接入数量。
4.根据权利要求3所述的方法，其特征在于，所述步骤S103中，通过将二元变量x松弛为连续的实值变量，将非凸问题转化为凸问题。
5.根据权利要求4所述的方法，其特征在于，在S104中，采用交替方向乘子法重复迭代求解优化问题执行至收敛或者达到最大迭代次数，求出卸载决策和资源分配方案，具体步骤包括：
优化问题中是全局变量，对每一个用户i′，资源分配全局变量/>的局部变量设为/>局部变量是对全局变量局部信息的复制；
对用户i′局部变量的可行集表示为：
原问题和约束被转化为：
P：
根据问题和约束构造增广拉格朗日函数表示为：
其中，λi′是带约束的拉格朗日乘子，ρ＞0是调节算法收敛速度的恒定惩罚参数；
迭代更新局部变量、全局变量以及拉格朗日乘子；
局部变量更新表示为：
全局变量更新表示为：
拉格朗日乘子更新表示为：
6.根据权利要求5所述的方法，其特征在于，对局部变量更新以及全局变量更新进行求解，具体包括：
1)局部变量更新：将问题分解，转化为N个子问题，通过分布式方式求解获得最优局部变量；
2)全局变量更新：将问题可转化为：
3)收敛性分析：迭代停止条件的原始残差为：对偶残差为：
其中，εprim＝10-5，εdual＝10-5。
7.根据权利要求6所述的方法，其特征在于，所述步骤S105中，当算法达到收敛并求解之后，将变量恢复成二进制变量，二进制变量恢复算法包括：
对于用户i，找出其最大的卸载决策值xi，并将卸载决策值从大到小进行排序，从用户i开始，i＝1,2,3,...,N，让xi＝1，检查是否符合约束条件，直到不符合约束条件时其余的进行中断输出；之后根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
8.一种云边端协同系统中的联合优化系统，其特征在于，所述系统包括：
构建模块，用于构建云边端协同系统的模型，所述系统包括任务设备、D2D辅助设备、边缘服务器和云服务器；初始化系统参数，所述系统参数包括任务设备的任务、电量、计算能力、以及D2D辅助设备、边缘服务器和云服务器的计算能力；
计算模块，用于根据任务设备的电量剩余值，求其时延能耗的权重，加权得到本地计算、D2D卸载计算、MEC卸载计算以及云卸载计算的时延能耗加权和，并且以最小化系统内任务设备的总开销为目标，在约束条件下建立优化问题；
转换模块，用于根据建立的所述优化问题，将卸载决策的二进制变量松弛为连续变量，将原非凸问题转化为凸问题；
求解模块，用于根据所述凸问题，进行重复迭代执行至收敛或达到最大迭代次数，求出卸载决策和资源分配方案；
调整模块，用于采用二进制变量恢复算法，将卸载决策变量恢复为二进制变量，同时根据卸载决策采用KKT不等式条件以及拉格朗日乘子法对资源分配进行调整，使结果达到最优。
9.一种云边端协同系统中的联合优化系统，其特征在于，所述系统包括：处理器、存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。
CN202310641479.6A 2023-06-01 2023-06-01 一种云边端协同系统中的联合优化方法、系统及存储介质 Pending CN116761218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310641479.6A CN116761218A (zh) 2023-06-01 2023-06-01 一种云边端协同系统中的联合优化方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310641479.6A CN116761218A (zh) 2023-06-01 2023-06-01 一种云边端协同系统中的联合优化方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN116761218A true CN116761218A (zh) 2023-09-15

Family

ID=87950595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310641479.6A Pending CN116761218A (zh) 2023-06-01 2023-06-01 一种云边端协同系统中的联合优化方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116761218A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN111786839B (zh) 一种车载边缘计算网络中能效优化的计算卸载方法及系统
CN109814951B (zh) 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN111010684B (zh) 一种基于mec缓存服务的车联网资源分配方法
CN111130911B (zh) 一种基于移动边缘计算的计算卸载方法
CN109951869A (zh) 一种基于云雾混合计算的车联网资源分配方法
CN112491957B (zh) 一种边缘网络环境下的分布式计算卸载方法及系统
CN111132230B (zh) 一种面向数据采集的带宽分配和数据压缩联合优化方法
CN113727362B (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
CN111615129A (zh) 基于noma的多用户移动边缘计算系统中的资源分配方法
CN114051254A (zh) 一种基于星地融合网络的绿色云边协同计算卸载方法
CN116761218A (zh) 一种云边端协同系统中的联合优化方法、系统及存储介质
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN114096006B (zh) 移动边缘计算系统中资源分配和数据压缩联合优化方法
CN113507712B (zh) 一种基于交替方向乘子的资源分配与计算任务卸载方法
CN113056007A (zh) 基于正交频分多址的并行移动边缘计算网络资源分配方法
CN112423320A (zh) 一种基于QoS和用户行为预测的多用户计算卸载方法
CN116405979A (zh) 一种毫米波移动边缘计算组网资源分配方法
CN116347522A (zh) 云边协同下基于近似计算复用的任务卸载方法及装置
CN116668439A (zh) 一种基于深度强化学习的边缘计算任务卸载方法
CN117336740A (zh) 一种云网边端网络任务卸载和资源分配方法
CN114466335A (zh) 一种d2d辅助mec系统中基于博弈论的联合优化方法
CN112187534B (zh) 一种工业物联网中基于多跳传输的任务卸载方法
CN113784372A (zh) 一种面向终端多业务模型的联合优化方法
CN113556760A (zh) 一种移动边缘计算成本效益优化方法、系统及应用
CN117336789A (zh) 一种能量高效的视频计算卸载优化方法、装置及相关设备

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