WO2022121097A1 - 一种移动用户计算任务的卸载方法 - Google Patents

一种移动用户计算任务的卸载方法 Download PDF

Info

Publication number
WO2022121097A1
WO2022121097A1 PCT/CN2021/074168 CN2021074168W WO2022121097A1 WO 2022121097 A1 WO2022121097 A1 WO 2022121097A1 CN 2021074168 W CN2021074168 W CN 2021074168W WO 2022121097 A1 WO2022121097 A1 WO 2022121097A1
Authority
WO
WIPO (PCT)
Prior art keywords
base station
user
tasks
computing
users
Prior art date
Application number
PCT/CN2021/074168
Other languages
English (en)
French (fr)
Inventor
朱琦
朱科宇
Original Assignee
南京邮电大学
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 南京邮电大学 filed Critical 南京邮电大学
Publication of WO2022121097A1 publication Critical patent/WO2022121097A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
    • 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
    • H04W28/082—Load balancing or load distribution among bearers or channels
    • 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
    • G06F2209/502—Proximity
    • 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
    • G06F2209/504—Resource capping
    • 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
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Definitions

  • the invention relates to task offloading in a wireless communication system, in particular to a method for offloading computing tasks of a mobile user.
  • Offloading users' computing tasks to neighboring MEC servers i.e., mobile edge computing offloading
  • edge computing can achieve lower latency and higher reliability, and has become a research hotspot.
  • the key research of this technology is the computing offloading of users and the allocation of computing resources and communication resources. Computing offloading is divided into two forms: partial offloading and complete offloading. Offload target servers also include edge servers and remote cloud servers.
  • the purpose of the present invention is to provide a method for offloading computing tasks of mobile users. Under the premise of satisfying the constraints of computing resources of edge computing servers, select a suitable base station for mobile users and perform offload scheduling for each task request, so as to realize the completion of the user terminal. The goal of minimizing system delay and terminal energy consumption during tasks.
  • the present invention discloses a method for uninstalling computing tasks of a mobile user, comprising the following steps:
  • Step 2 According to the channel gain between each user and each base station, the area is divided into users under the coverage of a single base station and users under the overlapping coverage of multiple base stations. For users under the coverage of a single base station, user tasks can only be offloaded to A target base station, and for users in overlapping coverage areas, a base station needs to be selected for access;
  • the number of service modules of the server is unlimited, calculate the number of service modules that can be allocated by each base station, and make an initial unloading decision set;
  • Step 4 If user i is covered by multiple base stations, the user's selection of these base stations is set to 1, and the selection of other irrelevant base stations is set to 0. Regardless of the computing resource limitation of the edge computing server, the calculation is offloaded to different The initial offloading decision set under the base station;
  • Step 5 For users under the coverage of multiple base stations, use the initial unloading decisions obtained in steps 3 and 4 to calculate the average computing resources that can be allocated by each base station, that is, the average number of service modules. select the base station with the optimal average computing resources and channel gain for access, and make a base station selection strategy;
  • Step 6 According to the user's initial uninstallation decision and the base station selection strategy obtained above, dynamically adjust the uninstallation decision covering the user under each base station in turn to meet the constraint of the number of service modules of the edge computing server.
  • Step 7 Perform step 6 for each base station until all users meet the limit of the number of MEC service modules, return the base station selection scheme A of all users, the unloading decision scheme X, and the MEC service module allocation scheme C.
  • step 3 includes establishing a corresponding Lagrangian function, and using a multiplier method to obtain a corresponding initial unloading decision set.
  • step 4 includes establishing a corresponding Lagrangian function, and using a multiplier method to obtain a corresponding initial unloading decision set.
  • Step 5 includes defining the base station selection function as:
  • ⁇ represents the weight
  • the base station selection function represents the number of service modules that can be allocated by user terminal i to offload tasks to base station m and the difference between user terminal i and base station m.
  • Step 6 also includes: separately calculating the system function value corresponding to the uninstallation decision solved by user i in the case of a single user and the system function value obtained by user i after revising the initial unloading decision get their difference Q,
  • the method of the present invention considers the mutual cooperation between the edge cloud and the remote cloud, and at the same time considers the characteristics of the edge cloud with short transmission delay but limited computing resources and the remote cloud with long transmission delay but rich computing resources. , and consider both to minimize the system execution delay and energy consumption;
  • the multi-base station selection and offloading method proposed by the present invention takes into account the richness of computing resources of different cell edge computing servers and the channel gain between the user and the base station, and selects the optimal base station for the user in the overlapping coverage area of the base station. Access, under the condition of satisfying the computing resource constraints of the edge server, maximize the service quality of users, reduce the delay and energy consumption of task execution, and make the optimal selection of the offloading strategy for all user terminals.
  • Fig. 1 is the schematic flow chart of the present invention
  • FIG. 2 is a schematic diagram of a network model of the present invention
  • Fig. 3 is the utility function value comparison diagram of the present invention.
  • Fig. 4 is the time delay comparison diagram that the task request of the present invention is completed
  • FIG. 5 is a comparison diagram of system energy consumption of the present invention.
  • FIG. 2 The application scenario of the method of the present invention is shown in FIG. 2 , which consists of a remote cloud node and multiple base stations configured with MEC servers, and multiple user terminals are distributed within the coverage area of each base station.
  • the terminal device accesses the base station through the wireless network, and the base station can offload tasks to the remote cloud node through the Internet and accept the remote cloud node.
  • the calculation result of the node response is returned to the terminal device.
  • UE5 and UE6 in FIG. 2 can choose to access through base station 1 or base station 2 .
  • each user requests multiple tasks at a time, and the data volume of these tasks is the same as the task complexity.
  • terminal i currently has a batch of tasks whose task volume is ki to be executed, each task of the user can be executed locally, offloaded to the MEC server for execution, or executed in the remote cloud.
  • x i to represent the number of tasks performed locally by user i, Indicates the number of tasks offloaded to the edge computing server, represents the number of tasks unloaded to the remote cloud, then the unloading decision constraint of terminal i is:
  • the MEC server connected to base station 1 has ⁇ 1 service modules
  • the MEC server connected to base station 2 has ⁇ 2 service modules.
  • Users in all base stations work in the same frequency band, and there will be interference with each other, and the channel bandwidth is B.
  • the objective of the method of the present invention is to reduce the time delay of the system and the energy consumption of the user terminal.
  • the system delay includes the calculation delay and the communication delay.
  • the calculation delay includes the local execution delay, the MEC execution delay, and the remote cloud execution delay.
  • the communication delay includes the task data transmission time from the mobile terminal to the base station. delay and the transmission delay from the base station to the remote cloud.
  • the power consumption of the terminal includes local computing energy consumption and transmission energy consumption, mainly including the energy required for the user's own computing tasks and the energy required for uploading task data to the base station.
  • the communication model from user i to base station m can be defined as:
  • B represents the channel bandwidth
  • m represents the channel gain between user i and base station m
  • ⁇ 2 represents the white Gaussian noise power
  • j ⁇ N ⁇ i ⁇ represents the set of other users except user i, Indicates the interference to user i caused by the transmission of offload data by other users.
  • the computing tasks of user terminal i as an array in Represents the size of the input data for the task calculation, D i represents the number of CPU cycles required for a single task to execute, Represents the size of the response data after the task is calculated, the delay and the calculation energy consumption are discussed in three cases, then the base station selection, unloading decision and resource allocation optimization problems in the entire multi-base station and multi-user scenario can be formulated as:
  • ⁇ is the weight coefficient
  • S is the set of natural numbers
  • f i is the computing power of the user terminal i, that is, the number of CPU cycles running per unit time
  • c is the coefficient of energy consumption per CPU cycle
  • f edge is the computing resource allocated by the MEC for the user terminal i
  • f cloud is the computing capability of the remote cloud.
  • Constraint C1 means that a user selects at most one base station for access
  • C2 means that the number of tasks performed on the local, MEC and remote cloud is a positive number
  • C3 means that all k i tasks of the user terminal need to be completed
  • C4 means that the offload to The number of tasks processed by the MEC server under the target base station cannot exceed the number of service modules of the target base station MEC.
  • C5 indicates that the selection of the base station is a binary variable
  • C6 indicates that the number of tasks processed at different locations is a natural number.
  • the solutions of base station selection, unloading decision and resource allocation included in problem P1 are all positive integer solutions, and the interiors are interrelated.
  • the actual solution is very complicated and is an NP-hard problem.
  • the method of the present invention decouples the original problem P1 into a calculation unloading mechanism in the case of a single user, and uses the Lagrange multiplier method to solve the problem to obtain the initial unloading decision. Then, in the multi-user scenario, it is necessary to consider the selection of base stations, the interference between users and the limitation of MEC computing resources, the mutual interference during wireless transmission of users and the competition of MEC computing resources, which lead to the transmission delay of multi-users is always greater than that of single users. User's transmission delay.
  • the unloading decision of the user when selecting different base stations is obtained by solving the single-user scenario, and considering the average number of service modules that the target base station can allocate for the user and the channel gain between the user and the target base station, the present invention defines the base station selection function as:
  • ⁇ represents the weight
  • the base station selection function represents the weighted sum of the number of service modules that can be allocated by user terminal i to offload tasks to base station m and the channel gain between user terminal i and base station m.
  • the present invention uses heuristic algorithm to solve P2, uses the unloading decision in the case of a single user as the initial solution, and takes into account the limitation of the number of MEC service modules, dynamically adjusts the initial unloading decision of the resource conflict user terminal to meet the number of MEC service modules. limits. Then a decision function is introduced, and this function is used to solve the limited computing resources of the MEC server, which is defined as:
  • the base station set is represented by the set ⁇ 1,...,m,...,M ⁇ , the total number is M, each base station is equipped with an edge computing (MEC) server, and the MEC server can be divided into ⁇ m
  • MEC edge computing
  • the user set is represented by ⁇ 1,...,i,...,N ⁇ , the total number is N, and each user contains k i tasks.
  • the selection strategy of the base station represents the user's uninstall decision, Indicates the MEC service module allocation strategy;
  • Each user is divided into areas covered by a single base station and users covered by multiple base stations according to the channel gain between each base station , and for users in overlapping coverage areas, you need to select a base station for access;
  • the unloading decision of the covered users under each base station is dynamically adjusted in turn to meet the constraints of the MEC service module.
  • step 7 Perform step 7 for each base station until all the users used meet the limit of the number of MEC service modules, return the base station selection scheme A of all users, the unloading decision scheme X, and the MEC service module allocation scheme C.
  • the present invention discusses user task scheduling and MEC computing resource allocation in a multi-user multi-task scenario under a layered network architecture that combines edge cloud and remote cloud, and also considers the user's base station selection problem under the coverage of multiple base stations. .
  • An optimization problem aiming at minimizing the delay and energy consumption of the client is proposed, and then the multi-user scenario is decoupled into a single-user multi-task offloading scenario, and a user offloading decision-making mechanism based on the multiplier method is designed.
  • the offloading target base station selection is carried out for users under the coverage of multiple base stations by using the offloading decision solved under a single user and the channel gain.
  • a suboptimal iterative heuristic algorithm is proposed to dynamically modify the solutions obtained in single-user scenarios. The obtained results outperform the locally unloaded approach in terms of system performance.
  • the method proposed by the present invention is better than the other four algorithms in terms of user utility function value;
  • Fig. 4 shows the comparison of the time delay of the five methods; Comparison of methods in terms of energy consumption. 3, 4 and 5, it can be seen that the method of the present invention is significantly better than the other four comparison algorithms, and as the number of users continues to increase, the demand for resources is getting higher and higher; the method of the present invention can make Multitasking is performed on different servers at the same time, which greatly reduces the computing waiting time between tasks, and can effectively reduce the utility function value of the user terminal under the condition of limited communication resources and computing resources.
  • the method of the present invention can reasonably allocate the computing resources of the edge server under the premise of lower complexity.

Abstract

本发明公开了一种移动用户计算任务的卸载方法，步骤包括：该方法以满足边缘计算服务器的计算资源约束为前提，对每个任务请求进行卸载调度以及选择用户合适的基站，保证用户终端完成任务的系统时延与终端能耗最小，得到了用户的基站选择、卸载决策和任务调度方案。本发明大幅度降低了计算复杂度，提升了用户满意度，实现了系统时延与终端能耗最优化的目标。

Description

一种移动用户计算任务的卸载方法 技术领域
本发明涉及无线通信系统中任务卸载，尤其涉及一种移动用户计算任务的卸载方法。
背景技术
近些年来，随着物联网、人工智能和虚拟现实等技术的发展，高能耗的计算密集型业务不断增长，计算密集型应用和资源受限的移动计算系统之间的冲突给未来移动业务的发展带来了前所未有的挑战。为了应对这一挑战，通常采用的是移动云计算技术MCC，将移动终端上的计算任务卸载到资源丰富的远端云完成。然而，传统的MCC方法具有通过广域网的数据传输引起的长延迟和低可靠性的缺点。近些年，可以在移动用户附近提供云计算能力的移动边缘计算MEC被提议作为5G的关键技术之一。将用户的计算任务卸载到邻近的MEC服务器，即移动边缘计算卸载，被认为是解决上述挑战的一个有前途的解决方案。与传统的MCC方案相比，边缘计算可以实现更低的延迟和更高的可靠性，已经成为研究热点，该技术的关键研究用户的计算卸载以及计算资源和通信资源的分配。计算卸载分为部分卸载和完全卸载两种形式，卸载目标服务器也包括边缘服务器和远端云服务器。
移动边缘计算中的计算卸载和资源分配方法至关重要，人们已经进行了一些研究，但是大多数都是针对单基站用户卸载的情况，并且用户一次只卸载一个任务，部分考虑了多基站用户的情况，例如文献NING Zhaolong，DONG Peiran，KONG Xiangjie，et al.A Cooperative Partial Computation Offloading Scheme for Mobile Edge Computing Enabled Internet of Things[J].IEEE Internet of Things Journal，2019，6(3)：4804-4814.中记载了其它基站用户对目标基站下用户的干扰情况，但是并没有解决多基站重叠覆盖用户的基站接入选择问题以及多用户多任务的卸载问题。
发明内容
发明目的：本发明目的是提供一种移动用户计算任务的卸载方法，在满足边缘计算服务器计算资源的约束前提下，选择移动用户合适的基站以及对每个任务请求进行卸载调度，实现用户终端完成任务时系统时延与终端能耗最小的目标。
技术方案：本发明公开了一种移动用户计算任务的卸载方法，包括如下步骤：
步骤1：初始化：基站集用集合{1，...，m，...，M}表示，总数为M，每个基站都配备一个边缘计算服务器，边缘计算服务器又可分为λ m个服务模块，用户集用{1，...，i，...，N}来表示，总数为N，每个用户包含k i个任务；用
Figure PCTCN2021074168-appb-000001
表示基站的选择策略集合，其中，a i，m表示若用户i选择基站m进行卸载，则a i，m＝1，否则a i，m＝0；
Figure PCTCN2021074168-appb-000002
表示用户的卸载决策集合，其中，x i表示用户i本地执行的任务数，
Figure PCTCN2021074168-appb-000003
表示卸载至边缘服务器的任务数，
Figure PCTCN2021074168-appb-000004
表示卸载至远端云的任务数；
Figure PCTCN2021074168-appb-000005
表示边缘计算服务器的服务模块分配策略集合；
步骤2：根据每个用户与各个基站之间的信道增益进行区域划分，划分为单基站覆盖下的用户和多基站重叠覆盖下的用户，对于单基站覆盖下的用户，用户任务只能卸载到一个目标基站，而对于重叠覆盖区域的用户，需要选择基站进行接入；
步骤3：如果用户i只被基站m所覆盖，则用户i对于基站m的选择a i，m＝1，对于其它基站的选择设置为0，不考虑边缘计算服务器的计算资源限制，即边缘计算服务器的服务模块数量无约束，计算各个基站能够分配的服务模块数，作出初始卸载决策集合；
步骤4：如果用户i被多个基站所覆盖，则用户对于这些基站的选择设置为1，对于其它不相关的基站选择设置为0，不考虑边缘计算服务器的计算资源限制，分别计算卸载到不同基站下的初始卸载决策集合；
步骤5：对于多基站覆盖下的用户，利用所述步骤3和所述步骤4获得的初始卸载决策计算出各个基站能分配的平均计算资源，即平均服务模块数，结合用户与各个基站之间的信道增益，选择平均计算资源和信道增益最优的基站进行接入，作出基站选择策略；
步骤6：根据上述获得的用户初始卸载决策以及基站选择策略，依次对每个基站下覆盖用户的卸载决策进行动态调整以满足边缘计算服务器的服务模块数的约束。
步骤7：对每个基站按照步骤6进行执行，直到所用用户都满足MEC服务模块数量的限制，返回所有用户的基站选择方案A，卸载决策方案X，MEC服务模块分配方案C。
优选地，步骤3包括建立对应的拉格朗日函数，采用乘子法求解出相应的初始卸载决策集合。
优选地，步骤4包括建立对应的拉格朗日函数，采用乘子法求解出相应的初始卸载决策集合。
步骤5包括定义基站选择函数为：
Figure PCTCN2021074168-appb-000006
其中，μ表示权重，h i，m表示用户i和基站m之间的信道增益，基站选择函数表示用户终端i卸载任务到基站m能够分配到的服务模块数与用户终端i和基站m之间的信道增益的加权和；对于重叠区域覆盖的用户，分别计算用户i到不同基站的G i，m，对G i，m进行降序排列，选择的第一个值对应的基站作为用户i的目标卸载基站，将用户i到其余基站的选择值设为0，最终可以获得所有用户的基站选择策略。
步骤6还包括：分别计算用户i在单用户情况下解出的卸载决策对应的系统函数值
Figure PCTCN2021074168-appb-000007
以及用户i将初始卸载决策进行修正后得到的系统函数值
Figure PCTCN2021074168-appb-000008
获得它们的差值Q，
Figure PCTCN2021074168-appb-000009
对其进行降序排列，通过初始卸载决策集获得卸载到目标基站的任务数量ζ m，若卸载到目标基站的任务数量ζ m小于目标基站的服务模块数量λ m，则直接返回目标基站下所有用户的卸载决策；若卸载到目标基站的任务数量ζ m大于目标基站的服务模块数量λ m，则根据排列好的Q值，选择第一个用户的卸载决策进行更新，重新计算
Figure PCTCN2021074168-appb-000010
与
Figure PCTCN2021074168-appb-000011
对它们的差值再次进行降序排列，直到ζ m小于λ m，返回一个动态调整后的卸载决策方案X。
有益效果：与现有技术相比，本发明具有如下显著的优点：
(1)本发明方法考虑了边缘云与远端云之间的相互协作，同时考虑到边缘云 的传输时延较短但计算资源有限以及远端云传输时延较长但计算资源丰富的特点，对二者同时考虑以最小化系统执行时延与能耗；
(2)本发明提出的多基站选择卸载的方法考虑了不同小区边缘计算服务器计算资源的丰富度以及用户与该基站之间的信道增益，对基站重叠覆盖区域下的用户选择最优的基站进行接入，在满足边缘服务器计算资源约束的条件下，最大化用户的服务质量，降低任务执行的时延与能耗，对所有用户终端的卸载策略进行最优选择。
附图说明
图1为本发明的流程示意图；
图2为本发明的网络模型示意图；
图3为本发明的效用函数值对比图；
图4为本发明的任务请求完成的时延对比图；
图5为本发明的系统能耗对比图。
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。
本发明方法的应用场景如附图2所示，它由一个远端云节点和多个配置了MEC服务器的基站组成，每个基站覆盖范围内分布了多个用户终端。其中，远端云节点与基站、基站与移动终端设备分别存在一对多的映射关系，终端设备通过无线网络接入到基站，基站可以通过互联网将任务卸载至远端云节点并接受远端云节点响应的计算结果，返回给终端设备。
因为存在部分用户处于多个基站重叠覆盖，在任务处理过程中，用户仅能选择一个基站进行接入。例如附图2中的UE5、UE6可以选择通过基站1或基站2接入。假设有N个用户终端，每个用户一次请求多个任务，这些任务的数据量大小和任务复杂度相同。假设终端i当前有一批任务量为k i的任务需要被执行，用户的每个任务都可以选择在本地执行、卸载到MEC服务器执行或者远端云执行。定义x i表示用户i本地执行的任务数，
Figure PCTCN2021074168-appb-000012
表示卸载至边缘计算服务器的任务数，
Figure PCTCN2021074168-appb-000013
表示卸载至远端云的任务数，则终端i的卸载决策约束为：
Figure PCTCN2021074168-appb-000014
假设有M个基站，每个基站都配备一个MEC服务器，MEC服务器又可分为λ m个服务模块，m＝1，...，M，每个服务模块计算能力相同且同一时间只能处理一个任务。例如，与基站1相连的MEC服务器有λ 1个服务模块，与基站2相连的 MEC服务器有λ 2个服务模块。所有基站中的用户都工作在相同频段，相互之间会有干扰，信道带宽为B。
本发明方法的目标是降低系统的时延和用户终端的能耗。系统的时延包括计算时延和通信时延，计算时延包含本地执行时延、MEC执行的时延以及远端云执行的时延，通信时延包括任务数据从移动端传输到基站的时延以及从基站传输到远端云的时延。终端的功耗包括本地计算能耗和传输能耗，主要包括用户自身计算任务需要消耗的能量以及上传任务数据到基站所需要的能量。
与本地计算相比，将计算任务卸载到MEC或云端进行处理可以降低时延与能耗，但传输任务数据会消耗额外的时延与能耗(即通信时延与能耗)。根据Shann-Hartley定理，用户i到基站m的通信模型可以定义为：
Figure PCTCN2021074168-appb-000015
其中，B表示信道带宽，a i，m表示若用户i选择基站m进行卸载，则a i，m＝1，反之a i，m＝0。
Figure PCTCN2021074168-appb-000016
表示用户i的传输功率，h i，m表示用户i和基站m之间的信道增益，σ 2表示高斯白噪声功率，j∈N\{i}表示除了用户i以外其它用户的集合，
Figure PCTCN2021074168-appb-000017
表示其他用户传输卸载数据对用户i产生的干扰。
将用户终端i的计算任务定义为数组
Figure PCTCN2021074168-appb-000018
其中
Figure PCTCN2021074168-appb-000019
表示任务计算输入数据的大小，D i表示单任务执行所需的CPU周期数，
Figure PCTCN2021074168-appb-000020
表示任务计算后响应数据大小，时延与计算能耗分三种情况进行讨论，那么整个多基站多用户场景下的基站选择、卸载决策和资源分配优化问题可以公式化为：
Figure PCTCN2021074168-appb-000021
Figure PCTCN2021074168-appb-000022
其中，ε表示为权重系数，S表示自然数的集合，f i为用户终端i的计算能力，即单位时间运行CPU周期数，c表示每个CPU周期消耗能量的系数，
Figure PCTCN2021074168-appb-000023
表示用户到目标基站之间的传输时延，f edge为MEC为用户终端i分配的计算资源，f cloud为远端云的计算能力。约束C1表示一个用户最多选择一个基站进行接入，C2表示在本地、MEC和远端云执行的任务数均为正数，C3表示用户终端的k i个任务需要全部执行完成，C4表示卸载到目标基站下MEC服务器处理的任务数不能超过目标基站MEC的服务模块数量，C5表示基站的选择是一个二进制变量，C6表示在不同位置处理的任务数均为自然数。
问题P1中包含的基站选择、卸载决策以及资源分配的解都是正整数解，内部之间相互关联，实际求解十分复杂，是一个NP-hard问题。为了简化求解过程，本发明方法将原始问题P1解耦成单用户情况下的计算卸载机制，采用拉格朗日乘子法进行求解，获得初始的卸载决策。然后，在多用户的场景下，需要考虑基站的选择、用户之间的干扰和MEC计算资源的限制，用户无线传输时的相互干扰以及MEC计算资源的竞争导致多用户的传输时延总大于单用户的传输时延。针对上述单用户的情况下，现在推广至多小区多用户的场景。首先根据用户到基站的信道增益将用户区分为单基站覆盖下的用户，这一类用户不需要进行目标基站的选择，对于重叠覆盖区域的用户，为了能够合理的分配MEC计算资源，需要先对重叠区域用户进行目标卸载基站的选择。对于基站m覆盖下的用户，令a i，m＝1，未被基站m覆盖的用户a i，m＝0。通过单用户场景下求解得到的用户在选择不同基站时的卸载决策，考虑目标基站能为该用户分配的平均服务模块数和用户与目标基站之间的信道增益，本发明定义基站选择函数为：
Figure PCTCN2021074168-appb-000024
其中，μ表示权重，基站选择函数表示用户终端i卸载任务到基站m能够分配 到的服务模块数与用户终端i和基站m之间的信道增益的加权和。对于重叠区域覆盖的用户，分别计算用户i到不同基站的G i，m，对G i，m进行降序排列，选择的第一个值对应的基站作为用户i的目标卸载基站，将用户i到其余基站的选择值设为0，最终可以获得所有用户的基站选择决策A。那么问题P1可以重新描述为：
Figure PCTCN2021074168-appb-000025
此时用户对基站的选择已经完成，然后分别对各个基站进行多用户的任务调度，这仍然是一个混合整数约束优化问题。本发明采用启发式算法对P2进行求解，利用单用户情况下的卸载决策作为初始解，考虑到MEC服务模块数量的限制，对资源冲突用户终端的初始卸载决策进行动态调整以满足MEC服务模块数量的限制。然后引入一个判决函数，利用这个函数来解决MEC服务器计算资源受限的情况，定义为：
Figure PCTCN2021074168-appb-000026
其中，
Figure PCTCN2021074168-appb-000027
表示用户i在单用户情况下解出的卸载决策对应的系统函数值，
Figure PCTCN2021074168-appb-000028
表示用户i将原始卸载决策进行修正后得到的系统函数值。目标是使得整个系统的系统函数最小，在单用户情况下，不用考虑资源的受限，得出的解必定优于多用户场景。因此在多用户场景下，需要找到修正后的卸载决策对系统函数影响最小的情况。那么用两者之差来反映用户终端对MEC服务器计算资源的依赖程度，如果差值越小，则表明对MEC服务器计算资源的依赖程度越低。
最终，基于上述优化问题的发明方法流程如下所示：
1)初始化：基站集用集合{1，...，m，...，M}表示，总数为M，每个基站都配备一个边缘计算(MEC)服务器，MEC服务器又可分为λ m个服务模块，用户集用 {1，...，i，...，N}来表示，总数为N，每个用户包含k i个任务。另外，用
Figure PCTCN2021074168-appb-000029
表示基站的选择策略，
Figure PCTCN2021074168-appb-000030
表示用户的卸载决策，
Figure PCTCN2021074168-appb-000031
表示MEC服务模块分配策略；
2)每个用户根据与各个基站之间的信道增益进行区域划分，划分为单基站覆盖下的用户和多基站重叠覆盖下的用户，对于单基站覆盖下的用户，显然只能卸载到一个基站，而对于重叠覆盖区域的用户，则需要选择基站进行接入；
3)如果用户i只被基站m所覆盖，则用户i对于基站m的选择a i，m＝1，对于其它基站的选择设置为0。然后假设MEC服务模块数量无约束，建立对应的拉格朗日函数，采用乘子法求解出相应的初始卸载决策集合；
4)如果用户i被多个基站所覆盖，则用户对于这些基站的选择设置为1，对于其它不相关的基站选择设置为0。然后假设MEC服务模块数量无约束，建立对应的拉格朗日函数，分别计算卸载到不同基站下的卸载决策集合；
5)对于多基站覆盖下的用户，利用步骤3和步骤4获得的初始卸载决策计算出各个基站能够分配的平均计算资源，然后考虑目标用户与各个基站之间的信道增益，选择计算资源和信道增益最优的基站进行接入，对于其它的基站选择就设置为0；
6)根据上述获得的用户初始卸载决策以及基站选择策略，接下来依次对每个基站下覆盖用户的卸载决策进行动态调整以满足MEC服务模块的约束。分别计算用户i在单用户情况下解出的卸载决策对应的系统函数值
Figure PCTCN2021074168-appb-000032
以及用户i将原始卸载决策进行修正后得到的系统函数值
Figure PCTCN2021074168-appb-000033
获得它们的差值Q，对其进行降序排列。然后通过初始卸载决策集获得卸载到目标基站的任务数量ζ m；
7)若卸载到目标基站的任务数量ζ m小于目标基站的服务模块数量λ m，则直接返回目标基站下所有用户的卸载决策；若卸载到目标基站的任务数量ζ m大于目标基站的服务模块数量λ m，则根据排列好的Q值，选择第一个用户的卸载决策进行更新，重新计算
Figure PCTCN2021074168-appb-000034
与
Figure PCTCN2021074168-appb-000035
对它们的差值进行降序排列，直到ζ m小于λ m，返回一个动态调整后的卸载决策；
8)对每个基站按照步骤7进行执行，直到所用用户都满足MEC服务模块数量的限制，返回所有用户的基站选择方案A，卸载决策方案X，MEC服务模块 分配方案C。
本发明在联合边缘云与远端云的一种分层网络架构下，讨论了多用户多任务场景下的用户任务调度以及MEC计算资源分配，同时还考虑了多基站覆盖下用户的基站选择问题。提出了以最小化用户端的时延与能耗为目标的优化问题，然后将多用户场景解耦为单用户多任务卸载场景，设计了基于乘子法的用户卸载决策机制。利用单用户下求解的卸载决策以及信道增益情况对多基站覆盖下的用户进行卸载目标基站选择。然后考虑到多用户场景下信道资源与计算资源的限制，提出了一种次优的迭代启发式算法对单用户场景下求得的解进行动态修正。得到的结果在系统性能方面优于局部卸载的方法。
如附图3所示，本发明提出的方法在用户效用函数值上要比另外四种算法好；附图4中给出了五种方法在时延方面的对比情况；附图5是五种方法在能耗方面的对比情况。综合附图3、附图4和附图5可知，本发明方法要明显优于其它四种对比算法，随着用户数量的不断增加，对资源的需求就越来越高；本发明方法可以让多任务同时在不同的服务器进行计算，大大减小任务之间的计算等待时间，能够在通信资源与计算资源有限的情况下，有效的降低用户终端的效用函数值。在边缘计算资源有限的情况下，依据本发明方法可以在较低复杂度的前提下，对边缘服务器的计算资源进行一个合理的分配。

Claims (5)

  1. 一种移动用户计算任务的卸载方法，其特征在于，包括如下步骤：
    步骤1：初始化：基站集用集合{1，...，m，...，M}表示，总数为M，每个基站都配备一个边缘计算服务器，边缘计算服务器又可分为λ m个服务模块，用户集用{1，...，i，...，N}来表示，总数为N，每个用户包含k i个任务；用
    Figure PCTCN2021074168-appb-100001
    表示基站的选择策略集合，其中，a i，m表示若用户i选择基站m进行卸载，则a i，m＝1，否则a i，m＝0；
    Figure PCTCN2021074168-appb-100002
    表示用户的卸载决策集合，其中，x i表示用户i本地执行的任务数，
    Figure PCTCN2021074168-appb-100003
    表示卸载至边缘服务器的任务数，
    Figure PCTCN2021074168-appb-100004
    表示卸载至远端云的任务数；
    Figure PCTCN2021074168-appb-100005
    表示边缘计算服务器的服务模块分配策略集合；
    步骤2：根据每个用户与各个基站之间的信道增益进行区域划分，划分为单基站覆盖下的用户和多基站重叠覆盖下的用户，对于单基站覆盖下的用户，用户任务只能卸载到一个目标基站，而对于重叠覆盖区域的用户，需要选择基站进行接入；
    步骤3：如果用户i只被基站m所覆盖，则用户i对于基站m的选择a i，m＝1，对于其它基站的选择设置为0，不考虑边缘计算服务器的计算资源限制，即边缘计算服务器的服务模块数量无约束，计算各个基站能够分配的服务模块数，作出初始卸载决策集合；
    步骤4：如果用户i被多个基站所覆盖，则用户对于这些基站的选择设置为1，对于其它不相关的基站选择设置为0，不考虑边缘计算服务器的计算资源限制，分别计算卸载到不同基站下的初始卸载决策集合；
    步骤5：对于多基站覆盖下的用户，利用所述步骤3和所述步骤4获得的初始卸载决策计算出各个基站能分配的平均计算资源，即平均服务模块数，结合用户与各个基站之间的信道增益，选择平均计算资源和信道增益最优的基站进行接入，作出基站选择策略；
    步骤6：根据上述获得的用户初始卸载决策以及基站选择策略，依次对每个基站下覆盖用户的卸载决策进行动态调整以满足边缘计算服务器的服务模块数的约束；
    步骤7：对每个基站按照步骤6进行执行，直到所用用户都满足MEC服务模块数量的限制，返回所有用户的基站选择方案A，卸载决策方案X，MEC服务模块分配方案C。
  2. 根据权利要求1所述的移动用户计算任务的卸载方法，其特征在于，所述步骤3包括建立对应的拉格朗日函数，采用乘子法求解出相应的初始卸载决策集合。
  3. 根据权利要求1所述的移动用户计算任务的卸载方法，其特征在于，所述步骤4包括建立对应的拉格朗日函数，采用乘子法求解出相应的初始卸载决策集合。
  4. 根据权利要求1所述的移动用户计算任务的卸载方法，其特征在于，所述步骤5包括定义基站选择函数为：
    Figure PCTCN2021074168-appb-100006
    其中，μ表示权重，h i，m表示用户i和基站m之间的信道增益，基站选择函数表示用户终端i卸载任务到基站m能够分配到的服务模块数与用户终端i和基站m之间的信道增益的加权和；对于重叠区域覆盖的用户，分别计算用户i到不同基站的G i，m，对G i，m进行降序排列，选择的第一个值对应的基站作为用户i的目标卸载基站，将用户i到其余基站的选择值设为0，最终可以获得所有用户的基站选择策略。
  5. 根据权利要求1所述的移动用户计算任务的卸载方法，其特征在于，所述步骤6包括：分别计算用户i在单用户情况下解出的卸载决策对应的系统函数值
    Figure PCTCN2021074168-appb-100007
    以及用户i将初始卸载决策进行修正后得到的系统函数值
    Figure PCTCN2021074168-appb-100008
    获得它们的差值Q，
    Figure PCTCN2021074168-appb-100009
    对其进行降序排列，通过初始卸载决策集获得卸载到目标基站的任务数量ζ m，若卸载到目标基站的任务数量ζ m小于目标基站的服务模块数量λ m，则直接返回目标基站下所有用户的卸载决策；若卸载到目标基站的任务数量ζ m大于目标基站的服务模块数量λ m，则根据排列好的Q值，选择第一个用户的卸载决策进行 更新，重新计算
    Figure PCTCN2021074168-appb-100010
    与
    Figure PCTCN2021074168-appb-100011
    对它们的差值再次进行降序排列，直到ζ m小于λ m，返回一个动态调整后的卸载决策方案X。
PCT/CN2021/074168 2020-12-07 2021-01-28 一种移动用户计算任务的卸载方法 WO2022121097A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011420225.4 2020-12-07
CN202011420225.4A CN112492626B (zh) 2020-12-07 2020-12-07 一种移动用户计算任务的卸载方法

Publications (1)

Publication Number Publication Date
WO2022121097A1 true WO2022121097A1 (zh) 2022-06-16

Family

ID=74940331

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/074168 WO2022121097A1 (zh) 2020-12-07 2021-01-28 一种移动用户计算任务的卸载方法

Country Status (2)

Country Link
CN (1) CN112492626B (zh)
WO (1) WO2022121097A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115037591A (zh) * 2022-08-15 2022-09-09 河海大学 一种基于交换服务及边缘计算的物联网信息融合方法
CN115134366A (zh) * 2022-06-28 2022-09-30 山东海量信息技术研究院 一种移动边缘分发网络服务器放置方法及系统
CN115134364A (zh) * 2022-06-28 2022-09-30 西华大学 基于o-ran物联网系统的节能计算卸载系统及方法
CN115208894A (zh) * 2022-07-26 2022-10-18 福州大学 移动边缘计算中基于Stackelberg博弈的定价与计算卸载方法
CN115226130A (zh) * 2022-07-14 2022-10-21 中国人民解放军国防科技大学 基于公平性感知的多无人机数据卸载方法及相关设备
CN115242838A (zh) * 2022-07-20 2022-10-25 重庆交通大学 一种车载边缘计算中服务协同卸载的方法
CN115243303A (zh) * 2022-07-25 2022-10-25 中国人民解放军63891部队 用于频谱监测的边缘计算设备的部署方法、系统以及介质
CN115277567A (zh) * 2022-06-29 2022-11-01 北京科技大学 一种智能反射面辅助的车联网多mec卸载方法
CN115277789A (zh) * 2022-08-26 2022-11-01 中国长江三峡集团有限公司 一种梯级水电站安全防护系统及方法
CN116112976A (zh) * 2022-12-20 2023-05-12 暨南大学 设备计算迁移方法、装置、设备及存储介质
CN117376985A (zh) * 2023-12-08 2024-01-09 吉林大学 莱斯信道下多无人机辅助mec任务卸载的能效优化方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220311B (zh) * 2021-04-15 2022-09-16 南京邮电大学 一种移动感知的云边端协同应用卸载方法、系统及其存储介质
CN113225672B (zh) * 2021-04-22 2022-01-28 湖南师范大学 一种支持移动用户的基站选择方法
CN113286317B (zh) * 2021-04-25 2023-07-28 南京邮电大学 一种基于无线供能边缘网络的任务调度方法
CN113296941B (zh) * 2021-05-12 2023-10-24 广州中国科学院沈阳自动化研究所分所 一种基于多边缘计算的缓存任务调度方法及装置
CN113364860B (zh) * 2021-06-03 2022-06-24 吉林大学 一种mec中联合计算资源分配和卸载决策的方法及系统
CN113747449A (zh) * 2021-07-26 2021-12-03 山东师范大学 多接入边缘计算服务器的区域池划分方法及系统
CN113986370B (zh) * 2021-09-28 2023-08-25 湖南大学 移动边缘计算系统的基站选择与任务卸载方法、装置、设备和介质
CN113934472B (zh) * 2021-12-16 2022-03-01 江西师范大学 任务卸载方法、装置、设备及存储介质
CN114466356B (zh) * 2022-01-29 2022-10-14 重庆邮电大学 一种基于数字孪生的任务卸载边缘服务器选择方法
CN116320354B (zh) * 2023-01-16 2023-09-29 浙江大学 360度虚拟现实视频用户接入控制系统及控制方法
CN116781788B (zh) * 2023-08-24 2023-11-17 清华大学 服务决策方法以及服务决策装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109756912A (zh) * 2019-03-25 2019-05-14 重庆邮电大学 一种多用户多基站联合任务卸载及资源分配方法
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 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
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111641486B (zh) * 2015-02-23 2023-06-16 瑞典爱立信有限公司 向用户设备分配导频信号的技术
CN109286664A (zh) * 2018-09-14 2019-01-29 嘉兴学院 一种基于拉格朗日的计算迁移终端能耗优化方法
CN110719641B (zh) * 2019-10-15 2022-08-26 南京邮电大学 边缘计算中用户卸载与资源分配联合优化方法
CN111328065B (zh) * 2020-03-03 2022-11-01 深圳清华大学研究院 基于动态规划的5g云接入网移动性协作管理方法
CN111372314A (zh) * 2020-03-12 2020-07-03 湖南大学 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN111818168B (zh) * 2020-06-19 2022-05-03 重庆邮电大学 一种车联网中自适应联合计算卸载与资源分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 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
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN109756912A (zh) * 2019-03-25 2019-05-14 重庆邮电大学 一种多用户多基站联合任务卸载及资源分配方法
CN111447619A (zh) * 2020-03-12 2020-07-24 重庆邮电大学 一种移动边缘计算网络中联合任务卸载和资源分配方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115134364B (zh) * 2022-06-28 2023-06-16 西华大学 基于o-ran物联网系统的节能计算卸载系统及方法
CN115134366A (zh) * 2022-06-28 2022-09-30 山东海量信息技术研究院 一种移动边缘分发网络服务器放置方法及系统
CN115134364A (zh) * 2022-06-28 2022-09-30 西华大学 基于o-ran物联网系统的节能计算卸载系统及方法
CN115134366B (zh) * 2022-06-28 2024-03-15 山东海量信息技术研究院 一种移动边缘分发网络服务器放置方法及系统
CN115277567B (zh) * 2022-06-29 2024-01-16 北京科技大学 一种智能反射面辅助的车联网多mec卸载方法
CN115277567A (zh) * 2022-06-29 2022-11-01 北京科技大学 一种智能反射面辅助的车联网多mec卸载方法
CN115226130B (zh) * 2022-07-14 2024-04-19 中国人民解放军国防科技大学 基于公平性感知的多无人机数据卸载方法及相关设备
CN115226130A (zh) * 2022-07-14 2022-10-21 中国人民解放军国防科技大学 基于公平性感知的多无人机数据卸载方法及相关设备
CN115242838A (zh) * 2022-07-20 2022-10-25 重庆交通大学 一种车载边缘计算中服务协同卸载的方法
CN115242838B (zh) * 2022-07-20 2024-03-15 重庆交通大学 一种车载边缘计算中服务协同卸载的方法
CN115243303A (zh) * 2022-07-25 2022-10-25 中国人民解放军63891部队 用于频谱监测的边缘计算设备的部署方法、系统以及介质
CN115243303B (zh) * 2022-07-25 2024-05-07 中国人民解放军63891部队 用于频谱监测的边缘计算设备的部署方法、系统以及介质
CN115208894A (zh) * 2022-07-26 2022-10-18 福州大学 移动边缘计算中基于Stackelberg博弈的定价与计算卸载方法
CN115208894B (zh) * 2022-07-26 2023-10-13 福州大学 移动边缘计算中基于Stackelberg博弈的定价与计算卸载方法
CN115037591A (zh) * 2022-08-15 2022-09-09 河海大学 一种基于交换服务及边缘计算的物联网信息融合方法
CN115037591B (zh) * 2022-08-15 2022-11-08 河海大学 一种基于交换服务及边缘计算的物联网信息融合方法
CN115277789B (zh) * 2022-08-26 2024-03-26 中国长江三峡集团有限公司 一种梯级水电站安全防护系统及方法
CN115277789A (zh) * 2022-08-26 2022-11-01 中国长江三峡集团有限公司 一种梯级水电站安全防护系统及方法
CN116112976B (zh) * 2022-12-20 2024-05-03 暨南大学 设备计算迁移方法、装置、设备及存储介质
CN116112976A (zh) * 2022-12-20 2023-05-12 暨南大学 设备计算迁移方法、装置、设备及存储介质
CN117376985A (zh) * 2023-12-08 2024-01-09 吉林大学 莱斯信道下多无人机辅助mec任务卸载的能效优化方法
CN117376985B (zh) * 2023-12-08 2024-03-19 吉林大学 莱斯信道下多无人机辅助mec任务卸载的能效优化方法

Also Published As

Publication number Publication date
CN112492626A (zh) 2021-03-12
CN112492626B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
WO2022121097A1 (zh) 一种移动用户计算任务的卸载方法
CN111447619B (zh) 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN111930436B (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
Wang et al. Mobility-aware task offloading and migration schemes in fog computing networks
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN110087318B (zh) 基于5g移动边缘计算的任务卸载和资源分配联合优化方法
CN111586696B (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
CN111132191B (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
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
Wang et al. A probability preferred priori offloading mechanism in mobile edge computing
Zhang et al. Resource allocation in terrestrial-satellite-based next generation multiple access networks with interference cooperation
Xia et al. Data, user and power allocations for caching in multi-access edge computing
CN112105062B (zh) 时敏条件下移动边缘计算网络能耗最小化策略方法
CN109194763B (zh) 一种超密集网络中基于小型基站自组织协作的缓存方法
CN112000481B (zh) 一种d2d-mec系统计算能力最大化的任务卸载方法
CN109756912B (zh) 一种多用户多基站联合任务卸载及资源分配方法
CN111182570A (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN113286317B (zh) 一种基于无线供能边缘网络的任务调度方法
Zhao et al. Task proactive caching based computation offloading and resource allocation in mobile-edge computing systems
CN112888002A (zh) 一种基于博弈论的移动边缘计算任务卸载及资源分配方法
CN112118287A (zh) 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法
CN111475274A (zh) 云协同多任务调度方法及装置
Deng et al. Throughput maximization for multiedge multiuser edge computing systems
CN112738185A (zh) 基于非正交多址的边缘计算系统控制联合优化方法及应用

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21901816

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21901816

Country of ref document: EP

Kind code of ref document: A1