CN110472301B - 一种基于多源-多中继设备的能耗优化方法 - Google Patents

一种基于多源-多中继设备的能耗优化方法 Download PDF

Info

Publication number
CN110472301B
CN110472301B CN201910677702.6A CN201910677702A CN110472301B CN 110472301 B CN110472301 B CN 110472301B CN 201910677702 A CN201910677702 A CN 201910677702A CN 110472301 B CN110472301 B CN 110472301B
Authority
CN
China
Prior art keywords
task
energy consumption
completion
edge server
source
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
Application number
CN201910677702.6A
Other languages
English (en)
Other versions
CN110472301A (zh
Inventor
姚棉阳
武继刚
陈龙
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910677702.6A priority Critical patent/CN110472301B/zh
Publication of CN110472301A publication Critical patent/CN110472301A/zh
Application granted granted Critical
Publication of CN110472301B publication Critical patent/CN110472301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Small-Scale Networks (AREA)

Abstract

本发明涉及一种基于多源‑多中继设备的能耗优化方法，在本发明中，边缘服务器会对不同的任务进行考虑，在确保源设备上的任务可以在时间限制内完成的情况下，尽量选择能耗小的计算方式，并且通过合理的源‑中继设备对分配，降低源设备和中继设备的总能耗，此外，不同的源‑中继设备对分配的选择可以使架构下计算资源最大化利用，最大化的降低源设备、中继设备的总能耗，同时使得架构下的源设备可以尽可能的在时间条件下完成任务，有效地提高空闲设备的计算资源的利用率、优化架构总能耗、提高了架构的性能、降低任务延迟计算概率、同时实现了多计算任务并行处理。

Description

一种基于多源-多中继设备的能耗优化方法
技术领域
本发明涉及通信领域，更具体地，涉及一种基于多源-多中继设备的能耗优化方法。
背景技术
移动设备对于解决复杂应用计算的需求不断提高。但是移动设备的体积小，意味着它的计算能力有限，如何能够及时完成复杂应用的计算还需要面临一些挑战。第一是当多个中继共同存在时，低效的分配方式可能带来更大的能耗。第二是不同的任务完成方式有不同的能耗，不同的任务完成方式会带来额外的复杂性，如何从不同的任务完成模式中选择最佳方式，以达到能源的优化，这需要良好的分配方式。为了解决这些问题，可以考虑将边缘服务器作为一个决策者，联合多个中继设备，确定分配方式和计算方式。最近许多工作表明，协同计算可以进一步提高移动设备的能源性能。
边缘服务器作为决策者，可以为周边的源设备分配相应的中继，决定计算方式，从而减小源设备的能量消耗，提高架构下的整体性能，解决通信延迟。现有的研究只考虑了一个源设备，一个中继设备，一个边缘服务器的基础模型，而这个基础模型并不适应现实生活中多源设备、多中继设备的情况。
发明内容
为了解决现有技术中对于边缘服务器的研究模型只考虑了一个源设备，一个中继设备以及一个边缘服务器的不足，本发明提供了一种基于多源-多中继设备的能耗优化方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于多源-多中继设备的能耗优化方法，包括以下步骤：
步骤S1：边缘服务器为所有源设备上的任务选择一种任务完成的方式，任务完成的方式包括本地计算以及边缘计算两种；
步骤S2：边缘服务器为完成任务的源设备-中继设备配对选择任务计算方式并求出计算方式矩阵以及能耗矩阵；任务完成方式包括中继计算以及协同计算两种；
步骤S3：边缘服务器计算能耗矩阵的最佳带权匹配，根据任务方式矩阵以及能耗矩阵的最佳带权匹配求得该任务的完成方式；
步骤S4：边缘服务器将任务计算方式、源设备与中继设备匹配结果发送到各源设备中。
优选的，在步骤S1中，定义si(i∈{1,2,…,N})为第i个源设备，其中N为源设备的数量；定义rj(j∈{1,2,…,M})为第j个中继设备，其中M为中继设备的数量；定义源设备si上有一个任务Ti，任务Ti的数据量大小为Wi；边缘服务器为所有源设备
Figure BDA0002143814420000021
上的任务Ti从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式wayi。
优选的，任务Ti为不可分任务，即任务Ti无法分成多个子任务在不同设备上并行执行。
优选的，在步骤S1中，任务Ti从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式wayi的具体方式如下：
步骤S1.1：本地计算方式为源设备si上的任务Ti在源设备si自身完成，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000022
其中Di是完成任务Ti所需要的CPU周期数，fi l为源设备si上的CPU频率，其单位是Hz；该方式下完成任务Ti的能耗为：
Figure BDA0002143814420000023
其中
Figure BDA0002143814420000024
为源设备si上CPU的有效电容系数，为一个远小于1的正数，其单位为J/bit；
步骤S1.2：边缘计算方式是源设备si上的任务Ti通过中继设备发送到边缘服务器
Figure BDA0002143814420000025
并由边缘服务器
Figure BDA0002143814420000026
完成任务Ti，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000031
其中Wi为任务Ti的数据量大小，其单位为bit，
Figure BDA0002143814420000032
为源设备si的传输功率，单位为w，Bi为源设备si拥有的带宽，其单位为Hz，α为该边缘计算架构下的路径损耗常数，
Figure BDA00021438144200000313
为边缘服务器
Figure BDA0002143814420000033
作为接收端时的噪音功率，其单位为w，
Figure BDA0002143814420000034
为si和边缘服务器
Figure BDA0002143814420000035
的欧式距离，其单位为m，
Figure BDA0002143814420000036
为边缘服务器
Figure BDA0002143814420000037
上的CPU频率，其单位为Hz，该方式下完成此任务Ti所需能耗为：
Figure BDA0002143814420000038
步骤S1.3：首先设定Eni＝max，其中max表示能耗最大，表示无法通过此计算方式完成任务Ti；
步骤S1.4：当
Figure BDA0002143814420000039
其中Ψ为完成任务Ti的最大时间，任务Ti将以本地计算方式完成，即wayi＝localComp，能耗Eni＝Eli；
步骤S1.5：当
Figure BDA00021438144200000310
且EDi<Eni，任务Ti将通过边缘计算方式完成，即wayi＝edgeComp，能耗Eni＝EDi。
优选的，步骤S2的具体步骤如下：
步骤S2.1：中继计算方式为源设备si上的任务Ti通过无线传输发送到中继设备rj并由中继设备rj完成任务Ti，该方式下完成任务Ti所需时间为：
Figure BDA00021438144200000311
其中σj为中继设备rj作为接收端时的噪音功率，其单位为w，
Figure BDA00021438144200000312
为si和rj之间的欧式距离，其单位为m，
Figure BDA0002143814420000041
为中继设备rj上的CPU频率，其单位是Hz，该方式下完成任务Ti的能耗为：
Figure BDA0002143814420000042
其中
Figure BDA0002143814420000043
为中继设备rj上CPU的有效电容系数，其单位是J/bit；
步骤S2.2：协同计算方式为源设备si采用解码重传方式通过中继设备rj将任务Ti发送到边缘服务器
Figure BDA0002143814420000044
并由边缘服务器
Figure BDA0002143814420000045
完成，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000046
其中
Figure BDA0002143814420000047
为中继设备rj和边缘服务器
Figure BDA00021438144200000416
的欧式距离，其单位为m，
Figure BDA0002143814420000048
为中继设备rj的传输功率，其单位为w，
Figure BDA0002143814420000049
为si在协同计算模式下通过rj的传输功率，其单位为w，该方式下完成任务Ti的能耗为：
Figure BDA00021438144200000410
步骤S2.3：初始化计算方式矩阵tWay[i][j]、能耗矩阵E[i][j]，使得E[i][j]＝Eni,j∈{1,2,…,M}；
步骤S2.4：当
Figure BDA00021438144200000411
且
Figure BDA00021438144200000412
任务Ti选择中继计算方式，即tWay[i][j]＝relayComp，能耗
Figure BDA00021438144200000413
步骤S2.5：当同时满足
Figure BDA00021438144200000414
和
Figure BDA00021438144200000415
时，任务Ti选择协同计算方式，即tWay[i][j]＝jointCooperation，能耗
Figure BDA0002143814420000051
优选的，步骤S3中边缘服务器
Figure BDA0002143814420000052
将形成的将能耗矩阵E[i][j]中的各个元素变为其相反数，通过Kuhn-Munkres算法求出矩阵E[i][j]的最优带权匹配matchi，具体步骤如下：
步骤S3.1：边缘服务器
Figure BDA0002143814420000053
通过一个循环从i＝1,2,…,N进行如下操作：
通过一个循环对E[i][j],j＝1,2,…,M的各个元素，变为其相反数；
步骤S3.2：边缘服务器
Figure BDA0002143814420000055
对能耗矩阵E[i][j]使用Kuhn-Munkres算法，得到最大权重匹配mi；
步骤S3.3：由于步骤S3.1中将能耗矩阵E[i][j]中的各个元素变为其相反数；因此最后的匹配结果为最小权重匹配；其中mi的相关信息为：
Figure BDA0002143814420000054
其中，对于mi≠0，更新Eni＝-E[i][mi]以及wayi＝tWay[i][mi]；可知，wayi为源设备si上任务Ti的完成方式，采用该方式完成任务Ti的能耗为Eni。
与现有技术相比，本发明技术方案的有益效果是：
本发明中边缘服务器会对不同的任务进行考虑，在确保任务可以在时间限制内完成的情况下，尽量选择能耗小的计算方式，并且通过合理的源-中继设备对分配，降低***的能耗，此外，不同的源-中继设备对分配的选择可以使架构下资源最大化利用，最大化的降低架构的总能耗，同时使得架构下的源设备可以尽可能的在时间条件下完成任务，有效地提高空闲设备的计算资源的利用率、优化架构总能耗、提高了架构的性能、降低任务延迟计算概率、同时实现了多计算任务并行处理。
附图说明
图1为本发明的流程图。
图2为本发明的方法模型图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1、图2所示，一种基于多源-多中继设备的能耗优化方法，包括以下步骤：
步骤S1：边缘服务器为所有源设备上的任务选择一种任务完成的方式，任务完成的方式包括本地计算以及边缘计算两种；
步骤S2：边缘服务器为完成任务的源设备-中继设备配对选择任务计算方式并求出计算方式矩阵以及能耗矩阵；任务完成方式包括中继计算以及协同计算两种；
步骤S3：边缘服务器计算能耗矩阵的最佳带权匹配，根据任务方式矩阵以及能耗矩阵的最佳带权匹配求得该任务的完成方式；
步骤S4：边缘服务器将任务计算方式、源设备与中继设备匹配结果发送到各源设备中。
作为一个优选的实施例，在步骤S1中，定义si(i∈{1,2,…,N})为第i个源设备，其中N为源设备的数量；定义rj(j∈{1,2,…,M})为第j个中继设备，其中M为中继设备的数量；定义源设备si上有一个任务Ti，任务Ti的数据量大小为Wi；边缘服务器为所有源设备
Figure BDA0002143814420000061
上的任务Ti从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式wayi。
作为一个优选的实施例，任务Ti为不可分任务，即任务Ti无法分成多个子任务在不同设备上并行执行。
作为一个优选的实施例，在步骤S1中，任务Ti从本地计算、边缘计算两种任务计算方式选择一种作为默认的任务计算方式wayi的具体方式如下：
步骤S1.1：本地计算方式为源设备si上的任务Ti在源设备si自身完成，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000071
其中Di是完成任务Ti所需要的CPU周期数，fi l为源设备si上的CPU频率，其单位是Hz；该方式下完成任务Ti的能耗为：
Figure BDA0002143814420000072
其中
Figure BDA0002143814420000073
为源设备si上CPU的有效电容系数，为一个远小于1的正数，其单位为J/bit；
步骤S1.2：边缘计算方式是源设备si上的任务Ti通过中继设备发送到边缘服务器
Figure BDA0002143814420000074
并由边缘服务器
Figure BDA0002143814420000075
完成任务Ti，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000076
其中Wi为任务Ti的数据量大小，其单位为bit，
Figure BDA0002143814420000077
为源设备si的传输功率，单位为w，Bi为源设备si拥有的带宽，其单位为Hz，α为该边缘计算架构下的路径损耗常数，
Figure BDA00021438144200000715
为边缘服务器
Figure BDA0002143814420000078
作为接收端时的噪音功率，其单位为w，
Figure BDA0002143814420000079
为si和边缘服务器
Figure BDA00021438144200000710
的欧式距离，其单位为m，
Figure BDA00021438144200000711
为边缘服务器
Figure BDA00021438144200000712
上的CPU频率，其单位为Hz，该方式下完成此任务Ti所需能耗为：
Figure BDA00021438144200000713
步骤S1.3：首先设定Eni＝max，其中max表示能耗最大，表示无法通过此计算方式完成任务Ti；
步骤S1.4：当
Figure BDA00021438144200000714
其中Ψ为完成任务Ti的最大时间，任务Ti将以本地计算方式完成，即wayi＝localComp，能耗Eni＝Eli；
步骤S1.5：当
Figure BDA0002143814420000081
且EDi<Eni，任务Ti将通过边缘计算方式完成，即wayi＝edgeComp，能耗Eni＝EDi。
作为一个优选的实施例，步骤S2的具体步骤如下：
步骤S2.1：中继计算方式为源设备si上的任务Ti通过无线传输发送到中继设备rj并由中继设备rj完成任务Ti，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000082
其中σj为中继设备rj作为接收端时的噪音功率，其单位为w，
Figure BDA0002143814420000083
为si和rj之间的欧式距离，其单位为m，
Figure BDA0002143814420000084
为中继设备rj上的CPU频率，其单位是Hz，该方式下完成任务Ti的能耗为：
Figure BDA0002143814420000085
其中
Figure BDA0002143814420000086
为中继设备rj上CPU的有效电容系数，其单位是J/bit；
步骤S2.2：协同计算方式为源设备si采用解码重传方式通过中继设备rj将任务Ti发送到边缘服务器
Figure BDA0002143814420000087
并由边缘服务器
Figure BDA0002143814420000088
完成，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000089
其中
Figure BDA00021438144200000810
为中继设备rj和边缘服务器
Figure BDA00021438144200000811
的欧式距离，其单位为m，
Figure BDA00021438144200000812
为中继设备rj的传输功率，其单位为w，
Figure BDA0002143814420000091
为si在协同计算模式下通过rj的传输功率，其单位为w，该方式下完成任务Ti的能耗为：
Figure BDA0002143814420000092
步骤S2.3：初始化计算方式矩阵tWay[i][j]、能耗矩阵E[i][j]，使得E[i][j]＝Eni,j∈{1,2,…,M}；
步骤S2.4：当
Figure BDA0002143814420000093
且
Figure BDA0002143814420000094
任务Ti选择中继计算方式，即tWay[i][j]＝relayComp，能耗
Figure BDA0002143814420000095
步骤S2.5：当同时满足
Figure BDA0002143814420000096
和
Figure BDA0002143814420000097
时，任务Ti选择协同计算方式，即tWay[i][j]＝jointCooperation，能耗
Figure BDA0002143814420000098
作为一个优选的实施例，步骤S3中边缘服务器
Figure BDA0002143814420000099
将形成的将能耗矩阵E[i][j]中的各个元素变为其相反数，通过Kuhn-Munkres算法求出矩阵E[i][j]的最优带权匹配matchi，具体步骤如下：
步骤S3.1：边缘服务器
Figure BDA00021438144200000910
通过一个循环从i＝1,2,…,N进行如下操作：
通过一个循环对E[i][j],j＝1,2,…,M的各个元素，变为其相反数；
步骤S3.2：边缘服务器
Figure BDA00021438144200000911
对能耗矩阵E[i][j]使用Kuhn-Munkres算法，得到最大权重匹配mi；
步骤S3.3：由于步骤S3.1中将能耗矩阵E[i][j]中的各个元素变为其相反数；因此最后的匹配结果为最小权重匹配；其中mi的相关信息为：
Figure BDA00021438144200000912
其中，对于mi≠0，更新Eni＝-E[i][mi]以及wayi＝tWay[i][mi]；可知，wayi为源设备si上任务Ti的完成方式，采用该方式完成任务Ti的能耗为Eni。
实施例2
如图2所示，为本实施例的算法模型图。用户的源设备上的任务可以在源设备本身执行，可以卸载到中继设备执行，可以直接卸载到边缘服务器上执行，或者可以基于DF方式传送到边缘服务器进行执行。
具体的算法流程如图1所示，为本实施例的具体算法流程图。
边缘服务器作为架构下的一个中央控制者，控制整个架构的任务迁移策略、执行策略，定义源设备的集合为S，S中每一个元素定义为si且i∈{1,2,…,N}，N为源设备总数，定义Ti为si上的不可分任务，定义Wi为Ti的数据量，对用户si的任务Ti进行评估，确定默认计算方式wayi及初始能耗Energyi；相关过程如下：
步骤一，为每个源设备si上的任务Ti，从本地计算模式和直接边缘计算模式中选择默认任务完成方式wayi，具体步骤为：
S1.1：初始化每个源设备的能耗Ei，使得Eni＝max，本地计算模式是任务Ti直接在源设备si本身完成，任务完成时间为
Figure BDA0002143814420000101
其中Di是完成源设备si上的任务Ti所需要的CPU周期数，fi local为源设备si的CPU频率；以本地计算模式完成该任务的能耗为
Figure BDA0002143814420000102
其中
Figure BDA0002143814420000103
为源设备si上CPU的有效电容系数；直接边缘计算模式是源设备si上的任务Ti直接发送到边缘服务器上，并由其完成，该模式下完成时间为
Figure BDA0002143814420000104
其中
Figure BDA0002143814420000105
为源设备si的传输功率，Bi为源设备si所拥有的带宽，α为整个架构***下的路径损耗，σedge为边缘服务器接收端的噪音功率，
Figure BDA0002143814420000106
为si和边缘服务器的欧式距离，Di为源设备si上的任务Ti的数据量大小，fedge为边缘服务器的CPU频率，该模式下完成此任务的能耗为
Figure BDA0002143814420000111
S1.2：当Ti local≤Ψ，Ψ为任务Ti的完成时间限制，这个任务Ti将选择本地计算模式，即wayi＝localComputing，计算能耗Eni＝Eli；
S1.3：当Ti 3≤Ψ且
Figure BDA0002143814420000112
这个任务Ti将选择直接边缘计算模式，即wayi＝directEdgeComputing，计算能耗
Figure BDA0002143814420000113
步骤二，边缘服务器筛选各个可用的源-中继对的计算方式tempWayi,j并形成能耗矩阵E[i][j]，其中能耗矩阵E[i][j]为步骤S4的匹配所使用，具体步骤为：
步骤S2.1：中继计算方式为源设备si上的任务Ti通过无线传输发送到中继设备rj并由中继设备rj完成任务Ti，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000114
其中σj为中继设备rj作为接收端时的噪音功率，
Figure BDA0002143814420000115
为si和rj之间的欧式距离，
Figure BDA0002143814420000116
为中继设备rj上的CPU频率，该方式下完成任务Ti的能耗为：
Figure BDA0002143814420000117
其中
Figure BDA0002143814420000118
为中继设备rj上CPU的有效电容系数；
步骤S2.2：协同计算方式为源设备si采用解码重传方式通过中继设备rj将任务Ti发送到边缘服务器
Figure BDA0002143814420000119
并由边缘服务器
Figure BDA00021438144200001110
完成，该方式下完成任务Ti所需时间为：
Figure BDA0002143814420000121
其中
Figure BDA0002143814420000122
为中继设备rj和边缘服务器
Figure BDA0002143814420000123
的欧式距离，
Figure BDA0002143814420000124
为中继设备rj的传输功率，
Figure BDA0002143814420000125
为si在协同计算模式下通过rj的传输功率，该方式下完成任务Ti的能耗为：
Figure BDA0002143814420000126
步骤S2.3：初始化计算方式矩阵tWay[i][j]、能耗矩阵E[i][j]，使得E[i][j]＝Eni,j∈{1,2,…,M}；
步骤S2.4：当
Figure BDA0002143814420000127
且
Figure BDA0002143814420000128
任务Ti选择中继计算方式，即tWay[i][j]＝relayComp，能耗
Figure BDA0002143814420000129
步骤S2.5：当同时满足
Figure BDA00021438144200001210
和
Figure BDA00021438144200001211
时，任务Ti选择协同计算方式，即tWay[i][j]＝jointCooperation，能耗
Figure BDA00021438144200001212
步骤三，边缘服务器将形成的能耗矩阵E[i][j]使用Kuhn-Munkres算法完成匹配matchi，得到最小权重匹配，具体步骤如下：
S3.1：为了得到最小权重匹配，边缘服务器按能耗矩阵E[i][j]中的各个元素，将其变为其相反数；
S3.2：边缘服务器对能耗矩阵E[i][j]使用Kuhn-Munkres算法完成匹配matchi；
S3.3：matchi的相关信息为
Figure BDA00021438144200001213
其中，对于matchi≠0，更新Eni＝E[i][matchi]以及
Figure BDA00021438144200001214
本实施例最终目标是通过将架构下的能量消耗转化成二分图，存储在矩阵中，再通过最优权值匹配得到最小的权值匹配，从而得到整个架构下的能源消耗最优：
Figure BDA0002143814420000131
其中，Eli代表的是源设备si自身完成任务Ti的能耗，EDi代表的是源设备si上的任务Ti以边缘计算方式完成的能耗，
Figure BDA0002143814420000132
和
Figure BDA0002143814420000133
分别代表源设备si上的任务Ti以中继计算方式或协同计算方式完成任务的能耗，
Figure BDA0002143814420000134
分别表示源设备si上的任务Ti的完成方式，分别为本地计算方式、边缘计算方式、中继计算方式、协同计算方式，且满足
Figure BDA0002143814420000135
与
Figure BDA0002143814420000136
k∈{1,2,3,4}，当
Figure BDA0002143814420000137
时，表明源设备si上的任务Ti的完成方式为本地计算方式，当
Figure BDA0002143814420000138
时，表明源设备si上的任务Ti的完成方式为边缘计算方式，当
Figure BDA0002143814420000139
时，表明源设备si上的任务Ti的完成方式为中继计算方式，当
Figure BDA00021438144200001310
时，表明源设备si上的任务Ti的完成方式为协同计算方式。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于多源-多中继设备的能耗优化方法，其特征在于，包括以下步骤：
步骤S1：边缘服务器为所有源设备上的任务选择一种任务完成的方式，任务完成的方式包括本地完成方式以及边缘服务器完成方式两种；
步骤S2：边缘服务器为完成任务的源设备一中继设备配对选择任务完成方式并求出任务完成方式矩阵以及能耗矩阵；任务完成方式包括中继设备完成以及协同完成两种；
步骤S3：边缘服务器计算能耗矩阵的最佳带权匹配，根据任务完成方式矩阵以及能耗矩阵的最佳带权匹配求得该任务的完成方式；
步骤S4：边缘服务器将任务完成方式、源设备与中继设备匹配结果发送到各源设备中。
2.根据权利要求1所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，在步骤S1中，定义si，i∈{1，2，...，N}，为第i个源设备，其中N为源设备的数量；定义rj，j∈(1，2，...，M}，为第j个中继设备，其中M为中继设备的数量；定义源设备si上有一个任务Ti，任务Ti的数据量大小为Wi；边缘服务器为所有源设备si，i∈{1，2，...，N}上的任务Ti从本地完成、边缘服务器完成两种任务完成方式选择一种作为默认的任务完成方式wayi。
3.根据权利要求2所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，任务Ti为不可分任务，即任务Ti无法分成多个子任务在不同设备上并行执行。
4.根据权利要求3所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，在步骤S1中，任务Ti从本地完成、边缘服务器完成两种任务完成方式选择一种作为默认的任务完成方式wayi的具体方式如下：
步骤S1.1：本地完成方式为源设备si上的任务Ti在源设备si自身完成，该方式下完成任务Ti所需时间为：
Figure FDA0004140341960000011
其中Di是完成任务Ti所需要的CPU周期数，fi l为源设备si上的CPU频率，其单位是Hz；该方式下完成任务Ti的能耗为：
Figure FDA0004140341960000021
其中
Figure FDA0004140341960000022
为源设备si上CPU的有效电容系数，为一个远小于1的正数，其单位为J/bit；
步骤S1.2：边缘服务器完成方式是源设备si上的任务Ti通过中继设备发送到边缘服务器
Figure FDA00041403419600000212
并由边缘服务器
Figure FDA00041403419600000213
完成任务Ti，该方式下完成任务Ti所需时间为：
Figure FDA0004140341960000023
其中Wi为任务Ti的数据量大小，其单位为bit，
Figure FDA0004140341960000024
为源设备si的传输功率，单位为w，Bi为源设备si拥有的带宽，其单位为Hz，α为该边缘服务器完成架构下的路径损耗常数，
Figure FDA0004140341960000025
为边缘服务器
Figure FDA0004140341960000026
作为接收端时的噪音功率，其单位为w，
Figure FDA0004140341960000027
为si和边缘服务器
Figure FDA00041403419600000214
的欧式距离，其单位为m，
Figure FDA0004140341960000028
为边缘服务器
Figure FDA0004140341960000029
上的CPU频率，其单位为Hz，该方式下完成此任务Ti所需能耗为：
Figure FDA00041403419600000210
步骤S1.3：首先设定Eni＝max，其中max表示能耗最大，表示无法通过此完成方式完成任务Ti；
步骤S1.4：当
Figure FDA00041403419600000211
其中Ψ为完成任务Ti的最大时间，任务Ti将以本地完成方式完成，即wayi＝localComp，能耗Eni＝Eli；
步骤S1.5：当
Figure FDA0004140341960000031
且EDi＜Eni，任务Ti将通过边缘服务器完成方式完成，即wayi＝edgeComp，能耗Eni＝EDi。
5.根据权利要求4所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，步骤S2的具体步骤如下：
步骤S2.1：中继设备完成方式为源设备si上的任务Ti通过无线传输发送到中继设备rj并由中继设备rj完成任务Ti，该方式下完成任务Ti所需时间为：
Figure FDA0004140341960000032
其中σj为中继设备rj作为接收端时的噪音功率，其单位为w，
Figure FDA0004140341960000033
为si和rj之间的欧式距离，其单位为m，
Figure FDA0004140341960000034
为中继设备rj上的CPU频率，其单位是Hz，该方式下完成任务Ti的能耗为：
Figure FDA0004140341960000035
其中
Figure FDA0004140341960000036
为中继设备rj上CPU的有效电容系数，其单位是J/bit；
步骤S2.2：协同完成方式为源设备si采用解码重传方式通过中继设备rj将任务Ti发送到边缘服务器
Figure FDA0004140341960000037
并由边缘服务器
Figure FDA0004140341960000038
完成，该方式下完成任务Ti所需时间为：
Figure FDA0004140341960000039
其中
Figure FDA00041403419600000310
为中继设备rj和边缘服务器
Figure FDA00041403419600000311
的欧式距离，其单位为m，
Figure FDA00041403419600000312
为中继设备rj的传输功率，其单位为w，
Figure FDA0004140341960000041
为si在协同完成模式下通过rj的传输功率，其单位为w，该方式下完成任务Ti的能耗为：
Figure FDA0004140341960000042
步骤S2.3：初始化任务完成方式矩阵tWay[i][j]、能耗矩阵E[i][j]，使得E[i][j]＝Eni,j∈{1,2,…,M}；
步骤S2.4：当
Figure FDA0004140341960000043
且
Figure FDA0004140341960000044
任务Ti选择中继设备完成方式，即tWay[i][j]＝relayComp，能耗
Figure FDA0004140341960000045
步骤S2.5：当同时满足
Figure FDA0004140341960000046
和
Figure FDA0004140341960000047
时，任务Ti选择协同完成方式，即tWay[i][j]＝jointCooperation，能耗
Figure FDA0004140341960000048
6.根据权利要求5所述的一种基于多源-多中继设备的能耗优化方法，其特征在于，步骤S3中边缘服务器
Figure FDA00041403419600000411
将形成的将能耗矩阵E[i][j]中的各个元素变为其相反数，通过Kuhn-Munkres算法求出矩阵E[i][j]的最优带权匹配matchi，具体步骤如下：
步骤S3.1：边缘服务器
Figure FDA00041403419600000412
通过一个循环从i＝1,2,…,N进行如下操作：
通过一个循环对E[i][j],j＝1,2,…,M的各个元素，变为其相反数；
步骤S3.2：边缘服务器
Figure FDA0004140341960000049
对能耗矩阵E[i][j]使用Kuhn-Munkres算法，得到最大权重匹配mi；
步骤S3.3：由于步骤S3.1中将能耗矩阵E[i][j]中的各个元素变为其相反数；因此最后的匹配结果为最小权重匹配；其中mi的相关信息为：
Figure FDA00041403419600000410
其中，对于mi≠0，更新Eni＝-E[i][mi]以及wayi＝tWay[i][mi]；可知，wayi为源设备si上任务Ti的完成方式，采用该方式完成任务Ti的能耗为Eni。
CN201910677702.6A 2019-07-25 2019-07-25 一种基于多源-多中继设备的能耗优化方法 Active CN110472301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910677702.6A CN110472301B (zh) 2019-07-25 2019-07-25 一种基于多源-多中继设备的能耗优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910677702.6A CN110472301B (zh) 2019-07-25 2019-07-25 一种基于多源-多中继设备的能耗优化方法

Publications (2)

Publication Number Publication Date
CN110472301A CN110472301A (zh) 2019-11-19
CN110472301B true CN110472301B (zh) 2023-04-28

Family

ID=68509300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910677702.6A Active CN110472301B (zh) 2019-07-25 2019-07-25 一种基于多源-多中继设备的能耗优化方法

Country Status (1)

Country Link
CN (1) CN110472301B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102487315A (zh) * 2010-12-03 2012-06-06 华为技术有限公司 多源多中继协作通信方法、通信设备及协作通信***
CN107104703A (zh) * 2017-04-17 2017-08-29 南京理工大学 电力线网络中一种基于能量最小化的缓存***算法设计
CN109710336A (zh) * 2019-01-11 2019-05-03 中南林业科技大学 联合能量和延迟优化的移动边缘计算任务调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11140541B2 (en) * 2017-06-05 2021-10-05 Sony Group Corporation Method for management of movable edge computing servers
KR101962022B1 (ko) * 2017-07-18 2019-03-25 주식회사 에스원 에지 서버를 활용한 피-투-피 접근 시스템 및 그 방법
CN109814951B (zh) * 2019-01-22 2021-09-28 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102487315A (zh) * 2010-12-03 2012-06-06 华为技术有限公司 多源多中继协作通信方法、通信设备及协作通信***
CN107104703A (zh) * 2017-04-17 2017-08-29 南京理工大学 电力线网络中一种基于能量最小化的缓存***算法设计
CN109710336A (zh) * 2019-01-11 2019-05-03 中南林业科技大学 联合能量和延迟优化的移动边缘计算任务调度方法

Also Published As

Publication number Publication date
CN110472301A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
Tran et al. Federated learning over wireless networks: Optimization model design and analysis
Bozorgchenani et al. Multi-objective computation sharing in energy and delay constrained mobile edge computing environments
CN109240818B (zh) 一种边缘计算网络中基于用户体验的任务卸载方法
CN110941667B (zh) 一种移动边缘计算网络中的计算卸载方法及***
CN110928654B (zh) 一种边缘计算***中分布式的在线任务卸载调度方法
Chai et al. Task execution cost minimization-based joint computation offloading and resource allocation for cellular D2D MEC systems
Cui et al. A novel offloading scheduling method for mobile application in mobile 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
CN110557769A (zh) 基于深度强化学习的c-ran计算卸载和资源分配方法
CN110113190A (zh) 一种移动边缘计算场景中卸载时延优化方法
CN108416465B (zh) 一种移动云环境下的工作流优化方法
Liu et al. Energy-efficient space–air–ground integrated edge computing for internet of remote things: A federated DRL approach
CN110519370B (zh) 一种基于设施选址问题的边缘计算资源分配方法
CN110535936B (zh) 一种基于深度学习的能量高效雾计算迁移方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和***
CN112231085A (zh) 一种协同环境下基于时间感知的移动终端任务迁移方法
CN111556516A (zh) 面向时延和能效敏感业务的分布式无线网络任务协同分配方法
Karimiafshar et al. Effective utilization of renewable energy sources in fog computing environment via frequency and modulation level scaling
CN114219354A (zh) 一种基于联邦学习资源分配优化方法及***
Bi et al. Stable online computation offloading via lyapunov-guided deep reinforcement learning
Li et al. Multi-edge collaborative offloading and energy threshold-based task migration in mobile edge computing environment
CN114172558A (zh) 一种车辆网络中基于边缘计算和无人机集群协同的任务卸载方法
CN110472301B (zh) 一种基于多源-多中继设备的能耗优化方法
CN113342504A (zh) 基于缓存的智能制造边缘计算任务调度方法及***
Xiong et al. An energy aware algorithm for edge task offloading

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