CN110505644B - 用户任务卸载与资源分配联合优化方法 - Google Patents
用户任务卸载与资源分配联合优化方法 Download PDFInfo
- Publication number
- CN110505644B CN110505644B CN201910917508.0A CN201910917508A CN110505644B CN 110505644 B CN110505644 B CN 110505644B CN 201910917508 A CN201910917508 A CN 201910917508A CN 110505644 B CN110505644 B CN 110505644B
- Authority
- CN
- China
- Prior art keywords
- channel
- sue
- sub
- micro
- mue
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013468 resource allocation Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000003064 k means clustering Methods 0.000 claims abstract description 4
- 238000005265 energy consumption Methods 0.000 claims description 46
- 230000005540 biological transmission Effects 0.000 claims description 44
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种5G超密集异构网络下的用户任务卸载与资源分配联合优化方法,包括:第一部分,引入干扰管理机制,基于改进的K‑means分簇算法对微基站进行分簇;第二部分,根据本地处理模型和卸载处理模型分别得到关于宏用户和微用户的***代价函数,通过将***代价函数分解成若干个子问题进行优化,从而实现通信资源与计算资源的合理分配。本发明可以保证用户所分信道的公平性;基于代价值比较法的卸载方案,其算法简单、时间复杂度低。
Description
技术领域
本发明属于移动边缘计算领域,涉及一种5G超密集异构网络下的用户任务卸载与资源分配联合优化算法。
背景技术
移动边缘计算(Mobile Ege Computing,MEC)作为第五代移动通信的核心技术之一,通过将存储资源与计算资源部署在网络边缘以处理资源密集型和时延敏感型应用,如增强现实、无人教室、远程操作等。在万物互联的背景下,终端设备所产生的数据已达到海量级别,采用集中式大数据处理模式下的云计算已无法应付。移动边缘计算将原本需要传输远端云中心的计算任务迁移到网络边缘设备上,以提高数据的传输性能,保证处理的实时性,同时降低云计算中的计算负载。在5G超密集异构网络下,将边缘服务器部署在宏基站上,终端设备可以有选择地将部分或全部计算任务卸载到边缘服务器上进行处理。
移动边缘计算中的计算卸载主要包括卸载决策和资源分配这两个方面:卸载决策主要解决的是终端设备决定是否卸载、卸载多少以及卸载什么的问题;资源分配则重点解决卸载后如何分配通信资源和计算资源的问题。计算卸载性能评价指标主要是时延与能耗,为综合考量网络内时间和能量消耗情况,引入***代价作为计算卸载性能指标,***代价指的是时延与能耗的加权和。如图1所示,在5G超密集异构网络下,终端设备随机分布在网络中,由于宏基站MBS与微基站SBS并存,终端设备又分为宏用户MUE和微用户SUE,在传输数据时用户间存在同层干扰和跨层干扰,严重影响网络链路质量。现阶段关于计算卸载的研究并未考虑对干扰进行管理,对于资源分配也考虑不够周全。
发明内容
本发明的目的是解决5G超密集异构网络下用户任务处理时延和能耗过高的问题,提出一种5G超密集异构网络下的用户任务卸载与资源分配联合优化方法,首先将干扰管理机制引入5G超密集异构网络中,消除同层干扰和跨层干扰,然后利用相关优化算法为终端设备合理分配通信资源和计算资源,并采用代价值比较法作出卸载决策,进而最小化网络的***代价。本发明采用的技术方案是:
一种5G超密集异构网络下的用户任务卸载与资源分配联合优化方法,包括:
第一部分,基于改进的K-means分簇算法对微基站进行分簇;
第二部分,根据本地处理模型和卸载处理模型分别得到关于宏用户和微用户的***代价函数,通过将***代价函数分解成若干个子问题进行优化,从而实现通信资源与计算资源的合理分配。
所述第一部分具体包括:
步骤一,将宏基站下的所有微基站作为一个微基站集合,并输入微基站集合中微基站坐标,初始化簇覆盖半径和最大迭代次数Iterate_max;
步骤二,根据微基站坐标,计算第i个微基站SBSi与其余微基站间的欧氏距离之和Distancei_sum和两两微基站间欧氏距离之和Distance_sum;
步骤三,根据公式Density(SBSi)=Distance_sum/Distancei_sum计算SBSi的分布密度,然后求平均分布密度Density_average;
步骤四,将微基站集合中分布密度大于Density_average的微基站纳入初始的簇头集合中,并按照分布密度从大到小对初始的簇头集合内的微基站进行筛选,以保证两两簇头间的距离大于簇覆盖半径;
步骤五,将簇头集合外的微基站,根据微基站与簇头集合内各个簇头间的距离大小,将微基站分配给距离最近的簇头,从而形成各个簇集合;
步骤六,计算每个簇集合内微基站坐标的平均值,选择离平均坐标最近的微基站为新簇头,并更新簇头集合;
步骤七,判断迭代次数是否大于Iterate_max,若是则至步骤八,否则至步骤五;
步骤八,输出分簇结果。
所述第二部分具体包括:
首先,分别给出宏用户和微用户的***代价函数及其约束条件;
宏用户的***代价函数及其约束条件表示如下:
其中,为卸载决策因子,当表示第m个宏用户MUEm的任务卸载处理,反之亦反;为任务的数据量,为完成所需的周期数;为MUEm的计算频率;κ为常量因子;为MUEm的传输速率,式中N为子信道个数,为MUEm的信道分配因子,当时,表示将子信道k分配给MUEm,反之亦反,W为子信道带宽,为MUEm在子信道k上的传输功率,为子信道k上MBS与MUEm间的信道增益,U为每个SBS下SUE个数,为第j个微基站下的第u个微用户SUEu,j在子信道k上的传输功率,为子信道k上SUEu,j与MBS间的信道增益,σ2为背景噪声;为MUEm可分配到边缘服务器计算资源的比例;fc为边缘服务器总计算资源;
条件(1)和(2)表示最大时延与最大能耗约束;条件(1)中为MUEm本地处理时延、为MUEm卸载处理时延、为宏用户最大处理时延约束,条件(2)中为MUEm本地处理能耗、为MUEm卸载处理能耗、为宏用户最大处理能耗约束,条件(3)表示MUEm计算频率取值范围,条件(4)表示MUEm传输功率取值范围,条件(5)表示卸载决策因子取值范围;
微用户的***代价函数及其约束条件表示如下:
其中,为卸载决策因子,当表示第j个微基站下的第u个微用户SUEu,j任务卸载处理,反之亦反;为卸载任务的数据量,为完成所需的周期数;为SUEu,j的计算频率;为SUEu,j的传输速率,式中为SUEu,j的信道分配因子,当时,表示将子信道k分配给SUEu,j,反之亦反,为SUEu,j在子信道k上的传输功率,为子信道k上SUEu,j与SBSj之间的信道增益,为SUEu,i在子信道k上的传输功率,为子信道k上SUEu,i与SBSj间的信道增益,为MUEm在子信道k上的传输功率,为子信道k上MUEm与SBSj间的信道增益;σ2为背景噪声;为SUEu,j可分配到边缘服务器计算资源的比例;
条件(21)和(22)表示最大时延与最大能耗约束;条件(21)中为SUEu,j本地处理时延、为SUEuj卸载处理时延、为微用户最大处理时延约束,条件(22)中为SUEu,j本地处理能耗、为SUEu,j卸载处理能耗、为微用户最大处理能耗约束,条件(23)表示SUEu,j计算频率取值范围,条件(24)表示SUEu,j传输功率取值范围,条件(25)表示卸载决策因子取值范围;
其次,将***代价函数分成三个优化子问题,分别是计算频率优化问题p1、传输功率优化问题p2和计算资源分配优化问题p3,具体如下所示:
s.t.fmin≤f≤fmax
其中,f和c泛指终端设备的计算频率和完成任务所需的周期数;
s.t.0<p≤pmax
其中,d和p泛指终端设备下任务的数据量和传输功率,g泛指终端设备在某一子信道上的信道增益;
利用正交频分复用技术,将带宽为B的信道分解成若干个子信道,并构成子信道集合;再次,为宏用户和微用户分配传输信道:
宏用户信道分配算法步骤如下:
步骤S11,列出宏用户MUE的增益矩阵G,共N列,并根据每列最大值从小到大按列排序;
步骤S12,根据边缘用户占比R,将增益矩阵G分为边缘用户增益矩阵G’和中心用户增益矩阵G”;G’由G从后往前取fix(RN)列构成,G”由G剩余的N-fix(RN)列构成;fix()表示截尾取整;
步骤S13,先根据G’为边缘MUE分配子信道,将子信道k分配给max(G’(:,k))所对应的用户,并将子信道k从信道集合中剔除;
步骤S14,再根据G”为中心MUE分配子信道,将子信道l分配给max(G”(:,l))所对应的用户,并将子信道l从信道集合中剔除;
步骤S15,输出宏用户MUE信道分配结果;
微用户信道分配算法步骤如下:
步骤S21,统计每个簇集合内微用户SUE数量,确定每个簇集合内所需信道个数;
步骤S22,计算出每个SUE在不同子信道下的信噪比;
步骤S23,根据分簇结果,列出每个簇集合内SUE的信噪比矩阵;
步骤S24,在某一簇内,将子信道k分配给信噪比矩阵内值最大的SUE,并将子信道k从信道集合中剔除,直至簇内的SUE都已分配到传输信道;
步骤S25,重置信道集合,按照步骤S24对下一个簇集合内的SUE进行信道分配,直至所有簇集合内SUE都已分配到传输信道;
步骤S26,输出SUE信道分配结果。
然后,对这三个子问题采用不同的方法进行优化;
p1问题是关于计算频率f的凹函数,在最大时延与最大能耗的约束下可缩小f的取值范围,进而利用凸优化方法求得最优计算频率f;
p2问题是关于传输功率p的凹函数,采用二分法寻找最优的传输功率值;
p3问题可利用拉格朗日乘子法与松弛对偶法相结合的方法,将带有不等式约束条件的优化问题转换为不带约束条件的优化问题,然后对不带约束条件的优化问题中变量求偏导并令其偏导数为零,最终得到计算资源分配结果;
最后,根据和El=κf2c计算出终端设备本地处理时延与能耗;根据和计算出终端设备卸载处理时延与能耗,其中r泛指终端设备的传输速率,δ泛指终端设备分配到边缘服务器计算资源的比例;采用代价值比较法作出卸载决策;
首先将终端设备本地处理时延Tl和能耗El与最大时延Tmax和最大能耗Emax进行比较,若存在Tl大于Tmax或El大于Emax的情况,则令卸载决策因子x=1,否则再将终端设备卸载处理时延To和能耗Eo与最大时延Tmax和最大能耗Emax进行比较,若存在To大于Eo或Tmax大于Emax的情况,则令卸载决策因子x=0,否则利用公式(1)和(2)计算出本地处理代价Cost_local和卸载处理代价Cost_offload并进行比较,若Cost_local>Cost_offload,则令x=1,否则令x=0,最终得到卸载决策方案。
本发明的优点在于:通过对微基站进行分簇,将干扰较大的微基站分配到同一簇内,并利用正交频分复用技术为同一簇内的用户分配信道,以消除同层干扰和跨层干扰,提高网络传输质量;在本地处理模型下,对终端设备的计算频率进行优化以保证计算任务在本地处理时***代价最低;在卸载处理模型下,基于处理后的信道增益矩阵为卸载任务分配信道,保证用户所分信道的公平性;基于代价值比较法的卸载方案,其算法简单、时间复杂度低;当任务卸载处理时,采用拉格朗日乘子法和松弛对偶法相结合的方法为任务合理分配计算资源,最大化计算资源利用率。
附图说明
图1为本发明的5G网络示意图。
图2为本发明的代价值比较法作出卸载决策流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本发明主要分为两大部分,一是引入干扰管理机制,二是分配通信资源与计算资源。
第一部分,基于改进的K-means分簇算法对微基站进行分簇,具体步骤如下:
步骤一,将宏基站下的所有微基站作为一个微基站集合,并输入微基站集合中微基站坐标,初始化簇覆盖半径和最大迭代次数Iterate_max;
步骤二,根据微基站坐标,计算第i个微基站SBSi与其余微基站间的欧氏距离之和Distancei_sum和两两微基站间欧氏距离之和Distance_sum;
步骤三,根据公式Density(SBSi)=Distance_sum/Distancei_sum计算SBSi的分布密度,然后求平均分布密度Density_average;
步骤四,将微基站集合中分布密度大于Density_average的微基站纳入初始的簇头集合中,并按照分布密度从大到小对初始的簇头集合内的微基站进行筛选,以保证两两簇头间的距离大于簇覆盖半径;
例如有四个微基站的分布密度大于Density_average,这四个微基站作为簇头纳入初始的簇头集合中,按照分布密度从大到小对初始的簇头集合内的微基站排序后,其中有两个簇头紧挨着,或者相距非常近,小于预设的簇覆盖半径,就删除这两个簇头中分布密度较小的那个,保留分布密度较大的那个;
步骤五,将簇头集合外的微基站,根据微基站与簇头集合内各个簇头间的距离大小,将微基站分配给距离最近的簇头,从而形成各个簇集合;
步骤六,计算每个簇集合内微基站坐标的平均值,选择离平均坐标最近的微基站为新簇头,并更新簇头集合;
步骤七,判断迭代次数是否大于Iterate_max,若是则至步骤八,否则至步骤五;
步骤八,输出分簇结果。
第二部分,根据本地处理模型和卸载处理模型分别得到关于宏用户和微用户的***代价函数,通过将***代价函数分解成若干个子问题进行优化,从而实现通信资源与计算资源的合理分配;
首先,分别给出宏用户和微用户的***代价函数及其约束条件;
宏用户的***代价函数及其约束条件表示如下:
其中,为卸载决策因子,当表示第m个宏用户MUEm的任务卸载处理,反之亦反;为任务的数据量,为完成所需的周期数;为MUEm的计算频率;κ为常量因子;为MUEm的传输速率,式中N为子信道个数,为MUEm的信道分配因子,当时,表示将子信道k分配给MUEm,反之亦反,W为子信道带宽,为MUEm在子信道k上的传输功率,为子信道k上MBS与MUEm间的信道增益,U为每个SBS下SUE个数,为第j个微基站下的第u个微用户SUEu,j在子信道k上的传输功率,为子信道k上SUEu,j与MBS间的信道增益,σ2为背景噪声;为MUEm可分配到边缘服务器计算资源的比例;fc为边缘服务器总计算资源;
条件(1)和(2)表示最大时延与最大能耗约束;条件(1)中为MUEm本地处理时延、为MUEm卸载处理时延、为宏用户最大处理时延约束,条件(2)中为MUEm本地处理能耗、为MUEm卸载处理能耗、为宏用户最大处理能耗约束,条件(3)表示MUEm计算频率取值范围,条件(4)表示MUEm传输功率取值范围,条件(5)表示卸载决策因子取值范围;
微用户的***代价函数及其约束条件表示如下:
其中,为卸载决策因子,当表示第j个微基站下的第u个微用户SUEu,j任务卸载处理,反之亦反;为卸载任务的数据量,为完成所需的周期数;为SUEu,j的计算频率;为SUEu,j的传输速率,式中为SUEu,j的信道分配因子,当时,表示将子信道k分配给SUEu,j,反之亦反,为SUEu,j在子信道k上的传输功率,为子信道k上SUEu,j与SBSj之间的信道增益,为SUEu,i在子信道k上的传输功率,为子信道k上SUEu,i与SBSj间的信道增益,为MUEm在子信道k上的传输功率,为子信道k上MUEm与SBSj间的信道增益;σ2为背景噪声;为SUEu,j可分配到边缘服务器计算资源的比例;
条件(21)和(22)表示最大时延与最大能耗约束;条件(21)中为SUEu,j本地处理时延、为SUEu,j卸载处理时延、为微用户最大处理时延约束,条件(22)中为SUEu,j本地处理能耗、为SUEu,j卸载处理能耗、为微用户最大处理能耗约束,条件(23)表示SUEu,j计算频率取值范围,条件(24)表示SUEu,j传输功率取值范围,条件(25)表示卸载决策因子取值范围;
其次,将***代价函数分成三个优化子问题,分别是计算频率优化问题p1、传输功率优化问题p2和计算资源分配优化问题p3,具体如下所示:
s.t.fmin≤f≤fmax
其中,f和c泛指终端设备(宏用户和微用户)的计算频率和完成任务所需的周期数;
s.t.0<p≤pmax
其中,d和p泛指终端设备下任务的数据量和传输功率,g泛指终端设备在某一子信道上的信道增益;
利用正交频分复用技术,将带宽为B的信道分解成若干个子信道,并构成子信道集合;再次,为宏用户和微用户分配传输信道:
宏用户信道分配算法步骤如下:
步骤S11,列出宏用户MUE的增益矩阵G,共N列,并根据每列最大值从小到大按列排序;
步骤S12,根据边缘用户占比R,将增益矩阵G分为边缘用户增益矩阵G’和中心用户增益矩阵G”;G’由G从后往前取fix(RN)列构成,G”由G剩余的N-fix(RN)列构成;fix()表示截尾取整;
步骤S13,先根据G’为边缘MUE分配子信道,将子信道k分配给max(G’(:,k))所对应的用户,并将子信道k从信道集合中剔除;
步骤S14,再根据G”为中心MUE分配子信道,将子信道l分配给max(G”(:,l))所对应的用户,并将子信道l从信道集合中剔除;
步骤S15,输出宏用户MUE信道分配结果;
微用户信道分配算法步骤如下:
步骤S21,统计每个簇集合内微用户SUE数量,确定每个簇集合内所需信道个数;
步骤S22,计算出每个SUE在不同子信道下的信噪比;
步骤S23,根据分簇结果,列出每个簇集合内SUE的信噪比矩阵;
步骤S24,在某一簇内,将子信道k分配给信噪比矩阵内值最大的SUE,并将子信道k从信道集合中剔除,直至簇内的SUE都已分配到传输信道;
步骤S25,重置信道集合,按照步骤S24对下一个簇集合内的SUE进行信道分配,直至所有簇集合内SUE都已分配到传输信道;
步骤S26,输出SUE信道分配结果。
然后,对这三个子问题采用不同的方法进行优化;
p1问题是关于计算频率f的凹函数,在最大时延与最大能耗的约束下可缩小f的取值范围,进而利用凸优化方法求得最优计算频率f;
p2问题是关于传输功率p的凹函数,采用二分法寻找最优的传输功率值;
p3问题可利用拉格朗日乘子法与松弛对偶法相结合的方法,将带有不等式约束条件的优化问题转换为不带约束条件的优化问题,然后对不带约束条件的优化问题中变量求偏导并令其偏导数为零,最终得到计算资源分配结果;
最后,根据和El=κf2c计算出终端设备本地处理时延与能耗;根据和计算出终端设备卸载处理时延与能耗,其中r泛指终端设备的传输速率,δ泛指终端设备分配到边缘服务器计算资源的比例;采用代价值比较法作出卸载决策,具体算法流程如图2所示,
首先将终端设备本地处理时延Tl和能耗El与最大时延Tmax和最大能耗Emax进行比较,若存在Tl大于Tmax或El大于Emax的情况,则令卸载决策因子x=1,否则再将终端设备卸载处理时延To和能耗Eo与最大时延Tmax和最大能耗Emax进行比较,若存在To大于Eo或Tmax大于Emax的情况,则令卸载决策因子x=0,否则利用公式(1)和(2)计算出本地处理代价Cost_local和卸载处理代价Cost_offload并进行比较,若Cost_local>Cost_offload,则令x=1,否则令x=0,最终得到卸载决策方案。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种5G超密集异构网络下的用户任务卸载与资源分配联合优化方法,其特征在于,包括:
第一部分,基于改进的K-means分簇算法对微基站进行分簇;
第二部分,根据本地处理模型和卸载处理模型分别得到关于宏用户和微用户的***代价函数,通过将***代价函数分解成若干个子问题进行优化,从而实现通信资源与计算资源的合理分配;
所述第一部分具体包括:
步骤一,将宏基站下的所有微基站作为一个微基站集合,并输入微基站集合中微基站坐标,初始化簇覆盖半径和最大迭代次数Iterate_max;
步骤二,根据微基站坐标,计算第i个微基站SBSi与其余微基站间的欧氏距离之和Distancei_sum和两两微基站间欧氏距离之和Distance_sum;
步骤三,根据公式Density(SBSi)=Distance_sum/Distancei_sum计算SBSi的分布密度,然后求平均分布密度Density_average;
步骤四,将微基站集合中分布密度大于Density_average的微基站纳入初始的簇头集合中,并按照分布密度从大到小对初始的簇头集合内的微基站进行筛选,以保证两两簇头间的距离大于簇覆盖半径;
步骤五,将簇头集合外的微基站,根据微基站与簇头集合内各个簇头间的距离大小,将微基站分配给距离最近的簇头,从而形成各个簇集合;
步骤六,计算每个簇集合内微基站坐标的平均值,选择离平均坐标最近的微基站为新簇头,并更新簇头集合;
步骤七,判断迭代次数是否大于Iterate_max,若是则至步骤八,否则至步骤五;
步骤八,输出分簇结果。
2.如权利要求1所述的5G超密集异构网络下的用户任务卸载与资源分配联合优化方法,其特征在于,
所述第二部分具体包括:
首先,分别给出宏用户和微用户的***代价函数及其约束条件;
宏用户的***代价函数及其约束条件表示如下:
其中,为卸载决策因子,当表示第m个宏用户MUEm的任务卸载处理,反之亦反;为任务的数据量,为完成所需的周期数;为MUEm的计算频率;κ为常量因子;为MUEm的传输速率,式中N为子信道个数,为MUEm的信道分配因子,当时,表示将子信道k分配给MUEm,反之亦反,W为子信道带宽,为MUEm在子信道k上的传输功率,为子信道k上MBS与MUEm间的信道增益,U为每个SBS下SUE个数,为第j个微基站下的第u个微用户SUEu,j在子信道k上的传输功率,为子信道k上SUEu,j与MBS间的信道增益,σ2为背景噪声;为MUEm可分配到边缘服务器计算资源的比例;fc为边缘服务器总计算资源;
条件(1)和(2)表示最大时延与最大能耗约束;条件(1)中为MUEm本地处理时延、为MUEm卸载处理时延、为宏用户最大处理时延约束,条件(2)中为MUEm本地处理能耗、为MUEm卸载处理能耗、为宏用户最大处理能耗约束,条件(3)表示MUEm计算频率取值范围,条件(4)表示MUEm传输功率取值范围,条件(5)表示卸载决策因子取值范围;
微用户的***代价函数及其约束条件表示如下:
其中,为卸载决策因子,当表示第j个微基站下的第u个微用户SUEu,j任务卸载处理,反之亦反;为卸载任务的数据量,为完成所需的周期数;为SUEu,j的计算频率;为SUEu,j的传输速率,式中为SUEu,j的信道分配因子,当时,表示将子信道k分配给SUEu,j,反之亦反,为SUEu,j在子信道k上的传输功率,为子信道k上SUEu,j与SBSj之间的信道增益,为SUEu,i在子信道k上的传输功率,为子信道k上SUEu,i与SBSj间的信道增益,为MUEm在子信道k上的传输功率,为子信道k上MUEm与SBSj间的信道增益;σ2为背景噪声;为SUEu,j可分配到边缘服务器计算资源的比例;
条件(21)和(22)表示最大时延与最大能耗约束;条件(21)中为SUEu,j本地处理时延、为SUEu,j卸载处理时延、为微用户最大处理时延约束,条件(22)中为SUEu,j本地处理能耗、为SUEu,j卸载处理能耗、为微用户最大处理能耗约束,条件(23)表示SUEu,j计算频率取值范围,条件(24)表示SUEu,j传输功率取值范围,条件(25)表示卸载决策因子取值范围;
其次,将***代价函数分成三个优化子问题,分别是计算频率优化问题p1、传输功率优化问题p2和计算资源分配优化问题p3,具体如下所示:
s.t.fmin≤f≤fmax
其中,f和c泛指终端设备的计算频率和完成任务所需的周期数;
s.t.0<p≤pmax
其中,d和p泛指终端设备下任务的数据量和传输功率,g泛指终端设备在某一子信道上的信道增益;
利用正交频分复用技术,将带宽为B的信道分解成若干个子信道,并构成子信道集合;再次,为宏用户和微用户分配传输信道:
宏用户信道分配算法步骤如下:
步骤S11,列出宏用户MUE的增益矩阵G,共N列,并根据每列最大值从小到大按列排序;
步骤S12,根据边缘用户占比R,将增益矩阵G分为边缘用户增益矩阵G’和中心用户增益矩阵G”;G’由G从后往前取fix(RN)列构成,G”由G剩余的N-fix(RN)列构成;fix()表示截尾取整;
步骤S13,先根据G’为边缘MUE分配子信道,将子信道k分配给max(G’(:,k))所对应的用户,并将子信道k从信道集合中剔除;
步骤S14,再根据G”为中心MUE分配子信道,将子信道l分配给max(G”(:,l))所对应的用户,并将子信道l从信道集合中剔除;
步骤S15,输出宏用户MUE信道分配结果;
微用户信道分配算法步骤如下:
步骤S21,统计每个簇集合内微用户SUE数量,确定每个簇集合内所需信道个数;
步骤S22,计算出每个SUE在不同子信道下的信噪比;
步骤S23,根据分簇结果,列出每个簇集合内SUE的信噪比矩阵;
步骤S24,在某一簇内,将子信道k分配给信噪比矩阵内值最大的SUE,并将子信道k从信道集合中剔除,直至簇内的SUE都已分配到传输信道;
步骤S25,重置信道集合,按照步骤S24对下一个簇集合内的SUE进行信道分配,直至所有簇集合内SUE都已分配到传输信道;
步骤S26,输出SUE信道分配结果;
然后,对这三个子问题采用不同的方法进行优化;
p1问题是关于计算频率f的凹函数,在最大时延与最大能耗的约束下可缩小f的取值范围,进而利用凸优化方法求得最优计算频率f;
p2问题是关于传输功率p的凹函数,采用二分法寻找最优的传输功率值;
p3问题可利用拉格朗日乘子法与松弛对偶法相结合的方法,将带有不等式约束条件的优化问题转换为不带约束条件的优化问题,然后对不带约束条件的优化问题中变量求偏导并令其偏导数为零,最终得到计算资源分配结果;
最后,根据和El=κf2c计算出终端设备本地处理时延与能耗;根据和计算出终端设备卸载处理时延与能耗,其中r泛指终端设备的传输速率,δ泛指终端设备分配到边缘服务器计算资源的比例;采用代价值比较法作出卸载决策;
首先将终端设备本地处理时延Tl和能耗El与最大时延Tmax和最大能耗Emax进行比较,若存在Tl大于Tmax或El大于Emax的情况,则令卸载决策因子x=1,否则再将终端设备卸载处理时延To和能耗Eo与最大时延Tmax和最大能耗Emax进行比较,若存在To大于Eo或Tmax大于Emax的情况,则令卸载决策因子x=0,否则利用公式(1)和(2)计算出本地处理代价Cost_local和卸载处理代价Cost_offload并进行比较,若Cost_local>Cost_offload,则令x=1,否则令x=0,最终得到卸载决策方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917508.0A CN110505644B (zh) | 2019-09-26 | 2019-09-26 | 用户任务卸载与资源分配联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917508.0A CN110505644B (zh) | 2019-09-26 | 2019-09-26 | 用户任务卸载与资源分配联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110505644A CN110505644A (zh) | 2019-11-26 |
CN110505644B true CN110505644B (zh) | 2021-09-10 |
Family
ID=68592764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910917508.0A Active CN110505644B (zh) | 2019-09-26 | 2019-09-26 | 用户任务卸载与资源分配联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110505644B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111372268B (zh) * | 2019-12-24 | 2022-07-08 | 中国石油大学(华东) | 一种超密集网络中联合无线资源管理与任务卸载优化方法 |
CN111245651B (zh) * | 2020-01-08 | 2022-03-29 | 上海交通大学 | 一种基于功率控制和资源分配的任务卸载方法 |
CN111182570B (zh) * | 2020-01-08 | 2021-06-22 | 北京邮电大学 | 提高运营商效用的用户关联和边缘计算卸载方法 |
CN111726845B (zh) * | 2020-07-01 | 2021-10-26 | 南京大学 | 多用户异构网络***中的基站切换选择和功率分配方法 |
CN111786839B (zh) * | 2020-07-15 | 2021-09-07 | 南通大学 | 一种车载边缘计算网络中能效优化的计算卸载方法及*** |
CN112383949B (zh) * | 2020-11-16 | 2023-06-20 | 深圳供电局有限公司 | 一种边缘计算与通信资源分配方法及*** |
CN112738767B (zh) * | 2020-11-30 | 2021-12-17 | 中南大学 | 一种基于信任的移动边缘用户任务调度方法 |
CN116506877B (zh) * | 2023-06-26 | 2023-09-26 | 北京航空航天大学 | 一种用于移动群智感知的分布式协同计算方法 |
CN116582873B (zh) * | 2023-07-13 | 2023-09-08 | 湖南省通信建设有限公司 | 通过5g网络演算优化卸载任务降低延时和能耗的*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107659973A (zh) * | 2017-08-23 | 2018-02-02 | 南京邮电大学 | 基于密度改进K‑means算法的超密集网络分簇方法 |
CN109413676A (zh) * | 2018-12-11 | 2019-03-01 | 西北大学 | 一种超密异构网络中联合下上行的边缘计算迁移方法 |
CN109831794A (zh) * | 2019-03-22 | 2019-05-31 | 南京邮电大学 | 一种超密集网络中基于密度与最小距离的基站分簇方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
CN107333281B (zh) * | 2017-05-15 | 2019-08-20 | 北京邮电大学 | 移动计算卸载协同控制***及方法 |
CN107333267B (zh) * | 2017-06-23 | 2019-11-01 | 电子科技大学 | 一种用于5g超密集组网场景的边缘计算方法 |
US10659526B2 (en) * | 2018-01-03 | 2020-05-19 | Verizon Patent And Licensing Inc. | Edge compute systems and methods |
CN110225524B (zh) * | 2019-05-29 | 2022-11-11 | 暨南大学 | 一种基于5g下行链路数据传输的方法 |
-
2019
- 2019-09-26 CN CN201910917508.0A patent/CN110505644B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107659973A (zh) * | 2017-08-23 | 2018-02-02 | 南京邮电大学 | 基于密度改进K‑means算法的超密集网络分簇方法 |
CN109413676A (zh) * | 2018-12-11 | 2019-03-01 | 西北大学 | 一种超密异构网络中联合下上行的边缘计算迁移方法 |
CN109831794A (zh) * | 2019-03-22 | 2019-05-31 | 南京邮电大学 | 一种超密集网络中基于密度与最小距离的基站分簇方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110505644A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110505644B (zh) | 用户任务卸载与资源分配联合优化方法 | |
CN109413724B (zh) | 一种基于mec的任务卸载和资源分配方案 | |
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 | |
CN110928654B (zh) | 一种边缘计算***中分布式的在线任务卸载调度方法 | |
CN108901075B (zh) | 一种基于gs算法的资源分配方法 | |
CN111372314A (zh) | 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 | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
CN113242568A (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN109756912B (zh) | 一种多用户多基站联合任务卸载及资源分配方法 | |
CN113504999A (zh) | 一种面向高性能分层联邦边缘学习的调度与资源分配方法 | |
CN104619029B (zh) | 一种集中式蜂窝网络架构下的基带池资源分配方法和装置 | |
CN114142907B (zh) | 一种通信终端设备的信道筛选优化方法及*** | |
CN111132191A (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 | |
CN109246761B (zh) | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 | |
CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN110519370B (zh) | 一种基于设施选址问题的边缘计算资源分配方法 | |
CN112153145A (zh) | 5g边缘环境下面向车联网的计算任务卸载方法及装置 | |
CN114650228B (zh) | 一种异构网络中基于计算卸载的联邦学习调度方法 | |
CN113364859A (zh) | 车联网中面向mec的联合计算资源分配和卸载决策优化方案 | |
Kopras et al. | Task allocation for energy optimization in fog computing networks with latency constraints | |
CN116634500A (zh) | 基于超图匹配计算与通信容量增强的d2d计算卸载方法 | |
CN113630886B (zh) | 异构物联网中一种基于粒子群算法的频谱分配方法 | |
CN107333301B (zh) | 多属异构网络中的一种基于认知的联合资源再分配方法 | |
CN111669758B (zh) | 一种卫星无人机融合网络资源分配方法及装置 | |
CN115529604A (zh) | 一种基于服务器协作的联合资源分配与多元任务卸载方法 |
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 |