CN110677858B - 基于物联网任务迁移周期的传输功率与计算资源分配方法 - Google Patents

基于物联网任务迁移周期的传输功率与计算资源分配方法 Download PDF

Info

Publication number
CN110677858B
CN110677858B CN201911026324.1A CN201911026324A CN110677858B CN 110677858 B CN110677858 B CN 110677858B CN 201911026324 A CN201911026324 A CN 201911026324A CN 110677858 B CN110677858 B CN 110677858B
Authority
CN
China
Prior art keywords
terminal
task
migration
transmission power
internet
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
CN201911026324.1A
Other languages
English (en)
Other versions
CN110677858A (zh
Inventor
胡新
张博为
吴维农
张导
陈聿
冯文江
邓雪波
李果
付泉泳
谢应昭
王菁
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.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Chongqing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Chongqing Electric Power Co Ltd
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 State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Chongqing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911026324.1A priority Critical patent/CN110677858B/zh
Publication of CN110677858A publication Critical patent/CN110677858A/zh
Application granted granted Critical
Publication of CN110677858B publication Critical patent/CN110677858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
    • H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于物联网任务迁移周期的传输功率与计算资源分配方法，包括如下步骤：S1.确定终端k迁移任务的迁移周期
Figure DDA0002248713070000011
S2.确定终端k迁移任务的能耗
Figure DDA0002248713070000012
S3.根据终端k迁移任务的迁移周期
Figure DDA0002248713070000013
与能耗
Figure DDA0002248713070000014
构建终端计算任务迁移周期的最小化处理模型
Figure DDA0002248713070000015
S4.基于终端计算任务迁移周期的最小化处理模型
Figure DDA0002248713070000016
对传输功率与计算资源进行合理分配。本发明的一种基于物联网任务迁移周期的传输功率与计算资源分配方法，能够高效、合理地分配联合导频、数据传输功率和计算资源。

Description

基于物联网任务迁移周期的传输功率与计算资源分配方法
技术领域
本发明涉及物联网领域，具体涉及一种基于物联网任务迁移周期的传输功率与计算资源分配方法。
背景技术
边缘计算(edge computing,EC)在距离应用现场更近的无线接入网部署边缘服务器，提供数据处理能力，创建低时延、高可靠的服务环境。利用边缘计算网络，物联网终端可将计算密集型任务迁移到边缘服务器处理，降低物联网终端的处理能力和能耗；海量物联网终端生成的数据也可接入就近的边缘服务器，降低处理时延，减轻回程负担。大规模MIMO(multi-input multi-output)技术通过增加基站天线数量，利用空间资源，既能提升频谱效率和复用能力，也能利用分集增益和阵列增益改善能量效率。将大规模MIMO与EC融合构成大规模MIMO-EC物联网***，能为物联网终端提供强大的迁移计算服务。
2015年，西班牙加泰罗尼亚大学针对单蜂窝MIMO-EC网络，提出了一种联合最优迁移比与计算资源分配方法，以实现能耗-时延折中；意大利罗马萨宾萨大学针对多蜂窝MIMO-EC网络，提出了一种联合通信资源和计算资源分配方法；美国亚利桑那州立大学基于分布式雾计算，提出了一种以最小化能耗为目标的上行链路资源分配方法；2016年，美国新泽西理工学院针对多小区多用户边缘计算网络，提出了一种联合天线选择、通信资源、计算资源和回程资源分配方法。2017年，北京交通大学设计了一种支持边缘计算的无定型小区(free-cell)大规模MIMO***架构，基站配置边缘云服务器，中央服务器作为云计算中心服务器，提出了一种联合任务迁移、边缘云关联、传输功率分配方法。2018年，加拿大魁北克大学针对大规模MIMO-EC蜂窝网络，以最小化所有终端设备的最大加权能耗和为目标，提出了一种迁移决策与计算、通信资源分配方法。但上述资源分配方法并未有效解决联合导频、数据传输功率分配和计算资源分配问题。
因此，为解决以上问题，需要一种基于物联网任务迁移周期的传输功率与计算资源分配方法，能够高效、合理地分配联合导频、数据传输功率和计算资源。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于物联网任务迁移周期的传输功率与计算资源分配方法，能够高效、合理地分配联合导频、数据传输功率和计算资源。
本发明的基于物联网任务迁移周期的传输功率与计算资源分配方法，包括如下步骤：
S1.确定终端k迁移任务的迁移周期
Figure BDA0002248713050000021
其中，k为物联网中的终端编号，取值为1,2,…,N；
S2.确定终端k迁移任务的能耗
Figure BDA0002248713050000022
S3.根据终端k迁移任务的迁移周期
Figure BDA0002248713050000023
与能耗
Figure BDA0002248713050000024
构建终端计算任务迁移周期的最小化处理模型
Figure BDA0002248713050000025
S4.基于终端计算任务迁移周期的最小化处理模型
Figure BDA0002248713050000026
对传输功率与计算资源进行分配，得到终端计算任务迁移周期的最小值，将获得的最小值对应的传输功率与计算资源作为最优分配。
进一步，步骤S1中，根据如下公式确定终端k迁移任务的迁移周期
Figure BDA0002248713050000027
Figure BDA0002248713050000028
其中，tp为导频序列的传输时间；
Figure BDA0002248713050000029
为终端k迁移任务数据的传输时间；
Figure BDA00022487130500000210
为终端k迁移任务的处理时间。
进一步，步骤S2中，根据如下公式确定终端k迁移任务的能耗
Figure BDA00022487130500000211
Figure BDA00022487130500000212
其中,tp为导频序列的传输时间；
Figure BDA00022487130500000213
为终端k的导频序列传输功率；
Figure BDA00022487130500000214
为终端k迁移任务数据的传输时间；
Figure BDA0002248713050000031
为终端k的迁移任务数据的传输功率。
进一步，步骤S3中，根据如下公式确定终端计算任务迁移周期的最小化处理模型
Figure BDA0002248713050000032
Figure BDA0002248713050000033
其中，
Figure BDA0002248713050000034
为终端k的导频序列传输功率；
Figure BDA0002248713050000035
为终端k的迁移任务数据的传输功率；fk为边缘服务器分配给终端k的CPU工作频率；
Figure BDA0002248713050000036
为基于
Figure BDA0002248713050000037
以及fk来求解终端计算任务迁移周期的最小值；max为所有终端计算任务迁移周期中的最大值；tp为导频序列的传输时间；
Figure BDA0002248713050000038
为终端k迁移任务数据的传输时间；
Figure BDA0002248713050000039
为终端k迁移任务的处理时间；K为物联网的终端数目，取值为1,2,…,N；fS为边缘服务器的最大CPU工作频率；pmax为终端的最大传输功率。
进一步，对终端计算任务迁移周期的最小化处理模型
Figure BDA00022487130500000310
的函数关系及约束条件进行归纳分析，得到辅助函数F(pp,pu,f,τ,μ)，借助辅助函数F(pp,pu,f,τ,μ)对终端计算任务迁移周期的最小化处理模型
Figure BDA00022487130500000311
进行快速求解；其中，根据如下公式确定辅助函数F(pp,pu,f,τ,μ)：
F(pp,pu,f,τ,μ)＝τ+μ(A+B+C)；
其中，K为物联网的终端数目，取值为1,2,…,N；pp为终端的导频序列传输功率的集合，取值为
Figure BDA00022487130500000312
pu为终端迁移任务数据的传输功率的集合，取值为
Figure BDA00022487130500000313
f为边缘服务器分配给终端的CPU工作频率的集合，取值为f＝[f1,f2,......,fK]；τ为辅助变量，且
Figure BDA00022487130500000314
μ为惩罚系数；A、B以及C为与最小化处理模型
Figure BDA00022487130500000315
中的约束条件相关的惩罚项。
进一步，分别根据如下公式确定惩罚项A、B以及C：
Figure BDA0002248713050000041
Figure BDA0002248713050000042
Figure BDA0002248713050000043
进一步，步骤S4具体包括：
S41：根据终端的导频序列传输功率pp、迁移任务数据传输功率pu以及边缘服务器分配给终端的CPU工作频率f，构造初始化点
Figure BDA0002248713050000044
其中，n＝1,…,N；
S42：基于惩罚函数法，根据辅助函数F(pp,pu,f,τ,μ)＝τ+μ(A+B+C)，对初始化点
Figure BDA0002248713050000045
进行处理，得到N个次优解；
S43：在N个次优解中，选择满足终端的能耗约束，且对应的目标函数值
Figure BDA0002248713050000046
为最小的次优解作为最小次优解；
S44：将最小次优解中的终端导频序列传输功率与迁移任务数据传输功率作为果蝇群体的初始化位置，执行改良的果蝇优化算法，得到终端计算迁移任务周期最小值对应的传输功率与计算资源。
本发明的有益效果是：本发明公开的一种基于物联网任务迁移周期的传输功率与计算资源分配方法，通过计算物联网终端迁移任务周期的最小值，对联合传输功率和计算资源的高效、合理分配。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图；
图2为本发明的大规模MIMO-EC网络***结构示意图；
图3为本发明的计算任务迁移周期的时隙分配示意图；
图4为本发明的最大计算任务迁移周期
Figure BDA0002248713050000047
随物联网终端数变化曲线；
图5为本发明的最大计算任务迁移周期
Figure BDA0002248713050000051
随物联网终端任务迁移比特数变化曲线；
图6为本发明的最大计算任务迁移周期
Figure BDA0002248713050000052
随基站天线数变化曲线。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图所示：
本发明的基于物联网任务迁移周期的传输功率与计算资源分配方法，包括如下步骤：
S1.确定终端k迁移任务的迁移周期
Figure BDA0002248713050000053
其中，k为物联网中的终端编号，取值为1,2,…,N；
S2.确定终端k迁移任务的能耗
Figure BDA0002248713050000054
S3.根据终端k迁移任务的迁移周期
Figure BDA0002248713050000055
与能耗
Figure BDA0002248713050000056
构建终端计算任务迁移周期的最小化处理模型
Figure BDA0002248713050000057
S4.基于终端计算任务迁移周期的最小化处理模型
Figure BDA0002248713050000058
对传输功率与计算资源进行分配，得到终端计算任务迁移周期的最小值，将获得的最小值对应的传输功率与计算资源作为最优分配。
大规模MIMO-EC物联网***如图2所示，包括K个单天线物联网终端和一个基站，基站配置有M根天线和边缘服务器，同时具备通信与计算能力。K个单天线物联网终端具有并发任务数据迁移需求，物联网终端k∈K的任务迁移用四元组
Figure BDA0002248713050000059
描述，其中，
Figure BDA00022487130500000510
是任务迁移比特数，
Figure BDA00022487130500000511
是处理结果比特数，
Figure BDA00022487130500000512
是任务生存时间，Xk是任务计算密度(CPU指令周期数/比特)，即物联网终端k∈K将
Figure BDA00022487130500000513
比特的任务经过无线传输迁移到边缘服务器中处理，需要的CPU指令周期数为
Figure BDA00022487130500000514
之后将任务计算产生的
Figure BDA00022487130500000515
比特处理结果反馈给物联网终端，要求在任务生存时间
Figure BDA00022487130500000516
内完成。
K个物联网终端基于空分多址(SDMA)接入基站，边缘服务器为每个物联网终端分配独立虚拟机(VM)并行处理迁移任务。在信道相干时间内，将K个长度为K的导频序列
Figure BDA0002248713050000061
分配给各个物联网终端执行基于导频辅助的信道估计，基站基于信道估计结果执行信号检测，所有导频序列彼此正交。
本实施例中，步骤S1中，将计算任务迁移周期划分为导频序列传输、任务数据传输和迁移任务处理三个阶段，时间分别为tp,tu,tvm，如图3所示。
在导频序列传输阶段，物联网终端k∈K以传输功率
Figure BDA0002248713050000062
发送导频序列Φk至基站，基站采用最小均方误差(MMSE)准则执行信道估计，获得该终端到基站的信道估计向量gk＝[gk1,…,gkM]T：
Figure BDA0002248713050000063
其中，βk表示终端k∈K到基站信道的大尺度衰落因子，包括路径损失和阴影效应；
Figure BDA0002248713050000064
表示零均值、单位方差的加性高斯白噪声向量，
Figure BDA0002248713050000065
表示物联网终端k∈K到基站天线m∈M信道的加性高斯白噪声。
在任务数据传输阶段，物联网终端k∈K以传输功率
Figure BDA0002248713050000066
发送迁移任务数据比特
Figure BDA0002248713050000067
至基站，基站的接收信号向量yk(i)＝[y1(i),…,yM(i)]T：
Figure BDA0002248713050000068
基站利用信道估计结果gk，基于最大比合并(MRC)准则执行接收信号检测，即将接收信号向量yk(i)乘以GH＝[g1,...,gK]H，解码来自所有物联网终端发送的所有迁移任务数据比特
Figure BDA0002248713050000069
物联网终端k∈K的传输速率：
Rk＝log2(1+SINRk) (3)
其中，
Figure BDA00022487130500000610
在迁移任务处理阶段，边缘服务器为不同的物联网终端分配独立的虚拟机(VM)，提供迁移任务的并行处理，处理性能取决于为其分配的CPU工作频率。用fS表示边缘服务器的最大CPU工作频率，分配给物联网终端k∈K的CPU工作频率fk≤fS，处理该终端迁移任务
Figure BDA0002248713050000071
的时间为：
Figure BDA00022487130500000718
则综上所述，物联网终端k∈K迁移任务
Figure BDA0002248713050000072
的计算任务迁移周期为：
Figure BDA0002248713050000073
其中，
Figure BDA0002248713050000074
本实施例中，步骤S2中，物联网终端k∈K处理迁移任务
Figure BDA0002248713050000075
所需的能耗包括导频序列传输能耗和迁移任务数据传输能耗两部分，而能耗主要取决于传输功率和传输时间。
根据如下公式确定终端k迁移任务的能耗
Figure BDA0002248713050000076
Figure BDA0002248713050000077
其中,tp为导频序列的传输时间；
Figure BDA0002248713050000078
为终端k的导频序列传输功率；
Figure BDA0002248713050000079
为终端k迁移任务数据的传输时间；
Figure BDA00022487130500000710
为终端k的迁移任务数据的传输功率。
本实施例中，步骤S3中，以导频序列传输功率、迁移任务数据传输功率和边缘服务器分配的CPU工作频率为决策变量，以最小化所有物联网终端中最大计算任务迁移周期为优化目标，建立大规模MIMO-EC物联网***中联合传输功率分配与计算资源分配模型
Figure BDA00022487130500000711
Figure BDA00022487130500000712
Figure BDA00022487130500000713
其中，
Figure BDA00022487130500000714
为终端k的导频序列传输功率；
Figure BDA00022487130500000715
为终端k的迁移任务数据的传输功率；fk为边缘服务器分配给终端k的CPU工作频率；
Figure BDA00022487130500000716
为基于
Figure BDA00022487130500000717
以及fk来求解终端计算任务迁移周期的最小值；max为所有终端计算任务迁移周期中的最大值；tp为导频序列的传输时间；
Figure BDA0002248713050000081
为终端k迁移任务数据的传输时间；
Figure BDA0002248713050000082
为终端k迁移任务的处理时间；K为物联网的终端数目，取值为1,2,…,N；fS为边缘服务器的最大CPU工作频率；pmax为终端的最大传输功率；C1为终端k的能耗约束；C2为边缘服务器的计算资源约束；C3为终端的传输功率约束。
本实施例中，步骤S4中，分析优化模型
Figure BDA0002248713050000083
可以得到如下结论，在得到最优解处，所有物联网终端的计算任务迁移周期相等，即计算资源分配满足方程组：
Figure BDA0002248713050000084
结合计算资源约束C2的边界条件，将上式简写为：
Figure BDA0002248713050000085
求解上式可以得到f1，然后根据式(8)计算边缘服务器分配给所有物联网终端的计算资源f＝{f1,…,fK}，其分配结果取决于导频序列传输功率和迁移任务数据传输功率。
为了实现最优功率分配，引入辅助变量τ将
Figure BDA0002248713050000086
转化为等价的优化模型
Figure BDA0002248713050000087
Figure BDA0002248713050000088
其中，C0表示各物联网终端的计算任务迁移周期均小于一个常数。
对
Figure BDA0002248713050000089
构造辅助函数：
F(pp,pu,f,τ,μ)＝τ+μ(A+B+C) (11)
其中，
Figure BDA0002248713050000091
μ为惩罚项系数，取值为充分大的正数；惩罚项A、B以及C分别为：
Figure BDA0002248713050000092
则进一步将优化模型
Figure BDA0002248713050000093
转化为优化模型
Figure BDA0002248713050000094
Figure BDA0002248713050000095
若
Figure BDA0002248713050000096
的决策变量(pp,pu,f,τ,μ)位于可行域内，则有F(pp,pu,f,τ,μ)＝τ；若
Figure BDA0002248713050000097
的决策变量(pp,pu,f,τ,μ)不在可行域内，则设置辅助函数F(pp,pu,f,τ,μ)中的惩罚项系数μ为递增且趋于无穷大的数列{μt},t＝1,2,…，t是迭代次数，旨在对不在可行域内的决策变量进行惩罚，迫使迭代过程不断接近可行域。
根据式(8)和(9)，计算资源分配结果f＝{f1,…,fK}，此资源分配取决于导频序列传输功率和迁移任务数据传输功率。在大规模MIMO-EC物联网***中联合传输功率分配与计算资源分配方法(IFOA-PFSA)的实现流程如以下算法1所述：
1：随机初始化N个功率分配初始点
Figure BDA0002248713050000098
根据式(8)和(9)获得计算资源分配f(n),n＝1,…,N，并设置辅助变量目标值τ；
2：根据式(11)构造辅助函数F(pp,pu,f,τ,μ)＝τ+μ(A+B+C)，基于当前的初始点
Figure BDA0002248713050000099
执行算法2获得N个次优解；
3：在N个次优解中，选择满足能量约束
Figure BDA00022487130500000910
且对应的目标函数值
Figure BDA00022487130500000911
最小的次优解
Figure BDA00022487130500000912
4：以
Figure BDA00022487130500000913
的目标函数作为适应度函数，从步骤3得到的次优解
Figure BDA00022487130500000914
中提取所有物联网终端的导频传输功率和迁移任务数据传输功率
Figure BDA00022487130500000915
作为果蝇群体的初始位置，执行算法4，输出最优解
Figure BDA00022487130500000916
其中，所述算法2基于惩罚函数法，对算法1中确定的每个初始点
Figure BDA0002248713050000101
进行处理，获得该初始点对应的次优解
Figure BDA0002248713050000102
则对于第n个初始点
Figure BDA0002248713050000103
执行算法2的流程如下：
1：设置
Figure BDA0002248713050000104
功率控制次优解精度为ε以及惩罚项系数数列{μt},t＝1,2,…；其中，迭代次数t←1；
2：构造辅助函数F((pp,pu,f)(t-1),τ,μt)；
3：使用算法3求解minF((pp,pu,f)(t-1),τ,μt)；
4：若||(pp,pu,f)(t)-(pp,pu,f)(t-1)||<ε，则停止迭代，并输出次优解：
Figure BDA0002248713050000105
否则，t←t+1，返回步骤2，并依次向下执行。
所述算法3采用最速下降法求解minF((pp,pu,f)(t-1),τ,μt)。算法3的流程如下：
1：对于(pp,pu,f)(0)，给定最速下降梯度精度δ，迭代次数m←0；
2：计算梯度
Figure BDA0002248713050000106
若
Figure BDA0002248713050000107
则停止迭代，输出次优解：
Figure BDA0002248713050000108
否则，转步骤3，并依次向下执行；
3：根据
Figure BDA0002248713050000109
搜索迭代步长λm，令
Figure BDA00022487130500001010
4：若||F(pp,pu,f,μt)(m+1)-F(pp,pu,f,μt)(m)||<δ，输出次优解：
Figure BDA00022487130500001011
则停止迭代；否则，m←m+1，转步骤2，并依次向下执行。
所述算法4为改良的果蝇优化算法，该算法是一种基于果蝇觅食行为推演的智能算法，即果蝇首先利用其良好的嗅觉搜集气味以寻找食物源，飞到食物附近后再用敏锐的视觉发现食物及同伴，并飞向同伴聚集地。
算法4分为四个阶段，依次为：初始化、嗅觉搜索过程、视觉搜索过程以及迭代处理，其实现流程如下：
阶段1：初始化
1：果蝇群体规模为物联网终端的导频传输功率和迁移任务数据传输功率(pp,pu)，最大迭代次数T，果蝇单次飞行距离(Δpp,Δpu)，果蝇群体的初始位置
Figure BDA0002248713050000111
即果蝇群体中每个个体k＝1,…,K的初始位置
Figure BDA0002248713050000112
t←1；
阶段2：嗅觉搜索过程
2：果蝇群体中每个个体k＝1,…,K利用嗅觉搜索，在第t次嗅觉搜索中，赋予其固定飞行距离
Figure BDA0002248713050000113
随机飞行方向
Figure BDA0002248713050000114
新的位置信息：
Figure BDA0002248713050000115
3：计算气味浓度
Figure BDA0002248713050000116
4：选择果蝇群体K中具有最大气味浓度
Figure BDA0002248713050000117
的果蝇个体k*，记录其最大气味浓度值和相应的位置为
Figure BDA0002248713050000118
阶段3：视觉搜索过程
5：保持最大气味浓度值和对应果蝇位置
Figure BDA0002248713050000119
其他果蝇个体利用视觉飞向此位置，即
Figure BDA00022487130500001110
阶段4：t←t+1，重复阶段2与阶段3，直到迭代次数达到T
6：输出
Figure BDA00022487130500001111
对应的位置Xk(t),Yk(t)即为该个体的最优位置，所有个体的最优位置即为最优解
Figure BDA00022487130500001112
以应用于智能变电站的物联网***为例阐述本方法的实施效果。单蜂窝大规模MIMO-EC物联网***如图2所示，基站部署在智能变电站内，配置的边缘服务器最大CPU工作频率fS＝100GHz，配置的天线数M＝32～256，具有任务迁移需求的物联网终端数K在[10,20]均匀分布，对于物联网终端k＝1,...,K，功率约束pmax＝0.2W，能量约束
Figure BDA00022487130500001113
任务迁移比特数
Figure BDA00022487130500001114
物联网终端与基站之间的距离d在[10,60]m之间均匀分布。
设置导频序列传输时间tp＝10ms，功率控制次优解精度ε＝0.005W，最速下降梯度精度δ＝10-4，惩罚项系数数列{μt}＝{5×t},t＝1,2,…，在改良的果蝇优化算法中，最大迭代次数T＝10，物联网终端的导频传输功率和数据传输功率迭代步长，即果蝇单次飞行距离Δpp＝Δpu＝0.001W。
在基于导频辅助的信道估计中，物联网终端k∈K到基站信道的大尺度衰落因子βk＝zk/(dk)α，zk表示阴影衰落，其对数服从0均值，方差为
Figure BDA0002248713050000124
的正态分布，dk表示物联网终端k∈K与基站的通信距离，α为路径损失指数。在本实施例中，取α＝3.7，σsh＝8dB，基站利用无线定位技术已获得通信距离dk，即物联网终端k∈K到基站信道的大尺度衰落因子βk是已知的。
将经典的果蝇优化算法(TFOA)与本方法(IFOA-PFSA)的性能进行对比分析如下：
图4所示为最大计算任务迁移周期
Figure BDA0002248713050000121
随物联网终端数变化曲线，基站配置天线数M＝32，每个物联网终端任务迁移比特数
Figure BDA0002248713050000122
边缘服务器最大CPU工作频率fS＝100GHz。由图可知，IFOA-PFSA与TFOA的最大计算任务迁移周期均随物联网终端数的增加而增大，其原因是：一方面，在给定天线数的大规模MIMO***中，随着物联网终端数的增加，相互干扰增大，传输速率降低，造成迁移任务数据传输时间增加；另一方面，由于计算资源受限，分配给每个物联网终端的计算资源随物联网终端数的增加而减少，也会造成最大计算任务迁移周期增加。但IFOA-PFSA的性能优于TFOA，且随着物联网终端数的增加越来越显著。
图5所示为最大计算任务迁移周期
Figure BDA0002248713050000123
随物联网终端任务迁移比特数变化曲线，基站配置天线数M＝32，物联网终端数K＝10，边缘服务器最大CPU工作频率fS＝100GHz。由图可知，IFOA-PFSA与TFOA的最大计算任务迁移周期均随物联网终端任务迁移比特数增加而上升，其原因是：一方面，在传输速率不变下，任务迁移数据量的增加会增大传输时间；另一方面，相同的计算资源需要处理的数据量增多也会增大处理时间。但IFOA-PFSA的性能优于TFOA，且随着物联网终端任务迁移比特数的增加越来越显著。
图6所示为最大计算任务迁移周期
Figure BDA0002248713050000131
随基站天线数变化曲线，物联网终端数K＝10，每个物联网终端任务迁移比特数
Figure BDA0002248713050000132
边缘服务器最大CPU工作频率fS＝100GHz。由图可知，IFOA-PFSA与TFOA的最大任务迁移周期均随天线数的增加而减小，其原因是：基站天线数增加能为各个物联网终端提供更大的空间分集增益，增大SINR，提升传输速率，从而减少任务数据的传输时间。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施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宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于物联网任务迁移周期的传输功率与计算资源分配方法，其特征在于：包括如下步骤：
S1.确定终端k迁移任务的迁移周期
Figure FDA0003575911520000011
其中，k为物联网中的终端编号，取值为1,2,…,N；
S2.确定终端k迁移任务的能耗
Figure FDA0003575911520000012
S3.根据终端k迁移任务的迁移周期
Figure FDA0003575911520000013
与能耗
Figure FDA0003575911520000014
构建终端计算任务迁移周期的最小化处理模型
Figure FDA0003575911520000015
根据如下公式确定终端计算任务迁移周期的最小化处理模型
Figure FDA0003575911520000016
Figure FDA0003575911520000017
Figure FDA0003575911520000018
其中，
Figure FDA0003575911520000019
为终端k的导频序列传输功率；
Figure FDA00035759115200000110
为终端k的迁移任务数据的传输功率；fk为边缘服务器分配给终端k的CPU工作频率；
Figure FDA00035759115200000111
为基于
Figure FDA00035759115200000112
以及fk来求解终端计算任务迁移周期的最小值；max为所有终端计算任务迁移周期中的最大值；tp为导频序列的传输时间；
Figure FDA00035759115200000113
为终端k迁移任务数据的传输时间；
Figure FDA00035759115200000114
为终端k迁移任务的处理时间；K为物联网的终端数目，取值为1,2,…,N；fS为边缘服务器的最大CPU工作频率；pmax为终端的最大传输功率；
S4.基于终端计算任务迁移周期的最小化处理模型
Figure FDA00035759115200000115
对传输功率与计算资源进行分配，得到终端计算任务迁移周期的最小值，将获得的最小值对应的传输功率与计算资源作为最优分配。
2.根据权利要求1所述的基于物联网任务迁移周期的传输功率与计算资源分配方法，其特征在于：步骤S1中，根据如下公式确定终端k迁移任务的迁移周期
Figure FDA0003575911520000021
Figure FDA0003575911520000022
其中，tp为导频序列的传输时间；
Figure FDA0003575911520000023
为终端k迁移任务数据的传输时间；
Figure FDA0003575911520000024
为终端k迁移任务的处理时间。
3.根据权利要求1所述的基于物联网任务迁移周期的传输功率与计算资源分配方法，其特征在于：步骤S2中，根据如下公式确定终端k迁移任务的能耗
Figure FDA0003575911520000025
Figure FDA0003575911520000026
其中,tp为导频序列的传输时间；
Figure FDA0003575911520000027
为终端k的导频序列传输功率；
Figure FDA0003575911520000028
为终端k迁移任务数据的传输时间；
Figure FDA0003575911520000029
为终端k的迁移任务数据的传输功率。
4.根据权利要求1所述的基于物联网任务迁移周期的传输功率与计算资源分配方法，其特征在于：对终端计算任务迁移周期的最小化处理模型
Figure FDA00035759115200000215
的函数关系及约束条件进行归纳分析，得到辅助函数F(pp,pu,f,τ,μ)，借助辅助函数F(pp,pu,f,τ,μ)对终端计算任务迁移周期的最小化处理模型
Figure FDA00035759115200000216
进行快速求解；其中，根据如下公式确定辅助函数F(pp,pu,f,τ,μ)：
F(pp,pu,f,τ,μ)＝τ+μ(A+B+C)；
其中，K为物联网的终端数目，取值为1,2,…,N；pp为终端的导频序列传输功率的集合，取值为
Figure FDA00035759115200000210
pu为终端迁移任务数据的传输功率的集合，取值为
Figure FDA00035759115200000211
f为边缘服务器分配给终端的CPU工作频率的集合，取值为f＝[f1,f2,......,fK]；τ为辅助变量，且
Figure FDA00035759115200000212
μ为惩罚系数；A、B以及C为与最小化处理模型
Figure FDA00035759115200000213
中的约束条件相关的惩罚项。
5.根据权利要求4所述的基于物联网任务迁移周期的传输功率与计算资源分配方法，其特征在于：分别根据如下公式确定惩罚项A、B以及C：
Figure FDA00035759115200000214
Figure FDA0003575911520000031
Figure FDA0003575911520000032
6.根据权利要求1所述的基于物联网任务迁移周期的传输功率与计算资源分配方法，其特征在于：步骤S4具体包括：
S41：根据终端的导频序列传输功率pp、迁移任务数据传输功率pu以及边缘服务器分配给终端的CPU工作频率f，构造初始化点
Figure FDA0003575911520000033
其中，n＝1,…,N；
S42：基于惩罚函数法，根据辅助函数F(pp,pu,f,τ,μ)＝τ+μ(A+B+C)，对初始化点
Figure FDA0003575911520000034
进行处理，得到N个次优解；
S43：在N个次优解中，选择满足终端的能耗约束，且对应的目标函数值
Figure FDA0003575911520000035
为最小的次优解作为最小次优解；
S44：将最小次优解中的终端导频序列传输功率与迁移任务数据传输功率作为果蝇群体的初始化位置，执行改良的果蝇优化算法，得到终端计算迁移任务周期最小值对应的传输功率与计算资源。
CN201911026324.1A 2019-10-25 2019-10-25 基于物联网任务迁移周期的传输功率与计算资源分配方法 Active CN110677858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911026324.1A CN110677858B (zh) 2019-10-25 2019-10-25 基于物联网任务迁移周期的传输功率与计算资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911026324.1A CN110677858B (zh) 2019-10-25 2019-10-25 基于物联网任务迁移周期的传输功率与计算资源分配方法

Publications (2)

Publication Number Publication Date
CN110677858A CN110677858A (zh) 2020-01-10
CN110677858B true CN110677858B (zh) 2022-05-17

Family

ID=69084095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911026324.1A Active CN110677858B (zh) 2019-10-25 2019-10-25 基于物联网任务迁移周期的传输功率与计算资源分配方法

Country Status (1)

Country Link
CN (1) CN110677858B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111372260B (zh) * 2020-03-09 2021-09-07 西安交通大学 一种基于流量预测与果蝇优化算法的网络负载均衡方法
CN111586146B (zh) * 2020-04-30 2022-04-22 贵州电网有限责任公司 基于概率转移深度强化学习的无线物联网资源分配方法
CN112214301B (zh) * 2020-10-29 2023-06-02 华侨大学 面向智慧城市基于用户偏好的动态计算迁移方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109151864A (zh) * 2018-09-18 2019-01-04 贵州电网有限责任公司 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
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
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
CN109819046A (zh) * 2019-02-26 2019-05-28 重庆邮电大学 一种基于边缘协作的物联网虚拟计算资源调度方法
CN109905470A (zh) * 2019-02-18 2019-06-18 南京邮电大学 一种基于边缘网关***的开销优化任务调度方法
CN109992419A (zh) * 2019-03-29 2019-07-09 长沙理工大学 一种优化的协同边缘计算低延迟任务分配卸载方法
CN110187964A (zh) * 2019-05-07 2019-08-30 南京邮电大学 物联网场景中完成时间最小化雾计算迁移方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109151864A (zh) * 2018-09-18 2019-01-04 贵州电网有限责任公司 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
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
CN109905470A (zh) * 2019-02-18 2019-06-18 南京邮电大学 一种基于边缘网关***的开销优化任务调度方法
CN109819046A (zh) * 2019-02-26 2019-05-28 重庆邮电大学 一种基于边缘协作的物联网虚拟计算资源调度方法
CN109992419A (zh) * 2019-03-29 2019-07-09 长沙理工大学 一种优化的协同边缘计算低延迟任务分配卸载方法
CN110187964A (zh) * 2019-05-07 2019-08-30 南京邮电大学 物联网场景中完成时间最小化雾计算迁移方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fog Computing:Towards Minimizing Delay in the Internet of Things;Ashkan Yousefpour 等;《2017 IEEE 1st international conference on edge computing》;20171231;17-24 *
一种能效优先的物联网任务协同迁移策略;周龙雨等;《物联网学报》;20190630;第3卷(第2期);64-71 *

Also Published As

Publication number Publication date
CN110677858A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110677858B (zh) 基于物联网任务迁移周期的传输功率与计算资源分配方法
CN110289895B (zh) 能效谱效联合优化的大规模mimo下行功率分配方法
CN110166090B (zh) 能效最优的大规模mimo下行单播波束域功率分配方法
KR101087873B1 (ko) Ｏｆｄｍａ 기반 네트워크를 지원하는 방법, 장치 및 시스템
CN105162507B (zh) 大规模mimo fdd***中基于信漏噪比的两阶段预编码方法
CN109104225A (zh) 一种能效最优的大规模mimo波束域多播传输方法
CN113708804B (zh) 基于鲸鱼算法的用户调度和模拟波束选择优化方法
CN110311715B (zh) 能效最优的大规模mimo非正交单播多播传输功率分配方法
CN112468196A (zh) 一种基于pzf预编码的去蜂窝大规模mimo***中功率分配方法
CN111970033B (zh) 能效谱效联合优化的大规模mimo多播功率分配方法
CN113490219B (zh) 一种面向超密集组网的动态资源分配方法
Hao et al. Pilot allocation algorithm based on K-means clustering in cell-free massive MIMO systems
Ni et al. User association and hybrid beamforming designs for cooperative mmWave MIMO systems
CN109951219B (zh) 一种低成本的大规模非正交多接入方法
CN109787672B (zh) 基于参数学习的大规模mimo格点偏移信道估计方法
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
CN114302487B (zh) 基于自适应粒子群功率分配的能效优化方法、装置及设备
CN107872255B (zh) 适用于大规模mimo蜂窝移动通信网络的导频调度方法
Alharbi et al. A time-and energy-efficient massive MIMO-NOMA MEC offloading technique: A distributed ADMM approach
CN113922849B (zh) 一种毫米波mimo-noma***下的用户分组和功率分配方法
Hadi et al. Joint resource allocation, user clustering and 3-d location optimization in multi-uav-enabled mobile edge computing
CN113258985B (zh) 单站多星mimo上注***能效优化方法
CN110545204B (zh) 一种基于外罚函数与果蝇优化的资源分配方法及服务器
CN115133969A (zh) 毫米波大规模mimo-noma***的性能提高方法
CN108063656A (zh) 一种适用于大规模mimo蜂窝网络的新型导频分配方法

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