CN110941667A - 一种移动边缘计算网络中的计算卸载方法及*** - Google Patents
一种移动边缘计算网络中的计算卸载方法及*** Download PDFInfo
- Publication number
- CN110941667A CN110941667A CN201911082719.3A CN201911082719A CN110941667A CN 110941667 A CN110941667 A CN 110941667A CN 201911082719 A CN201911082719 A CN 201911082719A CN 110941667 A CN110941667 A CN 110941667A
- Authority
- CN
- China
- Prior art keywords
- unloading
- user
- optimal
- calculation
- decision
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种移动边缘计算网络中的计算卸载方法及***,能够降低用户终端设备的能耗和时迟。所述方法包括:将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;初始化计算资源分配;根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;计算得到当前最优卸载决策下的最优计算资源分配方案;将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。本发明涉及物联网、人工智能领域。
Description
技术领域
本发明涉及物联网、人工智能领域,特别是指一种移动边缘计算网络中的计算卸载方法及***。
背景技术
随着无线通信技术的飞速发展,人们的通信手段和方法都在发生巨大的变化。一方面,由于5G技术和物联网技术的不断成熟,万物互联、海量机器通信等一系列全新的通信概念被提出。随着这些新兴通信概念一并出现的,就是各种网络设备的大量涌入。智能手机、智能传感器、可穿戴智能设备等多种终端设备都需要接入到网络之中,这无疑会对现有的网络造成巨大的影响和冲击。另一方面,为了满足机器与机器之间、人与机器之间的不同通信需求,各种新的通信服务开始进入人们的生活,例如无人驾驶技术、虚拟现实技术、增强现实技术、自然语言处理技术等等。同以往的通信服务不同的是,上述技术都需要对应用程序产生的大量数据进行实时快速的处理,并且对时延都有着较为严格的要求。
然而,由于便携式通信设备对移动性的追求,导致了这些移动通信设备在物理尺寸、电池功率、计算能力上有所欠缺。因此,在执行上述计算密集型和时延敏感性的计算任务时,可能会出现计算周期较长、电池电量消耗较快等现象,在用户侧的体验就是应用程序的运行卡顿、通信设备的续航性能较差,即用户体验受到极大影响。
发明内容
本发明要解决的技术问题是提供一种移动边缘计算网络中的计算卸载方法及***,以解决现有技术所存在的用户终端设备电池容量较小、计算能力有限的问题。
为解决上述技术问题,本发明实施例提供一种移动边缘计算网络中的计算卸载方法,包括:
S101,将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;
S102,初始化计算资源分配;
S103,根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;
S104,以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;
S105,将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,并返回执行S104,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。
进一步地,所述初始化计算资源分配包括:
为每个用户分配可行的计算资源初始值。
进一步地,所述根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策包括:
计算用户选择不同卸载模式时的时延,并将计算得到的时延与用户的最大时延容忍值进行比较,若小于等于最大时延容忍值,则该卸载模式可行,将其加入该用户的可行卸载决策集合;若大于最大时延容忍值,则该卸载模式不可行;
以最小化时延和能耗之和为目标函数,根据初始化结果和可行卸载决策集合中的可行卸载决策,确定最优卸载决策。
进一步地,所述目标函数为:
C7:α+β=1
其中,A表示卸载决策矩阵,若矩阵A中的元素aij=1,则表示用户i的任务Mi选择了卸载模式j进行卸载计算;R表示计算资源分配矩阵,R中的元素rij表示任务Mi以卸载模式j被执行时分配给任务Mi的计算资源;S表示卸载模式集合,S={0,1,2...,m};U表示用户集合,U={1,2...,n};α、β分别表示时延和能耗在***开销中所占的比例;表示任务Mi以卸载模式j被执行时的执行时间;表示任务Mi以卸载模式j被执行时的能耗;表示任务Mi数据的传输时间;表示传输任务Mi的能耗;表示任务Mi的最大时延容忍值;表示选择了卸载模式j进行卸载计算时,***能够分配的最大资源量;C1、C2、C3、C4、C5、C6、C7都表示约束条件。
其中,Cij表示任务Mi以卸载模式j被执行时所需要的计算资源。
其中,k表示电容系数。
其中,P表示功率分配矩阵,Dij表示任务Mi选择了卸载模式j进行卸载计算时需要上传的数据量。
进一步地,RATEij表示为:
本发明实施例还提供一种移动边缘计算网络中的计算卸载***,包括:
分解模块,用于将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;
初始化模块,用于初始化计算资源分配;
筛选模块,用于根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;
确定模块,用于以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;
优化模块,用于将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,并返回执行确定模块,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。
本发明的上述技术方案的有益效果如下:
上述方案中,将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;初始化计算资源分配;根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。这样,通过优化移动边缘计算网络中的计算卸载策略,使得用户终端设备可以将计算任务卸载到距离用户侧较近的边缘服务器执行,从而可以降低用户终端设备的能量消耗(简称:能耗)和时间延迟(简称:时迟)。
附图说明
图1为本发明实施例提供的移动边缘计算网络中的计算卸载方法的流程示意图;
图2为本发明实施例提供的移动边缘计算网络通信结构示意图;
图3为本发明实施例提供的移动边缘计算网络中的计算卸载***的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的用户终端设备电池容量较小、计算能力有限的问题,提供一种移动边缘计算网络中的计算卸载方法及***。
为了更好地理解本发明实施例所述的移动边缘计算网络中的计算卸载方法,先对移动边缘计算架构进行简要说明:
在移动边缘计算架构中,有许多具有一定计算能力的服务器被部署在网络的边缘。用户终端设备可以将计算任务卸载到边缘服务器执行,用户只需要提供计算所需的各项参数,而具体的计算过程则由边缘服务器执行,得到最终的计算结果之后,再由边缘服务器反馈给用户。通过这种计算卸载机制,用户终端设备不再需要频繁的对大量数据进行处理,从而减轻了用户终端设备的运行负担,减少了一部分的能量消耗,续航性能得到了一定的提高。并且,这些边缘服务器同用户终端设备的物理距离相对较短,用户不再需要将任务迁移到遥远的云计算中心,边缘服务器就可以满足用户的绝大部分计算需求,因此,通信距离得到了极大缩短,可以很好的解决传输时延较大的问题。
实施例一
如图1所示,本发明实施例提供的移动边缘计算网络中的计算卸载方法,包括:
S101,将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;
S102,初始化计算资源分配;
S103,根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;
S104,以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;
S105,将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,并返回执行S104,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。
本发明实施例所述的移动边缘计算网络中的计算卸载方法,将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;初始化计算资源分配;根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。这样,通过优化移动边缘计算网络中的计算卸载策略,使得用户终端设备可以将计算任务卸载到距离用户侧较近的边缘服务器执行,从而可以降低用户终端设备的能量消耗和时间延迟。
本实施例提供的所述移动边缘计算网络中的计算卸载方法,能用于应对计算密集型和时延敏感型计算任务为用户终端设备的计算能力和电池容量带来的挑战,实现对计算任务的低能耗、低时延高效处理。
为了更好地理解本发明实施例所述的移动边缘计算网络中的计算卸载方法,对其进行详细说明,具体可以包括以下步骤:
A1,优化变量去耦合,将原计算卸载问题分解为两个子问题
本实施例中,将移动边缘计算网络中的计算卸载问题(相关性较低的用户卸载决策和计算资源分配两种优化变量)分解为用户卸载决策求解和计算资源分配求解两个子问题分别求解。
A2,初始化计算资源分配
本实施例中,为每个用户分配可行的计算资源初始值,例如,将现有的计算资源平均分配给每个用户。
A3,筛选每个用户的卸载决策,得到每个用户的可行卸载决策集合,并确定最优卸载决策
本实施例中,根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策,具体可以包括以下步骤:
A31,计算用户选择不同卸载模式时的时延,并将计算得到的时延与用户的最大时延容忍值进行比较,若小于等于最大时延容忍值,则该卸载模式可行,将其加入该用户的可行卸载决策集合;若大于最大时延容忍值,则该卸载模式不可行;通过这种方式获得所有用户的可行卸载决策集合;
A32,以最小化时延和能耗之和为目标函数,根据初始化结果和可行卸载决策集合中的可行卸载决策,确定最优卸载决策。
本实施例中,在进行用户卸载决策的计算时,先根据各用户终端设备的不同时延要求对各用户终端设备的可行卸载决策进行了提前筛选,能够大大降低算法的复杂度,并提高计算效率。
本实施例中,以图2所示的单个基站的通信***为例进行说明:
在基站(Base Station)侧部署有一个边缘服务器(MEC Server),为用户提供计算服务。在基站的覆盖范围内有n个用户,用户集合表示为U={1,2...,n};其中,假设每个用户都有一个任务需要进行卸载计算,每个用户的任务可以表示为Mi,i∈U,若计算卸载所需要的时延超过任务能容忍的最大时延(即:最大时延容忍值)TMAX,则认为是卸载失败。
设备间通信也可以作为一种计算卸载的手段,即各用户之间可以通过设备间通信等通信手段,拥有空闲计算资源的用户可以为需要进行计算卸载的用户提供计算服务因此,对于每一个需要被卸载的任务Mi来说,将会有(m+1)种类卸载模式,表示为S={0,1,2...,m};对于不同的卸载模式j,j∈S,解释如下:
当j=0时,表示任务Mi被卸载到边缘服务器进行计算;
当j=i时,表示任务Mi不进行卸载,在本地进行计算;
当j取其它值时,表示用户i的任务Mi被卸载到用户j进行计算。
基于以上卸载模式,将用户的卸载决策定义为一个i×j,i∈U and j∈S的矩阵A,若矩阵A中的元素aij=1,则表示用户i的任务Mi选择了卸载模式j进行卸载计算。以图2的***模型为例进行说明,可以看到,用户1(U1)和用户2(U2)选择将任务卸载到边缘服务器执行,用户3(U3)选择将任务卸载到用户2(U2)执行,用户4(U4)选择本地执行计算任务。因此,在用户的卸载决策矩阵中,a10,a10,a10,a10,a10,a20,a32,a44的值被设置为1。此外,定义计算资源分配矩阵为一个i×j,i∈U and j∈S的矩阵R,矩阵R中的元素rij表示任务Mi以卸载模式j被执行时分配给任务Mi的计算资源。定义功率分配矩阵为i×1,i∈U的矩阵P,矩阵P中的元素表示用户i的发射功率。
当用户i的任务Mi以卸载模式j被执行时,执行时间表示为:
其中,Cij表示任务Mi以卸载模式j被执行时所需要的计算资源,即为计算此任务占用的CPU周期数。
任务Mi以卸载模式j被执行时的能耗为:
其中,k>0为电容系数。
当用户i的计算任务Mi以卸载模式j,j≠i被执行,即任务不在本地执行时,需要进行任务数据的传输,传输速率RATEij表示如下:
其中,W表示信道带宽;表示用户i的发射功率;P中的元素表示用户l的发射功率;w表示噪声功率;Hij、Hlj分别表示用户i、用户l选择卸载模式j时的信道增益;alj表示用户l选择了卸载模式j进行卸载计算;表示使用同一信道的用户之间的干扰。
当任务执行完成之后,需要向发起卸载请求的用户返回计算结果,但是由于同输入数据相比,计算结果的数据量可以忽略,因此下行数据传输过程可以不计入***开销。任务数据的传输时间为:
其中,P表示功率分配矩阵,Dij表示任务Mi选择了卸载模式j进行卸载计算时需要上传的数据量。
传输任务的能耗为:
综合以上分析,目标函数可以表示为:
C7:α+β=1
其中,A表示卸载决策矩阵,若矩阵A中的元素aij=1,则表示用户i的任务Mi选择了卸载模式j进行卸载计算;R表示计算资源分配矩阵,R中的元素rij表示任务Mi以卸载模式j被执行时分配给任务Mi的计算资源;S表示卸载模式集合,S={0,1,2...,m};U表示用户集合,U={1,2...,n};α、β分别表示时延和能耗在***开销中所占的比例;表示任务Mi以卸载模式j被执行时的执行时间;表示任务Mi以卸载模式j被执行时的能耗;表示任务Mi数据的传输时间;表示传输任务Mi的能耗;表示任务Mi的最大时延容忍值;表示选择了卸载模式j进行卸载计算时,***能够分配的最大资源量;C1、C2、C3、C4、C5、C6、C7都表示约束条件。
本实施例中,C1保证了每个任务都会被执行;C2表示每个用户只能同时接受一个计算任务;C3表示最终得到的计算资源分配不能超过C4和C5表示若用户i的计算任务Mi以卸载模式j执行,则必须为卸载模式j分配计算资源;C6为用户进行计算卸载的前提,若要进行计算卸载,必须满足时延条件;C7中α和β分别代表时延和能耗在***开销中所占的比例,二者之和为1。
A4,以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;
本实施例中,将得到的当前最优卸载决策代入目标函数和约束不等式中,采用凸优化手段,将难以求解的非凸问题转化为拟凸问题或其他易于求解的形式,计算得到当前最优卸载决策下的最优计算资源分配方案。
A5,将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,并返回执行A4,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。
本实施例中,通过迭代式启发算法,对卸载决策和计算资源分配进行迭代更新,直至最优卸载策略不再发生变化,表示当前解即为原问题的最优解,即最优计算卸载方案,到此结束迭代。
需要强调的是:
本发明实施例提供的移动边缘计算网络中的计算卸载方法不仅适用于单个基站、单个边缘服务器组成的通信***,也适用于多个基站、多个边缘服务器组成的通信***;且每个用户可以有多个需要进行卸载计算的任务。
实施例二
本发明还提供一种移动边缘计算网络中的计算卸载***的具体实施方式,由于本发明提供的移动边缘计算网络中的计算卸载***与前述移动边缘计算网络中的计算卸载方法的具体实施方式相对应,该移动边缘计算网络中的计算卸载***可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述移动边缘计算网络中的计算卸载方法具体实施方式中的解释说明,也适用于本发明提供的移动边缘计算网络中的计算卸载***的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
如图3所示,本发明实施例还提供一种移动边缘计算网络中的计算卸载***,包括:
分解模块11,用于将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;
初始化模块12,用于初始化计算资源分配;
筛选模块13,用于根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;
确定模块14,用于以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;
优化模块15,用于将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,并返回执行确定模块,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。
本发明实施例所述的移动边缘计算网络中的计算卸载***将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;初始化计算资源分配;根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。这样,通过优化移动边缘计算网络中的计算卸载策略,使得用户终端设备可以将计算任务卸载到距离用户侧较近的边缘服务器执行,从而可以降低用户终端设备的能量消耗和时间延迟。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种移动边缘计算网络中的计算卸载方法,其特征在于,包括:
S101,将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;
S102,初始化计算资源分配;
S103,根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;
S104,以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;
S105,将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,并返回执行S104,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。
2.根据权利要求1所述的移动边缘计算网络中的计算卸载方法,其特征在于,所述初始化计算资源分配包括:
为每个用户分配可行的计算资源初始值。
3.根据权利要求1所述的移动边缘计算网络中的计算卸载方法,其特征在于,所述根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策包括:
计算用户选择不同卸载模式时的时延,并将计算得到的时延与用户的最大时延容忍值进行比较,若小于等于最大时延容忍值,则该卸载模式可行,将其加入该用户的可行卸载决策集合;若大于最大时延容忍值,则该卸载模式不可行;
以最小化时延和能耗之和为目标函数,根据初始化结果和可行卸载决策集合中的可行卸载决策,确定最优卸载决策。
4.根据权利要求1所述的移动边缘计算网络中的计算卸载方法,其特征在于,所述目标函数为:
C7:α+β=1
其中,A表示卸载决策矩阵,若矩阵A中的元素aij=1,则表示用户i的任务Mi选择了卸载模式j进行卸载计算;R表示计算资源分配矩阵,R中的元素rij表示任务Mi以卸载模式j被执行时分配给任务Mi的计算资源;S表示卸载模式集合,S={0,1,2...,m};U表示用户集合,U={1,2...,n};α、β分别表示时延和能耗在***开销中所占的比例;表示任务Mi以卸载模式j被执行时的执行时间;表示任务Mi以卸载模式j被执行时的能耗;表示任务Mi数据的传输时间;表示传输任务Mi的能耗;Ti MAX表示任务Mi的最大时延容忍值;表示选择了卸载模式j进行卸载计算时,***能够分配的最大资源量;C1、C2、C3、C4、C5、C6、C7都表示约束条件。
10.一种移动边缘计算网络中的计算卸载***,其特征在于,包括:
分解模块,用于将移动边缘计算网络中的计算卸载问题分解为用户卸载决策求解和计算资源分配求解两个子问题;
初始化模块,用于初始化计算资源分配;
筛选模块,用于根据用户的不同时延要求对卸载决策进行筛选,得到每个用户的可行卸载决策集合,并根据初始化结果,确定最优卸载决策;
确定模块,用于以最小化时延和能耗之和为目标函数,计算得到当前最优卸载决策下的最优计算资源分配方案;
优化模块,用于将得到的最优计算资源分配方案代入目标函数求解卸载策略,判断得到的卸载策略与最优卸载决策是否相同,若不同,则更新最优卸载策略,并返回执行确定模块,直至最优卸载策略不再发生变化或达到最大迭代次数停止迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911082719.3A CN110941667B (zh) | 2019-11-07 | 2019-11-07 | 一种移动边缘计算网络中的计算卸载方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911082719.3A CN110941667B (zh) | 2019-11-07 | 2019-11-07 | 一种移动边缘计算网络中的计算卸载方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110941667A true CN110941667A (zh) | 2020-03-31 |
CN110941667B CN110941667B (zh) | 2022-10-14 |
Family
ID=69907436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911082719.3A Active CN110941667B (zh) | 2019-11-07 | 2019-11-07 | 一种移动边缘计算网络中的计算卸载方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941667B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111510957A (zh) * | 2020-04-09 | 2020-08-07 | 浪潮天元通信信息***有限公司 | 基于多目标约束优化的移动边缘服务器坐标定位方法 |
CN111669775A (zh) * | 2020-05-18 | 2020-09-15 | 南京邮电大学 | 一种异构网络下基于支持向量机的资源分配方法 |
CN111786839A (zh) * | 2020-07-15 | 2020-10-16 | 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*** |
CN111970154A (zh) * | 2020-08-24 | 2020-11-20 | 浙江工商大学 | 基于深度增强学习和凸优化的卸载决策及资源分配方法 |
CN112291335A (zh) * | 2020-10-27 | 2021-01-29 | 上海交通大学 | 移动边缘计算中的优化任务调度方法 |
CN112540845A (zh) * | 2020-05-27 | 2021-03-23 | 南京邮电大学 | 一种基于移动边缘计算的协作***及方法 |
CN112689296A (zh) * | 2020-12-14 | 2021-04-20 | 山东师范大学 | 一种异构IoT网络中的边缘计算与缓存方法及*** |
CN112910964A (zh) * | 2021-01-18 | 2021-06-04 | 北京理工大学 | 一种混合云和边缘计算的leo卫星网络计算卸载方法 |
CN112995023A (zh) * | 2021-03-02 | 2021-06-18 | 北京邮电大学 | 一种多接入边缘计算网络计算卸载***及其计算卸载方法 |
CN113114714A (zh) * | 2020-11-03 | 2021-07-13 | 吉林大学 | 一种大规模任务卸载到5g边缘服务器的节能方法及*** |
CN113207150A (zh) * | 2021-04-23 | 2021-08-03 | 华中科技大学 | 一种基于背向散射通信的主被动混合卸载方法和装置 |
CN113207136A (zh) * | 2021-04-02 | 2021-08-03 | 北京科技大学 | 一种联合优化计算卸载和资源分配的方法及装置 |
CN113296842A (zh) * | 2021-05-14 | 2021-08-24 | 上海交通大学 | 移动边缘计算中基于相关性的优化任务卸载调度方法 |
CN113342409A (zh) * | 2021-04-25 | 2021-09-03 | 山东师范大学 | 多接入边缘计算***时延敏感型任务卸载决策方法及*** |
CN113371173A (zh) * | 2021-06-30 | 2021-09-10 | 湖南工商大学 | 一种基于边缘智能的高低空协同疫情防控***及方法 |
CN113835778A (zh) * | 2021-09-14 | 2021-12-24 | 北京信息科技大学 | 任务卸载方法、装置、电子设备及存储介质 |
CN113923223A (zh) * | 2021-11-15 | 2022-01-11 | 安徽大学 | 一种边缘环境下低时间成本的用户分配方法 |
WO2022037360A1 (zh) * | 2020-08-17 | 2022-02-24 | 华为技术有限公司 | 一种计算任务的处理方法、通信装置及无线网络架构 |
CN114125063A (zh) * | 2021-08-30 | 2022-03-01 | 华北电力大学 | 基于业务QoS的电力通信网任务卸载***、方法及应用 |
CN114567587A (zh) * | 2022-03-14 | 2022-05-31 | 广州穗华能源科技有限公司 | 一种配电物联网多用户接入边缘计算终端的路由决策方法 |
CN114915627A (zh) * | 2022-04-15 | 2022-08-16 | 浙江工业大学 | 一种基于fdma接入的无线供能边缘计算网络卸载决策方法 |
CN117891613A (zh) * | 2024-02-29 | 2024-04-16 | 湘江实验室 | 一种基于车联网的计算卸载和资源分配方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809695A (zh) * | 2018-04-28 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
CN109413724A (zh) * | 2018-10-11 | 2019-03-01 | 重庆邮电大学 | 一种基于mec的任务卸载和资源分配方案 |
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 |
US20190208449A1 (en) * | 2017-12-29 | 2019-07-04 | Industrial Technology Research Institute | Mobile edge platform servers and device and message management methods of v2x service thereof |
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及*** |
-
2019
- 2019-11-07 CN CN201911082719.3A patent/CN110941667B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190208449A1 (en) * | 2017-12-29 | 2019-07-04 | Industrial Technology Research Institute | Mobile edge platform servers and device and message management methods of v2x service thereof |
CN108809695A (zh) * | 2018-04-28 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
CN109413724A (zh) * | 2018-10-11 | 2019-03-01 | 重庆邮电大学 | 一种基于mec的任务卸载和资源分配方案 |
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 |
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及*** |
Non-Patent Citations (1)
Title |
---|
李邱苹 等: ""移动边缘计算中的计算卸载和资源管理方案"", 《电信科学》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111510957B (zh) * | 2020-04-09 | 2023-05-09 | 浪潮通信信息***有限公司 | 基于多目标约束优化的移动边缘服务器坐标定位方法 |
CN111510957A (zh) * | 2020-04-09 | 2020-08-07 | 浪潮天元通信信息***有限公司 | 基于多目标约束优化的移动边缘服务器坐标定位方法 |
CN111669775A (zh) * | 2020-05-18 | 2020-09-15 | 南京邮电大学 | 一种异构网络下基于支持向量机的资源分配方法 |
CN111669775B (zh) * | 2020-05-18 | 2022-07-29 | 南京邮电大学 | 一种异构网络下基于支持向量机的资源分配方法 |
CN112540845A (zh) * | 2020-05-27 | 2021-03-23 | 南京邮电大学 | 一种基于移动边缘计算的协作***及方法 |
CN112540845B (zh) * | 2020-05-27 | 2023-08-04 | 南京邮电大学 | 一种基于移动边缘计算的协作***及方法 |
CN111786839A (zh) * | 2020-07-15 | 2020-10-16 | 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*** |
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*** |
US11445400B2 (en) | 2020-07-15 | 2022-09-13 | Nantong University | Energy-efficient optimized computing offloading method for vehicular edge computing network and system thereof |
WO2022037360A1 (zh) * | 2020-08-17 | 2022-02-24 | 华为技术有限公司 | 一种计算任务的处理方法、通信装置及无线网络架构 |
CN111970154B (zh) * | 2020-08-24 | 2022-06-10 | 浙江工商大学 | 基于深度增强学习和凸优化的卸载决策及资源分配方法 |
CN111970154A (zh) * | 2020-08-24 | 2020-11-20 | 浙江工商大学 | 基于深度增强学习和凸优化的卸载决策及资源分配方法 |
CN112291335B (zh) * | 2020-10-27 | 2021-11-02 | 上海交通大学 | 移动边缘计算中的优化任务调度方法 |
CN112291335A (zh) * | 2020-10-27 | 2021-01-29 | 上海交通大学 | 移动边缘计算中的优化任务调度方法 |
CN113114714A (zh) * | 2020-11-03 | 2021-07-13 | 吉林大学 | 一种大规模任务卸载到5g边缘服务器的节能方法及*** |
CN112689296A (zh) * | 2020-12-14 | 2021-04-20 | 山东师范大学 | 一种异构IoT网络中的边缘计算与缓存方法及*** |
CN112910964A (zh) * | 2021-01-18 | 2021-06-04 | 北京理工大学 | 一种混合云和边缘计算的leo卫星网络计算卸载方法 |
CN112910964B (zh) * | 2021-01-18 | 2021-11-30 | 北京理工大学 | 一种混合云和边缘计算的leo卫星网络计算卸载方法 |
CN112995023A (zh) * | 2021-03-02 | 2021-06-18 | 北京邮电大学 | 一种多接入边缘计算网络计算卸载***及其计算卸载方法 |
CN113207136A (zh) * | 2021-04-02 | 2021-08-03 | 北京科技大学 | 一种联合优化计算卸载和资源分配的方法及装置 |
CN113207136B (zh) * | 2021-04-02 | 2022-11-18 | 北京科技大学 | 一种联合优化计算卸载和资源分配的方法及装置 |
CN113207150A (zh) * | 2021-04-23 | 2021-08-03 | 华中科技大学 | 一种基于背向散射通信的主被动混合卸载方法和装置 |
CN113342409A (zh) * | 2021-04-25 | 2021-09-03 | 山东师范大学 | 多接入边缘计算***时延敏感型任务卸载决策方法及*** |
CN113296842A (zh) * | 2021-05-14 | 2021-08-24 | 上海交通大学 | 移动边缘计算中基于相关性的优化任务卸载调度方法 |
CN113296842B (zh) * | 2021-05-14 | 2022-05-06 | 上海交通大学 | 移动边缘计算中基于相关性的优化任务卸载调度方法 |
CN113371173A (zh) * | 2021-06-30 | 2021-09-10 | 湖南工商大学 | 一种基于边缘智能的高低空协同疫情防控***及方法 |
CN113371173B (zh) * | 2021-06-30 | 2022-11-25 | 湖南工商大学 | 一种基于边缘智能的高低空协同疫情防控***及方法 |
CN114125063A (zh) * | 2021-08-30 | 2022-03-01 | 华北电力大学 | 基于业务QoS的电力通信网任务卸载***、方法及应用 |
CN114125063B (zh) * | 2021-08-30 | 2022-07-08 | 国网内蒙古东部电力有限公司 | 基于业务QoS的电力通信网任务卸载***、方法及应用 |
CN113835778A (zh) * | 2021-09-14 | 2021-12-24 | 北京信息科技大学 | 任务卸载方法、装置、电子设备及存储介质 |
CN113923223A (zh) * | 2021-11-15 | 2022-01-11 | 安徽大学 | 一种边缘环境下低时间成本的用户分配方法 |
CN113923223B (zh) * | 2021-11-15 | 2024-02-06 | 安徽大学 | 一种边缘环境下低时间成本的用户分配方法 |
CN114567587A (zh) * | 2022-03-14 | 2022-05-31 | 广州穗华能源科技有限公司 | 一种配电物联网多用户接入边缘计算终端的路由决策方法 |
CN114567587B (zh) * | 2022-03-14 | 2024-02-20 | 广州穗华能源科技有限公司 | 一种配电物联网多用户接入边缘计算终端的路由决策方法 |
CN114915627A (zh) * | 2022-04-15 | 2022-08-16 | 浙江工业大学 | 一种基于fdma接入的无线供能边缘计算网络卸载决策方法 |
CN114915627B (zh) * | 2022-04-15 | 2024-04-02 | 浙江工业大学 | 一种基于fdma接入的无线供能边缘计算网络卸载决策方法 |
CN117891613A (zh) * | 2024-02-29 | 2024-04-16 | 湘江实验室 | 一种基于车联网的计算卸载和资源分配方法及*** |
CN117891613B (zh) * | 2024-02-29 | 2024-05-31 | 湘江实验室 | 一种基于车联网的计算卸载和资源分配方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110941667B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110941667B (zh) | 一种移动边缘计算网络中的计算卸载方法及*** | |
CN109814951B (zh) | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 | |
CN110928654B (zh) | 一种边缘计算***中分布式的在线任务卸载调度方法 | |
Cui et al. | A novel offloading scheduling method for mobile application in mobile edge computing | |
CN110096362B (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
Shi et al. | Toward energy-efficient federated learning over 5G+ mobile devices | |
CN110557769A (zh) | 基于深度强化学习的c-ran计算卸载和资源分配方法 | |
CN110069341B (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
CN112996056A (zh) | 一种云边协同下时延最优化的计算任务卸载方法及装置 | |
CN114662661B (zh) | 边缘计算下异构处理器加速多出口dnn推理的方法 | |
CN109246761B (zh) | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 | |
CN110519370B (zh) | 一种基于设施选址问题的边缘计算资源分配方法 | |
Li et al. | Distributed task offloading strategy to low load base stations in mobile edge computing environment | |
CN111836284B (zh) | 基于移动边缘计算的能耗优化计算、卸载方法和*** | |
CN110401936A (zh) | 一种基于d2d通信的任务卸载与资源分配方法 | |
CN111711962A (zh) | 一种移动边缘计算***子任务协同调度方法 | |
CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
CN112540845A (zh) | 一种基于移动边缘计算的协作***及方法 | |
Tuli et al. | SplitPlace: AI augmented splitting and placement of large-scale neural networks in mobile edge environments | |
Chen et al. | Joint optimization of task offloading and resource allocation via deep reinforcement learning for augmented reality in mobile edge network | |
Liao et al. | Joint multi-user DNN partitioning and task offloading in mobile edge computing | |
CN115022332A (zh) | 一种边缘计算中基于深度强化学习的动态服务放置方法 | |
CN113159539B (zh) | 多层边缘计算***中联合绿色能量调度和动态任务分配方法 | |
Zhang et al. | Correlation-based device energy-efficient dynamic multi-task offloading for mobile edge computing | |
Ma et al. | Quality-aware video offloading in mobile edge computing: A data-driven two-stage stochastic optimization |
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 |