CN111585916A

CN111585916A - 基于云边协同的lte电力无线专网任务卸载和资源分配方法

Info

Publication number: CN111585916A
Application number: CN201911365711.8A
Authority: CN
Inventors: 李欢; 孙峰; 刘扬; 王东东; 卢盛阳; 杨智斌; 任帅; 李桐; 佟昊松
Original assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Priority date: 2019-12-26
Filing date: 2019-12-26
Publication date: 2020-08-25
Anticipated expiration: 2039-12-26
Also published as: CN111585916B

Abstract

本发明属于电力技术领域，尤其涉及一种基于云边协同的LTE电力无线专网任务卸载和资源分配方法。本发明是在云边协同***中存在的四种不同时延，计算出设备的全部时延并为所有移动设备总时延最小化的问题建立为数学模型；分四种不同的***场景考虑任务卸载方案，并求解出云边协同***中计算资源的最优分配值。在所有情况下，本发明方法性能都是最优的，通过执行云边协同策略，采用本发明所提出的任务卸载和资源分配策略，可以对边缘节点和云服务器的计算能力进行最优的调配，实现平均***时延的最小化。

Description

基于云边协同的LTE电力无线专网任务卸载和资源分配方法

技术领域

本发明属于电力技术领域，尤其涉及一种基于云边协同的LTE电力无线专网任务卸载和资源分配方法。

背景技术

随着LTE电力无线专网的快速发展，网络中接入设备的数量不断增加，对传统的云计算网络带来了极大的挑战。传统的云计算由于多跳数据传输导致任务延时较大，核心网负载较大。移动边缘计算被认为是下一代无线通信的关键技术，通过部署于网络边缘的移动边缘计算中心，提供低延时的计算服务并提高网络的计算能力，以满足不断提高的用户需求。

为使用边缘网络提供的服务,移动设备如何将所承担的任务卸载至边缘服务器,进行高效合理的卸载决策,已经成为目前边缘计算问题的主要研究方向。然而，随着物联网等技术的发展，数据计算业务规模以***式增长，任务数据涌入计算网络，对移动边缘计算中心有限的计算资源与通信资源造成极大的挑战。

现有技术如下：

技术方案1：专利公布号为CN109302709A，名称为面向移动边缘计算的车联网任务卸载与资源分配策略，涉及车辆异构网络中基于(MEC)的任务卸载模式决策和资源分配方法，主要通过两步完成：第一，采用改进的K-means算法依据不同的QoS对请求车辆进行聚类从而确定通信模式；第二，利用基于无竞争期(CFP)的LTE-U，结合载波聚合(CA)技术，使用分布式Q-Learning算法进行信道和功率分配。

技术方案2：专利公布号为CN109698861A，名称为一种基于代价优化的计算任务卸载算法，涉及一种基于代价优化的计算任务卸载算法，主要通过四步完成：第一，构建边云计算新模型；所述边云计算新模型包括计算三种重要的代价：计算任务的执行代价、同端计算任务之间的通信代价、跨端计算任务之间的非对称通信代价；第二，对边云计算新模型进行扩展；第三，合并计算代价；第四，基于贪婪准则来求解优化卸载策略。

技术方案3：专利公布号为CN110489176A，名称为一种基于装箱问题的多接入边缘计算任务卸载方法，主要通过三步完成：首先计算每个边缘服务器的容载能力和每个终端任务的输入数据大小与所需计算资源的比值；然后按照容载能力和任务比值从大到小形成两个队列；最后将任务队列中的任务依次取出配置到容器队列中的容载能力最大并还有剩余计算资源的边缘服务器上，重复此操作直至任务队列为空。

技术方案1针对移动边缘计算(MEC)提供IT服务环境和云计算能力带来的高带宽、低时延优势，同时结合LTE免授权频谱(LTE-U)技术，该文研究了车辆异构网络中基于(MEC)的任务卸载模式决策和资源分配问题。考虑链路差异化要求，即车辆到路边单元(V2I)链路的高容量和车辆到车辆(V2V)链路的高可靠性，我们将用户服务质量(QoS)建模为容量与时延的组合形式。但此类方法的缺点是很难在别的背景中进行拓展。

技术方案2涉及一种基于代价优化的计算任务卸载算法，解决了边缘计算和云计算的结合框架中，计算任务的卸载优化问题。但此方法没有完全考虑到云边协同***中存在的不同类型的时延。

技术方案3提出了一种基于装箱问题的多接入边缘计算任务卸载方法，该方法将用户终端和边缘服务器视作任务容器，将任务视作物品，从而将边缘计算中任务卸载决策问题转化成一个装箱问题，再通过启发式方法最小化网络内启用的边缘服务器数目，求解任务卸载决策。但此类方法的缺点是没有考虑不同类型的***的区别。

因此，如何在有限的资源背景下做出有效的任务卸载和资源分配决策成为一个关键问题。

发明内容

针对上述现有技术中存在的不足之处，本发明提供一种基于云边协同的LTE电力无线专网任务卸载和资源分配方法，其目的是为了研究云边协同***中存在的不同时延，在有限的资源下通过任务卸载和计算资源分配实现所有移动设备总时延的最小化。

本发明解决其技术问题所采用的技术方案是：

基于云边协同的LTE电力无线专网任务卸载和资源分配方法，是在云边协同***中存在的四种不同时延，计算出设备的全部时延并为所有移动设备总时延最小化的问题建立为数学模型；分四种不同的***场景考虑任务卸载方案，并求解出云边协同***中计算资源的最优分配值；包括以下步骤：

步骤1.建立云边协同***；

步骤2.建立MEC缓存模型；

步骤3.对云边协同***中存在的时延进行分析；

步骤4.针对时延分析结果，构建问题模型；

步骤5.对构建的问题提出分解；

步骤6.对构建的问题提出解决方案。

步骤1所述建立云边协同***，云边协同***由中心云服务器和m个SCeNB构成，用集合M＝{1,2,...,J}表示；每个SCeNB都部署着MEC服务器，MEC服务器将有限的资源用于数据处理，缓存和存储；每个SCeNB和MEC服务器的组合称为边缘节点；在第j个SCeNB的覆盖区域内，存在由集合χ_j表示的x_j个移动设备，每个移动设备都具有不同时延要求的计算任务；假设每个用户都已经与一个基站相连接，具体连接关系通过用户联通策略确定；每个移动设备都通过无线信道连接相应的基站，并且边缘节点通过不同的回程链路将数据传输到云服务器；在***中，假设每个计算任务在边缘节点和云服务器上都能够进行处理；根据[1]中的模型，假设所有任务都具有相同的类型，并且同时到达，用q_i,j＝(s_i,j,c_i,j)表示连接着第j个边缘节点的第i个移动设备所产生的计算任务，其中s_i,j表示计算任务的大小，c_i,j表示计算此任务需要的CPU计算周期；用N表示该***在某一时间段内请求的总任务数；将第j个边缘节点中的MEC服务器的计算能力和云服务器的计算能力分别定义为F_j ^e和F^c；通过虚拟机技术将每个MEC服务器和云服务器的计算资源分配给移动设备。

步骤2所述建立MEC缓存模型，包括：对于每个任务，将MEC服务器的缓存向量定义为Y_i,j＝[y_1,1,y_1,2,...,y_i,j]；如果y_i,j＝1，则表示MEC服务器已缓存任务的计算结果，而y_i,j＝0则表示没有缓存对应的任务结果；当y_i,j＝1时，MEC服务器直接将计算结果传输到移动设备，无需进行计算；由于SCeNB的传输功率大于移动设备的传输功率，计算结果的数据量小于任务本身的数据量，忽略无线下行链路上的传输延迟，认为MEC缓存方案所需的传输延迟为0；MEC缓存模型将频繁被请求任务的结果直接返回给移动设备，减少时延和降低能耗。

步骤3所述云边协同***中存在的时延分析，包括：在云-边-端的任务分配模型中，假设每个移动设备由于其有限的计算能力和电量，移动设备发送任务请求，判断此任务的结果是否存在于缓存中；如果存在，则直接返回任务结果；如果不存在，则此移动设备会将任务上传至边缘节点；再由对应的边缘节点确定任务是由边缘节点独自处理还是由边缘节点与云服务器协同处理。

所述如果不存在，则此移动设备会将任务上传至边缘节点，所述边缘节点同时也负责确定每个任务在云边的卸载比例。

步骤3所述云边协同***中存在的时延分析，具体包括以下步骤：

步骤(1)移动设备向所连接的边缘节点发送对应的任务请求，用于判断此条数据是否是自己想要的，边缘节点判断这个任务的结果是否存在于缓存中；如果存在，则直接返回任务结果，任务处理结束；反之，则继续下一步；

步骤(2)移动设备直接通过无线信道将整个时延敏感任务上传到连接的边缘节点；

步骤(3)位于每个边缘节点的MEC服务器将接收到的任务分为两部分，其中一部分留在MEC服务器上，另一部分则卸载到云服务器上；

步骤(4)MEC服务器将其可用的计算资源分配给每个计算任务，同时通过回程链路将部分数据上传到云服务器；

步骤(5)云服务器通过将计算资源分配给相应的计算任务，从而实现并行的计算；

步骤(6)由每个边缘节点收集计算结果，先通过任务缓存策略对计算结果进行缓存，再将计算结果返回给每个移动设备。

所述计算过程中存在的延迟，包括：

a.移动设备的传输时延：根据香农公式，将MT_i的上传速率r_i,j表示为：

其中B表示信道带宽，p_i表示MT_i的发送功率，σ²表示移动设备的噪声功率，I_i,j表示小区内部的干扰功率，g_i,j表示通信的信道增益；

sc是通过光纤与MEC通信，两者之间的传输速率c远远大于MT_i的上传速率r_i,j，且两者之间的距离非常小，忽略sc与MEC的通信时延，用

来表示移动设备将任务q_i上传到sc_j产生的时延：

上式中：MT_i的上传速率r_i,j，S_i表示计算任务的大小；

b.边缘节点的计算时延：边缘节点成功接收从移动设备发送的完整计算任务后，MEC服务器会立刻执行卸载策略，将每个计算任务分成两部分，一部分由MEC服务器执行，另一部分由云服务器执行；假设在不考虑任务内容的情况下任意拆分每个计算任务，对应于视频压缩和语音识别等场景[]；定义ε_i,j∈[0,1]为计算任务的划分比率，ε_i,_j表示在MEC服务器执行的计算任务数据比例；用

表示第j个边缘节点给第i个移动设备分配的计算资源，将在边缘节点执行任务产生的时延表示为：

上式中：C_i,j表示计算此任务需要的CPU计算周期；

c.边缘节点的传输时延：对于每个边缘节点，将通信模块和计算模块(CPU/GPU)分开；所述通信模块为收发器，所述计算模块为CPU/GPU；

在边缘节点中，任务的计算和任务的传输并行执行；所有边缘节点都通过不同的回程链路与云服务器连接；提出边缘计算和云计算的最佳协同策略，假设资源调度策略和路由算法都已确定；将H_j表示为与第j个边缘节点关联的每个设备的回程通信容量；平均回程传输时延与传输的数据大小成正比，表示为：

其中

代表通过回程链路传输1比特大小的数据所需的时间，S_i表示计算任务的大小，ε_i,j表示在MEC服务器执行的计算任务数据比例；

d.云服务器的计算时延：当云服务成功接收从边缘节点发送的任务数据，云服务器会分配可用的计算资源给每一个任务实现并行处理；(1-ε_i,j)s_i,jc_i,j表示执行卸载到云服务器的任务所需要的CPU数量，即计算资源；用

表示由第j个边缘节点提供服务的第i个移动设备分配到的云计算资源；云服务器的计算时延表示为：

上式中：C_i,j表示计算此任务需要的CPU计算周期。

步骤1中所述云边协同***中存在的不同时延，包括：移动设备的传输时延、边缘节点的计算时延、边缘节点的传输时延及云服务器的计算时延；每台设备所产生的全部时延，包括：

假设1：由于任务的卸载取决于每个任务的特定参数；

假设2：任务计算依赖特定的数据结构以及相邻数据之间的相关性，云服务器直到边缘节点与云服务器之间的传输结束后开始处理任务；

基于以上的假设，由第j个边缘节点提供服务的第i个移动设备所产生的全部时延可以表示为：

上式中：

表示移动设备将任务q_i上传到sc_j产生的时延，

表示在边缘节点执行任务产生的时延，

表示边缘节点将任务上传到云服务器产生的时延，

表示计算任务在云服务器处理产生的时延；

在有限的资源下通过任务卸载和计算资源分配，实现所有移动设备总时延的最小化，目标表示为：

上式中：y_i,j表示任务的缓存状态；

其中(7a)和(7b)表示分配给移动设备的边缘计算资源和云计算资源都不可能超过其本身最大的计算资源数；优化变量包括任务的卸载比率{ε_i,j}，计算资源的分配情况

步骤5所述对构建的问题进行分解，包括：

将Q1分解成两部分：

任务卸载和计算资源分配只影响后一部分的求解，将问题进行划分：

其中

步骤6中所述对构建的问题提出解决方案，包括：

(1)任务缓存策略：

在进行任务卸载决策之前，对问题Q2进一步化简，利用任务缓存策略求出缓存向量Y_i,j＝[y_1,1,y_1,2,...,y_i,j]，算法过程如图4所示：

假设移动设备请求任务Q的请求次数遵循泊松分布，满足

C表示任务的请求次数，λ表示单位时间任务的平均发生率；初始化时将向量组Y设为空，对于每个任务，首先根据泊松分布确定任务类型，随后判断任务是否存在于任务缓存表中，存在则由MEC服务器直接将执行结果返回给移动设备，y_i,j设为1，反之则继续判断任务是否存在于任务历史记录表；如果存在于表中，将y_i,j设为1，直接返回执行结果，并将此任务存入任务缓存表，同时更新任务历史记录表；如果两个表都没有记录任务q_i，则将y_i,j设为0，如此遍历子任务空间，最后得到向量组Y_i,j＝[y_1,1,y_1,2,...,y_i,j]；

利用向量组Y_i,j＝[y_1,1,y_1,2,...,y_i,j]对Q2进行化简可得：

其中

(2)任务卸载策略：

确定最优的任务卸载比率ε_i,j，在分析的过程中保持

的值不变；

通过分析计算延迟

和任务分配比ε_i,j之间的单调性确定最优的划分比率

首先，根据公式

推断出

是单调递增的，随ε_i,j的增加而增加；当ε_i,j∈[0,1]，得到

其次，根据公式

推断出

是单调递减的，随ε_i,j的增加而减少，同样得到函数的取值范围

观察公式

结合之前的讨论，发现

先随着ε_i,j的增加而减少，再随着ε_i,j的增加而增加；当

时，得到

的最小值：

其中

每个移动设备定义两个重要的参数，包括：

(2.1)归一化回程通信容量被定义为回程通信容量和边缘计算能力之比，即

(2.2)归一化云计算能力被定义为云计算能力与边缘计算能力之比，即

基于以上的定义，得到最优的任务卸载策略；在云边协同***中，最优的任务卸载策略

表示为：

上式中：μ_i,j表示回程通信容量和边缘计算能力之比，ν_i,j表示云计算能力与边缘计算能力之比；

所述公式(10)存在的不同的***如下：

第1种：通信受限型***：边缘节点与云服务器拥有充足的计算资源，但通信容量不足；

在这种情况下，

当一个边缘节点连接大量的移动设备，并且回程链路的容量不足时发生这种情况，将最优任务卸载比率进行化简：

公式(11)表示在这种情况下，最优任务卸载比率仅由归一化的回程通信容量确定，不受归一化的云计算容量的影响；在这种情况下，通信资源减少每个设备的端到端延迟的主要瓶颈；当μ_i,j→0，最优的任务卸载比率

为1，所有的计算任务都是在边缘节点执行；

第2种：计算受限型***：边缘节点和云服务器拥有充足的通信容量，但计算资源不足；

在这种情况下，

将最优任务卸载比率进行化简：

最优任务卸载比率仅由归一化的云计算能力确定,在这种情况下，由于回程通信容量相对充足，通信所产生的时延变得小，计算时延的大小决定移动设备整体时延的大小；在这种情况下，边缘节点和云服务器被视为一个整体，根据它们的计算能力之比，即ν_i,j按比例拆分任务；如果边缘节点的计算能力大于云服务器的计算能力，即ν_i,j＜1，则给边缘节点卸载更多的数据；否则，将更多数据卸载到云中，在ν_i,j＝1的特殊情况下，数据在边缘节点和云服务器之间平均分配；

第3种：边缘主导型***：边缘节点给移动设备分配的计算资源远远多于云服务器分配的计算资源，即

得到ν_i,j→0，这种情况对应于大规模小蜂窝网络，其中云服务器为许多边缘节点提供服务；在这个***中，将最优任务卸载比率进行如下化简：

表明应该在边缘节点上执行整个任务，整个任务只需要卸载到边缘节点；

第4种：云端主导型***：云服务器拥有充足的计算资源，而边缘节点计算资源有限，即

得到ν_i,j→∞，这种***对应于云服务器计算能力强大，边缘节点计算能力弱的场景；将ν_i,j→∞代入公式可得：

根据公式，看出最优任务卸载比率仅由归一化的回程通信容量决定；如果回程通信容量H_j变大或者边缘节点的计算能力

变小，最优任务卸载比率也会随之减小；因为当ν_i,j→∞时，云端执行任务产生的时延与边缘节点执行任务产生的时延相比可以忽略不计；因此当μ_i,j＜1时，回程传输产生的时延将主导该移动设备的整体时延，从而导致卸载到边缘侧处理的任务数据所占比例更大，即

否则，当μ_i,j＞1时，更多的数据应该卸载到云服务器执行；

(3)计算资源分配策略：将最优任务卸载比率

代入公式，将计算时延

化简为：

问题Q3重写为：

定理1：Q4是一个凸优化问题；

证明：只需要证明目标函数和目标函数的限制条件都为凸函数，定理便得证；观察限制条件(7a)和(7b)，可以看出，约束(7c)和(7d)是仿射的，反映了它们的凸性；下面证明目标函数同样也是凸函数：

的海瑟矩阵表示为：

通过数学计算，获得W所有的前主子式：

根据线性代数理论，当一个矩阵的前主子式都是正定的话，这个矩阵就是正定矩阵；得到，

基于变量

和

的凸函数；而目标函数

是一系列凸函数之和，得出目标函数也是一个凸函数；定理1得证；

根据定理1，得出Q4满足KKT条件，利用拉格朗日算子求出云边协同***中计算资源的最优分配值：

其中

和θ是拉格朗日的最优变量。

本发明具有以下优点及有益技术效果：

本发明提出一种基于云边协同的任务卸载和资源分配(Cloud-Edge-TORD)方案，建立了云边协同***和MEC缓存模型，并分析了在云边协同***中存在的时延。在有限的资源下通过任务卸载和计算资源分配实现所有移动设备总时延的最小化的目标，建立了问题模型，并对问题进行了分解，得出任务缓存，卸载和资源分配策略。

本发明立足于建立的云边协同***和MEC缓存模型，分析了云边协同***中的时延，根据时延最小化的目标。仿真表明，在所有情况下，本发明所提出的Cloud-Edge-TORD方案性能都是最优的，因为通过执行云边协同策略，采用本发明所提出的任务卸载和资源分配策略，可以对边缘节点和云服务器的计算能力进行最优的调配，实现平均***时延的最小化。

附图说明

为了更清楚地说明本发明实施例的技术方案，下文中将对本发明实施例的附图进行简单介绍。其中，附图仅仅用于展示本发明的一些实施例，而非将本发明的全部实施例限制于此。

图1是本发明云边协同***示意图；

图2是本发明云边协同***任务执行流程示意图；

图3是本发明MEC缓存模型示意图；

图4是本发明中缓存向量算法过程图；

图5是本发明云服务器计算能力增大时4种方案的时延对比图；

图6是本发明云服务器计算能力变小时4种方案的时延对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本发明是一种基于云边协同的LTE电力无线专网任务卸载和资源分配方法，在云边协同***中存在的四种不同时延，计算出设备的全部时延并为所有移动设备总时延最小化的问题建立为数学模型。本发明分四种不同的***场景考虑任务卸载方案，并求解出云边协同***中计算资源的最优分配值。

本发明是一种基于云边协同的LTE电力无线专网任务卸载和资源分配方法包括以下步骤：

步骤1.建立云边协同***；

步骤2.建立MEC缓存模型；

步骤3.对云边协同***中存在的时延进行分析；

步骤4.针对时延分析结果，构建问题模型；

步骤5.对构建的问题进行分解；

步骤6.对构建的问题提出解决方案。

本发明中步骤1所述建立云边协同***，如图1所示，图1是本发明云边协同***示意图。云边协同***由一个中心云服务器和m个SCeNB构成，用集合M＝{1,2,...,J}表示。所述SCeNB表示小基站。每个SCeNB都部署着MEC服务器，该MEC服务器将有限的资源用于数据处理，缓存和存储。每个SCeNB和MEC服务器的组合被称为边缘节点。在第j个SCeNB的覆盖区域内，存在由集合χ_j表示的x_j个移动设备，每个移动设备都具有不同时延要求的计算任务。假设每个用户都已经与一个基站相连接，具体连接关系可以通过一些的用户联通策略确定。此外，每个移动设备都通过无线信道连接相应的基站，并且边缘节点通过不同的回程链路将数据传输到云服务器。在该***中，假设每个计算任务在边缘节点和云服务器上都可以进行处理根据[1]中的模型，[1]Y.Mao,C.You,J.Zhang,K.Huang,andK.B.Letaief,“Asurvey onmobile edge computing:The communication perspective,”IEEECommun.Surv.Tut.,vol.19,no.4,pp.2322–2358,Aug.2017。

我们假设所有任务都具有相同的类型，并且同时到达，因此可以用q_i,j＝(s_i,j,c_i,j)表示连接着第j个边缘节点的第i个移动设备所产生的计算任务，其中s_i,j表示计算任务的大小，c_i,j表示计算此任务需要的CPU计算周期。用N表示该***在某一时间段内请求的总任务数，此外，将第j个边缘节点中的MEC服务器的计算能力和云服务器的计算能力分别定义为

和F^c。可以通过虚拟机技术将每个MEC服务器和云服务器的计算资源分配给移动设备。如图2所示，图2是本发明云边协同***任务执行流程示意图。

步骤2所述建立MEC缓存模型，如图3所示，图3是本发明MEC缓存模型示意图。对于每个任务，可以将MEC服务器的缓存向量定义为Y_i,j＝[y_1,1,y_1,2,...,y_i,j]。如果y_i,j＝1，则表示MEC服务器已缓存任务的计算结果，而y_i,j＝0则表示没有缓存对应的任务结果。此外，当y_i,j＝1时，MEC服务器直接将计算结果传输到移动设备，而无需进行计算。由于SCeNB的传输功率远大于移动设备的传输功率，并且计算结果的数据量远小于任务本身的数据量，因此，可以忽略无线下行链路上的传输延迟，认为MEC缓存方案所需的传输延迟为0。MEC缓存模型可以将频繁被请求任务的结果直接返回给移动设备，能够有效的减少时延和降低能耗。

步骤3所述云边协同***中存在的时延分析，在这个云-边-端的任务分配模型中，假设每个移动设备由于其有限的计算能力和电量，所以不会直接处理任务，不存在本地计算。移动设备首先会发送一个任务请求，判断此任务的结果是否存在于缓存中。如果存在，则直接返回任务结果，如果不存在，则此移动设备会将任务上传至边缘节点。然后，由对应的边缘节点确定任务是由边缘节点独自处理还是由边缘节点与云服务器协同处理。在后一种情况下，边缘节点同时也负责确定每个任务在云边的卸载比例。

步骤(1)移动设备首先会向所连接的边缘节点发送对应的任务请求，相当于https协议一开始只发送数据的head部分，用于判断此条数据是否是自己想要的，边缘节点会判断这个任务的结果是否存在于缓存中。如果存在，直接返回任务结果，任务处理结束；反之，则接着继续下一步。

步骤(2)移动设备直接通过无线信道将整个时延敏感任务上传到连接的边缘节点，没有本地计算。

步骤(3)位于每个边缘节点的MEC服务器将接收到的任务分为两部分，其中一部分留在MEC服务器上，另一部分则卸载到云服务器上。

步骤(4)MEC服务器将其可用的计算资源分配给每个计算任务，并同时通过回程链路将部分数据上传到云服务器。

步骤(5)云服务器也通过将计算资源分配给相应的计算任务，从而实现并行的计算。

步骤(6)最后由每个边缘节点收集计算结果，先通过任务缓存策略对计算结果进行缓存，然后将计算结果返回给每个移动设备。

应当注意，与相应的计算和通信延迟相比，划分任务的时间非常短，因此可以忽略。此外，任务请求和计算结果的数据量都非常小，因此可以忽略发送和返回时延，这对应于许多实际的计算场景，例如面部识别，病毒检测和视频分析等等。

其中，所述计算过程中存在的四种延迟，包括如下：

a.移动设备的传输时延：正如前文所提到的，每个计算任务都会通过无线信道上传到对应的边缘节点。根据香农公式，可以将MT_i的上传速率r_i,j表示为：

其中B表示信道带宽，p_i表示MT_i的发送功率，σ²表示移动设备的噪声功率，I_i,j表示小区内部的干扰功率，g_i,j表示通信的信道增益。

注意到sc是通过光纤与MEC通信，两者之间的传输速率c远远大于MT_i的上传速率r_i,j，且两者之间的距离非常小，因此可以忽略sc与MEC的通信时延，用

来表示移动设备将任务q_i上传到sc_j产生的时延：

上式中：MT_i的上传速率r_i,j，S_i表示计算任务的大小。

b.边缘节点的计算时延：边缘节点成功接收从移动设备发送的完整计算任务后，MEC服务器会立刻执行卸载策略，将每个计算任务分成两部分，一部分由MEC服务器执行，另一部分由云服务器执行。本文假设可以在不考虑任务内容的情况下任意拆分每个计算任务，这对应于视频压缩和语音识别等场景[]。定义ε_i,j∈[0,1]为计算任务的划分比率，ε_i,j表示在MEC服务器执行的计算任务数据比例。用

表示第j个边缘节点给第i个移动设备分配的计算资源，因此，可以将在边缘节点执行任务产生的时延表示为：

上式中：C_i,j表示计算此任务需要的CPU计算周期。

c.边缘节点的传输时延：对于每个边缘节点，通常将通信模块和计算模块(CPU/GPU)分开。所述通信模块为收发器，所述计算模块为CPU/GPU。

因此，在边缘节点中，任务的计算和任务的传输可以并行执行。并且，所有边缘节点都通过不同的回程链路与云服务器连接，这些回程链路通常都配备着极高的带宽。实际上，回程链路是用户共享的，因此由于数据包到达的随机性，多用户调度，复杂的路由算法以及其他因素，很难对它的延迟进行建模。即提出边缘计算和云计算的最佳协同策略，假设资源调度策略和路由算法都已确定。因此，将H_j表示为与第j个边缘节点关联的每个设备的回程通信容量。因此，类似于(2)中的平均传输时延，平均回程传输时延也与传输的数据大小成正比，可以表示为：

其中

代表通过回程链路传输1比特大小的数据所需的时间，S_i表示计算任务的大小，ε_i,j表示在MEC服务器执行的计算任务数据比例。

d.云服务器的计算时延：当云服务成功接收从边缘节点发送的任务数据，云服务器会分配可用的计算资源给每一个任务实现并行处理。(1-ε_i,j)s_i,jc_i,j表示执行卸载到云服务器的任务所需要的CPU数量，也就是计算资源。用

表示由第j个边缘节点提供服务的第i个移动设备分配到的云计算资源。因此，云服务器的计算时延可以表示为：

上式中：C_i,j表示计算此任务需要的CPU计算周期。

所述步骤4.针对时延分析结果，构建问题模型：

本发明分析了在云边协同***中存在的四种不同时延，包括：移动设备的传输时延

边缘节点的计算时延

边缘节点的传输时延

云服务器的计算时延

为了确定每一台设备所产生的全部时延，提出了如下几个合理的假设：

假设1：由于任务的卸载取决于每个任务的特定参数，例如其数据大小和计算所需的工作量，因此边缘节点中的MEC服务器只有在接收完任务数据后才能通过任务卸载策略对任务进行卸载。

假设2：在实际***中，任务计算可能依赖于特定的数据结构以及相邻数据之间的相关性，例如多媒体***中的视频分析。为了确保计算结果的可靠性，云服务器直到边缘节点与云服务器之间的传输结束后才能开始处理任务。

上式中：

表示移动设备将任务q_i上传到sc_j产生的时延，

表示在边缘节点执行任务产生的时延，

表示边缘节点将任务上传到云服务器产生的时延，

表示计算任务在云服务器处理产生的时延。

本发明的目标是在有限的资源下通过任务卸载和计算资源分配，实现所有移动设备总时延的最小化，最后，目标可以表示为：

上式中：y_i,j表示任务的缓存状态。

其中(7a)和(7b)表示分配给移动设备的边缘计算资源和云计算资源都不可能超过其本身最大的计算资源数。优化变量包括任务的卸载比率{ε_i,j}，计算资源的分配情况

步骤5所述对构建的问题进行分解，包括：

为了解决问题Q1，首先要具体分析函数的结构特征。根据公式(2)，移动设备的传输时延仅仅与传输的任务本身性质相关，没有额外的优化变量。同时，边缘节点到云服务器的传输时延，边缘节点的计算时延，云服务器的计算时延都与移动设备的传输时延无关。因此，可以将Q1分解成两部分：

本发明讨论的任务卸载和计算资源分配只影响后一部分的求解，因此可以将问题也进行划分：

其中

步骤6所述对构建的问题提出解决方案，包括：

(1)任务缓存策略。

在进行任务卸载决策之前，可以对问题Q2进行进一步的化简，利用上节提出的任务缓存策略求出缓存向量Y_i,j＝[y_1,1,y_1,2,...,y_i,j]，算法过程如图4所示：

假设移动设备请求任务Q的请求次数遵循泊松分布，满足

C表示任务的请求次数，λ表示单位时间任务的平均发生率。初始化时将向量组Y设为空，对于每个任务，首先根据泊松分布确定任务类型，随后判断任务是否存在于任务缓存表中，存在则由MEC服务器直接将执行结果返回给移动设备，y_i,j设为1，反之则继续判断任务是否存在于任务历史记录表，如果存在于表中，同样不需要对任务进行处理，将y_i,j设为1，直接返回执行结果，并将此任务存入任务缓存表，同时更新任务历史记录表，如果两个表都没有记录任务q_i，则将y_i,j设为0，如此遍历子任务空间，最后得到向量组Y_i,j＝[y_1,1,y_1,2,...,y_i,j]。

利用向量组Y_i,j＝[y_1,1,y_1,2,...,y_i,j]对Q2进行化简可得：

其中

(2)任务卸载策略。

考虑到问题Q3还是过于复杂，仍然无法直接求解。因此，先确定最优的任务卸载比率ε_i,j，在分析的过程中保持

的值不变。

可以通过分析计算延迟

和任务分配比ε_i,j之间的单调性来确定最优的划分比率

首先，根据公式

可以推断出

是单调递增的，随ε_i,j的增加而增加，因此，当ε_i,j∈[0,1]，可以得到

其次，根据公式

可以推断出

是单调递减的，随ε_i,j的增加而减少，同样可以得到函数的取值范围

仔细观察公式

结合之前的讨论，可以发现，

会先随着ε_i,j的增加而减少，之后再随着ε_i,j的增加而增加。因此，当

时，得到

的最小值：

其中

为了便于说明，为每个移动设备定义两个重要的参数。

基于以上的定义，我们可以得到最优的任务卸载策略。在云边协同***中，最优的任务卸载策略

可以表示为：

上式中：μ_i,j表示回程通信容量和边缘计算能力之比，ν_i,j表示云计算能力与边缘计算能力之比。

公式(10)表明最优的任务卸载策略仅取决于两个比率：归一化的回程通信容量和归一化的云计算容量。此外，最佳任务拆分策略由这两个比率的调和平均值确定。可以很容易地验证，在边缘节点处理的任务数据的比例将随着μ_i,j或ν_i,j的增加而减少。因此，当移动设备被分配很少的边缘计算资源但同时又有足够的云计算时情况下，它应该将更多任务数据卸载到云服务器。相反，如果云计算资源非常稀缺，则应该让边缘节点处理更多的任务数据，对此，很容易可以得到一个结论：将更多的任务卸载到功能更强大的服务器上是我们减低移动设备整体时延的有效方案。

所述公式(10)存在的4种不同的***如下：

第1种：通信受限型***：边缘节点与云服务器拥有充足的计算资源，但通信容量却不足。

在这种情况下，

当一个边缘节点连接大量的移动设备，并且回程链路的容量不足时就会发生这种情况。可以将最优任务卸载比率进行如下化简：

公式(11)表示在这种情况下，最优任务卸载比率仅由归一化的回程通信容量确定，不受归一化的云计算容量的影响。在这种情况下，通信资源是减少每个设备的端到端延迟的主要瓶颈，因此相对来说，边缘计算能力和云计算能力大小不是很重要。考虑特殊的情况，当μ_i,j→0，最优的任务卸载比率

就为1，这表明所有的计算任务都是在边缘节点执行的，没有任务数据会被上传到云服务器执行。这符合我们的预期，即当回程链路的通信容量不足时，因为将任务卸载到云服务器会加剧网络拥塞并导致较长的传输延迟，所以在极端情况下，不会将任务卸载到云服务器。

第2种：计算受限型***：边缘节点和云服务器拥有充足的通信容量，但计算资源却不足。

在这种情况下，

可以将最优任务卸载比率进行如下化简：

根据公式，可以看出最优任务卸载比率仅由归一化的云计算能力确定。在这种情况下，由于回程通信容量相对充足，因此通信所产生的时延会变得非常小，计算时延的大小决定了移动设备整体时延的大小。注意，在这种情况下，边缘节点和云服务器可被视为一个整体，因此应根据它们的计算能力之比，即ν_i,j按比例拆分任务。更具体地说，如果边缘节点的计算能力大于云服务器的计算能力，即ν_i,j＜1，则给边缘节点卸载更多的数据；否则，应将更多数据卸载到云中，在ν_i,j＝1的特殊情况下，数据应在边缘节点和云服务器之间平均分配。

可以得到ν_i,j→0，这种情况对应于大规模小蜂窝网络，其中云服务器为许多边缘节点提供服务。在这个***中，可以将最优任务卸载比率进行如下化简：

这表明应该在边缘节点上执行整个任务，而不必卸载到云服务器。因为当云计算能力远小于边缘节点的计算能力时，将任务数据卸载到云服务器可能会产生额外的传输时延并导致更长的计算时延。即使归一化的回程通信容量足够大，云计算时延仍然会对整体时延产生主要影响。因此，整个任务只需要卸载到边缘节点。

可以得到ν_i,j→∞，这种***对应于云服务器计算能力强大，边缘节点计算能力弱的场景。将ν_i,j→∞代入公式可得：

根据公式，可以看出最优任务卸载比率仅由归一化的回程通信容量决定。如果回程通信容量H_j变大或者边缘节点的计算能力

变小，最优任务卸载比率也会随之减小。这是因为当ν_i,j→∞时，云端执行任务产生的时延与边缘节点执行任务产生的时延相比可以忽略不计。因此当μ_i,j＜1时，回程传输产生的时延将主导该移动设备的整体时延，从而导致卸载到边缘侧处理的任务数据所占比例更大，即

否则，当μ_i,j＞1时，更多的数据应该卸载到云服务器执行。

(3)计算资源分配策略。

首先，先将上一章节得到的最优任务卸载比率

代入公式，将计算时延

化简为：

问题Q3也可以重写为：

定理1：Q4是一个凸优化问题

证明：只需要证明目标函数和目标函数的限制条件都为凸函数，定理便得证。观察限制条件(7a)和(7b)，可以看出，约束(7c)和(7d)是仿射的，这反映了它们的凸性。接下来只需要证明目标函数同样也是凸函数即可。

的海瑟矩阵可以表示为：

通过简单的数学计算，可以获得W所有的前主子式：

根据线性代数理论，当一个矩阵的前主子式都是正定的话，这个矩阵就是正定矩阵。由此得到，

是基于变量

和

的凸函数。而目标函数

是一系列凸函数之和，由此可以得出目标函数也是一个凸函数。定理1得证。

根据定理1，可以看出Q4满足KKT条件，随后利用拉格朗日算子求出云边协同***中计算资源的最优分配值：

其中

和θ是拉格朗日的最优变量。

实施例2

本发明利用MATLAB仿真工具，在云边协同的架构下，对所提出的基于云边协同的任务卸载和资源分配(Cloud-Edge-TORD)方案进行仿真验证。为了验证该方案的优良性，所提出的方案将会与另外三种方案进行比较，方案1：Only edge,任务全部卸载到MEC服务器上，全由MEC服务器处理；方案2：Only cloud，任务全部卸载到云服务器上，全由云服务器处理；方案3:Simple fixed cloud and edge，没有有效的任务分配策略，仅仅是简单地将任务分成两半，一半由MEC服务器执行，另一半由云服务器执行。

本实施例参数设置如下：

在仿真实验中，假设每个MEC服务器固定服务25台移动设备，每个MEC服务器的覆盖半径是500米。任务数据量大小和执行需要的计算周期数都遵循均匀分布，分布的范围s_i,j∈[0.2,1]Mbits，c_i,j∈[500,2000]Hz。与sc相连的MEC服务器的计算能力

云服务器的计算能力F^c∈[200,600]GHz，移动设备的传输带宽B＝20MHz,通信的信道增益和噪声功率分别为g_i,j＝10^-5W，σ²＝10^-9，光纤的传输速率c＝1Gbps，回程链路的容量H_j∈[5,50]Mbps。

本实施例性能分析如下：

如图5所示，图5是本发明云服务器计算能力增大时4种方案的时延对比图。图中给出了移动设备数量变化时，4种方案的时延对比。从图中可以看出，Only Edge方案的时延一直稳定在一个较小的范围内，这是因为每个MEC服务器固定服务25台移动设备，随着移动设备数量的增加，MEC服务器的数量同时按相应的比例增加，因此分配给每个移动设备的计算资源是大致不变的，从而时延会一直稳定在一个范围内；此外，当移动设备数量较少时，Only cloud方案的性能要优于Only edge和Simple fixed cloud and edge方案，这是因为当移动设备较少时，所需的边缘节点数量也较少，因此分配给每台移动设备的云计算资源总是会多于边缘计算资源，但是，随着边缘节点数量的增加，由于云计算资源是有限的，Only edge方案的性能又会优于Only cloud方案。尤其是当移动设备数量特别多的时候，Only edge方案比Simple fixed cloud and edge方案的性能都要更好，这表明应该更多的计算任务应该卸载在边缘侧而不是云端；在所有情况下，本发明所提出的Cloud-Edge-TORD方案性能都是最优的，因为通过执行云边协同策略，采用本发明所提出的任务卸载和资源分配策略，可以对边缘节点和云服务器的计算能力进行最优的调配，实现平均***时延的最小化。

不同方案的平均***时延比较，如图6所示，图6是本发明云服务器计算能力变小时4种方案的时延对比图。给出了云服务器计算能力变化时，4种方案的时延对比。当云服务器的计算能力增大时，采用Only cloud方案的***产生的时延将大大减少。在这种情况下，将任务卸载到云服务器是比将任务卸载到MEC服务器上更好的选择，这样能够有效得减少大量时延。相反，当云服务器的计算能力变小时，Only edge方案的性能将优于Only cloud方案。与图5相似，在所有方案中，本发明所提出的Cloud-Edge-TORD方案始终是最优的。

Claims

1.基于云边协同的LTE电力无线专网任务卸载和资源分配方法，其特征是：在云边协同***中存在的四种不同时延，计算出设备的全部时延并为所有移动设备总时延最小化的问题建立为数学模型；分四种不同的***场景考虑任务卸载方案，并求解出云边协同***中计算资源的最优分配值；包括以下步骤：

步骤1.建立云边协同***；

步骤2.建立MEC缓存模型；

步骤3.对云边协同***中存在的时延进行分析；

步骤4.针对时延分析结果，构建问题模型；

步骤5.对构建的问题提出分解；

步骤6.对构建的问题提出解决方案。

2.根据权利要求1所述的基于云边协同的LTE电力无线专网任务卸载和资源分配方法，其特征是：步骤1所述建立云边协同***，云边协同***由中心云服务器和m个SCeNB构成，用集合M＝{1,2,...,J}表示；每个SCeNB都部署着MEC服务器，MEC服务器将有限的资源用于数据处理，缓存和存储；每个SCeNB和MEC服务器的组合称为边缘节点；在第j个SCeNB的覆盖区域内，存在由集合χ_j表示的x_j个移动设备，每个移动设备都具有不同时延要求的计算任务；假设每个用户都已经与一个基站相连接，具体连接关系通过用户联通策略确定；每个移动设备都通过无线信道连接相应的基站，并且边缘节点通过不同的回程链路将数据传输到云服务器；在***中，假设每个计算任务在边缘节点和云服务器上都能够进行处理；根据[1]中的模型，假设所有任务都具有相同的类型，并且同时到达，用q_i,j＝(s_i,j,c_i,j)表示连接着第j个边缘节点的第i个移动设备所产生的计算任务，其中s_i,j表示计算任务的大小，c_i,j表示计算此任务需要的CPU计算周期；用N表示该***在某一时间段内请求的总任务数；将第j个边缘节点中的MEC服务器的计算能力和云服务器的计算能力分别定义为

和F^c；通过虚拟机技术将每个MEC服务器和云服务器的计算资源分配给移动设备。

3.根据权利要求1所述的基于云边协同的LTE电力无线专网任务卸载和资源分配方法，其特征是：步骤2所述建立MEC缓存模型，包括：对于每个任务，将MEC服务器的缓存向量定义为Y_i,j＝[y_1,1,y_1,2,...,y_i,j]；如果y_i,j＝1，则表示MEC服务器已缓存任务的计算结果，而y_i,j＝0则表示没有缓存对应的任务结果；当y_i,j＝1时，MEC服务器直接将计算结果传输到移动设备，无需进行计算；由于SCeNB的传输功率大于移动设备的传输功率，计算结果的数据量小于任务本身的数据量，忽略无线下行链路上的传输延迟，认为MEC缓存方案所需的传输延迟为0；MEC缓存模型将频繁被请求任务的结果直接返回给移动设备，减少时延和降低能耗。

4.根据权利要求1所述的基于云边协同的LTE电力无线专网任务卸载和资源分配方法，其特征是：步骤3所述云边协同***中存在的时延分析，包括：在云-边-端的任务分配模型中，假设每个移动设备由于其有限的计算能力和电量，移动设备发送任务请求，判断此任务的结果是否存在于缓存中；如果存在，则直接返回任务结果；如果不存在，则此移动设备会将任务上传至边缘节点；再由对应的边缘节点确定任务是由边缘节点独自处理还是由边缘节点与云服务器协同处理。

5.根据权利要求4所述的基于云边协同的LTE电力无线专网任务卸载和资源分配方法，其特征是：所述如果不存在，则此移动设备会将任务上传至边缘节点，所述边缘节点同时也负责确定每个任务在云边的卸载比例。

6.根据权利要求1所述的基于云边协同的LTE电力无线专网任务卸载和资源分配方法，其特征是：步骤3所述云边协同***中存在的时延分析，具体包括以下步骤：

7.根据权利要求6所述的基于云边协同的LTE电力无线专网任务卸载和资源分配方法，其特征是：所述计算过程中存在的延迟，包括：

来表示移动设备将任务q_i上传到sc_j产生的时延：

上式中：MT_i的上传速率r_i,j，S_i表示计算任务的大小；

b.边缘节点的计算时延：边缘节点成功接收从移动设备发送的完整计算任务后，MEC服务器会立刻执行卸载策略，将每个计算任务分成两部分，一部分由MEC服务器执行，另一部分由云服务器执行；假设在不考虑任务内容的情况下任意拆分每个计算任务，对应于视频压缩和语音识别等场景[]；定义ε_i,j∈[0,1]为计算任务的划分比率，ε_i,j表示在MEC服务器执行的计算任务数据比例；用