CN111726854B - 一种降低物联网计算卸载能耗的方法 - Google Patents
一种降低物联网计算卸载能耗的方法 Download PDFInfo
- Publication number
- CN111726854B CN111726854B CN202010330641.9A CN202010330641A CN111726854B CN 111726854 B CN111726854 B CN 111726854B CN 202010330641 A CN202010330641 A CN 202010330641A CN 111726854 B CN111726854 B CN 111726854B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- task
- computing
- network
- calculating
- 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
Images
Classifications
-
- 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
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- 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
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
-
- 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
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种降低物联网计算卸载能耗的方法,利用下一代网络中SDN的概念和边缘计算技术搭建基于边缘云的物联网网络架构;采用排队理论计算***中处理计算任务的平均时延以及IoT设备本地处理计算任务的平均时延;然后将面向物联网场景的基于时延约束的全局能耗最小化的问题建模成数学问题;再设计了一种基于遗传算法的卸载计算优化算法求解网络中每个设备的卸载决策以及边缘云服务器开启数量,优化资源配置,降低能耗。
Description
技术领域
本发明属于5G网络计算卸载技术领域,尤其涉及一种降低物联网计算卸载能耗的方法。
背景技术
物联网中存在大量的无线设备,受部署环境和生产成本的影响,这些设备都存在计算能力弱和能量有限的特点。因此降低能耗、强化计算能力已经成为提高网络***性能的关键。边缘计算被认为是最有效的解决方案之一。边缘云通过在无线接入网的边缘服务器实现云计算的功能。物联网网络中的设备节点可以卸载全部或者部分数据到就近的边缘云进行计算。一方面,通过卸载计算提高了无线设备的计算能力。另一方面,相比于传统的中心云,设备将数据传输到边缘云执行,不仅降低了设备本地计算的能耗也降低了传输的能耗。
在物联网计算卸载中,边缘云的能耗是不可忽视的。据统计,边缘云服务器的能耗大多是空载和低负载消耗的。如何降低计算卸载中的能耗(包括边缘服务器的能耗)是一个非常重要的研究问题。
发明内容
针对上述问题,本发明利用软件定义网络的思想,设计基于边缘计算的物联网网络架构,实现设备到边缘云的合理卸载以及边缘云资源的弹性控制。
为了实现上述目的,本发明提供如下的发明步骤:
一种降低物联网计算卸载能耗的方法,所述方法包括如下步骤:
步骤1:网络中的任意一设备有任务需要执行时,就选择最近的基站BS发送一个任务请求,该请求包括计算任务的到达速率λi,每个计算任务的大小bi,所需的CPU周期数ci和最大容忍时延Ti,BS收集任务请求,定期发送给软件定义网络SDN控制器;
步骤2:建立联合网络排队模型,多个设备的部分计算任务经过无线网络卸载到边缘云进行计算,故网络可以看作一个由多个M/M/1排队模型并联的通信模块,然后再与一个M/M/k排队模型串联的边缘云模块组成的联合排队模型;
步骤3:计算设备通信模块的队长,计算通信模块的服务速率,即数据的传输速率,根据香浓公式求得:其中B表示信道带宽,表示设备i的发送功率,hi表示设备i和BS之间的信道增益。根据通信模块的服务速率μi,求得当piλi<μi通信模块稳态时,设备i稳态时通信模块的队长为:pi表示设备i的卸载概率;
步骤5:计算求得联合网络排队模型的队长L=∑mLi+Le;
步骤11:结合步骤6、8、9、10,建立如下关于设备任务卸载概率pi和边缘服务器数量k的数学模型:
α,β表示权重因子,α+β=1,反映设备能耗和边缘云能耗的相对重要性,约束①和约束②表示时延约束;
步骤13:对步骤11中问题的解进行编码,所述解为,设备任务卸载概率pi和边缘服务器数量k,k是一个整型变量,pi∈[0,1]是一个连续变量,分别用二进制编码和实数编码将k和pi编码在一条染色体上;
步骤14:染色体交叉变异,染色体交叉只发生在两个染色体对应的表示k和pi的染色体片段之间,染色体变异通过随机反转一个二进制位实现;
步骤15:循环迭代求得pi和k,根据初始种群,判断是否满足约束条件,对满足约束条件的个体计算相应的适应度函数值;根据个体的适应度值选择优良个体,通过步骤14进行交叉变异产生下一次迭代的子代。直到迭代次数达到要求,求得最佳pi和k;
步骤16:SDN控制器将求得的pi和k结果通过BS传递给设备,实现最佳资源调度。
本发明的有益效果:本文利用SDN控制器根据监控设备端的计算压力以及***中的数据流量,来动态控制设备的卸载决策以及边缘服务器开启数量,降低了网络能耗,最终提高了网络的性能。
附图说明:
图1是SDN的物联网网络架构示意图。
图2是卸载模型示意图。
图3是联合排队网络模型示意图。
图4是染色体结构示意图。
图5是交叉过程示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
参照图1~图5,一种降低物联网计算卸载能耗的方法,包括如下步骤:
步骤1:如图1,m个设备和一个集成了边缘云的小型基站构成的物联网网络架构,基站BS具有软件定义功能,可以通过南向接口和SDN控制器进行通信,应用程序通过可编程的北向接口向SDN控制器传递业务需求,SDN控制器再通过南向接口调度其覆盖范围内的所有资源。网络中的任意一设备有任务需要执行时,就选择最近的BS发送一个任务请求。该任务包括计算任务的到达速率λi,每个计算任务的大小bi,所需的CPU周期数ci和最大容忍时延Ti,BS收集任务请求,定期发送给SDN控制器;
步骤2:建立联合网络排队模型,设备中的部分计算任务经过无线网络卸载到边缘云进行计算,如图2。该过程可以看作是一个服从M/M/1排队模型的通信模块,和一个服从M/M/k的排队模型的边缘云计算模块。网络***中每个设备需要卸载的计算任务,都需要经过通信模块后汇集到边缘云计算模块,故我们可以构建一个由多个M/M/1模型并联,然后再与一个M/M/k模型串联的联合排队网络模型,如图3;
步骤3:计算设备通信模块的队长,首先,计算通信模块的服务速率,即数据的传输速率,根据香浓公式求得:其中,B表示信道带宽,表示设备i的发送功率,hi表示设备i和BS之间的信道增益。然后,计算当piλi<μi通信模块稳态时,设备i稳态时通信模块的队长为:pi表示设备i的卸载概率,过程如下:
1、写出平衡方程
状态 离开速率=到达速率
0 piλiP0=μiP1
xi,xi>0 (piλi+μi)Pn=piλiPn-1+μiPn+1
2、改写方程组
3、按照P0求解
P0=P0
4、稳态概率和为1,则
故设备i的队列长
步骤5:计算联合排队网络模型的队长,L=∑mLi+Le。对于该模型的稳态概率可以由表示,其中xi表示通信模块i中恰好有xi个计算任务,y表示边缘云模块中恰好有y个计算任务。该联合排队网络模型***的队长为:设备和边缘中的顾客数是独立的,所以其中为设备i通信模块的稳态概率,Py为边缘云的稳态概率。则联合排队网络模型***队长可改写为不难看出是设备i通信模块的队长Li,∑yyPy表示边缘云的队长Le;
步骤10:计算边缘产生的能耗。边缘云端的能耗Ee包含服务器的基础能耗(运行状态的服务器即使没有负载也会产生能耗)以及执行计算任务产生的能耗其中表示边缘云,处理每个CPU周期消耗的能量的功率系数,表示每个服务器的基础能耗;
步骤11:结合步骤6、8、9、10,建立如下关于设备任务卸载概率pi和边缘服务器数量k的数学模型:
α,β表示权重因子,α+β=1,反映设备能耗和边缘云能耗的相对重要性。约束①和约束②表示时延约束;
步骤13:对步骤11中问题的解(设备任务卸载概率pi和边缘服务器数量k)进行编码,k是一个整型变量,pi∈[0,1]是一个连续变量,因此我们将k和pi采用不同的编码方式(分别用二进制编码和实数编码)定义在一条染色体上。如图4所示,片段0表示变量k,片段(i=1,2,…,m)表示变量pi;
步骤14:染色体交叉变异,如图5所示,两个染色体交叉,片段0只能和片段0发生子序列的交换,片段1也只能和片段1发生子序列的交换。而交换的子序列片段的位置和长度可以随机确定。染色体的变异通过随机反转一个二进制位实现;
步骤15:循环迭代求得pi和k,首先产生一个规模为sc的初始种群,采用步骤13中的编码方式,则每个个体的编码长度为(length1+length2*m)。我们可以用一个sc*(length1+length2*m)的矩阵表示这个种群,则每一行表示一个染色体个体,每一列表示染色体的一个二进制位;然后进行迭代:每次迭代,首先计算个体的适应度,在计算适应度值时可以先对个体进行判断,若满足约束则计算相应的适应度值,如不满足则记为0;根据个体的适应度值,采用轮盘赌算法保留优良个体以及种群规模始终不变;通过步骤14进行交叉变异产生下一次迭代的子代,直到迭代次数达到要求,求出最佳个体,即的pi和k;
步骤16:SDN控制器将决策结果(最佳的pi和k)通过BS传递给设备,实现最佳资源调度。
Claims (1)
1.一种降低物联网计算卸载能耗的方法,其特征在于,所述方法包括如下步骤:
步骤1:网络中的任意一设备有任务需要执行时,就选择最近的基站BS发送一个任务请求,该请求包括计算任务的到达速率λi,每个计算任务的大小bi,所需的CPU周期数ci和最大容忍时延Ti,BS收集任务请求,定期发送给软件定义网络SDN控制器;
步骤2:建立联合网络排队模型,多个设备的部分计算任务经过无线网络卸载到边缘云进行计算,故网络可以看作一个由多个M/M/1排队模型并联的通信模块,然后再与一个M/M/k排队模型串联的边缘云模块组成的联合排队模型;
步骤3:计算设备通信模块的队长,计算通信模块的服务速率,即数据的传输速率,根据香浓公式求得:其中B表示信道带宽,表示设备i的发送功率,hi表示设备i和BS之间的信道增益,根据通信模块的服务速率μi,求得当piλi<μi通信模块稳态时,设备i稳态时通信模块的队长为:pi表示设备i的卸载概率;
步骤5:计算求得联合网络排队模型的队长L=∑mLi+Le;
步骤11:结合步骤6、8、9、10,建立如下关于设备任务卸载概率pi和边缘服务器数量k的数学模型:
s.t.Wl≤Ti ①
W≤Ti ②
piλi≤μi ③
1≤k≤s ⑤
α,β表示权重因子,α+β=1,反映设备能耗和边缘云能耗的相对重要性,约束①和约束②表示时延约束;
步骤13:对步骤11中问题的解进行编码,所述解为,设备任务卸载概率pi和边缘服务器数量k,k是一个整型变量,pi∈[0,1]是一个连续变量,分别用二进制编码和实数编码将k和pi编码在一条染色体上;
步骤14:染色体交叉变异,染色体交叉只发生在两个染色体对应的表示k和pi的染色体片段之间,染色体变异通过随机反转一个二进制位实现;
步骤15:循环迭代求得pi和k,根据初始种群,判断是否满足约束条件,对满足约束条件的个体计算相应的适应度函数值;根据个体的适应度值选择优良个体,通过步骤14进行交叉变异产生下一次迭代的子代,直到迭代次数达到要求,求得最佳pi和k;
步骤16:SDN控制器将求得的pi和k结果通过BS传递给设备,实现最佳资源调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330641.9A CN111726854B (zh) | 2020-04-24 | 2020-04-24 | 一种降低物联网计算卸载能耗的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330641.9A CN111726854B (zh) | 2020-04-24 | 2020-04-24 | 一种降低物联网计算卸载能耗的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111726854A CN111726854A (zh) | 2020-09-29 |
CN111726854B true CN111726854B (zh) | 2023-04-07 |
Family
ID=72563671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010330641.9A Active CN111726854B (zh) | 2020-04-24 | 2020-04-24 | 一种降低物联网计算卸载能耗的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111726854B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235387B (zh) * | 2020-10-10 | 2022-12-13 | 华北电力大学(保定) | 一种基于能量消耗最小化的多节点协作计算卸载方法 |
CN112866358B (zh) * | 2021-01-05 | 2022-02-01 | 中国地质大学(北京) | 一种物联网服务重调度的方法、***及装置 |
CN112738272B (zh) * | 2021-01-12 | 2022-07-15 | 浙江工业大学 | 一种最小化网络时延的边缘节点负载均衡方法 |
CN112995023B (zh) * | 2021-03-02 | 2022-04-19 | 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 |
CN113114733B (zh) * | 2021-03-24 | 2022-07-08 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
CN113268341B (zh) * | 2021-04-30 | 2022-04-26 | 国网河北省电力有限公司信息通信分公司 | 电网边缘计算任务的分配方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740051A (zh) * | 2016-01-27 | 2016-07-06 | 北京工业大学 | 基于改进的遗传算法的云计算资源调度实现方法 |
CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
CN110851197A (zh) * | 2019-10-10 | 2020-02-28 | 长沙理工大学 | 一种边缘计算多服务器任务选择卸载方法和*** |
CN110996393A (zh) * | 2019-12-12 | 2020-04-10 | 大连理工大学 | 一种单边缘计算服务器与多用户协同的计算卸载与资源分配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102711266B (zh) * | 2012-05-17 | 2014-08-13 | 北京邮电大学 | 基于遗传算法的调度与资源分配联合优化方法 |
CN108319359B (zh) * | 2017-12-29 | 2020-01-03 | 华中科技大学 | 一种基于微云的能耗优化方法 |
-
2020
- 2020-04-24 CN CN202010330641.9A patent/CN111726854B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740051A (zh) * | 2016-01-27 | 2016-07-06 | 北京工业大学 | 基于改进的遗传算法的云计算资源调度实现方法 |
CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
CN110851197A (zh) * | 2019-10-10 | 2020-02-28 | 长沙理工大学 | 一种边缘计算多服务器任务选择卸载方法和*** |
CN110996393A (zh) * | 2019-12-12 | 2020-04-10 | 大连理工大学 | 一种单边缘计算服务器与多用户协同的计算卸载与资源分配方法 |
Non-Patent Citations (2)
Title |
---|
Edge Computing Terminal Equipment Planning Method for Real-time Online Monitoring Service of Power Grid;Yanzhi Sun等;《IEEE》;20200213;全文 * |
基于网络编码的无线传感器网络瓶颈区域生存时间优化策略;田贤忠等;《计算机学报》;20150723(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111726854A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111726854B (zh) | 一种降低物联网计算卸载能耗的方法 | |
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN111585816B (zh) | 一种基于自适应遗传算法的任务卸载决策方法 | |
CN110928654B (zh) | 一种边缘计算***中分布式的在线任务卸载调度方法 | |
Zhang et al. | MR-DRO: A fast and efficient task offloading algorithm in heterogeneous edge/cloud computing environments | |
US20230199061A1 (en) | Distributed computation offloading method based on computation-network collaboration in stochastic network | |
US11784931B2 (en) | Network burst load evacuation method for edge servers | |
CN111445111A (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN111182582A (zh) | 面向移动边缘计算的多任务分布式卸载方法 | |
CN111984419B (zh) | 一种边缘环境可靠性约束的复杂任务计算迁移方法 | |
Li et al. | Multi-edge collaborative offloading and energy threshold-based task migration in mobile edge computing environment | |
Ren et al. | Multi-objective optimization for task offloading based on network calculus in fog environments | |
CN114449490A (zh) | 基于d2d通信的多任务联合计算卸载与资源分配方法 | |
CN116209084A (zh) | 一种能量收集mec***中任务卸载和资源分配方法 | |
Li et al. | Snowball: Energy efficient and accurate federated learning with coarse-to-fine compression over heterogeneous wireless edge devices | |
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 | |
Shimonishi et al. | Energy optimization of distributed video processing system using genetic algorithm with bayesian attractor model | |
CN116204319A (zh) | 基于sac算法与任务依赖关系的云边端协同卸载方法及*** | |
CN116347522A (zh) | 云边协同下基于近似计算复用的任务卸载方法及装置 | |
Wang et al. | Analysis and prediction of UAV-assisted mobile edge computing systems | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
Saxena et al. | Differential scale based multi-objective task scheduling and computational offloading in fog networks | |
CN114691362A (zh) | 一种时延与能耗折衷的边缘计算方法 | |
Peng et al. | Edge-cloud collaborative computation offloading for federated learning in smart city | |
Tian et al. | Global energy optimization strategy based on delay constraints in edge computing environment |
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 |