CN113873662A - 一种绿色边缘计算***中联合卸载决策与资源分配优化方法 - Google Patents
一种绿色边缘计算***中联合卸载决策与资源分配优化方法 Download PDFInfo
- Publication number
- CN113873662A CN113873662A CN202111180637.XA CN202111180637A CN113873662A CN 113873662 A CN113873662 A CN 113873662A CN 202111180637 A CN202111180637 A CN 202111180637A CN 113873662 A CN113873662 A CN 113873662A
- Authority
- CN
- China
- Prior art keywords
- user equipment
- task
- time slot
- unloading
- time
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种绿色边缘计算***中联合卸载决策与资源分配优化方法,利用了MEC的优势,使得用户在低时延要求的应用中获取更加高的服务质量。首先基于Lyapunov优化与***的长期能耗成本预算,将长期成本的约束转化为每个时隙的确定性问题;然后针对该问题,分析其变量的独立性和单调性,首先求出最优的卸载时最优的用户设备传输功率以及MEC服务器CPU频率,完成最优资源分配之后,针对卸载问题,设计了一种基于拟阵理论的最小成本贪婪算法,求解用户设备最优任务卸载决策。
Description
技术领域
本发明属于5G网络边缘计算卸载技术与资源分配领域,尤其涉及到有多个支持能量捕获的用户设备的绿色MEC***的任务卸载与计算、通讯资源分配。
背景技术
移动边缘计算作为近年来新兴的一个计算范式,为时延敏感型应用在传统云计算框架下时延高、用户设备电池损耗快、低服务质量等问题提供了有效的解决方法。然而,相对于传统的集中云计算服务器,边缘服务器的计算、存储资源都相对有限。如何在有限的长期能耗成本预算下,联合优化卸载决策与资源分配方案,使***中用户享受到低时延的应用、减少设备未完成的任务量,成为了一个非常重要的研究问题。
发明内容
本发明要克服现有技术的上述缺点,提供一种绿色边缘计算***中联合卸载决策与资源分配优化方法。
本发明利用移动边缘计算的优势,设计了绿色MEC***中,多个支持能量捕获设备的计算任务卸载模型,即在线给***中的用户设备分配带宽资源和边缘服务器CPU周期,并设计卸载决策,来降低***时延、减少用户在每个时隙的未完成任务。
为了实现上述目的,本发明提供如下的发明步骤:
一种绿色边缘计算***中联合卸载决策与资源分配优化方法,所述方法包括如下步骤:
步骤2:忽略计算结果返回的时间与能耗,将用户设备在时隙t所捕获到的绿色能源Ein(t)用于本地计算或者卸载时的任务传输;
步骤3:生成时隙t第k个用户设备缓冲区更新公式:Sk(t+1)=min(Ak(t)+Sk(t)-Ck(t),Smax),其中Smax为每个用户设备的任务缓冲区容量大小,Sk(t)为时隙初始阶段的缓冲区的任务量大小,Ak(t)为时隙末随机到达任务大小,Ck(t)为当前时隙计算完成的任务量,将时隙末到达的任务放入任务缓冲区,使它在下一个时隙计算;
步骤4:当任务被卸载时,首先将任务传输至MEC服务器,根据香农公式,生成时隙t第k个用户设备卸载时任务的传输速率表达式:
步骤6:计算得到时隙t第k个用户设备本地计算应取的CPU频率值:
步骤8:生成时隙t第k个用户设备卸载到MEC服务器计算的计算时间表达式其中为MEC服务器CPU核心频率,最大值为则生成产生能耗表达式其中表示CPU功率,κMEC为MEC服务器CPU的有效开关电容,则生成时隙t卸载至MEC服务器计算时间和表达式 产生能耗和表达式
步骤10:结合步骤1-9,将第k个用户设备的卸载策略表示为向量wk(t)=[xk(t),yk(t)]T,将所有用户设备的卸载策略表示为向量W(t)=[w1(t),...,wN(t)],将MEC服务器的CPU频率表示为向量将用户设备向MEC传输任务时的传输功率表示为向量将所有用户设备在时隙t的时延总和与未完成任务惩罚之和表示为 其中γ为未完成任务在时间上的惩罚系数,生成总能耗成本表达式E(t)=EMEC(t)+EMCC(t),建立如下关于任务卸载的数学模型:
问题描述的是多个用户设备在长期能耗约束下最小化时延总和与未完成任务的问题,问题的决策变量包括任务卸载决策,MEC服务器CPU频率的分配以及传输信道带宽的分配,约束(1)表述了卸载决策的二元性,约束(2)-(4)分别是用户设备卸载时的传输功率、传输时间、传输能耗的最大值约束,约束(5)为卸载时MEC服务器频率的最小值(计算时间约束)和最大值约束,约束(6)则是长期能耗成本的约束;
步骤11:根据Lyapunov优化算法,构建初始值为0的虚拟队列,表示为
Q(t+1)=max{Q(t)+E(t)-Emax,0}
步骤12:根据步骤10和11,将原始的长期优化问题重塑为每个时隙的确定性优化问题:
s.t.(1)-(5)
其中V是非负的控制参数;
步骤14:对每个用户设备分别求解其MEC计算时的最优CPU频率,即求解以下问题:
s.t.(8)
对优化目标函数单调性进行分析可得最优解:
步骤15:类似的,对每个用户设备分别求解其卸载时的最优传输功率,即求解以下问题:
s.t.(2),(4),(7)
对优化目标函数单调性进行分析可得最优解:
步骤16:将本地计算成本表示为卸载成本表示为MEC计算成本表示为 MCC计算成本表示为 对于用户设备k,由于其卸载时只需要选择MEC和MCC计算成本较小的即为最优解,yk(t)不需要再被决策,于是将卸载决策表示为x(t)=[x1(t),x2(t),...,xN(t)],卸载成本表示为根据步骤14与步骤15得到的最优MEC服务器CPU频率以及传输功率,将任务卸载决策问题构建为整数线性规划数学模型:
s.t.(1)
其中常数M0=0,1,...,N表示卸载数量,即需要根据卸载数量的不同分别求解N+1个这样的整数线性规划问题,再比较这N+1个问题的最优解,即为最优卸载策略;
步骤18:将所有用户设备按照步骤17得到的最优卸载决策进行卸载,根据步骤6设置本地计算的用户设备的CPU频率,并且不分配带宽资源,根据步骤14与15给卸载的用户设备分配传输功率和带宽,并且给卸载到MEC服务器计算的用户设备分配MEC服务器的CPU频率;
步骤19:在当前时隙结束前更新虚拟队列与用户设备的任务缓冲区,在下一个时隙重复步骤2到18。
本发明的一种绿色边缘计算***中联合卸载决策与资源分配优化方法,利用了MEC的优势,使得用户在低时延要求的应用中获取更加高的服务质量。首先基于Lyapunov优化与***的长期能耗成本预算,将长期成本的约束转化为每个时隙的确定性问题;然后针对该问题,分析其变量的独立性和单调性,首先求出最优的卸载时最优的用户设备传输功率以及MEC服务器CPU频率,完成最优资源分配之后,针对卸载问题,设计了一种基于拟阵理论的最小成本贪婪算法,求解用户设备最优任务卸载决策。
本发明的有益效果:利用移动边缘计算低时延的优势,在满足长期能耗预算成本的约束下,联合优化任务卸载决策以及计算、通讯资源分配,最终达到了降低***时延和减少用户设备未完成任务数量的效果。
附图说明:
图1是本发明的绿色MEC***下多能量捕获用户设备联合任务卸载与资源分配模型示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
结合图1,一种绿色边缘计算***中联合卸载决策与资源分配优化方法,包括如下步骤:
步骤1:如图一***中共有N个支持能量捕获的用户设备,设备完全由环境中的绿色能源供能,包括本地计算能耗与卸载时的传输能耗,将边缘计算***的时间划分为若干个长度为τ的时隙,时隙将***中的用户设备的编号用k表示,每个设备都有一个任务缓冲区,用来存储当前时隙新到达的任务和未完成的任务,设备在每个时隙可以选择将任务在本地计算、卸载到MEC服务器计算或者卸载到MCC服务器计算,如果要卸载到MCC服务器,也要首先传输到MEC服务器;
步骤2:忽略计算结果返回的时间与能耗,将用户设备在时隙t所捕获到的绿色能源Ein(t)用于本地计算或者卸载时的任务传输;
步骤3:生成时隙t第k个用户设备缓冲区更新公式:Sk(t+1)=min(Ak(t)+Sk(t)-Ck(t),Smax),其中Smax为每个用户设备的任务缓冲区容量大小,Sk(t)为时隙初始阶段的缓冲区的任务量大小,Ak(t)为时隙末随机到达任务大小,Ck(t)为当前时隙计算完成的任务量,将时隙末到达的任务放入任务缓冲区,使它在下一个时隙计算;
步骤4:当任务被卸载时,首先将任务传输至MEC服务器,根据香农公式,生成时隙t第k个用户设备卸载时任务的传输速率表达式:
步骤6:计算得到时隙t第k个用户设备本地计算应取的CPU频率值:
步骤8:生成时隙t第k个用户设备卸载到MEC服务器计算的计算时间表达式其中为MEC服务器CPU核心频率,最大值为则生成产生能耗表达式其中表示CPU功率,κMEC为MEC服务器CPU的有效开关电容,则生成时隙t卸载至MEC服务器计算时间和表达式 产生能耗和表达式
步骤9:生成时隙t卸载至MCC计算的时间和表达式能耗和表达式 其中dMCC为将任务从MEC发送至MCC的时延,为常数,这是因为任务在MEC与MCC之间发送的时间主要由传播时延组成,由地理距离决定,而由于发送数据量大小产生的传输时延差距可以忽略,eMCC为MCC服务器计算任务的能耗成本,为常数,这是因为租用MCC服务器的时长为固定值;
步骤10:结合步骤1-9,将第k个用户设备的卸载策略表示为向量wk(t)=[xk(t),yk(t)]T,将所有用户设备的卸载策略表示为向量W(t)=[w1(t),...,wN(t)],将MEC服务器的CPU频率表示为向量将用户设备向MEC传输任务时的传输功率表示为向量将所有用户设备在时隙t的时延总和与未完成任务惩罚之和表示为 其中γ为未完成任务在时间上的惩罚系数,生成总能耗成本表达式E(t)=EMEC(t)+EMCC(t),建立如下关于任务卸载的数学模型:
问题描述的是多个用户设备在长期能耗约束下最小化时延总和与未完成任务的问题,问题的决策变量包括任务卸载决策,MEC服务器CPU频率的分配以及传输信道带宽的分配,约束(1)表述了卸载决策的二元性,约束(2)-(4)分别是用户设备卸载时的传输功率、传输时间、传输能耗的最大值约束,约束(5)为卸载时MEC服务器频率的最小值(计算时间约束)和最大值约束,约束(6)则是长期能耗成本的约束;
步骤11:根据Lyapunov优化算法,构建初始值为0的虚拟队列,表示为
Q(t+1)=max{Q(t)+E(t)-Emax,0}
步骤12:根据步骤10和11,将原始的长期优化问题重塑为每个时隙的确定性优化问题:
s.t.(1)-(5)
其中V是非负的控制参数;
步骤14:对每个用户设备分别求解其MEC计算时的最优CPU频率,即求解以下问题:
s.t. (8)
对优化目标函数单调性进行分析可得最优解:
步骤15:类似的,对每个用户设备分别求解其卸载时的最优传输功率,即求解以下问题:
s.t.(2),(4),(7)
对优化目标函数单调性进行分析可得最优解:
步骤16:将本地计算成本表示为卸载成本表示为MEC计算成本表示为 MCC计算成本表示为 对于用户设备k,由于其卸载时只需要选择MEC和MCC计算成本较小的即为最优解,yk(t)不需要再被决策,于是将卸载决策表示为x(T)=[x1(t),x2(t),…,xN(t)],卸载成本表示为根据步骤14与步骤15得到的最优MEC服务器CPU频率以及传输功率,将任务卸载决策问题构建为整数线性规划数学模型:
s.t.(1)
其中常数M0=0,1,...,N表示卸载数量,即需要根据卸载数量的不同分别求解N+1个这样的整数线性规划问题,再比较这N+1个问题的最优解,即为最优卸载策略;
步骤18:将所有用户设备按照步骤17得到的最优卸载决策进行卸载,根据步骤6设置本地计算的用户设备的CPU频率,并且不分配带宽资源,根据步骤14与15给卸载的用户设备分配传输功率和带宽,并且给卸载到MEC服务器计算的用户设备分配MEC服务器的CPU频率;
步骤19:在当前时隙结束前更新虚拟队列与用户设备的任务缓冲区,在下一个时隙重复步骤2到18。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种绿色边缘计算***中联合卸载决策与资源分配优化方法,包括如下步骤:
步骤2:忽略计算结果返回的时间与能耗,将用户设备在时隙t所捕获到的绿色能源Ein(t)用于本地计算或者卸载时的任务传输;
步骤3:生成时隙t第k个用户设备缓冲区更新公式:Sk(t+1)=min(Ak(t)+Sk(t)-Ck(t),Smax),其中Smax为每个用户设备的任务缓冲区容量大小,Sk(t)为时隙初始阶段的缓冲区的任务量大小,Ak(t)为时隙末随机到达任务大小,Ck(t)为当前时隙计算完成的任务量,将时隙末到达的任务放入任务缓冲区,使它在下一个时隙计算;
步骤4:当任务被卸载时,首先将任务传输至MEC服务器,根据香农公式,生成时隙t第k个用户设备卸载时任务的传输速率表达式:
步骤6:计算得到时隙t第k个用户设备本地计算应取的CPU频率值:
步骤8:生成时隙t第k个用户设备卸载到MEC服务器计算的计算时间表达式其中为MEC服务器CPU核心频率,最大值为则生成产生能耗表达式其中表示CPU功率,κMEC为MEC服务器CPU的有效开关电容,则生成时隙t卸载至MEC服务器计算时间和表达式 产生能耗和表达式
步骤10:结合步骤1-9,将第k个用户设备的卸载策略表示为向量wk(t)=[xk(t),yk(t)]T,将所有用户设备的卸载策略表示为向量W(t)=[w1(t),...,wN(t)],将MEC服务器的CPU频率表示为向量将用户设备向MEC传输任务时的传输功率表示为向量将所有用户设备在时隙t的时延总和与未完成任务惩罚之和表示为 其中γ为未完成任务在时间上的惩罚系数,生成总能耗成本表达式E(t)=EMEC(t)+EMCC(t),建立如下关于任务卸载的数学模型:
问题描述的是多个用户设备在长期能耗约束下最小化时延总和与未完成任务的问题,问题的决策变量包括任务卸载决策,MEC服务器CPU频率的分配以及传输信道带宽的分配,约束(1)表述了卸载决策的二元性,约束(2)-(4)分别是用户设备卸载时的传输功率、传输时间、传输能耗的最大值约束,约束(5)为卸载时MEC服务器频率的最小值(计算时间约束)和最大值约束,约束(6)则是长期能耗成本的约束;
步骤11:根据Lyapunov优化算法,构建初始值为0的虚拟队列,表示为
Q(t+1)=max{Q(t)+E(t)-Emax,0}
步骤12:根据步骤10和11,将原始的长期优化问题重塑为每个时隙的确定性优化问题:
s.t.(1)-(5)
其中V是非负的控制参数;
步骤14:对每个用户设备分别求解其MEC计算时的最优CPU频率,即求解以下问题:
s.t.(8)
对优化目标函数单调性进行分析可得最优解:
步骤15:类似的,对每个用户设备分别求解其卸载时的最优传输功率,即求解以下问题:
s.t.(2),(4),(7)
对优化目标函数单调性进行分析可得最优解:
步骤16:将本地计算成本表示为卸载成本表示为MEC计算成本表示为 MCC计算成本表示为 对于用户设备k,由于其卸载时只需要选择MEC和MCC计算成本较小的即为最优解,yk(t)不需要再被决策,于是将卸载决策表示为x(t)=[x1(t),x2(t),...,xN(t)],卸载成本表示为根据步骤14与步骤15得到的最优MEC服务器CPU频率以及传输功率,将任务卸载决策问题构建为整数线性规划数学模型:
s.t.(1)
其中常数M0=0,1,...,N表示卸载数量,即需要根据卸载数量的不同分别求解N+1个这样的整数线性规划问题,再比较这N+1个问题的最优解,即为最优卸载策略;
步骤18:将所有用户设备按照步骤17得到的最优卸载决策进行卸载,根据步骤6设置本地计算的用户设备的CPU频率,并且不分配带宽资源,根据步骤14与15给卸载的用户设备分配传输功率和带宽,并且给卸载到MEC服务器计算的用户设备分配MEC服务器的CPU频率;
步骤19:在当前时隙结束前更新虚拟队列与用户设备的任务缓冲区,在下一个时隙重复步骤2到18。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180637.XA CN113873662A (zh) | 2021-10-11 | 2021-10-11 | 一种绿色边缘计算***中联合卸载决策与资源分配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180637.XA CN113873662A (zh) | 2021-10-11 | 2021-10-11 | 一种绿色边缘计算***中联合卸载决策与资源分配优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113873662A true CN113873662A (zh) | 2021-12-31 |
Family
ID=78998841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111180637.XA Pending CN113873662A (zh) | 2021-10-11 | 2021-10-11 | 一种绿色边缘计算***中联合卸载决策与资源分配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113873662A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541153A (zh) * | 2023-07-06 | 2023-08-04 | 南昌工程学院 | 边缘计算的任务调度方法、***、可读存储介质及计算机 |
-
2021
- 2021-10-11 CN CN202111180637.XA patent/CN113873662A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541153A (zh) * | 2023-07-06 | 2023-08-04 | 南昌工程学院 | 边缘计算的任务调度方法、***、可读存储介质及计算机 |
CN116541153B (zh) * | 2023-07-06 | 2023-10-03 | 南昌工程学院 | 边缘计算的任务调度方法、***、可读存储介质及计算机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113612843B (zh) | 一种基于深度强化学习的mec任务卸载和资源分配方法 | |
CN110113190B (zh) | 一种移动边缘计算场景中卸载时延优化方法 | |
CN113709201B (zh) | 计算卸载的方法和通信装置 | |
CN110928654B (zh) | 一种边缘计算***中分布式的在线任务卸载调度方法 | |
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
Yang et al. | Optimal packet scheduling in an energy harvesting communication system | |
CN107708152B (zh) | 异构蜂窝网络的任务卸载方法 | |
CN110941675B (zh) | 一种基于深度学习的无线供能边缘计算延迟优化方法 | |
CN114051254B (zh) | 一种基于星地融合网络的绿色云边协同计算卸载方法 | |
CN113590279B (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
CN114880046B (zh) | 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 | |
CN108600002B (zh) | 一种基于半监督学习的移动边缘计算分流决策方法 | |
CN113626104A (zh) | 边云架构下基于深度强化学习的多目标优化卸载策略 | |
CN115396953A (zh) | 移动边缘计算中一种基于改进粒子群算法的计算卸载方法 | |
CN113873662A (zh) | 一种绿色边缘计算***中联合卸载决策与资源分配优化方法 | |
CN117580105B (zh) | 一种面向电网巡检的无人机任务卸载优化方法 | |
CN113687876A (zh) | 信息处理方法、自动驾驶控制方法和电子设备 | |
Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
CN109561129B (zh) | 一种基于光纤-无线网络的协同计算卸载方法 | |
CN110768827A (zh) | 一种基于群智能算法的任务卸载方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
Dams et al. | Convergence time of power-control dynamics | |
CN114466335A (zh) | 一种d2d辅助mec***中基于博弈论的联合优化方法 | |
CN116233007A (zh) | 面向异构移动边缘计算负载均衡的分层分布式匹配方法 | |
Bhat et al. | Distortion minimization in energy harvesting sensor nodes with compression power constraints |
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 |