CN114885418A - 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质 - Google Patents
5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质 Download PDFInfo
- Publication number
- CN114885418A CN114885418A CN202210262724.8A CN202210262724A CN114885418A CN 114885418 A CN114885418 A CN 114885418A CN 202210262724 A CN202210262724 A CN 202210262724A CN 114885418 A CN114885418 A CN 114885418A
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- task
- channel
- mec
- computing
- 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
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明针对5G超密集网络中存在的因计算能力不足的用户在处理低时延、高可靠应用而产生的高时延问题,在计算资源和信道资源有限的条件下,实现了卸载策略与资源分配的联合优化策略。首先,构建5G超密集网络场景下MEC和本地计算的***模型,构建了一个最小化任务完成时间的混合整数非线性优化问题,然后针对优化问题提出一种任务卸载决策与资源分配的联合优化策略。该策略先采用变量替换的方式简化问题,再采用子问题分解的方式求解,将原问题分解为计算资源分配与信道资源分配两个子问题,先采用拉格朗日乘子法获取计算资源的最优解,然后在确定每一次计算资源分配最优解的条件下采用一种基于差分进化思想的信道资源分配算法来进行信道资源分配。
Description
技术领域
本发明涉及5G超密集网络中任务卸载及资源分配的联合优化方法,属于技术领域。
背景技术
随着移动互联网和物联网的快速发展与更新,全球移动数据流量呈现***式增长的趋势,5G时代的全球移动数据流量有望达到4G时代的1000倍以上。此外,移动设备已经变得更加智能。智能移动设备催生了自动驾驶、实时互动游戏、虚拟现实、增强现实等各种新兴服务,一方面,这些新兴业务对网络时延有着较高的要求,例如一些实时交互类游戏和自动驾驶要求网络时延小于1ms以上,但是现有的***移动通信***(4G)只能最多提供20ms-70ms的网络时延,远达不到所需的要求;另一方面,这些新兴的应用对用户设备的性能要求很高,虽然如今用户设备的CPU的计算能力足够强大,但是这些需要大量计算的应用的能耗很大,与用户设备的电池电量并不匹配,这将严重降低了用户设备的续航时间。
针对以上问题,传统的云计算已经无法满足***式增长的海量数据。2014年,欧洲电信标准化协会(ETSI)启动了基于LTE的边缘计算标准项目——移动边缘计算(MobileEdge Computing,MEC),并开展标准化工作。根据ETSI,MEC的定义如下:“移动边缘计算指在移动网络边缘,无线接入网络(Radio Access Network,RAN)内以及移动用户附近提供IT服务环境和云计算功能。”其最初的目的主要是降低网络时延、缓解网络拥塞。随着业务的不断丰富、研究的不断深入,移动边缘计算的含义进一步扩展为多接入边缘计算(Multi-access Edge Computing),能力得到进一步增强,接入技术也不仅局限于LTE,还包含5G、Wi-Fi、固网等多种接入技术。
随着未来移动设备的海量增长,以及密集部署的网络设备的接入,包括无线接入点(Access Point,AP)、小蜂窝基站(Small Base Station,SBS)、宏蜂窝基站(Macro BaseStation,MBS),网络数据流量呈现出向热点区域汇聚的发展趋势,这对网络容量提出了超高要求。传统的增加频谱带宽和提高频谱复用率是提高网络容量的两种重要途径,但是由于网络中频谱资源的有限性,仅仅依靠增加带宽的方式无法显著提升网络容量,超密集网络(Ultra-Dense Network,UDN)有望成为一种有效的解决方案,通过重用小区间的有限频谱资源,显著提高网络频谱利用率和网络容量。
因此,UDN可以满足海量UE(User Equipment)的接入,提高网络容量。MEC能够实时处理计算密集型和数据密集型任务。UDN与MEC的结合可以提供更多具有即时计算能力的终端,满足任务对计算能力的要求,又能避免了将任务卸载到远程云而导致高延迟的缺点。但在UDN中,大量UE共享有限的信道资源会造成严重干扰,导致传输速率下降。信道资源和计算资源的分配对MEC***来说尤为重要,其中前者影响数据传输速率,而后者影响任务的计算时延。因而亟需发明一种能有效降低整个***任务完成时延的5G超密集网络中任务卸载及资源分配的联合优化方法。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种5G超密集网络中任务卸载及资源分配的联合优化方法、装置及介质,可最小化所有终端的任务时延,有效降低整个***任务完成时延。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种5G超密集网络中任务卸载及资源分配的联合优化方法,所述方法包括如下步骤:
建立一个基于OFDMA的包含一个宏基站和多个小基站组成的超密集网络场景,其中MEC部署在宏基站中,支持多用户接入;
获取网络基础信息,所述网络基础信息包括:本地终端计算能力,任务平均计算量、数据量,MEC计算能力,信道数目,信道带宽;根据所述网络基础信息分别计算用户选择任务在本地以及卸载至MEC的计算时延,并根据香农公式,计算出用户的传输速率和任务卸载时的传输时延以及任务卸载至MEC服务器处理的总时延的***模型及公式;
根据超密集网络场景和***模型及公式,提出5G超密集网络中任务卸载及资源分配的优化目标函数;
根据卸载决策变量和信道资源分配变量之间的关系进行变量替换,使优化目标函数简化,并对简化后的优化目标函数进行子问题分解,获得计算资源分配问题和信道资源分配问题;
分别对计算资源分配问题和信道资源分配问题进行求解,获得并输出信道资源分配结果、任务总完成时延。
进一步的,在多小区-多用户的UDN场景下,根据不同任务所需的资源不同,在资源约束下对卸载决策X和信道分配C以及MEC计算资源分配F,优化目标函数可以表示为:
式中,X为卸载决策矩阵,C为信道分配矩阵,F为MEC计算资源分配矩阵,S={1,2,...,S}表示SBS组成的集合,N={1,2,...,Ns},s∈S表示每个SBS服务的UEs组成的集合,表示卸载用户的集合,K={1,2,...,K}表示子信道的集合;表示任务的总完成时延,表示UE的卸载决策,若表示任务卸载至边缘服务器计算,表示任务在本地处理;表示信道分配值,表示UEns使用子信道k进行卸载,表示UEns不使用子信道k进行卸载;表示MEC为UEns分配的计算资源;fm表示MEC的最大计算能力;表示任务的最大可容忍时延。
进一步的,本发明采用根据卸载决策变量和信道资源分配变量之间的关系进行变量替换,使优化目标函数简化,并对简化后的优化目标函数进行子问题分解的方法包括如下步骤:
式中,K={1,2,...,K}表示子信道的集合,K表示子信道的数目;表示UE的卸载决策,若表示任务卸载至边缘服务器计算,表示任务在本地处理;表示信道分配值,表示UEns使用子信道k进行卸载,表示UEns不使用子信道k进行卸载;
得到新的目标函数P1:
式中,C为信道分配矩阵,F为MEC计算资源分配矩阵,S={1,2,...,S}表示SBS组成的集合,N={1,2,...,Ns},s∈S表示每个SBS服务的UEs组成的集合,表示卸载用户的集合,K={1,2,...,K}表示子信道的集合;表示任务的总完成时延;表示信道分配值,表示UEns使用子信道k进行卸载,表示UEns不使用子信道k进行卸载;表示MEC为UEns分配的计算资源;fm表示MEC的最大计算能力;表示任务的最大可容忍时延;
将问题P转化为分配MEC计算资源和信道资源的问题P1;如果用户终端选择复用信道资源,则将计算任务卸载至MEC服务器,MEC服务器分配相应的计算资源用于任务计算。如果终端不选择复用信道资源,则在终端本地执行计算任务;
采用间接最优化方法,对问题P1分为计算资源分配问题和信道资源分配问题进行求解。
进一步的,分别对计算资源分配问题和信道资源分配问题进行求解的方法包括:
将计算资源分配问题转换为关于服务器计算能力分配的凸函数,引入拉格朗日函数以及KKT条件求得最优计算资源分配值;
根据最优计算资源分配值,采用基于差分进化思想的信道资源分配算法,对信道资源分配问题进行求解,求得最优信道资源分配,输出信道资源分配结果、任务总完成时延。
进一步的,将计算资源分配问题转换为关于服务器计算能力分配的凸函数,引入拉格朗日函数以及KKT条件求得最优计算资源分配值,包括如下步骤:
s.t.C2,C3
矩阵的每一项具体表示为:
构造关于f(C0,F)的拉格朗日函数:
其中,μ是与约束条件C3相对应的拉格朗日乘子,且λ,μ≥0;通过卡罗需-库恩-塔克(Karush-Kuhn-Tucker,KKT)条件可求得改进问题的最优值;利用KKT条件,最优值与μ需满足的条件为:
式中,C0表示给定的信道分配矩阵,F*表示计算得到的最优的MEC计算资源分配矩阵,S={1,2,...,S}表示SBS组成的集合,表示卸载用户的集合;fm表示MEC的最大计算能力;表示完成任务需要的总CPU周期数;表示任务的数据量;表示给定信道分配矩阵C0后的任务的上行传输时延。
进一步的,根据最优计算资源分配值,采用基于差分进化思想的信道资源分配算法,对信道资源分配问题进行求解,包括如下步骤:
在解向量取值范围内随机均匀生成N个个体组成初始种群,种群的集合表示为Xi={xi,1,xi,2,...,xi,j},其中i=1,2,...,N表示种群的个体的序号,j=1,2,...,D(D=Ns×S×K)表示解向量的维数;那么第i个个体组成的第j维取值如下所示:
xi,j=rand(0,1)(Ui,j-Li,j)+Li,j
其中Li,j表示第i个解向量第j维的下界,Ui,j表示第i个解向量第j维的上界;rand(0,1)表示表示随机值为“0”或“1”;
差分进化算法通过随机选取种群中两个不同的个体间,将其差值进行缩放,再加上其它个体,生成新的变异个体;第m次迭代中变异个体Vi(m)如下式:
Vi(m)=F(Xp(m-1)-Xq(m-1))+Xk(m-1)
其中Xp(m-1)、Xq(m-1)、Xk(m-1)是父代中生成种群的三个不同的个体解向量,F为缩放因子;在进行变异操作中,必须确定种群中的每个个体是否满足边界条件,即Li,j≤vi,j(m)≤Ui,j;
将父代种群中每个个体的分量和对应的变异个体中的分量进行交换,操作如下:
其中randi(1,n)表示1到n中随机选取的整数,保证交叉个体中至少有一个基因由父代中对应个体提供,CR为交叉概率,CR影响算法的收敛速度和种群丰富程度,CR越大,有利于全局寻优,CR越小,有利于达到局部最优;
获得适应度函数:
通过变异和交叉操作后获得了一组交叉个体,将它们与父代种群中对应的个体带入适应度函数进行比较,遵照贪婪策略,留下适应度高的下一代的父代个体;贪婪选择策略如下所示:
其中F*(m)为第m代个体对应的最优MEC计算资源分配矩阵;选择操作保证新一代的种群优于上一代的种群,淘汰了差的个体,保留了原本优秀的个体,引导算法向着最优解逼近。
第二方面,本发明提供一种5G超密集网络中任务卸载及资源分配的联合优化装置,包括:
网络建立模块:用于建立一个基于OFDMA的包含一个宏基站和多个小基站组成的超密集网络场景,其中MEC部署在宏基站中,支持多用户接入;
建模模块:用于获取网络基础信息,所述网络基础信息包括:本地终端计算能力,任务平均计算量、数据量,MEC计算能力,信道数目,信道带宽;根据所述网络基础信息分别计算用户选择任务在本地以及卸载至MEC的计算时延,并根据香农公式,计算出用户的传输速率和任务卸载时的传输时延以及任务卸载至MEC服务器处理的总时延的***模型及公式;
优化函数模块:用于根据超密集网络场景和***模型及公式,提出5G超密集网络中任务卸载及资源分配的优化目标函数;
分解模块:用于根据卸载决策变量和信道资源分配变量之间的关系进行变量替换,使优化目标函数简化,并对简化后的优化目标函数进行子问题分解,获得计算资源分配问题和信道资源分配问题;
求解输出模块:用于分别对计算资源分配问题和信道资源分配问题进行求解,获得并输出信道资源分配结果、任务总完成时延。
进一步的,所述求解输出模块分别对计算资源分配问题和信道资源分配问题进行求解的方法包括:
将计算资源分配问题转换为关于服务器计算能力分配的凸函数,引入拉格朗日函数以及KKT条件求得最优计算资源分配值;
根据最优计算资源分配值,采用基于差分进化思想的信道资源分配算法,对信道资源分配问题进行求解,求得最优信道资源分配,输出信道资源分配结果、任务总完成时延。
第三方面,本发明提供一种5G超密集网络中任务卸载及资源分配的联合优化装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
1、本发明针对5G超密集网络中存在的因计算能力不足的用户在处理低时延、高可靠应用而产生的高时延问题,在计算资源和信道资源有限的条件下,实现了卸载策略与资源分配的联合优化策略。
2、本发明构建5G超密集网络场景下MEC和本地计算的***模型,构建了一个最小化任务完成时间的混合整数非线性优化问题,然后针对优化问题提出一种任务卸载决策与资源分配的联合优化策略。该策略先采用变量替换的方式简化问题,再采用子问题分解的方式求解,将原问题分解为计算资源分配与信道资源分配两个子问题,先采用拉格朗日乘子法获取计算资源的最优解,然后在确定每一次计算资源分配最优解的条件下采用一种基于差分进化思想的信道资源分配算法来进行信道资源分配。仿真结果表明,本发明所提算法能够在资源有限的条件下有效降低***总的任务完成时延,提升了用户的服务体验。
附图说明
图1是本发明的***模型图;
图2是不同算法在不同任务数量下的总完成时延比较图;
图3是不同算法在不同任务计算量的总时延比较图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
本发明所要解决的技术问题是5G超密集网络中基于边缘计算的任务完成时延问题,主要解决用户设备将任务卸载至边缘服务器时面临的资源分配和卸载策略问题。
考虑一个由一个宏基站(Macro Base Station,MBS)和N个小基站(Small BaseStation,SBS)组成的UDN。由SBS组成的集合表示为S={1,2,...,S}表示,在宏基站中部署一台MEC服务器,MEC服务器有一定的计算能力,能够同时并行处理多个计算任务。每个SBS服务的UEs组成的集合表示为N={1,2,...,Ns},s∈S。UE和MEC服务器之间通过无线信道连接,并采用正交频分多址作为用户的多址接入方法,将带宽分成K个正交的子信道,子信道的集合表示为K={1,2,...,K},各子信道的带宽用w表示,每个UE都有一个待处理的计算任务,并且每个任务都是不可分割的,具体分析如下:
1)本地计算模型
假设用表示计算任务,其中表示完成任务需要的总CPU周期数,表示任务的数据量,表示表示任务能够容忍的最大时间延迟。UE的卸载决策表示为若表示任务将会通过信道卸载至边缘服务器计算,表示任务在本地处理。当计算任务在本地终端上计算时:总时延就是任务在本地的处理时间。假设为本地终端的CPU频率,即单位时间内执行的CPU周期,则任务在本地设备上的计算时延为:
2)MEC计算模型
当表示任务卸载至MEC上计算,此时,主要分为两个阶段:第一个阶段为任务数据上传阶段,第二个阶段为任务执行阶段。在第一阶段中,UE通过无线信道卸载至MEC上计算。当UEns使用子信道k进行卸载时,信道分配二进制变量反之考虑频率复用而产生的干扰,UEns在子信道k上的信干噪比可以表示为:
第二阶段,当任务卸载至MEC服务器之后,该部分的时延为MEC服务器的任务执行时延,定义SBS中卸载任务到MEC服务器的集合为假设表示MEC服务器为任务分配的计算资源,则任务在MEC服务器上的计算时延为:
根据以上***模型以及相关理论,我们给出5G超密集网络中任务卸载及资源分配的联合优化策略。本发明分为以下几个步骤:
步骤一:建立一个基于OFDMA的包含一个宏基站和多个小基站组成的超密集网络,其中MEC部署在宏基站中,支持多用户接入;
考虑一个由一个宏基站和N个小基站(SmallBase Station,SBS)组成的超密集网络,由SBS组成的集合表示为S={1,2,...,S}表示,在宏基站中部署一台MEC服务器,MEC服务器有一定的计算能力,能够同时并行处理多个计算任务。每个SBS服务的UEs组成的集合表示为N={1,2,...,Ns},s∈S。UE和MEC服务器之间通过无线信道连接,并采用正交频分多址(OFDMA)作为用户的多址接入方法,将带宽分成K个正交的子信道,子信道的集合表示为K={1,2,...,K},各子信道的带宽用w表示,每个UE都有一个待处理的计算任务,并且每个任务都是不可分割的。
步骤二:分别计算用户选择任务在本地以及卸载至MEC的计算时延,并根据香农公式,计算出用户的传输速率和任务卸载时的传输时延以及任务卸载至MEC服务器处理的总时延;
假设用表示计算任务,其中表示完成任务需要的总CPU周期数,表示任务的数据量,表示表示任务能够容忍的最大时间延迟。UE的卸载决策表示为若表示任务将会通过信道卸载至边缘服务器计算,表示任务在本地处理。当计算任务在本地终端上计算时:总时延就是任务在本地的处理时间。假设为本地终端的CPU频率,即单位时间内执行的CPU周期,则任务在本地设备上的计算时延为:
当表示任务卸载至MEC上计算,此时,主要分为两个阶段:第一个阶段为任务数据上传阶段,第二个阶段为任务执行阶段。在第一阶段中,UE通过无线信道卸载至MEC上计算。当UEns使用子信道k进行卸载时,信道分配二进制变量反之考虑频率复用而产生的干扰,UEns在子信道k上的信干噪比可以表示为:
第二阶段,当任务卸载至MEC服务器之后,该部分的时延为MEC服务器的任务执行时延,定义SBSs中卸载任务到MEC服务器的集合为假设表示MEC服务器为任务分配的计算资源,则任务在MEC服务器上的计算时延为:
步骤三:根据步骤一和步骤二,提出5G超密集网络中任务卸载及资源分配的优化目标函数;
该发明主要目标是最小化所有终端的任务时延。在多小区-多用户的UDN场景下,根据不同任务所需的资源不同,在资源约束下对卸载决策X和信道分配C以及MEC计算资源分配F,优化目标可以表示为:
其中,约束C1表示每个任务可以在本地执行或者卸载到MEC服务器上执行;约束C2表示信道的分配状态;C3和C4确保分配给所有用户的总计算资源不得超过MEC服务器的最大计算能力;约束C5表示在卸载过程中,每个UE最多只能分配一个信道用于任务传输;约束C6表示在同一个基站中的每个UE复用不同的信道;约束C7确保每个任务的总时延不超出它的最大可容忍时延。
步骤四:根据卸载决策变量和信道资源分配变量之间的关系进行变量替换,使问题简化,并对简化后的目标函数进行子问题分解。
现在,可以得到新的目标函数:
现在,将问题P转化为分配MEC计算资源和信道资源的问题P1。如果用户终端选择复用信道资源,则将计算任务卸载至MEC服务器,MEC服务器分配相应的计算资源用于任务计算。如果终端不选择复用信道资源,则在终端本地执行计算任务。
步骤五:将子问题一转换为关于服务器计算能力分配的凸函数,引入拉格朗日函数以及KKT条件求得最优计算资源分配值;
s.t.C2,C3
矩阵的每一项具体表示为:
从上面的二阶导数可以看出式(10)的Hessian矩阵中对角线元素为正数(即Hessian矩阵的每个特征值都大于0),因此Hesse矩阵是一个对称正定矩阵,可以得出f(C0,F)是一个凸函数。又由于约束是线性的,可以得出该问题是一个凸优化问题。对此,先构造关于f(C0,F)的拉格朗日函数:
其中,μ是与约束条件C3相对应的拉格朗日乘子,且λ,μ≥0。可以通过卡罗需-库恩-塔克(Karush-Kuhn-Tucker,KKT)条件可求得改进问题的最优值。利用KKT条件,最优值与μ需满足的条件为:
步骤六:通过步骤五得到最优计算资源分配,采用一种基于差分进化思想的信道资源分配算法,对子问题二进行求解,求得最优信道资源分配。
本发明提出的基于差分进化思想的信道资源分配算法具体步骤如下:
(1)种群初始化
在解向量取值范围内随机均匀生成N个个体组成初始种群,种群的集合表示为Xi={xi,1,xi,2,...,xi,j},其中i=1,2,...,N表示种群的个体的序号,j=1,2,...,D(D=Ns×S×K)表示解向量的维数。那么第i个个体组成的第j维取值如下所示:
xi,j=rand(0,1)(Ui,j-Li,j)+Li,j
其中Li,j表示第i个解向量第j维的下界,Ui,j表示第i个解向量第j维的上界。本文的解向量为二元离散变量,所以rand(0,1)表示表示随机值为“0”或“1”。
(2)变异
差分进化算法通过随机选取种群中两个不同的个体间,将其差值进行缩放,再加上其它个体,生成新的变异个体,可以增强种群的多样性,降低算法过程中陷入局部最优解的风险。第m次迭代中变异个体Vi(m)如下式:
Vi(m)=F(Xp(m-1)-Xq(m-1))+Xk(m-1)
其中Xp(m-1)、Xq(m-1)、Xk(m-1)是父代中生成种群的三个不同的个体解向量,F为缩放因子。在进行变异操作中,必须确定种群中的每个个体是否满足边界条件,即Li,j≤vi,j(m)≤Ui,j。
(3)交叉
交叉就是将父代种群中每个个体的分量和对应的变异个体中的分量进行交换,可以增强种群多样性,避免算法早熟。交叉操作如下:
其中randi(1,n)表示1到n中随机选取的整数,保证交叉个体中至少有一个基因由父代中对应个体提供,CR为交叉概率,CR影响算法的收敛速度和种群丰富程度,CR越大,有利于全局寻优,CR越小,有利于达到局部最优。
(4)选择
首先,可以得到适应度函数:
通过变异和交叉操作后获得了一组交叉个体,将它们与父代种群中对应的个体带入适应度函数进行比较,遵照贪婪策略,留下适应度高的下一代的父代个体。贪婪选择策略如下所示:
其中F*(m)为第m代个体对应的最优MEC计算资源分配矩阵。选择操作保证新一代的种群优于上一代的种群,淘汰了差的个体,保留了原本优秀的个体,引导算法向着最优解逼近。
为进一步说明本专利提出的算法,本专利进行了仿真验证。
图2表示不同任务数在不同算法下的总时延变化图。本发明所提出的计算卸载与资源分配的联合优化策略分别与本地卸载算法(LOC)和随机卸载算法(Random OffloadingCompletely,ROC)进行比较分析。由图2所示,本发明提出的算法的性能优于LOC、ROC算法,并且随着任务数量增加本发明算法优势更加明显。这是因为在计算与通信资源有限的条件下,本发明算法可以更好地为不同的用户设备分配最优的计算资源和信道资源,因此所有任务的总完成时延最低。从图2可以看出,当所有用户的计算任务在本地执行时,由于计算任务时延的大小只与自身计算能力有关,因此随着任务数量的增加,LOC算法的总时延是线性递增的;当采用随机卸载策略时,由于一部分用户设备会将任务卸载至边缘服务器而另一部分用户设备在本地执行计算任务,因此所有用户设备总时延低于LOC算法且呈波动变化。
图3为不同算法在不同任务计算量下的总时延比较。仿真结果如图3所示。由图所示,当计算任务在本地执行时,LOC算法没有明显的变化,大概在20s左右,这是因为LOC算法的总时延仅与任务所需计算资源有关。随着计算任务输入数据的增大,本算法总时延低于LOC、ROC以及JOR算法。这是因为本发明算法可以根据获得计算任务的计算量的大小分配最优的信道资源以及计算资源,进而使得所有用户设备设备的总时延最低。
本实施例的方法有效解决了5G超密集网络中基于边缘计算任务卸载过程的时延问题,能够在资源有限的条件下最小化用户设备的任务完成时延,提升用户的服务体验。
实施例二
提供一种5G超密集网络中任务卸载及资源分配的联合优化装置,包括:
网络建立模块:用于建立一个基于OFDMA的包含一个宏基站和多个小基站组成的超密集网络场景,其中MEC部署在宏基站中,支持多用户接入;
建模模块:用于获取网络基础信息,所述网络基础信息包括:本地终端计算能力,任务平均计算量、数据量,MEC计算能力,信道数目,信道带宽;根据所述网络基础信息分别计算用户选择任务在本地以及卸载至MEC的计算时延,并根据香农公式,计算出用户的传输速率和任务卸载时的传输时延以及任务卸载至MEC服务器处理的总时延的***模型及公式;
优化函数模块:用于根据超密集网络场景和***模型及公式,提出5G超密集网络中任务卸载及资源分配的优化目标函数;
分解模块:用于根据卸载决策变量和信道资源分配变量之间的关系进行变量替换,使优化目标函数简化,并对简化后的优化目标函数进行子问题分解,获得计算资源分配问题和信道资源分配问题;
求解输出模块:用于分别对计算资源分配问题和信道资源分配问题进行求解,获得并输出信道资源分配结果、任务总完成时延。
具体的,所述求解输出模块分别对计算资源分配问题和信道资源分配问题进行求解的方法包括:
将计算资源分配问题转换为关于服务器计算能力分配的凸函数,引入拉格朗日函数以及KKT条件求得最优计算资源分配值;
根据最优计算资源分配值,采用基于差分进化思想的信道资源分配算法,对信道资源分配问题进行求解,求得最优信道资源分配,输出信道资源分配结果、任务总完成时延。
本实施例的装置可用于实现实施例一所述的方法。
实施例三:
本实施例提供一种5G超密集网络中任务卸载及资源分配的联合优化装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
本实施例的装置可以用于实现实施例一所述的方法。
实施例四:
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现实施例一所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种5G超密集网络中任务卸载及资源分配的联合优化方法,其特征在于,所述方法包括如下步骤:
建立一个基于OFDMA的包含一个宏基站和多个小基站的超密集网络场景,其中MEC部署在宏基站中,支持多用户接入;
获取网络基础信息,所述网络基础信息包括:本地终端计算能力,任务平均计算量、数据量,MEC计算能力,信道数目,信道带宽;根据所述网络基础信息分别计算用户选择任务在本地以及卸载至MEC的计算时延,并根据香农公式,计算出用户的传输速率和任务卸载时的传输时延以及任务卸载至MEC服务器处理的总时延的***模型及公式;
根据超密集网络场景和***模型及公式,提出5G超密集网络中任务卸载及资源分配的优化目标函数;
根据卸载决策变量和信道资源分配变量之间的关系进行变量替换,使优化目标函数简化,并对简化后的优化目标函数进行子问题分解,获得计算资源分配问题和信道资源分配问题;
分别对计算资源分配问题和信道资源分配问题进行求解,获得并输出信道资源分配结果、任务总完成时延。
2.根据权利要求1所述的的联合优化方法,其特征在于,在多小区-多用户的UDN场景下,根据不同任务所需的资源不同,在资源约束下对卸载决策X和信道分配C以及MEC计算资源分配F,优化目标函数可以表示为:
3.根据权利要求1所述的联合优化方法,其特征在于,本发明采用根据卸载决策变量和信道资源分配变量之间的关系进行变量替换,使优化目标函数简化,并对简化后的优化目标函数进行子问题分解的方法包括如下步骤:
式中,K={1,2,...,K}表示子信道的集合,K表示子信道的数目;表示UE的卸载决策,若表示任务卸载至边缘服务器计算,表示任务在本地处理;表示信道分配值,表示UEns使用子信道k进行卸载,表示UEns不使用子信道k进行卸载;
得到新的目标函数P1:
式中,C为信道分配矩阵,F为MEC计算资源分配矩阵,S={1,2,...,S}表示SBS组成的集合,N={1,2,...,Ns},s∈S表示每个SBS服务的UEs组成的集合,表示卸载用户的集合,K={1,2,...,K}表示子信道的集合;表示任务的总完成时延;表示信道分配值,表示UEns使用子信道k进行卸载,表示UEns不使用子信道k进行卸载;表示MEC为UEns分配的计算资源;fm表示MEC的最大计算能力;表示任务的最大可容忍时延;
将问题P转化为分配MEC计算资源和信道资源的问题P1;如果用户终端选择复用信道资源,则将计算任务卸载至MEC服务器,MEC服务器分配相应的计算资源用于任务计算;如果终端不选择复用信道资源,则在终端本地执行计算任务;
采用间接最优化方法,对问题P1分为计算资源分配问题和信道资源分配问题进行求解。
4.根据权利要求1所述的联合优化方法,其特征在于,分别对计算资源分配问题和信道资源分配问题进行求解的方法包括:
将计算资源分配问题转换为关于服务器计算能力分配的凸函数,引入拉格朗日函数以及KKT条件求得最优计算资源分配值;
根据最优计算资源分配值,采用基于差分进化思想的信道资源分配算法,对信道资源分配问题进行求解,求得最优信道资源分配,输出信道资源分配结果、任务总完成时延。
5.根据权利要求4所述的联合优化方法,其特征在于,将计算资源分配问题转换为关于服务器计算能力分配的凸函数,引入拉格朗日函数以及KKT条件求得最优计算资源分配值,包括如下步骤:
s.t.C2,C3
矩阵的每一项具体表示为:
构造关于f(C0,F)的拉格朗日函数:
6.根据权利要求4所述的联合优化方法,其特征在于,根据最优计算资源分配值,采用基于差分进化思想的信道资源分配算法,对信道资源分配问题进行求解,包括如下步骤:
在解向量取值范围内随机均匀生成N个个体组成初始种群,种群的集合表示为Xi={xi,1,xi,2,...,xi,j},其中i=1,2,...,N表示种群的个体的序号,j=1,2,...,D(D=Ns×S×K)表示解向量的维数;那么第i个个体组成的第j维取值如下所示:
xi,j=rand(0,1)(Ui,j-Li,j)+Li,j
其中Li,j表示第i个解向量第j维的下界,Ui,j表示第i个解向量第j维的上界;rand(0,1)表示表示随机值为“0”或“1”;
差分进化算法通过随机选取种群中两个不同的个体间,将其差值进行缩放,再加上其它个体,生成新的变异个体;第m次迭代中变异个体Vi(m)如下式:
Vi(m)=F(Xp(m-1)-Xq(m-1))+Xk(m-1)
其中Xp(m-1)、Xq(m-1)、Xk(m-1)是父代中生成种群的三个不同的个体解向量,F为缩放因子;在进行变异操作中,必须确定种群中的每个个体是否满足边界条件,即Li,j≤vi,j(m)≤Ui,j;
将父代种群中每个个体的分量和对应的变异个体中的分量进行交换,操作如下:
其中randi(1,n)表示1到n中随机选取的整数,保证交叉个体中至少有一个基因由父代中对应个体提供,CR为交叉概率,CR影响算法的收敛速度和种群丰富程度,CR越大,有利于全局寻优,CR越小,有利于达到局部最优;
获得适应度函数:
通过变异和交叉操作后获得了一组交叉个体,将它们与父代种群中对应的个体带入适应度函数进行比较,遵照贪婪策略,留下适应度高的下一代的父代个体;贪婪选择策略如下所示:
其中F*(m)为第m代个体对应的最优MEC计算资源分配矩阵。
7.一种5G超密集网络中任务卸载及资源分配的联合优化装置,其特征在于,包括:
网络建立模块:用于建立一个基于OFDMA的包含一个宏基站和多个小基站组成的超密集网络场景,其中MEC部署在宏基站中,支持多用户接入;
建模模块:用于获取网络基础信息,所述网络基础信息包括:本地终端计算能力,任务平均计算量、数据量,MEC计算能力,信道数目,信道带宽;根据所述网络基础信息分别计算用户选择任务在本地以及卸载至MEC的计算时延,并根据香农公式,计算出用户的传输速率和任务卸载时的传输时延以及任务卸载至MEC服务器处理的总时延的***模型及公式;
优化函数模块:用于根据超密集网络场景和***模型及公式,提出5G超密集网络中任务卸载及资源分配的优化目标函数;
分解模块:用于根据卸载决策变量和信道资源分配变量之间的关系进行变量替换,使优化目标函数简化,并对简化后的优化目标函数进行子问题分解,获得计算资源分配问题和信道资源分配问题;
求解输出模块:用于分别对计算资源分配问题和信道资源分配问题进行求解,获得并输出信道资源分配结果、任务总完成时延。
8.根据权利要求7所述的联合优化装置,所述求解输出模块分别对计算资源分配问题和信道资源分配问题进行求解的方法包括:
将计算资源分配问题转换为关于服务器计算能力分配的凸函数,引入拉格朗日函数以及KKT条件求得最优计算资源分配值;
根据最优计算资源分配值,采用基于差分进化思想的信道资源分配算法,对信道资源分配问题进行求解,求得最优信道资源分配,输出信道资源分配结果、任务总完成时延。
9.一种5G超密集网络中任务卸载及资源分配的联合优化装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~6任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262724.8A CN114885418A (zh) | 2022-03-17 | 2022-03-17 | 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262724.8A CN114885418A (zh) | 2022-03-17 | 2022-03-17 | 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114885418A true CN114885418A (zh) | 2022-08-09 |
Family
ID=82667902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210262724.8A Pending CN114885418A (zh) | 2022-03-17 | 2022-03-17 | 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114885418A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112708A (zh) * | 2022-12-30 | 2023-05-12 | 山东大学 | 一种面向自适应流媒体的联合内容存储、码率转换与功率分配资源优化方法 |
CN116155728A (zh) * | 2023-04-23 | 2023-05-23 | 华东交通大学 | 超密集网络中计算卸载与资源优化方法 |
CN116506877A (zh) * | 2023-06-26 | 2023-07-28 | 北京航空航天大学 | 一种用于移动群智感知的分布式协同计算方法 |
CN116782412A (zh) * | 2023-08-17 | 2023-09-19 | 北京航空航天大学 | 一种基于随机接入的高动态异构无线网络资源分配方法 |
CN118042494A (zh) * | 2024-04-12 | 2024-05-14 | 华东交通大学 | 超密集多接入移动边缘计算网中安全型计算效率优化方法 |
CN118139111A (zh) * | 2024-03-12 | 2024-06-04 | 广西壮族自治区信息中心(广西壮族自治区大数据研究院) | 一种无线网络的任务卸载方法 |
-
2022
- 2022-03-17 CN CN202210262724.8A patent/CN114885418A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112708A (zh) * | 2022-12-30 | 2023-05-12 | 山东大学 | 一种面向自适应流媒体的联合内容存储、码率转换与功率分配资源优化方法 |
CN116112708B (zh) * | 2022-12-30 | 2024-05-07 | 山东大学 | 一种面向自适应流媒体的联合内容存储、码率转换与功率分配资源优化方法 |
CN116155728A (zh) * | 2023-04-23 | 2023-05-23 | 华东交通大学 | 超密集网络中计算卸载与资源优化方法 |
CN116506877A (zh) * | 2023-06-26 | 2023-07-28 | 北京航空航天大学 | 一种用于移动群智感知的分布式协同计算方法 |
CN116506877B (zh) * | 2023-06-26 | 2023-09-26 | 北京航空航天大学 | 一种用于移动群智感知的分布式协同计算方法 |
CN116782412A (zh) * | 2023-08-17 | 2023-09-19 | 北京航空航天大学 | 一种基于随机接入的高动态异构无线网络资源分配方法 |
CN116782412B (zh) * | 2023-08-17 | 2023-11-14 | 北京航空航天大学 | 一种基于随机接入的高动态异构无线网络资源分配方法 |
CN118139111A (zh) * | 2024-03-12 | 2024-06-04 | 广西壮族自治区信息中心(广西壮族自治区大数据研究院) | 一种无线网络的任务卸载方法 |
CN118042494A (zh) * | 2024-04-12 | 2024-05-14 | 华东交通大学 | 超密集多接入移动边缘计算网中安全型计算效率优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114885418A (zh) | 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质 | |
CN109413724B (zh) | 一种基于mec的任务卸载和资源分配方案 | |
CN104640220B (zh) | 一种基于noma***的频率和功率分配方法 | |
CN111447619A (zh) | 一种移动边缘计算网络中联合任务卸载和资源分配方法 | |
CN108901075B (zh) | 一种基于gs算法的资源分配方法 | |
CN107333267A (zh) | 一种用于5g超密集组网场景的边缘计算方法 | |
CN111586720A (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
US9282568B2 (en) | Method and system for dynamic, joint assignment of power and scheduling of users for wireless systems | |
CN113364859B (zh) | 车联网中面向mec的联合计算资源分配和卸载决策优化方法 | |
CN114885420A (zh) | 一种noma-mec***中的用户分组和资源分配方法及装置 | |
CN113784373A (zh) | 云边协同网络中时延和频谱占用联合优化方法及*** | |
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 | |
US8385364B2 (en) | Distributed message-passing based resource allocation in wireless systems | |
CN103888234B (zh) | 一种多无线电***中基于公平性和精细化带宽分配的资源分配方法 | |
CN111200831A (zh) | 一种融合移动边缘计算的蜂窝网络计算卸载方法 | |
Khanbary et al. | A GA-based effective fault-tolerant model for channel allocation in mobile computing | |
Dou et al. | Mobile edge computing based task offloading and resource allocation in smart grid | |
CN115696581A (zh) | 基于约束强化学习的无线网络资源分配方法 | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
Cang et al. | Fair computation efficiency for OFDMA-based multiaccess edge computing systems | |
CN107333301B (zh) | 多属异构网络中的一种基于认知的联合资源再分配方法 | |
Ren et al. | Energy-delay tradeoff in device-assisted NOMA MEC systems: A matching-based algorithm | |
Chen et al. | Joint optimization of task caching, computation offloading and resource allocation for mobile edge computing | |
CN112437449A (zh) | 联合资源分配方法及区域编排器 | |
Yang et al. | Resource-efficiency improvement based on BBU/RRH associated scheduling for C-RAN |
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 |