阅读说明：本技术 一种移动边缘计算网络中联合任务卸载和资源分配方法 (Joint task unloading and resource allocation method in mobile edge computing network ) 是由 鲜永菊 李栋 于 2020-03-12 设计创作，主要内容包括：本发明涉及一种移动边缘计算网络中联合任务卸载和资源分配方法,属于无线通信和移动边缘计算领域。该方法包括：UE产生新的计算任务,向MEC服务器发送任务卸载请求；MEC服务器收集本时隙内所有用户端发送的计算卸载请求信息；将用户计算任务和MEC服务器资源进行首次匹配,构成初始卸载策略集,计算初始目标函数的值；求得最小的目标函数值和获得最优目标函数值的用户。更新所有用户的卸载决定,判断得到的最优的目标函数不小于上一次的目标函数值是否成立,成立则输出卸载决定,信道分配矩阵和最优计算资源。本发明降低了用户卸载的成本开销,节约了移动用户总的成本；能够接纳更多的计算卸载任务,提升了系统的任务执行效率。(The invention relates to a joint task unloading and resource allocation method in a mobile edge computing network, belonging to the field of wireless communication and mobile edge computing. The method comprises the following steps: UE generates a new calculation task and sends a task unloading request to an MEC server; the MEC server collects the calculation unloading request information sent by all the user terminals in the time slot; matching the user calculation task with the MEC server resource for the first time to form an initial unloading strategy set, and calculating the value of an initial objective function; the user that gets the smallest objective function value and the user that gets the best objective function value. And updating the unloading decisions of all users, judging whether the obtained optimal objective function is not less than the last objective function value, and if so, outputting the unloading decisions, the channel allocation matrix and the optimal computing resources. The invention reduces the cost overhead of user unloading and saves the total cost of the mobile user; more calculation unloading tasks can be accommodated, and the task execution efficiency of the system is improved.)

一种移动边缘计算网络中联合任务卸载和资源分配方法

技术领域

本发明属于无线通信和移动边缘计算领域，涉及一种移动边缘计算网络中联合任务卸载和资源分配方法。

背景技术

移动边缘计算的出现为资源受限的移动设备提供了一种有效的解决方案。移动设备可将全部或者部分计算密集型任务通过无线信道卸载到计算资源相对丰富的移动边缘计算服务器(Mobile Edge Computing，MEC)来降低本地处理任务时延和能耗。但是执行计算卸载可能会带来额外的传输时延和能量消耗，确定最佳卸载决策是MEC网络中一项研究重点。此外，无线资源和MEC服务器的计算容量均属于有限资源，在多用户MEC系统中无线电和计算资源以共享的方式提供给用户设备(User Equipment，UE)。不同的用户有着不同的计算任务和服务质量要求，所以针对不同的UE具有差异化的无线电和计算资源分配方式，联合计算卸载和服务器资源分配被认为是提高MEC网络性能的最重要问题之一。

近年来已有学者围绕移动边缘计算网络做了广泛的研究，在文献“You C,Zeng Y,Zhang R,et al.Resource management for asynchronous mobile-edge computationoffloading[C]//2018 IEEE International Conference on Communications Workshops(ICC Workshops).IEEE,2018”中研究了异步MEC系统的节能资源管理策略，并制定优化问题以在时间共享和计算时延约束下最小化总移动用户能量消耗；优化问题被简化为两个连续问题以找到最优调度顺序，然后在给定最优顺序的情况下联合优化数据分区和时分。文献“Tran T X,Pompili D.Joint task offloading and resource allocation formulti-server mobile-edge computing networks[J].IEEE Transactions on VehicularTechnology,2019,68(1):856-868”考虑了在一个支持MEC的多小区无线网络场景中联合任务卸载和资源分配的问题，作者将原始问题分解为具有固定任务卸载决策的资源分配(RA)问题和最优值函数的任务卸载(TO)问题。通过凸和拟凸优化技术解决了RA问题，并针对TO问题提出了一种新颖的启发式算法，该算法可以在多项式时间内实现了次优解。文献“Zhang J,Xia W,Cheng Z,et al.An evolutionary game for joint wireless andcloud resource allocation in mobile edge computing[C]//2017 9th InternationalConference on Wireless Communications and Signal Processing(WCSP).IEEE,2017:1-6”在考虑移动终端的能耗和时间延迟以及移动边缘计算环境中的货币成本的基础上，主要研究基于博弈的联合资源分配算法，分析了博弈的稳定性。文献“赵力强,卢晓迪,梁凯,杨键,宋凤飞.一种提供移动边缘计算服务的网络系统及服务方法:中国.108494612[P].2018.09.04]”中，公开了一种提供移动边缘计算服务的网络系统级服务方法，解决移动通信网络上MEC部署问题。文中分别给出了本地MEC服务器计算、多个MEC服务器联合计算、特定非本地MEC服务器计算和云中心计算四种方式，控制器根据任务的计算量和延迟敏感度作为判决依据，判断使用哪种计算方式更加合理。文献“张伟哲,方滨兴,何慧,刘川意,余翔湛,刘亚维,刘国强.一种多用户场景下的移动边缘计算任务卸载方法:中国.108920279[P].2018.11.30”中，为了降低移动设备的反应时延和能耗，其中多用户场景是多个移动设备和MEC服务器相连，每个移动设备可选择该移动设备和MEC服务器之间的多条信道中的一个进行通信，MEC服务器通过主干网与中心云相连。具体涉及两个阶段：第一阶段是决定任务是在本地移动设备上执行还是卸载到MEC服务器执行；第二阶段是当服务器资源不足时，判定任务是继续在MEC服务器上等待还是卸载到远端云中心进行执行。

但是，现有技术在异构网络环境下，MEC服务器资源分配存在以下问题：在多用户单MEC服务器接入场景中，用户设备能耗和延迟优化问题涉及到无线资源和计算资源联合分配。要么仅考虑了计算资源分配而忽视无线资源分配对优化结果的影响；要么虽然考虑了无线资源和计算资源联合分配，但是仅仅将无线资源按子载波形式等比例分配给每个用户。这看似保证了每个用户的公平性，但是对于输入数据量大的任务而言会显得资源不够用，而对传输数据小的任务而言，资源又有富余。造成了资源分配不合理现象，所以本发明需要根据任务特定属性差异化设计一种更细粒度的无线资源分配方法。

发明内容

有鉴于此，本发明的目的在于提供一种移动边缘计算网络中联合任务卸载和资源分配方法，解决了异构无线网络中多用户部署场景下的任务卸载和资源分配问题。兼顾每个用户的特性，有效降低用户卸载的成本开销，节约移动用户总的成本(时延和能耗)；能够接纳更多的计算卸载任务，提升系统的任务执行效率。

为达到上述目的，本发明提供如下技术方案：

一种移动边缘计算网络中联合任务卸载和资源分配方法，具体包括以下步骤：

S1：移动用户产生新的计算任务，并向MEC服务器发送任务卸载请求；

S2：MEC服务器收集本时隙内所有用户端发送的计算卸载请求信息；

S3：MEC服务器将用户计算任务和MEC服务器资源进行首次匹配，构成初始卸载策略集；根据网络场景，建立通信模型、移动设备本地计算模型和边缘服务器计算模型，构建成系统效益最大化问题模型，然后计算出任务卸载到每一个服务器的成本，求出在初始卸载状态下的总的用户成本，即计算出目标函数的值；

S4：通过改变单个用户自身卸载决定下的得到所有用户的卸载决定；

S5：根据步骤S4的卸载决定为用户分配子信道和计算资源；

S6：根据步骤S5为用户分配的子信道和计算资源计算目标函数值；

S7：求得在步骤S4的卸载决定下最小的目标函数值和获得最优目标函数值的用户；

S8：更新所有用户的卸载决定；

S9：判断是否满足结束条件，满足执行步骤S10，不满足返回步骤S4；

S10：输出卸载决定、信道分配矩阵和最优计算资源。

进一步，所述步骤S3具体包括以下步骤：

S31：建立通信模型；

定义C＝[c_nk]_N×K表示子信道分配矩阵，其中c_nk＝1表示将子信道k分配给用户n，否则c_nk＝0；给定用户n的发射功率p_n，用户n在小基站(Small Base Station，SBS)m中使用子信道k时的信干噪比(Signal to Interference plus Noise Ratio，SINR)为：

其中，V_m表示SBS m范围内服务的用户集合，表示在子信道k上从用户n到SBS m的信道增益，表示其他小区同信道用户叠加的小区间干扰，σ²为加性高斯白噪声功率；

用户n在子信道k上的传输速率为：

用户n到MEC服务器的传输速率表示为：

S32：建立本地计算模型；

令表示用户n的计算能力(以每秒CPU周期为单位)，用户n任务在本地处理延迟及能耗分别为：

其中，系数υ_n与芯片硬件架构相关，根据已有的测量，令υ_n＝5×10^-27。根据公式(4)，(5)求出本地计算所产生的花费为：

其中，分别表示在用户n处执行计算任务的延迟和能量消耗的权重；所有权重取值范围均在[0,1]之间，并且

S33：建立边缘服务器设备计算模型；

令f_n表示为服务器分配给用户n的计算能力(以每秒CPU周期为单位)，用户n任务卸载到MEC服务器所产生的时延主要包括传输延迟和服务器执行延迟两部分，分别由符号和表示，其传输能耗用表示；结合公式(3)得到：

其中，d_n表示为输入数据的大小，w_n表示计算该任务所需要的CPU周期；

根据式(7)、(8)和(9)远程计算开销表示为：

S34：建立基于时间和能耗成本最优的联合计算卸载决策和资源分配的问题模型；

用户n成本函数Z_n表示为：

其中，联合计算卸载、子信道和计算资源优化问题表述为：

通过公式(12)求得在初始卸载决策下用户的卸载成本。

进一步，所述步骤S4具体包括：令A^l-1表示用户在第l-1次迭代下的卸载决定，则在第l-1次迭代中用户n改变自身卸载决定下的所有用户的卸载决定A^l-1(n)为：

其中，为模二加法。

进一步，所述步骤S5中，根据步骤S4的卸载决定为用户分配子信道，具体包括以下步骤：

S51：将用户和子信道视为博弈双方，做出满足自身利益最大化的理性决策，由双方的偏好函数构成选择的偏好关系，即用户与信道以最大化传输速率为目标做匹配偏好选择；定义用户n对子信道k的偏好函数为：

U_n(k)＝R_nk (14)

MEC服务器对用户n匹配的子信道k的偏好函数为：

其中，α表示用户n在子信道k上传输任务的单位速率收益系数，β表示单位干扰成本系数，为用户n在子信道k上受到来自其他卸载用户的总的干扰，定义为：

S52：每个用户n根据式(14)构造其与子信道的偏好关系；

S53：每个用户n选择最佳子信道k^*＝arg max_k∈K U_n(k)，并对子信道k^*请求连接；

S54：MEC服务器统计每个子信道k的请求用户；

S55：MEC服务器为每个子信道k在其请求的用户中选择最佳用户并将该子信道分配给该用户；

S56：更新每个子信道k的未能匹配用户的集合，然后从子信道集合中删除已经被分配的子信道；

S57：更新未能匹配的用户集合；

S58：如果用户与子信道之间没有其他请求，则输出子信道分配矩阵，否则返回步骤S52。

进一步，所述步骤S5中，根据步骤S4的卸载决定为用户分配计算资源，具体包括以下步骤：

S61：在子信道分配完成后根据式(12)计算资源分配问题，表示为：

式(17)满足条件Σ_n∈Nf_n≤F和条件f_n≥0,的约束，其中F表示MEC服务器的最大计算资源，f_n表示服务器分配给用户n的计算能力；由于函数的Hessian矩阵由元素和组成，其Hessian矩阵是半正定的矩阵。由此可得该函数是凸函数。并且式(17)的可行域是凸集，因此式(17)的优化问题是一个凸优化问题。采用凸优化方法求解；

S62：计算式(17)不等式约束下的拉格朗日函数表达式为：

其中，μ≥0为拉格朗日乘子，N_off为卸载用户的集合；基于KKT条件，约束是松弛的，已在式(18)中将其消除。

S63：令得到式(17)的最优解为：

S64：将式(19)代入式(18)，得到式(17)的拉格朗日对偶函数为的拉格朗日对偶函数为：

S65：在式(20)中对μ求一阶偏导并令其等于0，获得最优拉格朗日乘子μ^*为：

S66：根据式(19)和(21)得到最优的计算资源为：

进一步，所述步骤S6具体包括：根据步骤S4的卸载决定A^l-1(n)、步骤S5为用户分配的子信道和计算资源计算式(12)的函数值，表示为Q(A^l-1(n))。

进一步，所述步骤S9具体包括：判断是是否成立，其中Q(A^l)表示为在卸载决定为A^l时式(12)的值；成立执行步骤S10，否则返回步骤S4。

本发明的有益效果在于：本发明针对异构网络下的移动边缘系统，考虑到不同用户对于资源需求的不同，联合了用户计算卸载、子信道分配和MEC服务器计算资源的分配。提高了整个系统下用户任务的卸载比例，降低了总用户的时延和能耗的开销。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为异构网络中MEC服务器部署场景示意图；

图2为本发明所述的计算任务卸载、子信道和计算资源联合优化方法流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图2，如图1所示，异构网络由一个宏基站(Macro Base Station，MBS)和k小基站(Small Base Station，SBS)组成，用户设备随机分散在整个区域中。MEC服务器是电信运营商在异构网络边缘部署的小型数据中心，它连接到MBS为移动用户提供计算资源并且通过异构网络向用户提供通信资源。本发明将MBS和SBS的集合表示为M＝{0,1,2,...,M}，用户组成的集合表示为N＝{1,2,...,N}。假设存在K个正交的子信道，子信道集合用K＝{1,2,...,K}表示。定义a_n＝{0,1}表示第n个用户的卸载决定，0代表用户选择本地执行其任务，1代表用户选择将任务卸载到MEC执行。用A＝[a₁,a₂,...,a_N]表示所有用户的卸载决定。

如图2所示，本发明优选的一种移动边缘计算网络中资源分配和计算卸载联合优化方法，包括以下步骤：

步骤S1，当移动用户产生新的计算任务时，可以通过控制链路向MEC服务器发送计算卸载请求。计算卸载请求消息包含量计算任务的相关信息，可表示为{d_n,w_n}。其中d_n表示为输入数据的大小，w_n表示计算该任务所需要的CPU周期。

步骤S2，MEC服务器每隔一时隙就会收集一次用户端发送的计算卸载请求信息。并结合子信道数和自身计算资源剩余情况，准备进行资源分配。

步骤S3，MEC服务器将用户计算任务和MEC服务器资源进行首次匹配，构成初始卸载策略集，在初始状态下假设用户全部卸载。用A⁰＝[1,1,...,1]表示初始状态下所有用户的卸载决定。在执行资源分配之前，本发明根据网络场景，建立了通信模型、移动设备本地计算模型和边缘服务器计算模型，制定了系统效益最大化问题模型。MEC服务器根据所建立的数学模型，计算出任务卸载到每一个服务器的成本，然后求出在初始卸载状态下的总的用户成本。

步骤S3具体包括以下步骤：

步骤S31，建立通信模型。

定义C＝[c_nk]_N×K表示子信道分配矩阵。其中c_nk＝1表示将子信道k分配给用户n，否则c_nk＝0。给定用户n的发射功率p_n，用户n在SBSm中使用子信道k时的信干噪比(Signal toInterference plus Noise Ratio，SINR)为：

其中，V_m表示为SBSm范围内服务的用户集合。是在子信道k上从用户n到SBSm的信道增益。公式(1)中分母的第二项表示为其他小区同信道用户叠加的小区间干扰，σ²为加性高斯白噪声功率。

用户n在子信道k上的传输速率为：

用户n到MEC服务器的传输速率可以表示为：

步骤S32，建立本地计算模型。

用表示用户n的计算能力(以每秒CPU周期为单位)。UEn任务在本地处理延迟及能耗

其中，系数υ_n与芯片硬件架构相关，根据已有的测量，令υ_n＝5×10^-27。根据公式(4)，(5)可以求出本地计算所产生的花费

其中，分别表示在UEn处执行计算任务的延迟和能量消耗的权重。所有权重取值范围均在[0,1]之间，并且

步骤S33，建立服务器设备计算模型。

令f_n表示为服务器分配给用户n的计算能力(以每秒CPU周期为单位)。UEn任务卸载到MEC服务器所产生的时延主要包括传输延迟和服务器执行延迟两部分，分别由符号和表示，其传输能耗用表示。结合公式(3)可得：

根据式(7),(8)和(9)远程计算开销表示为

步骤S34，建立基于时间和能耗成本最优的联合计算卸载决策和资源分配的问题模型。

基于上述讨论，UEn成本函数Z_n可表示为：

其中，联合计算卸载、子信道和计算资源优化问题可表述为：

通过公式(12)可以求得在初始卸载决策下用户的卸载成本。

步骤S4，用A^l-1表示用户在第l-1次迭代下的卸载决定。用A^l-1(n)表示在第l-1次迭代中用户n改变自身卸载决定下的所有用户的卸载决定，其中l表示迭代次数。计算在每次迭代过程中改变单个用户自身卸载决定下的所有用户的卸载决定A^l-1(n)为：

其中，表示为模二加法。

步骤S5，根据步骤S4的卸载决定为用户分配子信道。具体包括以下步骤：

步骤S51，将用户和子信道视为博弈双方，做出满足自身利益最大化的理性决策，由双方的偏好函数构成选择的偏好关系，即用户与信道以最大化传输速率为目标做匹配偏好选择。定义用户n对子信道k的偏好函数为

U_n(k)＝R_nk (14)

MEC服务器对用户n匹配的子信道k的偏好函数为：

其中，α表示为用户n在信道k上传输任务的单位速率收益系数，β是单位干扰成本系数，为用户n在子信道k上受到来自其他卸载用户的总的干扰，定义为

步骤S52，每个用户n根据式(14)构造其与子信道的偏好关系。

步骤S53，每个用户n选择最佳子信道k^*＝arg max_k∈K U_n(k)。并对子信道k^*请求连接。

步骤S54，MEC服务器统计每个子信道k的请求用户。

步骤S55，MEC服务器为每个子信道k在其请求的用户中选择最佳用户并将该子信道分配给该用户。

步骤S56，更新每个子信道k的未能匹配用户的集合，然后从子信道集合中删除已经被分配的子信道。

步骤S57，最后更新未能匹配的用户集合。

步骤S58，如果用户与子信道之间没有其他请求，则输出子信道分配矩阵,否则返回步骤S52。

步骤S6，根据步骤S4的卸载决定为用户分配计算资源，具体包括以下步骤：

步骤S61，在子信道分配完成后根据式(12)计算资源分配问题可以表述为

其中，满足条件∑_n∈Nf_n≤F和条件f_n≥0,的约束，其中F表示为MEC服务器的最大计算资源。由于函数的Hessian矩阵由元素和组成，其Hessian矩阵是半正定的矩阵。由此可得该函数是凸函数。并且式(17)的可行域是凸集，因此式(17)的优化问题是一个凸优化问题。可用凸优化方法求解

步骤S62，计算式(17)不等式约束下的拉格朗日函数表达式为：

其中，μ≥0为拉格朗日乘子。基于KKT条件，约束f_n≥0,是松弛的，已在式(18)中将其消除。

步骤S63，令可以得到式(17)的最优解为

步骤S64，将(19)代入(18)，我们可以得到式(17)的拉格朗日对偶函数为的拉格朗日对偶函数为

步骤S65，在式(20)中对μ求一阶偏导并令其等于0，可以获得最优拉格朗日乘子μ^*为

步骤S66，根据式(19)和(21)可以得到最优的计算资源f_n ^*为

步骤S7，根据步骤S4的卸载决定A^l-1(n)，步骤S5为用户分配的子信道和步骤S6为用户分配计算资源表计算式(12)的函数值，其表示为Q(A^l-1(n))。

步骤S8，求得在步骤S4的卸载决定A^l-1(n)下最优的目标函数值和最优目标函数值的用户

步骤S9，更新所有用户的卸载决定

步骤S10，判断是是否成立，其中Q(A^l)表示为在卸载决定为A^l时候的式(12)的值。成立执行步骤S11，不成立返回步骤S4。

步骤S11，输出最优卸载决定，最优信道分配矩阵和最优计算资源。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。