基于物联网任务迁移周期的传输功率与计算资源分配方法
阅读说明:本技术 基于物联网任务迁移周期的传输功率与计算资源分配方法 (Transmission power and computing resource allocation method based on task migration period of Internet of things ) 是由 胡新 张博为 吴维农 张导 陈聿 冯文江 邓雪波 李果 付泉泳 谢应昭 王菁 于 2019-10-25 设计创作,主要内容包括:本发明公开了一种基于物联网任务迁移周期的传输功率与计算资源分配方法,包括如下步骤:S1.确定终端k迁移任务的迁移周期<Image he="74" wi="85" file="DDA0002248713070000011.GIF" imgContent="drawing" imgFormat="GIF" orientation="portrait" inline="no"></Image>S2.确定终端k迁移任务的能耗<Image he="75" wi="92" file="DDA0002248713070000012.GIF" imgContent="drawing" imgFormat="GIF" orientation="portrait" inline="no"></Image>S3.根据终端k迁移任务的迁移周期<Image he="76" wi="52" file="DDA0002248713070000013.GIF" imgContent="drawing" imgFormat="GIF" orientation="portrait" inline="no"></Image>与能耗<Image he="80" wi="94" file="DDA0002248713070000014.GIF" imgContent="drawing" imgFormat="GIF" orientation="portrait" inline="no"></Image>构建终端计算任务迁移周期的最小化处理模型<Image he="65" wi="79" file="DDA0002248713070000015.GIF" imgContent="drawing" imgFormat="GIF" orientation="portrait" inline="no"></Image>S4.基于终端计算任务迁移周期的最小化处理模型<Image he="64" wi="75" file="DDA0002248713070000016.GIF" imgContent="drawing" imgFormat="GIF" orientation="portrait" inline="no"></Image>对传输功率与计算资源进行合理分配。本发明的一种基于物联网任务迁移周期的传输功率与计算资源分配方法,能够高效、合理地分配联合导频、数据传输功率和计算资源。(The invention discloses a transmission power and computing resource allocation method based on an Internet of things task migration period, which comprises the following steps: s1, determining a migration period of a k migration task of a terminal S2, determining energy consumption of k migration task of terminal S3, migrating the task according to the terminal k And energy consumption Constructing a minimization processing model of a terminal computing task migration period S4, minimum processing model based on terminal computing task migration period And reasonably distributing transmission power and computing resources. The transmission power and computing resource distribution method based on the task migration period of the Internet of things can efficiently and reasonably distribute the joint pilot frequency, the data transmission power and the computing resource.)
技术领域
本发明涉及物联网领域,具体涉及一种基于物联网任务迁移周期的传输功率与计算资源分配方法。
背景技术
边缘计算(edge computing,EC)在距离应用现场更近的无线接入网部署边缘服务器,提供数据处理能力,创建低时延、高可靠的服务环境。利用边缘计算网络,物联网终端可将计算密集型任务迁移到边缘服务器处理,降低物联网终端的处理能力和能耗;海量物联网终端生成的数据也可接入就近的边缘服务器,降低处理时延,减轻回程负担。大规模MIMO(multi-input multi-output)技术通过增加基站天线数量,利用空间资源,既能提升频谱效率和复用能力,也能利用分集增益和阵列增益改善能量效率。将大规模MIMO与EC融合构成大规模MIMO-EC物联网系统,能为物联网终端提供强大的迁移计算服务。
2015年,西班牙加泰罗尼亚大学针对单蜂窝MIMO-EC网络,提出了一种联合最优迁移比与计算资源分配方法,以实现能耗-时延折中;意大利罗马萨宾萨大学针对多蜂窝MIMO-EC网络,提出了一种联合通信资源和计算资源分配方法;美国亚利桑那州立大学基于分布式雾计算,提出了一种以最小化能耗为目标的上行链路资源分配方法;2016年,美国新泽西理工学院针对多小区多用户边缘计算网络,提出了一种联合天线选择、通信资源、计算资源和回程资源分配方法。2017年,北京交通大学设计了一种支持边缘计算的无定型小区(free-cell)大规模MIMO系统架构,基站配置边缘云服务器,中央服务器作为云计算中心服务器,提出了一种联合任务迁移、边缘云关联、传输功率分配方法。2018年,加拿大魁北克大学针对大规模MIMO-EC蜂窝网络,以最小化所有终端设备的最大加权能耗和为目标,提出了一种迁移决策与计算、通信资源分配方法。但上述资源分配方法并未有效解决联合导频、数据传输功率分配和计算资源分配问题。
因此,为解决以上问题,需要一种基于物联网任务迁移周期的传输功率与计算资源分配方法,能够高效、合理地分配联合导频、数据传输功率和计算资源。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于物联网任务迁移周期的传输功率与计算资源分配方法,能够高效、合理地分配联合导频、数据传输功率和计算资源。
本发明的基于物联网任务迁移周期的传输功率与计算资源分配方法,包括如下步骤:
S1.确定终端k迁移任务的迁移周期
其中,k为物联网中的终端编号,取值为1,2,…,N;
S2.确定终端k迁移任务的能耗
S3.根据终端k迁移任务的迁移周期
与能耗构建终端计算任务迁移周期的最小化处理模型S4.基于终端计算任务迁移周期的最小化处理模型
对传输功率与计算资源进行分配,得到终端计算任务迁移周期的最小值,将获得的最小值对应的传输功率与计算资源作为最优分配。进一步,步骤S1中,根据如下公式确定终端k迁移任务的迁移周期
其中,tp为导频序列的传输时间;
为终端k迁移任务数据的传输时间;为终端k迁移任务的处理时间。进一步,步骤S2中,根据如下公式确定终端k迁移任务的能耗
其中,tp为导频序列的传输时间;
为终端k的导频序列传输功率;为终端k迁移任务数据的传输时间;为终端k的迁移任务数据的传输功率。进一步,步骤S3中,根据如下公式确定终端计算任务迁移周期的最小化处理模型
其中,
为终端k的导频序列传输功率;为终端k的迁移任务数据的传输功率;fk为边缘服务器分配给终端k的CPU工作频率;为基于以及fk来求解终端计算任务迁移周期的最小值;max为所有终端计算任务迁移周期中的最大值;tp为导频序列的传输时间;为终端k迁移任务数据的传输时间;为终端k迁移任务的处理时间;K为物联网的终端数目,取值为1,2,…,N;fS为边缘服务器的最大CPU工作频率;pmax为终端的最大传输功率。进一步,对终端计算任务迁移周期的最小化处理模型
的函数关系及约束条件进行归纳分析,得到辅助函数F(pp,pu,f,τ,μ),借助辅助函数F(pp,pu,f,τ,μ)对终端计算任务迁移周期的最小化处理模型进行快速求解;其中,根据如下公式确定辅助函数F(pp,pu,f,τ,μ):F(pp,pu,f,τ,μ)=τ+μ(A+B+C);
其中,K为物联网的终端数目,取值为1,2,…,N;pp为终端的导频序列传输功率的集合,取值为
pu为终端迁移任务数据的传输功率的集合,取值为f为边缘服务器分配给终端的CPU工作频率的集合,取值为f=[f1,f2,......,fK];τ为辅助变量,且μ为惩罚系数;A、B以及C为与最小化处理模型中的约束条件相关的惩罚项。进一步,分别根据如下公式确定惩罚项A、B以及C:
进一步,步骤S4具体包括:
S41:根据终端的导频序列传输功率pp、迁移任务数据传输功率pu以及边缘服务器分配给终端的CPU工作频率f,构造初始化点
其中,n=1,…,N;
S42:基于惩罚函数法,根据辅助函数F(pp,pu,f,τ,μ)=τ+μ(A+B+C),对初始化点
进行处理,得到N个次优解;S43:在N个次优解中,选择满足终端的能耗约束,且对应的目标函数值
为最小的次优解作为最小次优解;S44:将最小次优解中的终端导频序列传输功率与迁移任务数据传输功率作为果蝇群体的初始化位置,执行改良的果蝇优化算法,得到终端计算迁移任务周期最小值对应的传输功率与计算资源。
本发明的有益效果是:本发明公开的一种基于物联网任务迁移周期的传输功率与计算资源分配方法,通过计算物联网终端迁移任务周期的最小值,对联合传输功率和计算资源的高效、合理分配。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程示意图;
图2为本发明的大规模MIMO-EC网络系统结构示意图;
图3为本发明的计算任务迁移周期的时隙分配示意图;
图4为本发明的最大计算任务迁移周期随物联网终端数变化曲线;
图5为本发明的最大计算任务迁移周期
随物联网终端任务迁移比特数变化曲线;图6为本发明的最大计算任务迁移周期随基站天线数变化曲线。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图所示:
本发明的基于物联网任务迁移周期的传输功率与计算资源分配方法,包括如下步骤:
S1.确定终端k迁移任务的迁移周期
其中,k为物联网中的终端编号,取值为1,2,…,N;
S2.确定终端k迁移任务的能耗
S3.根据终端k迁移任务的迁移周期
与能耗构建终端计算任务迁移周期的最小化处理模型S4.基于终端计算任务迁移周期的最小化处理模型
对传输功率与计算资源进行分配,得到终端计算任务迁移周期的最小值,将获得的最小值对应的传输功率与计算资源作为最优分配。大规模MIMO-EC物联网系统如图2所示,包括K个单天线物联网终端和一个基站,基站配置有M根天线和边缘服务器,同时具备通信与计算能力。K个单天线物联网终端具有并发任务数据迁移需求,物联网终端k∈K的任务迁移用四元组
描述,其中,是任务迁移比特数,是处理结果比特数,是任务生存时间,Xk是任务计算密度(CPU指令周期数/比特),即物联网终端k∈K将比特的任务经过无线传输迁移到边缘服务器中处理,需要的CPU指令周期数为之后将任务计算产生的比特处理结果反馈给物联网终端,要求在任务生存时间内完成。K个物联网终端基于空分多址(SDMA)接入基站,边缘服务器为每个物联网终端分配独立虚拟机(VM)并行处理迁移任务。在信道相干时间内,将K个长度为K的导频序列分配给各个物联网终端执行基于导频辅助的信道估计,基站基于信道估计结果执行信号检测,所有导频序列彼此正交。
本实施例中,步骤S1中,将计算任务迁移周期划分为导频序列传输、任务数据传输和迁移任务处理三个阶段,时间分别为tp,tu,tvm,如图3所示。
在导频序列传输阶段,物联网终端k∈K以传输功率
发送导频序列Φk至基站,基站采用最小均方误差(MMSE)准则执行信道估计,获得该终端到基站的信道估计向量gk=[gk1,…,gkM]T:
其中,βk表示终端k∈K到基站信道的大尺度衰落因子,包括路径损失和阴影效应;
表示零均值、单位方差的加性高斯白噪声向量,表示物联网终端k∈K到基站天线m∈M信道的加性高斯白噪声。在任务数据传输阶段,物联网终端k∈K以传输功率
发送迁移任务数据比特至基站,基站的接收信号向量yk(i)=[y1(i),…,yM(i)]T:
基站利用信道估计结果gk,基于最大比合并(MRC)准则执行接收信号检测,即将接收信号向量yk(i)乘以GH=[g1,...,gK]H,解码来自所有物联网终端发送的所有迁移任务数据比特
物联网终端k∈K的传输速率:Rk=log2(1+SINRk) (3)
其中,
在迁移任务处理阶段,边缘服务器为不同的物联网终端分配独立的虚拟机(VM),提供迁移任务的并行处理,处理性能取决于为其分配的CPU工作频率。用fS表示边缘服务器的最大CPU工作频率,分配给物联网终端k∈K的CPU工作频率fk≤fS,处理该终端迁移任务
的时间为:
则综上所述,物联网终端k∈K迁移任务
的计算任务迁移周期为:
其中,
本实施例中,步骤S2中,物联网终端k∈K处理迁移任务所需的能耗包括导频序列传输能耗和迁移任务数据传输能耗两部分,而能耗主要取决于传输功率和传输时间。
根据如下公式确定终端k迁移任务的能耗
其中,tp为导频序列的传输时间;
为终端k的导频序列传输功率;为终端k迁移任务数据的传输时间;为终端k的迁移任务数据的传输功率。本实施例中,步骤S3中,以导频序列传输功率、迁移任务数据传输功率和边缘服务器分配的CPU工作频率为决策变量,以最小化所有物联网终端中最大计算任务迁移周期为优化目标,建立大规模MIMO-EC物联网系统中联合传输功率分配与计算资源分配模型
其中,
为终端k的导频序列传输功率;为终端k的迁移任务数据的传输功率;fk为边缘服务器分配给终端k的CPU工作频率;为基于以及fk来求解终端计算任务迁移周期的最小值;max为所有终端计算任务迁移周期中的最大值;tp为导频序列的传输时间;为终端k迁移任务数据的传输时间;为终端k迁移任务的处理时间;K为物联网的终端数目,取值为1,2,…,N;fS为边缘服务器的最大CPU工作频率;pmax为终端的最大传输功率;C1为终端k的能耗约束;C2为边缘服务器的计算资源约束;C3为终端的传输功率约束。本实施例中,步骤S4中,分析优化模型可以得到如下结论,在得到最优解处,所有物联网终端的计算任务迁移周期相等,即计算资源分配满足方程组:
结合计算资源约束C2的边界条件,将上式简写为:
求解上式可以得到f1,然后根据式(8)计算边缘服务器分配给所有物联网终端的计算资源f={f1,…,fK},其分配结果取决于导频序列传输功率和迁移任务数据传输功率。
为了实现最优功率分配,引入辅助变量τ将
转化为等价的优化模型
其中,C0表示各物联网终端的计算任务迁移周期均小于一个常数。
对构造辅助函数:
F(pp,pu,f,τ,μ)=τ+μ(A+B+C) (11)
其中,
μ为惩罚项系数,取值为充分大的正数;惩罚项A、B以及C分别为:
则进一步将优化模型
转化为优化模型
若
的决策变量(pp,pu,f,τ,μ)位于可行域内,则有F(pp,pu,f,τ,μ)=τ;若的决策变量(pp,pu,f,τ,μ)不在可行域内,则设置辅助函数F(pp,pu,f,τ,μ)中的惩罚项系数μ为递增且趋于无穷大的数列{μt},t=1,2,…,t是迭代次数,旨在对不在可行域内的决策变量进行惩罚,迫使迭代过程不断接近可行域。根据式(8)和(9),计算资源分配结果f={f1,…,fK},此资源分配取决于导频序列传输功率和迁移任务数据传输功率。在大规模MIMO-EC物联网系统中联合传输功率分配与计算资源分配方法(IFOA-PFSA)的实现流程如以下算法1所述:
1:随机初始化N个功率分配初始点
根据式(8)和(9)获得计算资源分配f(n),n=1,…,N,并设置辅助变量目标值τ;2:根据式(11)构造辅助函数F(pp,pu,f,τ,μ)=τ+μ(A+B+C),基于当前的初始点
执行算法2获得N个次优解;3:在N个次优解中,选择满足能量约束
且对应的目标函数值最小的次优解4:以
的目标函数作为适应度函数,从步骤3得到的次优解中提取所有物联网终端的导频传输功率和迁移任务数据传输功率作为果蝇群体的初始位置,执行算法4,输出最优解其中,所述算法2基于惩罚函数法,对算法1中确定的每个初始点
进行处理,获得该初始点对应的次优解则对于第n个初始点执行算法2的流程如下:1:设置
功率控制次优解精度为ε以及惩罚项系数数列{μt},t=1,2,…;其中,迭代次数t←1;2:构造辅助函数F((pp,pu,f)(t-1),τ,μt);
3:使用算法3求解minF((pp,pu,f)(t-1),τ,μt);
4:若||(pp,pu,f)(t)-(pp,pu,f)(t-1)||<ε,则停止迭代,并输出次优解:
否则,t←t+1,返回步骤2,并依次向下执行。所述算法3采用最速下降法求解minF((pp,pu,f)(t-1),τ,μt)。算法3的流程如下:
1:对于(pp,pu,f)(0),给定最速下降梯度精度δ,迭代次数m←0;
2:计算梯度
若则停止迭代,输出次优解:否则,转步骤3,并依次向下执行;3:根据
搜索迭代步长λm,令4:若||F(pp,pu,f,μt)(m+1)-F(pp,pu,f,μt)(m)||<δ,输出次优解:
则停止迭代;否则,m←m+1,转步骤2,并依次向下执行。所述算法4为改良的果蝇优化算法,该算法是一种基于果蝇觅食行为推演的智能算法,即果蝇首先利用其良好的嗅觉搜集气味以寻找食物源,飞到食物附近后再用敏锐的视觉发现食物及同伴,并飞向同伴聚集地。
算法4分为四个阶段,依次为:初始化、嗅觉搜索过程、视觉搜索过程以及迭代处理,其实现流程如下:
阶段1:初始化
1:果蝇群体规模为物联网终端的导频传输功率和迁移任务数据传输功率(pp,pu),最大迭代次数T,果蝇单次飞行距离(Δpp,Δpu),果蝇群体的初始位置
即果蝇群体中每个个体k=1,…,K的初始位置t←1;阶段2:嗅觉搜索过程
2:果蝇群体中每个个体k=1,…,K利用嗅觉搜索,在第t次嗅觉搜索中,赋予其固定飞行距离
随机飞行方向新的位置信息:3:计算气味浓度
4:选择果蝇群体K中具有最大气味浓度的果蝇个体k*,记录其最大气味浓度值和相应的位置为
阶段3:视觉搜索过程
5:保持最大气味浓度值和对应果蝇位置其他果蝇个体利用视觉飞向此位置,即
阶段4:t←t+1,重复阶段2与阶段3,直到迭代次数达到T
6:输出
对应的位置Xk(t),Yk(t)即为该个体的最优位置,所有个体的最优位置即为最优解以应用于智能变电站的物联网系统为例阐述本方法的实施效果。单蜂窝大规模MIMO-EC物联网系统如图2所示,基站部署在智能变电站内,配置的边缘服务器最大CPU工作频率fS=100GHz,配置的天线数M=32~256,具有任务迁移需求的物联网终端数K在[10,20]均匀分布,对于物联网终端k=1,...,K,功率约束pmax=0.2W,能量约束
任务迁移比特数物联网终端与基站之间的距离d在[10,60]m之间均匀分布。设置导频序列传输时间tp=10ms,功率控制次优解精度ε=0.005W,最速下降梯度精度δ=10-4,惩罚项系数数列{μt}={5×t},t=1,2,…,在改良的果蝇优化算法中,最大迭代次数T=10,物联网终端的导频传输功率和数据传输功率迭代步长,即果蝇单次飞行距离Δpp=Δpu=0.001W。
在基于导频辅助的信道估计中,物联网终端k∈K到基站信道的大尺度衰落因子βk=zk/(dk)α,zk表示阴影衰落,其对数服从0均值,方差为
的正态分布,dk表示物联网终端k∈K与基站的通信距离,α为路径损失指数。在本实施例中,取α=3.7,σsh=8dB,基站利用无线定位技术已获得通信距离dk,即物联网终端k∈K到基站信道的大尺度衰落因子βk是已知的。将经典的果蝇优化算法(TFOA)与本方法(IFOA-PFSA)的性能进行对比分析如下:
图4所示为最大计算任务迁移周期
随物联网终端数变化曲线,基站配置天线数M=32,每个物联网终端任务迁移比特数边缘服务器最大CPU工作频率fS=100GHz。由图可知,IFOA-PFSA与TFOA的最大计算任务迁移周期均随物联网终端数的增加而增大,其原因是:一方面,在给定天线数的大规模MIMO系统中,随着物联网终端数的增加,相互干扰增大,传输速率降低,造成迁移任务数据传输时间增加;另一方面,由于计算资源受限,分配给每个物联网终端的计算资源随物联网终端数的增加而减少,也会造成最大计算任务迁移周期增加。但IFOA-PFSA的性能优于TFOA,且随着物联网终端数的增加越来越显著。图5所示为最大计算任务迁移周期
随物联网终端任务迁移比特数变化曲线,基站配置天线数M=32,物联网终端数K=10,边缘服务器最大CPU工作频率fS=100GHz。由图可知,IFOA-PFSA与TFOA的最大计算任务迁移周期均随物联网终端任务迁移比特数增加而上升,其原因是:一方面,在传输速率不变下,任务迁移数据量的增加会增大传输时间;另一方面,相同的计算资源需要处理的数据量增多也会增大处理时间。但IFOA-PFSA的性能优于TFOA,且随着物联网终端任务迁移比特数的增加越来越显著。图6所示为最大计算任务迁移周期
随基站天线数变化曲线,物联网终端数K=10,每个物联网终端任务迁移比特数边缘服务器最大CPU工作频率fS=100GHz。由图可知,IFOA-PFSA与TFOA的最大任务迁移周期均随天线数的增加而减小,其原因是:基站天线数增加能为各个物联网终端提供更大的空间分集增益,增大SINR,提升传输速率,从而减少任务数据的传输时间。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,而不脱离本发明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。
- 上一篇:一种医用注射器针头装配设备
- 下一篇:弱覆盖区域的确定方法、装置和计算机可读存储介质