一种多服务器MEC-D2D系统联合任务卸载与资源分配方法

一种多服务器mec-d2d系统联合任务卸载与资源分配方法
技术领域
1.本发明涉及无线通信技术与边缘计算领域，尤其涉及一种多服务器mec-d2d系统联合任务卸载与资源分配方法。


背景技术：

2.随着互联网与无线通信技术的发展，现代信息社会逐渐进入了万物互联的物联网时代。各类新兴的移动互联网业务大量涌现，例如ar、自动驾驶等等。全球移动通信系统协会(gsma)预测在2025年全球许可的蜂窝互联网连接数量可达40亿。中国互联网网络信息中心cnnic的统计数据显示，到2022年底，国内移动互联网接入流量高达1656亿gb。这些海量的数据所需执行的计算和存储操作无疑对终端用户的能力提出了更高的要求。类新兴应用的落地也面临着计算能力有限、资源受限、难以满足时延和能耗需求的问题，面对这些问题，现有技术主要从时延能耗以及优化资源分配展开研究。
3.移动边缘计算(mobile edge computing，mec)是指在更靠近事物或数据源头的网络边缘侧执行计算的一种新的计算模型，边缘层融合了网络、计算、存储应用能核心能力，能够实现低延迟、低成本的大数据和人工智能服务与应用，有效缓解网络拥塞，提高服务的可靠性。
4.d2d(device-to-device)通信技术是指两个对等的用户节点之间直接进行通信的一种通信方式，实现了两个移动用户之间不需要经过基站或核心网的直接通信。d2d通信主要具有的优势：1)近邻增益，d2d的直接通信方式能够更进一步减小传输距离，节省基站传输资源，从而降低能耗、传输时延；2)复用增益，d2d设备与传统蜂窝用户共用同一频谱资源，从而有效提高了系统传输的频谱效率；3)单跳增益，d2d通信具有单跳和多跳模式，与传统蜂窝模式下的两跳相比，更加灵活，其单跳d2d通信能够提高能源效率。
5.研究表明，将mec与d2d通信相结合，通过资源分配与任务卸载优化能够有效地降低时延、能耗、任务执行的总成本。目前关于云计算、边缘计算已有的研究包括单服务器、多服务器、云边协同、多用户协同等不同架构，然而，传统的云计算也面临着网络带宽资源难以支撑海量数据传输、端到端延迟难以满足实时应用需求、用户隐私数据存在较高泄露风险等问题。边缘计算能够更好的减小端到端延迟、缓解网络拥塞，d2d通信则可以促进设备之间的共享，减少mec的流量负载。因此将mec与d2d通信相结合，研究有效的任务卸载与资源分配策略具有非常重要的意义。


技术实现要素：

6.针对传统云计算的计算能力有限、资源受限、难以满足时延和能耗需求等问题，提出了一种多服务器mec-d2d系统联合任务卸载与资源分配方法。本方法考虑一个多服务器mec-d2d系统，与传统的边缘计算系统不同在于增加了d2d辅助设备帮助用户处理任务，包含一个宏小区和多个微小区，多个用户和辅助设备。优化目标同时考虑了边缘服务器的计算资源分配及用户发射功率、任务执行的时延与能耗。并且提出一种多服务器mec-d2d系统
联合任务卸载与资源分配算法，联合优化任务卸载和资源分配，使任务执行的总成本(能耗和时延加权和)最小。与其他基准方案(不考虑任务卸载、只优化功率、只优化计算资源)相比，所提出的多服务器mec-d2d系统联合任务卸载与资源分配算法能够有效降低时延与能耗，从而有效降低系统的总成本。
7.为了实现上述目的，本发明采用如下技术方案：
8.一种多服务器mec-d2d系统联合任务卸载与资源分配方法，该方法适用于多服务器mec-d2d系统，该系统包括多个基站bs、多个用户多个辅助设备和多个边缘服务器用户选择将任务在本地执行、卸载到辅助设备执行、卸载到边缘服务器上执行；
9.该方法包括以下步骤：
10.步骤1：宏基站获取每个用户和辅助设备的理想信道状态信息及计算通信速率、计算任务信息、辅助设备及边缘服务器的计算能力；
11.步骤2：宏基站根据得到的任务信息及设备信息，初始化用户发射功率、任务卸载决策矩阵l,v,x，计算当前任务执行的时延与能耗加权和etc
pre
、用户对其他设备的任务喜好列表及其他设备对用户的任务喜好列表
12.步骤3：计算每个边缘服务器分配给每个用户的最优计算资源，并根据优化结果计算当前的任务执行时延与能耗加权和etc；
13.步骤4：判断etc＞etc
pre
是否成立，若成立执行步骤5，否则执行步骤9；
14.步骤5：计算当前的最优用户发射功率并更新任务卸载决策矩阵l,v,x及任务喜好列表
15.步骤6：所有尚未进行任务卸载决策的用户根据任务喜好列表向其最喜好的或发送任务请求；
16.步骤7：每一个收到请求的或根据任务喜好列表接受其计算能力范围内的用户请求；
17.步骤8：所有用户都完成任务卸载决策后，计算当前的任务卸载决策l,v,x并更新任务执行的时延与能耗加权和etc
pre
＝etc，返回步骤4；
18.步骤9：输出任务卸载决策l,v,x及最优的任务执行时延与能耗加权和u。
19.特别地，任务卸载决策矩阵包括特别地，任务卸载决策矩阵包括分别代表任务在本地处理、将任务卸载到辅助设备上处理、将任务卸载到边缘服务器上处理，且每个用户只能选择一种方式处理任务；其中li∈{0,1}，公式li＝1表示用户在本地计算其任务，而li＝0表示不在本地计算其任务；其中v
ij
∈{0,1}，公式v
ij
＝1代表通过d2d链路将任务
卸载到上执行任务，否则v
ij
＝0表示用户没有将任务卸载到上执行，每个同时只能处理一个任务；其中x
ij
∈{0,1}，公式x
ij
＝1代表通过蜂窝链路将任务卸载到上执行任务，否则x
ij
＝0表示用户没有将任务卸载到mec服务器上执行，每个mec服务器能同时处理的任务数量不能超过其最大计算能力。
20.特别地，第i个用户到第m个边缘服务器的可实现数据传输速率为其中，为和之间的传输信噪比，b为传输带宽，σ2为加性高斯白噪声的功率，为用户到边缘服务器的发射功率，为和之间的信道增益；第i个用户到第d个辅助设备的可实现数据传输速率为其中，为和之间的传输信噪比，为用户发射到辅助设备的发射功率，为和之间的信道增益。
21.特别地，第i个用户在本地执行任务的时延与能耗分别为：在本地执行任务的时延与能耗分别为：其中，f
il
为第i个用户的计算能力，k
l
为本地执行任务的能耗系数，ci为执行任务所需要的cpu的计算能力。
22.特别地，第i个用户将任务卸载到第d个辅助设备上的时延为包括任务卸载的传输时延t
id,trans
和任务执行所需的时延t
id,exe
，为用户到辅助设备的可实现数据传输速率为，为的计算能力，bi为第i个任务执行时输入的数据大小，ci为执行第i个任务所需要的cpu的计算能力；第i个用户将任务卸载到第d个辅助设备上的能耗为包括任务传输的能耗和任务执行能耗为用户发射到的发射功率，kd为任务在辅助设备上执行的能耗系数，为第d个辅助设备的计算能力。
23.特别地，第i个用户将任务卸载到第m个边缘服务器的时延和能耗分别为其中，t
im,trans
,分别为第i个任务传输的时延与能耗，t
im,exe
,为第i个任务执行的时延与能耗，km为任务在边缘服务器上执行的能耗系数，f
im
为第m个边缘服务器分配给第i个用户的计算能力，为到的可实现数据传输速率为，为到发射功率，bi为第i个任务执行时输入的数据大小，ci为执行第i个任务所需要的cpu的计算能力。
24.本发明的有益效果：
25.1本方法以最小化任务执行的总成本(能耗和时延加权和)为目标，将问题分解优化，相比于其他基准方案，本发明有效的降低了任务执行的总成本。
26.2边缘计算技术与d2d技术相结合能够进一步提升计算资源的利用率，在系统中存在多个移动用户，多个d2d辅助设备以及多个边缘服务器时，本发明能够通过任务的合理卸载达到优化总成本合理分配资源的目的。
27.3本发明所提供的一种多服务器mec-d2d系统联合任务卸载与资源分配算法，适用于任务不可分割的情况下多服务器联合优化任务卸载决策和资源分配，有效降低任务执行总成本，并且可扩展到任务可分割的多服务器任务卸载系统。
附图说明
28.图1是系统模型图；
29.图2是多服务器mec-d2d系统联合任务卸载与资源分配的流程示意图；
30.图3是不同算法下时延能耗影响因子δ对系统成本影响的对比图；
31.图4是所本文提出的联合优化算法与其他基准算法的任务执行成本比较图。
具体实施方式
32.为了能够更清楚地描述本发明的技术内容，下面结合附图对本发明做进一步说明。
33.本发明提出一种多服务器mec-d2d系统联合任务卸载与资源分配方法，考虑系统中包含一个宏小区和多个微小区，多个移动用户和辅助设备下的任务卸载与资源分配问题，为满足计算密集型任务对时延与能耗的需求，构建以最小化任务执行成本为目标的优化问题。该优化问题为混合整数非线性问题，将其分解为资源分配和任务卸载决策两个问题来解决。通过推导得到计算资源的闭式表达式，从而得到最优计算资源；对于用户发射功率的优化，根据目标函数特点采用三分法求解；进而根据所提出的一种多服务器mec-d2d系统联合任务卸载与资源分配算法得到任务卸载决策，降低任务执行的总成本。与其他基准方案相比，所考虑的多服务器mec-d2d系统联合任务卸载与资源分配算法能够有效降低任务执行总成本。
34.图1为系统模型图，在包含一个宏小区和多个微小区的通信场景下，考虑一个多服务器mec-d2d系统。系统中存在多个用户，多个辅助设备以及多个边缘服务器。当系统中的用户存在多个计算密集型任务时，计算任务在本地计算、卸载到边缘服务器计算、卸载到辅助设备计算，都会带来系统总的成本的变化。与此同时，计算设备的计算资源分配与发射功率的优化同样会对系统总成本带来变化。注意，系统的总成本为任务处理的能耗和时延加权和。
35.图2为本方法的流程图，主要分为以下步骤：
36.(1)宏基站根据获取到的信息，初始化用户发射功率pi，任务卸载决策矩阵l,v,x，任务执行总成本etc
pre
。根据当前的任务信息，分别计算出每个用户对其他设备的喜好列表排序及每个边缘服务器和辅助设备对用户的喜好列表排序
37.(2)构建以最小化任务执行总成本为目标的优化函数，对优化问题进行如下描述：
[0038][0039][0040][0041][0042][0043][0044]
公式1为目标函数，其中，
[0045][0046]
为任务在本地执行或卸载到辅助设备或边缘服务器的执行成本，δ∈[0,1]为时延能耗影响因子，约束条件(1.a)(1.b)保证了任务不可分割，只能在一个设备上进行处理。(1.c)(1.d)为用户发射功率及边缘服务器计算能力最大和最小的限制约束条件。(1.e)为边缘服务器同时处理任务数量的约束。
[0047]
(3)通过推导，将op1分解为三个子问题，对于计算资源分配优化问题进行如下描述：
[0048][0049][0050]
δ∈[0,1]
ꢀꢀꢀꢀꢀꢀꢀ
(2.b)
[0051]
该函数在规定域中是凸的，通过求导可以得到函数的闭式表达式为：
[0052][0053]
其中，δ∈[0,1]为时延能耗影响因子，km为任务在边缘服务器上执行的能耗系数，f
im
为第m个边缘服务器分配给第i个用户的计算能力。
[0054]
(4)对于每个用户将任务卸载到辅助设备上的功率优化问题进行如下描述：
[0055][0056][0057]
δ∈[0,1]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4.b)
[0058]
(5)对于每个移动用户将任务卸载到边缘服务器上的功率优化问题进行如下描述：
[0059][0060][0061]
δ∈[0,1]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5.b)
[0062]
(6)根据优化问题op2的闭式解公式3，得到边缘服务器的最优计算资源f
im
，计算当前的任务执行总成本etc。
[0063]
(7)比较当前的任务执行总成本etc与上一次迭代得到任务执行总成本etc
pre
。
[0064]
(8)若etc＞etc
pre
不成立，对于op3、op4，函数f的性质为凸函数，通过三分法求解极小值，每次迭代时对可行区间[a，b]求三等分点l和r，如果f(l)《f(r)，说明极小值一定在[a，r]内取到，将b赋值为a更新可行区间，不断迭代直到可行区间达到所设定的精度值，得到最小的函数取值，根据公式4和公式5得到每个移动用户分别对辅助设备及边缘服务器的最优发射功率并更新任务卸载决策l,v,x及任务喜好列表对每个尚未进行任务决策的用户，根据任务喜好列表及ad和mec服务器的计算能力进行任务卸载决策优化，计算l,v,x，设置etc
pre
＝etc，并返回第(7)步进行迭代。
[0065]
(9)若etc＞etc
pre
成立，输出当前任务卸载决策矩阵及最优的任务执行成本etc。
[0066]
图3是基于本专利提出的系统联合优化算法，仿真时延能耗影响因子对本文提出的多服务器mec-d2d系统联合任务卸载与资源分配算法及其他三种基准方案的任务执行总成本的影响对比图，通过仿真结果能够看出，通过调节时延能耗影响因子δ可以对任务执行总成本产生影响，从而平衡时延与能耗的关系。
[0067]
图4基于本专利提出的系统联合优化方法，仿真任务计算时的执行总成本，其中δ取值为0.5，并与任务全部在本地执行以及只优化功率和只优化计算资源的方案进行比较，从仿真结果可以看出本文提出的算法能有效降低系统成本，功率和计算资源也分别对系统成本有一定影响。

技术特征：
1.一种多服务器mec-d2d系统联合任务卸载与资源分配方法，该方法适用于多服务器mec-d2d系统，该系统包括多个基站bs、多个用户多个辅助设备和多个边缘服务器用户选择将任务在本地执行、卸载到辅助设备执行、卸载到边缘服务器上执行；该方法包括以下步骤：步骤1：宏基站获取每个用户和辅助设备的理想信道状态信息及计算通信速率、计算任务信息、辅助设备及边缘服务器的计算能力；步骤2：宏基站根据得到的任务信息及设备信息，初始化用户发射功率、任务卸载决策矩阵l,v,x，计算当前任务执行的时延与能耗加权和etc
pre
、用户对其他设备的任务喜好列表及其他设备对用户的任务喜好列表步骤3：计算每个边缘服务器分配给每个用户的最优计算资源，并根据优化结果计算当前的任务执行时延与能耗加权和etc；步骤4：判断etc＞etc
pre
是否成立，若成立执行步骤5，否则执行步骤9；步骤5：计算当前的最优用户发射功率并更新任务卸载决策矩阵l,v,x及任务喜好列表步骤6：所有尚未进行任务卸载决策的用户根据任务喜好列表向其最喜好的或发送任务请求；步骤7：每一个收到请求的或根据任务喜好列表接受其计算能力范围内的用户请求；步骤8：所有用户都完成任务卸载决策后，计算当前的任务卸载决策并更新任务执行的时延与能耗加权和etc
pre
＝etc，返回步骤4；步骤9：输出任务卸载决策l,v,x及最优的任务执行时延与能耗加权和u。2.根据权利要求1所述的一种多服务器mec-d2d系统联合任务卸载与资源分配方法，其特征在于：任务卸载决策矩阵包括特征在于：任务卸载决策矩阵包括分别代表任务在本地处理、将任务卸载到辅助设备上处理、将任务卸载到边缘服务器上处理，且每个用户只能选择一种方式处理任务；其中l
i
∈{0,1}，公式l
i
＝1表示用户在本地计算其任务，而l
i
＝0表示不在本地计算其任务；其中v
ij
∈{0,1}，公式v
ij
＝1代表通过d2d链路将任务卸载到上执行任务，否则v
ij
＝0表示用户没有将任务卸载到上执行，每个同时只能处理一个任务；其中x
ij
∈{0,1}，公式x
ij
＝1代表通过蜂窝链路将任务卸载到上执行任务，否则x
ij
＝0表示用户没有将任务卸载到mec服务器上执行，每个mec服务器能同时处理
的任务数量不能超过其最大计算能力。3.根据权利要求1所述的一种多服务器mec-d2d系统联合任务卸载与资源分配方法，其特征在于：第i个用户到第m个边缘服务器的可实现数据传输速率为其中，为和之间的传输信噪比，b为传输带宽，σ2为加性高斯白噪声的功率，为用户到边缘服务器的发射功率，为和之间的信道增益；第i个用户到第d个辅助设备的可实现数据传输速率为其中，为和之间的传输信噪比，为用户发射到辅助设备的发射功率，为和之间的信道增益。4.根据权利要求1所述的一种多服务器mec-d2d系统联合任务卸载与资源分配方法，其特征在于：第i个用户在本地执行任务的时延与能耗分别为：其中，f
il
为第i个用户的计算能力，k
l
为本地执行任务的能耗系数，c
i
为执行任务所需要的cpu的计算能力。5.根据权利要求1所述的一种多服务器mec-d2d系统联合任务卸载与资源分配方法，其特征在于：第i个用户将任务卸载到第d个辅助设备上的时延为包括任务卸载的传输时延t
id,trans
和任务执行所需的时延t
id,exe
，为用户到辅助设备的可实现数据传输速率为，为的计算能力，b
i
为第i个任务执行时输入的数据大小，c
i
为执行第i个任务所需要的cpu的计算能力；第i个用户将任务卸载到第d个辅助设备上的能耗为包括任务传输的能耗和任务执行能耗和任务执行能耗为用户发射到的发射功率，k
d
为任务在辅助设备上执行的能耗系数，为第d个辅助设备的计算能力。6.根据权利要求1所述的一种多服务器mec-d2d系统联合任务卸载与资源分配方法，其特征在于：第i个用户将任务卸载到第m个边缘服务器的时延和能耗分别为的时延和能耗分别为其中，t
im,trans
,分别为第i个任务传输的时延与能耗，t
im,exe
,为第i个任务执行的时延与能耗，k
m
为任务在边缘服务器上执行的能耗系数，f
im
为第m个边缘服务器分配给第i个用户的计算能力，为到的可实现数据传输速率为，为到发射功率，b
i
为第i个任务执行时输入的数据大小，c
i
为执行第i个任务所需要的cpu的计算能力。

技术总结
本发明提出一种多服务器MEC-D2D系统联合任务卸载与资源分配方法，属于无线通信与计算相结合的领率，解决大量计算密集型任务卸载与资源分配的问题，在任务不可分割的情况下，构建以最小化任务执行成本为目标的优化问题。该优化问题为混合整数非线性问题，将其分解为资源分配和任务卸载决策两个问题来解决。通过推导得到计算资源的闭式表达式，求解最优的计算资源，对于用户发射功率的优化，根据目标函数特点采用三分法求解，进而根据联合任务卸载与资源分配算法得到任务卸载决策，降低任务执行的时延与能耗。与其他基准方案相比，所考虑的多服务器MEC-D2D系统联合任务卸载与资源分配算法能够有效降低任务执行的时延与能耗。算法能够有效降低任务执行的时延与能耗。算法能够有效降低任务执行的时延与能耗。


技术研发人员：刘琚 彭志颖 王祥丞 张迁 高智超 李紫宇
受保护的技术使用者：山东大学
技术研发日：2023.03.16
技术公布日：2023/7/22