基于5G移动边缘计算的任务卸载和资源分配联合优化方法技术

本发明专利技术涉及基于5G移动边缘计算的任务卸载和资源分配联合优化方法，属于移动通信技术领域。该方法将任务卸载决策、资源块分配、计算资源分配联合建模为一个最小化系统开销问题，并分解为三个子优化问题求解。首先，考虑到实际网络中UE时延敏感度不同，提出一种基于用户设备时延优先级的分布式资源块分配算法，根据UE的时延敏感度把UE分为不同优先级，高优先级UE优先分配资源块，同时保证低优先级UE通信质量。其次，每个UE根据任务本地计算开销和任务卸载计算开销做出卸载决策。最后，以最小化总卸载任务在MEC总执行时间为目标，为UE分配计算资源。

Joint optimization of task unloading and resource allocation based on 5G mobile edge computing

【技术实现步骤摘要】
基于5G移动边缘计算的任务卸载和资源分配联合优化方法
本专利技术属于移动通信
，涉及基于5G移动边缘计算的任务卸载和资源分配联合优化方法。
技术介绍
在未来5G网络中，将会支持泛在的云计算。移动互联网与云计算技术的融合，形成了移动云计算技术。大量新应用和服务正在涌现，如实时在线游戏、虚拟现实和超高清视频流，这些都需要前所未有的高访问速度和低延迟。过去的十年见证了下一代互联网不同愿景的腾飞，包括IoT、触觉互联网(毫秒级延迟)、互联网和社交网络。据思科预测，到2020年，互联网将增加约500亿个IoT设备(例如传感器和可穿戴设备)，其中大部分资源用于计算、通信和存储，并且必须依赖远程云或边缘云，以提高它们的处理能力。目前，人们普遍认为，仅依靠远程云计算不足以实现5G计算和通信的毫秒级延迟需求。此外，用户设备和远程云之间的数据交换将使回程链路饱和并降低回程网络质量，这使得利用边缘云作为云计算的补充至关重要。它将流量、计算和网络功能推向网络边缘，这也与下一代网络的关键特征相一致，即信息越来越多地在本地生成并在本地消费，这源于IoT、社交网络和内容交付应用的蓬勃发展。为了应对这一情况，欧洲电信标准协会提出了MEC概念。MEC服务器可以在无线接入网络侧提供云计算功能，将UE直接连接到最近的支持云服务的网络边缘，使得UE的业务请求不用转发到核心网，而可以直接卸载到计算功能强大的近端云处理，不仅可以减小核心网的拥塞问题，又能极大地减小数据传输时延，提升用户体验。然而，由于UE的卸载任务必须通过传统的无线通信网传输到MEC处理，任务的处理结果也必须通过无线通信网才能反馈给UE。当网络中有大量UE同时进行任务卸载时，它们之间势必会相互干扰。而且，不同类型的UE对时延敏感程度有所不同，需要优先保证高时延敏感度UE的传输需求，同时又不能对低时延敏感度UE的传输性能造成过大影响。为此，必须要进行合理的频谱资源分配才能保证UE任务的高效卸载和传输时延需求。另一方面，由于MEC的计算能力终究有限，不能容纳过多的UE同时进行任务卸载。否则，势必造成MEC计算资源枯竭，任务计算时间大大增加，得不偿失。因此需要设计合理的任务卸载决策方案和MEC计算资源分配方案，来保证任务地高效卸载和处理，降低系统总体开销。综合研究频谱资源分配、任务卸载决策和MEC计算资源分配是提高基于MEC的下一代无线网络性能的关键。综上所述，本专利技术提出一种5G网络中基于移动边缘计算的任务卸载和资源分配联合优化方法。此方法将任务卸载决策、资源块分配、计算资源分配联合建模为一个系统开销最小化问题。首先，根据用户设备的时延敏感度把用户设备分为不同优先级，高优先级用户设备优先分配资源块，同时保证低优先级用户设备通信质量。其次，每个用户设备根据任务本地计算开销和任务卸载计算开销做出卸载决策。最后为用户设备分配MEC计算资源，从而实现用户任务的高效卸载，极大地降低系统开销。
技术实现思路
有鉴于此，本专利技术的目的在于提供基于5G移动边缘计算的任务卸载和资源分配联合优化方法。为达到上述目的，本专利技术提供如下技术方案：S1：最小需求资源块数量估计；S2：任务卸载决策方案；S3：计算资源分配方案；S4：基于用户设备时延优先级的分布式资源块分配方案。进一步，在步骤S1中，假设有A个UE有任务卸载需求，MEC将计算资源平均的分配给各个UE，任务卸载计算时间开销不应该超过本地计算时间开销。在此情况下，对任意CSBSs的UEus，MEC计算任务Dn的时间开销为：为保证任务卸载到MEC计算的时间不超过本地计算时间，即：当上式取等号时，任务卸载时间取得最大值相应的可得最小传输速率要求：假定临近所有CSBS对CSBSs都有干扰，可得最大需求RB数量：其中，Itotal表示临近所有CSBS对CSBSs的干扰总和。假定临近CSBS对CSBSs都无干扰，可得最小需求RB数量：通过式(4)和式(5)，可以得到us进行任务卸载所需求的RB个数为了尽可能减小干扰，按照us需求的最小RB个数进行RB分配后，可以得到us卸载任务的传输速率为：us把任务通过CSBS传输到MEC的传输时间和能量开销分别为：因此，us进行任务卸载的总开销可表示为：进一步，在步骤S2中，UE根据任务本地计算开销和卸载计算开销的对比结果做出卸载决策：式(10)表明，如果用户设备任务卸载到MEC的计算开销小于任务本地计算开销，则用户任务卸载到MEC计算，否则，用户任务在本地计算。假设在卸载决策向量Xs中，非零元素的个数是而表示向量Xs中零元素个数，进一步，CSBSs中进行任务卸载的UE集合用表示，本地计算的UE集合用表示。由此，可以得到系统总开销为：进一步，在步骤S3中，为了得到MEC计算资源分配结果，MEC的计算资源将分配给每个进行任务卸载的UE。优化目标是最小化所有任务卸载UE的总任务在MEC的总计算时间，问题可表述为：该问题的拉格朗日函数定义如下：是凹函数，有最小值。令一阶导数等于0，可得：其中，利用梯度法对拉格朗日算子进行迭代更新：进一步，步骤S4中，基于用户设备时延优先级的分布式资源块分配算法分为以下步骤：(1)UE等级划分由于不同UE的业务需求有所不同，其对时延的敏感程度差异较大，如表1所示为3GPP对不同UE的时延要求划分。可以看出，在线游戏UE对时延要求最高，而在线缓存视频UE对时延要求则较低。基于用户设备时延优先级的资源块分配方案，首先根据UE对时延的敏感程度，将不同的UE划分为不同的优先级，为高优先级的UE优先分配RB。其次，同等优先级的UE根据满意度以及信道质量估计值依次分配RB。表1UE对不同业务的时延要求由于UE的时延敏感度不同，把具有相同优先级的UE划分到同一个优先级组中，如表2所示。在表2(a)中，UE的优先级不同，时延要求也不同，其中UE对时延要求的大小顺序为d1＜d2＜d3＜d4＜d5。初始时，根据UE的ID对UE进行排序，然后按照UE对时延要求的不同将UE划分到不同的优先级组中，并且按照优先级降序排序。如表2(a)中，UE3和UE4都属于第一优先级，因此将它们划分到优先级组G1中，UE1属于第二优先级UE，将它划分到优先级组G2中，以此类推，直到所有UE划分完毕，如表2(b)所示。表2UE优先级表在表2(b)中，由于UE3和UE5属于第一优先级组，因此优先给它们分配RB，UE2属于第二优先级组，因此在第一优先级组分配完毕之后，再给它们分配RB，以此类推，直至所有UE分配完毕。(2)UE的满意度处于同一优先级的UE，根据UE满意度的大小由小到大依次分配RB。UE在任意时刻的满意度定义为：UE的θ值越小，说明UE当前的满意度越低，优先分配RB。(3)RB质量表如果处于同一优先级UE的满意度相同，优先选择RB质量表中首位RB质量最好的UE分配RB。网络中的CSBS根据可用RB数和RB质量为每个UE创建RB质量表，并按RB质量降序排列。本节把UEus在RBn上传输数据的平均SINR定义为UEus对RBn的估计质量：对于CSBS的UEus，其RB质量表如表3所示。表3RB质量表其中，(4)信息交互每个CSBS把当前UE的信息，包括：UE位置、UE优先级、UE满意度θ、UERB质量表，通过光纤链路发送给ME本文档来自技高网...

【技术保护点】
1.基于5G移动边缘计算的任务卸载和资源分配联合优化方法，其特征在于：该方法根据所提网络场景的特性，联合优化用户设备任务卸载决策、资源块分配、MEC计算资源分配来最小化系统总开销，具体包括以下步骤：S1：最小需求资源块数量估计；S2：任务卸载决策方案；S3：计算资源分配方案；S4：基于用户设备时延优先级的分布式资源块分配方案。

【技术特征摘要】
1.基于5G移动边缘计算的任务卸载和资源分配联合优化方法，其特征在于：该方法根据所提网络场景的特性，联合优化用户设备任务卸载决策、资源块分配、MEC计算资源分配来最小化系统总开销，具体包括以下步骤：S1：最小需求资源块数量估计；S2：任务卸载决策方案；S3：计算资源分配方案；S4：基于用户设备时延优先级的分布式资源块分配方案。2.根据权利要求1所述的基于5G移动边缘计算的任务卸载和资源分配联合优化方法，其特征在于：在所述步骤S1中，建模任务卸载模型；即一个由宏蜂窝基站MBS、认知小蜂窝基站CSBS、移动边缘计算MEC和用户设备UE组成的两层蜂窝异构网络；MEC部署于MBS侧，且MEC和CSBS通过光纤链路和MBS连接；S＝{1，2，3，…，S}表示CSBS的集合，其中s表示第s个CSBS；每个CSBS下有若干个UE，Us＝{1，2，3，…，Us}表示CSBSs的UE集合，us表示属于CSBSs的UEu；假设A个UE有任务卸载需求，MEC将计算资源平均的分配给各个UE，任务卸载计算时间开销不应该超过本地计算时间开销，得到us进行任务卸载所需的RB数量3.根据权利要求2所述的基于5G移动边缘计算的任务卸载和资源分配联合优化方法，其特征在于：在所述步骤S1中，UE任务本地计算开销由UE任务本地计算时间开销和能量开销组成；其中时间开销由完成任务所需要的CPU周期数和UE的计算能力决定，能量开销由完成任务所需要的CPU周期数与CPU每周期能量消耗决定；UE任务卸载计算开销由UE任务传输时间开销，传输能量开销和MEC计算时间开销组成；其中...

【专利技术属性】
技术研发人员：黄晓舸，张东宇，汤涉，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50