支持MEC的小小区网络中在移动感知下的卸载和迁移算法制造技术

支持MEC的小小区网络中在移动感知下的卸载和迁移算法，由于移动设备的移动性，如果移动设备运动出小小区网络的覆盖范围就会使得任务卸载，执行后的结果不能传输给移动设备。因此要考虑任务迁移策略，这样会引起额外的开销。本文提出了考虑移动感知时基于移动边缘计算的任务卸载和迁移策略，可最大化移动设备的总收益。首先对移动设备的移动性进行分析，并对移动设备的总收益最大化问题进行了公式，同时联合任务卸载策略和资源分配来减少任务迁移的概率。其次由于该最优化问题是一个混合整数非线性规划问题，为了对其求解提出了一个基于遗传算法的分布式资源最优化算法。经过仿真验证了本算法与其他算法相比，能有效提高用户的总收益。

【技术实现步骤摘要】
支持MEC的小小区网络中在移动感知下的卸载和迁移算法
本专利技术属于移动设备
，特别涉及支持MEC的小小区网络中在移动感知下的卸载和迁移算法。
技术介绍
移动边缘计算(MEC)是一种可以在移动设备附近提供计算能力的一种技术。小小区是指发射功率小于宏基站发射功率的基站的统称。一般来说，小小区的发射功率不超过30dBm，而宏蜂窝基站的发射功率可达46dBm。因此，微蜂窝、家庭基站和远程无线头等都可以称作小小区。小小区作为蜂窝网络的补充，其功能相对宏基站简单，价格低廉，具有即插即用的特性。因此，小小区是当前实现网络密集部署的重要手段。由于移动设备的移动性，如果移动设备运动出小小区网络的覆盖范围时，就会使得任务卸载执行后的结果不能传输给移动设备。因此，就需要考虑任务迁移策略，这样就会引起额外的开销。移动通信的快速发展,促进了新兴业务的出现。伴随而来的5G(第5代蜂窝移动通信网络)网络技术带来了许多创新应用的发展，例如：增强现实(AR)和虚拟现实(VR)技术，物联网(IoT)和车联网等。大多数这些应用都是贴近于移动设备。然而，由于硬件条件的限制，例如有限的计算能力、存储空间有限和能量有限，这些服务需求的带宽，时延等，使得移动设备的设备不能满足这些业务的应用。近几年，在移动网络边缘部署移动边缘计算(MEC)服务器，可以解决移动设备能量消耗和传输延迟的问题。移动边缘计算最重要的一个优势是，提供计算资源给移动设备，因此可以减少本地设备的任务量。因此，基于移动边缘计算的资源管理就成为一个重要的研究点。在多个小小区网络中，移动设备能通过多个小基站来提供服务。在文献[1]和文献[2]中，研究了如何选择合适的小基站接入。文献[1]为了减少请求延迟，提出了一个顺序卸载的博弈论方法来解决卸载和调整移动设备的卸载数量的问题。文献[2]提出了一种联合考虑内容缓存和全双工通信的方法来提供高速服务。该算法通过交替方向的乘法方法来最优化用户选择、功率控制和资源分配。文献[3]介绍了一个新颖的任务缓存方法，该方法缓存全部的任务应用和它们的相关数据到MEC服务器上。同时，通过迭代算法来联合最优化任务缓存和卸载，以达到最小化能量消耗的目的。文献[4]考虑不同的信道条件下对任务卸载的影响，提出了联合考虑计算卸载策略和资源分配最优化策略时的任务卸载、资源分配和子载波分配。文献[5]和[6]中在基于MEC的网络中，假设任务被分割为若干块，并且研究计算卸载和内容缓存，其中任务可以在MEC服务器上执行或者分配给D2D(设备到设备通信Device-to-Device)用户执行。然而，以上研究都没有考虑到移动设备的移动性问题，移动设备很可能会离开原始的小小区的覆盖范围。因此，任务卸载的结果将会迁移到新的小小区中，该小小区将继续服务于该移动设备[7]。在文献[8]中，为了减少硬切换和迁移时间，提出了一个共享MEC的方法。在文献[9]中，将地理区间按用户的移动，划分为多个不相交的MEC领域，划分的标准是最小化任务可能迁移的次数。文献[10]研究了由多个小小区组成的密集网络，由于移动性的问题，任务被部分的卸载到不同位置上的多个小小区中，其中提出了一个以用户为中心的能量感知管理策略，用来选择合适的小小区。
技术实现思路
本文提出了一个新颖的考虑支持MEC的小小区网络中在移动感知下的卸载和迁移算法(任务卸载和迁移策略)，该策略可以最大化移动设备的总收益。首先，对移动设备的移动性进行分析，并且对移动设备的总收益最大化问题进行了公式，同时联合了任务卸载策略和资源分配来减少任务迁移的概率。其次，由于该最优化问题是一个混合整数非线性规划(MixedIntegerNonlinearProgramming,MINLP)问题，为了求解该NP-hard(NP难题)问题，提出了一个基于遗传算法的分布式资源最优化算法(DistributedResourceOptimizationAlgorithmbasedonGeneticAlgorithm,DROAGA)。最后，仿真验证了本文提出的DROAGA算法与其他算法相比，能有效提高用户的总收益。其中：问题中的NP是指非确定性多项式(non-deterministicpolynomial，缩写NP)。所谓的非确定性是指，可用一定数量的运算去解决多项式时间内可解决的问题。本文的目标是在减少任务迁移概率的基础上，通过采用最优的卸载策略和计算资源分配算法，来最大化移动设备的总收益。本文具体的贡献是：1)在基于MEC的小小区中提出了一个新颖的移动感知卸载和迁移策略。当移动设备在离开当前小小区时，如果还有未执行完的卸载任务，则会发生执行任务结果的迁移问题。基于用户的移动性，将联合考虑卸载和计算资源的分配，使得移动设备的总收益最大化。2)提出了一个效用函数来表示系统的消耗成本与收益之间的关系。因此，该问题被公式为一个混合整数非线性规划(MINLP)问题，该问题是一个NP-hard问题，我们提出了一个基于遗传算法的分布式资源最优化算法来解决该问题。附图说明图1为考虑用户移动性的支持MEC的小小区网络架构。图2为移动设备的数量VS.卸载任务和迁移任务的数量。图3为移动设备的数量VS.移动设备的总收益。图4为移动设备总的计算资源CMEC(GHz)VS.移动设备的总收益。图5为任务迁移开销δVS.移动设备的总收益。具体实施方式1、系统模型：系统模型如图1所示，小小区中心区域部署有MEC服务器，移动设备随机分布于小小区中。小小区半径相对较小，因此由于移动设备的移动，使得其不能长时间驻留在该小区。如图1所示，移动用户1表示当移动设备的任务卸载工作在MEC中完成时，该设备仍然驻留在原小小区覆盖的范围内。移动用户2表示当移动设备的任务卸载工作在MEC中完成时，该设备已经离开了原小小区覆盖的范围。这时，任务执行结果将迁移到另一个小小区内进行，这个过程将会引起额外的开销。令Nu＝{1,2,...,i,...N}表示在小小区内的移动设备的集合。移动设备i的任务可以表示为Wi＝{Mi,fi,Tmax}，在这里Mi表示计算任务的大小，fi表示需要的计算资源，Tmax表示最大延迟。本文用CPU周期数用来衡量任务需要的计算资源[11]。本文假设本地设备上的计算任务，如果在本地执行任务，所用的时间和消耗的能量将超过将任务卸载到MEC服务器上执行所消耗的时间和消耗的能量。然而，由于MEC服务器上的计算资源有限，只能为部分用户设备提供服务，但是随着用户设备的数量增加，就不能将所有任务都卸载到MEC服务器上。本文用CMEC表示MEC服务器上的计算资源。令A＝{ai,i∈Nu}表示任务卸载的集合。令ai＝1表示任务被卸载，否则ai＝0表示任务在本地执行。A.网络模型：假设移动设备i的传输功率为一个常数，用pi表示。θ表示为路径损耗指数。移动设备与小小区基站间的距离用di表示，移动设备i的信噪比(SNR)可以表示为：<本文档来自技高网...

【技术保护点】
1.支持MEC的小小区网络中在移动感知下的卸载和迁移算法，其特征在于包括下列步骤：/n首先，对移动设备的总收益最大化问题进行了公式，同时联合了任务卸载策略和资源分配来减少任务迁移的概率；/n其次，为求解混合整数非线性规划问题，提出了一个基于遗传算法的分布式资源最优化算法。/n

【技术特征摘要】
1.支持MEC的小小区网络中在移动感知下的卸载和迁移算法，其特征在于包括下列步骤：
首先，对移动设备的总收益最大化问题进行了公式，同时联合了任务卸载策略和资源分配来减少任务迁移的概率；
其次，为求解混合整数非线性规划问题，提出了一个基于遗传算法的分布式资源最优化算法。


2.根据权利要求1所述的支持MEC的小小区网络中在移动感知下的卸载和迁移算法，其特征在于包括下列步骤：
1)在基于MEC的小小区中提出：当移动设备在离开当前小小区时，如果还有未执行完的卸载任务，则会发生执行任务结果的迁移问题；基于用户的移动性，将联合考虑卸载和计算资源的分配，使得移动设备的总收益最大化；
提出了一个效用函数来表示系统的消耗成本与收益之间的关系；因此，该问题被公式为一个混合整数非线性规划问题。


3.根据权利要求1所述的支持MEC的小小区网络中在移动感知下的卸载和迁移算法，其特征在于包括下列步骤：
1)、系统模型：
令Nu＝{1,2,...,i,...N}表示在小小区内的移动设备的集合；移动设备i的任务表示为Wi＝{Mi,fi,Tmax}，在这里Mi表示计算任务的大小，fi表示需要的计算资源，Tmax表示最大延迟；用CPU周期数用来衡量任务需要的计算资源，用CMEC表示MEC服务器上的计算资源；令A＝{ai,i∈Nu}表示任务卸载的集合；令ai＝1表示任务被卸载，否则ai＝0表示任务在本地执行；
A.网络模型：
假设移动设备i的传输功率为一个常数，用pi表示；θ表示为路径损耗指数；移动设备与小小区基站间的距离用di表示，移动设备i的信噪比表示为：



其中σ2表示加性高斯白噪声的功率，hi表示信道增益；因此，移动设备i的上行传输速率表示为Ri＝Blog2(1+SNRi),其中B表示带宽；
B.计算模型：
1)本地计算：
令表示本地移动设备i的计算能力，用CPU的周期表示；因此本地执行时间表示为：



任务在本地计算执行时的能量消耗表示为：



这里κ表示依赖本地硬件的能量转化能力；
2)边缘计算：
当任务卸载给MEC服务器时，这个过程分为传输和执行两步；传输时间表示为能量消耗表示为令C＝{Ci,i∈Nu}表示MEC的计算能力，Ci表示分配给移动设备i的计算资源；因此执行时间表示为分配给移动设备的资源必须满足的限制；输出数据量与输入数据量相比很小忽略不计；因此，总的边缘计算时间表示为：



C.移动模型：
用驻留时间表示移动设备的移动性通过一个指数函数表示；因此驻留时间的概率密度函数表示为：



这里τi表示移动设备i的平均驻留时间，假设τi服从高斯分布；
D.问题公式：
用效用函数来表示，当任务被卸载到MEC服务器时，移动设备消耗的成本和获得的收益；将节省的时间和本地节省的能量作为收益，而占用的资源和迁移支出作为成本；节省的时间看做是本地执行时间与边缘计算执行时间之差，因此表示为：



这里γ表示剩余时间的收益系数；
资源消耗包括传输的能量消耗和MEC计算资源的消耗；因此总的资源消耗表示为：



这里α表示消耗每单元能量的价格，β表示消耗每单元计算资源的价格；
当任务被卸载时，考虑边缘计...

【专利技术属性】
技术研发人员：陈雷，拱宝富，
申请(专利权)人：中国刑事警察学院，
类型：发明
国别省市：辽宁;21