一种面向异构移动边缘网络的动态任务卸载方法技术

本发明专利技术涉及无线通信技术领域，具体涉及一种面向异构移动边缘网络的动态任务卸载方法，包括移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，并得出卸载任务的处理策略；计算卸载任务的卸载效用、通信成本以及通信与计算能耗成本；建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量；本发明专利技术能够保证系统的稳定性，最大化系统的时间平均卸载收益。

【技术实现步骤摘要】
一种面向异构移动边缘网络的动态任务卸载方法
本专利技术涉及无线通信
，具体涉及一种面向异构移动边缘网络的动态任务卸载方法。
技术介绍
在移动互联网和物联网(IoT)的驱动下，计算密集型和时延敏感型应用(如智能家居、智慧城市、无人驾驶、增强现实/虚拟现实)出现爆炸式增长，多种不同类型的终端设备连接以及多样化的需求日益增多，传统的高时延计算模型已无法满足密集型任务的需求，同时，用户对移动网络的需求不断提升，在数据速率要求越来越高的同时，需要毫秒级的端到端时延。移动边缘计算(MobileEdgeComputing,MEC)在靠近移动用户的网络边缘为用户提供服务和资源，是一种具有很大发展前景的计算范式。另外，MEC中边缘设备可部署在基站、无线接入点及路由器等位置上，使得用户可在无线网络范围内处理任务，能有效提升用户体验。虽然越来越多的新兴应用受益于MEC技术，但是MEC服务器在面对海量的IoT设备接入，网络中用户行为和业务呈现出规律复杂，尺度多变的特征。在这种异构网络(HeterogeneousNetworks,HetNets)中会有计算量大且复杂的任务，如监视、人群感知和健康监测等，大量的IoT设备通信所产生的能耗会降低IoT设备的续航能力。在异构网络环境下考虑到任务卸载坏境的复杂性，这些用户的行为和业务往往是动态变化的，因此需要针对在异构移动边缘网络下的任务卸载和计算资源分配问题，研究出一种动态联合优化任务卸载和计算资源分配方法具有重要价值。
技术实现思路
为了能够在异构的移动边缘网络中，制定出一种最佳的任务卸载策略以及合适的卸载任务量，本专利技术提出一种面向异构移动边缘网络的动态任务卸载方法，如图1，该方法具体包括以下步骤：S1、移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，若Im,ij(t)＝1，则计算任务将卸载到宏基站处理，若Is,ij(t)＝1，则计算任务将卸载到小基站处理，若Im,ij(t)＝0且Is,ij(t)＝0，则计算任务在本地处理；S2、在本地处理的任务队列获取本地计算的能耗，在云端处理的任务队列获取移动设备的卸载任务量，并计算卸载效用Uij(t)、通信成本以及通信与计算能耗成本S3、根据卸载效用Uij(t)、通信成本以及通信与计算能耗成本建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；S4、根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；S5、根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量。进一步的，处理移动设备本地任务的任务队列模型的更新规则为：处理云端任务的任务队列模型的更新规则为：其中，表示t时隙第j个小基站下第i个移动设备的本地任务队列的积压长度，表示t时隙第j个小基站下第i个移动设备的云端任务队列的积压长度；为时隙t本地处理的任务量；为时隙t上的卸载任务；ai(t)为本地处理的任务量；ci(t)为卸载到云端的任务量；为一个宏基站下的小基站的集合，为一个小基站下的移动设备的集合，为离散时隙的集合。进一步的，卸载效用Uij(t)表示为：通信成本表示为：通信与计算能耗成本表示为：其中，ζij为移动设备i的加权参数；bij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；ηs为移动设备将任务卸载到小基站的单位任务传输成本；为时隙t上的卸载任务；I{}为卸载策略，Is,ij(t)＝1表示在时隙t计算任务被卸载到小基站执行，Im,ij(t)＝1表示在时隙t计算任务被卸载到宏基站执行，且在t时隙Is,ij(t)+Im,ij(t)≤1；ηm为移动设备将任务卸载到宏基站的单位任务传输成本；为通信的单位能耗成本；为通信的能耗；为计算的单位能耗成本；为计算的能耗。进一步的，以最大化时间平均卸载收益为优化目标的任务卸载问题表示为：其中，为系统的平均卸载收益；bij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；rij(t)表示t时隙移动设备i的任务卸载收益；表示计算期望；Tij(t)为计算任务卸载到云端所花费的时间总和；τij,d为计算任务的最大截止时间；Ik,ij(t)表示t时隙宏基站或者小基站下的移动设备的卸载策略，当Imji,(t)＝1表示在时隙t计算任务被卸载到宏基站执行，当Isji,(t)＝1表示在时隙t计算任务被卸载到小基站执行，且在t时隙Is,ij(t)+Im,ij(t)≤1；表示小基站下移动设备的CPU周期频率，表示宏基站下移动设备的CPU周期频率；为小基站或宏基站下CPU周期频率的最大值；为小基站或宏基站下CPU周期频率的最小值；移动设备在单位时隙内卸载的最小任务量；为移动设备在单位时隙内卸载的最大任务量；表示本地任务队列的平均积压长度；表示云端任务队列的平均积压长度。进一步的，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程包括：根据时隙t的处理移动设备本地任务的任务队列模型和处理云端任务的任务队列模型，构建时隙t的李雅普诺夫函数；根据构建的李雅普诺夫函数计算李雅普诺夫漂移；以最小化漂移-效用函数的上界为优化目标，构建小基站j下的移动设备i在t时隙进入本地处理任务和进入云端处理的任务、在卸载任务的任何可能决策下的不等式方程；使用机会主义最小化期望的概念最小化构建的不等式方程，得到新的优化方程。进一步的，构建的不等式方程表示为：其中，为李雅普诺夫漂移；V为非负的可控参数；表示到达移动设备i的最大计算任务量，表示求所有移动用户的队列积压长度集合下的时隙t移动设备的任务卸载收益rij(t)的期望；表示本地移动设备在单位时隙的最大计算量；表示移动设备在单位时隙内卸载的最大任务量；为时隙t云端任务队列的积压长度，为时隙t本地任务队列的积压长度。进一步的，使用机会主义最小化期望的概念最小化构建的不等式方程，得到的卸载策略表示为：进一步的，建立一个搜索树，从根节点到叶节点的路径表示路径，对每个路径，得到的卸载策略表示为：其中，为不在卸载策略I(t)下的卸载收益。进一步的，构建一个基于优先级的卸载准则，包括：将移动设备分为三组，若则移动设备属于Gm组，该组移动设备将任务卸载到宏基站；若则移动设备属于Gs组，该组移动设备将任务卸载到小基站；其他移动设备属于Go组，对Go组移动设备建立搜索树，对于每一条路径，用凸优化方法求解最优的任务卸载量；通过从根节点到叶节点的所有路径，得到优化目标集；以最大化目标值作为最优解，得到最优卸载策略和计算资源分配决策；其中，表示卸载到SBS上的最小传输和计算时间之和；表示卸载到SBS的最大传输本文档来自技高网...

【技术保护点】
1.一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，具体包括以下步骤：/nS1、移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，若I

【技术特征摘要】
1.一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，具体包括以下步骤：
S1、移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，若Im,ij(t)＝1，则计算任务将卸载到宏基站处理，若Is,ij(t)＝1，则计算任务将卸载到小基站处理，若Im,ij(t)＝0且Is,ij(t)＝0，则计算任务在本地处理；
S2、在本地处理的任务队列获取本地计算的能耗，在云端处理的任务队列获取移动设备的卸载任务量，并计算卸载效用Uij(t)、通信成本以及通信与计算能耗成本
S3、根据卸载效用Uij(t)、通信成本以及通信与计算能耗成本建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；
S4、根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；
S5、根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量。


2.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，处理移动设备本地任务的任务队列模型的更新规则为：



处理云端任务的任务队列模型的更新规则为：



其中，表示t时隙第j个小基站下第i个移动设备的本地任务队列的积压长度，表示t时隙第j个小基站下第i个移动设备的云端任务队列的积压长度；为时隙t本地处理的任务量；为时隙t上的卸载任务；ai(t)为本地处理的任务量；ci(t)为卸载到云端的任务量；为一个宏基站下的小基站的集合，为一个小基站下的移动设备的集合，为离散时隙的集合。


3.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，卸载效用Uij(t)表示为：



通信成本表示为：



通信与计算能耗成本表示为：



其中，ζij为移动设备i的加权参数；bij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；ηs为移动设备将任务卸载到小基站的单位任务传输成本；为时隙t上的卸载任务；I{}为卸载策略，Is,ij(t)＝1表示在时隙t计算任务被卸载到小基站执行，Im,ij(t)＝1表示在时隙t计算任务被卸载到宏基站执行，且在t时隙Is,ij(t)+Im,ij(t)≤1；ηm为移动设备将任务卸载到宏基站的单位任务传输成本；为通信的单位能耗成本；为通信的能耗；为计算的单位能耗成本；为计算的能耗；为一个宏基站下的小基站的集合，为一个小基站下的移动设备的集合，为离散时隙的集合。


4.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，以最大化时间平均卸载收益为优化目标的任务卸载问题表示为：





















其中，为系统的平均卸载收益；bij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；rij(t)表示t时隙移动设备i的任务卸载收益；表示计算期望；Tij(t)为计算任务卸载到云端所花费的时间总和；τij,d为计算任务的最大截止时间；Ik,ij(t)表示t时隙宏基站或者小基站下的移动设备的卸载策略，k∈{m,s},当Imji,(t)＝1表示在时隙t计算任务被卸载到宏基站执行，当Isji,(t)＝1表示在时隙t计算任务被卸载到小基站执行，且在t时隙Is,ij(t)+Im,ij(t)≤1；表示小基站下移动设备的CPU周期频率，表示宏基站下移动设备的CPU周期频率；为小基站或宏基站下CPU...

【专利技术属性】
技术研发人员：黄鸿锐，姚枝秀，鲜永菊，李云，吴广富，徐泽金，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50