【技术实现步骤摘要】
一种最小化系统计算能耗的D2D分布式协作计算方法
[0001]本专利技术面向移动通信领域，针对基于终端直通(Device
‑
to
‑
Device，D2D)技术的通信系统，提出了一种最小化系统计算能耗的D2D分布式协作计算方法。
技术介绍
[0002]随着实时在线游戏、高清电影和视频会议等资源需求旺盛的多媒体应用的大量涌现，给设备的计算能力和电池容量等带来了新的挑战[1]Y.Mao，C.You，J.Zhang，K.Huang，and K.B.Letaief，“A survey on mobile edge computing：the communication perspective，”IEEE Communications Surveys&Tutorials，vol.19，no.4，pp.2322
‑
2358，Fourthquarter 2017。移动边缘计算(Mobile Edge Computing，MEC)技术使得用户可以将计算任务卸载到附近的无线网络边缘服务器，具有减少计算时延和降低能耗等优势[2]P.Porambage，J.Okwuibe，M.Liyanage，M.Ylianttila，and T.Taleb，“Survey on multi
‑
access edge computing for internet of things realization，”IEEE Communications Surveys&...
【技术保护点】
【技术特征摘要】
1.一种最小化系统计算能耗的D2D分布式协作计算方法，其特征在于，包括以下步骤：S1：构建D2D通信网络系统模型，包括若干个RUE及能够与之建立协作的若干个HUE；S2：基于网络系统模型构建计算模型，获取分布式协作计算优化问题；S3：采用分步处理的方法，将分布式协作计算优化问题拆分为协作优化和卸载决策两个阶段进行求解，完成分布式协作计算过程；其中：在所述协作优化阶段，针对每个可能的RUE
‑
HUE协作D2D用户对解决卸载计算量优化和卸载传输功率优化问题，形成每个RUE的候选HUE集合；在所述卸载决策阶段，RUE基于第一阶段得到每个具体的RUE
‑
HUE协作D2D用户对计算能耗的可能取值，进一步解决任务卸载决策优化问题，从而得到最优的任务卸载分配结果；其中：HUE全称为Helper UE，表示服务提供设备；RUE全称为Requestor UE，表示服务接受设备。2.根据权利要求1所述的一种最小化系统计算能耗的D2D分布式协作计算方法，其特征在于，所述步骤S1具体包括以下过程：考虑一个多个UE随机均匀分布的D2D通信网络，其中，由于gNB受损或gNB现有负载过多导致用户无法接入，因此用户无法将计算任务卸载给MEC服务器，只能通过D2D通信进行协作计算；考虑D2D通信网络中有H个服务提供设备HUE和R个服务接受设备RUE，集合分别表示为H＝{1，...，H}和P＝{1，...，R}；假设D2D通信采用专用模式，即D2D用户与蜂窝用户使用不同的专用频带，彼此之间不存在干扰；此外，D2D用户之间采用正交频分多址技术，每个D2D用户占用相互正交的子信道，相互之间没有干扰；每个HUE都处于空闲状态，而每个RUE都有一个亟待完成的计算任务，RUE根据需求合理选择由其自行本地计算完成计算任务或卸载一部分给HUE来与HUE进行协作计算。3.根据权利要求2所述的一种最小化系统计算能耗的D2D分布式协作计算方法，其特征在于，在所述步骤S1中，RUE计算任务中的用户计算模式分为本地模式和协作模式两种；当RUE执行本地模式时，其将自行完成全部计算任务，而当RUE执行协作模式时，其将会把任务卸载一部分给HUE进行协作计算。4.根据权利要求3所述的一种最小化系统计算能耗的D2D分布式协作计算方法，其特征在于，在所述步骤S1中，首先，定义二元变量m
r
∈{0，1}，r∈P为RUE的用户计算模式指示变量，m
r
＝0表示RUE选择本地模式，m
r
＝1表示RUE选择协作模式；此外，利用二元变量x
r，h
∈{0，1}，r∈P，h∈H来表示RUE的卸载决策；具体地，对于每一个RUE r，当其选择协作模式将其部分任务卸载给HUEh时rx
r，h
＝1，否则x
r，h
＝0；值得注意的是，每个RUE只能选择一种用户计算模式，且在协作模式时只能卸载任务给一个HUE，每个HUE最多也只能帮助一个RUE完成计算任务；此处，利用一个元组{S
r
，T
r
}来定义RUEr的任务属性，其中S
r
代表任务的计算量大小，单位为比特，T
r
代表任务的时延约束，单位为秒，考虑到系统中存在不同种类的应用服务，带来计算任务的异构性，因此从任务计算量、时延宽容度两个维度来定义不同类型的服务；具体地：在任务计算量方面，定义三类任务：大型计算任务、中型计算任务和小型计算任务，这三类任务的任务计算量依次递减，在实际场景中可以表示不同的业务类型任务；定义小型计算任务的任务计算量为最小任务计算量S，中型计算任务的任务计算量为S+ΔS，大型计算任务的任务计算量S+2ΔS，ΔS为每种类型任务的任务计算量差值；在时延宽容度方面，
定义两种类型的任务，一种是时延宽容型任务，即待完成的任务对时延容忍度较高，具有较高的计算时延约束；另一种是时延严格型任务，即待完成的任务对时延较为敏感，具有较低的计算时延约束，任务完成紧急程度更高；其中，定义时延严格型任务的计算时延约束为最小任务时延约束T，两种类型任务的任务时延约束差值为ΔT。5.根据权利要求4所述的一种最小化系统计算能耗的D2D分布式协作计算方法，其特征在于，所述步骤S2包括以下步骤：每个RUE选择本地模式自行执行任务或选择协作模式卸载部分任务与HUE进行协作计算；为了描述简便，首先针对协作计算模式进行分析，并将本地模式作为协作模式下卸载任务计算量为零时的情况进行描述；具体地，当RUE r与HUE h进行协作计算时，任务计算过程分为本地计算和卸载计算两部分，而卸载计算部分又分为RUE卸载传输和HUE协作计算两个阶段，因此，可从本地计算和卸载计算两个方面分别分析相应的时延和能耗，构建计算模型。6.根据权利要求5所述的一种最小化系统计算能耗的D2D分布式协作计算方法，其特征在于，所述步骤S2还包括以下步骤：定义RUE r与HUE h进行协作计算时的卸载计算量大小为λ
r，h
，RUE本地计算需完成的计算量大小则为S
r
‑
λ
r，h
；因此，得到RUE r本地计算所需的计算时延为：其中C为任务处理密度，表示计算每比特数据所需的CPU圈数；f
r
为RUEr的计算能力，即RUE每秒能够达到的CPU圈数；相应地，本地计算的能耗表示为：其中，ε为与CPU芯片硬件特性相关的能耗系数；此处假设所有UE具有相同的ε；将本地计算模式视为卸载任务计算量为零的协作模式，因此当RUE选择本地计算模式时，其相应的时延和能耗分别为：E
r
＝εf
r2
S
r
C
ꢀꢀꢀꢀ
(4)在RUE r将部分计算量卸载给HUE h时，该过程分为RUE卸载传输与HUE协作计算两部分，接着对这两部分进行分析：定义RUE r与HUE h之间的信道增益为其中H
r，h
～XN(0，1)是归一化的小尺度瑞利衰落信道系数，d
r，h
为RUE r和HUE h之间的传输距离，α为路损指数；由于此处假设了D2D用户之间使用相互正交的信道资源，因此，RUE r卸载部分任务给HUE h达到的传输速率为：其中p
r，h
是RUE r卸载任务给HUE h时的卸载传输功率，B和σ2分别是为每个子信道的信道带宽和每个子信道上的加性高斯白噪声功率；因此，RUE r卸载计算量λ
r，h
给HUE h时所需的卸载传输时延为：
相应地，该部分所带来的传输能耗则为：当HUE h接收到RUE r的卸载任务后，则开始对收到的任务计算量进行计算；HUE h协助RUE r进行协作计算所需的计算时延为：其中f
h
为HUE h的计算能力，假设HUE的计算能力强于RUE的计算能力，即f
h
＞f
r
，相应地，HUE h协助RUE r进行协作计算所消耗的计算能耗为：假设HUE计算结果的数据量远小于RUE卸载给HUE的计算量，则HUE将计算结果回传给RUE所需的时间很短，可以忽略不计，因此卸载部分的总时延不考虑HUE的回传时延；因此，得到卸载计算部分的总时延和总能耗分别表示为：得到卸载计算部分的总时延和总能耗分别表示为：其中，RUE r与HUE h进行协作计算的总时延取决于本地计算时延和卸载计算时延中的较大值，因此，RUE r与HUE h构成D2D用户对进行协作计算所需的总计算时延表示为：而所消耗的总能耗则为因此，针对D2D通信网络系统，系统总计算能耗定义为系统中所有计算任务的计算能耗的累加，具体表示为：基于上述计算模型，定义分布式协作计算优化问题模型，具体表示为：受限于
其中M＝{m
r
∈{0，1}|r∈P}为RUE计算模式指示变量集合，X＝{x
r，h
∈{0，1}|r∈P，h∈H}为用户卸载决策指示变量集合，λ＝{λ
r，h
∈[0，S
r
]|r∈P，h∈H}为用户卸载计算量变量集合，P＝{p
r，h
∈P
<0，+>
|r∈P...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。