基于预测设备轨迹和能量采集的边缘计算资源分配优化方法技术

本发明专利技术提供一种基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，通过建立能量采集环境下的多用户多MEC服务器系统模型；建立优化问题，将优化问题转化为基于李雅普诺夫优化的每时隙确定性问题，并将其分解为最优能量采集问题和最优卸载问题；通过线性优化求解最优能量采集问题，通过李雅普诺夫在线优化算法求解出无线设备最佳的本地计算频率及卸载时的最佳发射功率；求解最优的卸载决策，计算本地计算时延和卸载计算时延，通过比较判定是否在本地计算；该方法能够求解出在无线设备实时移动下的最佳卸载MEC服务器，能够大幅减少MEC服务器卸载的切换次数，有效降低无线设备的传输时延，能够更好地适应复杂的环境。能够更好地适应复杂的环境。能够更好地适应复杂的环境。

【技术实现步骤摘要】
基于预测设备轨迹和能量采集的边缘计算资源分配优化方法


[0001]本专利技术涉及一种基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，属于无线通信


技术介绍

[0002]无线通信技术的快速发展和智能无线设备的日益普及，为虚拟现实、增强现实和人脸识别等智能服务铺平了道路。然而，这些服务通常是计算密集型、延迟敏感型和高能耗型的，这在计算资源和电池提供的能量有限的无线设备上是无法支持的。因此，需要新的范例来满足智能服务的需求。带有能量采集的MEC系统是一种非常有前途的技术，它在无线接入网络中提供网络服务和云计算能力。通过将计算任务从无线设备卸载到MEC服务器，用户可以体验到低延迟的服务。
[0003]近年来，高效计算卸载策略的设计引起了人们的研究兴趣。大多数工作集中在研究基于能量采集的单设备单服务器的MEC系统，然而，具有多个无线设备和多个服务器的系统，才是现实世界中常见的场景。
[0004]目前，对于多个无线设备和多个服务器的系统，通常采用随机选择MEC服务器的方式，但由于无线设备的移动性，难以实现无线设备和MEC服务器之间的最优卸载匹配，存在切换次数多、传输时延较高的问题。
[0005]上述问题是在边缘计算资源分配优化过程中应当予以考虑并解决的问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，解决现有技术中存在的多个无线设备和多个服务器的系统中，无线设备和MEC服务器之间切换次数多以及传输时延较高，卸载匹配有待优化的问题。
[0007]本专利技术的技术解决方案是：
[0008]一种基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，包括以下步骤，
[0009]S1、建立能量采集环境下的多用户多MEC服务器系统模型；
[0010]S2、对多用户多MEC服务器系统模型建立优化问题，该优化问题的目标函数为求出系统中无线设备本地计算和卸载计算总时延的最小值；
[0011]S3、将优化问题转化为基于李雅普诺夫优化的每时隙确定性问题，并将基于李雅普诺夫优化的每时隙确定性问题分解为最优能量采集问题和最优卸载问题；
[0012]S4、通过线性优化求解最优能量采集问题，通过李雅普诺夫在线优化算法求解出无线设备最佳的本地计算频率及卸载时的最佳发射功率；
[0013]S5、在步骤S1所建立多用户多MEC服务器系统模型基础上，利用基于隐马尔可夫模型的维特比优化方法预测设备轨迹，求解出在步骤S3中的最优卸载问题，得到最优的卸载决策；
[0014]S6、计算本地计算时延和卸载计算时延，通过比较判定是否在本地计算：在卸载计算时延大于本地计算时延时，选择本地计算模式，计算完成后流程结束；在卸载计算时延不大于本地计算时延时，进入下一步骤S7；
[0015]S7、选择卸载计算模式，并通过隐马尔可夫模型预测无线设备下一时刻的位置信息，判定下一时刻用户是否在MEC服务器覆盖范围内，若是，返回步骤S5继续循环；若否则结束循环。
[0016]进一步地，步骤S1中，能量采集环境下的多用户多MEC服务器系统模型包括S个计算资源有限的MEC服务器和N个带有能量采集的无线设备。
[0017]进一步地，步骤S2中，对多用户多MEC服务器系统模型建立优化问题，包括目标函数与约束条件：
[0018][0019][0020][0021][0022][0023][0024]其中，为t时刻无线设备i将任务卸载到第j个MEC服务器上的时延，为t时刻无线设备i本地计算产生的时延，表示t时刻无线设备i的任务卸载情况，时无线无线设备i将任务卸载到边缘服务器j，时表示无线设备进行本地计算，t∈T,i∈K,j∈S，T、K、S分别代表时隙集合、无线设备集合、MEC服务器集合，f
it
为本地设备频率，为无线设备i的发送功率，为无线设备i在t时隙内采集到的能源，为无线设备i的CPU计算频率，f
imax
为无线设备CPU的最大计算能力，为无线设备i的发送功率，p
max
为其最大发送功率，表示为第i个无线设备产生的任务比特数，X
i
表示无线设备i每比特任务计算所需CPU周期数，为无线设备i在第t个时隙的电池电量。
[0025]进一步地，步骤S3中，将优化问题转化为基于李雅普诺夫优化的每时隙确定性问题：
[0026][0027]其中，为虚拟能量队列，为无线设备i在t时隙内采集到的能源，
[0028]E为期望，V是控制参数，表示t时刻无线设备i的任务卸载情况，为卸载计算时延，为本地计算时延。
[0029]进一步地，步骤S3中，将基于李雅普诺夫优化的每时隙确定性问题拆分成最优能
量采集问题和最优卸载问题两个子问题：
[0030]最优能量采集问题：其中，为虚拟能量队列，为无线设备i在t时隙内采集到的能源；
[0031]最优卸载问题：
[0032][0033]其中，表示t时刻无线设备i的任务卸载情况，为卸载计算时延，为本地计算时延。
[0034]进一步地，步骤S4中，通过线性优化求解最优能量采集问题，具体为，由于每个无线设备的能量采集过程是相互独立的，从而采集电量优化问题公式(10)为线性优化问题，结合求解，获得每个无线设备能量收集的最优值为其中，为可采集的能源I是一个函数，{}为真函数值为1，{}为假函数值为0。
[0035]进一步地，步骤S5中，利用基于隐马尔可夫模型的维特比优化方法预测设备轨迹，求解出在步骤S3中的最优卸载问题，得到最优的卸载决策，具体为，
[0036]S51、将无线设备的移动模型表示为隐马尔可夫模型：λ＝{A,C,π}，其中，A＝{a
i,j
}为无线设备下一时隙的转移概率矩阵，a
i,j
表示无线设备上一时隙连接到MEC服务器i下一时隙转移到连接MEC服务器j的概率，a
i,j
＝p(t＝Q
j
|t
‑
1＝Q
i
),t∈T,i∈S,j∈S，其中，Q
j
为无线设备将计算任务卸载到第j个服务器，Q
i
为无线设备将计算任务卸载到第i个服务器；C＝{c
o,j
}为无线设备连接MEC服务器的观测概率矩阵，c
o,j
表示无线设备i在位置O
t
连接到MEC服务器j的概率，c
o,j
＝P(K
i
|O
t
＝Q
j
)t∈T,K
i
∈K,j∈S，其中，Q
j
为无线设备将计算任务卸载到第j个服务器，O
t
为t时刻无线设备的观测位置，当c
o,j
的取最大值时的j为无线设备的最佳卸载MEC服务器；π＝{π
i
}是初始状态概率分布，其中π...

【技术保护点】

【技术特征摘要】
1.一种基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，其特征在于：包括以下步骤，S1、建立能量采集环境下的多用户多MEC服务器系统模型；S2、对多用户多MEC服务器系统模型建立优化问题，该优化问题的目标函数为求出系统中无线设备本地计算和卸载计算总时延的最小值；S3、将优化问题转化为基于李雅普诺夫优化的每时隙确定性问题，并将基于李雅普诺夫优化的每时隙确定性问题分解为最优能量采集问题和最优卸载问题；S4、通过线性优化求解最优能量采集问题，通过李雅普诺夫在线优化算法求解出无线设备最佳的本地计算频率及卸载时的最佳发射功率；S5、在步骤S1所建立多用户多MEC服务器系统模型基础上，利用基于隐马尔可夫模型的维特比优化方法预测设备轨迹，求解出在步骤S3中的最优卸载问题，得到最优的卸载决策；S6、计算本地计算时延和卸载计算时延，通过比较判定是否在本地计算：在卸载计算时延大于本地计算时延时，选择本地计算模式，计算完成后流程结束；在卸载计算时延不大于本地计算时延时，进入下一步骤S7；S7、选择卸载计算模式，并通过隐马尔可夫模型预测无线设备下一时刻的位置信息，判定下一时刻用户是否在MEC服务器覆盖范围内，若是，返回步骤S5继续循环；若否则结束循环。2.如权利要求1所述的基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，其特征在于：步骤S1中，能量采集环境下的多用户多MEC服务器系统模型包括S个计算资源有限的MEC服务器和N个带有能量采集的无线设备。3.如权利要求1所述的基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，其特征在于：步骤S2中，对多用户多MEC服务器系统模型建立优化问题，包括目标函数与约束条件：束条件：束条件：束条件：束条件：束条件：其中，为t时刻无线设备i将任务卸载到第j个MEC服务器上的时延，为t时刻无线设备i本地计算产生的时延，表示t时刻无线设备i的任务卸载情况，时无线无线设备i将任务卸载到边缘服务器j，时表示无线设备进行本地计算，t∈T，i∈K，j∈S，T、K、S分别代表时隙集合、无线设备集合、MEC服务器集合，f
it
为本地设备频率，为无线设备i的发送功率，为无线设备i在t时隙内采集到的能源，为无线设备i的CPU计算频率，f
imax
为无线设备CPU的最大计算能力，为无线设备i的发送功率，p
max
为其最大发送
功率，表示为第i个无线设备产生的任务比特数，X
i
表示无线设备i每比特任务计算所需CPU周期数，为无线设备i在第t个时隙的电池电量。4.如权利要求1
‑
3任一项所述的基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，其特征在于：步骤S3中，将优化问题转化为基于李雅普诺夫优化的每时隙确定性问题：其中，为虚拟能量队列，为无线设备i在t时隙内采集到的能源，为无线设备i在t时隙内采集到的能源，E为期望，V是控制参数，表示t时刻无线设备i的任务卸载情况，为卸载计算时延，为本地计算时延。5.如权利要求1
‑
3任一项所述的基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，其特征在于：步骤S3中，将基于李雅普诺夫优化的每时隙确定性问题拆分成最优能量采集问题和最优卸载问题两个子问题：最优能量采集问题：其中，为虚拟能量队列，为无线设备i在t时隙内采集到的能源；最优卸载问题：其中，表示t时刻无线设备i的任务卸载情况，为卸载计算时延，为本地计算时延。6.如权利要求5所述的基于预测设备轨迹和能量采集的边缘计算资源分配优化方法，其特征在于：步骤S4中，通过线性优化求解最优能量采集问题，具体为，由于每个无线设备的能量采集过程是相互独立的，从而采集电量优化问题公式(10)为线性优化问题，结合(2)求解，获得每个无线设备能量收集的最优值为其中，为可采集的能源I是一个函数，{}为真函数值为1，{}为假函数值为0。7.如权利要求1
‑<...

【专利技术属性】
技术研发人员：余雪勇，江腾，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：