本发明涉及通信技术领域,尤其涉及一种单服务器下降低系统能耗的移动边缘计算卸载方法。
背景技术:
5g时代的到来,使得流量呈爆炸性增长。随着信息技术的快速发展,图像处理、机器学习、人工智能、超高清视频等应用快速发展,虚拟现实、增强现实等游戏应用也随之不断涌现。而其中大部分设备的计算资源有限,通信和储存必须依靠云或边缘设备来完成。此外,终端用户和远程云之间的数据交换将会占用大量带宽并导致回程网络瘫痪。作为移动云计算的补充,移动边缘网络应运而生。移动边缘网络将流量、计算和网络功能下沉到网络边缘,使得越来越多的信息在本地生成和消费,云计算和移动边缘计算互为补充,为5g计算和通信提供毫秒级的响应。计算卸载最初应用在云计算中,该技术可以实现在移动智能终端上运行复杂和成熟的应用。但却引入了显著的执行延迟,使得卸载不适合实时应用程序。为了解决延迟问题,研究人员将计算卸载技术引入到移动边缘网络中,形成移动边缘计算(mobileedgecomputing,mec)。mec技术不仅能支持移动边缘设备运行复杂的资源消耗密集型任务,同时在大部分情况下,移动边缘设备只需要访问mec服务器而不需要进行远程的云服务器的访问,减少任务执行时延,缓解了网络中带宽的消耗。但在移动边缘网络中的计算卸载仍然存在一些亟需解决的技术问题,如计算卸载的决策、mec内计算资源的分配、流动性管理等。本系统针对5g架构下的计算卸载场景,在联合d2d设备解决远近效应问题的场景下,研究单服务器下的系统能耗问题。
技术实现要素:
本发明的目的在于提供一种单服务器下降低系统能耗的移动边缘计算卸载方法,以达到系统计算能耗最小的优化目标。
为了达到上述目的,本发明提供了一种单服务器下降低系统能耗的移动边缘计算卸载方法,在移动边缘网络联合d2d解决远近效应的前提下,所述单服务器下降低系统能耗的移动边缘计算卸载方法包括:
将移动设备分类:移动设备根据任务的最大时延和能耗特点将移动设备分为本地计算的移动设备ωl、计算卸载到mec服务器上的移动设备ωr和部分计算卸载的移动设备ωo;
确定优先级:确定出移动设备的优先级,根据移动设备的优先级来分配信道资源;
无线资源分配:mbs和d2d设备的信道按照优先级分配无线资源。
可选的,所述联合d2d解决远近效应中,所述d2d设备的位置和发送能量满足如下关系:
其中,p1表示移动设备d1发送到基站的能量,p12表示移动设备d1发送到d2d设备d2的能量,p2表示d2d设备d2发送到基站的能量,l1表示移动设备d1与基站的距离,l12表示移动设备d1与d2d设备d2的距离,l2表示为d2d设备d2与基站的距离,α表示为路径损耗因子,θ为发送给基站与发送到d2d设备d2之间的夹角。
可选的,所述移动设备分类方法为:
若本地计算时延无法满足最大时延的限制,则此类移动设备分类为计算卸载到mec服务器的移动设备,即ωr;
若本地计算时延满足最大时延,且在本地计算消耗的能耗比卸载到mec服务器上消耗的能耗低,则此类移动设备分类为本地计算的移动设备,即ωl;
若移动设备可以选择在本地计算或者计算卸载的mec服务器上,此类移动设备分类为部分卸载的移动设备,即ωo。
可选的,所述优先级的确定的方法为:属于ωr集合的移动设备具有拥有最高的优先级;属于ωo集合的移动设备的优先级为:
其中,
可选的,所述无线资源分配的方法为:在分配过程中,如果移动设备未决定通过哪种方式访问mec服务器,则选取其中能耗最少的方式访问;对于已决定访问mbs的移动设备,从属于mbs的通道中选择一个sinr最高的通道。
在本发明提供的单服务器下降低系统能耗的移动边缘计算卸载方法中,包括:将移动设备分类:移动设备根据自身任务的最大时延和能耗特点,将移动设备分为本地计算移动设备,计算卸载移动设备和部分计算卸载移动设备;优先级确定:确定出设备的优先级,为不同的设备设定不同的优先级来分配信道资源,以确保系统效益最大;无限资源分配:在这一阶段,mbs和d2d的信道按照优先级分配。单服务器下降低系统能耗的移动边缘计算卸载方法,综合考虑系统的通信无线资源和基站与d2d设备组成的可供卸载资源,在此基础上选择系统能耗最小的方式上传mec进行卸载,达到了系统计算能耗最小的优化目标。
附图说明
图1为利用d2d设备解决远近效应;
图2为5g移动边缘网络联合d2d计算卸载系统模型;
图3为降低系统能耗算法流程图;
图4为系统能量消耗性能仿真图;
图5为系统时间消耗性能仿真图;
图6为d2d组距离移动设备远近对计算卸载的影响
图7为系统能耗随mec服务器单位能耗变化图。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
移动设备在离基站较远的情况下,在设备可通信范围内,选择可利用的d2d设备组充当中继,移动设备从附近的可利用的d2d设备组中,选择计算卸载能耗最小的方式进行传输,同时满足通过d2d方式比直接传输给基站的方式的能耗低,若没有合适的d2d设备,则选择直接传输给基站进行计算卸载。图1为利用d2d设备解决远近效应的场景模型。
待计算卸载的用户d1和距离基站较近的d2d设备d2,用户d1可以选择将任务直接上传到mbs,也可以选择通过d2d设备d2接收转发上传到mbs。我们假定用户d1通过d2d设备d2上传到mbs比直接发送给mbs进行计算卸载更加节能,即
p1>p12+p2(3.1)
上式p1表示用户d1发送到mbs的能量,p12表示用户d1发送个设备d2的能量,p2表示设备d2发送到mbs的能量。
为了解决远近效应,即不论用户距离基站的远近,发送到达mbs的能量都保持恒定,即:
上式表示用户d1直接发送到mbs时到达的能量和通过d2d设备d2传输到mbs的能量相等。式中l1表示d1与mbs的距离,l12表示用户d1与设备d2的距离,l2表示为设备d2与基站的距离。α表示为路径损耗因子。将(3.2)带入(3.1)式中可得:
在用户d1搜寻可用d2d设备d2时,用户通过定位可以确定发送给基站mbs与发送到d2d设备d2之间的夹角θ,由用户d1,设备d2和基站mbs可组成如图所示三角形,由余弦定理可得:
联立(3.3)-(3.5)可以得:
为了解决远近效应,即不论与基站位置的远近,到达基站mbs的能量是相等的,同时为了保证通过d2d设备上传到mbs比用户直接传送到mbs方式更加节能这两个条件,所选择的d2d设备的位置和发送的能量必须满足(3.6)式。
本技术应用的场景是在解决远近效应后的5g移动边缘网络下的计算卸载模型,如图2所示。该模型中存在一个macro-bs(mbs),每个mbs旁配置有一台mec服务器用于进行计算卸载,一组位置相近且与要计算卸载的移动设备(userequipment,ue)在通信范围内的d2d设备。ue可以选择将任务通过基站上传到mec服务器进行卸载,也可以选择发送给d2d设备,由d2d设备上传到基站后在mec服务器中进行计算卸载。卸载在满足应用程序时延要求下,以卸载能耗最小化为目标进行选择。d2d与基站之间的传输链路为回程,其传输时延与距离成正比。
在本系统中,假定有
①若任务计算时间超过最大时延,则选择完全计算卸载;为了保证能耗最小化,在满足时延的限制条件下,从mbs和d2d卸载方式中,选择能耗最小的计算卸载方式;
②若任务计算时间小于或等于最大时延,同时本地计算比远程卸载消耗的能耗低,则选择本地卸载;
③若任务计算时间小于或等于最大时延,但本地计算能耗大于远程卸载能耗,则选择远程卸载,同样从mbs或d2d卸载方式中选择能耗最小的方式进行卸载。
在本系统模型中,假定通信链路采用的是微波链路,信道均为双工模式,路径损耗为l-α,其中l表示为两个连接设备间的距离,α表示为路径损耗指数。同时,设备i通过mbs和d2d计算卸载的信道增益分别表示为
其中,pm,pd分别表示设备在一个子信道发送数据到mbs,d2d的功率,通过功率控制技术保证功率不变,
在5g异构网络中,每个mbs配置一台mec服务器,mec服务器可以并行卸载多个计算任务。为了节省频谱资源,mbs和d2d复用相同的频谱资源。频谱资源被划分为k个子信道,表示为
在d2d和mbs间有一个回程,在d2d传输到mbs过程中起中继作用。考虑到这种回程是与其他通信基础设施共享,因此不考虑回程的能量消耗。回程传输带宽有限,传输时延与数据长度成正比,比例系数为
无论是在本地计算还是进行计算卸载,都需要满足最大时延限制,在边缘计算模型下,时间将由任务计算时间,传输时间两部分组成。下面将分别讨论不同情况下的时延限制情况。
1本地计算设备
对于本地计算的移动设备
其中,fil表示设备i的本地计算能力。
2通过mbs进行计算卸载
对于需要mbs进行计算卸载的设备,时间消耗分为传输时间和计算时间,
其中f0r表示mec服务器的计算能力。
3通过d2d进行计算卸载
其中
对于本地计算设备和远程计算卸载设备,能量消耗都是系统中一个重要的方面,对于选择不同卸载方式的设备,建立如下能耗模型:
①本地计算设备
本地计算的能量消耗为计算消耗,即:
其中
②通过mbs计算卸载设备
对于上传到bs的设备,能量消耗为传输消耗和计算消耗,即:
其中
③通过d2d计算卸载设备
其中
在边缘计算中,设备的通信资源是有限的,如计算能力、容量、能耗等。其中能耗问题在解决设备的可工作寿命,绿色通信等方面尤为重要。为了解决能耗问题,本章提出了一个降低系统能耗(reducingsystemenergyconsumption,rsec)的计算卸载策略。
rsec计算策略分为三部分:
①移动设备分类:移动设备根据任务的最大时延和能耗特点分为本地计算,计算卸载和部分计算卸载。
②优先级确定:推导出设备的优先级,这些设备选择将它们的任务卸载到mec服务器。优先级用于无线资源分配,它是由无线通信状态和任务需求决定的。
③无线资源分配:在这一阶段,mbs和d2d的信道按照优先级分配。
图3为本发明实施例提供的单服务器下降低系统能耗的移动边缘计算卸载方法的流程图。
⑴移动设备根据任务的最大时延和能耗特点可被分为三类:
第一类是计算卸载到mec服务器上,我们表示这类移动设备为ωr。移动设备因为计算资源有限,计算时延无法满足最大时延的限制,需要把计算卸载到mec服务器。因此,若
第二类是本地计算的移动设备,用ωl表示。这类设备在本地计算时延满足最大时延,且在本地计算消耗的能耗比卸载到mec服务器上消耗的能耗低。数学表述为,若
这里
第三类是部分卸载的移动设备,用ωo表示。这类设备可以选择在本地计算或者计算卸载的mec服务器上,这主要取决于无线信道的状态。
完整的设备分类算法见下表。
⑵考虑到有限容量的无线资源和不同设备间的传输干扰,论文为不同的设备设定不同的优先级来分配信道资源,以确保系统效益最大。
对于属于ωr集合的设备,由于这类设备无法在本地完成计算,必须远程卸载到mec服务器上计算,因此这类设备拥有最高的优先级。对于属于ωo集合的移动设备,可以选择本地计算或者计算卸载,为了减少系统能耗并提高无线资源利用率,论文对该类设备定义不同的优先级。
对于设备i,i∈ωo,分配的信道要使设备i总体信干噪比增加,时延满足最大时延的要求,即增加的信干噪比门限为:
其中ri'是设备i在最大时延限制下需要额外增加的传输速率。
ri,a是已经被分配给设备i上信道的总的传输速率。
用
这里
同样的,可以得到d2d合格信道数量为:
这里
定义2:设备i在无线资源分配中的优先级定义为:
其中:
设备i的yi值越小,优先级越高。优先级的定义综合考虑了延迟约束、无线电资源和卸载能量增益。在(3.24)中,第一项表示延迟约束对优先级的影响。具有更多关键延迟约束的设备应该具有更高的优先级。第(3.24)式第2项说明无线电资源的可用性对优先次序的影响。信道不合格的设备应优先分配无线电资源。否则,由于无线电资源不足,设备可能无法在延迟约束内将任务文件传输到mec服务器。(3.24)中第三项表示本地计算与mec服务器计算计算能量差较大的设备优先级较高。设备i可以选择通过mbs或者d2d进行计算卸载,选择信道质量较好的通信方式通信,即:
下表给出了优先级的确定过程
⑶为了保证系统的公平性,每个设备至多分配一个信道。在分配过程中,如果设备未决定通过哪种方式访问mec服务器,则选取其中能耗最少的方式访问。对于已决定访问mbs的设备,只能从属于mbs的通道中选择一个通道。假设设备i访问mbs,由于mbs的每个通道的发射功率pim相同,设备i应该选择sinr最高的通道。其原因是信噪比越高,传输时间越短,传输能耗越低。新选择的信道随着该信道上传输功率的增加,提高了器件i的总传输速率。但是,提高传输速率会减少传输时间,从而降低总传输能量。因此,我们应该比较有新选择通道的情况和没有新选择通道的情况下的能量成本。如果新选择的信道带来更高的能量成本,则不应该分配给设备i。
对于选择访问d2d的设备,通道分配的方式类似。下表中展示了完整的无线电资源分配过程。
本文将若干个移动设备随机部署在100*100平方米的面积内,mbs和d2d具有可分配信道
plcell=128.1+37.6log(d)(3.26)
pld2d=40log(d)+30log(f)+49(3.27)
其中plcell表示小区的路径损耗,pld2d表示d2d设备路径损耗,损耗单位均为db。距离d单位为千米,频率f单位为赫兹。具体仿真参数如下表:
图4给出了所提算法进行计算卸载和没有进行计算卸载的对比图,从图中可以看出,随着移动边缘设备数量的增加,系统总体的能量消耗呈上升趋势,但论文所提rsec算法所消耗的能量明显小于本地计算的能量消耗,因为本地计算的单位能耗远高于mec服务器的单位能耗。同时对设备进行分类,可以让设备选择能耗最低的计算方式进行计算,保证每一个移动边缘设备在可选择范围内以最小能耗的方式计算,因此rsec算法消耗的能量低于直接计算卸载算法。仿真结果表明,所提算法能够有效降低系统总能耗。仿真结果表明,在系统待执行任务设备数为200个时,rsec算法的系统比计算卸载算法能耗降低9.6%,相比于本地计算,系统整体能耗降低21.7%。
图5给出了系统随移动边缘计算设备数量变化系统总的时间消耗图。总体上看,系统总的时间消耗随移动边缘计算设备数量的的上升而逐渐上升。本地计算的时间消耗主要在计算卸载的过程中,而远程计算卸载到mec服务器上进行计算卸载,计算卸载时间消耗低,耗费的时间主要集中在传输时间上,总体耗费时间本地计算最长,rsec算法与计算卸载算法所耗费的时间相当。因此可以看出本算法在面对计算密集型任务时,可以在满足应用时延要求的前提下,有效降低系统能耗。
图6给出了d2d设备组距离移动设备的位置不同对卸载方式的影响。其中用户卸载设备总数为200个,移动设备位于(100m,100m)坐标位置处,mbs位于原点(0,0)处,d2d设备位置位于y=x直线上。从图中可以看,随着d2d设备坐标位置增加,通过mbs方式卸载的移动设备数先减少后增加,而通过d2d方式卸载的移动设备数随着d2d设备与移动设备距离逐渐靠近,卸载用户数先增加,在(120m,120m)处与移动设备距离最近,卸载数量达到最大,随后卸载的移动设备数逐渐减少。而本地设备卸载的关键在于是否满足任务时延同时本地设备能耗最低,因此随着d2d设备组位置的变化,本地卸载的移动设备数基本保持不变。
图7给出了系统卸载能耗随mec服务器单位能耗的变化图。可以看出,系统能耗总体随着移动智能设备的增加而增加。在移动智能设备数不变的情况下,mec服务器单位能耗越低,rsec算法的系统能耗越低。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。