本发明涉及移动边缘计算技术,尤其涉及一种移动边缘云计算系统(mobileedgecomputing,mec)中基于演进博弈的动态资源分配方法。
背景技术:
近年来,云计算已经成为学术界和工业界公认的下一代计算基础设施。与传统的it基础设施相比,它可以提供许多特性,如可伸缩性、敏捷性、经济效率等。同时,随着快速部署的无线宽带网络和智能移动设备的日益普及,越来越多的终端使用互联网服务。然而,随着终端应用需求和计算能力需求不断提高,智能移动设备对由于尺寸、能量等限制无法满足。因此,移动边缘云计算系统(mobileedgecomputing,mec)将朵云(cloudlets)集成到移动环境中,方便终端将计算能力强的应用卸载到近端的朵云运行,在更低时延限制下以减少终端的任务卸载代价。
具有朵云的异构网络场景包括异构网络(heterogeneousnetworks)和朵云(cloudlets),其中异构网络包含宏小区(macrocell)、微小区(picocell)、微微小区(femtocell)等。朵云是一种相对小型的计算资源池,由运营商统一部署在基站周围。基站与朵云之间通过光纤连接,此连接被称为回程链路(backhaul)。朵云接收相关基站覆盖范围内的终端的任务请求,并在数据处理单元进行计算。
异构网络场景下的移动边缘云计算是在异构网络中各个基站附近部署了大量的云资源,于是接入点具有云资源和无线资源两种类型资源。基站和相应连接的朵云构成了服务点sp(servicepoint)。sp分配的无线资源指的是上行链路的数据传输速率资源;云资源指的是朵云计算资源。朵云为连接至它的基站覆盖范围内的所有终端服务。朵云为终端提供计算资源,异构网络为终端提供无线资源,终端的sp选择策略直接影响计算资源和无线资源的分配量,从而对终端的任务卸载代价产生重要影响。因此如何实现移动边缘云计算系统中sp最优选择,实现资源的有效分配,满足各个移动终端的卸载需求是亟待解决的问题。
技术实现要素:
技术问题:本发明针对现有技术存在的问题,提供一种移动边缘云计算系统中基于演进博弈的动态资源分配方法,本方法基于演进博弈,充分利用服务点(servicepoint,sp)的计算资源和无线资源,在以种群内所有终端任务卸载代价都相等为目标的同时,满足各移动终端的任务卸载需求。
技术方案:本发明所述的移动边缘云计算系统中基于演进博弈的动态资源分配方法包括:
(1)移动边缘云计算系统mec环境下根据网络覆盖情况将网络分成多个区域,不同的覆盖区域选择的接入服务点sp策略集有所不同,同一个区域内具有任务卸载需求的终端形成一个种群;另外,网络内存在一个集中控制器,控制器收集各个种群各个终端的sp选择策略和卸载代价;
(2)移动边缘云计算系统mec中的终端发起任务卸载请求,并建立终端的任务卸载代价函数;其中,该任务卸载代价函数包含能耗代价、时延代价和经济代价,能耗代价是终端进行任务卸载时消耗的能量,时延代价是终端进行任务卸载过程中经历的时延,经济代价是任务卸载时终端选择无线资源和云资源向sp所支付的费用;每个种群内的所有终端在进行一次任务卸载时被要求卸载相同的任务量;
(3)由于处于同一区域的具有任务卸载需求的终端形成一个种群,因此每个种群具有不同的sp选择策略集;每个种群的所有终端在sp选择策略集中随机选择可接入的sp;网络内各个种群内部建立演进博弈;
(4)各个种群的终端计算任务卸载代价并将sp选择策略和代价信息发送至控制器;控制器根据各个终端代价和种群状态信息计算种群平均任务卸载代价;
(5)由于同一个种群内终端进行任务卸载时任务量相同,因此种群根据动态复制进行sp选择和无线资源和计算资源分配;每个种群在进行一次动态复制后,种群内部分终端改变了sp选择策略,整个网络内的种群状态空间发生变化,每个sp的接入终端数量增加或减小,分配的计算资源和无线资源相应减少或增加,因此需要更新各个种群的卸载代价以进行下一次动态复制;
(6)动态复制达到演进均衡,网络内所有种群不再改变sp选择策略,各个终端获得所选择的sp分配的计算资源和无线资源,当这一轮任务完成,网络接入新的任务卸载请求并达到演进博弈演进均衡。
其中:
步骤(2)中所述能耗代价、时延代价和经济代价,各个种群可以对能耗代价、时延代价和经济代价占据的比例进行动态调节,三者影响因子之和为1。
步骤(3)中演进博弈的描述具体如下:
参与者player:所有种群的所有终端;
种群population:同一区域内具有任务卸载请求的终端形成一个种群,种群和网络内划分的区域数相同;
策略strategy:每个终端的策略指的是在种群sp选择策略集合中选定的sp,网络中sp选择策略总集合为k={0,1,2,...,k},每个种群的sp选择策略向量记为[sj]1*(k+1),s=[s1;s2;...;sj]表示所有种群的sp选择策略状态矩阵,s[j,k]=0表示种群j无法接入spk;s[j,k]=1表示种群j可接入spk;
种群占有率populationshare:nj表示种群j中所有具有任务卸载需求的终端个数,
种群状态populationstate:所有sp的种群占有率构成了种群状态,种群j的种群状态表示为
代价函数costfunction:每个参与者的代价函数
步骤(5)中所述的动态复制如下所示:
式中,
种群j内在一轮动态复制后的种群占有率更新如下:
步骤(6)中演进博弈演进均衡,其求解过程如下:
①每个种群的所有终端随机选择可接入sp,并将sp选择策略信息上传至控制器,控制器建立初始化种群状态x;
②每个sp获得所有种群接入终端总量nk并平均分配计算资源和带宽资源,spk接入的所有终端数量为
⑤经历一次动态复制后,种群状态空间全面更新,各个sp的终端接入数量变化,因此sp对带宽资源和计算资源需要重新分配,各个终端需要重新计算任务卸载代价
⑥动态复制达到演进均衡,网络内所有种群不再改变sp选择策略。各个终端获得所选择的sp分配的计算资源和无线资源;当这一轮任务完成,网络接入新的任务卸载请求并达到新一轮演进博弈均衡。
有益效果:本发明与现有技术相比,其显著优点是:本发明基于演进博弈使网络内各个终端实现动态sp选择,从而充分利用sp中有限的计算资源和无线资源,在以最小化所有终端任务卸载代价为目标的同时,保证各种群内部终端任务卸载代价的均衡性,满足各移动终端的任务卸载需求。所述方法综合考虑终端的卸载需求,异构网络的信道状态以及朵云的计算容量限制,在保证任务实时性的情况下,动态地联合分配无线资源和云资源,最小化网络所有终端的任务卸载代价。
附图说明
图1是本发明的移动边缘云环境下的异构网络融合场景图;
图2是本发明的基于演进博弈动态资源分配方法流程图;
图3是本发明的演进博弈纳什均衡求解过程流程图。
具体实施方式
本发明基于演进博弈,充分利用朵云中有限的计算资源,在以最小化所有终端任务卸载代价为目标的同时,保证各终端任务的实时性,满足各移动终端的任务卸载需求。下面结合附图对本发明的实施方法作进一步的描述。
如附图1所示,考虑移动边缘计算环境下一个具有两层macro-small重叠覆盖结构的异构网络融合场景,其中1个宏基站(macrobasestation,mbs)和k个小基站(smallbasestation,sbs)部署在一个宏蜂窝(macrocell)网络中。从图中可以看出,mbs部署在macrocell网络中心位置,sbs部署在小蜂窝(smallcell)网络中心位置。而对于smallcell网络,由于其在商场或办公等环境下具有即插即用、发射功率小、覆盖半径小和低成本等特点,因此大量smallcell网络各自随机固定部署于macrocell网络覆盖范围中,由于smallcell基站的发射功率的不同,因此其覆盖范围也具有一定的可变性。
每个基站接入具有计算能力的移动边缘云服务器(mecserver)。每个基站和相应的mecsever组成服务点(servicepoint,sp)。mbs和相应的mecsever组成宏基站服务点(msp),sbs和相应的mecsever组成小基站服务点(ssp)。mec环境下根据网络覆盖情况将网络分成多个区域。不同的覆盖区域可选择的接入sp策略有所不同。同一个区域内具有任务卸载需求的终端形成一个种群。另外,网络内存在一个集中控制器,控制器收集每个种群各个终端的卸载代价。k={0,1,2,...,k}表示网络中所有msp和ssps组成的集合,其中0代表msp,{1,2,...,k}代表ssps。宏蜂窝和小蜂窝使用正交子信道,因此本方法不考虑子信道之间的干扰。网络中所有种群集合表示为j={1,2,...,j},种群j中终端的数量被记为nj,σjnj=i。i={i:i=1,...,nj;j=1,...,j}表示所有的终端集合。终端i进行任务卸载时需要上传的数据量为bi,任务完成需要处理的指令数为di,朵云任务处理单位时间内分配的cpu周期为fk。终端的任务卸载至朵云时延
每个基站与终端之间的信道存在固定距离路径损耗、缓慢对数正态衰落和瑞利快衰落。我们网络中所有信道采用l离散率的自适应正交振幅调制(qam)技术,而且上下行链路不存在功率控制。如果信道的信噪比snr在[γl,γl+1)范围内,则信道的当前信噪比计算值为γl。
本文假定通信时随机选定所有频率下的子信道,则spk吞吐量(bit/s/hz)如下
ηk代表基站k提供的吞吐量(bit/s/hz),因此选择基站k的终端的吞吐量为
如图2所示,本发明的移动边缘云计算系统中基于演进博弈的动态资源分配方法具体包括:
(1)mec环境下根据网络覆盖情况将网络分成多个区域。同一个区域内具有任务卸载需求的终端形成一个种群。网络内存在一个集中控制器,控制器收集每个种群各个终端的卸载代价;
(2)mec中的终端发起任务卸载请求,并建立终端的任务卸载代价函数;每个种群各个终端的任务卸载参数相同,具有形同的特性;
(3)每个种群的所有终端在sp选择策略集中随机选择可接入sp;各个种群内部建立演进博弈。
(4)各个种群的终端计算任务卸载代价并将代价信息发送至控制器;控制器根据各个终端代价信息计算种群平均任务卸载代价;
(5)由于同一个种群内终端进行任务卸载时任务量相同,因此种群可以根据动态复制(replicatordynamics)进行sp选择。每个种群在进行一次动态复制后,种群内部分终端改变了sp选择策略,整个网络内的种群状态空间发生变化,每个sp的接入终端数量增加或减小,分配的计算资源和无线资源相应减少或增加,因此需要更新各个种群的卸载代价以进行下一次动态复制;
(6)动态复制达到均衡,网络内所有种群不再改变sp选择策略。各个终端获得所选择的sp分配的计算资源和无线资源。当这一轮任务完成,网络接入新的任务卸载请求并达到演进博弈均衡。本发明基于演进博弈,充分利用服务点(servicepoint,sp)的计算资源和无线资源,在以种群内所有终端任务卸载代价都相等为目标的同时,满足各移动终端的任务卸载需求。
其中,步骤(2)中终端的任务卸载代价函数的计算公式为:
式中,
本方法的演进博弈中,参与者为移动边缘云计算系统中所有需要任务卸载的终端。网络接入点为终端分配无线资源,朵云为终端分配云资源,终端通过获得的无线资源和云资源进行任务卸载,从而节省用于本地运算的能量,延长电池使用时长。终端的任务卸载代价函数与终端能量消耗和购买无线资源和云资源所付出的代价有关。演进博弈描述如下:
参与者:所有种群的所有终端。
种群:同一区域内具有任务卸载请求的终端形成一个种群。种群数量和网络内划分的区域数相同。
策略:每个终端的策略指的是在种群sp选择策略集合中选定的sp。网络中sp选择策略总集合为k={0,1,2,...,k}。每个种群的sp选择策略向量记为[sj]1*(k+1)。s=[s1;s2;...;sj]表示所有种群的sp选择策略状态矩阵。s[j,k]=0表示种群j无法接入spk;s[j,k]=1表示种群j可接入spk。
种群占有率(populationshare):nj表示种群j中所有具有任务卸载需求的终端个数,
种群状态(populationstate):所有sp的种群占有率构成了种群状态,种群j的种群状态表示为
式中,
需要注意的是,
步骤(6)中演进博弈的纳什均衡求解过程如下:①每个种群的所有终端随机选择可接入sp,并将sp选择策略信息上传至控制器,控制器建立初始化种群状态x;②每个sp获得所有种群接入终端总量nk并平均分配计算资源和带宽资源,spk接入的所有终端数量为
③终端根据获得的fk和rk计算任务卸载代价函数
⑤经历一次动态复制后,种群状态空间全面更新,各个sp的终端接入数量变化,因此sp对带宽资源和计算资源需要重新分配,各个终端需要重新计算任务卸载代价
⑥动态复制达到演进均衡,网络内所有种群不再改变sp选择策略。各个终端获得所选择的sp分配的计算资源和无线资源;当这一轮任务完成,网络接入新的任务卸载请求并达到新一轮演进博弈均衡。