物联网中基于移动边缘计算的计算卸载方法与流程

本发明属于物联网任务卸载技术领域，具体来说是物联网中基于移动边缘计算的计算卸载方法。本发明涉及物联网(internet-of-things,iot)、移动边缘计算(mobileedgecomputing,mec)、模式选择与节点匹配、动态优化等理论框架。

背景技术：

物联网(iot)是一种基于互联网允许所有设备间互连互通来实现信息交互、环境感知、实时共享等功能的先进智能网络架构，得益于高速实时的移动设备及设备间无缝连接技术的出现，iot得到广泛关注和快速发展，成为未来移动通信网络的前景技术之一。然而，随着各种智能设备及复杂应用的增长，用户和设备对数据传输速率、实时可靠等性能需求提升，如何满足低时延、高可靠的通信需求成为iot面临的主要挑战，特别地，由于大多数移动设备是资源受限的，如计算功率、存储空间、电池容量等，这为iot通信提出更高的要求。针对上述问题，一种可能的解决方案是利用“云计算”技术，即将移动设备的复杂计算任务通过无线链路首先转发给基站，基站再通过光纤将任务卸载至云端服务器，云端完成计算后将计算结果通过回程链路反馈给设备，如此方案虽然理论上可降低设备本地计算负载，但是由于频谱资源受限、回程链路距离较长、信道质量较差等因素会导致时延过大、高网络负载等问题，降低用户体验及网络性能。

移动边缘计算(mec)作为传统“云计算”方案的拓展与延伸，将多个云端服务器接口(ap)分布到网络边缘，使得设备与云端的通信距离缩短，降低传播时延，且分布式的云端服务器可提供高的带宽利用率，缓解网络拥塞，提升通信可靠性。目前，关于mec的研究大多考虑两种计算卸载模式：本地卸载和直接卸载至边缘云端服务器，若边缘云端服务器的接入设备过多或者设备离边缘服务器距离过大，仅使用上述两种模式无法满足低时延要求。

技术实现要素：

针对上述问题，本发明增加设备端卸载模式及设备中继转发卸载模式，即基于d2d链路技术将计算任务卸载至临近计算资源充足设备或通过临近设备中继转发至边缘云端服务器进行计算卸载，这产生模式选择问题。设备端卸载模式与设备中继转发模式均会涉及节点匹配问题，考虑到设备间的相互关系对节点匹配的影响，增加社会关系来调节转发功率大小、计算资源分配等优化变量。此外，考虑到设备的移动性与系统长期性能，本发明引入时间相关的长期系统优化目标，构成动态优化问题，通过相关算法分析求解，实现iot计算卸载性能的提升。

本发明基于移动边缘计算，在物联网ofdm上行链路场景下，考虑多种计算卸载模式，并综合物理层和社会层影响，将用户间的社会关系作为调节临近设备服务水平的权重因子，将平均时延和能耗参数赋权相加作为系统优化目标，增加帧平均最大时延约束，通过模式选择与节点匹配提升iot系统性能。相比于传统的mec方案，本发明在系统时延和设备能耗间达到更好的平衡，且提升系统的可靠性和稳定性。

基于d2d链路的临近设备辅助卸载模式包括设备端卸载模式和设备中继转发卸载模式，联合传统的本地卸载及直接云端卸载模式，构成模式选择与节点匹配优化的计算卸载方法。具体地，考虑云端服务器分布在网络边缘的物联网系统，系统内设备集合定义为其中有计算任务卸载需求的设备集合定义为s＝{s1,s2,...sn}，其余可用于辅助卸载模式的设备集合定义为k＝n+m.特别地，定义边缘计算云端服务器为r0，则为计算卸载可用设备(包括云端)的集合。上行链路采用正交频分多址(ofdm)，设备间互不干扰。考虑社会层影响，定义由计算卸载需求设备与辅助卸载设备间的社会关系为

其中，直接云端卸载模式下边缘计算云端服务器与设备间的社会关系定义为1，即wi0＝1,si∈s,r0∈r；本地卸载模式下社会关系定义为1，即wii＝1,si∈s.

下面根据不同的计算卸载模式，分析定义时延和能耗参数表达式

(1)本地卸载模式

本地卸载模式下，设备的计算时延定义为

其中，ci表示设备si一帧内所需cpu计算周期数(单位：cycle)，可由一帧内所需处理的数据量di(单位：byte)乘以常数k(单位：cycle/byte)得到；fii表示设备自身的计算资源(单位：cycle/second)。本地卸载模式下的计算能耗为

其中，ρ为转换常数(单位：w/(cycle/sec)^3)，由于本地卸载无传播时延和传播能耗，因此，本地卸载模式下设备的总时延和总能耗可表示为

(2)直接云端卸载模式

直接云端卸载模式下，设备的计算时延可表示为

其中，fi0表示直接云端卸载模式下边缘计算云端服器分配给设备si的计算资源。与本地卸载模式不同，直接云端卸载需要有传播时延，定义为

其中，ri0表示设备si到云端的发送速率，可由设备发送功率pi，信道参数hi0，背景噪声n0以及信道带宽b代入香农容量公式得到。与传播时延对应的传播能耗定义为

由于直接云端卸载不考虑计算能耗，因此，直接云端卸载模式下的总时延和总能耗可表示为

(3)设备端卸载模式

设备辅助卸载包括设备端卸载模式和设备中继转发卸载模式，首先，分析设备端卸载模式的传播时延为

其中，rij表示设备si到设备rj的传播速率；hij表示信道参数。其计算时延为

其中，fj表示设备rj可利用的计算资源；为一映射函数，表示若设备rj空闲，则会利用它的全部计算资源用于辅助卸载，若设备有其它任务，则根据其与si的社会关系来调节计算资源分配。

设备端卸载模式的能耗包括传播能耗和计算能耗，其定义分别为

据上，设备端卸载模式下的总时延和总能耗为

(4)设备中继转发卸载模式

设备中继转发卸载模式需要临近设备作为中继转发数据到云端进行计算卸载，为计算整个中继转发阶段的传播时延，根据相关文献推导，整个中继转发阶段的转发速率表达式如下

其中，表示源设备si与中继设备rj间的信道参数，表示中继设备rj与云端间的信道参数；sinrij0表示中继转发的信干噪比；转发速率乘以1/2的系数是由于源-中继，中继-云端两阶段是时分复用(tdd)的。则设备中继转发模式的传播时延和计算时延可分别表示为

为得到设备中继转发模式下的传播能耗表达式，需要计算源设备-中继设备，中继设备-云端两阶段的发送速率，其各自表达式如下

其中，表示源设备-中继设备阶段的发送速率；中继设备-云端阶段的发送速率中的中继设备发送功率pj受社会关系wij调节。根据两阶段的发送速率可推得传播能耗为

由于设备中继转发卸载模式的计算能耗在云端，对于设备端来说只需考虑传播能耗，因此，设备中继转发卸载模式的总时延和总能耗为

由于移动设备可能随时间不断移动，为研究优化长期动态系统性能，引入帧结构的概念，定义源设备si∈s发送数据更新的时刻为

其中，更新数据时隙定义为一帧，ti[r]＝fti[r]-fti[r-1]定义为设备si第r帧的帧长。第r帧初始时刻定义系统状态为s[r]＝(x^s[r],x^r[r],d[r],wij[r])，为边缘蜂窝用户的位置向量，表示第r帧初始时刻设备si的横纵坐标；类似的，表示第r帧初始时刻辅助卸载设备的位置向量，特别地，定义云端服务器位置d[r]＝[d1[r],d2[r],...dn[r]]表示每个源设备第r帧需要发送的数据量。系统状态s[r]映射行动策略a[r]＝[a1[r],a2[r],...an[r]]，其中ai[r]表示第r帧设备si的计算卸载模式选择和节点匹配策略，其定义为

综合考虑时延和能耗性能，定义系统的长期收益函数为

其中，λ为调节时延和能耗对系统收益函数影响的比重因子，fi[r]为第r帧设备si的收益函数，为系统帧平均收益函数。增加最大帧平均时延约束，构成动态计算卸载优化问题如下

其中，为设备si的帧平均时延，表示设备si的最大帧平均时延约束。上述动态优化问题可利用lyponovoptimization理论框架来分析,其主要思想在于构建与约束相关的虚拟序列(virtualqueue)，虚拟序列值随帧更新，更新式为

获得虚拟序列后，根据lyponovoptimization理论，可转化原优化问题为

其中，v为调节算法收敛速度与约束条件满足性间平衡的可调参数。基于lyponovoptimization，利用dpp(drift-plus-penalty)算法对上述问题求解方法为：

s1、初始化输入参数s[r],γi[r],pi,pj,fii,fi0,fj,rj∈r

s2、计算不同模式选择和节点匹配下的fi[r],等参数

s3、将相关参数代入(23)式，得到每个源设备的最优模式选择和节点匹配策略a[r]

s4、根据(22)式更新虚拟序列γi[r+1]

s5、若达到设定最大帧数则停止迭代，否则返回s2继续下一帧的计算卸载优化.

本发明的技术方案考虑本地卸载、直接云端卸载、设备端卸载、设备中继转发卸载四种计算卸载模式，并增加考虑设备间的社会关系对卸载服务水平的影响以及系统长期动态性能，构建时延和能耗相关的系统长期收益函数，通过模式选择和节点匹配得到物联网中基于边缘计算的计算卸载方案。本发明的有益效果是在时延和能耗性能上达到更好的平衡，且系统的可靠性和稳定性得到提升。

附图说明

图1是在不同时延和能耗比重因子λ不同计算卸载方案下的设备帧平均时延仿真对比图，其中，“dppalgorithm”表示本发明的计算卸载方案，“cloudoffloading”表示仅采用直接云端卸载模式的计算卸载方案，“randomselection”表示采用随机选择卸载策略的计算卸载方案，“branchandboundscheme”表示静态(逐帧)优化的计算卸载方案。图2是在不同时延和能耗比重因子λ不同计算卸载方案下的设备平均能耗仿真对比图。

具体实施方式

下面结合附图和实例，详细描述本发明的技术方案

本例中，源设备数量n＝10，辅助卸载设备数量m＝20；设备分布范围为离边缘云端计算服务器[300,500]m；源设备发送功率pi＝0.1w,信道带宽b＝0.18mhz，辅助卸载设备发送功率pj＝0.2w,背景噪声功率谱密度n0＝-174dbm/hz；信道模型采用对数正态阴影模型(log-normalshadowingmodel)，每帧数据量di[r]服从均值为1000kbps的泊松分布；用户移动模型采用高斯-马尔科夫模型(gauss-markovmobilemodel)；源设备与辅助卸载设备间的社会关系服从均值为0.5的高斯分布；设备计算资源fii,fi0,fj,服从一定范围内的均匀分布；为简化分析，仿真时设定所有源设备的帧平均最大时延约束为相同值相关常数k＝300cycle/byte，ρ＝1.25×10^-27w/(cycle/sec)^3

具体步骤如下:

步骤一：输入初始化参数，获得设备帧初始时刻时的状态信息.

步骤二：根据公式计算相关参数，由lyponovoptimization理论框架转化原问题到(22)式的形式.

步骤三：发现(23)式最优解，获得当前帧下的最优模式选择和节点匹配策略.

步骤四:由(22)式更新虚拟序列，并更新设备位置信息和计算任务信息.

步骤五：若达到所设定的最大帧数则停止迭代，否则，回到步骤一继续迭代过程来获得下一帧的计算卸载策略.

通过仿真图可以看出，在不同时延和能耗比重因子下，相较于与其它计算卸载方案，本发明在满足设备帧平均最大时延约束的条件下，在时延和能耗性能间取得很好的平衡。总体上，物联网中基于移动边缘计算的计算卸载方法可以使物联网设备的边缘计算卸载达到长期稳定的性能优化。