一种雾计算无线网络中的计算卸载方法与流程

本发明涉及无线通信技术领域，特别涉及一种雾计算无线网络中的计算卸载方法。

背景技术：

随着计算需求型的无线数据业务的大量涌现，例如虚拟现实(vr)业务和增强现实(ar)业务等，单一的用户设备因受限于计算能力和电池容量等难以支撑相关业务对服务质量(qos)的要求。为了解决本地计算能力不足的问题，业界提出了将具有强大计算能力的云计算中心引入无线网络的方案，将用户设备的大量业务卸载到云计算中心处理。然而，用户业务在卸载到云计算中心的过程中涉及到多跳路由传输，不仅传输耗时较长，也会增加回传链路中的负载，无法有效满足时延敏感的业务(如车辆网业务等)的qos需求。

为了满足各项业务的低时延高可靠等性能需求，业界提出了一种基于雾计算的分布式无线网络架构，支持将用户的业务卸载到具备一定计算能力的网络边缘节点(fap)或者云计算中心处理。该架构通过将用户业务分散在各个节点处理，能够有效地解决由于海量连接引起的回传链路过载问题，并支持多种业务的时延需求。

由于雾计算无线接入网络中存在大量的节点，包括用户设备、fap和云计算中心，如何设计一种高效的各节点之间的协作处理方案以充分利用各节点具有的计算能力达到显著降低用户端业务的时延及能耗的目标是一项亟待解决的问题。

技术实现要素：

本申请提供一种雾计算无线网络中的计算卸载方法，能够在用户设备和fap之间合理分配计算任务的处理位置，提高系统性能。

为实现上述目的，本申请采用如下技术方案：

一种雾计算无线网络中的计算卸载方法，包括：

a、在任一时隙开始时，对于本地任务生成队列中存在剩余待处理数据的用户，向其所在小区的fap发送计算卸载请求；

b、所述fap将发送所述计算卸载请求的用户记录在当前用户集中，根据fap等待队列和fap处理队列中的待处理数据量、fap的计算能力、计算任务的码率和卸载到云服务器的计算任务占比，确定fap的本地队列状态信息，并发送给所述当前用户集中的各用户；其中，所述fap等待队列用于暂存传输到fap的任务，所述fap处理队列用于暂存卸载到fap的待处理任务；

c、所述fap的当前用户集合中的任一用户根据接收的fap的本地队列状态信息、该用户在本地处理队列中的未处理数据量、该用户的本地计算能力、当前待决策的任务数据量和分配所述fap的任一子载波n后该用户保证传输成功的发射功率，计算所述任一用户对fap处所述任一子载波的资源和计算资源的联合竞价信息；

d、所述任一用户将对fap处各子载波资源和计算资源的联合竞价信息发送给所述fap；

e、所述fap从各用户的所有竞价信息中选择一个最高竞价信息，并将该选择的竞价信息对应的载波资源分配给对应的用户，用于相应用户的计算任务卸载，从所述当前用户集合中删除选择的竞价信息对应的用户，并从所述fap的可用子载波集合中删除竞拍成功用户所获得的子载波；

f、所述fap更新等待队列中的数据量，增加选择的竞价信息对应用户的当前待决策任务数据量；根据更新后的等待队列中的数据量更新fap本地队列的状态信息，并发送给当前用户集合中的各个用户，返回步骤c，直到fap所有的子载波资源分配完毕或当前用户集合为空，并在下一时隙开始前更新fap等待队列和处理队列的状态。

较佳地，在所述步骤f之后，该方法进一步包括：

g、对于等待队列中存在待处理数据的fap，向云服务器发送计算任务卸载请求，云服务器将发送计算任务卸载请求的fap记录在当前fap集合中；

h、所述云服务器将计算能力和处理队列中的未处理数据量发送给所述当前fap集合中的所有fap；

i、各fap根据所述云服务器发送的信息建立对云服务器计算资源的竞价函数，并发送给所述云服务器；

j、所述云服务器从当前fap集合中各fap发送的竞价函数中选择最高竞价，并将所述最高竞价的fap的待决策任务卸载到所述云服务器，从所述当前fap集中删除所述最高竞价的fap，更新任务由fap卸载到服务器的占比；

k、对云服务器处理队列中的数据量进行更新，增加所述最高竞价的fap的待决策任务的数据量，并发送给当前fap集合中的各fap，返回步骤i，直到当前fap集合为空，并在下一时隙开始前更新fap等待队列、fap处理队列和云服务器处理队列的状态。

较佳地，所述确定fap的本地队列状态信息为：j为fap的索引，和分别表示在fap处的等待队列和处理队列中的待处理数据量，表示fap的计算能力，r表示计算任务的码率，ηj表示由fap卸载到云服务器的计算任务占比。

较佳地，所述计算所述任一用户k对fapj处所述任一子载波n的资源和计算资源的联合竞价信息包括：

其中，j为fap索引，n为子载波索引，k为用户索引，表示用户k的本地处理队列中的未处理数据量，表示用户k的本地计算能力，sk表示当前待决策的任务数据量大小，表示fapj的计算能力，r表示计算任务的码率，t表示时隙的时间尺度，表示用户k的本地计算功耗，α表示时延-能耗收益的折中系数，表示在分配第n个子载波后用户k保证传输成功的发射功率。

较佳地，其中，hk,n表示用户k在子载波n上传输信息的信道增益，σ²表示fap接收端的噪声功率。

较佳地，fapj根据所述云服务器发送的信息建立对云服务器计算资源的竞价函数包括：

其中，j为fap的索引，sj表示当前fap等待队列中的待决策的任务数据量大小，表示云服务器处理队列中的未处理数据量大小信息，表示fapj的计算能力，fc表示云服务器的计算能力，r表示计算任务的码率，表示在fap处的处理队列中的待处理数据量。

较佳地，所述在下一时隙开始前更新fap等待队列和处理队列的状态包括：若计算任务卸载到fap处理，则将fapj的等待队列状态信息由更新为将fapj的处理队列状态信息由更新为

较佳地，所述在下一时隙开始前更新fap等待队列、fap处理队列和云服务器处理队列的状态包括：若计算任务卸载到云服务器处理，则将fapj的等待队列状态信息由更新为将fapj的处理队列状态信息由更新为将云服务器的处理队列状态信息由更新为

由上述技术方案可见，本申请中，fap向发送计算卸载请求的各用户广播本地队列状态信息，各用户根据fap的状态信息建立竞价函数，并提交各自竞价；fap根据各用户的出价对计算任务的卸载地和子载波的分配进行决策。通过上述处理，能够使某些用户将计算任务卸载到fap的合适子载波进行，从而提高系统性能。

附图说明

图1为本申请中雾计算无线接入网络中各节点的队列模型示意图；

图2为本申请中计算卸载优化方法的流程示意图。

具体实施方式

为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。

本申请提供一种基于密封拍卖博弈模型的计算任务卸载和无线子载波分配的联合优化方法，能够充分利用无线带宽资源和各节点的计算资源，从而有效地解决了无线带宽资源的浪费问题。

图1为本申请中雾计算无线接入网络中各节点的队列模型。具体地，雾计算无线接入网络包含三种类型的节点，分别是用户设备节点、雾节点和云计算节点。在本申请中，考虑雾计算无线接入网络中存在单个云计算节点服务多个小区用户的场景。具体地，网络中存在的小区数记为j，各小区内的用户数记为k，在每个小区内存在一个雾节点以服务其小区内的用户，其可用的最大子载波数记为n。其中，用户设备通过无线网络接入雾节点，雾节点通过有线网络接入云计算节点。在用户设备节点中包括两种队列：任务生成队列和本地任务处理队列，分别用于暂存在用户设备端产生的任务和卸载在本地的待处理任务；在雾节点中也包括两种队列：雾节点等待队列和雾节点处理队列，分别用于暂存传输到雾节点的任务和卸载到雾节点的待处理任务；在云计算节点中包括一种队列：云处理队列，用于暂存卸载到云计算中心的任务。

基于上述模型，本申请所提出的基于密封拍卖博弈模型的计算任务卸载和无线子载波分配的联合优化方法的具体实施步骤流程如图2所示，具体包括：

步骤1，建立任务生成队列非空的用户集合，fap向该集合中所有用户广播本地队列状态信息。

本步骤的具体处理可以包括：

步骤101，在第m个时隙到来时，各用户获取本地任务生成队列中的剩余待处理数据量大小信息(bits)，以用户k为例，记为其中，k为用户索引。

步骤102，对于的用户，向位于小区中心处的fap提出计算任务卸载的请求。以fapj为例，其记录下发起请求的用户，建立相应的用户集合，记为其中，j为fap的索引。

步骤103，整合fap本地队列的状态信息，记为并将其发送给集合中的所有用户。具体地，以fapj为例，按照下式对fap本地队列的状态信息进行整合：

其中，和分别表示在fapj处的等待队列和处理队列中的待处理数据量大小信息(bits)，表示fapj的计算能力，r表示计算任务的码率，ηj表示由fap卸载到云服务器的计算任务占比。

步骤2，各用户根据fap回传的状态信息建立竞价函数，并向fap提交各自的竞价。

本步骤的具体处理可以包括：

步骤201，各用户构建对fap处子载波资源和计算资源的联合竞价函数。以用户k为例，按照下式生成其对第n个子载波的竞价：

其中，表示用户k的本地处理队列中的未处理数据量大小(bits)，表示用户k的本地计算能力，sk表示当前待决策的任务数据量大小，t表示时隙的时间尺度，表示用户k的本地计算功耗，α表示时延-能耗收益的折中系数，表示在分配第n个子载波后用户k保证传输成功的发射功率，具体可以表示为下式：

其中，hk,n表示用户k在子载波n上传输信息的信道增益，σ²表示fap接收端的噪声功率，1≤n≤n，n为fap的可用子载波个数，在不同的时隙内，n的取值可以不同，将fapj处的可用子载波集合记为wj。

步骤202，将生成的用户对各子载波的竞价信息进行封装，并将所获得的封装信息发送给fap。以用户k为例，封装的竞价信息可以表示为

步骤3，fap根据各用户的出价对计算任务的卸载地(用户本地或者fap)和子载波的分配做出决策。具体处理可以包括：

步骤301，整合所有用户封装的竞价信息，从所有用户对所有可用子载波的竞价信息中找出最高的一个竞价，可以表示为并获得相对应的用户和子载波编号，分别记为k′和n′，将该子载波资源分配给该用户，并允许该用户将计算任务卸载到fap进行处理，并在用户集合中删除竞拍获胜的用户k′，该操作记为并在可用子载波集合wj中删去已分配的子载波n′，该操作记为wj＝wj-n′。

步骤302，对fap处的等待队列中的数据量大小信息进行更新，记录为并相应地对进行更新，将更新后的结果发送给更新后的集合中的所有用户，并返回步骤2，执行步骤2和3，直到所有的子载波资源分配完毕，即wj为空集，或者用户集合为空集。

至此，最基本的方法流程可以结束。在用户设备和fap之间进行计算卸载任务的合理分配。优选地，还可以进一步包括如下处理，继续进行fap与云计算中心之间的计算任务分配：

步骤4，建立任务待处理队列非空的fap集合，云服务器将其处理队列状态信息发送给集合中的所有fap。具体步骤如下：

步骤401，对于的fap，向云服务器提出计算任务卸载的请求。云服务器将提出请求的fap记录在集合gfap中。

步骤402，整合云服务器的状态信息，具体为获取云服务器处理队列中的未处理数据量大小信息和云服务器的计算能力fc，记为并将其回传给集合gfap中所有的fap。

步骤5，各fap根据云服务器传输的状态信息建立相应的竞价函数，并向云服务器提交各自的竞价。

本步骤的具体处理可以包括：

步骤501，各fap构建对云服务器计算资源的竞价函数。以fapj为例，按照下式生成其竞价：

其中，sj表示当前fap等待队列中的待决策的任务的数据量大小。

步骤502，将生成的fap的竞价信息发送给fap，云服务器接收到集合gfap中所有fap的竞价信息后将其封装为状态信息其中，j为fap的总数。

步骤6，云服务器根据各fap的出价对计算任务的卸载地(fap或者云服务器)做出决策。

本步骤的具体处理可以包括：

步骤601，在状态信息bidfap中找出其中的最高竞价，即对bidfap做出操作max(bidfap)，获得相对应的fap编号，记为j′，并将该fap的待决策任务卸载到云服务器中进行处理，在集合gfap中删除竞拍获胜的fapj′，将该操作记为gfap＝gfap-j′，并更新任务由fap卸载到云服务器的占比ηj′。

步骤602，对云服务器的处理队列中的数据量大小信息进行更新，记录为并相应地对ξ进行更新，将更新后的结果发送给更新后的集合gfap中的所有fap，并返回步骤5，执行步骤5和6，直到fap集合gfap为空集。

步骤7，在下一时隙开始前，将所有队列的状态信息进行更新。具体地，以用户k和fapj为例说明，将用户k的本地处理队列状态信息由更新为若计算任务卸载到fap处理，则将fapj的等待队列状态信息由更新为将fapj的处理队列状态信息由更新为若计算任务卸载到云服务器处理，则将fapj的等待队列状态信息由更新为将fapj的处理队列状态信息由更新为将云服务器的处理队列状态信息由更新为

至此，基于二阶的密封拍卖博弈模型的计算任务卸载和无线子载波分配的联合优化方法流程结束。该方法对任务从用户端卸载到fap以及从fap卸载到云服务器这两个过程进行建模，通过两级拍卖决策得到具有最大收益(时延和用户能耗综合考量)的卸载决策和子载波分配结果，能够充分利用无线带宽资源和各节点的计算资源，从而有效地解决了无线带宽资源的浪费问题以及接入链路和回传链路中的过载问题。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。