一种多接入边缘计算的资源分配算法的制作方法

本发明涉及一种多接入边缘技术，具体的说是一种基于优先级的资源分配边缘计算算法。

背景技术：

随着通信与信息技术的高速发展，手机、平板电脑、智能手表等智能设备已经成为我们生活中不可缺少的部分。而智能设备拥有量的快速增加，导致了移动数据流量产生了爆炸式的增长。

于是，有人提出将移动设备(本地终端)的计算任务卸载(offloading)到核心网进行处理，即移动云计算(mcc)，此处的卸载指的是将移动设备的计算任务分配给mec或核心网进行处理。移动云计算可以帮助移动终端解决无法处理的任务，并且降低了移动用户的能量消耗，延长了电池的使用寿命。但是这种集中式网络架构，并不能满足用户对通信过程中低延迟，低干扰的要求，尤其是对延迟敏感的业务。

移动边缘计算就是将mec服务器部署在基站的(bs)的附近，为用户提供数据缓存和计算卸载等业务。因此mec被人们认为是下一代5g网络技术的关键技术之一。

技术实现要素：

本发明的目的是提供一种多接入边缘计算的资源分配算法，根据本地计算能力和延迟要求给每个用户设置优先级，优先级高的用户可以优先卸载和选择传输条件较好的信道，以获得最小的总成本消耗。

本发明的目的是这样实现的：一种多接入边缘计算的资源分配算法，包括以下步骤：

步骤1)计算待卸载的计算任务的能量消耗和时间消耗；

步骤2)联合计算待卸载的计算任务的总成本消耗；

步骤3)基于用户的本地计算能力和延迟要求的优先级参数选择合适的计算方，计算方包括：本地终端、mec服务器以及核心网。

作为本发明的进一步限定，步骤1)具体包括：

步骤1-1)定义本地终端计算中时间消耗和能量消耗分别为：

和

其中，ci表示任务ti计算完成所需要耗费的cpu的周期数，ti表示每个用户i的卸载任务，fi^l为本地用户i的计算能力，pl为本地用户i的本地计算功率；

步骤1-2)任务ti卸载到mec所消耗的时间为：

在上式中，wi是表示用户输入数据的大小，ri是用户i通过无线接入网与基站连接时的上行链路的传输速率，fi^mec是mec服务器提供的计算能力；

任务ti卸载到mec所消耗的能量为：

其中，为用户i在上传计算任务时的发射功率，为移动设备在发送任务结束后，等待计算结果时的等待功率；

步骤1-3)任务ti卸载到核心网所消耗的时间为：

其中，tci为光纤传输过程中的传输延迟，它的大小只与卸载的计算任务的大小有关；

任务ti卸载到核心网所消耗的能量为：

作为本发明的进一步限定，步骤2)具体包括：

每个用户的成本可以表示为：

qi＝λi·ti+(1-λi)·ei

式中的ti，ei分别表示用户i计算任务所耗费的时间和能量，而λi为总成本的权重因子，λi的大小取决于每个用户i的剩余电量ei；

根据上面所述，联合计算卸载的总成本消耗可以表示为

s.t.c4:ai,j,n＝{0，1},i∈k,n∈n

在式中，表示本地终端所能接收的最大时延，ai,j,n＝{0，1}表示用户i的卸载决定，j＝0表示用户i决定在本地计算该任务，j＝1表示用户i决定通过信道n将任务卸载到mec服务器上进行计算，j＝2表示用户i将通过信道n将任务卸载到核心网进行计算，分别表示计算任务在本地、mec服务器以及核心网进行计算时所消耗的总成本；约束c1确保用户i的任务计算时间不超过用户的延迟要求，约束c2确保每个用户只能选择一种卸载方式，约束c3要求每个用户在进行卸载时最多占用一个信道。

作为本发明的进一步限定，步骤3)衡量用户优先级的参数包括：在考虑移动设备的剩余电量和无线信道的传输质量的情况下，为每个用户设置优先级，参数pi越小的用户拥有权利优先卸载和选择无线信道条件最好的信道；优先级表示为

式中α为优先级的权重因子，我们将其设置为0.5，即本地计算能力和延迟限制各占优先级权重的50％；参数l是平衡因子，为了使本地计算能力和延迟要求处于同一数量级。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明根据每个用户的延迟要求和本地计算能力作为优先级的决定参数，然后按照优先级的大小，分配用户卸载时的无线资源，进而达到最小化计算成本的目的。从而达到在满足用户延迟的要求下，选择本地设备能量消耗和时间延迟加权和最小的卸载方案。

附图说明

图1为本发明的原理示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案做进一步的详细说明：a.系统模型

假设本发明边缘计算系统拥有k＝{1,2,...,k}个单天线用户，和一个拥有网关的基站(bs)，mec服务器就部署在基站的附近。如附图1所示，mec作为小型的计算和存储的服务器，为所在基站的所有用户提供计算和缓存业务。而基站与几百甚至几千公里之外的核心网通过光纤进行连接，通过基站上的数据采集和处理，来决定是否接受卸载请求，将卸载的任务发送到mec服务器或者核心网。每个用户i的卸载任务通过来表示，其中，wi是表示用户输入数据的大小，ci表示任务ti计算完成所需要耗费的cpu的周期数，表示每个用户能够容忍的最大时间延迟。对于每个计算任务来说都是具有原子性的，即不能分割的，并且为了计算方便，我们假设在一次计算卸载过程中每个用户产生的任务大小是不变的。在每个基站覆盖的小区中无线信道资源表示为n＝{1,2,...,n}。为了方便问题分析，接下来我们将从本地、mec和核心网(cn)三个方面描述计算卸载中的能量和时间消耗。

1)本地计算：如果用户决定将任务放在本地计算，则我们将本地计算中时间消耗和能量消耗分别表示为

和

其中fi^l为本地用户i的计算能力，pl为用户i的本地计算功率。

2)卸载到mec服务器：任务卸载到mec服务器计算的过程需要三部分，首先用户i连接到无线网络，将任务发送到基站附近的mec服务器，然后mec服务器需要对任务进行计算，最后将计算结果发送回用户。由于经过数据处理的计算结果相对于上传的计算任务和无线传输速率是个很小的数字，不影响整体的计算，所以我们不将计算结果传回用户的时间计入总卸载时间。因此将任务ti卸载到mec所消耗的时间为

在上式(3)中，fi^mec是mec服务器提供的计算能力，ri是用户i通过无线接入网与基站连接时的上行链路的传输速率，可以通过下式计算

式(4)中，b为上行链路无线信道的带宽，为用户i在上传计算任务时的发射功率，hi为信道增益，σ²为背景噪声功率。而ii,n为用户i在信道n中受到其它信道的干扰，可以表示为

将计算任务卸载到mec服务器，移动设备所消耗能量为

其中，为移动设备在发送任务结束后，等待计算结果时的等待功率。

3)核心网卸载：将计算任务卸载到核心网的时间消耗包括三部分，无线传输部分、光纤传输部分和任务计算部分；而核心网拥有庞大的计算能力，对于卸载任务的计算时间可以忽略不计；因此总的卸载时间为

式(7)中，tci为光纤传输过程中的传输延迟，它的大小只与卸载的计算任务的大小有关。在核心网进行卸载时，移动设备的能量消耗为

b.问题分析

本文中，我们的目标是为了让每个用户在完成计算任务和满足延迟要求的同时，最小化总成本消耗，每个用户的成本可以表示为

qi＝λi·ti+(1-λi)·ei(9)

式(9)中的ti，ei分别表示用户i计算任务所耗费的时间和能量，而λi为总成本的权重因子，λi的大小取决于每个用户i的剩余电量ei。剩余电量越少，则λi越小，而能量消耗在总成本中的比重增大，即在移动设备能量剩余较少时，卸载更看重计算能量消耗少的卸载决定。于是我们使用ai,j,n＝{0，1}来表示用户i的卸载决定，其中j＝0表示用户i决定在本地计算该任务，j＝1表示用户i决定通过信道n将任务卸载到mec服务器上进行计算，j＝2表示用户i将通过信道n将任务卸载到核心网进行计算。

根据上面所述，联合计算卸载的总成本消耗可以表示为

s.t.c4:ai,j,n＝{0，1},i∈k,n∈n(10)

在式(10)中，分别表示计算任务在本地，mec服务器和核心网进行计算时所消耗的总成本。约束c1确保用户i的任务计算时间不超过用户的延迟要求，约束c2确保每个用户只能选择一种卸载方式，约束c3要求每个用户在进行卸载时最多占用一个信道。

从上述中可以看出，每个用户都可以选择将计算任务卸载到本地，mec服务器和核心网；而卸载决策取决于参数ai,j,n和约束c1～c4，因此我们将该问题表示为联合计算和无线资源分配的优化计算卸载(croc)问题，很显然该问题是在有限约束条件下的最优化问题。要想解决crco问题，需要在计算延迟和无线资源的约束下，实现总成本消耗最小。该问题可以通过列举每种方案在有限次的计算迭代中获得最优值，但是迭代次数将是一个天文数字，因此该问题是np-hard的。

c、算法分析

1)联合优化资源分配和计算卸载算法(raco)：在多用户的卸载环境中，我们需要考虑本地计算能力、信道分配、计算延迟、能量消耗等问题。于是我们提出了联合优化资源分配和计算卸载算法，在满足延迟要求的情况下，选择总成本消耗最小的卸载决策。除此之外还要考虑无线信道资源，如果卸载到mec服务器或者核心网能够获得更小的消耗，并且有空余的无线信道，则优先将计算任务卸载到云服务器。具体步骤如算法1：

算法1在进行卸载决策时，并没有将用户的剩余电量作为参考的参数。根据我们的常识来所，如果移动设备在剩余电量不多的情况下，我们更愿意选择能量消耗更小的卸载方式。而且在进行云端的卸载时，由于无线环境干扰的存在，每个信道的传输条件可能会有很大的不同，因此无线信道的质量也应该考虑进卸载的决策。

2)联合优先级的计算卸载算法(jpco)：在考虑移动设备的剩余电量和无线信道的传输质量的情况下，我们为每个用户设置了优先级，参数pi越小的用户拥有权利优先卸载和选择无线信道条件最好的信道。由于在任务计算卸载过程中，用户的本地计算能力和延迟要求对于卸载决策有着决定作用，所以我们将这两项数据作为衡量用户优先级的参数。优先级表示为

式(11)中α为优先级的权重因子，我们将其设置为0.5，即本地计算能力和延迟限制各占优先级权重的50％。参数l是平衡因子，为了使本地计算能力和延迟要求处于同一数量级。

优先级的设计可以将用户按照优先级来安排卸载顺序，由于mec服务器和核心网都拥有巨大的计算能力，因此在拥有高优先级的任务卸载完成之后，优先级低的任务可以在延迟要求下重复使用信道条件较好的信道。如此一来，信道可以得到有效利用的同时，还可以满足对延迟要求不高的用户进行卸载的请求。具体步骤如算法2，因为我们的目的是为了让所有用户都要完成计算，首先将本地计算不能满足延迟条件的用户设置为最高的优先级，拥有优先选择传输条件更好信道的权利。在满足延迟条件和有空闲无线信道的情况下，选择mec和核心网中总成本消耗最低的一个作为卸载的平台。除此之外，对于三种选择都不满足延迟条件的用户，选择计算时间最小的平台进行计算。

在本发明中，我们研究了在多接入环境中的成本最小化问题。首先我们提出了一个结合本地计算，基站附近的部署的mec服务器和核心网的联合计算卸载任务的架构。为了在满足用户延迟要求的条件下最小化用户的总成本消耗，我们提出了jpco算法，先是将用户按照优先级的不同分配给他们不同传输条件的信道；然后在考虑延迟要求和无线信道数目的情况下，选择总成本消耗最小的平台作为卸载的目标。除此之外，我们还将移动设备的剩余电量的影响体现在卸载决策中。从性能上看，jpco算法不管是在总成本消耗，还是计算时间消耗上都比本地计算和无优先级联合计算的方案有很大的下降。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。