系统收益最大化的无线体域网资源分配与任务卸载算法的制作方法

本发明属于无线通信技术领域，涉及系统收益最大化的无线体域网资源分配与任务卸载算法。

背景技术：

无线体域网(wirelessbodyareanetwork,wban)是一种以人体为中心，由一个中心节点和若干依附于或植入于人体的传感器节点组成的无线网络,用于实时监控人体的多种生理数据，可有效缓解医疗资源短缺和医疗形势不平衡带来的医疗问题，促进电子医疗的发展。但是，受限于wban的有限的电池容量和数据处理能力，如何为用户提供续航时间长，数据可靠性高并且支持个性化定制的服务，是现在wban相关研究面临的一个挑战。

与此同时，移动/多接入边缘计算(mobile/multi-accessedgecomputing,mec)成为了现在的一个研究热点。mec旨在缓解集中式云计算能力无法与物联网时代海量边缘数据爆炸式增长相匹配的问题，通过将部分高计算密度的计算任务从本地计算机(手机，平板电脑或物联网设备)，卸载至计算资源丰富且物理位置上更靠近移动用户的边缘服务器上执行,降低执行时延和能量损耗，从而提高移动设备的续航时间、数据处理能力和用户的使用体验。

大多数现有的计算卸载策略都是以单一降低移动设备的处理时延或能耗为目标，少数用于均衡时延和能耗的卸载决策制定算法也只是考虑如何优化移动设备的任务处理模式，很少有算法将用户设备和提供计算资源的服务器当做一个整体进行研究，这往往会导致在满足了移动设备对于时延与能耗的需求后，会对服务器以及当前环境中的无线信道产生较大的压力。当用户达到一定数量之后，对于系统整体的影响会更加明显。

其次，对于无线体域网的研究更多集中在如何优化网内信息传输，而没有考虑无线体域网的计算能力和电池容量有限，无法实时处理来自传感器节点的大量生理数据，从而会影响到处理结果的有效性，降低用户体验。

技术实现要素：

为解决上述技术问题，本发明的目的是提供系统收益最大化的无线体域网资源分配与任务卸载算法，使用讨价还价博弈模型，将边缘服务器和无线体域网作为一个整体系统考虑，以优化执行时延和系统能耗为目标，提高无线体域网数据处理的时效性和可靠性。

本发明提供的系统收益最大化的无线体域网资源分配与任务卸载算法，包括：

步骤1：无线体域网在某一时刻根据ieee802.15.6的无线体域网优先级规范生成多个不同优先级及数据量的任务，每一个任务根据自身的优先级和数据量计算其价值；

步骤2：任务可选择本地处理或者卸载到边缘服务器处理；

步骤3：根据无线体域网本地处理任务的时延和能耗与卸载处理任务的时延和能耗，计算无线体域网处理任务的总时延和总能耗；

步骤4：通过单位时间成本与单位能耗成本将无线体域网处理某任务的总时延与总能耗分别量化为时间成本与能耗成本，引入时延因子与能耗因子表示时间成本与能耗成本占比，并确定处理该任务的总成本；

步骤5：无线体域网卸载的任务租用边缘服务器资源需要支付一定的费用，交易双方通过完全信息的双边叫价拍卖博弈对租用资源量及费用进行确定，分别得到无线体域网以及边缘服务器的收益；

步骤6：根据任务的价值、处理任务的成本与卸载任务的费用分别得到无线体域网和边缘服务器的总收益，进而转化为求解系统收益最大化问题；

步骤7：采用双层优化思想将原系统收益最大化问题分解为两个嵌入式问题，一是涉及无线体域网及边缘服务器计算资源和卸载任务过程中网络通信资源的分配问题，二是求解最优任务卸载决策问题；

步骤8：采用拉格朗日乘子算法对边缘服务器及无线体域网的计算资源和通信资源的分配问题进行求解，其中拉格朗日乘子通过次梯度迭代方法进行迭代求解；

步骤9：对于卸载决策问题，将资源分配问题中求得的关于卸载决策变量的最优资源分配结果代入原系统收益最大化问题公式中得到一个仅关于任务卸载决策的0-1整形规划问题，之后借助遗传算法对该问题进行求解，得到任务的最优卸载决策。

本发明的系统收益最大化的无线体域网资源分配与任务卸载算法，至少具有如下有益效果：

1、本发明将卸载决策技术运用在无线体域网中，将部分计算任务卸载至边缘服务器上执行，缓解了对无线体域网中心节点的计算压力，缓解了因无线体域网硬件资源的限制而造成的数据处理的高时延低效率问题，提高数据处理速度和精确度。

2、本发明创新地将讨价还价博弈模型与计算卸载算法相结合，将无线体域网和边缘服务器作为整体系统进行优化，避免了满足用户需求却产生大量系统开销的状况。

3、本发明采用了两层迭代算法，遗传算法和拉格朗日算子法结合使用，可以在较短的时间内求解出最优卸载策略和资源分配策略。

附图说明

图1是本发明的系统收益最大化的无线体域网资源分配与任务卸载算法的流程图。

具体实施方式

如图1所示，本发明的系统收益最大化的无线体域网资源分配与任务卸载算法，包括：

步骤1：无线体域网在某一时刻生成多个不同优先级及数据量的任务，每一个任务根据自身的优先级和数据量计算其价值；所述步骤1具体为：

无线体域网在某一时刻生成ν个不同优先级及数据量的任务该任务的价值，即交付收益报酬可表示如下：

rn＝r×(1+kn)²×log2(1+dn)

其中，rn表示任务的价值，r表示单位任务价值常量，dn表示该任务的数据量，kn表示其优先级且遵循ieee802.15.6的无线体域网优先级规范。

步骤2：任务如果可以在本地处理则直接本地处理，否则卸载到边缘服务器处理，所述步骤2具体为：

根据当前场景中资源受限情况和任务属性，无线体域网对某一任务可选择本地处理或卸载到边缘服务器处理，引入un∈{0,1}表示无线体域网内第n个任务的卸载决策，当un＝0时表示该任务在本地执行，un＝1则表示该任务卸载到边缘服务器执行。

步骤3：根据无线体域网本地处理任务的时延和能耗与卸载处理任务的时延和能耗，计算无线体域网处理任务的总时延和总能耗，所述步骤3根据下式计算：

其中，tn为无线体域网处理任务的总时延，en为无线体域网处理任务的总能耗，un表示无线体域网内第n个任务的卸载决策，分别表示本地处理任务的时延与能耗，分别表示卸载处理任务的时延与能耗。

步骤4：通过单位时间成本与单位能耗成本将无线体域网处理某任务的总时延与总能耗分别量化为时间成本与能耗成本，引入时延因子与能耗因子表示时间成本与能耗成本占比，并确定处理该任务的总成本，所述步骤4中通过下式表示处理该任务的总成本：

上式中，通过单位时间成本和单位能耗成本将无线体域网处理某一任务的总时延和总能耗量化为时间成本与能耗成本，同时通过设定时延因子和能耗因子表示两者在总成本的占比，进而确定处理该任务的总成本cn；

同时某个任务的总成本还可通过卸载决策un与本地处理该任务的成本和卸载处理该任务的成本来表示：

其中本地成本对应本地处理的时延与能耗，可表示为：

卸载成本对应卸载处理的时延与能耗，可表示为：

步骤5：无线体域网卸载的任务租用边缘服务器资源需要支付一定的费用，交易双方通过完全信息的双边叫价拍卖博弈对租用资源量及费用进行确定，分别得到无线体域网以及边缘服务器的收益，所述步骤5具体为：

步骤5.1：通过计算边缘服务器处理卸载任务的时延与能耗得到边缘服务器处理该任务的成本：

其中，表示边缘服务器处理无线体域网卸载到服务器上的任务所消耗的成本，表示服务器处理该任务的时间，表示处理该任务的能耗，分别表示所对应的时间成本与能耗成本，其对应的时间因子与能耗因子；

通过交易盈亏确定买卖双方物品价值估价：

其中，为无线体域网的价值估价，为边缘服务器的价值估价，为无线体域网处理卸载到服务器的任务所消耗的成本。

步骤5.2：通过无线体域网卸载该任务的收益与边缘服务器处理该卸载任务的成本得到交易双方的估价，并由此双方进行叫价：

其中，为无线体域网的叫价，δ^wban为无线体域网叫价的抖动参数，为边缘服务器的叫价，δ^mec边缘服务器叫价的抖动参数；

最终确定某个卸载处理的任务可定价pn为如下：

步骤5.3：分别得到无线体域网以及边缘服务器的收益：

其中，u^wban为无线体域网的收益，u^mec为边缘服务器的收益。

步骤6：根据任务的价值、处理任务的成本与卸载任务的费用分别得到无线体域网和边缘服务器的总收益，进而转化为求解系统收益最大化问题，所述步骤6具体为：

通过线性加权法对两者收益进行整合，引入参数w0、w1，w0代表无线体域网的收益权重，w1代表边缘服务器的收益权重，并由此将原本无线体域网资源分配与任务卸载决策的问题转化为求解系统收益最大化问题

其中，u表示任务的卸载策略集合；f^loc表示本地资源分配集合f^wban表示本地可分配计算资源；b表示网络通信资源分配集合，b表示可分配网络通信资源；p表示卸载业务的费用集合f^ser表示服务器资源分配集合f^mec表示可分配服务器计算资源；τn表示任务最大完成截至时间。

步骤7：采用双层优化思想将原系统收益最大化问题分解为两个嵌入式问题，一是涉及无线体域网及边缘服务器计算资源和卸载任务过程中网络通信资源的分配问题，二是求解最优任务卸载决策问题；

步骤8：采用拉格朗日乘子算法对边缘服务器及无线体域网的计算资源和通信资源的分配问题进行求解，其中拉格朗日乘子通过次梯度迭代方法进行迭代求解；所述步骤8具体为：

步骤8.1：首先固定卸载决策u，然后采用拉格朗日乘子算法，构建拉格朗日函数其中α、β、γ和分别表示拉格朗日乘子：

对于资源分配结果中的拉格朗日乘子α、β、γ和采用次梯度迭代法进行求解：

其中，s^α,s^β,s^γ，s^θ表示迭代步长。

步骤8.2：基于拉格朗日条件：

求解拉格朗日函数可得到最优本地计算资源分配策略(f^loc)^*(u)，服务器计算资源分配策略(f^ser)^*(u)，及通信资源分配策略b^*(u)。

步骤9：对于卸载决策问题，将资源分配问题中求得的关于卸载决策变量的最优资源分配结果代入原系统收益最大化问题公式中得到一个仅关于任务卸载决策的0-1整形规划问题，之后借助遗传算法对该问题进行求解，得到任务的最优卸载决策，所述步骤9具体为：

步骤9.1：代入第一个问题的资源分配结果并得到仅关于卸载决策变量u的任务卸载决策问题其中表示卸载决策u的可行域：

步骤9.2：通过分析可知该问题是一个0-1整型规划问题，借助遗传算法对其进行求解，便可求得最优卸载决策u^*：

本发明将提供计算资源的边缘服务器作为模型中的资源卖家，而分布在边缘服务器服务范围内的无线体域网作为资源买方，双方针对于cpu资源和无线信道资源，按照自私性行为模式，以最大化自身利益为目标进行讨价还价，最终得出整体系统最优的资源分配方案和任务卸载方案。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。