一种移动边缘计算成本效益优化方法、系统及应用

1.本发明属于通信技术领域，尤其涉及一种移动边缘计算成本效益优化方法、系统及应用。


背景技术：

2.目前，移动边缘计算(mec)被认为是通过将计算任务卸载到服务器上来降低用户成本的有效可行的技术。非正交多址(noma)允许多个用户共享相同的资源，例如频道和时隙，并且可以有效地提高频谱效率。
3.目前，用户聚类和资源分配优化是基于noma的mec系统的重要因素，用户能耗最小化是优化的最一般目标。大量的文献仅考虑了用户分簇、资源分配和功率控制问题，而没有考虑任务卸载决策的优化，这在大多数物联网场景中是不合理的。此外，也没有考虑当物联网设备的数量太大时，本地和mec服务器负担不起的情况。因此，在基于noma的mec系统中加入云中心是必要的。
4.通过上述分析，现有技术存在的问题及缺陷为：现有文献没有考虑到任务卸载决策的优化，以及也没有考虑到当物联网设备的数量太大时，本地和mec服务器负担不起的情况。
5.解决以上问题及缺陷的难度为：以上涉及到优化途径的问题往往都是非凸的，因而难以求解。
6.解决以上问题及缺陷的意义为：本发明考虑了mec服务器和云中心混合的场景，有利于保证用户任务成功处理，并且减小系统总成本。本发明所提出的启发式优化算法复杂度低，有利于应用于实际系统中。


技术实现要素：

7.针对现有技术存在的问题，本发明提供了一种移动边缘计算成本效益优化方法、系统及应用，尤其涉及一种基于非正交多址noma的移动边缘计算成本效益优化方法、系统及应用。
8.本发明是这样实现的，一种移动边缘计算成本效益优化方法，所述移动边缘计算成本效益优化方法包括：
9.用户个数为n，ap个数m，每个ap所能容纳的最大用户数k，本地可行个数和集合分别为n0和本地不可行个数和集合分别为n1和用户任务输入数据量d
n
，用户任务处理密度λ
n
，用户本地处理能力用户任务的最大可容忍时延用户信道增益g
n,m
等参数。
10.根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；判断本地执行是否可行，如果可行，则将用户暂时放入本地可行集合否则，则将用户暂时放入本地不可行集合
11.如果n1＜mk，即本地不可行用户的数量小于mec服务器能够承受的容量，则中的所有用户卸载到mec服务器，并将mk
‑
n1个用户从本地可行集移到mec服务器；否则，一些用户必须卸载到云中心处理，本发明挑选mk个用户卸载到mec处理，剩余的用户将被卸载到云中心。
12.进行mec接入控制、用户分簇和功率控制优化：计算所定义的新参数并找到最大值，将此时对应的用户卸载到对应的mec服务器，即完成分配。依次进行迭代，直到所有用户被分配完。完成后进行功率分配，针对每个mec中的终端用户k，采用处理时延满足最大时延的用户功率；在确定用户k的功率后，用户k
‑
1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配。
13.进行本地计算资源分配和云中心功率控制优化：在本地处理中，使其本地处理时延等于用户任务最大处理时延，即可得到本地计算资源分配。在云中心处理中，采用满足处理时延等于最大时延的发射功率。
14.采用满足处理时延等于最大时延的发射功率。
15.进一步，所述接入控制和用户分簇优化，包括：
16.(1)mec服务器用户个数n
total
，mec服务器个数g1,g2...g
m
，mec服务器集合
17.(2)对于每个用户计算γ
n,m
＝g
n,m
f
m
，记为集合γ＝{γ
n,m
}；
18.(3)判断是否满足n
total
≤mk，如果满足，找到(n
*
,m
*
)＝argmaxγ；如果不满足，执行步骤(5)；
19.(4)判断是否满足如果满足，γ
n
＝{γ
n.m
}＝0，n
total
＝n
total
+1；如果不满足将第m
*
个mec服务器从中去除并设接着执行步骤(3)；
20.(5)算法执行结束，得到接入控制和用户分簇优化策略。
21.进一步，步骤(2)中，信道增益最好的mec服务器会降低数据传输延迟，计算资源最多的服务器会降低任务处理延迟；结合这两个因素，定义一个新的参数γ
n,m
＝g
n,m
f
m
，γ
n,m
越大，用户n越想访问mec服务器m。
22.进一步，所述本地计算资源分配、mec服务器和云中心功率控制优化，包括：
23.(1)初始化参数：用户本地处理能力用户任务的最大可容忍时延用户信道增益g
n,m
，用户本地处理能耗系数α参数等；
24.(2)对于每个用户使其满足得到本地资源分配
25.(3)对于每个用户其功率分配按照每一个mec进行分配，对于第m个mec里的用户，使其最后一个用户满足得到接着倒数第二个用户满足得到以此类推，直到求出第一个用户功率p
1mec
；其余的mec功率分配同上分配；
26.(4)对于每个用户使其满足得到功率分配
27.(5)算法执行结束，得到本地计算资源分配、mec服务器和云中心功率控制策略。
28.其中，在步骤(2)中，取满足的本地资源分配是因为任务处理时延越大，所需的本地计算资源就越少，本地处理能耗就越少；在步骤(3)和步骤(4)中，亦是趋于mec能耗减小和云中心成本减小的方向进行。
29.进一步，所述移动边缘计算成本效益优化方法包括以下步骤：
30.步骤一，初始化参数：用户个数和集合分别为n和ap个数m，每个ap所能容纳的最大用户数k，本地可行集合本地不可行集合本地用户个数和集合分别为n
loc
和mec服务器用户个数和集合分别为n
mec
和云中心用户个数和集合n
cloud
和
31.步骤二，判断每个用户是否满足如果满足，则将用户暂时放入本地可行集合如果不满足，则将用户放在本地不可行集合
32.步骤三，判断是否满足n1＜mk，如果满足，则将中的所有用户卸载到mec服务器，并将mk
‑
n1个用户从本地可行集卸载到mec服务器，记为mec服务器用户集合卸载决策记为y
n
＝1；此时中剩余的用户记为本地用户集合卸载决策记为x
n
＝1；如果不满足，则在中挑选mk个用户卸载到mec处理，记为mec服务器用户集合卸载决策记为y
n
＝1，中剩余的用户将被卸载到云中心，记为云中心用户集合卸载决策记为z
n
＝1，此时中所有用户记为本地用户集合
33.步骤四，算法执行结束，得到用户卸载决策优化策略。
34.进一步，步骤三中，从本地可行集中取mk
‑
n1个用户卸载到mec，所取用户的方法包括：
35.(1)对于每个用户计算
36.(2)定义一个新参数
37.(3)将g
n
升序排列取最后的mk
‑
n1个用户卸载到mec。
38.本发明的另一目的在于提供一种应用所述的移动边缘计算成本效益优化方法的移动边缘计算成本效益优化系统，所述移动边缘计算成本效益优化系统，包括：
39.初始化模块，用于初始化用户个数，ap个数，每个ap所能容纳的最大用户数，本地可行集合，本地不可行集合，本地用户集合，mec服务器用户集合，云中心用户集合，mec服务器集合，用户任务输入数据量，用户任务处理密度，用户本地处理能力，用户任务的最大可容忍时延；
40.卸载决策模块，用于根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；
41.接入控制和用户分簇模块，用于根据用户的喜好选择接入mec服务器来实现接入控制和用户分簇；
42.分配优化模块，用于进行本地计算资源分配优化、mec服务器功率控制优化以及云
中心功率控制优化。
43.本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
44.用户个数和集合分别为n和ap个数m，每个ap所能容纳的最大用户数k，本地可行集合本地不可行集合本地用户个数和集合分别为n
loc
和mec服务器用户个数和集合分别为n
mec
和云中心用户个数和集合n
cloud
和mec服务器集合用户任务输入数据量d
n
，用户任务处理密度λ
n
，用户本地处理能力用户任务的最大可容忍时延用户信道增益g
n,m
，用户本地处理能耗系数α参数。
45.根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；对于每个用户，判断本地执行是否可行，如果可行，则用户暂时放入本地可行集合如果不可行，则用户暂时放入本地不可行集合
46.如果n1＜mk，即本地不可行用户的数量小于mec服务器能够承受的容量，则中的所有用户卸载到mec服务器，并将mk
‑
n1个用户从本地可行集移到mec服务器使mec服务器饱和，此时中剩余的用户任务在本地执行；如果n1＞mk，即一些用户必须卸载到云中心处理，本发明挑选mk个用户卸载到mec处理，剩余的用户将被卸载到云中心，此时中所有用户任务在本地执行。
47.进行mec接入控制和用户分簇优化：根据所定义的新参数，计算mec中所有用户的值，找到最大值所对应的用户和mec服务器，即表示此用户任务想卸载到此mec服务器，判断此mec服务器未是否已满，如果未满，则将此用户卸载到这个mec服务器，并将此用户从中去除，再进行下一次迭代；否则，则将此mec服务器从整个mec服务器集合中去除，进行下一次迭代。
48.进行本地计算资源分配优化：对于每个在本地执行任务的用户，使其本地处理时延等于用户任务最大处理时延，即可得到本地计算资源分配。
49.进行mec服务器功率控制优化：对于卸载任务到mec服务器处理的用户，首先，针对终端用户k，采用处理时延满足最大时延的用户功率；在确定用户k的功率后，用户k
‑
1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配。
50.进行云中心功率控制优化：对于卸载任务到云中心处理的用户，采用满足处理时延等于最大时延的发射功率，即可得到云中心用户功率分配。
51.本发明的另一目的在于提供一种需要大容量、低能耗的物联网场景控制系统，所述需要大容量、低能耗的物联网场景控制系统执行所述的移动边缘计算成本效益优化方法。
52.本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的移动边缘计算成本效益优化系统。
53.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的移
动边缘计算成本效益优化方法，涉及移动边缘计算(mec)和非正交多址接入(noma)集成系统的联合优化。本发明可以在保证用户任务执行时延的前提下，通过协同卸载决策、接入控制和用户分簇、本地计算资源分配和功率控制的联合优化，有效减少系统的成本。其中，卸载决策是为了尽可能使mec服务器的用户数饱和，这样系统的总成本会尽可能减小；其次也是为了保证每个用户的任务能成功处理。
54.本发明基于非正交多址的混合边缘和云计算系统中的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配和功率控制，在保证用户任务处理时延的qos需求的条件下，减小系统总成本。本发明将非正交多址引入移动边缘计算系统中，允许多个用户使用相同的信道同时卸载他们自己的任务，大大提高了计算卸载的性能，并提高了系统容纳的用户数，从而进一步提高系统的频谱效率。另外，本发明考虑当物联网设备的数量太大，本地和mec服务器负担不起时，云中心是非常必要的。因此，在基于noma的混合边缘和云系统，通过联合优化卸载决策、接入控制和用户分簇、本地计算资源分配和发射功率控制，使得本地和mec处理的能耗最小化以及云处理模式的经济成本最小化。最重要的是，本发明能够确保所有用户的任务都得到成功处理。
55.此外，针对本发明所提出的优化问题，设计了两种低复杂度的启发式算法，操作简便，易于实现。本发明将非正交多址引入移动边缘计算中，允许多个用户共享同一信道同时卸载他们自己的任务，大大提高了计算卸载的性能，并增加了系统可容纳的用户数量，从而进一步提高系统的频谱效率。另外，本发明在系统模型中加入了云服务器，有利于缓解本地和mec服务器计算能力不足的情况；所设计的启发式优化算法复杂度低，有利于应用于实际场景中。
附图说明
56.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
57.图1是本发明实施例提供的移动边缘计算成本效益优化方法流程图。
58.图2是本发明实施例提供的移动边缘计算成本效益优化系统结构框图；
59.图中：1、初始化模块；2、卸载决策模块；3、接入控制和用户分簇模块；4、分配优化模块。
60.图3是本发明实施例提供的可应用的一个场景图。
61.图4是本发明实施例提供的卸载决策分配流程图。
62.图5是本发明实施例提供的接入控制和用户分簇流程图。
63.图6是本发明实施例提供的本地计算资源分配、mec和云中心功率分配流程图。
64.图7是本发明实施例提供的将本发明与现有联合用户卸载、用户接入和分簇及资源分配和功率控制方法对不同任务输入数据量的能耗比较图。
65.图8是本发明实施例提供的将本发明与现有联合用户卸载、用户接入和分簇及资源分配和功率控制方法对不同任务输入数据量的能耗比较图。
具体实施方式
66.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
67.针对现有技术存在的问题，本发明提供了一种移动边缘计算成本效益优化方法、系统及应用，下面结合附图对本发明作详细的描述。
68.如图1所示，本发明实施例提供的移动边缘计算成本效益优化方法包括以下步骤：
69.s101，初始化用户个数和集合；
70.s102，根据本地执行的可行性以及用户任务的最大可容忍时延进行卸载决策分配优化；
71.s103，进行mec接入控制和用户分簇优化；
72.s104，进行本地计算资源分配优化；
73.s105，进行mec服务器功率控制优化；
74.s106，进行云中心功率控制优化。
75.如图2所示，本发明实施例提供的移动边缘计算成本效益优化系统包括：
76.初始化模块1，用于初始化用户个数，ap个数，每个ap所能容纳的最大用户数，本地可行集合，本地不可行集合，本地用户集合，mec服务器用户集合，云中心用户集合，mec服务器集合，用户任务输入数据量，用户任务处理密度，用户本地处理能力，用户任务的最大可容忍时延；
77.卸载决策模块2，用于根据本地执行的可行性以及用户任务的最大可容忍时延来进行卸载决策分配优化；
78.接入控制和用户分簇模块3，用于根据用户的喜好选择接入mec服务器来实现接入控制和用户分簇；
79.分配优化模块4，用于进行本地计算资源分配优化、mec服务器功率控制优化以及云中心功率控制优化。
80.本发明提供的基于非正交多址的移动边缘计算的成本效益优化方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的基于非正交多址的移动边缘计算成本效益优化方法仅仅是一个具体实施例而已。
81.下面结合实施例对本发明的技术方案作进一步描述。
82.图3是本发明的方法可应用的一个场景图。系统中m个接入点、n个随机分布的用户和一个远程云中心组成的场景，每个接入点通过有线链路配备一个mec服务器。用户的卸载决策用x
n
表示，其中x
n
＝1表示任务在本地执行，y
n
＝1表示任务卸载到mec服务器执行，z
n
＝1表示任务在云中心执行。每个用户有一个计算密集型任务要卸载到边缘计算服务器上去执行。每个用户的任务可以表示为其中d
n
为输入数据量大小(单位为比特)，λ
n
是处理密度，单位为cpu cycles/bit，表示任务的复杂度，表示任务的处理时延约束。另外c
n
＝d
n
*λ
n
表示的λ
n
的任务量，即处理完该任务需要的cpu cycles。
83.本发明中用户以非正交多址的方式与服务器通信，以尽可能充分使用有限的无线资源，从而容纳更多的用户。所有n个用户被分到m个ap中，每个ap中的所有用户使用相同的
无线资源。可以通过合理的用户分簇、子载波分配方案，保证簇内用户之间信道有一定的差异，配合发送端进行发送功率控制以及接收端的串行干扰消除来实现。此外，由于本地和mec服务器容量有限，为了保证每个任务能够成功处理，也可将任务卸载到云中心进行处理。
84.此外，由于不同任务的参数不同，信道质量不同，当这些任务卸载到本地、边缘服务器或云中心时，将边缘服务器以及云中心的计算资源和功率合理的优化分配，从而在保证每个用户的最低任务处理时延要求的前提下，尽可能减小系统的总成本。
85.如图4所示，本发明采用的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配、mec服务器和云中心功率控制优化方法的卸载决策优化包括以下步骤：
86.步骤一：初始化参数：用户个数和集合分别为n和ap个数m，每个ap所能容纳的最大用户数k，本地可行集合本地不可行集合本地用户个数和集合分别为n
loc
和mec服务器用户个数和集合分别为n
mec
和云中心用户个数和集合n
cloud
和
87.步骤二：判断每个用户是否满足如果满足，则将用户暂时放入本地可行集合如果不满足，则将用户放在本地不可行集合
88.步骤三：判断是否满足n1＜mk，如果满足，则将中的所有用户卸载到mec服务器，并将mk
‑
n1个用户从本地可行集卸载到mec服务器，记为mec服务器用户集合卸载决策记为y
n
＝1；此时中剩余的用户记为本地用户集合卸载决策记为x
n
＝1；如果不满足，则在中挑选mk个用户卸载到mec处理，记为mec服务器用户集合卸载决策记为y
n
＝1，中剩余的用户将被卸载到云中心，记为云中心用户集合卸载决策记为z
n
＝1，此时中所有用户记为本地用户集合
89.步骤四：算法执行结束，得到用户卸载决策优化策略。
90.在步骤三中，从本地可行集中取mk
‑
n1个用户卸载到mec，所取用户的方法包括如下步骤：
91.(1)对于每个用户计算
92.(2)定义一个新参数
93.(3)将g
n
升序排列取最后的mk
‑
n1个用户卸载到mec。
94.步骤三中涉及到的卸载决策是为了尽可能使mec服务器的用户数饱和，这样系统的总成本会尽可能减小；其次也是为了保证每个用户的任务能成功处理。
95.如图5所示，本发明采用的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配、mec服务器和云中心功率控制优化方法的接入控制和用户分簇优化包括以下步骤：
96.步骤一：初始化参数：mec服务器用户个数n
total
，mec服务器个数g1,g2...g
m
，mec服务器集合
97.步骤二：对于每个用户计算γ
n,m
＝g
n,m
f
m
，记为集合γ＝{γ
n,m
}；
98.步骤三：判断是否满足n
total
≤mk，如果满足，找到(n
*
,m
*
)＝argmaxγ；如果不满足，执行步骤五；
99.步骤四：判断是否满足如果满足，γ
n
＝{γ
n.m
}＝0，n
total
＝n
total
+1；如果不满足将第m
*
个mec服务器从中去除并设接着执行步骤三；
100.步骤五：算法执行结束，得到接入控制和用户分簇优化策略。
101.在步骤二中，信道增益最好的mec服务器会降低数据传输延迟，计算资源最多的服务器会降低任务处理延迟。结合这两个因素，本发明定义了一个新的参数γ
n,m
＝g
n,m
f
m
，γ
n,m
越大，用户n越想访问mec服务器m。
102.如图6所示，本发明采用的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配、mec服务器和云中心功率控制优化方法的本地计算资源分配、mec服务器和云中心功率控制优化包括以下步骤：
103.步骤一：初始化参数：用户本地处理能力用户任务的最大可容忍时延用户信道增益g
n,m
，用户本地处理能耗系数α参数等；
104.步骤二：对于每个用户使其满足得到本地资源分配
105.步骤三：对于每个用户其功率分配按照每一个mec进行分配，对于第m个mec里的用户，使其最后一个用户满足得到接着倒数第二个用户满足得到以此类推，直到求出第一个用户功率p
1mec
；其余的mec功率分配同上分配；
106.步骤四：对于每个用户使其满足得到功率分配
107.步骤五：算法执行结束，得到本地计算资源分配、mec服务器和云中心功率控制策略。
108.在步骤二中，取满足的本地资源分配是因为任务处理时延越大，所需的本地计算资源就越少，本地处理能耗就越少；在步骤三和步骤四中，也是趋于mec能耗减小和云中心成本减小的方向进行。
109.本发明提出的基于非正交多址接入的移动边缘计算系统能够解决由于用户设备处理能力不足带来的时延、能耗高的问题，能够缓解由于无线频带资源不足带来的系统容量少的问题。此外，本发明提出的协同优化卸载决策、接入控制和用户分簇、本地计算资源分配、mec服务器和云中心功率控制优化方法，操作简便，而且更具有实时性，更接近真实场景，利于网络优化，系统性能的提高。
110.下面结合实验对本发明的技术效果作详细的描述。
111.如图7、图8所示，本发明(记为proposed)和现有的两个方案进行对比：
112.在random
‑
computing
‑
offloading方案中，用户随机进行卸载，即用户将自己的任务随机卸载到本地或mec服务器或云中心进行处理；另外，使用本发明提出的算法进行本地
计算资源分配、云中心功率控制和mec功率控制。
113.在random
‑
power方案中，每个用户的功率是随机产生的。
114.图7显示了用户访问次数如何影响系统的总成本。随着每个ap中接入用户数量的增加，ap处理任务的能耗也随之增加，系统总成本也随之增加。图7中的三条曲线与本发明的分析一致。但是本发明的算法成本最低。由于本发明的算法在mec和云中心都有功耗优化处理，所以本发明的算法的能耗低于随机功耗算法。同样，本发明的算法也优化了随机卸载和用户接入，所以随着接入点用户的增加，随机卸载算法的能耗比本发明的算法高。
115.图8描绘了本地处理能力是如何影响系统的总成本。随着本地处理能力的增加，可以分配给每个用户的本地计算资源数量增加，本地处理能耗也增加，系统总成本增加。从图中可以看出，所有三条曲线都随着本地处理能力的增加而增加。由于随机卸载算法的本地用户是随机生成的，而本发明的算法是由优化算法生成的本地用户，由于两种不同的卸载方法，随机卸载的总成本高于本发明提出的算法。另外，决定成本的另一个因素是功率。由于本发明算法的功率分配是优化的，而随机功率算法的功率分配是随机的，所以本发明算法的成本低于随机功率算法。
116.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
117.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。