欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 201910337470X
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于边‑端协同的多用户多MEC任务卸载资源调度方法,其特征在于:包括如下步骤:步骤1,任务分析:分析任务完成时延,确定任务完成效益;

所述步骤1中,效益由两方面因素决定:任务自身属性产生的期望收益值,任务处理过程中产生的时延损失;所述步骤1的具体步骤为:步骤11,考虑在K个时刻内,所有用户在时刻t时有I个任务需要本地执行或卸载至MEC处理,其中,MEC的集合J={1,2,3,…,j…,J},任务的集合为表示第i个任务,i=1,2,3,…,I;采用任务模型来描述任务mi大小:Di(t),即任务mi的数据包大小;任务mi需处理的工作量为Di(t)Xi,其中Xi表示处理1bit数据量所需的CPU周期;设定MEC j拥有的频谱带宽为Bj(t),有Nj(t)个子载波,每个子载波带宽为 根据香农公式,子载波n上任务mi的数据传输速率为任务mi的总数据传输速率为其中,Nj(t)表示子载波数,πi,n(t)是信道分配指示符,当πi,n(t)=1时,表示子载波n分配给任务mi进行卸载;当πi,n(t)=0时,表示子载波n未分配给任务mi进行卸载;pi表示任务mi所在终端的发射功率;hn,j表示用户子载波n的信道增益,设定任务卸载期间用户的移动2

性不高,所以hn,j=127+logdi,j,di,j表示任务mi所在用户终端与MEC j的距离;σ是信道噪声功率;任务mi卸载至MEC j的传输延迟为步骤12,用户将任务留在本地处理时,时延只包含任务处理时间;考虑移动用户终端uil的CPU处理能力为fi,则本地执行时延为

步骤13,将任务卸载至MEC服务器执行时延由以下三部分组成:a、任务卸载传输时间,b、当有海量任务需要卸载至边缘云处理时,超过MEC服务器负载,任务可能需要在各MEC服务器排队等待,即排队等待时间,c、任务处理时间;

其中,卸载传输时间为 排队等待时间为 设定MEC j的CPU处理能力为 任务mi的处理时间为 因此,任务mi卸载至MEC服务器j处执行的总时延是

步骤14,对于任意一个MEC服务器来说,任务的到达过程被建模为伯努利过程,设定MEC服务器j的任务到达率为λj;在队列中等待的任务数量假设为队列状态:Qj(t)={0,1,2,

3,…},MEC j的队列Qj(t)更新公式是

Qj(t+1)=Qj(t)‑Vj(t)+Aj(t)其中,Vj(t)表示MEC j处任务的处理速度,即在时刻t长度为1的时间内处理完成了Vj(t)个任务;Aj(t)表示在时刻t任务是否到达,Aj(t)∈{0,1};因此,有Pr{Aj(t)=1}=λj且Pr{Aj(t)=0}=1‑λj;基于利特尔法则,考虑K个时刻内,包括排队等待时延和处理时延在内的执行延迟与任务缓冲区的平均队列长度成正比,平均队列长度如下式表示:步骤15,设ui表示任务mi在根据其优先级制定的期望收益,L(Ti)表示任务mi在时间Ti内完成所付出的时延损失;

其中,C为比例系数,根据系统对时延的敏感度来确定,C越大,表示由时延造成的时延损失越大;ρi为损耗对时延的容忍度,当时延小于容忍度时,时延对用户满意度不会造成影响,即不会损耗用户的收益,当时延大于ρi,时延对用户满意度造成了影响,相应的产生了时延损耗;

步骤2,问题形成:以最大化任务完成总效益为目标形成优化问题;

所述步骤2中,引入用户效益值作为衡量系统性能的指标,以最大化一段时间内的用户侧任务完成总效益为目标建立优化问题;具体步骤为:步骤21,任务mi卸载至MEC处理产生的收益为

其中,ui表示任务mi在根据其优先级制定的期望收益,L(Ti,j(t))是任务mi卸载至MEC处理产生的时延损失;

步骤22,任务mi在本地执行产生的收益

步骤23,通过联合优化子载波分配符πi,n(t)、任务分配符si,j(t),得到以最大化一段时间内的用户侧任务完成总收益为目标的优化问题:P1

其中,C1确保一个任务只能选择在本地处理或卸载至一个MEC服务器执行;C2确保si,j(t)是二元变量;C3确保πi,n(t)是二元变量;C4确保一个子载波最多只能分配给一个用户;

max

C5确保基站为用户分配的发射功率不超过基站的最大发射功率,p 是基站的最大发射功率;C6确保卸载传输能量不超过任务mi所在移动终端设备剩余能量 C7确保任务执行时延满足最大时延要求 由于优化问题P1的目标函数中每个任务的期望效益ui是固定的,不随时间t而变化,时延损失函数L(·)是线性函数,因此得到简化的优化问题P2:P2

步骤3,保证稳态:保证任务积压队列的稳定性以简化问题;

所述步骤3中,保证各MEC服务器任务积压队列的稳定性,基于李雅普诺夫理论将问题简化为求解稳态条件下的最优任务卸载资源调度策略,具体步骤为:步骤31,设各个队列的任务到达状态为伯努利过程,令Θ(t)=(Q1(t),Q2(t),…,Qj(t),…,QJ(t))表示队列状态,Θ(t)根据任务到达率λj在时隙t∈{0,1,2,...}上演化;定义二次李雅普诺夫函数:ωj表示权重集合,不同的权重会导致不同队列在任务调度策略中所处的地位不同,设所有的ωj都为1;显然,该李雅普诺夫函数是非负的,当且仅当所有Θj(t)为0时,L(Θ(t))等于0;

步骤32,为了预测各个队列状态的变化,定义一个时刻间的二次李雅普诺夫函数的差值的均值为李雅普诺夫漂移函数Δ(Θ(t)):其中,表示二次李雅普诺夫函数的差值的均值;

这种漂移是李雅普诺夫函数在一个时刻上的预期变化;

步骤33,每个时刻t,观察当前的Θ(t)值并采取控制动作,根据一致的Θ(t),贪婪的最小化式漂移加惩罚函数期望:步骤34,确定时延敏感参数v0,设v0=1,优化问题P2化简为:P3

步骤4,信道分配:给定任务卸载分配策略确定最优的信道分配;

所述步骤4中,设任务卸载分配策略给定的情况下,将优化问题P3转化为信道资源分配问题,并利用KKT条件求解最优的信道分配;具体步骤为:步骤41,设给定任务卸载分配策略S′i,j(t),优化问题P3是一个关于Ri,j(t)的凸问题,假设有l个任务卸载至MEC处理,即Si,j(t)=1的个数为l,优化目标函数转化为如下式所示:f(Rij(t),S′ij(t))是关于Rij(t)的函数;

步骤42,由于f(Ri,j(t),S′i,j(t))是凸函数,且所有约束条件均为线性函数,所以最优化问题是凸优化问题,根据KKT条件,可获得关于Ri,j(t)的最优解步骤43,构造优化问题的拉格朗日函数,如下所示:

其中,μi,j是各个约束条件的待定系数;

如果Ri,j(t)和μi,j在任意点都满足KKT条件,得到:通过求解上式,得到最优Ri,j(t):

由此可得固定任务卸载分配策略S′i,j(t)的最优解:步骤5,任务调度:给定信道资源分配策略确定最优的任务调度;

所述步骤5中,设给定信道资源分配策略,优化问题P3转化为0‑1整数规划问题;具体步骤为:步骤51,设给定信道资源分配策略,优化问题P3转化为0‑1整数规划问题,如下所示:P4

步骤52,每个时刻t以最小化所有任务处理总时延为目标求解出任务分配策略S(t),即*求解出各个任务对应的最佳MEC服务器,并得到各个任务卸载至最佳MEC j服务器处理的时延步骤53,计算任务留在本地处理的时延Ti(t),将卸载至MEC处理的时延 与(Ti(t)+*δ)比较,δ是时延容忍度,若 任务则在MEC j处理,反之在本地处理,更新任务分配策略S(t);

步骤6,联合优化:联合步骤4和5得到最优的信道分配和任务调度。

2.根据权利要求1所述的基于边‑端协同的多用户多MEC任务卸载资源调度方法,其特征在于:所述步骤6的具体步骤为:步骤61,根据步骤4得到固定任务卸载分配下的最优信道资源分配;

步骤62,根据步骤5得到固定信道下的最优任务卸载分配策略;

步骤63,重复步骤61和62直至得到最优的信道分配和任务调度策略。