1.移动边缘计算中面向低时延高可靠业务的资源分配方法,其特征在于:该方法为:在多MEC多用户环境下,分别刻画用户任务队列模型和MEC任务队列模型,并以任务队列上溢概率为约束,建立移动服务提供商网络效用最大化的理论模型,对功率资源、带宽资源和计算资源进行联合分配;其次,考虑到优化模型中约束条件包含任务队列溢出概率的极限约束,利用Markov不等式对其进行转化,通过Lyapunov优化理论将时间平均的随机优化问题转化并分解成单时隙求解的三个子问题,包括用户的计算资源分配、带宽与功率分配以及MEC的计算资源分配问题;最后,分别对三个子问题求解,其中针对用户带宽与功率分配问题求解时,需要联合考虑两个资源变量,采用迭代方法和拉格朗日方法相结合的方法求解;
所述用户任务队列模型为:
Qi(t+1)=max{Qi(t)+Ai(t)‑D∑,i(t),0}其中,Qi(t+1)为用户i在t+1时刻的队列长度,Qi(t)为用户i在t时刻的队列长度,Ai(t)为用户在t时刻到达的任务量,D∑,i(t)为t时刻用户i本地处理和卸载到MEC上任务的总任务量;
所述MEC任务模型为:
Xji(t+1)=max{Xji(t)+Aji(t)‑Dji(t),0}其中,Xji(t+1)为MEC服务器j中用户i在t+1时刻的队列长度,Xji(t)为MEC服务器j中用户i在t时刻的队列长度,Aji(t)=min{Qi(t)+Ai(t)‑Dl,i(t),Do,i(t)}表示t时刻队列的实际到达用户i卸载到MEC服务器j的计算任务,Dl,i(t)表示用户i本地处理的任务,Do,i(t)为用户i在t时刻理论卸载的任务量,Dji(t)表示MEC服务器j处理用户i的计算任务量,Li表示执行用户i每比特计算任务所需要的CPU周期;
所述队列上溢概率为: 和 其中 和 分别为用户i的队列阈值和MEC服务器j中用户i的队列阈值,εi和εji表示队列的溢出容忍阈值;
系统时间平均吞吐量为所有用户本地处理和卸载到MEC上任务的总任务量在时间上的平均;用户时间平均功耗为所有用户在本地处理计算任务消耗的功率以及卸载任务的传输功率在时间上的平均;MEC时间平均功耗为所有MEC服务器在处理计算任务所消耗的功率在时间上的平均;
所述移动服务提供商的网络效用函数即为时间平均吞吐量的收益与用户平均功耗和MEC平均功耗的成本相减所得到的函数;
构建移动服务提供商的网络效用函数具体步骤如下:第一阶段:对用户i在t时刻系统处理的任务总量在时间取平均,从而得到Di即系统时间平均吞吐量;其次对用户i在时刻t用户本地处理任务所消耗的功率在时间上取平均,得到pi,comp即为用户时间平均计算功耗,对用户i的在时刻t的传输功率在时间上取平均得到用户卸载任务的时间平均传输功耗pi,tran;最后,用同样的方法定义MEC时间平均功耗pj,comp;
第二阶段:利用第一阶段所得到的四个值,对系统效用函数进行定义T表示系统网络运行时间;
所述M表示用户的集合;
所述S表示MEC服务器的集合;
所述αi,β,γ均为非负系数,其中,αi表示用户i计算任务的单位收益,β和γ分别为用户和MEC所消耗功率的单位成本;
第三阶段:对构建网络效用过程中,对资源分配变量、资源总量、MEC服务器CPU核的限制以及队列上溢概率等,作为网络效用函数的约束条件,最终得到移动服务提供商的效用函数;
所述利用Markov不等式对其进行转化后,通过Lyapunov的优化方法将问题转化为单时隙上Lyapunov偏移加罚的上界即单时隙Lyapunov偏移与时隙系统效用函数加权差,从而最小化Lyapunov偏移加罚上界得到资源调度方案;
定义李雅普诺夫函数和单时隙李雅普诺夫偏移,通过单时隙李雅普诺夫偏移与系统效用函数的加权差,得到李雅普诺夫偏移加罚:所述ΔL(Θ(t))表示单时隙李雅普诺夫偏移;
所述Θ(t)表示时隙t系统的队列状态向量即Θ(t)=[Yi(t);Zji(t)],其中Yi(t)表示为满足转化后期望的约束条件,引入用户i的虚拟队列,Zji(t)表示为满足转化后期望的约束条件,引入MEC服务器j中用户i的虚拟队列;
所述Di表示系统时间平均吞吐量;
所述pi,comp表示用户时间平均计算功耗;
所述pi,tran表示用户i的在时刻t的传输功率在时间上取平均得到用户卸载任务的时间平均传输功耗;
所述pj,comp MEC时间平均功耗;
所述αi表示用户i计算任务的单位收益,β和γ分别表示用户和MEC所消耗功率的单位成本;
所述V是权衡偏移与罚函数的控制参数;
所述Lyapunov偏移加罚上界中包含三个子问题,分别为用户的本地计算资源分配问题P1、功率与带宽分配优化问题P2、MEC计算资源分配问题P3;由于P1是一个凸优化问题,得到本地计算资源的最优解;问题P2中联合考虑两个变量,采用迭代方法对其进行求解;问题P3是一个非凸优化问题,对其设计MEC计算资源分配算法求解;
三个子问题分别为:
1)用户的本地计算资源分配问题:P1:
所述fi表示用户计算资源分配变量;
所述κ表示与芯片结构相关的有效系数;
所述Yi(t)表示用户i的虚拟队列;
所述τ表示时隙的长度;
2)用户功率与带宽分配优化问题:P2:
所述p和ξ分别表示用户功率资源分配变量和用户带宽资源分配变量;
所述pij(t)表示用户i到MEC服务器j传输功率;
所述Xji(t)为MEC服务器j中用户i在t时刻的队列长度;
所述Zji(t)为MEC服务器j中用户i的虚拟队列;
3)MEC计算资源分配问题:
P3:
所述fji(t)表示MEC服务器j分配给用户i的计算资源;
在每个调度的时隙,为用户任务分配计算资源、功率资源以及带宽资源,并更新队列,具体步骤为:
1)初始化用户队列、MEC队列以及虚拟队列;时间因子、李雅普诺夫惩罚因子、队列上溢概率以及终止条件;
2)通过求解问题P1得到用户计算资源分配;
3)给定带宽分配方案,初步得到用户功率分配方案;
4)基于用户功率分配方案,利用拉格朗日方法得到带宽分配方案;
5)将步骤3)和步骤4)的结果代入问题P2中,与上次迭代相比,若两者的绝对差小于终止条件,则得到最终的用户功率分配方案和带宽分配方案,否则,重复步骤2)~5),直到满足终止条件;
6)通过求解问题P3得到MEC计算资源分配方案;
7)输出当前时隙的资源分配方案;
8)更新队列,开始下一时隙的资源分配。
2.根据权利要求1所述的移动边缘计算中面向低时延高可靠业务的资源分配方法,其特征在于:
所述低时延高可靠业务是针对5G的超高可靠低时延通信中的用户业务,包括增强/虚拟现实AR/VR、工业控制和自动驾驶,对时延进和可靠性有着较高的要求,同时URLLC是移动通信行业切入垂直行业的一个突破口;
所述多MEC多用户环境是考虑实际的移动边缘计算环境,有多个MEC服务器,多个用户随机分布在网络中,根据当前位置、信道状态或者MEC服务器的负载情况选择将计算任务卸载到服务器中进行处理。
3.根据权利要求1所述的移动边缘计算中面向低时延高可靠业务的资源分配方法,其特征在于:
所述用户任务队列模型是在每个用户都有一个缓存队列,存储到达但未处理的计算任务,且在每个时隙用户的计算任务到达过程是独立同分布的;所述MEC任务模型即在每个MEC服务器中有多个缓存队列,用来存储不同用户所卸载但尚未由MEC服务器处理的计算任务;
所述任务队列上溢概率是系统为了刻画业务请求与所分配的资源的匹配程度,给任务队列长度施加概率约束;若系统中处理任务、传输任务速率能力不足时,队列将溢出,导致业务的可靠性降低且根据Little定理队列长度与等待时延成正比,为了满足低时延高可靠业务的需求,定义任务队列上溢概率。
4.根据权利要求1所述的移动边缘计算中面向低时延高可靠业务的资源分配方法,其特征在于:
所述移动服务提供商是互联网内容应用服务的直接提供者,负责根据用户的要求开发和提供适合用户使用的服务,由于日益增长的业务需求,移动服务提供商的能耗急剧上升,严重影响了移动服务提供商的收益;所述移动服务提供商的网络效用是以系统时间平均吞吐量作为收益,以用户和MEC的时间平均功耗作为成本,两者作差从而得到的网络效用函数即移动服务提供商的网络效用函数;
所述Markov不等式是所给出的随机变量的函数大于等于某个值的概率上界,用于估计尾部事件的概率上界,其将概率关联到数学期望,从而对约束问题—任务队列上溢概率进行转化处理;
所述Lyapunov优化理论用于保证系统稳定性,将Lyapunov的偏移与系统的优化目标联系起来,通过控制参数V,来权衡系统队列与优化目标之间的关系;利用Lyapunov优化理论针对不同时隙下的耦合问题,转化为单时隙上的优化问题。