1.一种D2D辅助MEC系统中基于博弈论的联合优化方法,其特征在于,所述联合优化方法具体步骤如下:S101:在D2D辅助移动边缘计算系统中,构建包含任务设备、资源设备、边缘服务器和云服务器的系统模型,并初始化任务设备计算能力、任务数据量大小以及边缘服务器计算能力系统参数;
构建D2D辅助移动边缘计算系统中计算卸载与资源分配模型的具体步骤如下:S1011:在系统模型中,首先选择一个准静态网络场景,即用户的位置在计算卸载期间保持不变;其次,设置任务设备的计算密集型任务分成两部分进行处理;因此将系统模型分为D2D卸载模式、MEC卸载模式以及云卸载模式;
S1012:对于D2D卸载模式,任务设备将执行的任务部分卸载到空闲的D2D设备执行,而余下部分留在本地执行;对于MEC卸载模式,任务设备将执行的任务部分卸载到边缘服务器执行,而余下部分留在本地执行;对于云卸载模式,任务设备将执行的任务部分卸载到云服务器执行,而余下部分留在本地执行;
S1013:设边缘服务器的CPU总资源为;接入任务设备TD集合为,并且每个任务设备都有一个需要执行的时延敏感型任务,其中是任务数据大小,以字节为单位;是计算任务一位所需的计算资源,以周期/位为单位,为的计算能力,单位为CPU频率/每秒CPU周期;
S1014:定义为任务设备可选择的卸载模式;定义模式选择因子为;定义为卸载任务的比例;
S102:根据S101构建的系统模型,得到D2D卸载模式、MEC卸载模式以及云卸载模式下时延的计算方法,并且以最小化系统内任务设备总时延为目标,建立特定的优化问题;
S103:根据S102中建立的优化问题,将卸载模式选择构建为一个势博弈过程,并在每次迭代中更新一个任务设备的卸载模式;
将卸载模式选择构建为一个势博弈过程的具体步骤如下:对于系统中每一个,当已经给定其他TD的卸载方式时,会以自身时延最小为目标来选择一种最优的卸载模式,该卸载模式选择问题表示为;由于系统内的任务设备之间存在竞争关系,将卸载模式选择构建为一个博弈,表示博弈的参与者,即系统内全部的任务设备;为的策略空间,即卸载模式;表示参与者的时延函数;
S104:根据S103得到的卸载模式,针对选择D2D卸载模式和云卸载模式的任务设备,通过凸优化得到任务卸载比例;针对选择MEC卸载模式的任务设备,首先通过凸优化得到任务卸载比例的表达式,然后将其带入优化问题,再通过拉格朗日乘子法求得计算资源分配的数值,最后将得到的数值代入任务卸载比例表达式求得任务卸载比例;
S105:重复迭代执行S103和S104至收敛或者最大迭代次数,求出最佳卸载模式、最佳计算资源分配以及最佳卸载比例分配。
2.根据权利要求1所述的D2D辅助MEC系统中基于博弈论的联合优化方法,其特征在于,在S102中,各个卸载模式下时延的计算方法与优化问题建立的具体步骤如下:S1021:针对上行链路使用OFDMA方案并且忽略链路间的干扰,因此D2D链路和蜂窝链路的上行传输速率分别为和;
其中:为的发射功率,和分别为D2D链路和蜂窝链路的上行带宽,和分别为与资源设备和边缘服务器之间的信道增益;
根据,本地处理时延表示为;
S1022:当任务设备选择D2D卸载模式时,,部分任务的卸载时延和资源设备处理时延分别为和,由于是部分卸载,部分任务通过上行D2D链路卸载至资源设备并在资源设备处理的同时任务设备也在本地处理余下任务,所以D2D卸载模式下的时延为;
S1023:当任务设备选择MEC卸载模式时,,部分任务的卸载时延和边缘服务器处理时延分别为和;
其中:是边缘服务器分配给上卸载任务的计算能力;
同样由于是部分卸载,所以MEC卸载模式下的时延为;
S1024:当任务设备选择云卸载模式时,,云卸载过程分为两个阶段,分别是接入阶段与回程阶段,接入阶段的传输时延为;
选择部分任务通过核心网传输至云服务器并在云服务器进行处理的时延为常数,用表示;同样由于是部分卸载,所以云卸载模式下的时延为;
S1025:优化问题表示为:
;
。
3.根据权利要求2所述的D2D辅助MEC系统中基于博弈论的联合优化方法,其特征在于,在S1024中,接入阶段是指部分任务通过蜂窝上行链路传输至边缘服务,回程阶段是指部分任务在边缘服务器通过光纤回程链路中继到云服务器。
4.根据权利要求2所述的D2D辅助MEC系统中基于博弈论的联合优化方法,其特征在于,在S104中,计算资源分配与卸载比例分配的具体步骤如下:S1041针对选择D2D卸载模式的任务设备,优化问题表示如下:;
;
通过凸优化得到D2D卸载模式下最佳卸载比例为;
S1042针对选择云卸载模式的任务设备,优化问题表示为:;
;
通过凸优化得到云卸载模式下最佳卸载比例为;
S1043针对选择MEC卸载模式的任务设备,优化问题表示为:,其次将其代入优化问题,将原优化问题改写为:
;
。
5.根据权利要求4所述的D2D辅助MEC系统中基于博弈论的联合优化方法,其特征在于,在步骤S1043中,构建拉格朗日函数:;
并且通过KKT条件迭代得到的最佳计算资源分配,最后将代入最佳卸载比例表达式中求解得到MEC卸载模式下的最佳卸载比例。