可左右滑动选省市

联合计算和通信资源分配的LEO边缘卸载方法

更新时间:2024-07-13
联合计算和通信资源分配的LEO边缘卸载方法 专利申请类型:发明专利;
地区:黑龙江-哈尔滨;
源自:哈尔滨高价值专利检索信息库;

专利名称:联合计算和通信资源分配的LEO边缘卸载方法

专利类型:发明专利

专利申请号:CN202210545256.5

专利申请(专利权)人:哈尔滨工业大学
权利人地址:黑龙江省哈尔滨市南岗区西大直街92号

专利发明(设计)人:贾敏,张良,吴健,徐媚琳,郭庆

专利摘要:联合计算和通信资源分配的LEO边缘卸载方法,涉及卫星通信及边缘计算技术领域,是为了在卸载策略下优化带宽资源和计算资源的分配问题。联合考虑了通信资源和计算资源对计算卸载的影响。提出一种联合任务卸载和通信计算资源优化算法(JTO‑CCRO),同时考虑上行的带宽资源分配,MEC服务器的计算资源分配和任务卸载策略。本发明适用于通信资源的全覆盖的计算卸载服务场合。

主权利要求:
1.一种联合计算和通信资源分配的LEO边缘卸载方法,其特征是:它包括以下步骤:步骤一,用户设备生成计算任务:用户择一选择本地计算或将所述计算任务卸载到边缘计算卫星计算;
步骤二,基于步骤一的用户选择本地计算或卸载到边缘计算卫星计算的效用函数,并构建整个系统的效用函数;
具体为:构建每个用户的效用函数,再对整个用户集合遍历,构建整个系统的效用函数;
构建每个用户的效用函数的方法具体为:
假设每个用户都有一个计算任务Ti,用户任务选择卸载到边缘计算卫星降低用户花费,对于给定的任务Ti,其卸载策略表示为:其中:D表示所有用户集合,M表示边缘计算卫星集合;
当用户设备选择本地执行计算任务,其时延、能耗以及效用函数分别表示为:l
ci表示的是任务量大小,fi 表示的是本地计算频率,κ是芯片系数, 本地计算的效用函数,β是一个权衡时延和能耗的参数;
当用户设备选择边缘计算卫星执行计算任务,其时延和能耗效用函数表示为:其中:di表示任务的数据量大小, 表示用户i到卫星s的计算资源分配百分比,pi表示用户i的发射功率, 表示用户i到卫星s的传输速率, 表示用户i与卫星s之间的距离,C表示光速,FS表示LEO卫星的计算频率, 表示的是将任务卸载到边缘计算卫星s的效用函数;
构建当前用户i的效用函数为:
构建的整个系统的效用函数为:
s.t.C1:
C2:
C3:
C4:
C5:
C6:
其中yi表示用户i的卸载策略, 表示每台卫星处理能力,C1是对于LEOs的带宽限制条件,C2是对LEOs的计算资源限制条件,C3表示任务i要么本地执行要么卸载被执行,C4表示的是卸载变量是一个二进制的数,C5表示要在最大可容忍的时间内完成,C6表示的是卸载到LEOs的任务数不能超过其容量;
步骤三,基于步骤二构建整个系统的效用函数,将原始问题解耦成任务卸载和资源分配两个子问题;
步骤四,将任务卸载子问题建模为非合作的博弈问题,每个用户都会致力于最小化自己的效用函数,所有的用户均会达到一个纳什均衡点;
步骤五,对于卫星的带宽资源和计算资源分配,通过构建拉格朗日函数得到卫星与用户之间的最优资源分配;
一旦给定用户的卸载决策以后,整个系统的效用函数便改写为:s.t.C1:
C2:
s
C3:Ti≤Tmax
C4:
步骤六,地面用户基于卸载策略向对应的边缘计算卫星卸载任务,同时,边缘计算卫星会根据资源分配策略对用户进行带宽资源和计算资源的分配,并结束;
所有用户首先初始化本地计算;在每个时隙t,首先记录当前时隙的卸载策略、带宽和计算资源分配结果;接下来,遍历所有用户,找到用户更好的策略集,从更好的策略集中随机选择一个卸载服务器,根据当前的卸载决策可以得到带宽和计算资源分配结果,当前时隙迭代完成,在随后的每个时隙中,所有用户都会更新卸载决策、带宽和计算资源分配结果,直到更好的策略为空,根据最后一个计算时隙,得到最终的计算卸载决策、带宽和计算分配结果。
2.根据权利要求1所述的一种联合计算和通信资源分配的LEO边缘卸载方法,其特征在于步骤一中:若用户i将生成的计算任务卸载到边缘计算卫星s,则用户i与卫星s之间的上行数据速率表示为:其中: 是带宽资源的百分比分配,WS为卫星s的带宽,pi为用户i的发射功率, 为信道2
增益,σ为背景噪声功率。 说明书 : 联合计算和通信资源分配的LEO边缘卸载方法技术领域[0001] 本发明涉及卫星通信及边缘计算技术领域。背景技术[0002] 地面通信网络已经经历了由1G到5G的变革,然而,目前地面通信网络并不能实现真正意义上的全域覆盖。一方面,受限于部署成本等地形因素的影响,地面通信网络在沙漠,森林,海洋等恶劣的环境下由于没有基站部署并不能为用户提供通信服务。另一方面,地面通信网络容易受到洪水,地震等自然灾害的影响,地面通信网络的抗自然灾害能力较弱。未来6G通信网络的发展趋势是为全球范围内的用户提供服务,实现真正意义的全覆盖。卫星网络由于其覆盖范围广,抗自然灾害强等优点可以作为地面网络的强大补充,可以实现真正意义的全域无缝覆盖。而LEO卫星的轨道高度较低,具有低传输时延,成为学术界可工业界的研究热点。[0003] 随着科技的发展,需要越来越多的计算密集型应用,如增强现实AR,虚拟现实VR等应用需要的计算资源越来越大。一般来说,设备端的计算能力有限并不能满足计算密集型应用的QoE需求。为了解决该问题,研究学者提出云计算概念,用户端将计算密集型的任务卸载到云端计算弥补用户端计算能力不足,但由于云计算中心与用户端的物理距离较远,且在传输过程中容易造成传输阻塞,信息泄露等问题。边缘计算(multi‑accessEdgeComputing)就是顺应这种发展潮流的产物。边缘计算通过将云计算架构中的缓存功能和计算功能下沉到网络边缘,使得用户计算和传输需求在很大程度上在靠近用户的网络边缘得到满足,弥补了用户计算能力不足、能量供给受限和大量数据远距离传输带来的高服务时延和用户能耗的缺陷,使得用户时延体验得到质的提升。相对于云计算来讲,采用边缘计算使得用户业务处理不再需要经过多跳路由上传到离用户很远的云处理中心,而直接利用本地部署的边缘服务器进行处理,从而大大减少了数据源到数据处理节点之间的链路距离,大大降低处理时延。[0004] 近年来,将LEO卫星和边缘计算相结合,通过在LEO卫星上部署MEC服务器为用户提供低延迟的计算卸载服务。ZhangZ等人主要介绍了在LEO卫星上部署MEC服务器的可能的部署方式以及面临的挑战等。TangQ提出一种混合云计算和LEO边缘计算卫星的三层卸载架构,为地面用户提供异构的计算资源。提出一种alternatingdirectionmethodofmultipliers(ADMMs)低复杂度算法,以最小化系统能耗为目标得到卸载决策。SongZ提出一种新型的LEO边缘计算卫星的架构,将原始问题分解为空间部分问题最小化和地面部分问题最小化两个子问题。提出energyefficientcomputationoffloadingandresourceallocationalgorithm(E‑CORA)算法,并指出存在具体的卸载量可以最小化所有用户的能耗。ChengN提出一种边云协同的空天地辅助边缘计算算法,其中无人机为用户提供边缘计算服务,用户可以将计算任务卸载到无人机也可以通过卫星接入到地面云数据中心。提出一种基于深度强化学习任务卸载策略和优化资源分配算法最小化系统花费。[0005] 现有的LEO边缘计算卫星下的以能耗和延时为优化目标的多用户多服务器任务卸载和资源优化。由于卸载变量是二进制整数,因此该问题是一个混合整数的非线性规划问题,在多项式时间内很难求得最优解。并且在大多数的研究中并没有考虑到卫星的计算资源和通信资源对整个系统的影响,因此针对算法的复杂度以及通信资源和计算资源的联合优化还存在很大的改进空间。发明内容[0006] 本发明是为了在卸载策略下优化带宽资源和计算资源的分配问题,从而提出一种联合计算和通信资源分配的LEO边缘卸载方法。[0007] 联合计算和通信资源分配的LEO边缘卸载方法,其特征是:它包括以下步骤:[0008] 步骤一,用户设备生成计算任务:用户择一选择本地计算或将所述计算任务卸载到边缘计算卫星计算;[0009] 步骤二,基于步骤一的用户选择本地计算或卸载到边缘计算卫星计算的效用函数,并构建整个系统的效用函数;[0010] 步骤三,基于步骤二构建整个系统的效用函数,将原始问题解耦成任务卸载和资源分配两个子问题。[0011] 步骤四,将任务卸载子问题建模为非合作的博弈问题,每个用户都会致力于最小化自己的效用函数,所有的用户均会达到一个纳什均衡点;[0012] 步骤五,对于卫星的带宽资源和计算资源分配,通过构建拉格朗日函数得到卫星与用户之间的最优资源分配;[0013] 步骤六,地面用户基于卸载策略向对应的边缘计算卫星卸载任务,同时,边缘计算卫星会根据资源分配策略对用户进行带宽资源和计算资源的分配,并结束。[0014] 本发明具有以下特点和显著进步:[0015] 1、本发明对多用户多边缘计算卫星的联合计算和通信资源分配的LEO边缘卸载方法,将边缘计算平台迁移到卫星端为地面用户提供全覆盖的计算卸载服务。[0016] 2、相较于传统卸载方案,本发明所提出的改进的计算卸载和资源分配,能够在多项式时间内达到系统的纳什均衡点。[0017] 3、如何平衡计算卸载中的通信和计算资源的开销是非常重要的,本发明联合考虑了通信资源和计算资源以及计算卸载策略对整个系统效用函数的影响。[0018] 4、本发明在多项式时间内解决计算卸载问题,联合考虑了通信资源和计算资源对计算卸载的影响。提出一种联合任务卸载和通信计算资源优化算法(JTO‑CCRO),同时考虑上行的带宽资源分配,MEC服务器的计算资源分配和任务卸载策略。为进一步降低算法的复杂度,将JTO‑CCRO问题解耦成两个子问题。第一个子问题就是计算卸载策略,在最优资源分配的前提下获得当前的计算卸载策略,首先证实了计算卸载问题是一个严格的势博弈问题,存在纳什均衡解,进一步得到计算卸载策略。第二个子问题就是在卸载策略下的最优带宽资源和计算资源的分配问题。该问题可由拉格朗日乘数法解决。附图说明[0019] 图1是多用户多边缘计算卫星的系统架构示意图;[0020] 图2是联合任务卸载和资源分配的算法收敛示意图;[0021] 图3是不同用户任务效用函数变化示意图;[0022] 图4是不同算法之间系统效用函数示意图;[0023] 图5是系统效用函数随用户数变化情况示意图。具体实施方式[0024] 下面结合说明书附图图1‑5,对本发明一种面向联合计算和通信资源分配的LEO边缘卸载方法作进一步详细的描述。[0025] 图1为本发明的实施例,在地面用户没有核心网接入时,用户可以将计算任务卸载到携带MEC服务器的边缘计算卫星上。考虑了用户集合D={i:i=1,2,...,k},其中k表示了用户的数量,边缘计算卫星集合M={s:s=0,1,2,...,n},其中n表示边缘计算卫星的数量,当s=0时意味着用户任务本地执行。一般来说,卫星的能力是有限制的,在一颗卫星上执行太多的计算任务会对电池和任务完成时间有很大的影响,因此,假设每台卫星处理能力为也就是说每颗卫星最多同时执行 计算任务。每个任务的表示为Ti(di,ci,Timax),其中di表示的是任务的数据大小,ci表示的是完成该任务所需要的计算周期数,Timax表示任务的最大可容忍延时。计算任务可以本地计算也可以将任务卸载到边缘计算卫星。本发明所有使用到的符号如表1所示。[0026] 表1符号表[0027][0028][0029] 一.通信模型[0030] 当地面用户有了计算请求后,用户会根据自己的QoE需求选择本地计算或者将计算任务卸载到边缘计算卫星s。当用户有了卸载请求后,用户可以将计算密集型任务卸载到LEO卫星。一般来说任务计算后的结果相比于输入数据相对较小,可以忽略计算结果的回传时间。因此用户i与卫星s之间的上行数据速率可以表示为:[0031][0032] 其中 是带宽资源的百分比分配,Ws为卫星s的带宽,pi为用户i的发射功率, 为2信道增益,σ 为背景噪声功率。考虑到LEO卫星的下行传输速率远远大于上行传输速率,且计算结果一般来说相对较小,因此忽略了结果回传时间。[0033] 二.计算模型[0034] 对于计算模型来说,假设每个用户都有一个计算任务Ti。用户任务可以本地计算也可以将任务卸载到边缘计算卫星降低用户花费。对于给定的任务Ti,其卸载策略可以表示:[0035] 其中:[0036][0037] 用户设备可以本地执行计算任务,也可以将任务卸载到边缘计算卫星。当用户选择本地计算的时延和能耗以及效用函数可以表示为:[0038][0039][0040][0041] ci表示的是任务量大小, 表示的是本地计算频率,κ是芯片系数, 本地计算的效用函数,β是一个权衡时延和能耗的参数。[0042] 将任务卸载到卫星s的时延和能耗效用函数可以表示为:[0043][0044][0045][0046] 其中 表示用户i与卫星s之间的距离,C表示光速,Fs表示LEO卫星的计算频率。表示的是将任务卸载到边缘计算卫星s的效用函数。[0047] 基于本地计算和卸载的效用函数,可以构建任务i的效用函数[0048][0049] 三.系统建模[0050] 每个用户最多选择一颗卫星进行任务卸载,基于任务卸载构建整个系统的效用函数。本发明最小化问题建模如下:[0051][0052][0053][0054][0055][0056][0057][0058] 其中C1是对于LEOs的带宽限制条件,C2是对LEOs的计算资源限制条件,C3表示任务i要么本地执行要么卸载被执行,C4表示的是卸载变量是一个二进制的数,C5表示要在最大可容忍的时间内完成,C6表示的是卸载到LEOs的任务数不能超过其容量。[0059] 由于卸载变量是二进制整数变量,带宽和计算资源是连续变量,系统效用函数是非线性混合整数优化问题。本发明提出的面向联合计算和通信资源分配的LEO边缘卸载方法解耦为两个子问题。最优带宽下的计算卸载问题和计算资源分配,首先证明任务卸载子问题是一个严格的势博弈问题。地面用户的卸载策略可以通过博弈论达到纳什均衡点。对于给定的卸载策略,最优带宽和计算资源分配可以通过拉格朗日乘数求解。[0060] 四.严格的势博弈问题建立[0061] 定义yi∈{0,1,...,n}是任务i的卸载策略。其中yi=0时表明任务本地执行,当yi=s,表明任务i卸载到边缘计算卫星s,定义y‑i表示除任务i以外的其它任务的卸载策略。对于任务i的成本函数可以定义为:[0062][0063] 定义博弈G={D,(yi){i∈D},(Zi(yi,y‑i)){i∈D}},其中D表示的所有的用户任务,(yi){i∈D}代表的是任务的一组卸载策略,(Zi(yi,y‑i)){i∈D}表示的是系统的花费函数。在一个竞争的环境中,每个博弈玩家的目标是最小化自己的花费函数,可以表示为:[0064][0065] s.t.yi∈{0,1,...,n}(12)[0066] 在该部分提出通过博弈论去分析最优的卸载策略。在该博弈中,玩家就是用户任务,这些任务竞争系统中的通信和计算资源最小化系统的花费函数。建立博弈的目的是让每个用户的花费函数最小化,也就是每个用户对自己策略的改变一定是单调的,假设每个用户的花费函数可以映射到一个势函数中,那么势函数也是单调的,这种博弈称为势博弈。为了证明卸载博弈问题是存在纳什均衡解的,需要证明G是一个严格的势博弈,通过引入一个势函数Φ(y)。在博弈模型中,如果存在一个函数使得Φ(y):y→R,对于所有的博弈玩家满足以下关系,则该博弈问题是一个严格的势博弈。[0067] Zi(yi,y‑i)‑Zi(y′i,y‑i)=Φ(yi,y‑i)‑Φ(y′i,y‑i)(13)[0068] 为证明纳什均衡解的存在,主要分为以下几步:[0069] (1)首先定义符合势博弈的势函数。[0070] (2)验证所有的博弈卸载变化情况,经验证后该问题是一个严格的势博弈问题,存在纳什均衡解,所有用户的最优卸载策略为[0071] 五.资源分配[0072] 一旦给定用户的卸载决策以后,整个系统的效用函数便可以改写为[0073][0074][0075][0076][0077][0078] 为得到最优的计算资源和通信资源,主要分为以下几步:[0079] (1)首先验证了公式14的限制条件是凸的,其Hessian矩阵是正定的,因此该资源分配函数是一个凸优化问题。[0080] (2)构建拉格朗日函数,基于KKT条件得到用户的最优的计算资源和通信资源分配。[0081] 六.面向联合计算和通信资源分配的LEO边缘卸载方法分配策略[0082] 针对本发明提出的面向联合计算和通信资源分配的LEO边缘卸载方法,其伪代码如表2所示。[0083] 表2:面向联合计算和通信资源分配的LEO边缘卸载方法[0084][0085][0086] 具体算法描述如表2所述。所有用户首先初始化本地计算。在每个时隙t,首先记录当前时隙的卸载策略、带宽和计算资源分配结果。接下来,遍历所有用户,找到用户更好的策略集。从更好的策略集中随机选择一个卸载服务器,降低了系统效用函数。根据当前的卸载决策可以得到带宽和计算资源分配结果,当前时隙迭代完成。在随后的每个时隙中,所有用户都会更新卸载决策、带宽和计算资源分配结果,直到更好的策略为空。根据最后一个计算时隙,得到最终的计算卸载决策、带宽和计算分配结果。[0087] 下面结合仿真实验对本发明做详细的描述。[0088] 用户在一个2Km×2Km的区域内随机分布,卫星的轨道高度为500km。假设每台设备的计算能力是相同的为1GHz。MEC服务器的计算能力在[20,25]GHz区间内以0.5的增量随机选取。MEC服务器服务容量在[1,5]区间内随机选取,其通信带宽服从均值为20MHz,标准差为0.15×均值的高斯分布。任务的数据量在[0.5,3]Mbits随机选取,需要的CPU周期数在[400‑1000]Megacycles随机选取,最大可容忍延时在[0.1‑2]sec之间随机选取。用户的发射功率在[0.01‑0.2]W之间随机选取。芯片系数κ设置为1.2e‑28,β设置为0.5。每个场景下重复10000次蒙特卡罗仿真取平均值。[0089] 图2为本发明一种面向联合计算和通信资源分配的LEO边缘卸载方法实施例1中联合任务卸载和资源分配的算法收敛示意图;[0090] 图2中的横坐标为迭代次数,纵坐标为系统效用函数。其中k=6,n=2,由图2中的数据可以看出随着迭代次数的增加,系统的效用函数迅速降低并能很快收敛。[0091] 图3为本发明一种面向联合计算和通信资源分配的LEO边缘卸载方法实施例1中不同用户任务效用函数变化示意图;[0092] 图3中的横坐标为迭代次数,纵坐标为各用户任务的效用函数。其中k=6,n=2,由图3可以看出随着迭代次数的增加,各用户之间的效用函数最初是呈现下降的趋势。所有的任务最终都会达到一致的平衡状态,如图3所示,经过多次迭代,任务的效用函数会收敛。优化目标是最小化系统效用函数。对于某些任务,例如任务6,由于竞争的无线计算资源[0093] 任务之间,任务的效用函数会增加,但系统效用函数会降低。[0094] 图4为本发明一种面向联合计算和通信资源分配的LEO边缘卸载方法实施例1中不同算法之间系统效用函数示意图;[0095] 图4的横坐标为仿真的场景设置,纵坐标为系统的效用函数。其中k=8,n=3,由图4可以看出本发明所提的算法的系统效用函数是最低的,即时延和能耗的值最小。图4可以看到本发明算法是最好的,其次是JTO‑AVER。一旦用户采用ROUND‑OPT方法,既不考虑MEC的通信资源和计算资源以及用户与卫星之间的信道条件,所以性能很差。由于RANDOM‑OPT的不确定性,ROUND‑OPT比RANDOM‑OPT好。[0096] 图5为本发明一种面向联合计算和通信资源分配的LEO边缘卸载方法实施例1中系统效用函数随用户数变化情况示意图;[0097] 图5的横坐标为接入的用户数,纵坐标为系统的效用函数。k=[3,18],n=3,由图5我们可以看到,系统效用函数随着任务的增加而增加。在初始阶段,用户会选择信道条件好、算力强的MEC服务器来完成任务卸载,所以在初期阶段系统的效用函数增长缓慢。随着用户任务数量的增加,用户将逐渐占据整个系统容量导致系统效用函数的增速变大。当用户数量超过系统容量时,超出的用户只能选择本地计算,所以系统效用函数增长速度最大。[0098] 以上所述,仅用以说明本发明的技术方案而非限制,本发明不应该局限于该实施例和附图所公开的内容。凡在本发明的精神和原则之内所作的任何修改都在本发明的保护范围内。

专利地区:黑龙江

专利申请日期:2022-05-19

专利公开日期:2024-06-18

专利公告号:CN115514405B

电话咨询
读内容
搜本页
回顶部