节能计算卸载和传输功率分配方案为移动计算边缘

文摘

移动计算边缘(MEC)被认为是一种很有前途的技术,延长电池寿命和提高移动设备的计算能力(MDs)卸载资源丰富的云计算密集型任务位于移动网络的边缘。在这项研究中,节能计算卸载的问题和保证性能在多用户MEC系统进行了研究。鉴于MDs通常寻求降低能源消耗和提高计算任务的性能,我们提供一个节能计算卸载和传输功率分配方案,减少能源消耗和完成时间。我们制定能效成本最小化问题,满足完成时间期限约束MEC的MDs系统。此外,相应的Karush-Kuhn-Tucker条件应用于解决优化问题,并组成了一个新算法,计算卸载策略和传输功率分配。数值结果表明,我们建议的方案,与最优计算卸载策略和适应传动功率对MDs,优于本地计算和完整的卸载方法而言,能源消耗和延迟完成。因此,我们提出了系统可能有助于克服限制计算资源和移动设备的电池寿命来满足新的应用程序的要求。

1。介绍

在过去的几年中,智能手机等移动设备(MDs)、掌上游戏机,和汽车多媒体电脑已经成为几乎无处不在,越来越多的新的移动应用增强现实等图像处理、自然语言处理、人脸识别、互动游戏出现,成为相当大的关注的焦点1,2]。这些类型的移动应用程序通常对延迟敏感的,密集的计算需求,高能消费特征。物理尺寸的约束,MDs通常有有限的资源,限制他们的电池寿命和计算能力3,4]。

最近的研究表明,移动边缘计算卸载(MECO)技术提供了一个有前途的机会,有效地克服局限性与MDs的硬件和能源消耗问题卸载计算密集型任务的边缘邻云移动网络执行(5- - - - - -7]。特别是移动边缘计算(MEC)提供了云计算能力的移动网络边缘通过实现MEC服务器在基站(BSs),较短的延迟和优良的品质为移动用户的体验,它来自学术界和产业界引起了重大的关注(8]。

考虑到计算性能和能耗的重视移动用户(9),有必要设计有效计算卸载方案MECO系统。尽量减少对MDs计算任务的完成时间,香港et al。10)制定联合优化问题的时分多址(TDMA)和频分多址(FDMA)计划在一个多用户MECO系统。刘等人。11MEC)派生的电量有限延迟最小化卸载政策系统,计算任务调度的考虑,采用马尔可夫决策过程的方法解决该优化问题。一个有效的计算卸载方案也提出了毛等。12),目的是减少执行时间与能量收获绿色MEC系统设备。在一个多用户TDMA (MU-TDMA) MECO系统中,任et al。6]研究了延迟最小化问题通过沟通和联合分配计算资源,和最小系统延迟的地方和边缘计算模型推导。然而,上述工作的不足之处是,能源消耗在MD端不考虑出售的决定。

快速电池损耗也构成了当代网络的重要障碍。作为回应,Sardellitti et al。13)设计了一个能量最小化卸载问题,优化无线MIMO多单元的系统资源。Zhang et al。14]提供了一个节能计算卸载方案,带来最小的能源消耗在延迟约束下通过优化MEC的卸载政策和无线电资源分配多路存取特色5 g异构网络。你等。15],基于到达时间瞬间洞察输入数据和计算截止日期,MECO系统节能资源管理政策研究和制定一个优化策略,最小化总mobile-energy消费。不幸的是,这些作品感兴趣的主要是减少能源消耗没有试图减少计算任务的完成时间。

此外,MDs利用各种个人,他们可能追求多样化的利益。因此,有必要关注能源和时间消耗在设计卸载时的政策。近年来,一些作品之间的权衡考虑能源消耗在MECO MDs和执行延迟系统(16,17]。然而,在这些优化模型,只有传输延迟被认为是和服务器计算延迟是省略了;因此,他们不能用于MEC服务器计算能力有限。

最上面的作品多用户MECO系统只集中于二进制计算卸载策略,这意味着执行计算任务通过本地计算机或计算边缘。然而,根据他们的通信能力,一些MDs可能更喜欢部分卸载。通过出售耗时和/或能源消耗MEC服务器子任务,这部分卸载可以达到更高的能源节约和降低计算延迟相比二进制卸载(18]。虽然计划工作(19]研究了节能部分计算卸载问题,更迫切一些latency-intensive应用程序的设计目标没有被讨论,即延迟最小化问题。此外,郭et al。20.)提出了一个节能动态二进制卸载和资源调度(eDors)政策,设计一个分布式eDors算法来最小化能源效率成本(EEC),它被定义为能源消耗和计算的加权和任务的完成时间。使用上面的观察,在这项研究中,一个经济共同体最小化问题研究多用户MEC系统与部分计算卸载。此外,二进制卸载的一个特例,它指的是完整的卸载或完整的本地计算,探讨了。本研究进行最小化经济共同体由医学博士完成任务完成时间期限的约束。具体地说,它也证明了欧洲经济共同体最小化问题是凸的,并且我们能够解决凸优化问题采用Karush-Kuhn-Tucker(马)条件。此外,一个最优计算卸载和传输功率分配方案提出了根据欧共体MEC服务器和本地设备。总结了本文的主要贡献如下:(我)提出了一种多用户计算卸载MEC框架和地址performance-guaranteed计算卸载的问题。(2)一个经济共同体的优化问题,减少能源消耗和计算的加权和完成时间满足延迟约束制定。(3)利用拉格朗日乘子法和马条件求解凸优化问题,和一个高效的算法组成的计算卸载MDs的策略和传输功率分配算法。

本文的其余部分组织如下。接下来的部分给出了系统模型。接下来,优化问题是制定。随后,提出了有效的任务卸载算法描述。然后,给出了数值结果验证了该方法的优良性能比现有的方法。最后,给出了结论。

2。系统模型

认为是MEC系统组成NMDs,如图1。MEC服务器计算设备安装在无线电台的访问。去车站的MDs可以连接资源,位于靠近手机用户。分配计算任务的基站(BS)可以帮助移动用户提高计算性能。作为先锋文学已经检查了移动云计算(例如,10,15,21])和移动网络(例如,22,23]),使易处理的性能分析和获取有用的见解,我们认为与准静态应用程序场景,MDs的设置计算卸载期间将不会改变。一组 集中的MDs被认为是在这项研究中,并非计算密集型任务设置为每一个医学博士完成。让元组{c_n,d_n}表示的任务要求n,在那里c_n描述所需的CPU圈和完成任务d_n介绍了任务数据的大小。的卸载数据大小n表示为l_n。让α_n代表的卸载任务的一部分n与条件l_n=d_nα_n。所有MDs的卸载政策概要文件用 。

2.1。通信模型

我们首先介绍MEC系统的通信模型。MD使计算卸载政策根据其能源消耗和完成时间性能。MD的传动功率n表示为p_n,代表BS的渠道获得。此外,我们考虑一个多用户计算卸载系统,他们将上行干扰对方。因此,计算卸载的上行数据速率n是由 在哪里N₀和我代表加性高斯白噪声的功率谱密度和干扰,分别。让B信道的带宽,MEC,接收到的信号功率可以用数据速率的函数r: 单调递增,凸r> 0。卸载传输速率可以表示为 在哪里t_n是医学的传输时间n卸载的输入数据的大小d_n。然后,传动功率p_n可以通过结合(2)和(3):

2.2。计算模型

考虑到医学博士n有一个计算任务 ,在哪里c_n表示的总数完成计算任务所需的CPU周期和d_n描述了输入数据的大小计算任务 。接下来,我们将讨论欧洲经济共同体在MDs对能源消耗和完成时间为本地计算和边缘计算方法,分别。

2.2.1。本地计算

与当地的计算方法n执行它的计算任务本地MD。让h_n表示(即计算能力。CPU周期每秒)n;不同的MDs可能有不同的计算能力。因此,为当地的计算定义为完成时间

计算能源 在哪里f_n是医学的每个CPU周期消耗能量n。

根据方程(5)和(6),欧洲经济共同体为本地计算计算方法在计算时间和精力 在哪里表示能源消耗和计算完成时间的权重n把政策的任务 ,分别。我们允许MDs设置不同的权重值在决策以满足其特定需求。例如,设备较低电池能源更有可能选择一个更大的在进行卸载策略来节省更多的能量。当一个MD运行对延迟敏感的应用程序(如网络游戏),它的目标是一个更大的集合减少延迟。

2.2.2。边缘计算

用计算的方法,医学博士n免除了其计算任务MEC服务器。随后,服务器执行计算任务和提要结果返回到移动。显然,医学博士n免除了其计算任务在MEC服务器执行,包括三个连续的阶段:(i)传输阶段,(2)计算阶段,(3)接收阶段。

根据通信模型,MD的传输时间和能源消耗n传输的计算任务MEC服务器,分别计算了

此外,计算任务的执行时间MEC服务器上计算 在哪里表示MEC服务器的计算能力。在这项研究中,我们考虑了能源消耗在MDs方面,而我们的未来工作将考虑执行MEC服务器的能源消耗。因此,边缘计算方法,任务的完成时间和能源消耗分别表示为 在哪里t_n,衰退和e_n,衰退表示所需要的时间和精力n当收到MEC服务器的计算结果,分别。从方程(9)和(11),欧洲经济共同体边缘计算方法可以通过方程计算(13基于完成时间和能源消耗。

它是观察从方程(8)和(9),数据传输速率较低r_n的医学博士n会导致传输时间长、能耗高的无线访问期间把输入数据到MEC服务器。在现有的工作(17,24),接收时间t_n,衰退和接收能量e_n,衰退可以忽略,因为对于许多应用程序,如人脸识别、结果的大小通常远小于输入的数据。

3所示。问题公式化

在本节中,一个经济共同体MEC系统优化问题是由共同考虑能源消耗和制定任务完成时间为每个MD。在这里,α_n被定义为的任务卸载到MEC服务器。因此,欧洲经济共同体n包括本地计算消费和出售消费:

任务的完成时间的医学博士n可以表示为

目标是提供最优计算卸载政策和传输功率分配欧洲经济共同体降到最低。因此,欧洲经济共同体所有MDs可以制定约束的最小化问题: 在哪里 , 。用方程表示(4),可以进行的 。因此,优化函数的变量(16)α_n和t_n。总完成时间的约束指定的任务n是有界的所需的最大完成时间T_n,马克斯。优化问题的凸性在方程(16探讨如下。

证明。首先,它应该证明了目标函数Z_n在方程(16)联合凸优化变量α_n和t_n。然后,我们显示约束的凸性。 作为Z_n是一个仿射函数的α_n,它是凸优化变量α_n。同样,共同约束凸优化变量α_n和t_n。可以看出,方程的优化问题(16)有一个zero-duality Slater差距,满足约束条件。zero-duality差距的结果提供了一种方式来获得原问题的最优解在方程(16)源自其相应的对偶问题。

4所示。最低能源效率成本(EEC)算法问题

通过求解方程的对偶问题(16),计算卸载和资源分配方案。因此,原始问题的拉格朗日函数方程(16)被定义为 。拉格朗日乘数表示价格的总完成时间的任务n不超过所需的最大完工时间。

在方程(原始问题的对偶问题16)是由 在哪里是拉格朗日乘子,与完成时间约束。然后,应用相应的马条件转换成以下方程:

通过表示 ,根据方程(21),X满足以下几点:

从方程(23),它可以进一步派生

根据朗伯函数

方程的逆函数(24)给出

因此,最优传输速率表示为

对于一个给定的 ,最优解和欧共体的最小化问题可以计算如下:

与此同时,根据方程(3)和(4),是由

卸载策略可以通过求解方程(22):

对于一个给定的集合和 ,更新拉格朗日乘子 在哪里k> 0是迭代索引和θ(k)是积极的迭代步长。然后,在方程(更新的拉格朗日乘子31日)可以用来更新方程的传输功率分配(28)和(29日在方程()和卸载政策30.)。

算法1给出了算法的轮廓。

5。绩效评估

在本节中,我们评估算法的性能。仿真设置如下。我们首先认为移动边缘计算场景中有一个50米的报道,在那里N= 30智能手机覆盖地区分布随机(25]。为总经理分配的计算能力nMEC服务器上的设置= 10 GHz,移动CPU能力h_n是随机集{0.5,0.6,…,1.0}GHz说明MDs的异构计算能力。我们设置了初始权重的政策== 0.5,这意味着n考虑计算时间和能源消耗。任务是均匀分布的大小(0,20)MB。不失一般性,我们c_n737.5周期/位(26]。无线接入,我们设置了通道带宽B= 5兆赫,N₀+我100年=−dBm (27]。通过比较他们与当地的计算和完整的卸载方法,我们评估拟议中的部分卸载方案。

5.1。比较能源消耗和延迟完成

在本节中,提出的能源消耗和完成时间计划,考虑任务量的方差,是与本地计算方法相比,完全卸载方法,和李等人的二进制卸载方法(28]。

图2描述了四个方案的能源消耗和完成时间。从图可以看出2,该部分卸载和李的二进制卸载方案优于本地计算和完整的卸载方案。进一步,与当地计算相比,完整的卸载方法达到一个更好的结果,特别是对于规模更大的任务。因此,对于一个计算任务,输入数据的大小,该方案和李的计划往往将大部分的计算任务MEC服务器减少欧洲经济共同体由MDs支付。此外,当输入数据的规模很小,李的二进制卸载方法有最低的能源消耗。然而,这种能源消耗增加输入数据和最终的大小大于部分卸载方案的提议。这是因为该部分卸载方案不仅减轻了计算密集型子任务MEC服务器基于当地的优势之间的权衡计算和全部卸载,也利用了传动功率在MEC时间和减少能源消耗。此外,卸载任务所需的完成时间MEC服务器包括无线网络的通信时间和执行时间MEC服务器。图中可以看到2 (b)任务完成时间的部分卸载计划与任务量增加相对缓慢。

5.2。的影响权重和

在本节中,权重的影响和能源消耗和计算时间的任务不同大小的输入数据进行了研究。

图3显示了能源消耗和计算延迟的差异在不同的设置和 。观察到的能源消费增加减少,独立任务的大小;然而,计算延迟的变化是相反的。这是预期的,因为一个大会引起降低传输速率,在方程(26),造成传动功率的下降在边缘计算执行。

5.3。比较经济共同体执行策略

在本节中,提出了任务执行算法与其他两个执行方法相比,即本地计算和全部卸载,在hard-completion时间期限的约束。

如图4,延迟需求的差异影响相同的任务剖面的经济共同体。下面的可以从图观察4。首先,只有任务数据大小和CPU计算能力可以影响当地经济共同体的计算方法。因此,延迟需求的变化不影响它的经济共同体。其次,本地计算相比,部分卸载方案能显著降低欧洲经济共同体。这是因为该算法能够以最佳的方式出售的一小部分MEC服务器上执行的计算根据欧共体边缘和当地的设备。第三,该算法有较低的经济共同体完成很长一段时间期限而完整的卸载方法。这是合理的,因为该算法采用最优卸载策略和传输功率分配。

6。结论

在这部作品中,移动边界计算的节能计算卸载问题进行了研究。我们综合计算卸载与传输功率分配来减少能源和时间消耗在最后期限完成时间约束。我们设计了一种新颖的算法包括计算卸载subalgorithms政策和传动功率分配。实验结果表明,我们的方法可以有效降低能源消耗和完成时间利用的动态计算卸载移动边缘政策和传输功率分配计算。

未来的工作将考虑更一般的情况下,移动用户可能离开,让动态计算卸载期间。在这种情况下,用户迁移模式将极大地影响问题公式化。

数据可用性

Matlab仿真结果用于支持本研究的结果中包括补充信息文件(可用)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持下批准号。61971245和61971245。作者要感谢Editage (http://www.editage.com)英语编辑。

补充材料

垫实验室模拟结果用于支持本研究的发现。(补充材料)

引用

1. k·库马尔和y,“云计算为移动用户:可以卸载计算节约能源?”电脑,43卷,不。4,51-56,2010页。视图:出版商的网站|谷歌学术搜索
2. m·a·亚由s . a·伊斯梅尔t . Mantoro和a·f·a .晨祷的“实时活动识别手机基于加速度计的数据,”国际会议信息和计算的程序Mataram,页292 - 297年,印度尼西亚,2016年11月。视图:出版商的网站|谷歌学术搜索
3. Balasubramanian大肠Cuervo博士,a, d .赵et al .,“毛伊岛:让智能手机与代码剥离,持续时间更长”学报》第八届国际会议在移动系统中,应用程序和Services-MobiSys 10旧金山,页49-60、钙、美国,2010年6月。视图:出版商的网站|谷歌学术搜索
4. m . Velicky p·s·托斯,“从二维材料的异质结构:一个electrochemist的角度来看,“应用材料今天,8卷,第103 - 68页,2017年。视图:出版商的网站|谷歌学术搜索
5. m .陈钱y, y, y,和j·歌,“数据驱动计算和缓存5 g网络:架构和延迟分析,“IEEE无线通信,25卷,不。1,第75 - 70页,2018。视图:出版商的网站|谷歌学术搜索
6. j . Ren g . Yu y Cai, y,他“延时优化资源分配的mobile-edge计算卸载,”IEEE无线通信,17卷,不。8,5506 - 5519年,2018页。视图:出版商的网站|谷歌学术搜索
7. s, r . Langar x赋,l . Wang和z汉,“计算卸载数据缓存为移动计算边缘增强,”IEEE车辆技术,卷67,不。11日,第11112 - 11098页,2018年。视图:出版商的网站|谷歌学术搜索
8. 白皮书、ETSI、Mobile-Edge Computing-Introductory技术白皮书、白皮书、ETSI Sophia Antipolis,法国,2014年,https://portal.etsi.org/portals/0/tbpages/mec/docs/mobile - edge_computing_ _introductory_technical_white_paper_v1%2018 - 09 - 14. - pdf。
9. z l . Liu张、郭x和t . Ristaniemi”mobile-edge计算、多目标优化计算卸载”《计算机与通信伊拉克里翁,页832 - 837年,希腊,2017年7月。视图:出版商的网站|谷歌学术搜索
10. 问:香港,a·s·侯赛因和k·安雅,“有效的资源分配在mobile-edge计算卸载:完成时间最小化,”《IEEE国际研讨会信息理论(拜访)亚琛,页2513 - 2517年,德国,2017年6月。视图:出版商的网站|谷歌学术搜索
11. 毛y . j . Liu, j·张,k . b . Letaief”Delay-optimal mobile-edge计算计算任务调度系统,”《IEEE国际研讨会信息理论(拜访)西班牙巴塞罗那,页1451 - 1455,,2016年7月。视图:出版商的网站|谷歌学术搜索
12. 毛y, j·张,k . b . Letaief”动态计算卸载mobile-edge计算获取能源的设备,”IEEE在选定地区通讯》杂志上,34卷,不。12日,第3605 - 3590页,2016年。视图:出版商的网站|谷歌学术搜索
13. s . Sardellitti g .斯库台湖,巴巴罗萨,”联合优化无线电和多单元的计算资源mobile-edge计算,”IEEE在网络信号和信息处理,1卷,不。2、89 - 103年,2015页。视图:出版商的网站|谷歌学术搜索
14. k .张毛y, s .愣et al .,“节能卸载5 g异构网络移动边计算,”IEEE访问4卷,第5907 - 5896页,2016年。视图:出版商的网站|谷歌学术搜索
15. 你,曾y, r·张,k .黄“异步mobile-edge计算卸载:节能资源管理”,IEEE无线通信,17卷,不。11日,第7605 - 7590页,2018年。视图:出版商的网站|谷歌学术搜索
16. l . x Chen焦、w·李和x赋,“有效的多用户计算卸载mobile-edge云计算,“IEEE / ACM交易网络,24卷,不。5,2795 - 2808年,2016页。视图:出版商的网站|谷歌学术搜索
17. 毛y, j·张,k . b . Letaief”联合任务卸载调度和传输功率分配mobile-edge计算系统,”学报2017年IEEE无线通信和网络会议(WCNC)旧金山,页1 - 6、钙、美国,2017年3月。视图:出版商的网站|谷歌学术搜索
18. p·马赫和z . Becvar移动边缘计算:一项调查在架构和计算卸载,”IEEE通信调查和教程,19卷,不。3、1628 - 1656年,2017页。视图:出版商的网站|谷歌学术搜索
19. 你和k .黄”mobile-edge计算卸载,多用户资源分配”《IEEE全球通信会议(GLOBECOM)美国,页1 - 6,华盛顿特区,2016年12月。视图:出版商的网站|谷歌学术搜索
20. y s .郭j . Liu Yang b·肖和z,“节能动态计算卸载和合作在移动云计算任务调度,“IEEE移动计算,18卷,不。2、319 - 333年,2019页。视图:出版商的网站|谷歌学术搜索
21. x道,k . Ota m .董h . Qi和k·李,“性能保证计算卸载mobile-edge云计算,“IEEE无线通信信》第六卷,没有。6,774 - 777年,2017页。视图:出版商的网站|谷歌学术搜索
22. k·g·高,m·肖j . Wu汉、l .黄和z赵,“机会主义和期限的限制,移动数据卸载”IEEE并行和分布式系统,28卷,不。12日,第3599 - 3584页,2017年。视图:出版商的网站|谷歌学术搜索
23. 张x孟,w . Wang和z,“Delay-constrained混合计算与云计算和雾计算卸载,”IEEE访问5卷,第21367 - 21355页,2017年。视图:出版商的网站|谷歌学术搜索
24. 郭z l . Liu, x, s .毛和t . Ristaniemi,“在雾计算多目标优化计算卸载,”IEEE物联网,5卷,不。1,第294 - 283页,2018。视图:出版商的网站|谷歌学术搜索
25. t .问:Quek g . de la罗氏Guvenc,和m . Kountouris小细胞网络:部署、PHY技术和资源管理英国剑桥,剑桥大学出版社,2013年。
26. j·j·夸克,y . Kim Lee,庄,“梦想:动态资源和能源最小化在移动云计算系统中,任务分配”IEEE在选定地区通讯》杂志上,33卷,不。12日,第2523 - 2510页,2015年。视图:出版商的网站|谷歌学术搜索
27. t·s·拉帕波特,无线通信:原则和实践美国,新世纪,上台北,1996年。
28. l .李x张、刘k和f .江“多用户的节能意识任务卸载机制mobile-edge云计算,“移动信息系统卷,2018篇文章ID 7646705, 12页,2018。视图:出版商的网站|谷歌学术搜索

版权

版权©2019晓惠顾et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。