文摘
有限的电池寿命和可怜的计算资源的移动终端具有挑战性的问题现在和未来计算密集型移动应用程序。无线供电的移动边界计算的解决方案,无线能量传输技术和云服务器的功能是蜂窝网络的边缘。在无线移动边缘计算供电系统,移动终端充电电池通过射频信号和出售他们的应用程序到附近混合在同一时间段访问点他们的能源消耗降到最低,确保不间断连接与混合访问点。然而,智能的应用程序子任务的智能分区时间段获取能源和卸载数据是一个复杂的问题。在本文中,我们提出一个新颖的deep-learning-based卸载和时间分配策略(DOTP)培训深神经网络计算应用程序分为最优数量的子任务,决定执行的子任务卸载或本地(卸载策略),分时间段进行数据卸载和能量收获(时间分配策略)。DOTP考虑当前的电池水平,能源消耗和时间延迟的移动终端。制定一个全面的成本函数,使用所有上述指标来计算成本子任务的数量。我们提出一个算法选择最优数量的子任务,部分抛售政策,和时间分配策略来生成一个巨大的深神经网络训练数据集从而避免巨大的计算开销部分卸载。仿真结果比较的基准计划总卸载,当地执行和部分卸载。很明显的结果,该算法优于其他方案的电池寿命,时间延迟,和能源消费,75%的准确性训练神经网络。移动终端的实现降低能源消费总量通过DOTP是45.74%,36.69%,和30.59%相比总卸载,部分卸载,分别和地方出售计划。
1。介绍
由于蜂窝技术的进步和应用物联网(物联网),我们的日常生活活动,如智能医疗、智能家居、智能驾驶,越来越依赖移动终端(MTs) [1,2]。上述应用程序是计算密集型和高能耗和需要很大的存储和更快的执行3]。为了满足这些需求,试图包含集中式服务器的云计算系统有更高的处理能力和存储能力(4,5]。然而,对延迟敏感应用,如网络模拟器,直播和在线游戏无法执行通过云服务器由于高的继承问题延迟引起的长距离MTs的云服务器(6,7]。高延迟和集中式架构的问题可以通过雾克服某种限制发电机在雾中计算节点接近请求。然而,有挑战的任务卸载、资源分布、和降解性能的网络链接8]。
另一种对延迟敏感的应用程序移动边缘计算(MEC)提供服务类似于云计算在一个分布式的方式,可以被称为云计算在蜂窝网络的边缘。MEC环境中,一个太可以出售其计算应用到附近移动边缘服务器(MES)提供最低的延迟而云服务器。MTs的挑战性问题,有限的计算能力,存储,和更高的时间延迟执行,完全是依赖于电池寿命的。不幸的是,MTs的电池寿命有限,导致破坏的性能(9]。确保连接的太附近的基站(BS),太需要定期充电的电池,需要更多的硬件成本和物理。无线能量传输技术(湿)在解释10),在MTs可以无线充电的电池通过射频(RF)信号。然而,能量收获从射频信号传播信息交换在物理层会导致安全问题。因此,无论是部署多个天线太多样性和利用技术或能量发射器(ET) BS优先(11]。最近,将湿技术在MEC系统是一个热门的研究领域。一个模型,利用湿技术的优点和MEC叫做无线供电MEC (WP-MEC) [12]。使用这种模型可以方便的收获太能源提高电池寿命和计算卸载同时提高MT的计算能力。
有两种主要类型的计算卸载。在粗粒度计算卸载,整个应用程序在本地执行的MT或卸载远程MES (13]。与此同时,在细粒度计算卸载(14),整个应用程序的大小首先划分为一个吗数量的子任务,可以卸载可能的政策。举个例子,如果一个应用程序的10 GB分为4子任务,然后可以将根据这四子任务 卸载策略如表所示1。
每个应用程序的子任务数和选择卸载的政策主要是导致能源消耗和时间延迟的。因此,重要的是要把应用程序在一个最优数量的子任务和选择一个卸载最小成本的政策。
在WP-MEC系统中,一个太分流计算应用混合接入点(HAP)和收成能源从射频信号发射机(ET)。太的收成能源在某些时间段的一部分,可以卸载数据在同一时间槽的剩余时间。因此,聪明的时间段为分数,收获和数据卸载是一个关键的考虑,被称为时间分配策略。时间分配政策的可能的数量取决于分辨率的时候, ,和= 。减少增加数量的时间分配政策。我们可以找到所有可能的政策的成本,然后选择最优,成本最低。例如,可能时间分配政策 给出了在表2。电池寿命和计算能力可以提高通过最优选择的每个应用程序的子任务数量和时间分配策略对能源的收集和数据卸载。时间分配策略通过李雅普诺夫函数优化技术研究(15WP-MEC系统)。然而,这样的数值解遭受巨大的计算开销,这就增加了算法的复杂性和时间延迟执行。为了避免巨大的计算开销的问题在这样的卸载,新兴的人工智能(AI)可以使用的概念。
在本文中,我们提出一个深度学习的方法来找到最好的时间和最优分配策略和部分卸载政策每个应用程序的子任务数量。我们建议的成本函数取决于时间延迟,能源消耗,和当前电池的MT。最初,如果电池级别 ,我们的成本函数关注应用程序执行的时间延迟。成本函数给更多的重要性当电池能耗低。认为WP-MEC系统包含一个HAP(包含一个外星人,MES和AP)和MTs。由于大小限制,太被认为有一个天线,可以用于能量收集和计算卸载。相比之下,HAP的大尺寸允许单独的天线传输能量和数据通信,如图1。建议的方法的目标是利用湿和部分与最优数量的子任务/程序卸载技术提高电池寿命太,让应用程序的执行速度。新奇和贡献的工作概述如下:(我)我们发现能量收获的时间分配策略和数据卸载,部分抛售政策,和最优数量的子任务/应用程序,同时,通过深入学习方法在WP-MEC系统提高MT的电池寿命和执行延迟。(2)我们制定一个成本函数,取决于能源消耗、时间延迟,和当前的电池寿命太有成本函数的两个主要部分:能源消耗和时间延迟。最低成本价值意味着能源消耗和时间延迟将最低;然而,我们的成本函数更新通过加权系数依赖于电池水平,决定时间延迟部分的贡献或能源消耗成本函数。(3)仿真结果表明,我们的算法可以延长电池寿命,确保更快的执行和最低能耗。
本文的其余部分组织如下:部分2提供了该技术的相关工作。部分3介绍了数学模型和算法。节4,数值模拟结果进行了讨论。部分5总结了纸和提出未来的发展方向。
2。相关工作
改进的MT与HAP的电池寿命,确保连接在部分卸载技术、数据卸载的时间段是进一步分为两个部分:(a)的时间分数太将充电电池通过射频信号和(b)的时间分数太偶然将卸载数据。这个时间段,称为时间分配策略,讨论了(15,16]。时间分配策略的问题(电力传输和数据卸载)和卸载模式选择(卸载或本地应用程序的执行)研究了(12,总计算卸载所有能量收集技术提出了MTs。基于计算速度,最大化问题研究[17传播损耗的降低,严重影响收获能量和计算性能的联合优化的时间分配在MTs, CPU频率,传输能量美联社和卸载的比特数,多用户WP-MEC被认为是在18]。作者在15]提出的改进算法计算速度的联合考虑计算卸载和时间分配政策与一个太WP-MEC系统。计算性能的提高用户活跃MTs的合作技术研究[19),不活跃的MTs使用他们的收获能源的积极的帮助。计算卸载政策,作者在19考虑频分多址(FDMA)来提高计算速度。最大最小能量效率优化问题(MMEP)联合优化能耗,计算卸载时段和能量传递,传输功率在HAP WP-MEC系统的重点是(20.),由应用程序块坐标下降(BCD)和部分编程理论,作者提出了较低的算法复杂度。在[21),计算整个系统的能源效率是提高了优化配置的共同考虑太的发射功率,CPU频率和时间WP-MEC系统中传输。在[22),系统能量效率的最大化问题的共同考虑最佳时间分配、本地计算能力,讨论了能源消耗和应用程序卸载。在[23),作者考虑一个随机电池管理和资源分配决策方法在一个时间段和来自李雅普诺夫提出的算法优化技术。在[24),作者利用李雅普诺夫评估优化延迟和多用户的能源效率之间的权衡WP-MEC系统。在所有上述工作,提高计算速度主要集中。然而,电池寿命太被忽略和子任务的数量应该分为部分卸载应用程序被认为是一个固定值。
在大多数研究WP-MEC,调查时间分配和资源分配政策是基于李雅普诺夫和拉格朗日乘数法等数值优化技术。然而,对于WP-MEC分配资源的复杂优化问题,该技术并不能保证全局最小值/最大值,因此算法基于这些方法的性能变差。此外,这些方法利用长计算,因此需要较大的计算开销,影响计算和能源消耗的时间延迟MTs。更大的能源消耗严重影响电池寿命的MTs因此MTs和HAP的连接变得有限。另一种解决方案应用部门的快速计算子任务和提供最优决策时间分配和资源分配政策以最小的能源消耗和提高电池寿命是必需的。这种需求导致了深度学习的方法,通过学习从预定义的数据集训练减少计算复杂度。
最优时间分配和完成的工作很少出售政策WP-MEC系统使用深度学习方法。在[25),作者调查深强化学习在线出售减少大型网络的计算复杂度为卸载决策和资源分配,而忽略了成本函数。作者的主要焦点在25)的最小化执行延迟,而电池寿命太,能源消耗,优化部门应用程序没有考虑。在[26,27),作者考虑子任务能耗等指标,太剩余的能量,计算负载和网络条件和提出一个deep-learning-based卸载政策。然而,他们的工作忽略了能源的收获能力HAP和只考虑MES在蜂窝网络的边缘。比较表的工作deep-learning-based卸载和时间分配策略(DOTP)表3。
研究的相关工作在二进制WP-MEC卸载政策系统中,我们发现两个选项为应用程序执行。(1)如果一个应用程序在本地执行太,它可以减少能源消耗;然而,由于有限的计算资源,延时会更高。(2)如果所有的远程应用程序上执行MES的子任务,计算时间延迟将较小的MES是假设有足够的计算资源;然而,在卸载数据,太会更高的能源消耗。第三种选择是部分抛售政策,也就是说,把应用程序划分为一系列的子任务。然后,一些本地子任务的执行,而有些子任务卸载到MES为远程执行。在这种情况下,选择要执行的子任务太上本地或远程的MES是依赖于成本计算成本函数。本文主要关注deep-learning-based方法找到最优数量的子任务(最优的成本),我们应该把应用程序,然后应用部分卸载策略。卸载选项的子任务,时间分配策略应用于找到时间分数太能源获取的每个时间段和数据卸载。 The proposed cost function jointly considers the remaining battery level, time delay, and energy consumption of MT in the cost calculation for an application. Simulation results show that the proposed DOTP technique performs better than the benchmark schemes in terms of battery life, time delay, and energy consumption.
3所示。系统模型
在WP-MEC系统模型中,我们考虑一个偶然与单一交流。从实现的角度来看,运气是假定有两个天线用于时分双工(TDD)方式分别对能源传输和数据通信,在相同的频带。与此同时,太被认为是单一的天线;因此,利用协议的通过相同的天线first-harvest-then-offload下行(DL)和上行(UL),分别。远程执行期间,太第一次收成能源部分时间段,然后传输的子任务执行MES的时间段。此外,HAP假设有足够的资源能源和处理,而太被认为是有限的计算资源和电池。因此,太会使用的能量通过HAP延长电池寿命的卸载和地方执行的子任务。在部分卸载,卸载的组件来MES执行。我们将卸载的时间槽两部分,称为时间分配策略。在第一部分,太收成能源和第二部分它免除了MES数据。下载时间很小而传输时间; therefore, the downloading time is assumed to be negligible. The time allocation policy is denoted by ,在哪里是一个时间段的时间百分比的太会从HAP和获取能量是同一时间段的时间百分比,太会卸载对MES的子任务。我们引入了一个二进制变量为子任务它定义了当地执行或远程执行的决定。 显示本地执行子任务在太 显示远程执行的子任务在MES。详细列表中给出了本文中使用的符号表4。两个模型被认为是,即当地执行模型和远程执行模型。
3.1。本地执行
为当地的子任务的执行 ,也就是说, ,当地执行的时间延迟, ,是计算 在哪里是太为子任务的CPU频率 , CPU周期的数量用于执行一个字节的数据,然后呢子任务的输入数据吗 ,执行本地太。太单一子任务的能源消耗在当地的执行和制定 在哪里 ,一个无量纲的量,代表有效开关电容因素取决于芯片的架构(28]。该产品显示了计算的子任务的总成本执行本地规范化太被定义为求和的能源消耗和规范化的延时子任务,是由 在哪里和分别定义的单元平衡系数,
对于整个应用程序,和最大能源消耗和最大时间延迟,分别有固定的值。和权重系数是太依赖于当前水平的电池。这些系数是用于提供优先级数据卸载或能量收获的。成本函数检查当前的电池和水平决定分数的时间能量收获。最初,当电池水平高,能量收获的时间分数低,卸载的时间分数高。然而,当电池水平降低,低于一个阈值,我们的成本函数增加了能量的时间分数收获它的最大价值。
3.2。远程执行
对于远程执行,也就是说, ,的子任务卸载到HAP利用MES的处理能力。MES的处理能力和传动功率HAP的认为是充分的。因此,下载的延迟HAP太视为零和总时间分为两个部分,即 (22]。UL信道数据速率太偶然, ,可以使用Shannon-Hartley定理得到如下: 在哪里表示太为子任务的传输功率 。UL,噪声谱密度表示和可用带宽。无线信道MT和运气之间被认为是独立同分布块衰落信道。代表了UL小规模衰落信道功率增益。太对HAP的通道功率增益计算 ,在哪里路径损耗是常数,是参考距离,路径损耗指数,是太和运气之间的距离29日]。以类似的方式,DL频道从HAP的MT数据速率, ,可以制定 在哪里代表了HAP的发射功率为子任务 。
远程执行计算时间延迟,UL时间数据传输,数据接收的DL时间,数据在MES的执行时间。传输的UL延时的数据太偶然, ,给药
以类似的方式,接待的DL延时的数据太偶然, ,是制定 在哪里子任务的输出数据吗和子任务的输入数据 。执行时间延迟的数据的市场经济地位, ,是计算 在哪里是MES的CPU频率。子任务的卸货时间延迟 , ,获得的是
MES是高计算能力由于大量的cpu。因此,由于高CPU频率MES,执行时间延迟, ,可能会被忽略。此外,输出数据子任务, ,是很小的输入数据相比, ,因此DL时间延迟, ,几乎可以认为是零。因此,卸载时间延迟的子任务 , ,可以近似为
太把能源消耗的子任务 , ,在远程执行模型制定
子任务的总成本 ,执行远程MES,给出 在哪里和平衡系数,单位为(3)。
子任务的总时间延迟 , ,可以被定义为
子任务的成本太上执行本地或远程在MES是制定执行
一个应用程序包含的总时间延迟子任务的数量, ,可以获得的
本文认为太有可充电的电池,可以提供和储存能量的消耗太,从偶然可以收获能量。收获能量的计算 在哪里 能源是一个常数收获和描述了如何有效地太接收的传输能量HAP (6]。MTs广播射频信号,是偶然的发射功率。代表了DL通道功率增益。为了简单起见,假设等于UL通道功率增益 。为子任务 ,太的能源消费总量, ,被编写为
当前可用的能量太电池用的和满足条件
太可用能源的电池更新如下: 在哪里是太电池的能量来时间槽。的总能量消耗太单一应用程序,包含子任务的数量, ,被定义为
为不同的技术的比较,建模为一个成本函数 在哪里是一个应用程序执行成本。
最初,如果电池级别 ,能源消耗的重量应小于时间延迟的重量,因为在这种情况下,更快的执行更重要。能源消耗的成本函数变得更加重要的电池太很低。因此,我们计算这些加权系数通过使用当前的电池太水平 在哪里代表了目前的电池百分比。
3.3。提出DOTP算法
可能值的数量能量收获时间是由和给药 。在拟议的DOTP技术,描述的算法1,我们的本地和远程计算成本每应用所有可能的子任务的数量, ,可能值的数量 ,这是 ,和卸载策略 。因此,算法的复杂性 。 是一个矩阵的所有可能的出售政策和的顺序吗 。为子任务 ,本地和远程计算成本使用(3)和(13),分别。与最优数量的子任务, ,最优分配策略, ,和最优出售政策, ,用最小的代价在算法1,在那里子任务1的收获时间,子任务2的收获时间,等等。
|
由于计算开销巨大的发现 , , ,和 ,MTs的服务延迟和能量消耗增加。这些值的计算也解释了通过流程图如图2。成本函数的帮助下,我们生成一个训练数据集和训练一个款减少计算开销,MTs的能源消费和服务延迟。
款需要的输入层应用程序的大小 ,每个应用程序的子任务数量 ,距离HAP的太 ,CPU频率 ,发射功率 ,和可用的电池太 ,而输出层给出了最优数量的子任务 ,部分卸载政策 ,和最优时间收获能量 。两个隐藏层和输出层,解决线性单元(ReLU)和Softmax激活函数,分别。
我们计算的最低成本和存储相应的输入和输出作为训练数据集。5000年获得训练数据集的大小后,这些数据分为训练数据集训练数据集(70%),验证数据集(15%的训练数据集),和测试数据集(15%的训练数据集)。款训练在训练数据集,然后通过验证数据集其性能进行了验证。款时训练,通过测试数据集款检查的准确性。DOTP算法结果进行比较与退出基准计划,也就是说,地方执行,完全卸载,部分卸载。
4所示。仿真和结果
使用MATLAB仿真环境(R2019a)和处理器是英特尔酷睿i7 3.4 GHz的时钟速度。应用程序可以分为十余子任务;然而,对于仿真的目的,我们假定应用程序可分为最多10子任务。时间分配策略,时间分辨率为0.01。实际上,湿的距离是12米。然而,检查的流动效果太以更全面的方式,太从HAP的最大距离是假定为200米。太的参考距离HAP是假定为1米。执行试验的基础上随机生成数据显示问题的随机性质,更现实的结果。图的随机生成的输入数据的CPU频率太,太的传输功率,距离太偶然,和应用程序的大小。先进的智能手机有异构能力和使用频率不同的频率在不同的场景中(30.]。因此,CPU频率的随机取自一个均匀分布的范围GHz。同样,智能手机的发射功率是可变的和变化的距离太偶然发生变化。太的随机传输功率的性质的考虑它的均匀分布瓦。不同的应用程序可能有不同的大小,这就是为什么我们已经考虑应用程序的大小是均匀分布的随机选择G比特。将流动性效应的模拟,太从HAP的距离均匀分布的随机选择的范围m。
CPU周期的执行一个字节的数据, ,作为737.5周期/字节,每个应用程序分为子任务的数量和价值位于1到10之间。有效开关电容系数的值, ,被认为是 ,太的能量收获效率, ,为0.8,路径损耗不变, ,−30 dB的价值,路径损耗指数吗 ,和参考距离太偶然, ,是1米。可用的带宽, ,和噪声谱密度, ,0.5 MHz, 174−dBm / Hz,分别。训练有32款神经元在输入层(一个用于太目前电池的水平, ,一个用于应用程序的大小, ,十吨的CPU频率, ,十吨的传播力量, ,十的距离太偶然, )。仿真参数表5。子任务的应用程序的数量的大小将从1到10。因此,在输出层,10指定的神经元数量的子任务/应用程序。在部分抛售政策,认为本文最多9可以将子任务的转移到远程MES。因此,有9个神经元最优分配策略, 。在一个神经元的输出层,最优部分抛售政策, ,存储。因此,输出层的神经元的总数是20款。有两个隐藏层和100年在每个隐层神经元。训练有素的准确性是实现款 。款的详细架构图所示3。
基准的技术考虑的比较仿真结果摘要如下:(我)总卸载技术(18):在总卸载,卸载没有政策决策被认为是和整个应用程序卸载到MES。(2)当地执行(19:在当地执行,执行整个应用程序在本地太并没有卸载MES。(3)部分卸载技术(14:在部分卸载,应用程序分成若干子任务。卸载政策是由决定的子任务在本地或远程执行。
上述所有技术找到最低的出售政策成本和考虑时间延迟和能量消耗固定数量的子任务/应用程序。他们也忽视MT的电池寿命和最佳收获时间分配策略。我们建议的DOTP认为最佳的每个应用程序的子任务数量和最优出售政策。此外,DOTP还考虑当前电池的改进的MT通过从偶然收获能量利用最优分配策略。
在图4,其余的能量太策划反对各种大小的应用程序。太为基准计划的电池快消散而提出DOTP由于高能源消耗。电池水平基准计划方法-(实际上,电池太不让消极的价值观,它是可能的,只有在模拟;在仿真结果,负值太电池表示MT)的关闭状态,结果关机的,因此断开与偶然发生。DOTP增加后任务的总剩余能量的大小12 GBs因为收获能量时间分数太依赖于剩下的电池太的电池太低于一个阈值水平,降低收获能源的太增加时间,减少数据卸载的时间通过改变权重系数的值描述的数学模型。相比之下,没有智能划分时间段能源采集和数据卸载基准方案。因此,其余的能量太为其他方案进一步减少任务后12 GBs的大小。因此,在DOTP方案,保留电池太水平始终保持可用,这确保太会断开HAP和电池水平将负值。
图5描绘的情节能源消费总量与不同的应用程序大小的所有提到的技术。DOTP的最小能量消耗从图可以观察到。这是由于不同的考虑能源消耗成本函数(忽略基准计划),然后选择卸载政策基于最优数量的子任务。不同的能源消费行为的先增加然后减少达到阈值水平时,由于原因被收割的能量大于消耗的能量。太喜欢能量收获,能源消费总量减少12 GB的任务量。是由于能源消耗相对较小的时间分数数据卸载,而其他方案的能源消耗不断增加,由于缺乏智能的时间分配策略。我们所知,这个聪明的时间分配策略忽略了所有的被认为是基准技术。
图6比较了时间延迟与不同的应用程序大小DOTP的基准计划的阴谋。提出DOTP的更好的性能是明显的图通过成就较小的时间延迟。DOTP的更好的性能是由于可供选择的最优数量的子任务/程序,在提到基准计划被认为是常数。总把最小的时间延迟,但这种技术的能源消耗是最高的,如图5。更大的DOTP的执行时间的上升是由于较低的电池太;大部分时间,太将获取能量水平的电池和在同一时间槽的卸载数据。太收成能源更大的时间段的一部分;因此,应用程序会将更多的时间。
在图7,提出DOTP的成本比较与三个基准方案。从图中,很明显,DOTP的最低成本相比其他技术。这最低成本是选择最优数量的子任务的结果/应用程序,考虑到能源消耗,时间延迟和能量收获成本函数。成本函数,权重系数依赖于太的剩余能量。这些系数是用于提供优先级数据卸载或能量收获的。相比之下,基准方案考虑固定数量的子任务/应用,专注于能源消耗或时间延迟但不同时。DOTP的最低成本计算卸载了更好的性能在能源消耗方面,时间延迟和电池寿命。
5。结论
本文太的电池寿命,时间分配策略对能源采集和数据卸载,卸载政策基于最优数量的子任务追究单一太WP-MEC系统。计算卸载应用程序分为最优数量的子任务,然后通过出售政策,遵循当地远程执行或执行的决定。共同制定一个详细的成本函数,考虑时间延迟出售政策和能源消耗。此外,成本函数包括当前电池太,从而延长电池寿命水平太深的学习方法是用来寻找最优数量的子任务每个应用程序和部分卸载政策随着时间分配政策对能源的同时收获。DOTP算法提供了时间分配策略,导致延长电池寿命比基准方案。一款pregenerated数据集上训练通过数学模型实现上述目标,以减少能源消耗和时间延迟,导致传统的优化方法,使决策更快。很明显的数值结果,我们建议的DOTP表明延长电池寿命,降低能源消耗,降低应用程序执行时间延迟与基准相比技术。在未来,可以扩展到多个MTs的场景,也许不久,以及车载网络。此外,可以使用强化方法和路由策略可以追究交接管理在移动从一个偶然到另一个。
数据可用性
在这项研究中使用的数据是随机生成,通过我们提出的数学模型和算法1。使用仿真参数,给出表5,可以生成所需的数据部分中解释3.3。
的利益冲突
作者宣称没有利益冲突。