文摘
随着一些新服务的出现如无人驾驶车辆和虚拟现实,移动通信网络面临沉重的负荷和计算资源不足等问题。云的发展,边缘,边缘和移动网络计算提供了一个很好的解决这个问题。本文提出了用户能源效率公平的发展任务卸载算法云网络。首先,云网络合作模型。模型可以确保用户能源的有效利用和地址任务卸载共同决策和资源分配优化问题。使用广义分数理论,优化问题转化为一个等价的凸问题通过引入松弛以及辅助变量。接下来,集中式能源效率公平(CEEF)和交替方向乘法器的方法(小组ADMM)的能源效率公平算法实现获得优化问题的最优解。最后,通过实验仿真,收敛CEEF——和ADMM-based能源效率公平算法验证。与非合作的算法相比,该方法的性能增加了30.76%。该算法验证用户能源效率确保考试的公平性。
1。介绍
移动通信的飞速发展,一些新的应用,如虚拟/增强现实技术,人脸识别技术,开发了自动驾驶。这些应用程序需求超低延迟和高可靠性的移动网络(1- - - - - -3]。尽管这些新的应用程序增强执行任务的便利,和能源消耗的数据量传输数据以天文数字的速度增加。这导致了一个沉重的处理网络通信设备的负担。云网络可以帮助实现综合应用有关计算和通信资源协作通信设备(有效减轻负担4- - - - - -10]。因此,研究云网络具有重要意义。大量的研究近年来进行了。
云的结合网络和移动边界计算(MEC) [11- - - - - -15)技术能够满足网络通信的需求,计算和业务处理。它可以实现一个有效的支持系统网络提供新颖应用。通过应用MEC技术,云网络上的用户可以上传计算任务计算需求和能源消耗高边缘节点。计算节点是非常接近用户。因此,数据传输和链接可以有效地缓解交通拥堵的压力。同时,网络带宽需求和传输延迟的数据计算和存储过程可以显著减少(16- - - - - -18]。
目前,相当大的进步了云网络边移动边计算领域的网络应用程序。之前的研究使用边缘节点和移动设备形成一个边缘计算系统在移动设备计算任务(19]。考虑边缘的频率调整和nonadjustment访问点,不同的方法被用来获得卸载的决定。用户合作云网络边移动边计算模型也提出,其主要目标是最小化任务处理延迟做出最优任务卸载决定(20.]。随机优化理论也被用来制造最优计算卸载决定卸载问题[21]。移动边缘的数据缓存计算模型被认为是获得卸货决定考虑平均最低任务处理延迟(22]。这些研究只关注任务的优化分析卸载决策和没有研究资源分配问题。
在云网络的密集部署边缘服务器消耗大量资源。此前很多研究在这一领域进行的。提出了一种资源分配方法来减少无线供电系统的能源消耗在cloud-edge计算场景中(23]。计算资源分配算法以最小化终端能源消费与延迟约束(24]。公平意识到沟通和计算资源分配方案提出,旨在最大限度地减少用户之间的最大损失作为优化的目标函数(25]。对于单细胞场景,文献[23)提出了一个任务卸载和资源分配方案,以减少系统的能源消耗与无线供电能力。考虑到用户延迟约束,文献[24)提出了一个访问控制和计算资源分配算法来最小化终端能源消费。在多单元的场景中,考虑到用户可以卸载多个边缘节点任务,任务分配终端的优化减少延迟的加权和,以及终端能源消费(26]。卸货的决定,通信资源分配(上行带宽和下行带宽)和计算资源分配每个用户的优化来减少能源消耗和延迟减肥为所有用户在用户延迟约束(27]。旨在最小化的优化问题建立了用户之间的最大损失,和公平知觉卸载决策提出了通信和计算资源分配方案(25]。任务和资源的联合调度问题中的多个边缘服务器云网络分析(28]。这里,虽然云下的资源管理网络边缘结束之间融合网络和负载平衡被认为是边缘节点,用户卸载决策和资源分配之间的相关性被忽略。因此,综合考虑用户卸载缺乏决策和资源分配。
在云网络中,计算机之间的交互和沟通使资源优化问题非常复杂,难以解决。此外,还有多个边缘节点在网络计算能力和通信负载的巨大差异。在云网络边缘集成网络,它是重要的节点相互合作以提高网络效率和性能,实现高效利用和资源共享。因此,本研究旨在开发一个合作云网络边缘融合网络以用户能源效率最大和最小为目标函数,综合考虑用户卸载决策和资源分配。
总结了本文的主要贡献如下:(我)优势网络模型构建的云网络协作,和用户的公平性能源效率分析的基础上,最大和最小标准。(2)用户能源效率的优化公平提出了云计算网络edge-end融合网络模型是一个整数凸分式规划问题很难解决。使用广义分数理论、松弛变量和等效替代的优化问题,我们将优化问题转化为一个凸优化问题。CEEF——ADMM-based能源效率公平算法提出了问题的处理。(3)通过仿真,提出CEEF的性能和小组ADMM能源效率公平算法。该算法的效率,保证用户能源效率公平是验证。
2。系统模型
在本节中,云网络系统的系统模型,包括网络、通信和计算模型,提出了。
2.1。网络模型
如图1在云中,网络模型包括我用户终端,米基站,远程云服务器。每个基站在这个网络配备MEC服务器。MEC服务器和用户终端集可以表示为 ,和 ,分别。
用户终端的计算任务进行处理。 描述了计算任务,代表任务的数据大小,代表的数量完成终端任务所需的CPU周期。用户终端能够选择在本地处理任务或卸载MEC或云服务器。当用户终端发送任务MEC服务器,MEC服务器可以处理任务本身,它转发给其他MEC服务器与丰富的计算资源,或进一步卸载任务到云服务器进行处理。表1总结了使用符号和相应的定义。
二元变量 定义, 显示用户终端的任务处理本地和 意味着任务不是在本地处理。同样的, 表明用户终端的任务处理由MEC服务器吗和 表明任务不是MEC服务器上处理 。此外, 表明用户终端的任务是由云服务器和处理 表明用户终端的任务不是由云服务器处理。卸货决定由用户终端的计算任务需要满足以下约束条件:
这个约束意味着每个用户终端的计算任务只能由三种方式之一处理:本地处理,MEC服务器处理,云服务器处理。这意味着,用户终端 ,只有一个二进制变量可以等于1。
2.2。通信模型
在cloud-edge网络模型中,当用户终端MEC服务器发送一个任务 ,通道增益表示为 在哪里是信道功率增益系数当用户终端MEC服务器发送任务 , 用户终端之间的距离吗和MEC服务器 ,和是路径损耗的因素。
假设用户运动速度很小在卸货的计算,可以被认为是一个常数。之间的上行传输速度和是 在哪里是可用的频谱带宽,用户终端的上行传输力量吗 ,和噪声功率。
2.3。计算模型
的本地计算能力是由 ,和电力消耗在本地计算是由 。因此,当处理任务在当地,计算延迟可以表示为
消耗的能量可以表示为
当将任务发送给进行处理,计算能力是由和计算资源分配由 。当用户终端发送一个任务时,可以表示为传输延迟
在传输过程中消耗的能量可以表示为
因此,计算延迟可以表示为任务处理
当卸载的任务 , 可以选择处理任务本身或将其发送给其他MEC服务器与丰富的计算资源。订单表示任务之间的转发MEC的平均往返时间服务器和另一个MEC服务器 。当 , 。因此,当传输任务进行处理,总延误分为三个部分:之间的传输延迟和 ,之间的转发延迟和 ,和计算延迟接收任务。总延迟因此可以表示为
当卸载一个任务到云服务器进行处理,云计算能力是由分配 ,的平均往返时间任务之间的传输云服务器是由 ,和任务的处理延迟云服务器可以表示为
处理后返回的数据的大小是在处理之前相比小得多。因此,结果是可以忽略不计的传输延迟。当云服务器进程的任务 ,的总延迟整个过程可以表示为
总之,用户终端的总延迟在任务处理可以表示为
总能耗可以表示为
3所示。用户能源效率公平的资源分配算法
首先,本节制定资源分配和任务卸载基于最大最小准则优化问题,然后解决他们使用CEEF和小组ADMM算法,分别。
3.1。问题再形成
最大最小准则是一种有效的手段,以确保公平为所有用户。因此,它被用来构造联合资源分配和任务卸载优化问题。卸货决策向量表示为 ,和联合优化问题是表示如下:
方程(14)代表联合资源分配和任务的目标函数卸货,方程(15)代表的用户终端要求任务的延迟卸货过程中,方程(16)表明,基站的计算资源不能超过最大计算能力,和方程(17)和(18)表明,只可以选择一个节点来计算所需的任务。
3.2。解决方案使用CEEF算法
用户能源效率公平优化问题的基础上,最大和最小的标准是一个整数凸分式规划问题。首先,问题转化为一个等价的整数减法凸优化问题使用广义分数理论。让变量问代表的值优化问题,即最大和最小的能源效率。使用广义分数理论和引入松弛变量 ,这个问题可以转换为以下: 在哪里
作为 是二进制变量,它可以放松吗 。优化问题是进一步修改如下:
目标函数方程(26)是一个线性函数,方程(28)- (31日)线性约束。的总延迟用户终端使用方程(27)表示为
产品的术语 夫妻的变量和 。额外的变量 和 介绍了解决上述方程。因此,问题描述如下: 在哪里是一个正常的数量接近0。为了解决上述问题,CEEF算法。其步骤如算法1所示。
作为卸货决策变量被替换成一个连续变量, 需要映射到一个二进制变量后的最优解。经济复苏计划如下:
所有其他变量也同样恢复。
3.3。解决方案使用小组ADMM算法
小组ADMM算法是一个标准的方法来解决大规模优化问题。结合CEEF,它可以有效地实现用户能源效率公平。
首先,优化变量 , ,和复制和重新定义为 , ,和形成以下方程:
方程(33)可以等价于修改如下:
因此,从方程(增广拉格朗日函数43)可以表示为 在哪里 , ,和代表了拉格朗日乘数法 表示增广拉格朗日参数,它是一个常数。这个常数控制小组ADMM算法迭代的收敛性。为了方便解决目标变量,拉格朗日乘数系数简化。因此,增广拉格朗日函数可以等价转换为以下:
当使用小组ADMM为了解决这个问题,通过多次迭代变量需要更新。让 代表的价值tth迭代的变量。解决方程的第一步是更新本地变量,即表示如下:
这个问题可以分解成米并行的子问题,每个子问题分别解决了利用凸优化。
第二步是更新全局变量使用以下公式:
上述问题是一个无约束二次凸问题。派生变量后,得到以下方程:
全局变量最优解如下:
第三步是更新拉格朗日乘子如下:
第四步验证迭代终止条件,表示如下: 在哪里 和 代表迭代阈值在可行的情况下停止。
能源效率公平算法基于小组ADMM算法这里描述算法2所示。
作为卸货决策变量被修改成一个连续变量, 需要映射到一个二进制变量后的最优解。经济复苏计划如下:
所有的其他变量都以同样的方式恢复。
复杂性分析:当使用CEFF算法来解决这个问题,该算法的复杂性 。拟定ADMM-based分布式算法,局部变量更新的计算复杂度 。全局变量的更新,相应的计算复杂性 。此外,更新拉格朗日乘子的复杂性 。因此,算法的每次迭代的计算复杂度 。
4所示。仿真结果
在本节中,提出的算法通过仿真实验进行比较。仿真是由三个基站和27个随机的用户。每个基站覆盖半径500米,和用户中随机分布的重叠区域的基站。系统中的传输链路带宽是15兆赫,噪声功率 瓦分贝,路径损耗模型 ,和d代表MEC服务器和用户终端之间的距离。本地用户终端的计算能力,基站,和云服务器0.6 Gcycles / s, 5 Gcycles / s,分别和10 Gcycles / s。实现性能比较,一个非合作的方案模拟除了CEEF和小组ADMM [29日]。在非合作的方案,计算任务可以由用户终端处理,MEC服务器,或云服务器,但MEC服务器之间的合作是不考虑。计算任务不能转发给其他MEC服务器,能源效率和最大最小用户不能通过优化资源配置。
图2显示了CEEF算法的收敛过程,小组ADMM算法,非合作的算法。横坐标代表的迭代次数,纵坐标代表了能源效率。从仿真图可以看出,随着迭代次数的增加,这三个方案稳定以其独特的价值,从而验证了算法的收敛。CEEF和小组ADMM算法的性能高于30.76%的非合作的计划。这是因为计算任务在非合作的方案不能转发MEC服务器,从而增加能源消耗和减少能源效率。
图3显示不同的任务计算用户能效的影响由CEEF,小组ADMM和非合作的算法当用户终端的传动功率0.2 W和0.5 W。横坐标代表所需的计算任务,纵坐标代表能源效率。三个方案的能源效率逐渐降低与计算。计算数量的增加,能源消耗增加,从而减少能源效率。图也显示CEEF和小组ADMM算法的节能趋势是一致的,比非合作的计划。我们可以因此得出结论,合作方案的性能优于非合作的方案在不同的计算负载的情况下。
图4显示不同的数据大小的影响任务的用户能效CEEF下,小组ADMM和非合作的算法当用户终端的传动功率0.2 W和0.5 W。图中的横坐标代表任务的数据大小,纵坐标代表了能源效率。任务的数据大小的增加逐渐降低的三个算法的效率。当一个任务的数据大小的增加,计算系统的能源消耗的增加,从而减少能源效率。图也显示CEEF和小组ADMM算法的节能趋势是一致的,比非合作的计划。我们可以因此得出结论,CEEF和小组ADMM算法的性能优于非合作的方案多种多样的数据大小。
图5显示了用户的传输功率的影响终端用户能效CEEF,小组ADMM,非合作的算法在任务数据大小是0.2 Mb和0.5 Mb。横坐标代表传播力量,纵坐标代表了能源效率。传动功率的增加,这三个方案的能源效率逐渐降低。传动功率逐渐增加时,系统消耗的能量传输计算超过传输速率的增加而增加,导致能源效率降低。图也显示CEEF和小组ADMM算法的节能趋势是一致的,比非合作的计划。我们可以得出结论,CEEF和小组ADMM算法执行比非合作的算法当用户传播权力是不同的。
图6显示了一个比较考虑和不考虑公平。两者的区别是,优化的目标函数是不同的。目标函数不考虑公平是最大总能量效率,也就是说,总用户速率比用户能源消费总量应该是最大的。图中显示,当不考虑公平,能源效率差距最好的用户和最严重的用户相对较大。我们可以得出结论,最大和最小的用户能源效率考虑本文可以更好地确保所有用户的公平的资源的访问。
5。结论
本文开发一个云网络边缘网络模型,分析了基于最大最小公平的用户能效标准。用户能源效率公平优化问题提出了云网络边缘网络模型是一个整数凸分式规划问题,很难处理。通过广义分数理论、松弛变量和等效替代的优化问题,这个问题被修改成一个凸优化问题。因此,CEEF——ADMM-based能源效率公平算法提出了问题的处理。模拟执行测试算法,并验证该算法可以保证用户能源效率公平。
数据可用性
数据共享不适用本文没有生成数据集或在当前的研究分析。
的利益冲突
作者宣称没有利益冲突。
确认
子项目的部分工作是支持国家重点研究和发展计划(批准号2020 yfc1511704) 2020年,北京科技项目(批准号Z211100004421009)、北京信息科技大学(批准号2021号2020 kynh212 cgzh302),和部分由中国国家自然科学基金(批准号61971048)。