文摘
区块链技术在许多领域得到了广泛的应用。然而,工作证明(战俘)问题在采矿过程中移动设备需要大量的计算资源和能源消耗,这为移动设备带来了巨大的挑战。移动计算边缘(MEC)可以有效地解决上述问题,允许移动设备卸载任务边缘服务器来缓解压力计算资源有限的移动设备上。非正交的多路访问(NOMA)善于提高频谱效率,这样系统可以容纳更多的用户。在本文中,我们提出一种新的NOMA-based MEC-enabled区块链框架。条件下给定任务执行的最后期限,卸载的决定,当地的计算资源分配、用户集群和允许控制和传输功率控制联合优化系统的总成本降到最低。很难解决的问题以来,我们为低解耦成子问题的解决方案。首先,我们提出了两种启发式算法获得二进制卸载和用户协会决定,然后封闭解的本地资源分配和传输功率控制下得到所需的延迟约束。仿真结果表明,我们提出的算法执行好与其他基线算法相比,降低成本。
1。介绍
近年来,智能用户设备、物联网(物联网)设备及其运行的智能应用程序被广泛推广,和区块链技术也被广泛应用于各种工业应用(1),如物联网和医疗保健。区块链技术使用区块链数据结构来验证和存储数据,使用分布式节点共识算法来生成和更新数据,并使用加密技术来保证数据传输的安全性和访问。其实质是一个分散的数据库,核心问题是要解决矿业的难题。区块链用户或矿工需要运行一个采矿难题,即解决工作的证明(战俘)问题,这是一个计算过程,需要密集的计算资源。然而,移动设备的资源有限,通常无法参与开采过程。移动边缘计算(MEC) [2)提供了一个有效的解决方案来解决所面临的挑战。它减轻了移动设备的计算任务的无线网络(3),从而提高计算效率和减少延迟。同时,爆炸提高物联网用户设备制造恐慌的无线资源进一步紧张,这削弱了任务卸载MEC的表演。近年来,非正交的多路访问(诺)4,5)吸引了很多关注在MEC域增强的性能计算卸载。诺玛,一组用户可以将自己的任务同时使用相同的频道,因此每个用户都可以享受更多的无线频道(6)和/或时段(7),系统能够容纳更多的用户(8]。
一方面,许多文献研究提出了各种方法解决把问题在移动区块链网络,如基于凸优化的方法。在[9),作者将一些计算密集型任务交给一个不可信的MEC服务器和提出了一个哈希计算排序(HCO)机制使不可信MEC服务器提供计算资源的公平分配所有移动用户。在[10),作者提出了一个blockchain-enabled IoT-edge-cloud计算架构,移动云计算(MCC)和好处MEC, MEC服务器提供了更低的延迟计算服务,同时MCC服务器提供强大的计算能力。在[11),作者研究了计算移动边缘区块链挖掘任务。基于Stackelberg理论,计算资源的定价和消费是归因于被领导耦合游戏,和一个有效的卸载算法提出了挖掘任务。
另一方面,一些研究调查了NOMA-based MEC系统,能耗最小化用户设备总是第一个关心的问题。在[12],作者制定联合用户聚类和传输功率控制问题,提出了一个matching-coalition方法解决问题。在[13),作者应用诺玛,使大规模连接支持节能MEC在物联网网络联合通信和计算资源分配优化。在[14),作者研究了多用户任务处理延迟最小化问题NOMA-based MEC网络通过优化任务分区比率和传输功率控制。在[15),作者研究了能源消耗减少NOMA-based MEC系统通过共同优化传输时间和力量。
从上面的作品,我们发现,目前仍缺乏研究最优策略实现采矿任务卸载移动区块链。因此,本文认为数据卸载和资源分配的联合优化改善卸载区块链网络的效率。此外,用户聚类和资源分配16,17)优化NOMA-based MEC系统中重要的因素,和用户的能耗最小化的最一般的目标是优化。上述工作只考虑用户聚类,资源分配,和功率控制问题,所有用户卸载任务MEC服务器,没有考虑任务卸载决策的优化。在大多数物联网场景中,这是不合理的,不使用本地处理能力和MEC服务器的容量是有限的;因此,任务处理失败当用户没有收到。此外,当物联网设备的数量太大,然后当地MEC服务器负担不起,因此,云是必要的。出于以上考虑,我们考虑卸载的联合优化决策,用户集群和允许控制和计算资源分配和传输功率控制在NOMA-based混合和应用云计算的区块链网络边缘。我们打算减少能源消耗在地方和MEC处理,减少经济支付在云处理模式,挖掘利润最大化。最重要的是,我们确保所有用户的任务成功处理,即。在任务处理,没有用户就会失败。制定问题包括二进制整数,和连续变量,所以很难解决。
为此,我们不仅致力于提出低算法容易实现。首先,我们使用两种启发式算法来解决二进制卸载和用户协会决定,分别,然后获取当地资源分配的封闭形式的解决方案。此外,封闭解MEC传输功率控制和功率控制的云计算中心是满足时延约束的前提下解决。仿真结果表明,该低我们提出的算法可以有效地降低系统成本相对于其他简化方法。
本文的其余部分组织如下。节2给出了系统模型和问题是制定。部分3提供了卸载决策优化。允许控制和用户聚类介绍部分4;开发当地的计算资源分配的部分5,部分6介绍了传输功率控制。部分7开发仿真结果和讨论。部分8总结了纸。
2。系统模型
我们考虑一个NOMA-based MEC和云计算区块链网络,组成的访问点(APs),随机分布的用户,远程云中心。每个AP配有MEC服务器通过有线连接,如图1。在下面,MEC服务器和美联社交替使用。表示 是一组用户和 APs的集合。我们假设用户将他们的任务到MEC服务器通过诺玛(18,19)组成一个小组,因为每个用户都可以卸载MEC服务器的任务。让 表示的集合组,每组的最大用户数量,可以由AP 。所以,APs能容纳最多用户。特别是,我们假设每个组分配一个正交的子通道带宽 。同一组的用户可以卸载美联社在同一子通道的任务。最后,我们假定MEC服务器和APs完全信道状态信息(CSI)。
尤其是有一个远程云中心,用户还可以将云计算中心的任务。云计算为用户有足够的计算资源和无线带宽,但是当用户选择卸载任务,它收费带宽和计算资源的使用。
每个用户充当一个矿工,运行一个区块链应用程序记录事务中执行网络(20.]。表示 作为矿工的任务 。每个任务的特点是输入的大小(21),即。,the number of bits that must be transferred from the user to the AP, and the workload ,也就是说,the processing density (in CPU cycles per bit).是最后期限完成任务。然后,我们有 ,在哪里是处理工作负载的大小(在CPU周期)。我们假设所有APs和矿工在区块链网络支持NOMA-based MEC有计算能力提供任务执行服务。挖掘任务无法计算可以将本地的矿工转移到附近的接入点。因此,每个矿工可以在本地执行任务或卸载到MEC服务器(美联社 )或云中心执行。我们使用 , ,和表示矿工的任务是由矿工处理本身,或者通过MEC服务器 ,或云计算中心,分别3,22]。
2.1。本地处理
当任务在本地处理,表示用户的本地处理能力是 ,我们有 在哪里是当地的计算资源分配,限制吗 ,和取决于应用程序的性质,例如,计算机应用程序的复杂性。是一个系数。
2.2。MEC处理
在该地区,有MEC服务器为用户提供服务。因此,在MEC处理模型中,每个用户可以卸载任何其中之一。它的任务假设用户免除了其任务MEC服务器 ,传输速率是由任务 在哪里是用户的传输功率当卸载MEC服务器和二进制变量是访问控制,在哪里 显示用户通过MEC服务和 否则。基于 ,用户的传输延迟和能量消耗是由
MEC的任务是处理服务器时,用户将等待结果。任务处理延迟和用户的能源消耗在此过程中给出 在哪里是用户的电力消耗当等待和通过MEC服务器计算资源分配吗 ,这是一个常数。MEC处理模型的延迟和能源消耗的
用户任务卸载到MEC服务器将获得额外的利润。利润完成挖掘任务是由 在哪里(美元)是矿业和回报(美元/ J)是能源消耗的单价。
2.3。云处理
当用户将其任务卸载到云中心,它将与独占带宽分配 ,和处理资源 。用户的传输速率云是由处理模式
延迟在云可以给出的处理方式
云计算运营商将收取用户使用通信和计算资源,价格在哪里( )和(美元/ (CPU周期每秒),分别。
因此,由用户支付成本在通信和任务处理
2.4。总延误和总成本
在不同的模式,基于上述延误的总延迟用户是由
用户的总成本被定义为 在哪里(美元/ J)(一个无量纲数)重量参数。
2.5。问题公式化
在这篇文章中,我们打算将系统总成本最小化,即。,the energy consumption for local and MEC processing, economic payments in cloud processing mode, and additional profits from mining tasks for miners. In particular, minimizing economic payments has a higher priority. We achieve the purpose by jointly optimizing the offloading decision ,访问控制和用户聚类 ,当地的计算资源分配 ,MEC的传输功率控制和云处理模式,也就是说, 和 ,分别。问题是制定 (C1)任务完成期限;(C2)是限制本地计算资源分配;(C3)和(C4)是MEC的限制传输功率控制和云处理,分别;(C5)和(C6)要求每个用户的任务只能在一个地方处理,即。、局部或某些MEC服务器,或云计算中心;(C7)是二进制访问控制约束,和(C8)要求每个AP的最大数量的用户服务不应超过 。问题包含二进制整数,连续变量,一般非凸,很难解决。在下面几节中,我们将提出低算法来解决这个问题。
3所示。卸载决策优化
在本节中,我们提出一个低算法获得卸载决策 ,所示的算法1。
|
自云上处理的任务将收取费用,所以我们鼓励用户尽可能多的处理他们的任务自己本地或出售他们的任务到MEC服务器。此外,noncloud处理任务,我们鼓励尽可能多的用户将他们的任务为节能MEC服务器。我们的主要想法可以向以下步骤:(我)我们把所有的用户分为两个子集,当地可行集和地方不可行集 。(2)接下来,我们判断 。如果是,这意味着当地不可行的用户的数量小于MEC服务器能够承受的能力。因此,让所有的用户卸载任务MEC处理和不需要卸载任务到云服务器。此外,为了为用户节约能源,从而降低系统能耗,同时保证延迟的要求,有必要饱和MEC服务器的用户数量尽可能多。MEC服务器最好的渠道获得,例如, ,将减少数据传输延迟、用户提供一个更大的工作负载,比如, ,意味着任务更复杂和更少的适合本地处理,用户规模较小的数据传输,例如,意味着更低的传输延迟。结合这三个因素,我们定义了一个新的参数 。更大的 ,适合用户的任务就越少是在本地处理。因此,根据的大小 ,移动用户从本地可行集MEC处理。(3)如果 ,这意味着一些任务必须卸载云处理,和用户需要支付一些费用进行任务处理。我们应该挑选用户MEC处理,其余的任务卸载到云。
执行上面的步骤,可以卸载的决定。拟议的出售决策算法算法进行了总结1。
|
4所示。允许控制和用户聚类
卸载后决策,用户被挑出,他们的任务将会处理的MEC服务器。接下来,我们将分配用户的MEC服务器。
因为我们打算MEC的能耗最小化处理,一个新的参数 定义。MEC服务器最好的渠道获得,即 ,将减少数据传输延迟,和最多的服务器计算资源,例如, ,将减少任务处理延迟。因此,越大 ,用户更愿意访问MEC服务器 ,延迟处理任务越小,功耗越小。基于上述观点,我们承认控制和用户聚类算法的详细算法2。
算法后1和2执行,卸载的决定,允许控制和用户聚类,即。,用户集分成若干个子集,包括本地处理组(i) ,在卸载决定的任务是 ;(2)MEC处理子集,每个子集 ,卸载的决定 ,和接纳控制 ,和所有用户在每个子集将出售他们的任务MEC服务器通过诺玛共享相同的带宽;(3)云处理组 ,每个用户在这组将为云处理出售他们的任务。
的用户 ,我们需要执行本地计算资源分配优化 ;在每个用户而在 ,我们需要执行传输功率控制优化,即。,我们需要确定 和 ,分别。
5。当地的计算资源分配
的用户 ,我们需要执行当地计算资源分配的任务处理能耗最小化,我们有
为用户 ,考虑到数据输入的大小 ,一个系数和计算应用程序的复杂性 ,能源消耗仅受到当地的计算资源分配的影响。为了减少能源消耗,同时保证延迟需求,让 ,这样我们只需要满足延迟需求的最小的计算资源,并获得 。
6。传输功率控制
卸载后决策、访问控制和用户聚类,和地方获得计算资源分配的问题降解成MEC的传输功率控制的优化处理和云处理,分别。用户选择MEC处理,我们需要执行用户在同一集群中传输功率控制如下:
云处理用户,我们有
为了使易处理的解决方案,我们使用以下简单的方法获得封闭的解。
对于云处理用户来说,它可以知道每个用户分配相同的带宽,所以费用只是受到影响 。然而,在给定的信道增益,上行传输速率只是传输能量的影响 。越大 ,越高 。因此,为了最小化总费用,同时保证延迟的要求,我们可以满足的传输能量 。
MEC处理用户在每个集群,我们采取以下策略:(i)为最终用户,即。、用户 ,我们把传输功率可以满足 。(2)后确定,用户的传输速率 ,也就是说,在(3)只影响它的传输能量 ,所以我们也可以传输能量,可以满足 。(3)当和决心,可以使用相同的方法,然后呢…可以确定一个接一个相同的方式。
7所示。仿真结果
在本节中,我们的系统性能评估NOMA-based MEC-enabled区块链网络。仿真参数表中列出1。
我们使用以下算法算法比较。(我)随机计算卸载算法:用户随机卸载他们的任务到本地或MEC或云服务中心。此外,它将使用我们的算法为当地的计算资源分配、功率控制的云计算中心,和MEC功率控制。(2)随机功率算法:权力是随机生成的,和其他资源分配方案使用我们的算法。
图2显示用户的访问的数量如何影响系统的总成本。在每个APs的访问用户数量增加,美联社处理任务的能源消耗也增加,所以系统的总成本。三条曲线的趋势图2与我们的分析是一致的。但是我们的算法具有最低的成本。因为我们的算法具有功率优化处理MEC和云中心,我们的算法的能量消耗低于随机算法。也同样,我们的算法优化随机卸载和用户访问,所以在用户访问点的增加,随机卸载算法的成本高于我们的算法。
在图3情节,我们体重的影响参数系统的成本。作为重量参数控制当地的能源消耗和能耗MEC,当地和MEC成本在同一个数量级云中心成本。当重量参数是0,只有用户在云中心的成本是包括在总成本中。三条曲线的图3,卸载后决定和用户访问的随机卸载算法是随机的,用户在云中心的成本是最高的,也就是说,总成本也最高。随着重量的增加参数 ,该算法具有最低的成本相对于其他基线算法通过联合优化的各种因素。
图4情节如何本地处理能力影响系统的总成本。与当地的增加处理能力 ,用户在本地处理任务的数量增加时,本地处理能耗增加,系统总成本也会增加。从图可以看出,所有三个曲线增加本地处理能力增加。由于随机的本地用户卸载算法是随机生成的,而我们的算法是生成的本地用户优化算法,随机出售的总成本高于我们的算法由于两种不同的卸载方法。此外,另一个因素,确定成本传输能量。以来的传输功率分配算法进行了优化,而随机功率的功率分配算法是随机的,我们的算法的成本低于随机算法。
在图5的单价,我们展示如何MEC能源消耗影响系统的成本。可以看出,MEC能耗的单价增加,所有算法的成本增加。这是符合我们的直觉。随着单价的增加,额外的净收益从矿业将减少。根据公式(11),系统的总成本将会增加。此外,由于我们的算法优化在所有方面,我们的总成本是最小的比其他算法。
8。结论
在这篇文章中,我们已经考虑联合优化卸载决定,当地的计算资源分配,用户聚类和允许控制,和传输功率控制,对任务执行的最后期限在NOMA-based MEC-enabled区块链网络系统成本最小化。要有效地解决这个问题,我们提出的启发式算法复杂度较低。在我们的问题解决过程中,出售的决定是基于启发式算法解决1和用户聚类和允许控制是解决算法2,然后封闭解的本地资源分配和传输功率控制下得到所需的延迟约束。仿真结果表明,该算法对降低成本有很好的效果。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。
确认
这部分工作是支持下的陕西省自然科学基金批准号金桥2020 - 844年中国自然科学基金批准号。61901367,62001357,61871321,和U1965102,陕西省科技创新团队下的无线宽带和应用程序批准号2017 kct-30-02,国家科技重大项目批准号2016 zx03001016,项目关键Labortary科学技术在通信网络批准号6142104200412。