高级搜索

超密集网络中基于移动边缘计算的任务卸载和资源优化

张海波 李虎 陈善学 贺晓帆

引用本文: 张海波, 李虎, 陈善学, 贺晓帆. 超密集网络中基于移动边缘计算的任务卸载和资源优化[J]. 电子与信息学报, 2019, 41(5): 1194-1201. doi: 10.11999/JEIT180592 shu
Citation:  Haibo ZHANG, Hu LI, Shanxue CHEN, Xiaofan HE. Computing Offloading and Resource Optimization in Ultra-dense Networks with Mobile Edge Computation[J]. Journal of Electronics and Information Technology, 2019, 41(5): 1194-1201. doi: 10.11999/JEIT180592 shu

超密集网络中基于移动边缘计算的任务卸载和资源优化

    作者简介: 张海波: 男,1979年生,副教授,研究方向为无线资源管理;
    李虎: 男,1992年生,硕士生,研究方向为移动边缘计算、无线资源管理;
    陈善学: 男,1966年生,教授,研究方向为图像处理、数据压缩;
    贺晓帆: 男,1985年生,助理教授,研究方向为无线资源优化
    通讯作者: 李虎,976502889@qq.com
  • 基金项目: 国家自然科学基金(61771084, 61601071),长江学者和创新团队发展计划基金(IRT16R72),重庆市基础研究与前沿探索项目(cstc2018jcyjAX0463)

摘要: 移动边缘计算(MEC)通过在无线网络边缘为用户提供计算能力,来提高用户的体验质量。然而,MEC的计算卸载仍面临着许多问题。该文针对超密集组网(UDN)的MEC场景下的计算卸载,考虑系统总能耗,提出卸载决策和资源分配的联合优化问题。首先采用坐标下降法制定了卸载决定的优化方案。同时,在满足用户时延约束下采用基于改进的匈牙利算法和贪婪算法来进行子信道分配。然后,将能耗最小化问题转化为功率最小化问题,并将其转化为一个凸优化问题得到用户最优的发送功率。仿真结果表明,所提出的卸载方案可以在满足用户不同时延的要求下最小化系统能耗,有效地提升了系统性能。

English

    1. [1]

      WANG Shiqiang, ZAFER M, and LEUNG K K. Online placement of multi-component applications in edge computing environments[J]. IEEE Access, 2017(5): 2514–2533. doi: 10.1109/ACCESS.2017.2665971

    2. [2]

      MAO Yuyi, YOU Changsheng, ZHANG Jun, et al. A survey on mobile edge computing: the communication perspective[J]. IEEE Communications Surveys & Tutorials, 2017, 19(4): 2322–2358. doi: 10.1109/COMST.2017.2745201

    3. [3]

      PAN Jianli and MCELHANNON J. Future edge cloud and edge computing for internet of things applications[J]. IEEE Internet of Things Journal, 2018, 5(1): 439–449. doi: 10.1109/JIOT.2017.2767608

    4. [4]

      YANG Bin, MAO Guoqiang, DING Ming, et al. Dense small cell networks: from noise-limited to dense interference-limited[J]. IEEE Transactions on Vehicular Technology, 2018, 67(5): 4262–4277. doi: 10.1109/TVT.2018.2794452

    5. [5]

      GE Xiaohu, TU Song, MAO Guoqiang, et al. 5G ultra-dense cellular networks[J]. IEEE Wireless Communications, 2016, 23(1): 72–79. doi: 10.1109/MWC.2016.7422408

    6. [6]

      YANG Lichao, ZHANG Heli, LI Ming, et al. Mobile edge computing empowered energy efficient task offloading in 5G[J]. IEEE Transactions on Vehicular Technology, 2018, 67(7): 6398–6409. doi: 10.1109/TVT.2018.2799620

    7. [7]

      ZHANG Jiao, HU Xiping, NING Zhaolong, et al. Energy-latency tradeoff for energy-aware offloading in mobile edge computing networks[J]. IEEE Internet of Things Journal, 2018, 5(4): 2633–2645. doi: 10.1109/JIOT.2017.2786343

    8. [8]

      LIU Jianhui and ZHANG Qi. Offloading schemes in mobile edge computing for ultra-reliable low latency communications[J]. IEEE Access, 2018, 6: 12825–12837. doi: 10.1109/ACCESS.2018.2800032

    9. [9]

      MAO Yuyi, ZHANG Jun, SONG S H, et al. Stochastic joint radio and computational resource management for multi-user mobile-edge computing systems[J]. IEEE Transactions on Wireless Communications, 2017, 16(9): 5994–6009. doi: 10.1109/TWC.2017.2717986

    10. [10]

      TI N T and LE Longbao. Computation offloading leveraging computing resources from edge cloud and mobile peers[C]. Proceedings of 2017 IEEE International Conference on Communications, Paris, France, 2017: 1–6.

    11. [11]

      ZHAO Pengtao, TIAN Hui, QIN Cheng, et al. Energy-saving offloading by jointly allocating radio and computational resources for mobile edge computing[J]. IEEE Access, 2017(5): 11255–11268. doi: 10.1109/ACCESS.2017.2710056

    12. [12]

      ZHANG Jing, XIA Weiwei, YAN Feng, et al. Joint computation offloading and resource allocation optimization in heterogeneous networks with mobile edge computing[J]. IEEE Access, 2018, 6: 19324–19337. doi: 10.1109/ACCESS.2018.2819690

    13. [13]

      GUO Jun, ZHANG Heli, YANG Lichao, et al. Decentralized computation offloading in mobile edge computing empowered small-cell networks[C]. Proceedings of 2017 IEEE Globecom Workshops, Singapore, Singapore, 2017: 1–6.

    14. [14]

      RANADHEERA S, MAGHSUDI S, and HOSSAIN E. Computation offloading and activation of mobile edge computing servers: a minority game[J]. IEEE Wireless Communications Letters, 2018, 7(5): 688–691. doi: 10.1109/LWC.2018.2810292

    15. [15]

      WANG Chenmeng, YU F R, LIANG Chengchao, et al. Joint computation offloading and interference management in wireless cellular networks with mobile edge computing[J]. IEEE Transactions on Vehicular Technology, 2017, 66(8): 7432–7445. doi: 10.1109/TVT.2017.2672701

    16. [16]

      DINH T Q, TANG Jianhua, LA Q D, et al. Offloading in mobile edge computing: task allocation and computational frequency scaling[J]. IEEE Transactions on Communications, 2017, 65(8): 3571–3584. doi: 10.1109/TCOMM.2017.2699660

    17. [17]

      RAM S S, VEERAVALLI V V, and NEDIC A. Distributed non-autonomous power control through distributed convex optimization[C]. Proceedings of IEEE INFOCOM 2009, Rio de Janeiro, Brazil, 2009: 3001–3005.

    18. [18]

      LIU Peng, LI Jiandong, LI Hongyan, et al. Convex optimisation-based joint channel and power allocation scheme for orthogonal frequency division multiple access networks[J]. IET Communications, 2015, 9(1): 28–32. doi: 10.1049/iet-com.2014.0409

    19. [19]

      3GPP organizational parthners. Evolved universal terrestrial radio access (E-UTRA); Further advancements for E-UTRA physical layer aspects (Release 9), document TS 36.814, 3GPP[OL]. http://www.3gpp.org/ftp/,2012.

    1. [1]

      代美玲, 刘周斌, 郭少勇, 邵苏杰, 邱雪松. 基于终端能耗和系统时延最小化的边缘计算卸载及资源分配机制. 电子与信息学报, 2019, 41(11): 2684-2690.

    2. [2]

      赵星, 彭建华, 游伟. 基于Lyapunov优化的隐私感知计算卸载方法. 电子与信息学报, 2019, 41(0): 1-8.

    3. [3]

      王汝言, 梁颖杰, 崔亚平. 车辆网络多平台卸载智能资源分配算法. 电子与信息学报, 2019, 41(0): 1-8.

    4. [4]

      张海波, 荆昆仑, 刘开健, 贺晓帆. 车联网中一种基于软件定义网络与移动边缘计算的卸载策略. 电子与信息学报, 2019, 41(0): 1-8.

    5. [5]

      张骥先, 谢宁, 张学杰, 李伟东. 基于监督学习的可信云计算资源拍卖机制研究. 电子与信息学报, 2019, 41(5): 1243-1250.

    6. [6]

      邹虹, 高毅爽, 闫俊杰. 带有卸载时延感知的边缘云增强FiWi网络节能机制. 电子与信息学报, 2019, 41(2): 394-401.

    7. [7]

      曾孝平, 余丰, 简鑫, 李诗琪, 杜得荣, 蒋欣, 方伟. 基于多点协作联合传输的超密集组网性能分析. 电子与信息学报, 2019, 41(3): 563-570.

    8. [8]

      王汝言, 李宏娟, 吴大鹏. 基于Stackelberg博弈的虚拟化无线传感网络资源分配策略. 电子与信息学报, 2019, 41(2): 377-384.

    9. [9]

      梁靓, 武彦飞, 冯钢. 基于在线拍卖的网络切片资源分配算法. 电子与信息学报, 2019, 41(5): 1187-1193.

    10. [10]

      张达敏, 张绘娟, 闫威, 陈忠云, 辛梓芸. 异构网络中基于能效优化的D2D资源分配机制. 电子与信息学报, 2019, 41(0): 1-9.

    11. [11]

      熊余, 杨娅娅, 张振振, 蒋婧. 软件定义时分波分复用无源光网络中基于带宽预测的资源分配策略. 电子与信息学报, 2019, 41(8): 1885-1892.

    12. [12]

      唐伦, 杨希希, 施颖洁, 陈前斌. 无线虚拟网络中基于自回归滑动平均预测的在线自适应虚拟资源分配算法. 电子与信息学报, 2019, 41(1): 16-23.

    13. [13]

      王汝言, 徐宁宁, 吴大鹏. 能耗和时延感知的虚拟化云无线接入网络资源分配机制. 电子与信息学报, 2019, 41(1): 83-90.

    14. [14]

      崔苗, 喻鑫, 李学易, 张广驰, 刘怡俊. 多用户多载波无线携能通信系统的上下行联合资源分配. 电子与信息学报, 2019, 41(6): 1359-1364.

    15. [15]

      唐伦, 魏延南, 马润琳, 贺小雨, 陈前斌. 虚拟化云无线接入网络下基于在线学习的网络切片虚拟资源分配算法. 电子与信息学报, 2019, 41(7): 1533-1539.

    16. [16]

      王汝言, 李宏娟, 吴大鹏, 李红霞. 基于半马尔科夫决策过程的虚拟传感网络资源分配策略. 电子与信息学报, 2019, 41(0): 1-8.

    17. [17]

      唐伦, 马润琳, 杨恒, 陈前斌. 基于非正交多址接入的网络切片联合用户关联和功率分配算法. 电子与信息学报, 2019, 41(9): 2039-2046.

    18. [18]

      唐伦, 周钰, 杨友超, 赵国繁, 陈前斌. 5G网络切片场景中基于预测的虚拟网络功能动态部署算法. 电子与信息学报, 2019, 41(9): 2071-2078.

    19. [19]

      唐伦, 周钰, 谭颀, 魏延南, 陈前斌. 基于强化学习的5G网络切片虚拟网络功能迁移算法. 电子与信息学报, 2019, 41(0): 1-9.

    20. [20]

      李莉, 叶鹏, 彭张节, 唐延枝. 一种超密集异构网中联合干扰协调方法研究. 电子与信息学报, 2019, 41(1): 9-15.

  • 图 1  系统模型

    图 2  不同时延约束范围下卸载用户的比例

    图 3  不同时延约束范围下的系统总能耗

    图 4  系统的能耗与时延约束

    图 5  系统的能耗与输入数据大小

    图 6  系统的能耗与用户数目

    表 1  任务卸载和资源分配算法

    输入:用户数$N$,${t_n} = {\rm{(}}{w_n},{d_n}{\rm{,}}T_n^{\ {\rm{max}}}{\rm{)}}$,${f^c}$,初始卸载决定${{{A}}^0}$。
    初始化:$l \leftarrow 0$,
    Repeat
     $l \leftarrow l + 1$
     for $n = 1{\rm{ : }}N$
      根据式(13)得到${{{A}}^{l - 1}}{\rm{(}}n{\rm{)}}$;
      采用改进的匈牙利算法和贪婪算法得到子信道分配矩阵${{{C}}_{{N_c} \times K}}$;
      根据凸优化问题P3采用内点法求解得到每个子信道上最优的发
    送功率$p_n^k$;
      根据式(12)计算$Q_n^l$;
     end
     $q_l^* \leftarrow {\rm{ma}}{{\rm{x}}_{n = 1, \cdots ,N}}Q_n^l$和$n_l^* \leftarrow {\rm{arg ma}}{{\rm{x}}_{n = 1, \cdots ,N}}Q_n^l$;
     更新${{{A}}^l} \leftarrow {{{A}}^{l - 1}}\left( {n_l^*} \right)$;
    Until $q_l^* \le 0$;
    输出:卸载决定矩阵${{{A}}^{\rm{*}}}$,信道分配矩阵${{C}}_{{N_c} \times K}^{\rm{*}}$,功率分配矩阵${{{P}}^{\rm{*}}}$。
    下载: 导出CSV

    表 2  仿真参数

    参数取值
    子信道带宽$B$0.2 MHz
    子信道个数20
    用户最大发送功率${P_{\max }}$23 dBm
    空闲时电路功率消耗${P^i}$10 mW
    背景噪声功率${\omega _0}$–100 dBm
    用户的计算能力$f_n^l$0.1~1 GHz/周期
    计算任务的大小${d_n}$400~1200 kB
    需要的CPU周期${w_n}$0.2~1 GHz
    用户容忍最大时延$T_n^{\ \max }$1~4 s
    MEC的计算能力${f^c}$4 GHz/周期
    下载: 导出CSV
  • 加载中
图(6)表(2)
计量
  • PDF下载量:  59
  • 文章访问数:  517
  • HTML全文浏览量:  218
文章相关
  • 通讯作者:  李虎, 976502889@qq.com
  • 收稿日期:  2018-06-13
  • 录用日期:  2019-01-21
  • 网络出版日期:  2019-02-14
  • 刊出日期:  2019-05-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章