一种MEC中无线资源和云资源的联合分配方法

摘要

本发明公开了一种MEC中无线资源和云资源的联合分配方法，包括：(1)MEC中的终端发起任务卸载请求，并建立终端的任务卸载代价函数；(2)异构网络的各个接入点获取覆盖区域内各个终端任务卸载代价函数，并将终端的任务卸载请求和网络的信道信息发送至朵云；(3)朵云基于合作博弈进行无线资源和云资源联合分配，利用KKT条件得到纳什均衡解，并将博弈纳什均衡解发送至终端；(4)终端根据纳什均衡解向朵云和接入点进行计算资源和无线资源请求；(5)朵云和接入点根据终端请求分配计算资源和无线资源。本发明基于合作博弈，充分利用朵云中有限的计算资源，在以最小化所有终端任务卸载代价为目标的同时，保证各终端任务的实时性，满足各移动终端的任务卸载需求。

说明书

技术领域

本发明涉及云计算技术，尤其涉及一种MEC中无线资源和云资源的联合分配方法。

背景技术

近年来，云计算已经成为学术界和工业界公认的下一代计算基础设施。与传统的IT基础设施相比，它可以提供许多特性，如可伸缩性、敏捷性、经济效率等。同时，随着快速部署的无线宽带网络和智能移动设备的日益普及，越来越多的终端使用互联网服务。然而，随着终端应用需求和计算能力需求不断提高，智能移动设备对由于尺寸、能量等限制无法满足。因此，移动边缘云计算系统(MEC，Mobile Edge Computing)将朵云(Cloudlet)集成到移动环境中，方便终端将计算能力强的应用卸载到近端的朵云运行，在更低时延限制下以减少终端的任务卸载代价。

具有朵云的异构网络场景包括异构网络(Heterogeneous Network)、朵云(Cloudlets)和互联网Internet，其中异构网络包含宏小区(Macro Cell)、微小区(PicoCell)、微微小区(FemtoCell)以及其它类型接入点，例如WiFi接入点。朵云是一种相对小型的计算资源池，由运营商统一部署在接入点周围。接入点根据所需资源类型和连接的便捷性连接至朵云，接入点与朵云之间通过光纤连接，此连接被称为回程链路(Backhaul)。朵云接收相关接入点的任务请求，并在数据处理单元进行计算。朵云通过广域网(WAN，WideArea Network)连接至互联网Internet。

异构网络场景下的移动边缘云计算是在异构网络中各个接入点附近部署了大量的云资源，于是接入点具有云资源和无线资源两种类型资源，无线资源指的是终端的上行链路发射功率资源；云资源指的是朵云计算资源。朵云为连接至它的异构网络中的所有终端服务。朵云为终端提供计算资源，异构网络为终端提供无线资源，计算资源和无线资源的分配对终端的任务卸载代价有重要影响。因此如何实现移动边缘云计算系统中这两种资源最有效分配，实现整个网络的最大效益是亟待解决的问题。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种MEC中无线资源和云资源的联合分配方法，本方法以最小化网络中所有终端任务卸载代价为目标，并保证各个终端的时延限制，满足无线资源和云资源容量限制，实现各移动终端任务卸载的实时性。

技术方案：本发明所述的MEC中无线资源和云资源的联合分配方法包括：

(1)MEC中的终端发起任务卸载请求，并建立终端的任务卸载代价函数；其中，该任务卸载代价函数包含能耗代价和经济代价，能耗代价是终端进行任务卸载时消耗的能量，经济代价是终端利用无线资源和云资源向接入点和朵云所支付的费用。

所述终端可以对能耗代价和经济代价占据的比例进行动态调节，能耗代价和经济代价的影响因子之和为1，当终端剩余能量较低时，终端通过提高终端能耗比例使能耗占据更高的权重，从而使终端更加注重能耗代价，如果终端用户对经济代价比较敏感，终端通过提高经济代价比例使经济成本更被关注；另外，终端任务卸载代价函数的最大处理时延限制条件保证终端任务处理的实时性；终端发射功率限制条件保证发射功率在允许范围内；计算资源限制保证所有用户占用总的计算资源在朵云最大服务能力范围内。

(2)异构网络的各个接入点获取覆盖区域内各个终端任务卸载代价函数，并将终端的任务卸载请求和网络的信道信息发送至朵云。

(3)朵云基于合作博弈进行无线资源和云资源联合分配，将博弈的代价函数利用时延限制条件转化为凸函数，然后利用KKT条件得到纳什均衡解，并将博弈纳什均衡解发送至终端。

其中，合作博弈的描述具体如下：

参与者：所有终端；

策略：每个终端根据朵云计算资源和信道速率资源定价以及终端能耗和经济代价进行无线资源和计算资源请求；

效用：终端的任务卸载代价函数与消耗的能量和支付购买资源的费用有关；合作博弈的代价函数是所有终端的任务卸载代价函数之和；基于合作博弈使整个网络代价最低。

其中，将无线资源和云资源联合分配也就是将终端的上行链路发射功率资源和朵云计算资源联合分配；功率资源的分配影响任务卸载代价函数中的能耗代价和经济代价，同时也影响限制条件中的时延限制；计算资源的分配影响任务卸载代价函数中的经济代价和实时性限制中的时延限制。两者的联合分配将终端、异构网络和朵云紧密地联系在一起，有利于充分利用无线资源和云资源实现终端任务卸载的最优化。

(4)终端根据纳什均衡解向朵云和接入点进行计算资源和无线资源请求；

(5)朵云和接入点根据终端请求分配计算资源和无线资源。

有益效果：本发明与现有技术相比，其显著优点是：本发明基于合作博弈，充分利用朵云中有限的计算资源，在以最小化所有终端任务卸载代价为目标的同时，保证各终端任务的实时性，满足各移动终端的任务卸载需求。所述方法综合考虑终端的卸载需求，异构网络的信道状态以及朵云的计算容量限制，在保证任务实时性的情况下，联合分配无线资源和云资源，最小化网络所有终端的任务卸载代价。

附图说明

图1是本发明的异构网络融合场景图；

图2是本发明的资源联合分配方法的流程图；

图3是本发明的合作博弈流程图。

具体实施方式

本发明基于合作博弈，充分利用朵云中有限的计算资源，在以最小化所有终端任务卸载代价为目标的同时，保证各终端任务的实时性，满足各移动终端的任务卸载需求。下面结合附图对本发明的实施方法作进一步的描述。

如附图1所示，场景考虑N个小区或小蜂窝(Small Cell)，表示为N＝{1,2,...,N}。每个Small Cell中有多个移动终端需要将任务卸载至朵云，第n个Small Cell中存在有任务请求的K_n个移动终端。Small>n表示第n个Small>表示所有的终端集合。终端i_n进行任务卸载时需要上传的数据量为任务完成需要处理的指令数为朵云任务处理单位时间内分配的CPU周期为终端的任务卸载至朵云时延包括四个部分：Δ^ul表示通信上行链路时延，Δ^dl表示通信下行链路时延，Δ^bh表示通信回程链路时延，Δ^exe表示朵云进行任务处理时延。然而，由于从朵云返回的处理结果一般情况下数据量较小，与其他时延相比可以忽略不计，即设Δ^ul＝0。另外，回程链路是高速链路，本方法也忽略Δ^dl的影响，设Δ^dl＝0。每个终端i_n任务处理最大允许时延为在时延允许范围之内，终端i_n将任务卸载至朵云处理，否则本地处理。

如图2所示，本发明的MEC中无线资源和云资源的联合分配方法具体包括：

(1)MEC中的终端发起任务卸载请求，并建立终端的任务卸载代价函数；其中，该任务卸载代价函数包含能耗代价和经济代价，能耗代价是终端进行任务卸载时消耗的能量，经济代价是终端利用无线资源和云资源向接入点和朵云所支付的费用；

(2)异构网络的各个接入点获取覆盖区域内各个终端任务卸载代价函数，并将终端的任务卸载请求和网络的信道信息发送至朵云；

(3)朵云基于合作博弈进行无线资源和云资源联合分配，将合作博弈的代价函数利用时延限制条件转化为凸函数，然后利用KKT条件得到纳什均衡解，并将博弈纳什均衡解发送至终端；

(4)终端根据纳什均衡解向朵云和接入点进行计算资源和无线资源请求；

(5)朵云和接入点根据终端请求分配计算资源和无线资源。

其中，步骤(1)中终端的任务卸载代价函数的计算公式为：

式中，i_n表示第n个小区中的第i个终端,表示终端i_n上传数据时的辐射功率；表示朵云为终端任务分配的单位时间处理指令数；表示终端数据上传量；表示信道参数，即信道增益与噪声的比值，表示信道增益，表示噪声功率；w表示信道带宽；表示终端上传数据时单位速率售价；表示计算资源单位CPU周期的售价；γ和η分别表示能耗代价和经济代价影响因子，约束条件中表示终端任务需要处理的指令数；表示终端i_n任务处理最大允许时延；表示终端最大发射功率；f_s表示朵云最大处理能力，即单位时间最大允许处理指令数，公式第一项表示终端数据上传能耗代价，第二项表示终端支付计算资源和无线资源的经济代价。无线资源的计费方式是根据终端数据传输速率计费的，在相同的信道环境下，终端数据传输速率越大，终端支付的费用越高，速率支付单价每个接入点不同，且由接入点给定。计算资源的计费方式是根据朵云分配给终端的CPU周期数计费的，单位时间分配给终端的CPU周期数越多，终端支付的费用越高。以下部分描述该联合分配方法的合作博弈过程。

如附图3所示，该联合分配方法的合作博弈过程包括：①所有参与者建立任务卸载代价函数和进行任务卸载请求；②参与者向网络接入点进行无线资源请求，向朵云进行云资源请求，并向朵云上传移动终端的任务卸载代价函数、发射功率限制条件和最大时延限制条件；③朵云收集所有网络内所有终端任务卸载信息，建立合作博弈，博弈的代价函数是所有终端任务卸载代价函数之和，利用凸优化理论KKT条件求出合作博弈的纳什均衡解；④各个接入点将朵云执行的联合资源分配结果返回终端侧，终端侧根据合作博弈联合资源分配返回结果请求无线资源和计算资源，终端卸载任务至朵云；⑤网络接入点和朵云根据移动终端请求分配无线资源和计算资源，朵云执行各个终端的任务，任务卸载结果返回至各个终端。

本方法的合作博弈中，参与者为移动边缘云计算系统中所有需要任务卸载的终端。网络接入点为终端分配无线资源，朵云为终端分配云资源，终端通过获得的无线资源和云资源进行任务卸载，从而节省用于本地运算的能量，延长电池使用时长。终端的任务卸载代价函数与终端能量消耗和购买无线资源和云资源所付出的代价有关。合作博弈描述如下：

参与者：所有终端；

策略：每个终端根据朵云计算资源和信道速率资源定价以及终端能耗和经济代价进行无线资源和计算资源请求；

效用：终端的任务卸载代价函数与消耗的能量和支付购买资源的费用有关；合作博弈的代价函数是所有终端的任务卸载代价函数之和；基于合作博弈使整个网络代价最低；

其中，合作博弈的代价函数如下所示：

式中，矩阵变量网络接入点和朵云已经给定资源单价，参与者进行最优功率分配请求和朵云计算资源请求；如果每个终端满足式(2)和(3)，则上行信道状态能满足终端任务卸载需求，即可行域非空；

步骤(3)中纳什均衡求解过程如下：

首先对参与者的代价函数求偏导：

式中，为信噪比，所以所以u(p,f)关于p是增函数；因此，u(p,f)关于f是线性増函数；

为使代价函数u(p,f)达到最小值，p,f需取最小值，然而，当p,f很小时，公式(2)的第一个约束函数不满足，因此约束条件取等号。即

于是终端无线资源变量p和计算资源变量f建立等式关系，即将代入公式(2)得：

目标函数(6)的前两项是关于的增函数，最后一项是关于的减函数。由于形式过于复杂，利用变量代换得到(7)。

对目标函数(7)求偏导可得：

由(8)和(9)可知，y关于是凸函数，因此(7)利用KKT条件求出全局最优解

公式(7)的Lagrange函数为

μ,ν,θ为非负的Lagrange乘子，KKT条件如下：

Lagrange乘子更新如下：

其中，k表示迭代次数，a(k)表示迭代步长，代表时间限制的下限，代表时间限制的上限。

目标函数(7)迭代求解KKT条件，在有限次的迭代之后收敛至全局最优解，即得到求出最优解从而得到最优解和此全局最优解即为合作博弈的纳什均衡解。所述方法综合考虑终端的卸载需求，异构网络的信道状态以及朵云的计算容量限制，在保证任务实时性的情况下，联合分配无线资源和云资源，最小化网络所有终端的任务卸载代价。

以上所揭露的仅为本发明一种较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。