一种毫米波移动边缘计算组网资源分配方法

本发明属于通信，具体涉及一种毫米波移动边缘计算组网资源分配方法。

背景技术：

1、随着第五代移动通信技术和物联网的发展，无线通信设备和无线数据流量已呈几何式增长；尤其是近几年，随着各种计算密集型和时延敏感型应用的出现，如智能交通、智慧城市等，提供低时延、超可靠、高鲁棒性的网络至关重要。

2、现有技术大多只考虑单边缘计算服务器与多用户之间的计算资源分配以及频谱分配问题，没有考虑引入计算能力更强的中央云服务器；在处理用户与边缘计算服务器的配对问题时大多考虑单边喜好列表；在处理卸载策略时没有考虑优化卸载策略过程中可能出现的用户与边缘计算服务器的配对变化，从而影响最终的优化结果。

3、为了应对上述挑战，移动边缘计算的概念已经被提出以解决上述问题；移动边缘计算，旨在将具有计算能力的服务器部署到距离终端设备较近的网络边缘，如路侧基站处和无人机处，再辅助以毫米波技术进一步降低通信延迟，因此发明一种毫米波移动边缘计算组网资源分配方法对于实现降低时延、提升效率、节省功耗等目标具有重要意义。

技术实现思路

1、本发明在系统构成方面，考虑了用户、边缘云计算服务器、中央云服务器之间的用户配对以及资源分配方案，使用了基于盖尔-沙普利算法将用户、边缘计算服务器、中央云服务器作为一个整体系统进行资源分配优化、配对方案优化和任务卸载优化，灵活的将不同计算复杂度的任务分配到合适的服务器进行处理，辅助以ofdma技术以及毫米波通信，使服务器能同时服务于更多用户并有效降低通信延迟，从而最大幅度降低系统能量时间成本。

2、本发明的目的是这样实现的：一种毫米波移动边缘计算组网资源分配方法，其特征在于，步骤如下：

3、步骤1，设置m个用户、n个边缘计算服务器和1个中央云服务器组成系统模型，用户与边缘计算服务器之间无线连接，边缘计算服务器与中央云服务器之间有线连接；

4、用户产生的计算任务由本地执行或协作云执行，所消耗的资源分为时间消耗和能量消耗；

5、采用ofdm技术毫米波通信，数据传输的时间消耗及能量消耗受负载决策和传输功率的影响。

6、步骤2，根据步骤1中的系统模型，为了衡量系统性能，通过联合优化资源分配、移动边缘匹配策略和负载决策构造能量时间成本etc的最小化问题；上述联合优化的问题表示为：

7、p：

8、

9、

10、

11、

12、

13、

14、步骤3，解决资源分配问题，首先优化在应用程序需要卸载到特定边缘计算服务器的情况下进行，通过优化用户m传输到边缘计算服务器n的传输功率和边缘计算服务器n分配给用户m的计算频率使得每一个最小化；将和带入的最小化问题可以被表示为p1：

15、p1:

16、s.t.c4,c5

17、步骤4，优化用户和边缘计算服务器配对问题，移动边缘计算服务器匹配策略优化问题是基于特定资源分配的参数b的优化算法，其中一个边缘计算服务器可以服务于多个用户，一个用户只能匹配一个边缘计算服务器，问题可以表示为：

18、p4:

19、s.t.c2,c3,c6.

20、由于a已知，所以本优化问题是针对特定资源分配的参数b的优化算法；

21、步骤5，优化最佳卸载策略优化问题，通过穷举所有可能的卸载决策，可以获得最优的卸载决策，但会导致较高的计算复杂度；使用基于盖尔-沙普利算法的最小卸载算法确定次优卸载决策来优化卸载策略参数a，算法的目标是通过判断etc是否可以减少，找到可以在本地执行的应用程序，算法将收敛至系统etc无法进一步减少；该问题可以表示为：

22、p5:

23、s.t.c1,c6.

24、步骤6，将步骤1-5中的优化结果结合：

25、上述求解的资源分配问题、移动边缘计算服务器匹配策略的优化问题和最佳卸载策略优化问题分别优化了问题p中提出的参数以及am，将它们结合起来即可获得最小化的系统能量时间成本。

26、进一步的，步骤3中的和是相互独立的，和可以通过二分法和多项式分析方法分别进行优化；

27、传输频率的优化可以被表示为求解p2的最小化问题：

28、p2:

29、s.t.c4.

30、这是一个拟凸问题，所以可以用二分法来进行求解；

31、边缘计算服务器的计算频率的优化，可以被转化为求解p3的最小化问题：

32、p3:

33、s.t.c5.

34、结合二分法和二次多项式分析，可以通过优化边缘计算服务器计算频率获得最小的p3。

35、进一步的，步骤4中参数b的优化算法，其本质是基于盖尔-沙普利算法的双边偏好最小化问题，其具体步骤如下：

36、1)每个边缘计算服务器n∈n根据m∈moff对卸载数据的用户m按照升序进行偏好排序，获取喜好列表

37、2)需要数据卸载的用户m∈m根据最佳对边缘计算服务器进行严格的升序喜好度排列，获取喜好度列表

38、3)每个用户m∈moff在每次迭代中提出其当前最首选的边缘计算服务器，即边缘计算服务器的首选列表，并在向其提出后将该边缘计算服务器从其首选列表中删除；

39、4)所有用户提出其当前首选边缘计算服务器后，每个边缘计算服务器检查其收到的建议；

40、4.1)没有得到任何建议的边缘计算服务器保持没有配对的状态；

41、4.2)获得多个用户喜好的边缘计算服务器根据自己的喜好列表将其在前一次迭代中接受的用户暂时作为最首选的用户并接受其喜好建议，直到其边缘计算服务器列表达到最大容量，并拒绝其余的用户喜好；

42、5)以上匹配过程将循环进行直到全部用户都得到配对。

43、进一步的，步骤5中优化最佳卸载策略的优化问题具体步骤如下：

44、1)假设全部用户都需要进行边缘计算服务器计算，即a＝{1,...,1}，输入步骤2中的结果初始集合moff＝m，本地计算集合δk＝etc(a*)-etc(a)；

45、2)把用户1-m，即k＝1,2,...,m-1,m时的运算任务依次转移到本地执行；

46、2.1)计算当用户k＝1,2,...,m-1,m的任务被卸载到本地时的新此时m∈moff/{k},n∈n；

47、2.2)根据步骤2更新此时的

48、2.3)根据新的和计算新的

49、2.4)根据3:2.3的结果计算δk，如δk≤0，则用户k的任务在本地进行，并取ak＝0，更新卸载策略a*；

50、3)根据步骤2)的结果更新卸载策略参数a＝a*。

51、本发明的有益效果：

52、1、本发明采用了多用户，多边缘计算服务器，一个中央云服务器的资源分配及卸载方案；此资源分配方案分别通过本地计算和协作云计算中的能耗和计算时间来描述能量时间成本；然后通过在硬约束条件下联合优化卸载决策、通信和计算资源以及移动边缘匹配策略来公式化能量时间成本最小化问题。

53、2、本发明中边缘云和中央云并行工作，中央云将其完整的计算资源分配给所有用户进行并行计算；从而可以根据中央云的计算延迟和边缘云的计算延迟得到最佳任务分割比，大大简化了后续运算复杂度。

54、3、本发明中基于盖尔-沙普利算法的卸载方案分两个阶段运行；首先，通过双边喜好列表优化当前卸载决策下每个可能的用户—边缘计算服务器匹配策略的传输功率和计算资源；然后，基于当前的卸载决策和优化的资源，通过优化卸载决策来进一步优化移动边缘匹配策略；优化过程中如卸载决策有更新，则更新后的卸载决策将被重新带入用户—边缘计算服务器匹配策略中，以确保系统的时间能量成本可以被进一步优化。

55、4、由于用户、边缘计算服务器之间为视距通信，本发明使用毫米波通信进一步降低延迟。