一种通算融合的混合资源调度方法

本发明涉及通信系统，尤其涉及一种通算融合的混合资源调度方法。

背景技术：

1、6g时代，智能工厂、智能家居、智能城市等通信应用场景下的智能设备数量急剧增加，增强/虚拟现实、数字孪生和自动驾驶等计算密集型业务、延迟敏感型业务促使通信与计算功能深度融合。然而，设备数量与业务种类的快速增加，对网络资源的合理分配构成了挑战。单节点资源调度方案因为资源受限已无法满足多样性业务需求，面临着适用范围受限、网络资源利用率低等一系列问题。

2、由于网络高度致密的发展趋势，以用户为中心的方式可以充分利用终端与基站之间的邻近性为用户提供更好的服务。同时一些场景中存在大量的直视路径，使得终端可以实现高度的宏分集增益，以用户为中心的无小区技术成为未来网络发展的关键技术。基于以用户为中心的无小区网络，通过利用网络中多个节点的资源进行协同管理，合理的构建系统模型并制定相应的协同资源分配策略，可提升网络资源利用的有效性，降低业务执行时间及能耗。

3、目前以用户为中心的无小区下通信计算资源混合调度问题主要考虑计算业务卸载至单节点的方案。多数文献考虑一种如图1所示的简易计算模型，选取本地或中央处理器(central processing unit,cpu)中的一处进行业务卸载完成计算业务，即通过单节点资源满足业务需求，如计算任务可以由终端在本地进行计算，也可以通过无线传输卸载到边缘服务节点中，或者通过多跳无线链路将任务传输到cpu处进行处理，或者选取最小瞬时负载的可用节点进行任务卸载，因此该种方案复杂度较低；另外，当前研究主要关注计算资源的分配，任务卸载比例等参数的优化问题，通过对本地计算和边云计算之间的卸载比例以及上行链路发送功率的联合优化以实现最小化时延、能耗等单一优化目标。

4、一些文献考虑了对多个节点进行统一管理，协同处理节点业务。由于实际任务通常具有可分性，通过将单一任务拆分为多个子任务，可并行卸载到多个服务节点进行并行处理。如多个服务节点通过拍卖形式实现系统的资源分配，可有效反映计算资源的供应需求，最大限度地发挥整个系统的效用，迭代双边拍卖算法通过多次迭代，使用凸优化求解计算经纪人最优分配问题，使得拍卖过程的计算代价大，耗时长；另外，一些研究基于各节点具有充沛的通信资源的假设，在各节点间进行任务的相互卸载以保证网络负载均衡。

5、上述面向以用户为中心的无小区的资源调度方案多考虑利用单个节点的计算资源满足业务需求，而对于以用户为中心的无小区网络架构下，用户往往会同时接入多个具有计算资源的边缘节点，此时该资源调度方案将难以充分利用网络中的空闲资源，同时存在将任务卸载到服务能力强的节点时排队时延较大，而将其卸载到其他节点又不具备相应的内存和处理能力的问题。

6、多节点资源调度可以在一定程度上缓解负载不均衡的问题，然而上述技术并不直接适用于以用户为中心的无小区网络。在以用户为中心的无小区框架下，由于服务节点高度分散且单一节点资源、负载能力受限，资源调度方案将面临新的挑战：一方面，由于成本约束，难以将部署的大量接入点(access point,ap)全部接入计算资源，即使采用部分ap部署计算服务器的方式，各ap间也难以实现大量数据交互，使用例如上述拍卖算法的分布式算法对业务拆分并分发至各节点进行并行卸载的方式难以实现。另一方面，由于边缘节点ap的资源有限，ap节点在计算资源饱和时，其剩余通信资源可能也难以承担中继计算业务的转发任务。

7、因此，由于以用户为中心的无小区网络中单节点资源受限，同时接入多个具有计算资源的边缘节点时延、内存较大，急需一种综合考虑系统中各个节点负载状况、传输成本的通算资源混合调度方案，使得节点间的协同工作既可以满足用户需求，又能保持网络负载平衡，实现网络资源充分利用。

技术实现思路

1、本发明的为了解决现有技术的上述问题，提出一种通算融合的混合资源调度方法，旨在协同各节点通算资源，满足不同业务类型的服务质量需求的同时，保证负载均衡，提高网络整体效率。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种通算融合的混合资源调度方法，包括以下步骤：

4、s1、终端在生成计算业务或通信业务后，向主ap节点发送请求；请求包含估计的所需通信与计算资源、优先级信息以及最大发射功率、上传最大时延；每个终端根据每个ap节点提供的增益对ap节点进行降序排序，自行选择增益最大的ap节点作为主ap节点并保持连接，其他为次ap节点；

5、s2、各ap节点实时发送本节点资源负载信息至cpu；

6、s3、各ap节点将收到业务请求信息转发至cpu；

7、s4、cpu根据各ap节点业务请求信息和链路的负载信息，通过混合资源调度算法确定资源调度方案并反馈给各ap节点；

8、s5、主ap节点通知终端卸载次ap节点及任务卸载比例；

9、s6、终端根据资源调度方案，将任务进行拆分，并并行卸载至各次ap节点；

10、s7、各ap节点更新负载信息，并将任务转发至cpu；

11、s8、cpu根据需求返回卸载至cpu的业务处理结果；

12、s9、各ap节点根据需求返回卸载至自身的业务处理结果；

13、s10、各ap节点由于释放被占用资源，向cpu发送更新后的负载信息。

14、进一步地，步骤s4中，通过混合资源调度算法确定资源调度方案的过程为：

15、s401、cpu计算数据接收的信噪比；

16、s402、cpu计算网络整体能量消耗和时延消耗；

17、s403、cpu计算信道增益、网络各节点及链路的负载信息情况；

18、s404、cpu依据上述处理后的数据，形成决策问题模型，目标函数表示为网络能耗与时延的综合评价指标，求解获得最优决策。

19、进一步地，步骤s401中，cpu计算数据接收的信噪比的过程包括：

20、使用gm,n来表示终端n与第m个ap节点之间的信道系数，βm,n和hm,n分别表示第n个终端与第m个ap节点之间的大尺度衰落系数和小尺度衰落系数，其中小尺度衰落系数所有元素都是独立且同分布的复正态随机变量，则信道系数表示为：

21、gm,n＝βm,nhm,n

22、令φn表示终端n的导频序列，第m个ap节点处接收到的导频向量表示为：

23、

24、其中，表示导频发送功率，表示τp维加性噪声向量，其满足σ为噪声功率系数；

25、则基于接收到的导频向量，使用最小二乘得到的信道估计为：

26、

27、为终端n导频序列的转置共轭；

28、使用xn表示终端n发送的数据，pn表示发送数据功率，pn满足pn＝ηnpn,max，pn,max表示终端n的最大发射功率，ηn表示终端n的功率发射约束因子，则第m个ap节点处接收到的数据为：

29、

30、γm为第m个ap节点处接收到的加性噪声向量；

31、则在cpu处合并所得的数据为：

32、

33、为信道估计矩阵伴随矩阵，mn为表示一个集合，指终端n由这个集合中的ap进行服务；

34、终端n上行的信噪比的表达式为：

35、

36、pn'为第n'个用户与各ap节点间的功率，gm,n'为第n'个用户与第m个ap节点间的信道系数。

37、进一步地，步骤s402中，cpu计算网络整体能量消耗和时延消耗的过程包括：

38、终端和cpu之间的传输速率表示为：

39、

40、τc为每个相干间隔的持续时间，bcpu，n为分配给第n个用户用于与cpu传输数据的带宽；

41、终端n和第m个ap节点之间的信噪比表示为：

42、

43、终端n和第m个ap节点之间的传输速率表示为：

44、

45、bm,n为第n个用户与第m个节点之间的传输带宽，第m个ap处所能分配的带宽不能超过其本身具备的带宽总资源bm；；

46、使用νn表示处理1bit数据所需的处理器时钟数，并指定计算服务器时钟速度为fm,n，cn为传输的数据大小，αm,n表示终端n分配给计算服务器m的并行卸载系数，bbu为等同于cpu，已将全文bbu全部替换为cpu，则其计算时延为：

47、

48、计算服务器处理任务所需要消耗的能耗表示为：

49、

50、其中，κ参数取决于各终端芯片架构设计；

51、计算所消耗的总能量表示为：

52、

53、其中，ω参数用于描述执行一个时钟周期所消耗的能量；

54、使用rlink描述前传链路的最大传输速率，则各条链路的传输时延表示为：

55、

56、总延时等于单条链路传输和计算时延的最大时延和，即：

57、

58、则传输能耗表示为：

59、

60、总能耗表示为：

61、

62、进一步地，步骤s403中，cpu计算信道增益、网络各节点及链路的负载信息情况的过程包括：

63、第n个用户与第m个ap节点间的链路增益评分由对应的信道系数的函数来度量：

64、

65、定义一个l×l的二元对角矩阵来描述终端n和第m个ap的关联关系：

66、

67、使用lm表示第m个ap的前向链路带宽，则链路拥塞程度表示为：

68、

69、使用fm表示计算服务器m处的总计算资源，则计算资源利用率表示为：

70、

71、进一步地，步骤s404中，目标函数表示为：

72、

73、

74、其中，ε为能耗和时间的权重因子，n1和n2和分别表示发送计算业务的终端集合和发送通信业务的终端集合；c1约束了任务卸载比例的范围；c2约束反映了每个计算业务对于时延的需求；c3约束反应了每个通信业务对于传输速率的需求；c4约束反应了终端连接获取的信道增益需大于设定的信道增益最小评分值c5约束频率资源分配范围；c6约束反应各节点通信和计算资源的占用情况；c7约束限制终端生成数据大小；c8约束对于并行卸载的最大连接数根据网络负载情况进行及时调整；c9约束限制每个ap节点最大连接数，使得网络具有可扩展性；c10约束为权重因子范围约束。

75、进一步地，步骤s404中，采用强化学习的方法求解获得最优决策，过程包括：

76、使用(s,a,p,r,g)描述离散时间的马尔可夫决策过程，其中s表示状态空间，a表示动作空间，p(a|s)是在状态s下采取动作a的概率，r(s,a,s’)表示采取动作a将状态从s转变为s’的即时奖励，g表示长期奖励；

77、状态空间中每个元素包括：χm、τm、taskn,taskn表示当前时刻各终端发送至cpu的任务请求信息，包括任务数据大小cn、最大发射功率pn以及最大任务时延

78、动作空间中每个元素包括：{dm,n},{bm,n},{αm,n},{ηn}；

79、奖励设置为：-[εtn+(1-ε)en]；

80、actor网络模型参数θ更新公式为：

81、

82、其中，α为迭代步长变量，为对θ求导的梯度，πθ为包含参数θ的策略函数，分值函数可选择使用高斯分值函数，vt为每个时间位置t的状态价值；

83、critic网络模型参数ω更新公式为：

84、ω＝ω+βδφ(s,a)

85、其中，β为迭代步长变量，φ为描述状态s与动作a的特征，δ为时序差分误差，表达式为：δ＝rt+1+uq(st+1,at+1)-q(st,at)，rt+1表示t+1时刻的即时奖励，u为衰减因子变量，q为线性q函数。

86、进一步地，步骤s4中，cpu将任务处理策略参数{dm,n},{bm,n},{αm,n},{ηn}发送给请求终端和进行服务的各ap节点。

87、与现有技术相比，本发明的有益效果为：

88、本发明考虑了在uc cell-free网络架构中服务节点高度分散且单一算力节点能力有限下的负载均衡问题，以时延和能耗综合开销最小为目标，提供一种灵活调度多ap通信和计算资源的混合资源调度方法，避免了ap在计算资源占用过高的情况下将任务上传至cpu的过程，进而防止占用通信资源造成节点资源完全枯竭，调度通信资源相对丰富的节点完成上传任务。同时，本发明的方法缓解了高任务请求率下并行卸载加剧资源竞争，增大业务时延的问题。根据实时负载变化趋势，对并行卸载机制及时进行调整，当任务量上升时，及时下调最大并行卸载数。此外，本发明采用强化学习的方式，通过与环境实时交互，获取节点和链路的负载变化情况，动态调整当前资源调度策略。

89、综上，本发明提供的通算融合的混合资源调度方法，兼顾各ap节点的通信与计算资源调用情况，通过集中调度通信计算混合资源的方式，满足不同业务类型的服务质量需求的同时，保证负载均衡，可以实现在uc cell-free框架下，对通信和计算资源最大程度利用，以提高网络整体效率。相比非协作方案具备更好的能耗和时延表现，且充分考虑到了并行卸载在高任务请求率下的潜在问题，调整并行卸载方案向非协作方案靠拢。