[发明专利]一种多用户场景下的边缘计算卸载周期最小化方法

权利要求书

1.一种多用户场景下的边缘计算卸载周期最小化方法，其特征在于，所述方法包括如下步骤：

步骤1：基站切换到能量发送工作模式，在一定时间内给附近的无线传感器设备广播传输射频能量；

步骤2：无线传感器设备切换到能量捕获模式，从基站传输的射频信号中捕获能量并存储，然后无线传感器设备各自切换到本地计算模式或者计算卸载模式进行数据的计算；

基站传输射频能量的功率为p_B，持续传输射频能量时间为αT，无线传感器设备i捕获的能量为：

E_i＝μp_Bh_iαT  (1)

其中E_i为每个无线传感器设备在αT时间内所捕获的能量，T为系统每次执行时间周期，α是一个比例，表示无线设备能量捕获时间占整个周期的比例，μ为能量转换效率，h_i为信道增益，p_B为基站的广播发射功率；

设ρ_i为无线传感器设备i的本地计算部分任务占其整个计算任务的比例，则其计算卸载部分的占比为1-ρ_i，设每个无线传感器在一个周期中所要完成的计算任务为D_i，因计算卸载的任务占总任务的比例为(1-ρ_i)，则卸载到边缘云服务器的计算量为(1-ρ_i)D_i，每个无线传感器设备的计算卸载时间表示为：

每个无线传感器设备卸载部分任务数据(1-ρ_i)D_i到边缘云服务器所需要要消耗的能量为：

其中p_i为无线传感器设备的卸载任务数据时的发送功率，p_i发送功率范围为R_i为无线传感器设备计算卸载时的数据传输速率，表示为：

为了防止多个无线传感器设备同时计算卸载时发生冲突和网络负载过高，因此要保证同一时间段内只能有一个无线传感器设备进行计算卸载，得到以下约束：

本地计算时，无线传感器设备的CPU计算频率需要在最大值f_i^max范围内，另外，每个无线传感器设备本地计算时间表示为：

每个无线传感器设备本地计算ρ_iD_i任务数据所需要消耗的能量为：

其中v为有效的开关电容，Z_i为计算每比特数据所需的CPU周期数，f_i为无线传感器设备本地计算的计算能力，f_i计算能力范围为[0,f_i^max]；

无线传感器设备的计算整个任务所需消耗的总能量为得到以下能量约束：

无线传感器设备的计算整个任务所需总时间为得到以下时间约束：

任务是选择合适的充电时间比例、CPU频率、传输功率和计算任务卸载比例，在满足能量约束和卸载冲突约束等条件下，使整个周期时延最小化，模型如下：

以上问题(10)是一个凸优化问题，通过拉格朗日对偶去解决这个问题，(10)用拉格朗日函数表示为：

是拉格朗日乘子集合；

(10)的对偶问题表示为：

求问题(10)通过(10)的对偶问题(12)进行求解，根据Ω首先求内部最小化问题，通过次梯度下降方法求拉格朗日乘子集合，

Ω(x+1)＝[Ω(x)-ψ(x)d(Ω(x))]⁺  (13)

其中当Ω收敛到最优解的时候，就可以求出问题(10)的最优解；

根据以上拉格朗日乘子和拉格朗日函数(11)，并把(6)(7)代入到(11)中得到关于f_i的最小化问题：

问题(14)是一个凸优化问题，用拉格朗日函数KKT条件得到最优解：

同理把(2)(3)(4)代入到(11)中得到关于p_i的最小化问题：

(16)中的每个无线传感器设备都是独立不相关的，所以以上问题转化为每个无线传感器设备发射功率最优问题，即：

(17)是一个凸优化问题，用拉格朗日对偶去解决这个问题，(17)的拉格朗日函数表示为：

是(18)的拉格朗日乘子集合；

(17)的对偶问题表示为：

解决问题(19)内部最小化问题可以得到(17)的最优解，通过(18)对p_i求偏导得到：

根据(20)使得然后用优化软件去求得区间中的最优解

由于(11)中T，α和ρ_i都是一次多项式，把(1)(2)(3)(4)(6)(7)代入原问题，原问题是一个凸优化问题，所以通过(11)对T求偏导求出关于α的最优值：

令得到

同理得到：

令得到

关于无线传感器设备的任务计算卸载量和本地计算量的权衡比例ρ_i在原问题中是一个累加的关系，所以通过展开对每一个无线传感器设备的ρ_i进行求解，得到：

同样的都能同等式(23)形式表示出来，然后令多等式联立方程求出每个ρ_i；

步骤3：基站切换到数据接收模式依次接收无线传感器设备卸载的计算数据，并通过边缘云服务器进行数据计算；

步骤4：边缘云服务器完成无线传感器设备卸载的数据计算后，把计算结果返回给无线传感器设备，完成计算任务。

2.根据权利要求1所述的多用户场景下的边缘计算卸载周期最小化方法，其特征在于，所述步骤1的处理过程为：

步骤11：基站切换到能量发送模式，用给定的功率给附近的无线传感设备广播传输射频能量，能量发送时间为αT；

步骤12：基站切换到数据接收模式，等待接收无线传感器设备的卸载数据。