[发明专利]一种移动边缘计算网络中联合任务卸载和资源分配方法

权利要求书

1.一种移动边缘计算网络中联合任务卸载和资源分配方法，其特征在于，该方法具体包括以下步骤：

S1：移动用户产生新的计算任务，并向MEC服务器发送任务卸载请求；

S2：MEC服务器收集本时隙内所有用户端发送的计算卸载请求信息；

S3：MEC服务器将用户计算任务和MEC服务器资源进行首次匹配，构成初始卸载策略集；根据网络场景，建立通信模型、移动设备本地计算模型和边缘服务器计算模型，构建成系统效益最大化问题模型，然后计算出任务卸载到每一个服务器的成本，求出在初始卸载状态下的总的用户成本，即计算出目标函数的值；

S4：通过改变单个用户自身卸载决定得到所有用户的卸载决定；

S5：根据步骤S4的卸载决定为用户分配子信道和计算资源；

S6：根据步骤S5为用户分配的子信道和计算资源计算目标函数值；

S7：求得在步骤S4的卸载决定下最小的目标函数值和获得最优目标函数值的用户；

S8：更新所有用户的卸载决定；

S9：判断是否满足结束条件，满足执行步骤S10，不满足返回步骤S4；

S10：输出卸载决定、信道分配矩阵和最优计算资源；

所述步骤S3具体包括以下步骤：

S31：建立通信模型；

定义C＝[c_nk]_N×K表示子信道分配矩阵，其中c_nk＝1表示将子信道k分配给用户n，否则c_nk＝0；给定用户n的发射功率p_n，用户n在小基站(Small Base Station，SBS)m中使用子信道k时的信干噪比(Signal to Interference plus Noise Ratio，SINR)为：

其中，V_m表示SBSm范围内服务的用户集合，表示在子信道k上从用户n到SBSm的信道增益，表示其他小区同信道用户叠加的小区间干扰，σ²为加性高斯白噪声功率；

用户n在子信道k上的传输速率为：

用户n到MEC服务器的传输速率表示为：

S32：建立本地计算模型；

令表示用户n的计算能力，用户n任务在本地处理延迟及能耗分别为：

其中，系数υ_n与芯片硬件架构相关，根据公式(4)，(5)求出本地计算所产生的花费为：

其中，分别表示在用户n处执行计算任务的延迟和能量消耗的权重；所有权重取值范围均在[0,1]之间，并且

S33：建立边缘服务器设备计算模型；

令f_n表示为服务器分配给用户n的计算能力，用户n任务卸载到MEC服务器所产生的时延包括传输延迟和服务器执行延迟两部分，分别由符号和表示，其传输能耗用表示；结合公式(3)得到：

其中，d_n表示为输入数据的大小，w_n表示计算该任务所需要的CPU周期；

根据式(7)、(8)和(9)远程计算开销表示为：

S34：建立基于时间和能耗成本最优的联合计算卸载决策和资源分配的问题模型；

用户n成本函数Z_n表示为：

其中，联合计算卸载、子信道和计算资源优化问题表述为：

通过公式(12)求得在初始卸载决策下用户的卸载成本；

所述步骤S4具体包括：令A^l-1表示用户在第l-1次迭代下的卸载决定，则在第l-1次迭代中用户n改变自身卸载决定下的所有用户的卸载决定A^l-1(n)为：

其中，为模二加法；

所述步骤S5中，根据步骤S4的卸载决定为用户分配子信道，具体包括以下步骤：

S51：将用户和子信道视为博弈双方，做出满足自身利益最大化的理性决策，由双方的偏好函数构成选择的偏好关系，即用户与信道以最大化传输速率为目标做匹配偏好选择；定义用户n对子信道k的偏好函数为：

U_n(k)＝R_nk (14)

MEC服务器对用户n匹配的子信道k的偏好函数为：

其中，α表示用户n在子信道k上传输任务的单位速率收益系数，β表示单位干扰成本系数，为用户n在子信道k上受到来自其他卸载用户的总的干扰，定义为：

S52：每个用户n根据式(14)构造其与子信道的偏好关系；

S53：每个用户n选择最佳子信道k^*＝argmax_k∈KU_n(k)，并对子信道k^*请求连接；

S54：MEC服务器统计每个子信道k的请求用户；

S55：MEC服务器为每个子信道k在其请求的用户中选择最佳用户并将该子信道分配给该用户；

S56：更新每个子信道k的未能匹配用户的集合，然后从子信道集合中删除已经被分配的子信道；

S57：更新未能匹配的用户集合；

S58：如果用户与子信道之间没有其他请求，则输出子信道分配矩阵，否则返回步骤S52；

所述步骤S5中，根据步骤S4的卸载决定为用户分配计算资源，具体包括以下步骤：

S61：在子信道分配完成后根据式(12)计算资源分配问题，表示为：

式(17)满足条件∑_n∈Nf_n≤F和条件f_n≥0,的约束，其中F表示MEC服务器的最大计算资源，f_n表示服务器分配给用户的计算能力；采用凸优化方法求解；

S62：计算式(17)不等式约束下的拉格朗日函数表达式为：

其中，μ≥0为拉格朗日乘子，N_off为卸载用户的集合；

S63：令得到式(17)的最优解为：

S64：将式(19)代入式(18)，得到式(17)的拉格朗日对偶函数为的拉格朗日对偶函数为：

S65：在式(20)中对μ求一阶偏导并令其等于0，获得最优拉格朗日乘子μ^*为：

S66：根据式(19)和(21)得到最优的计算资源为：