[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111163519B - 系统收益最大化的无线体域网资源分配与任务卸载方法 - Google Patents

系统收益最大化的无线体域网资源分配与任务卸载方法 Download PDF

Info

Publication number
CN111163519B
CN111163519B CN201911373175.6A CN201911373175A CN111163519B CN 111163519 B CN111163519 B CN 111163519B CN 201911373175 A CN201911373175 A CN 201911373175A CN 111163519 B CN111163519 B CN 111163519B
Authority
CN
China
Prior art keywords
task
area network
body area
wireless body
cost
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911373175.6A
Other languages
English (en)
Other versions
CN111163519A (zh
Inventor
袁晓铭
王海阳
田汉森
马子雨
赵哲宇
刘林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN201911373175.6A priority Critical patent/CN111163519B/zh
Publication of CN111163519A publication Critical patent/CN111163519A/zh
Application granted granted Critical
Publication of CN111163519B publication Critical patent/CN111163519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W72/00Local resource management
    • H04W72/50Allocation or scheduling criteria for wireless resources
    • H04W72/52Allocation or scheduling criteria for wireless resources based on load
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W72/00Local resource management
    • H04W72/50Allocation or scheduling criteria for wireless resources
    • H04W72/53Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W72/00Local resource management
    • H04W72/50Allocation or scheduling criteria for wireless resources
    • H04W72/56Allocation or scheduling criteria for wireless resources based on priority criteria
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明的系统收益最大化的无线体域网资源分配与任务卸载算法,该算法以博弈论中经典的讨价还价博弈模型为基础,将提供计算资源的边缘服务器作为模型中的资源卖家,而分布在服务器服务范围内的无线体域网作为资源买方,双方针对于CPU资源和无线信道资源,按照自私性行为模式,以最大化自身利益为目标进行讨价还价,最终得出整体系统最优的资源分配方案和任务卸载方案。可提高无线体域网数据处理的时效性和可靠性。

Description

系统收益最大化的无线体域网资源分配与任务卸载方法
技术领域
本发明属于无线通信技术领域,涉及系统收益最大化的无线体域网资源分配与任务卸载方法。
背景技术
无线体域网(Wireless Body Area Network,WBAN)是一种以人体为中心,由一个中心节点和若干依附于或植入于人体的传感器节点组成的无线网络,用于实时监控人体的多种生理数据,可有效缓解医疗资源短缺和医疗形势不平衡带来的医疗问题,促进电子医疗的发展。但是,受限于WBAN的有限的电池容量和数据处理能力,如何为用户提供续航时间长,数据可靠性高并且支持个性化定制的服务,是现在WBAN相关研究面临的一个挑战。
与此同时,移动/多接入边缘计算(Mobile/Multi-access Edge Computing,MEC)成为了现在的一个研究热点。MEC旨在缓解集中式云计算能力无法与物联网时代海量边缘数据爆炸式增长相匹配的问题,通过将部分高计算密度的计算任务从本地计算机(手机,平板电脑或物联网设备),卸载至计算资源丰富且物理位置上更靠近移动用户的边缘服务器上执行,降低执行时延和能量损耗,从而提高移动设备的续航时间、数据处理能力和用户的使用体验。
大多数现有的计算卸载策略都是以单一降低移动设备的处理时延或能耗为目标,少数用于均衡时延和能耗的卸载决策制定算法也只是考虑如何优化移动设备的任务处理模式,很少有算法将用户设备和提供计算资源的服务器当做一个整体进行研究,这往往会导致在满足了移动设备对于时延与能耗的需求后,会对服务器以及当前环境中的无线信道产生较大的压力。当用户达到一定数量之后,对于系统整体的影响会更加明显。
其次,对于无线体域网的研究更多集中在如何优化网内信息传输,而没有考虑无线体域网的计算能力和电池容量有限,无法实时处理来自传感器节点的大量生理数据,从而会影响到处理结果的有效性,降低用户体验。
发明内容
为解决上述技术问题,本发明的目的是提供系统收益最大化的无线体域网资源分配与任务卸载方法,使用讨价还价博弈模型,将边缘服务器和无线体域网作为一个整体系统考虑,以优化执行时延和系统能耗为目标,提高无线体域网数据处理的时效性和可靠性。
本发明提供的系统收益最大化的无线体域网资源分配与任务卸载方法,包括:
步骤1:无线体域网在某一时刻根据IEEE802.15.6的无线体域网优先级规范生成多个不同优先级及数据量的任务,每一个任务根据自身的优先级和数据量计算其价值;
步骤2:任务可选择本地处理或者卸载到边缘服务器处理;
步骤3:根据无线体域网本地处理任务的时延和能耗与卸载处理任务的时延和能耗,计算无线体域网处理任务的总时延和总能耗;
步骤4:通过单位时间成本与单位能耗成本将无线体域网处理某任务的总时延与总能耗分别量化为时间成本与能耗成本,引入时延因子与能耗因子表示时间成本与能耗成本占比,并确定处理该任务的总成本;
步骤5:无线体域网卸载的任务租用边缘服务器资源需要支付一定的费用,交易双方通过完全信息的双边叫价拍卖博弈对租用资源量及费用进行确定,分别得到无线体域网以及边缘服务器的收益;
步骤6:根据任务的价值、处理任务的成本与卸载任务的费用分别得到无线体域网和边缘服务器的总收益,进而转化为求解系统收益最大化问题;
步骤7:采用双层优化思想将原系统收益最大化问题分解为两个嵌入式问题,一是涉及无线体域网及边缘服务器计算资源和卸载任务过程中网络通信资源的分配问题,二是求解最优任务卸载决策问题;
步骤8:采用拉格朗日乘子算法对边缘服务器及无线体域网的计算资源和通信资源的分配问题进行求解,其中拉格朗日乘子通过次梯度迭代方法进行迭代求解;
步骤9:对于卸载决策问题,将资源分配问题中求得的关于卸载决策变量的最优资源分配结果代入原系统收益最大化问题公式中得到一个仅关于任务卸载决策的0-1整形规划问题,之后借助遗传算法对该问题进行求解,得到任务的最优卸载决策。
本发明的系统收益最大化的无线体域网资源分配与任务卸载方法,至少具有如下有益效果:
1、本发明将卸载决策技术运用在无线体域网中,将部分计算任务卸载至边缘服务器上执行,缓解了对无线体域网中心节点的计算压力,缓解了因无线体域网硬件资源的限制而造成的数据处理的高时延低效率问题,提高数据处理速度和精确度。
2、本发明创新地将讨价还价博弈模型与计算卸载算法相结合,将无线体域网和边缘服务器作为整体系统进行优化,避免了满足用户需求却产生大量系统开销的状况。
3、本发明采用了两层迭代算法,遗传算法和拉格朗日算子法结合使用,可以在较短的时间内求解出最优卸载策略和资源分配策略。
附图说明
图1是本发明的系统收益最大化的无线体域网资源分配与任务卸载方法的流程图。
具体实施方式
如图1所示,本发明的系统收益最大化的无线体域网资源分配与任务卸载方法,包括:
步骤1:无线体域网在某一时刻生成多个不同优先级及数据量的任务,每一个任务根据自身的优先级和数据量计算其价值;所述步骤1具体为:
无线体域网在某一时刻生成N个不同优先级及数据量的任务
Figure GDA0004082647940000041
该任务的价值,即交付收益报酬可表示如下:
Rn=r×(1+Kn)2×log2(1+Dn)
其中,Rn表示任务的价值,r表示单位任务价值常量,Dn表示该任务的数据量,Kn表示其优先级且遵循IEEE802.15.6的无线体域网优先级规范。
步骤2:任务如果可以在本地处理则直接本地处理,否则卸载到边缘服务器处理,所述步骤2具体为:
根据当前场景中资源受限情况和任务属性,无线体域网对某一任务可选择本地处理或卸载到边缘服务器处理,引入un∈{0,1}表示无线体域网内第n个任务的卸载决策,当un=0时表示该任务在本地执行,un=1则表示该任务卸载到边缘服务器执行。
步骤3:根据无线体域网本地处理任务的时延和能耗与卸载处理任务的时延和能耗,计算无线体域网处理任务的总时延和总能耗,所述步骤3根据下式计算:
Figure GDA0004082647940000042
Figure GDA0004082647940000043
其中,Tn为无线体域网处理任务的总时延,En为无线体域网处理任务的总能耗,un表示无线体域网内第n个任务的卸载决策,
Figure GDA0004082647940000044
分别表示本地处理任务的时延与能耗,
Figure GDA0004082647940000045
分别表示卸载处理任务的时延与能耗。
步骤4:通过单位时间成本与单位能耗成本将无线体域网处理某任务的总时延与总能耗分别量化为时间成本与能耗成本,引入时延因子与能耗因子表示时间成本与能耗成本占比,并确定处理该任务的总成本,所述步骤4中通过下式表示处理该任务的总成本:
Figure GDA0004082647940000051
上式中,通过单位时间成本
Figure GDA0004082647940000052
和单位能耗成本
Figure GDA0004082647940000053
将无线体域网处理某一任务的总时延和总能耗量化为时间成本与能耗成本,同时通过设定时延因子
Figure GDA0004082647940000054
和能耗因子
Figure GDA0004082647940000055
表示两者在总成本的占比,进而确定处理该任务的总成本Cn
同时某个任务的总成本还可通过卸载决策un与本地处理该任务的成本
Figure GDA0004082647940000056
和卸载处理该任务的成本
Figure GDA0004082647940000057
来表示:
Figure GDA0004082647940000058
其中本地成本
Figure GDA0004082647940000059
对应本地处理的时延与能耗,可表示为:
Figure GDA00040826479400000510
卸载成本
Figure GDA00040826479400000511
对应卸载处理的时延与能耗,可表示为:
Figure GDA00040826479400000512
步骤5:无线体域网卸载的任务租用边缘服务器资源需要支付一定的费用,交易双方通过完全信息的双边叫价拍卖博弈对租用资源量及费用进行确定,分别得到无线体域网以及边缘服务器的收益,所述步骤5具体为:
步骤5.1:通过计算边缘服务器处理卸载任务的时延与能耗得到边缘服务器处理该任务的成本:
Figure GDA00040826479400000513
其中,
Figure GDA00040826479400000514
表示边缘服务器处理无线体域网卸载到服务器上的任务所消耗的成本,
Figure GDA00040826479400000515
表示服务器处理该任务的时间,
Figure GDA00040826479400000516
表示处理该任务的能耗,
Figure GDA00040826479400000517
分别表示所对应的时间成本与能耗成本,
Figure GDA00040826479400000518
Figure GDA00040826479400000519
其对应的时间因子与能耗因子;
通过交易盈亏确定买卖双方物品价值估价:
Figure GDA00040826479400000520
Figure GDA0004082647940000061
其中,
Figure GDA0004082647940000062
为无线体域网的价值估价,
Figure GDA0004082647940000063
为边缘服务器的价值估价,
Figure GDA0004082647940000064
为无线体域网处理卸载到服务器的任务所消耗的成本。
步骤5.2:通过无线体域网卸载该任务的收益与边缘服务器处理该卸载任务的成本得到交易双方的估价,并由此双方进行叫价:
Figure GDA0004082647940000065
Figure GDA0004082647940000066
其中,
Figure GDA0004082647940000067
为无线体域网的叫价,δWBAN为无线体域网叫价的抖动参数,
Figure GDA0004082647940000068
为边缘服务器的叫价,δMEC边缘服务器叫价的抖动参数;
最终确定某个卸载处理的任务可定价pn为如下:
Figure GDA0004082647940000069
步骤5.3:分别得到无线体域网以及边缘服务器的收益:
Figure GDA00040826479400000610
Figure GDA00040826479400000611
其中,UWBAN为无线体域网的收益,UMEC为边缘服务器的收益。
步骤6:根据任务的价值、处理任务的成本与卸载任务的费用分别得到无线体域网和边缘服务器的总收益,进而转化为求解系统收益最大化问题,所述步骤6具体为:
通过线性加权法对两者收益进行整合,引入参数w0、w1,w0代表无线体域网的收益权重,w1代表边缘服务器的收益权重,并由此将原本无线体域网资源分配与任务卸载决策的问题转化为求解系统收益最大化问题
Figure GDA00040826479400000612
Figure GDA0004082647940000071
Figure GDA0004082647940000072
Figure GDA0004082647940000073
Figure GDA0004082647940000074
Figure GDA0004082647940000075
Figure GDA0004082647940000076
其中,u表示任务的卸载策略集合;floc表示本地资源分配集合
Figure GDA0004082647940000077
FWBAN表示本地可分配计算资源;b表示网络通信资源分配集合,B表示可分配网络通信资源;p表示卸载业务的费用集合
Figure GDA0004082647940000078
fser表示服务器资源分配集合
Figure GDA0004082647940000079
FMEC表示可分配服务器计算资源;τn表示任务最大完成截至时间。
步骤7:采用双层优化思想将原系统收益最大化问题分解为两个嵌入式问题,一是涉及无线体域网及边缘服务器计算资源和卸载任务过程中网络通信资源的分配问题,二是求解最优任务卸载决策问题;
步骤8:采用拉格朗日乘子算法对边缘服务器及无线体域网的计算资源和通信资源的分配问题进行求解,其中拉格朗日乘子通过次梯度迭代方法进行迭代求解;所述步骤8具体为:
步骤8.1:首先固定卸载决策u,然后采用拉格朗日乘子算法,构建拉格朗日函数
Figure GDA00040826479400000714
其中α、β、γ和
Figure GDA00040826479400000710
分别表示拉格朗日乘子:
Figure GDA00040826479400000711
Figure GDA00040826479400000712
对于资源分配结果中的拉格朗日乘子α、β、γ和
Figure GDA00040826479400000713
采用次梯度迭代法进行求解:
Figure GDA00040826479400000812
Figure GDA00040826479400000813
Figure GDA00040826479400000814
Figure GDA0004082647940000081
其中,sα,sβ,sγ,sθ表示迭代步长。
步骤8.2:基于拉格朗日条件:
Figure GDA0004082647940000082
Figure GDA0004082647940000083
Figure GDA0004082647940000084
求解拉格朗日函数可得到最优本地计算资源分配策略(floc)*(u),服务器计算资源分配策略(fser)*(u),及通信资源分配策略b*(u)。
步骤9:对于卸载决策问题,将资源分配问题中求得的关于卸载决策变量的最优资源分配结果代入原系统收益最大化问题公式中得到一个仅关于任务卸载决策的0-1整形规划问题,之后借助遗传算法对该问题进行求解,得到任务的最优卸载决策,所述步骤9具体为:
步骤9.1:代入第一个问题的资源分配结果并得到仅关于卸载决策变量u的任务卸载决策问题
Figure GDA0004082647940000085
其中
Figure GDA0004082647940000086
表示卸载决策u的可行域:
Figure GDA0004082647940000087
Figure GDA0004082647940000088
Figure GDA0004082647940000089
步骤9.2:通过分析可知该问题
Figure GDA00040826479400000810
是一个0-1整型规划问题,借助遗传算法对其进行求解,便可求得最优卸载决策u*
Figure GDA00040826479400000811
本发明将提供计算资源的边缘服务器作为模型中的资源卖家,而分布在边缘服务器服务范围内的无线体域网作为资源买方,双方针对于CPU资源和无线信道资源,按照自私性行为模式,以最大化自身利益为目标进行讨价还价,最终得出整体系统最优的资源分配方案和任务卸载方案。
以上所述仅为本发明的较佳实施例,并不用以限制本发明的思想,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,包括:
步骤1:无线体域网在某一时刻根据IEEE802.15.6的无线体域网优先级规范生成多个不同优先级及数据量的任务,每一个任务根据自身的优先级和数据量计算其价值;
步骤2:任务可选择本地处理或者卸载到边缘服务器处理;
步骤3:根据无线体域网本地处理任务的时延和能耗与卸载处理任务的时延和能耗,计算无线体域网处理任务的总时延和总能耗;
步骤4:通过单位时间成本与单位能耗成本将无线体域网处理某任务的总时延与总能耗分别量化为时间成本与能耗成本,引入时延因子与能耗因子表示时间成本与能耗成本占比,并确定处理该任务的总成本;
步骤5:无线体域网卸载的任务租用边缘服务器资源需要支付一定的费用,交易双方通过完全信息的双边叫价拍卖博弈对租用资源量及费用进行确定,分别得到无线体域网以及边缘服务器的收益;
步骤6:根据任务的价值、处理任务的成本与卸载任务的费用分别得到无线体域网和边缘服务器的总收益,进而转化为求解系统收益最大化问题;
步骤7:采用双层优化思想将原系统收益最大化问题分解为两个嵌入式问题,一是涉及无线体域网及边缘服务器计算资源和卸载任务过程中网络通信资源的分配问题,二是求解最优任务卸载决策问题;
步骤8:采用拉格朗日乘子算法对边缘服务器及无线体域网的计算资源和通信资源的分配问题进行求解,其中拉格朗日乘子通过次梯度迭代方法进行迭代求解;
步骤9:对于卸载决策问题,将资源分配问题中求得的关于卸载决策变量的最优资源分配结果代入原系统收益最大化问题公式中得到一个仅关于任务卸载决策的0-1整形规划问题,之后借助遗传算法对该问题进行求解,得到任务的最优卸载决策。
2.如权利要求1所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤1具体为:
无线体域网在某一时刻生成N个不同优先级及数据量的任务
Figure FDA0004082647930000021
该任务的价值,即交付收益报酬可表示如下:
Rn=r×(1+Kn)2×log2(1+Dn)
其中,Rn表示任务的价值,r表示单位任务价值常量,Dn表示该任务的数据量,Kn表示其优先级且遵循IEEE802.15.6的无线体域网优先级规范。
3.如权利要求1所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤2具体为:
根据当前场景中资源受限情况和任务属性,无线体域网对某一任务可选择本地处理或卸载到边缘服务器处理,引入un∈{0,1}表示无线体域网内第n个任务的卸载决策,当un=0时表示该任务在本地执行,un=1则表示该任务卸载到边缘服务器执行。
4.如权利要求3所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤3根据下式计算:
Figure FDA0004082647930000022
Figure FDA0004082647930000023
其中,Tn为无线体域网处理任务的总时延,En为无线体域网处理任务的总能耗,un表示无线体域网内第n个任务的卸载决策,
Figure FDA0004082647930000024
分别表示本地处理任务的时延与能耗,
Figure FDA0004082647930000025
分别表示卸载处理任务的时延与能耗。
5.如权利要求4所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤4中通过下式表示处理该任务的总成本:
Figure FDA0004082647930000026
上式中,通过单位时间成本
Figure FDA0004082647930000031
和单位能耗成本
Figure FDA0004082647930000032
将无线体域网处理某一任务的总时延和总能耗量化为时间成本与能耗成本,同时通过设定时延因子
Figure FDA0004082647930000033
和能耗因子
Figure FDA0004082647930000034
表示两者在总成本的占比,进而确定处理该任务的总成本Cn
同时某个任务的总成本还可通过卸载决策un与本地处理该任务的成本
Figure FDA0004082647930000035
和卸载处理该任务的成本
Figure FDA0004082647930000036
来表示:
Figure FDA0004082647930000037
其中本地成本
Figure FDA0004082647930000038
对应本地处理的时延与能耗,可表示为:
Figure FDA0004082647930000039
卸载成本
Figure FDA00040826479300000310
对应卸载处理的时延与能耗,可表示为:
Figure FDA00040826479300000311
6.如权利要求5所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤5具体为:
步骤5.1:通过计算边缘服务器处理卸载任务的时延与能耗得到边缘服务器处理该任务的成本:
Figure FDA00040826479300000312
其中,
Figure FDA00040826479300000313
表示边缘服务器处理无线体域网卸载到服务器上的任务所消耗的成本,
Figure FDA00040826479300000314
表示服务器处理该任务的时间,
Figure FDA00040826479300000315
表示处理该任务的能耗,
Figure FDA00040826479300000316
分别表示所对应的时间成本与能耗成本,
Figure FDA00040826479300000317
Figure FDA00040826479300000318
其对应的时间因子与能耗因子;
通过交易盈亏确定买卖双方物品价值估价:
Figure FDA00040826479300000319
Figure FDA00040826479300000320
其中,
Figure FDA00040826479300000321
为无线体域网的价值估价,
Figure FDA00040826479300000322
为边缘服务器的价值估价,
Figure FDA00040826479300000323
为无线体域网处理卸载到服务器的任务所消耗的成本;
步骤5.2:通过无线体域网卸载该任务的收益与边缘服务器处理该卸载任务的成本得到交易双方的估价,并由此双方进行叫价:
Figure FDA0004082647930000041
Figure FDA0004082647930000042
其中,
Figure FDA0004082647930000043
为无线体域网的叫价,δWBAN为无线体域网叫价的抖动参数,
Figure FDA0004082647930000044
为边缘服务器的叫价,δMEC边缘服务器叫价的抖动参数;
最终确定某个卸载处理的任务可定价pn为如下:
Figure FDA0004082647930000045
步骤5.3:分别得到无线体域网以及边缘服务器的收益:
Figure FDA0004082647930000046
Figure FDA0004082647930000047
其中,UWBAN为无线体域网的收益,UMEC为边缘服务器的收益。
7.如权利要求1所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤6具体为:
通过线性加权法对两者收益进行整合,引入参数w0、w1,w0代表无线体域网的收益权重,w1代表边缘服务器的收益权重,并由此将原本无线体域网资源分配与任务卸载决策的问题转化为求解系统收益最大化问题
Figure FDA0004082647930000048
Figure FDA0004082647930000049
Figure FDA00040826479300000410
Figure FDA00040826479300000411
Figure FDA00040826479300000412
Figure FDA00040826479300000413
Figure FDA00040826479300000414
其中,u表示任务的卸载策略集合;floc表示本地资源分配集合
Figure FDA00040826479300000415
FWBAN表示本地可分配计算资源;b表示网络通信资源分配集合,B表示可分配网络通信资源;p表示卸载业务的费用集合pn∈p,
Figure FDA0004082647930000051
fser表示服务器资源分配集合
Figure FDA0004082647930000052
FMEC表示可分配服务器计算资源;τn表示任务最大完成截至时间。
8.如权利要求7所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤8具体为:
步骤8.1:首先固定卸载决策u,然后采用拉格朗日乘子算法,构建拉格朗日函数
Figure FDA0004082647930000053
其中α、β、γ和
Figure FDA0004082647930000054
分别表示拉格朗日乘子:
Figure FDA0004082647930000055
Figure FDA0004082647930000056
步骤8.2:基于拉格朗日条件:
Figure FDA0004082647930000057
Figure FDA0004082647930000058
Figure FDA0004082647930000059
求解拉格朗日函数可得到最优本地计算资源分配策略(floc)*(u),服务器计算资源分配策略(fser)*(u),及通信资源分配策略b*(u)。
9.如权利要求8所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤8.1中对于资源分配结果中的拉格朗日乘子α、β、γ和
Figure FDA00040826479300000510
采用次梯度迭代法进行求解:
Figure FDA00040826479300000511
Figure FDA00040826479300000512
Figure FDA0004082647930000061
Figure FDA0004082647930000062
其中,sα,sβ,sγ,sθ表示迭代步长。
10.如权利要求7所述的系统收益最大化的无线体域网资源分配与任务卸载方法,其特征在于,所述步骤9具体为:
步骤9.1:代入第一个问题的资源分配结果并得到仅关于卸载决策变量u的任务卸载决策问题
Figure FDA0004082647930000063
Figure FDA0004082647930000064
Figure FDA0004082647930000065
Figure FDA0004082647930000066
步骤9.2:通过分析可知该问题
Figure FDA0004082647930000067
是一个0-1整型规划问题,借助遗传算法对其进行求解,便可求得最优卸载决策u*
Figure FDA0004082647930000068
CN201911373175.6A 2019-12-27 2019-12-27 系统收益最大化的无线体域网资源分配与任务卸载方法 Active CN111163519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911373175.6A CN111163519B (zh) 2019-12-27 2019-12-27 系统收益最大化的无线体域网资源分配与任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911373175.6A CN111163519B (zh) 2019-12-27 2019-12-27 系统收益最大化的无线体域网资源分配与任务卸载方法

Publications (2)

Publication Number Publication Date
CN111163519A CN111163519A (zh) 2020-05-15
CN111163519B true CN111163519B (zh) 2023-04-28

Family

ID=70556939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911373175.6A Active CN111163519B (zh) 2019-12-27 2019-12-27 系统收益最大化的无线体域网资源分配与任务卸载方法

Country Status (1)

Country Link
CN (1) CN111163519B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796880B (zh) * 2020-07-01 2021-06-04 电子科技大学 一种边缘云计算任务的卸载调度方法
CN111835849B (zh) * 2020-07-13 2021-12-07 中国联合网络通信集团有限公司 增强接入网服务能力的方法和装置
CN112015545B (zh) * 2020-07-23 2023-01-20 山东师范大学 车辆边缘计算网络中的任务卸载方法及系统
CN111988415B (zh) * 2020-08-26 2021-04-02 绍兴文理学院 基于模糊博弈的移动传感设备计算任务安全卸载方法
CN112596910B (zh) * 2020-12-28 2024-02-20 广东电网有限责任公司电力调度控制中心 一种多用户mec系统中的云计算资源调度方法
CN114880038B (zh) * 2021-01-22 2023-12-19 上海大学 移动边缘计算系统资源优化配置方法
CN112887435B (zh) * 2021-04-13 2022-05-20 中南大学 一种提高边缘计算中任务卸载合作率的方法
CN113543183B (zh) * 2021-06-10 2023-12-15 中国电子科技集团公司电子科学研究院 一种共存无线体域网间协作方法、系统及存储介质
CN113452566A (zh) * 2021-07-05 2021-09-28 湖南大学 一种云边端协同资源管理方法及系统
CN113518090B (zh) * 2021-07-20 2023-08-01 绍兴文理学院 一种边缘计算架构物联网入侵检测方法和系统
CN113794768B (zh) * 2021-09-13 2024-01-23 南京星航通信技术有限公司 移动设备云中的任务分配方法
CN113905415B (zh) * 2021-10-12 2023-08-18 安徽大学 一种蜂窝网络中移动终端的动态计算任务卸载方法
CN114900518A (zh) * 2022-04-02 2022-08-12 中国光大银行股份有限公司 有向分布式网络的任务分配方法、装置、介质及电子设备
CN114581160B (zh) * 2022-05-05 2022-09-02 支付宝(杭州)信息技术有限公司 资源分配方法、分布式计算系统及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103906248A (zh) * 2014-04-21 2014-07-02 重庆邮电大学 基于网络生存期最大化的体域网资源联合优化调度方法
CN107295109A (zh) * 2017-08-16 2017-10-24 重庆邮电大学 自组织网络云计算中的任务卸载与功率分配联合决策方法
CN108990159A (zh) * 2018-07-12 2018-12-11 东南大学 移动边缘计算系统中基于分层博弈的联合资源分配方法
EP3457664A1 (en) * 2017-09-14 2019-03-20 Deutsche Telekom AG Method and system for finding a next edge cloud for a mobile user

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103906248A (zh) * 2014-04-21 2014-07-02 重庆邮电大学 基于网络生存期最大化的体域网资源联合优化调度方法
CN107295109A (zh) * 2017-08-16 2017-10-24 重庆邮电大学 自组织网络云计算中的任务卸载与功率分配联合决策方法
EP3457664A1 (en) * 2017-09-14 2019-03-20 Deutsche Telekom AG Method and system for finding a next edge cloud for a mobile user
CN108990159A (zh) * 2018-07-12 2018-12-11 东南大学 移动边缘计算系统中基于分层博弈的联合资源分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Soumen Moulik;Sudip Misra;Abhishek Gaurav.Cost-Effective Mapping between Wireless Body Area Networks and Cloud Service Providers Based on Multi-Stage Bargaining.《IEEE TRANSACTIONS ON MOBILE COMPUTING》.2017,全文. *
刘凯宁.《无线体域网络中资源分配算法的研究》.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,全文. *

Also Published As

Publication number Publication date
CN111163519A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111163519B (zh) 系统收益最大化的无线体域网资源分配与任务卸载方法
CN111163521B (zh) 移动边缘计算中一种分布式异构环境下的资源分配方法
CN111757354B (zh) 一种基于竞争博弈的多用户切片资源分配方法
CN111182570B (zh) 提高运营商效用的用户关联和边缘计算卸载方法
CN111262940B (zh) 一种车载边缘计算应用缓存方法、装置及系统
CN113114733B (zh) 基于能量收集的分布式任务卸载和计算资源的管理方法
CN111641973B (zh) 一种雾计算网络中基于雾节点协作的负载均衡方法
CN108234603A (zh) 一种基于定价的边缘计算资源分配方法及系统
CN111262944B (zh) 异构移动边缘计算网络中分层任务卸载的方法与系统
CN109729507B (zh) 基于激励机制的d2d协作式缓存方法
CN109831796B (zh) 无线网络虚拟化中的资源分配方法
CN111614754B (zh) 面向雾计算的成本效率优化的动态自适应任务调度方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
Krolikowski et al. Optimal cache leasing from a mobile network operator to a content provider
CN112822707B (zh) 一种计算资源有限mec中任务卸载与资源分配方法
Li et al. Computation offloading and service allocation in mobile edge computing
Liu et al. Multi-item auction based mechanism for mobile data offloading: A robust optimization approach
Tao et al. Single-cell multiuser computation offloading in dynamic pricing-aided mobile edge computing
Le et al. Contract-based cache partitioning and pricing mechanism in wireless network slicing
Tütüncüoğlu et al. Joint resource management and pricing for task offloading in serverless edge computing
Hao et al. Energy allocation and task scheduling in edge devices based on forecast solar energy with meteorological information
CN106709647A (zh) 一种基于用户观测质量在线学习的群智感知激励方法
Huang et al. Cost-aware resource management based on market pricing mechanisms in edge federation environments
Mondal et al. CALM: QoS-aware vehicular sensor-as-a-service provisioning in cache-enabled multi-sensor cloud
CN116521369A (zh) 边缘计算任务分配方法、装置及非易失性存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant