基于D2D通信的多用户计算卸载资源优化决策方法与流程

基于d2d通信的多用户计算卸载资源优化决策方法
技术领域
1.本发明涉及移动通信技术领域，特别是一种多用户通过d2d通信进行计算卸载的资源优化决策方法，是一种能够有助于改善移动通信网络计算资源紧缺，同时降低计算卸载时延和能耗的资源优化决策方法。


背景技术：

2.随着第五代移动通信(fifth generation,5g)的发展和商用，越来越多的移动应用，如物联网、增强现实、视频流处理等，这类不仅需要高速数据传输并且要求强大计算资源的时延敏感的新应用正在迅速被广泛普及。为了能够足以支持这些对计算资源和时延有特殊需求的应用，移动边缘计算(mobile edge computing,mec)应运而生。mec是一种相当有潜力的新兴5g服务方案，主要利用用户邻近的无线网络边缘设施或者大量的用户端设备协作，代替远端云计算来执行大量的通信和计算服务。与云计算相比，mec能够在网络边缘，即无线接入网端提供与云计算相当的能力，从而用户能够以较近的距离卸载其计算任务，实现低时延且灵活的计算和通信扩展服务。
3.针对用户计算任务的卸载问题，大多数方法都集中于基于边缘服务器的mec网络资源管理，即在考虑无线通信和移动计算准则下，用户可将计算任务卸载至网络边缘高速的计算服务器。mec网络中仅利用边缘服务器的计算卸载，虽然能够使移动网络的计算性能在一定程度上得到提升，但基站端边缘服务器有限的计算资源并不能一直足以支持其覆盖范围内的所有移动设备。并且由于用户在网络中分布的随机性，尤其是对于分布在小区边缘的用户而言，基站端的边缘服务器与用户之间的距离可能会较远，从而导致较长的卸载时延。为了弥补mec网络中的这些不足和挑战，将允许终端之间无需经过基站而直接进行通信的终端直通(device
‑
to
‑
device,d2d)融入mec网络，利用d2d通信辅助用户计算任务卸载是一个值得关注的解决方法。
4.网络中大量不同种类的设备，如物联网设备、智能手机、平板电脑等，它们多样化的计算能力以及复用增益可以被利用来支持多种服务的协作计算任务执行。通过用户间协作进行计算卸载时，卸载距离的明显减少是通常被忽视的一个关键。从无线通信角度考虑，发送距离短就能以较低的功率消耗获得较高的数据传输速率，从而当用户间短距离进行任务卸载时就能够减少卸载时延和能量消耗。考虑到d2d卸载的优势，基于d2d通信辅助的卸载决策方法受到关注，但目前大多数d2d辅助的计算卸载决策其算法的计算复杂度都非常高，并且优化目标以最小化时延为单一目标居多，但d2d设备的能耗也是需要考虑的重点，还有一些方法仅仅只是利用了d2d卸载的概念，设备间通信仍然是采用蜂窝通信。


技术实现要素：

5.有鉴于此，本发明的目的是将d2d通信与d2d卸载融入mec网络形成d2d
‑
mec网络，在最小化系统计算总开销的基础上进一步降低用户的卸载时延和能耗。通过对计算任务在d2d传输和执行阶段的时延和能耗开销建模，以最小化包括时延和能耗的系统计算总开销
为优化目标，将多用户计算任务卸载和多用户计算资源分配问题，建模为最小化系统计算总开销的整数规划问题，然后将求解该问题看作是一个d2d配对过程，利用稳定匹配算法提供一种基于d2d通信的多用户计算卸载资源优化决策方法，迭代求解d2d卸载的优化分配决策，以较低的复杂度实现系统计算总开销的最小化并提升用户体验。
6.本发明的目的是通过这样的技术方案实现的，所述多用户通信系统包括有d
t
个需要请求d2d计算卸载的移动用户，用集合d
t
＝{1,2,...,i,...,d
t
}表示，有d
r
个相邻的有闲置计算资源能够提供d2d计算卸载服务的移动用户，用集合d
r
＝{1,2,...,j,...,d
r
}表示，d
t
个移动用户均有一个独立的并且时延较为敏感的计算任务需要向邻近移动用户请求计算卸载服务，其特征在于，d2d计算卸载的具体步骤为：
7.1)建立基于d2d通信的数据通信模型，得到d2d通信可实现的数据速率；
8.2)分别建立任务传输和任务执行阶段包括时间和能量开销的计算开销模型；
9.3)基于时间和能量开销模型，建立最小化整个系统所有用户任务卸载所需计算总开销的全局优化问题；
10.4)以计算总开销的大小为排序依据建立双边用户的偏好序列；
11.5)基于建立的偏好序列，利用稳定匹配算法得到多用户d2d计算卸载的资源优化决策。
12.进一步地，在所述步骤1)中，用户间计算卸载需利用d2d通信传输计算任务，d2d通信在蜂窝网控制下采用正交频分多址接入方式接入无线信道；基于自由空间传播路径损耗和瑞利衰落，得到用户i∈d
t
和用户j∈d
r
之间d2d通信可实现的数据速率r
ij
。
13.进一步地，在所述步骤2)中，用户间计算卸载的任务传输和任务执行阶段所产生的计算开销均包含时间开销和能量开销；任务传输阶段，用户i计算任务包括时间开销和能量开销的计算总开销为其中，是用户i将计算任务的输入数据b
i
通过d2d通信传输到用户j所消耗的传输时间，是用户i以功率p
i
将输入数据b
i
通过d2d通信传输到用户j所消耗的能量，分别表示时间开销和能量开销的权重；任务执行阶段，用户i计算任务包括时间开销和能量开销的计算总开销为其中，是用户j计算接收到的计算任务所消耗的计算时间，是用户j计算接收到的计算任务所消耗的计算能量。
14.进一步地，在所述步骤3)中，为了使整个任务卸载过程中时延最小化的同时用户的能耗也最小，提升用户体验，以最小化整个系统中所有用户任务卸载过程中的计算总开销，即包含任务传输和任务执行阶段总的时间开销和能量开销为目标函数，建立线性的全局优化问题。
15.进一步地，在所述步骤4)中，为了低复杂度的求解建立的优化问题，将卸载请求的用户集合d
t
和计算卸载服务的用户集合d
r
看作是参与匹配的两个集合，则计算任务的卸载过程就可以看作是一个用户任务匹配一个服务用户的双边匹配，最终匹配的结果就是多用户计算卸载的优化决策；要进行双边匹配，首先要根据用户的不同偏好建立双边用户的偏好序列，根据优化目标，请求用户和服务用户以计算总开销的大小为排序依据来建立偏好序列：总开销越小，用户的偏好就越高，排序就越靠前。
16.进一步地，在所述步骤5)中，当偏好序列建立完成以后，利用稳定匹配算法进行双边匹配，请求用户会根据偏好序列向排在第一位的最高偏好的服务用户发起匹配请求，相对应的服务用户会根据自己的偏好序列作出接受或者拒绝的选择，算法迭代进行，未被匹配的请求用户又会继续向当前偏好序列中最高偏好的服务用户提出新的匹配/任务卸载请求，直到与服务用户匹配成功或者其偏好序列中再无可发起请求的服务用户，没有新的匹配请求时算法终止，输出最终的匹配结果θ，即多用户d2d计算卸载资源优化的决策。
17.由于采用了上述技术方案，本发明至少具有如下的优点：
18.本发明利用稳定匹配算法以较低的计算复杂度实现了基于d2d通信的多用户计算卸载的资源优化决策，最小化了整个系统包括时间和能耗的计算卸载总开销。所述方法将d2d融入mec网络并将邻近用户闲置的计算资源利用起来，采用向邻近移动用户请求d2d卸载的方式执行计算任务卸载，与将所有计算任务均卸载到远端mec服务器相比，降低了计算卸载的时延和能耗，可避免因mec服务器计算资源紧缺导致的计算卸载拥堵。并且所述方法采用一对一d2d计算卸载，相较于一对多、多对一或多对多d2d卸载而言，请求用户的任务不需要执行复杂的算法再进行分割，系统处理复杂度较低，并且还能避免多个任务在一个服务用户处排队等候使服务用户过载而造成卸载时延和能耗增加的情况。进一步地，所述方法将一对一d2d计算卸载过程看作是一个用户任务匹配一个服务用户的双边匹配，利用稳定匹配进行最优化的资源分配决策，通过理论分析可证明所述方法所得资源优化决策是稳定的，弱帕累托最优的，并且具有较低的复杂度；相较于传统的随机匹配法能够有效降低系统的计算总开销，并且能够以较低的计算复杂度获得与最优的穷举搜索法非常接近的性能。
19.本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
20.图1为本发明的流程框图；
21.图2为实施例的系统模型示意图；
22.图3为实施例中基于稳定匹配算法的流程框图；
23.图4为实施例与两种基准方法的对比仿真图；
24.图5为实施例与mec卸载方法的对比仿真图。
具体实施方式
25.下面结合附图和实施例，对本发明的具体实施方式作进一步阐述说明。
26.本实施例以一个由宏蜂窝基站(base station,bs)和多个移动用户组成的d2d
‑
mec网络环境为背景，参照图2所示的系统模型，模型内每个移动用户不仅能够与基站建立蜂窝通信链路，也能够与其他邻近的移动用户以d2d通信的方式建立d2d链路。基站配备了一个mec服务器为较大的计算任务卸载提供相应的计算卸载服务，而某些移动用户较小的计算任务或者已分割的部分计算任务则可直接以d2d卸载的方式由邻近的移动用户提供计
算卸载服务。参照图2所示，在本实施例中，网络中有d
t
个需要请求d2d计算卸载的移动用户和d
r
个相邻的有闲置计算资源能够提供d2d计算卸载服务的移动用户，分别用集合d
t
＝{1,2,...,i,...,d
t
}和集合d
r
＝{1,2,...,j,...,d
r
}表示，其中d
t
个移动用户均有一个独立的并且时延较为敏感的计算任务需要向邻近移动用户请求计算卸载服务。为了避免复杂的信令交互并考虑到任务量较小，本实施例中用户i∈d
t
的计算任务只能卸载到一个相邻的用户j∈d
r
，提供计算服务的用户j∈d
r
也只会将其计算资源分配给一个请求卸载的用户i∈d
t
为其提供服务。不失一般性，参考大多数移动边缘计算和移动网络的研究场景，为了分析的可行性并取得实用的结果，本实施例也采用半静态的计算卸载场景，即在通常的一个计算卸载时间周期(百毫秒级)内，移动用户集合d
t
和d
r
保持不变，而在两个或多个周期内可能会有所变化。
27.用户间的d2d卸载需利用d2d链路传输计算任务和计算结果，d2d通信在蜂窝网控制下采用正交频分多址接入方式接入无线信道。基于自由空间传播路径损耗和瑞利衰落，请求计算卸载的用户i∈d
t
和提供计算卸载服务的用户j∈d
r
间d2d链路的接收功率p
j
可表示为：
[0028][0029]
其中，p
i
表示用户i的发送功率；h
ij
表示用户i和用户j之间的信道增益；d
ij
表示用户i和用户j之间的距离；β是路径衰落指数，根据不同通信环境和信道质量其取值在2到4之间；h0是服从复高斯分布cn(0,1)的瑞利信道系数。
[0030]
进一步地，得到用户i和用户j之间d2d链路可实现的数据速率r
ij
表示为：
[0031][0032]
其中，w表示带宽；n0表示信道的加性高斯白噪声。
[0033]
本实施例中用一个二元组v
i
＝{b
i
,c
i
}来表示用户i∈d
t
需要卸载的计算任务，其中b
i
表示该任务数据量的大小，单位千字节(kb)；c
i
表示执行完该任务所需要的cpu周期数，单位兆周(megacycles)。用户的一个计算任务要卸载到相邻用户处进行计算，通常需要经历三个阶段。首先是任务卸载/传输阶段，即用户i∈d
t
的计算任务首先需通过d2d通信传输给一个相邻用户j∈d
r
；其次是任务执行阶段，即用户j∈d
r
执行安排给他的用户i∈d
t
的计算任务；最后是结果下载阶段，即用户j∈d
r
将计算完成的结果回传给用户i∈d
t
。在d2d卸载的这三个阶段中，计算任务的卸载所产生的计算开销均包含时间开销和能量开销。但由于最终计算结果的数据量大小相比于输入数据量通常是非常小的，因此在本实施例中计算结果的下载时间和能量消耗忽略不计，主要分析任务传输和任务执行阶段的计算开销。
[0034]
任务传输阶段计算开销模型：
[0035]
用户i将计算任务的输入数据b
i
通过d2d通信传输到用户j，基于用户i和用户j之间d2d链路可实现的数据速率，传输输入数据b
i
所消耗的传输时间可由下式计算：
[0036][0037]
除传输时间开销以外，由于用户通常是能量受限的，为了尽可能延长工作时间提升用户体验，用户所消耗的能量也需要被考虑。用户i以功率p
i
将输入数据b
i
通过d2d通信传
输到用户j所消耗的能量取决于数据传输的时间，所以传输输入数据b
i
所消耗的传输能量可由下式计算：
[0038][0039]
综合式(3)和式(4)，任务传输阶段，用户i计算任务v
i
包括时间开销和能量开销的计算总开销为：
[0040][0041]
其中，分别表示时间开销和能量开销的权重。因为不同用户可能对时间和能量开销的具体需求不同，所以增加权重因子来体现不同用户的不同权重选择，从而实现模型的灵活实用。这个权重参数可以根据用户执行的程序类型的不同或用户在不同优化周期的不同要求而动态改变。为了方便建模，在本实施例中的一个优化周期内权重不发生改变。
[0042]
任务执行阶段计算开销模型：
[0043]
当用户i的计算任务成功传输到用户j后，用户j就会代替用户i执行相关的计算任务，不同用户拥有的计算能力可能是不同的，设用户j的计算能力，也即是cpu计算频率为f
j
，那么用户j计算接收到的计算任务v
i
所消耗的计算时间可由下式计算：
[0044][0045]
用户j计算接收到的计算任务v
i
会消耗自身能量，设是用户j执行计算任务时所需消耗的功率，其中κ
j
≥0是有效开关电容，在本实施例中设置为κ
j
＝10
‑
11
，ν
j
≥1是一个正常数。那么用户j计算接收到的计算任务v
i
所消耗的计算能量可由下式计算：
[0046][0047]
综合式(6)和式(7)，任务执行阶段，用户i计算任务v
i
包括时间开销和能量开销的计算总开销为：
[0048][0049]
在本实施例中，用户间以d2d方式进行计算任务卸载，为了使整个任务卸载过程中时延最小化的同时用户的能耗也最小，提升用户体验，以最小化整个系统中所有用户任务卸载过程中的计算总开销，即包含任务传输和任务执行阶段总的时间开销和能量开销为目标函数，建立以下线性的全局优化问题：
[0050]
[0051]
其中，约束条件1)的二元变量x＝{x
ij
}用于指示请求任务卸载的用户和提供卸载服务的用户之间的配对情况，当x
ij
＝1时表示用户i的计算任务卸载给用户j执行，用户j的计算资源分配给用户i，x
ij
＝0则不成立；约束条件2)确保了一个请求任务卸载的用户只能把任务卸载给最多一个提供卸载服务的用户；约束条件3)确保了一个提供卸载服务的用户只能将计算资源分配给最多一个请求任务卸载的用户。由于变量的取值只能是0或者1的二元变量，所以建立的最优化问题是整数规划问题中特别的二元线性规划问题，并且是非确定多项式问题。满足该问题条件1)～3)的解其实存在许多可能，但最优解只有一个。虽然利用穷举所有可能的解的方式可以求得最优解，但计算复杂度非常高。因此，在本实施例中采用复杂度较低并能实现近似最优性能的次优化的稳定匹配算法求解该问题。
[0052]
计算卸载请求用户集合d
t
中的一个用户只能选择计算卸载服务用户集合d
r
中的一个用户，计算卸载服务用户集合d
r
中的一个用户也只能选择计算卸载请求用户集合d
t
中的一个用户，这两个用户集合之间恰好存在一个一对一的关系，非常适合匹配理论的结构。匹配理论是建模两个独立主体集合间一对一、多对一或者多对多分配的有效方法。将卸载请求的用户集合d
t
和计算卸载服务的用户集合d
r
看作是参与匹配的两个集合，则计算任务的卸载过程就可以看作是一个用户任务匹配一个服务用户的双边匹配，最终匹配的结果就是多用户计算卸载的优化决策。
[0053]
要进行双边匹配，首先应根据用户的不同偏好建立双边用户的偏好序列。当请求用户i∈d
t
与不同服务用户进行配对时，由于他与不同服务用户之间通信距离不同且不同服务用户的计算能力也不同，那么不同配对会得到不同的计算总开销。同理，当服务用户j∈d
r
与不同请求用户进行配对时，不同配对也会得到不同的计算总开销。本实施例的优化目标是最小化系统计算总开销，因此，请求用户i∈d
t
对服务用户j∈d
r
的偏好，以及服务用户j∈d
r
对请求用户i∈d
t
的偏好，都以式(5)和式(8)之和的计算总开销为效用函数来衡量。也即是请求用户和服务用户以计算总开销的大小为排序依据来建立偏好序列：总开销越小，用户的偏好就越高，排序就越靠前。的请求用户，计算与每一个服务用户j∈d
r
的总开销然后按照总开销的数值大小从小到大升序排序，建立请求用户i∈d
t
对不同服务用户j∈d
r
的偏好序列。同理，j∈d
r
的服务用户，计算与每一个请求用户i∈d
t
的总开销然后按照总开销的数值大小从小到大升序排序，建立服务用户j∈d
r
对不同请求用户i∈d
t
的偏好序列。
[0054]
当偏好序列建立完成以后，请求用户就会根据偏好序列向排在第一位的最高偏好的服务用户发起匹配请求，相对应的服务用户会根据自己的偏好序列作出选择。本实施例利用稳定匹配实现多用户计算卸载的资源优化，具体决策方法的流程如图3所示。首先初始化系统和用户各参数，建立所有未匹配的请求计算卸载的用户集合列表每一个请求用户i∈d
t
和每一个服务用户j∈d
r
以为效用函数计算对另一边集合中每个个体的偏好值并按升序排列，得到各自的偏好序列。未匹配列表中某一请求用户在其偏好序列不为空的情况下，根据其偏好序列向最高偏好的服务用户发起任务卸载/匹配请求。收到任务卸载请求的服务用户根据其偏好序列对发起请求的请求用户与当前匹配对象
进行比较，如果服务用户更偏好发起请求的请求用户，则接受发起请求的请求用户拒绝当前匹配对象，该发起请求的请求用户从未匹配列表中移除，而被拒绝的匹配对象则会被加入未匹配列表中；反之如果服务用户更偏好当前匹配对象，则会维持当前匹配,拒绝发起请求的请求用户，而被拒绝的发起请求的请求用户会从自己的偏好序列中移除该服务用户,更新其偏好序列。算法迭代进行，未被匹配的请求用户又会继续向当前偏好序列中最高偏好的服务用户提出新的任务卸载/匹配请求，直到与服务用户匹配成功或者其偏好序列中再无可发起请求的服务用户。没有新的匹配请求时，算法终止，输出最终的匹配结果θ，即多用户d2d计算卸载资源优化的决策。
[0055]
在本实施例中建立偏好序列时，双边集合中的每一个用户都要计算对另一边集合中每个用户的偏好值(计算总开销)，因此建立偏好序列的计算复杂度为o(d
t
d
r
)。升序排列偏好值得到偏好序列的计算复杂度为o(d
t
d
r
log(d
t
d
r
))。进行匹配的过程中，每个请求用户最多向d
r
个服务用户发起匹配请求，那么d
t
个请求用户最多发起d
t
×
d
r
次请求，计算复杂度为o(d
t
d
r
)。如果采用穷举搜索法求解建立的优化问题，则需要枚举所有可能的配对，因此会出现的匹配结果总数(穷举次数)为d
t
！
×
d
r
！，计算复杂度为o(d
t
！
×
d
r
！)；如果采用隐枚举法这种特殊的分支定界法求解建立的优化问题，相对于穷举搜索法而言该方法通过分支定界能够减少枚举的次数，计算复杂度为；如果采用随机匹配法求解建立的优化问题，算法复杂度随服务用户数的增加线性增加，计算复杂度为o(d
r
)。通过对以上不同方法的复杂度进行分析对比可知，本实施例运用稳定匹配算法的计算复杂度虽然略高于随机匹配法，但相较于穷举搜索法和隐枚举法明显更低，并且当参与个体越多时该优势越明显。
[0056]
在对本实施例所述方法进行matlab仿真实验时，设置一个半径为100m的区域，d
t
个具有独立计算任务的请求用户和d
r
个具有闲置计算资源的服务用户均匀分布在圆内。采用正交的信道资源，根据匹配的决策结果，一个请求用户的任务可以d2d通信的方式卸载到相应服务用户处执行。设置带宽w＝0.5mhz，d2d最大传输距离为200m，用户设备发送功率p
i
＝23dbm，噪声功率n0＝
‑
174dbm/hz，路径衰落指数β＝3，任务v
i
输入数据量b
i
为10～100kb，任务v
i
所需cpu周期数c
i
为1～10megacycles，用户cpu计算能力f
j
为1～3.1ghz，权重常数ν
j
＝1。在此设置下，本实施例所述方法与随机匹配法和穷举搜索法的计算总开销随请求卸载用户数变化的对比结果如图4所示，这时设置的服务用户数d
r
＝4。可以看出，本实施例所述方法所得计算总开销非常接近最优的穷举搜索法，并且远低于随机匹配法。穷举搜索虽然能获得最优的性能，但其计算复杂度非常高，而本实施例所述方法能以较低的复杂度获得与之相近的性能。同样设置下，本实施例所述d2d卸载方法与mec卸载方法的开销随请求卸载用户数变化的对比结果如图5所示，这时设置的服务用户数d
r
等于请求用户数d
t
。mec卸载是指将所有请求用户的任务都卸载到相距200～700m较远的mec服务器处执行，mec服务器cpu计算频率为5ghz。因为mec服务器通常具备交流供电条件，所以mec卸载执行计算任务时的能耗开销在本实施例中没有考虑，其他开销与d2d卸载同理计算可得。可以看出，本实施例所述d2d卸载方法的总开销、总时延开销和总能耗开销均低于mec卸载方法，特别是随着请求卸载用户数的增加这种差距也随之增大。
[0057]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技
术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。