一种能量消耗成本最小化的电动汽车辅助移动边缘计算卸载方法与流程

1.本发明涉及移动边缘计算技术领域，尤其涉及一种能量消耗成本最小化的电动汽车辅助移动边缘计算卸载方法。


背景技术：

2.移动边缘计算(mobile edge computing,mec)的概念最早出现于2013年。当时国际商业ibm和nokia siemens网络联合出品了一款计算平台，其可在邻近移动用户的无线基站执行计算任务，为用户提供信息技术服务。随后，欧洲电信标准化协会在2014年成立了移动边缘计算规范工作组，以促进业界对移动边缘计算的研究。mec的核心思想是把传统数据中心里的云计算平台从核心网络内部迁至移动网络边缘，以实现各类系统资源的高效利用。作为5g网络的关键技术之一，移动边缘计算(mec)在用户附近的位置提供了业务本地化和边缘业务移动性能力，进一步减小业务时延，提高网络运营效率、提高业务分发以及改善终端用户体验等。移动边缘计算(mec)技术作为一种帮助资源受限的用户设备处理通信和计算延迟任务的技术，近年来受到了学术界和工业界的广泛关注。移动边缘计算(mec)采用灵活的分布式网络体系结构，把服务能力和应用推进到网络边缘，极大地缩减了等待时间。mec具有许多应用场景，这里举出一个典型的应用场景：面向对时延、可靠性以及计算性能等有高需求的车联网、工业物联网等应用场景下的网络边缘应用服务，例如：交通事故的广播信息等出行安全保障服务以及一些商业性的增值服务，如停车位查询与定位、ar游戏或者其他便民业务等。随着互联网的普及和互联网技术的不断发展，mec技术为许多应用提供计算和通信服务，例如数据收集、覆盖范围管理并为能量受限的无线设备提供了改进的计算能力。mec技术的进步使得大量的用户设备在能量消耗和延迟方面极大地提高了体验质量。
3.现有的mec技术考虑mec服务器时，mec服务器是静止的，mec服务器通常部署在某一个固定的地方。如果在某个广场，只有在节假日的时候，用户设备才会对mec服务器有计算卸载需求，如果直接在广场上部署mec服务器，就会出现mec服务器不用的日子比用的日子更长，那么部署成本就会不划算，因此，对于具有移动性的mec服务器有着急切的需求。无人机(uav)辅助mec也已经引起越来越多的关注，通过在三维空间部署uav，它可以为多个热点中的用户灵活地提供计算和通信资源支持。尽管uav可以为地面用户设备提供灵活地计算能力，它和用户设备之间有更好地空对地信道。但是，uav的飞行时间和负载是有限的，如果要长时间的为用户设备提供计算服务，uav可能不是最理想的选择。近年来，随着电动汽车的普及和电池寿命的不断提高，基于电动汽车辅助的mec将能够长时间的向热点区域中的用户设备提供计算服务。uav辅助mec一个重要原因就是uav的机动性，我们将mec服务器装载到电动汽车上，那么mec服务器就有了移动性，同时，电动汽车具有更强的续航能力，能够连续向mec服务器供电，明显解决了uav的能量限制问题。
4.在商业中心、体育中心等人口稠密地区，随着智能用户设备数量的增加，mec服务器有可能承载大量用户设备的计算卸载请求。由于mec服务器的资源有限，所以mec服务器不能满足全部的用户请求。在这种情况下，不适当的卸载策略可能会导致mec的资源利用不当，或者许多的用户请求得不到满足，而基于价格机制计算卸载策略可以反映出近期mec服务器计算资源的供需关系，能够更好地协调用户设备之间的资源竞争关系。因此，设计一种基于价格机制计算卸载策略，使得用户设备在请求计算资源时所消耗的费用最小具有重要现实意义。


技术实现要素：

5.本发明要解决的技术问题是，提供一种在多用户设备多电动汽车边缘的场景中使得所有用户设备的能量消耗成本之和最小的移动边缘计算卸载方法。
6.为解决上述技术问题，本发明提供一种能量消耗成本最小化的电动汽车辅助移动边缘计算卸载方法，包括以下步骤：s1，求解电动汽车边缘最优的计算频率所述最优的计算频率满足在约束条件st1下使能耗成本函数fun1最小；所述能耗成本函数fun1为其中，a
i,j
为电动汽车边缘选择决策参数，为电动汽车边缘的单位能耗成本，λ
i
为卸载比率，k
i
为能量效率系数，f
i
为完成任务的总cpu周期，n为场景中的用户设备数量，m为场景中的电动汽车边缘数量，i为第i个用户设备，j为第j个电动汽车边缘；s2，求解用户最优的卸载比率λ
i
，所述最优的卸载比率λ
i
满足在约束条件st2下使能耗成本函数fun2最小；所述能耗成本函数fun2为其中，为用户设备的单位能耗成本，f
iue
为本地计算频率，f
i
为完成任务的总cpu周期，a
i,j
为电动汽车边缘选择决策参数，d
i
为任务数据大小，b为传输带宽，c为子信道数量，为用户设备的发射功率，g
i,j
为信道增益，σ2为高斯白噪声功率，为电动汽车边缘的单位能耗成本，k
i
为能量效率系数，为电动汽车边缘的计算频率，n为场景中的用户设备数量，m为场景中的电动汽车边缘数量，i为第i个用户设备，j为第j个电动汽车边缘；s3，求解最优传输功率所述最优传输功率满足在约束条件st3下使能耗成本函数fun3最小；所述能耗成本函数fun3为其中，a
i,j
为电动汽车边缘选择决策参数，为用户设备的单位能耗成本，λ
i
为卸载比率，d
i
为任务数据大小，b为传输带宽，c为子信道数量，g
i,j
为信道增益，σ2为高斯白噪声功率，n为场景中的用户设备数量，m为场景中的电动汽车边缘数量，i为第i个用户设备，j为第j个电动汽车边缘；
s4，采用启发式算法求解最优电动汽车边缘选择决策参数a
i,j
，所述最优电动汽车边缘选择决策参数a
i,j
满足在约束条件st下使能耗成本函数fun最小；所述能耗成本函数fun为其中，为用户设备的单位能耗成本，f
iue
为本地计算频率，f
i
为完成任务的总cpu周期，d
i
为任务数据大小，b为传输带宽，c为子信道数量，为用户设备的发射功率，g
i,j
为信道增益，σ2为高斯白噪声功率，为电动汽车边缘的单位能耗成本，λ
i
为卸载比率，k
i
为能量效率系数，为电动汽车边缘的计算频率，n为场景中的用户设备数量，m为场景中的电动汽车边缘数量，i为第i个用户设备，j为第j个电动汽车边缘。更进一步，步骤s4中，电动汽车边缘的计算频率取步骤s1求解的电动汽车边缘最优的计算频率卸载比率λ
i
取步骤s2求解的用户最优的卸载比率λ
i
，用户设备的发射功率取步骤s3求解的最优传输功率更进一步，步骤s4所述求解最优电动汽车边缘选择决策参数a
i,j
的启发式算法包括以下步骤：s41，重复步骤s1、步骤s2、步骤s3，遍历场景中的所有电动汽车边缘，计算并选择场景中第i个用户设备的最小能耗成本函数值fun
i
，存储最小能耗成本函数值fun
i
以及其对应的计算频率卸载比率λ
i
、传输功率s42，重复步骤s41，遍历场景中的所有用户设备，选择所有fun
i
中的最小值作为本次计算的最优能耗成本函数值fun
min
，存储最优能耗成本函数值fun
min
及其对应的计算频率卸载比率、传输功率s43，重复步骤s41、步骤s42，得到最优能耗成本函数值fun
′
min
以及其对应的最优变量计算频率卸载比率、传输功率s44，若|fun
′
min
‑
fun
min
|小于预设阀值，则收敛，取fun
min
、fun
′
min
中较小者以及其对应的最优变量计算频率、卸载比率、传输功率、电动汽车边缘选择决策参数作为最终的优化结果；若|fun
′
min
‑
fun
min
|大于预设阈值，进行步骤s45；s45，用fun
min
、fun
′
min
中较小的替换fun
min
，重复步骤s43、步骤s44，直到结果收敛。更进一步，步骤s44中所述预设阀值为0.00001。更进一步，步骤s1所述约束条件st1为，对于属于用户设备集合n中的任一第i个用户设备和属于电动汽车边缘集合m中的第j个电动汽车边缘，满足：c1，c5，c9，其中，r
i,j
为任务上传速率，t
i
为用户设备的最大任务延迟，为电动汽车边缘的最大计算频率，为用户设备的最大发射功率。
更进一步，步骤s2所述约束条件st2为，对于属于用户设备集合n中的任一第i个用户设备和属于电动汽车边缘集合m中的第j个电动汽车边缘，满足：c1，c2，c3，c8，0≤λ
i
≤1；其中，r
i,j
为任务上传速率，t
i
为用户设备的最大任务延迟，为用户设备的初始剩余能量。更进一步，步骤s3所述约束条件st3为，对于属于用户设备集合n中的任一第i个用户设备和属于电动汽车边缘集合m中的第j个电动汽车边缘，满足：c1，c3，c9，c9，其中，r
i,j
为任务上传速率，t
i
为用户设备的最大任务延迟，为用户设备的初始剩余能量，为用户设备的最大发射功率。更进一步，步骤s4所述约束条件st为，对于属于用户设备集合n中的任一第i个用户设备和属于电动汽车边缘集合m中的第j个电动汽车边缘，满足：c1，c2，c3，c4，c5，c6，c7，a
i,j
∈{0,1}；c8，0≤λ
i
≤1；c9，其中，r
i,j
为任务上传速率，t
i
为用户设备的最大任务延迟，为用户设备的初始剩余能量，为电动汽车边缘的最大计算频率，为用户设备的最大发射功率。
7.本发明的有益效果在于：本发明公开的能量消耗成本最小化的电动汽车辅助移动边缘计算卸载方法采用部分计算卸载，由于用户设备本身也具有一定的计算能力，因此本发明公开的技术方案能同时利用用户本地计算资源和边缘服务器计算资源。具体地说，在满足用户设备能量消耗约束、通信速率约束、并发用户数量限制约束、任务最大时延约束等前提条件下，最优使用所有计算与通信资源，并基于资源使用所产生的能耗来计算使用成本，这里的成本不仅包括消耗mec服务器的能耗成本，也包括用户本身消耗能量的成本。由于求解在满足一定约束条件下使能耗成本函数最小所对应的电动汽车边缘最优的计算频率、最优的卸载比率、最优传输功率、最优电动汽车边缘选择决策参数是一个非凸问题，本发明公开的技术方案采用用块坐标下降法将非凸问题分解成分别关于电动汽车边缘计算频率、卸载比率、传输功率的凸优化问题，分别求解在一定约束条件下的最优的计算频率、最优的卸载比率、最优传输功率。求出了上述三个优化变量的最优解之后，采用启发式算法求解出第四个变量电动汽车边缘选择决策参数的最优解。
在商业中心、体育中心等人口稠密地区，电动汽车边缘接收大量的用户设备计算卸载请求，但是由于其本身的资源有限，为用户设备提供计算卸载服务是有限的。如图1所示，有多个装有计算服务器的电动汽车在一定时间内停留在用户涉及的热点区域，并向多个用户设备提供计算服务。电动汽车可以处于充电、停车或运行状态。由于电动汽车边缘可能属于不同的公司或个人，如果电动汽车有剩余能源，可以通过向周围的用户设备提供计算卸载服务来盈利。另一方面，在一个大型体育场的场景中，数万人人手一台智能通信设备(智能手机、智能手表和平板电脑等等)，在同一个地点，如果同时有大量通信设备同时请求网络服务，那么就会产生一定的延时，特别是在体育场里那么对赛事的实时转播，或者自媒体工作者上传精彩的赛事瞬间到网络平台上去，他们就特别需要硬性的计算服务。但是，如果直接在体育场中直接安装有关硬件设备，成本又不太划算。此时，如果用户首先将自己能处理的部分数据进行处理，然后能将另一部分数据先传输到云端，通过云端计算即可减少用户的电池消耗，同时又可以提高用户的体验质量。电动汽车边缘为用户设备提供计算服务，用户只需向提供服务的电动汽车边缘支付费用，即可享受计算卸载服务。用户肯定希望自己的费用能够最大程度的降低，而本发明公开的计算卸载方法可以帮助用户尽可能减少费用。总之，本发明公开的技术方案能够以成本的方式量化因计算卸载服务所产生的代价，在多用户设备多电动汽车边缘的场景中，采用该技术方案能够使得所有用户设备的能量消耗成本之和最小。
附图说明
8.图1是电动汽车移动边缘计算应用场景示意图。
9.图2是本发明具体实施方式的流程图。
10.图3是图2中步骤s4启发式算法的流程图。
具体实施方式
11.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
12.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
13.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
14.如图1所示，本实施例提供的一种能量消耗成本最小化的电动汽车辅助移动边缘计算卸载方法，包括以下步骤：步骤s1，求解电动汽车边缘最优的计算频率所述最优的计算频率满足在约束条件st1下使能耗成本函数fun1最小；所述能耗成本函数fun1为
其中，a
i,j
为电动汽车边缘选择决策参数，为电动汽车边缘的单位能耗成本，λ
i
为卸载比率，k
i
为能量效率系数，f
i
为完成任务的总cpu周期，n为场景中的用户设备数量，m为场景中的电动汽车边缘数量，i为第i个用户设备，j为第j个电动汽车边缘。所述约束条件st1为，对于属于用户设备集合n中的任一第i个用户设备和属于电动汽车边缘集合m中的第j个电动汽车边缘，满足：c1，c5，c9，其中，r
i,j
为任务上传速率，t
i
为用户设备的最大任务延迟，为电动汽车边缘的最大计算频率，为用户设备的最大发射功率。步骤s2，求解用户最优的卸载比率λ
i
，所述最优的卸载比率λ
i
满足在约束条件st2下使能耗成本函数fun2最小；所述能耗成本函数fun2为其中，为用户设备的单位能耗成本，f
iue
为本地计算频率，f
i
为完成任务的总cpu周期，a
i,j
为电动汽车边缘选择决策参数，d
i
为任务数据大小，b为传输带宽，c为子信道数量，为用户设备的发射功率，g
i,j
为信道增益，σ2为高斯白噪声功率，为电动汽车边缘的单位能耗成本，k
i
为能量效率系数，为电动汽车边缘的计算频率，n为场景中的用户设备数量，m为场景中的电动汽车边缘数量，i为第i个用户设备，j为第j个电动汽车边缘。所述约束条件st2为，对于属于用户设备集合n中的任一第i个用户设备和属于电动汽车边缘集合m中的第j个电动汽车边缘，满足：c1，c2，c3，c8，0≤λ
i
≤1。其中，r
i,j
为任务上传速率，t
i
为用户设备的最大任务延迟，为用户设备的初始剩余能量。步骤s3，求解最优传输功率所述最优传输功率满足在约束条件st3下使能耗成本函数fun3最小；所述能耗成本函数fun3为其中，a
i,j
为电动汽车边缘选择决策参数，为用户设备的单位能耗成本，λ
i
为卸载比率，d
i
为任务数据大小，b为传输带宽，c为子信道数量，g
i,j
为信道增益，σ2为高斯白噪声功率，n为场景中的用户设备数量，m为场景中的电动汽车边缘数量，i为第i个用户设备，j为第j个电动汽车边缘。所述约束条件st3为，对于属于用户设备集合n中的任一第i个用户设备和属于电动
汽车边缘集合m中的第j个电动汽车边缘，满足：c1，c3，c9，其中，r
i,j
为任务上传速率，t
i
为用户设备的最大任务延迟，为用户设备的初始剩余能量，为用户设备的最大发射功率。步骤s4，采用启发式算法求解最优电动汽车边缘选择决策参数a
i,j
，所述最优电动汽车边缘选择决策参数a
i，j
满足在约束条件st下使能耗成本函数fun最小；所述能耗成本函数其中，为用户设备的单位能耗成本，f
iue
为本地计算频率，f
i
为完成任务的总cpu周期，d
i
为任务数据大小，b为传输带宽，c为子信道数量，为用户设备的发射功率，g
i,j
为信道增益，σ2为高斯白噪声功率，为电动汽车边缘的单位能耗成本，λ
i
为卸载比率，k
i
为能量效率系数，为电动汽车边缘的计算频率，n为场景中的用户设备数量，m为场景中的电动汽车边缘数量，i为第i个用户设备，j为第j个电动汽车边缘。所述约束条件st为，对于属于用户设备集合n中的任一第i个用户设备和属于电动汽车边缘集合m中的第j个电动汽车边缘，满足：c1，c2，c3，c4，c5，c6，c7，a
i,j
∈{0,1}；c8，0≤λ
i
≤1；c9，其中，r
i,j
为任务上传速率，t
i
为用户设备的最大任务延迟，为用户设备的初始剩余能量，为电动汽车边缘的最大计算频率，为用户设备的最大发射功率。步骤s4中，电动汽车边缘的计算频率取步骤s1求解的电动汽车边缘最优的计算频率卸载比率λ
i
取步骤s2求解的用户最优的卸载比率λ
i
，用户设备的发射功率取步骤s3求解的最优传输功率如图2所示，步骤s4所述求解最优电动汽车边缘选择决策参数a
i,j
的启发式算法包括以下步骤：s301，重复步骤s1、步骤s2、步骤s3，遍历场景中的所有电动汽车边缘，计算并选择场景中第i个用户设备的最小能耗成本函数值fun
i
，存储最小能耗成本函数值fun
i
以及其对应的计算频率卸载比率λ
i
、传输功率s302，重复步骤s301，遍历场景中的所有用户设备，选择所有fun
i
中的最小值作为
本次计算的最优能耗成本函数值fun
min
，存储最优能耗成本函数值fun
min
及其对应的计算频率卸载比率λ
imin
、传输功率s303，重复步骤s301、步骤s3022，得到最优能耗成本函数值fun
′
min
以及其对应的最优变量计算频率卸载比率、传输功率s304，若|fun
′
min
‑
fun
min
|小于预设阀值，则收敛，取fun
min
、fun
′
min
中较小者以及其对应的最优变量计算频率、卸载比率、传输功率、电动汽车边缘选择决策参数作为最终的优化结果；若|fun
′
min
‑
fun
min
|大于预设阈值，进行步骤s305。s305，用fun
min
、fun
′
min
中较小的替换fun
min
，重复步骤s303、步骤s304，直到结果收敛。作为更优化的方案，步骤s304中所述预设阀值为0.00001。
15.本发明实施例可以根据实际需要进行顺序调整、合并和删减。
16.实施例对本方案进行了详细的介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。