移动边缘计算系统中资源分配和数据压缩联合优化方法与流程

1.本发明涉及无线通信技术领域，具体涉及一种移动边缘计算场景中资源分配和数据 压缩联合优化方法。


背景技术：

2.在过去的几年中，诸如智能电话，平板电脑和可穿戴设备之类的移动设备的爆炸性 普及一直在加速物联网(iot)的发展。由于移动数据流量的指数增长，仅依靠传统的 云计算不足以实现5g网络中通信和计算的毫秒级延迟。为了满足这种持续的需求并提 高用户的体验质量(qoe)，移动边缘计算的新兴技术已经引起了学术界和行业的极大 关注。通过在蜂窝基站上实现mec服务器，可缓解计算密集型应用程序和资源受限的 移动设备之间的紧张关系。与传统的云计算系统不同，传统的云计算系统依赖于远程公 共云，由于数据交换，远程云将导致较长的等待时间，而mec在无线接入网中提供了 计算功能。因此，通过将计算任务从移动设备转移到mec服务器，可以大大提高计算 体验的质量，包括能耗和执行等待时间。
3.同时，如今数据压缩的使用无处不在，通过数据压缩，可以减小数据大小，从而可 以节省数据存储空间或者可以在较短的时间内在无线网络中传输数据。在实际中，数据 中通常存在很多冗余，可以采用数据压缩技术将数据压缩为较小的尺寸，从而可以进一 步节省能源消耗并减少无线传输的延迟。因此，可能存在最优的数据压缩率以实现最低 的能量消耗。


技术实现要素：

4.本发明的目的是提供一种移动边缘计算网络中资源分配和数据压缩的联合优化方 法,将移动设备的数据经过压缩后传输存储至mec服务器，并由mec服务器完成进一步 的压缩，节省存储空间，寻找最优的压缩方案并实现系统总能耗最小化。
5.为实现上述目的，本发明采用如下技术方案：
6.一种移动边缘计算系统中资源分配和数据压缩联合优化方法，包括以下步骤：
7.步骤一，初始化移动设备和mec服务器的参数和配置；其中，移动设备和mec服务 器的参数和配置包括：移动设备数量，由集合k＝{1,2,
…
,k}表示、移动设备k的原始 数据大小lk，移动设备k在本地压缩的数据压缩率移动设备k在mec服务器上的 数据压缩率移动设备k所需的总压缩率βk、移动设备k的最大数据压缩率移动设备k所分得的带宽百分比zk、移动设备k的信道增益hk、移动设备k的传输功率 pk、移动设备k的最大传输功率限制移动设备压缩时每个cpu周期的能量消耗ek、 移动设备k的计算能力(cpu cycle/s)fk、mec服务器每cpu周期的能量消耗e、mec 服务器的最大计算能力f；
8.步骤二，构建优化问题模型，根据移动设备和mec服务器的参数和配置得到初始通 信与计算资源分配方案和对应的系统总能耗值；
9.步骤三，根据初始通信与计算资源分配方案，采用块坐标下降法获取新的通信与计 算资源分配方案和对应的系统总能耗值；
10.步骤四，判断新目标系统总能耗值与上一次系统总能耗值得差值是否在阈值范围内， 若是则输出当前的通信与计算资源分配方案并结束优化；否则进入步骤五；
11.步骤五，将当前的通信与计算资源分配方案作为初始通信与计算资源分配方案，并 返回步骤三。
12.所述步骤一中，初始化移动设备和mec服务器的参数和配置{β
(0)
,p
(0)
,z
(0)
}，其中 13.所述步骤二中，构建通信资源和计算资源限制下，系统总能耗最小化的优化问题模 型：
[0014][0015][0016][0017][0018][0019][0020]
其中，表示移动设备k本地数据压缩时的能耗，e
t,k
表示移动设备k无线数据传 输消耗的能量，表示边缘服务器压缩移动设备k的数据的能耗；e是自然常数，表示边缘服务器压缩移动设备k的数据的能耗；e是自然常数，表示边缘服务器压缩一比特数据需要的cpu周期数目，表示移动设备本地 压缩一比特数据需要的cpu周期数目，rk表示移动设备k与基站的传输速率；
[0021]
根据移动设备和mec服务器的参数和配置得到初始通信与计算资源分配方案，计算 系统总能耗的值，其中， e
t,k
＝pkt
t,k
，其中，ε是取决于具 体压缩方法的正常数；表示本地压缩一比特数据需要的cpu周期数目；t
t,k
表示传输数据的时延；b表示传输带宽(hz)，n0表示噪声功率。
[0022]
所述步骤三中，将优化问题分成以下两个子问题并采用块坐标下降法迭代求解：
[0023]
(1)对于第一个固定本地数据压缩率β的子问题，采用多比率fp算法迭代求解， 该问题将每个比率项的分子和分母解耦，这将一个多比率问题转换为了一系列凸问题；
[0024]
(2)对于第二个固定带宽分配和传输功率z与p的子问题，通过基于dc规划的迭 代算法，使用一阶泰勒级数展开式将dc问题迭代逼近为凸问题，并求解相应近似凸问 题，直到收敛。
[0025]
所述步骤四中，设在第t轮迭代后，本地数据压缩率，移动设备传输功率和带宽分 配的值分别为{β
(t)
,p
(t)
,z
(t)
}，
[0026]
若|(e(β
(t)
,z
(t)
,p
(t)
)-e(β
(t-1)
,z
(t-1)
,p
(t-1)
))/e(β
(t-1)
,z
(t-1)
,p
(t-1)
)|≤δ，其中δ为阈值， 则输出其对应的通信和计算资源分配方案β
*
＝β
(t)
,z
*
＝z
(t)
,p
*
＝p
(t)
并结束优化，否则将 {β
(t)
,p
(t)
,z
(t)
}作为新的{β
(0)
,p
(0)
,z
(0)
}，并返回步骤三。
[0027]
有益效果：相比于现有技术，本发明具有以下优点：
[0028]
(1)合理的利用了系统中的通信和计算资源；
[0029]
(2)在保证系统时延要求和mec服务器最大计算能力的前提下，能有效的降低整 个系统的能耗。
附图说明
[0030]
图1为本发明具体实施的场景示意图；
[0031]
图2为本发明的流程示意图。
具体实施方式
[0032]
下面结合附图对本发明作更进一步的说明。
[0033]
为了使本发明领域的人员更好地理解本发明方法，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法进行清楚，完整地描述。
[0034]
(1)如图1所示，考虑由一个边缘服务器和k个单天线移动设备组成的多用户mec系 统，用集合k＝{1,2,
…
,k}表示。bs配备有mec服务器，该mec服务器具有有限的 计算资源用于数据处理，缓存和存储。mec服务器位于网络的边缘，每个移动设备都 有一定的数据需要压缩并存储在mec服务器中。系统模型对应于许多实际场景，如监 控和安全监控系统中，大量的网络摄像头的视频数据需要传输到中央单元进行进一步分 析和存储。而这些数据存在着冗余，可以通过数据压缩技术来减少数据量，节省传输时 的能耗和存储空间。因此，本发明提出两层数据压缩模型，移动设备生成的数据首先在 本地压缩一部分，然后再将数据上传到基站，由边缘服务器完成最终的数据压缩。这就 涉及到本地压缩消耗的能量和传输能量消耗之间的一个折衷，需要合理的设计本地压缩 比以及传输和计算资源的优化来最优化系统设计。
[0035]
(2)为了确保可以在mec服务器上同时压缩所有数据，要求所有移动设备和mec服 务器都使用相同的压缩方法。压缩对能量消耗和时延的影响可以用压缩比(即原始数据 大小与已压缩数据大小之比)来建模分析。lk(k∈k)比特的原始数据将被压缩为lk/βk比特，其中βk是总的压缩比。系统中压缩操作可以在本地移动设备和/或mec服务器上 执行，并且应该满足本地的数据压缩比为边缘服务器的数据压缩比为 在本地和mec服务压缩1比特数据所需的cpu周期数可分别表示为
[0036]
[0037][0038]
其中ε是取决于具体压缩方法的正常数。
[0039]
执行本地压缩时的能耗和时延可以分别表示为
[0040][0041][0042]
其中ek和fk分别表示移动设备k每个cpu周期的能耗和计算能力(周期数/秒)。
[0043]
对于边缘服务器，压缩移动设备k的数据需要的能量为
[0044][0045]
其中e表示边缘压缩时每个cpu周期消耗的能量。
[0046]
(3)无线数据卸载则采用频分多址(frequency division multiple access,fdma)方法 来共享带宽和避免干扰，该方法将系统总带宽划分为k个部分，并将其分配给k个移 动设备。每个移动设备与其连接的bs之间的无线信道被建模为独立且均匀分布的瑞利 变量。根据香农公式，移动设备k的数据传输速率(以比特/秒为单位)可以表示为
[0047][0048]
移动设备k在将本地的lk比特数据压缩到比特数据后，会将数据卸载到基站， 导致的时延和开销可以表示为
[0049][0050]et,k
＝pkt
t,k
ꢀꢀꢀ
(7)
[0051]
并且总的本地压缩时延和传输时延之和不能超过最大的时延限制，可以表示为
[0052][0053]
如图2所示，本发明的具体步骤为：
[0054]
(1)确定β的值，求解z,p的值。具体为：
[0055]
初始化β＝β
(0)
，原始优化问题(p1)被转变为
[0056][0057][0058]
[0059][0060]
其中在给定本地数据压缩率β时为一常 量，对优化问题(p1-a)的解不影响，因此在目标函数中被省略。被优化问题(p1-a) 可以看作是多比率分数规划问题的总和。通过二次变换来解决多比率分数规划问题，该 问题将每个比率项的分子和分母解耦。这将一个多比率问题转换为了一系列凸问题。因 此，优化问题(p1-a)可以被改写为
[0061][0062]
s.t.(5)，(6)，(7).
[0063]
其中u表示变量{u1,
…
,uk}的集合，并在{z,p}固定时通过以下封闭形式更新
[0064][0065]
优化问题(p1-a2)在u固定时对于变量{z,p}是一个凸优化问题，可以使用内点法 求解。因此通过迭代的方法求解优化问题(p1-a2)。
[0066]
(2)确定z,p的值，求解β的值。具体为：
[0067]
在第t次迭代中，令{z,p}＝{z
(t-1)
,p
(t-1)
}，原始优化问题(p1)被转变为
[0068][0069][0070][0071][0072]
令因此，优化问题(p1-b)可 以被改写为
[0073][0074][0075]
s.t.(12)，(13)
[0076]
u(β)和v(β)都是凸函数，目标函数和约束(15)都是两个凸函数相减的形式。优化 问题(p1-b1)属于凸差分(dc)问题，其目的是最小化两个凸函数的差分，并且约束 条件是
一个凸集。使用一阶泰勒级数展开式将dc问题迭代逼近为凸问题，并求解相应 近似凸问题，直到收敛。原始的非凸优化问题(p1-b)可以在第(n 1)次迭代中转换为 新的优化问题，如下所示。
[0077][0078][0079]
s.t.(12)，(13)
[0080]
其中
[0081]
优化问题(p1-b2)是一个凸优化问题，可以通过内点法解决。
[0082]
步骤三，结果是否满足收敛终止条件。具体为：
[0083]
设在第t轮迭代后，本地数据压缩率，移动设备传输功率和带宽分配的值分别为 {β
(t)
，p
(t)
，z
(t)
}，若|(e(β
(t)z(t)
，p
(t)
)-e(β
(t-1)
，z
(t-1)
p
(t-1)
))/e(β
(t-1)
，z
(t-1)
，p
(t-1)
)|，其中δ为 阈值，则满足迭代收敛条件，输出其对应的通信和计算资源分配方案 β
*
＝β
(t)
，z
*
＝z
(t)
，p
*
＝p
(t)
并结束优化。否则将{β
(t)
，p
(t)
，z
(t)
}作为新的{β
(0)
，p
(0)
，z
(0)
}，并返 回步骤(1)。
[0084]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员 来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也 应视为本发明的保护范围。