一种移动边缘计算的海上卸载和资源分配方法

1.本发明涉及无线通信网络技术研究领域，具体涉及将海上无线通信和移动边缘计算相结合利用粒子群算法实现功率优化、卸载决策和资源分配方法。


背景技术：

2.随着5g技术的飞速发展，现代智能设备利用信息和通信技术推动数字产业和工业产业的智能化。智能互联网的快速发展也扩展到海洋领域，海上航行的船舶也产生了大量需要传输和处理的数据。空天地海一体化网络的不断发展，卫星、无人机、海岸基站和船舶之间的互通互联，都产生了海量的计算任务需要进行处理和分析，给容量有限的互联网和服务延迟带来了沉重的负担，造成了高能耗、高延迟、服务质量下降和用户体验感越来越差等一系列问题。由此我们提出此项专利，在海上通信网络中引入移动边缘计算。
3.云计算是将终端设备的数据传输到具有强大计算能力的中心云服务器，但是云服务器与移动设备之间有遥远的地理距离。而移动边缘计算是指将移动设备的计算任务部分或者全部下沉到网络边缘，利用规模较大的边缘服务器进行任务的处理和分析，更接近移动设备解决了云计算存在的问题。通过云计算和边缘计算的协同互补有助于降低能源成本，优化传输功率和资源分配，提高用户体验以实现更可靠的海上通信。


技术实现要素：

4.针对上述问题，本发明方法利用移动边缘计算技术实现可靠海上通信，提高服务质量。并利用粒子群算法，实现用户的传输功率优化，最小化传输能耗，对卸载决策和计算资源进行选择分配，最大化系统效能，提高服务质量和用户体验，合理分配计算资源,使传输能量最小化，系统效能最大化。
5.本发明提供如下技术方案：一种移动边缘计算的海上卸载和资源分配方法，包括如下步骤：（1）获取海上待部署区域的网络接入节点的位置、待处理的船只用户请求任务和规定的卸载策略；（2）制定船只用户的传输功率分配问题，使系统传输能耗最小；（3）利用粒子群优化算法，实现用户的传输功率优化；（4）确定传输功率后，将联合请求卸载与计算资源分配问题建模为一个混合整数非线性规划问题，以最大化系统效能；（5）利用粒子群优化算法，对卸载问题和计算资源进行优化和分配。
6.作为对本技术方案的进一步限定，所述步骤（1）具体包括如下步骤：在海上多服务器多用户系统中获取海上待部署区域的网络接入节点的位置、待处理的船舶用户请求任务和规定的卸载策略;设船舶用户有，带有边缘服务器的微基站有，带有云服务器的宏基站只有一个,假设每个用户每次有1个计算任务，计算任务为
，计算任务表示为，尖括号表示为一个元组，包含所述四种元素，其中任务的输入量大小，表示边缘服务器处理任务时的工作负载，表示为完成计算任务的理想时延，表示为完成计算任务的最大时延，为时延的上限,卸载策略分为卸载到边缘端和卸载到云端，其中卸载到边缘端表示为1，卸载到云端用0表示。
7.作为对本技术方案的进一步限定，所述步骤（2）具体包括如下步骤：采用正交频分多址作为上行链路的多址方案，将总带宽划分到个船舶用户上，子频带为，其中；其中表示上行子带调度，为了保证同一个基站下的用户上行传输的正交性，每个用户被分配到一个子频段，每个基站最多同时服务个用户；在系统中每个用户的传输功率为，一个小区内所有用户的总发送功率为，即满足，每个用户的最大发送功率是。
8.作为对本技术方案的进一步限定，卸载变量用表示，其中表示上行子带调度，当时,表示卸载到边缘服务器，表示在云端执行计算任务；由于每个任务可以在云端执行或是卸载到最多一个边缘服务器执行，可以得到，其中表示边缘服务器的数量，边缘服务器的微基站有；其中表示上行子带调度。
9.作为对本技术方案的进一步限定，当卸载到边缘服务器时,是在子带上用户和边缘服务器之间的上行链路信道增益，它包括了路径损耗、阴影和天线增益的影响；其中上行信道增益使用三径模型产生，可表示为：，其中表示波长，表示发射端和接收端的距离，分别表示发射端和接收端的高度，表示蒸汽波导的高度；由于发送到同一基站的用户使用不同的子带能够较好地抑制了上行小区内干扰，但是仍然存在小区间干扰，用户到子带上基站的信干比为：
，其中表示用户的传输功率，是上行信道增益，是噪声，表示其他小区边缘服务器的用户干扰，表示服务器和用户之间的卸载决策，表示用户的传输功率，是边缘服务器和用户之间的上行信道增益；表示边缘服务器所在的小区的用户集合；由于每个用户只在一个子带上进行传输，用户的上传速率为：，其中，；其中将总带宽划分到个船舶用户上，子频带是，其中；其中表示上行子带调度，表示用户在所有上行子带上的信干比，表示用户在所有上行子带上的卸载决策；当任务卸载到边缘服务器时，上传时间为：，其中为任务输入量,表示用户的上传速率，表示边缘服务器的数量，边缘服务器的微基站有；能量传输能耗为，其中表示用户的传输功率，表示任务卸载到边缘服务器时的上传时间。
10.作为对本技术方案的进一步限定，所述步骤（2）的功率分配问题可以表示为最小化能耗：，服从约束，其中是一个小区内所有用户的总发送功率，是个船舶用户的总的传输功率，,用
户的传输功率不能超过最大值，船舶用户生成的每个任务可以仅卸载到一个边缘服务器或云端；令，表示为其他小区的总干扰，我们要找到的近似值，假设每个基站独立计算其上行链路功率分配，即不需要相互协作，并将上行传输功率告知关联用户，那么可达到的上界为：，用代替，得到,其中表示用户的最大功率，令，则转换成只有变量的函数，可表示为：；求解传输能耗最小化问题为；表示边缘服务器所在的小区的用户的集合，表示的是服务器所在的小区的用户的集合。
11.作为对本技术方案的进一步限定，所述步骤（3）使用粒子群算法进行求解,包括以下步骤：步骤一：初始化粒子种群，设定粒子群规模,随机生成粒子的初始位置，每个粒子的初始化速度；步骤二：计算初始位置，由初始化参数和传输能耗计算公式，得到最小化传输能耗；根据最小化的传输能耗得到最优的功率分配和最优的粒子初始位置，将其最优初始位置设置为全局最优初始位置，将每个粒子的初始位置设置成个体最优初始位置；步骤三：分别对粒子位置和粒子速度进行更新，判断每个粒子的位置是否满足约束条件，若满足，则分别对粒子位置和速度进行更新；若不满足，则随机生成新的粒子位置和速度；粒子速度更新公式为：
；粒子位置更新公式为：；其中表示迭代次数，表示惯性权重，和分别表示粒子个体和粒子全体的学习因子，和为内之间的随机数，表示粒子在次迭代时的个体最优值，表示全部粒子在次迭代时的全局最优值，表示粒子在次迭代时的位置，表示粒子在次迭代时的速度；步骤四：选取粒子群算法的适应度函数决定收敛速度和最优解，本发明中用传输的能量损耗来定义适应度函数，适应度函数可表示为：；根据适应度进行新的全局最优初始位置和个体最优初始位置的更新；当时，；当时，；步骤五：判断迭代是否达到结束条件；若满足，则输出最优的粒子位置，若不满足，则返回步骤三，最终实现减少传输能耗，实现功率的优化。
12.作为对本技术方案的进一步限定，所述步骤（4）具体包括如下步骤：在确定了最优功率后，由于每个基站处的mec服务器，能够同时向多个用户提供计算卸载服务，每个mec服务器提供给关联用户共享的计算资源由计算速率量化，每个用户在边缘服务器计算资源的调度用表示，其中且；同一区域的船舶用户竞争同一微基站的计算资源，以在理想延迟内完成请求，提出基于服务质量的效用函数为：
基于服务质量的效用函数，表征系统的服务质量性能，其中为在边缘服务器处理时的总时延，表示完成任务的理想时延，表示时延的上限，，在边缘端我们将任务处理的系统成本定义为：，是一个用户定义的常数，以确保的范围在[0,1]，表示在边缘端的执行能耗；给定固定的计算资源，边缘服务器如果无法及时处理所有任务，船舶用户可以选择将任务请求发送到云端进行处理，边缘系统应为此支付费用；定义为卸载到云端的额外成本定义为：，其中是一个常数，表示服务质量和执行能耗的相对重要性，表示在云端的执行损耗；将联合请求卸载和计算资源调度问题表述为系统效能最大化问题，总系统润效用定义为：。
[0013]
作为对本技术方案的进一步限定，所述步骤（5）使用粒子群算法进行求解系统效能最大化问题，包括以下步骤；步骤一：初始化粒子种群，设定粒子群规模,随机生成粒子的初始位置，每个粒子的初始化速度；步骤二：计算初始位置，由初始化参数和系统总效能公式，得到最大化系统效能；根据最大化系统效能得到最优的粒子初始位置，将其最优初始位置设置为全局最优初始位置，将每个粒子的初始位置设置成个体最优初始位置；步骤三：分别对粒子位置和粒子速度进行更新，判断每个粒子的位置是否满足约束条件，若满足，则分别对粒子位置和速度进行更新；若不满足，则随机生成新的粒子位置和速度；粒子速度更新公式为：；粒子位置更新公式为：；其中表示迭代次数，表示惯性权重，和分别表示粒子个体和粒子全体的学习因子，和为内之间的随机数，表示粒子在次迭代时的个体最优值，表示全部粒子在次迭代时的全局最优值，表示粒子在次迭
代时的位置，表示粒子在次迭代时的速度；步骤四：选取粒子群算法的适应度函数决定收敛速度和最优解，本发明中用传输的能量损耗来定义适应度函数，适应度函数可表示为：；根据适应度进行新的全局最优初始位置和个体最优初始位置的更新；当时，；当时，；步骤五：判断迭代是否达到结束条件；若满足，则输出最优的粒子位置，若不满足，则返回步骤三，最终实现增加系统效能，进行卸载优化和资源的合理分配。
[0014]
通过上述描述可以看出，本方案利用移动边缘计算和粒子群算法进行功率优化和资源的高效分配。本方案先通过粒子群算法最小化传输能耗，对功率进行优化。将得到的优化功率带入系统效能的求解中，使用粒子群算法进行求解，得到卸载决策和计算资源的合理分配。实现了最小化能耗，最小化时延，提高用户的体验，实现资源的高效调度和分配，具有实际的应用意义。
附图说明
[0015]
图1为海上边缘计算系统模型。
[0016]
图2为不同最大功率下不同用户数的对比能耗图。
[0017]
图3为不同用户数下的系统效能变化图。
[0018]
图4为任务输入量对系统效能的变化图。
[0019]
图5为工作负载对系统效能的变化图。
[0020]
图6为不同工作负载下不同用户数的系统效能的变化图。
具体实施方式
[0021]
下面将结合本发明具体实施方式中的附图，对本发明具体实施方式中的技术方案进行清楚、完整地描述，显然，所描述的具体实施方式仅仅是本发明一种具体实施方式，而不是全部的具体实施方式。基于本发明中的具体实施方式，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具体实施方式，都属于本发明保护的范围。
[0022]
通过附图可以看出，本发明一种移动边缘计算的海上卸载和资源分配方法，基于传输能耗的最小化，系统效能最大化的目标，采用粒子群算法确定用户的最优功率、卸载决策和资源分配，包括如下步骤:获取海上待部署区域的网络接入节点的位置、待处理的船舶用户请求任务和规定的卸载策略；制定船舶用户的传输功率分配问题，使系统传输能耗最小；利用粒子群优化算法，实现用户的传输功率优化；将联合请求卸载与计算资源分配问题建模为一个混合整数非线性规划问题，以最大化系统效能；利用粒子群优化算法，对卸载问题和计算资源进行优化和分配；本算法实现最低传输能量有较好的收敛性，在动态网络中实现卸载和计算资源分配具有良好的性能。
[0023]
在海上多服务器多用户系统中，如图1所示，获取海上待部署区域的网络接入节点
的位置、待处理的船舶用户请求任务和规定的卸载策略。船舶用户有个，每个用户对应一个终端设备，在本实例中，边缘服务器是图1中的微基站，云服务器是图1中的宏基站，边缘服务器有个，云服务器有1个，计算任务为，计算任务表示为，尖括号表示为一个元组，包含所述四种元素，其中任务的输入量大小，表示边缘服务器处理任务时的工作负载，表示为完成计算任务的理想时延，表示为完成计算任务的最大时延，为时延的上限,卸载策略分为卸载到边缘端和卸载到云端，其中卸载到边缘端表示为1，卸载到云端用0表示。
[0024]
采用正交频分多址作为上行链路的多址方案，将总带宽划分到个船舶用户上，子频带为，其中；其中表示上行子带调度，为了保证同一个基站下的用户上行传输的正交性，每个用户被分配到一个子频段，每个基站最多同时服务个用户；在系统中每个用户的传输功率为，一个小区内所有用户的总发送功率为，即满足，每个用户的最大发送功率是。
[0025]
卸载变量用表示，其中表示上行子带调度，当时,表示卸载到边缘服务器，表示在云端执行计算任务；由于每个任务可以在云端执行或是卸载到最多一个边缘服务器执行，可以得到，其中表示边缘服务器的数量，边缘服务器的微基站有；其中表示上行子带调度。
[0026]
当卸载到边缘服务器时,是在子带上用户和边缘服务器之间的上行链路信道增益，它包括了路径损耗、阴影和天线增益的影响；其中上行信道增益使用三径模型产生，可表示为：，其中表示波长，表示发射端和接收端的距离，分别表示发射端和接收端的高度，表示蒸汽波导的高度；由于发送到同一基站的用户使用不同的子带能够较好地抑制了上行小区内干扰，但是仍然存在小区间干扰，用户到子带上基站的信干比为：
，其中表示用户的传输功率，是上行信道增益，是噪声，表示其他小区边缘服务器的用户干扰，表示服务器和用户之间的卸载决策，表示用户的传输功率，是边缘服务器和用户之间的上行信道增益；表示边缘服务器所在的小区的用户集合；因为是其他小区的用户对边缘服务器的小区的用户造成的干扰，所以边缘服务器的选取不能是服务器，而是集合内除了以外的其他边缘服务器，公式中的字母就是指代集合内选取的其他服务器，表示的是服务器所在的小区的用户的集合。
[0027]
由于每个用户只在一个子带上进行传输，用户的上传速率为：，其中，；其中将总带宽划分到个船舶用户上，子频带是，其中；其中表示上行子带调度，表示用户在所有上行子带上的信干比，表示用户在所有上行子带上的卸载决策；当任务卸载到边缘服务器时，上传时间为：，其中为任务输入量,表示用户的上传速率，表示边缘服务器的数量，边缘服务器的微基站有；能量传输能耗为，其中表示用户的传输功率，表示任务卸载到边缘服务器时的上传时间。
[0028]
作为对本技术方案的进一步限定，所述步骤（2）的功率分配问题可以表示为最小化能耗：，服从约束，其中是一个小区内所有用户的
总发送功率，是个船舶用户的总的传输功率，,用户的传输功率不能超过最大值，船舶用户生成的每个任务可以仅卸载到一个边缘服务器或云端；令，表示为其他小区的总干扰，我们要找到的近似值，假设每个基站独立计算其上行链路功率分配，即不需要相互协作，并将上行传输功率告知关联用户，那么可达到的上界为：，用代替，得到,其中表示用户的最大功率，令，则转换成只有变量的函数，可表示为：；求解传输能耗最小化问题为；表示边缘服务器所在的小区的用户的集合，表示的是服务器所在的小区的用户的集合。
[0029]
表示边缘服务器所在的小区的用户的集合，因为是其他小区的用户对边缘服务器的小区的用户造成的干扰，所以边缘服务器的选取不能是服务器，而是集合内除了以外的其他边缘服务器，在此公式中的就是集合内选取的其他服务器，表示的是服务器所在的小区的用户的集合。
[0030]
因为表达式中参数过多，用、对后面的表达式进行等量代换，表示是关于的函数，代表前文所述的传输能耗。
[0031]
作为对本技术方案的进一步限定，所述步骤（3）使用粒子群算法进行求解,包括以下步骤：步骤一：初始化粒子种群，设定粒子群规模,随机生成粒子的初始位置，每个粒
子的初始化速度；步骤二：计算初始位置，由初始化参数和传输能耗计算公式，得到最小化传输能耗；根据最小化的传输能耗得到最优的功率分配和最优的粒子初始位置，将其最优初始位置设置为全局最优初始位置，将每个粒子的初始位置设置成个体最优初始位置；步骤三：分别对粒子位置和粒子速度进行更新，判断每个粒子的位置是否满足约束条件，若满足，则分别对粒子位置和速度进行更新；若不满足，则随机生成新的粒子位置和速度；粒子速度更新公式为：；粒子位置更新公式为：；其中表示迭代次数，表示惯性权重，和分别表示粒子个体和粒子全体的学习因子，和为内之间的随机数，表示粒子在次迭代时的个体最优值，表示全部粒子在次迭代时的全局最优值，表示粒子在次迭代时的位置，表示粒子在次迭代时的速度；步骤四：选取粒子群算法的适应度函数决定收敛速度和最优解，本发明中用传输的能量损耗来定义适应度函数，适应度函数可表示为：；根据适应度进行新的全局最优初始位置和个体最优初始位置的更新；当时，；当时，；步骤五：判断迭代是否达到结束条件；若满足，则输出最优的粒子位置，若不满足，则返回步骤三，最终实现减少传输能耗，实现功率的优化。
[0032]
作为对本技术方案的进一步限定，所述步骤（4）具体包括如下步骤：在确定了最优功率后，由于每个基站处的mec服务器，能够同时向多个用户提供计算卸载服务，每个mec服务器提供给关联用户共享的计算资源由计算速率量化，每个用户在边缘服务器计算资源的调度用表示，其中且；同一区域的船舶用户竞争同一微基站的计算资源，以在理想延迟内完成请求，提
出基于服务质量的效用函数为：基于服务质量的效用函数，表征系统的服务质量性能，其中为在边缘服务器处理时的总时延，表示完成任务的理想时延，表示时延的上限，，在边缘端我们将任务处理的系统成本定义为：，是一个用户定义的常数，以确保的范围在[0,1]，表示在边缘端的执行能耗；给定固定的计算资源，边缘服务器如果无法及时处理所有任务，船舶用户可以选择将任务请求发送到云端进行处理，边缘系统应为此支付费用；定义为卸载到云端的额外成本定义为：，其中是一个常数，表示服务质量和执行能耗的相对重要性，表示在云端的执行损耗；将联合请求卸载和计算资源调度问题表述为系统效能最大化问题，总系统润效用定义为：。
[0033]
作为对本技术方案的进一步限定，所述步骤（5）使用粒子群算法进行求解系统效能最大化问题，包括以下步骤；步骤一：初始化粒子种群，设定粒子群规模,随机生成粒子的初始位置，每个粒子的初始化速度；步骤二：计算初始位置，由初始化参数和系统总效能公式，得到最大化系统效能；根据最大化系统效能得到最优的粒子初始位置，将其最优初始位置设置为全局最优初始位置，将每个粒子的初始位置设置成个体最优初始位置；步骤三：分别对粒子位置和粒子速度进行更新，判断每个粒子的位置是否满足约
束条件，若满足，则分别对粒子位置和速度进行更新；若不满足，则随机生成新的粒子位置和速度；粒子速度更新公式为：；粒子位置更新公式为：；其中表示迭代次数，表示惯性权重，和分别表示粒子个体和粒子全体的学习因子，和为内之间的随机数，表示粒子在次迭代时的个体最优值，表示全部粒子在次迭代时的全局最优值，表示粒子在次迭代时的位置，表示粒子在次迭代时的速度；步骤四：选取粒子群算法的适应度函数决定收敛速度和最优解，本发明中用传输的能量损耗来定义适应度函数，适应度函数可表示为：；根据适应度进行新的全局最优初始位置和个体最优初始位置的更新；当时，；当时，；步骤五：判断迭代是否达到结束条件；若满足，则输出最优的粒子位置，若不满足，则返回步骤三，最终实现增加系统效能，进行卸载优化和资源的合理分配。
[0034]
图3为不同用户数下的系统效能变化图，在所有服务器工作能力相同和船舶用户配置条件相同的情况下，体现了船舶用户数的影响，随着用户数的增加，系统效能不断增加。
[0035]
图4为任务输入量对系统效能的变化图，体现了任务输入的影响，当任务输入减少时，系统效能略有增加，但变化幅度不大。
[0036]
图5为工作负载对系统效能的变化图，体现了工作负载对系统效能的影响，随着工作负载的增加，系统效能几乎保持不变，但是，当工作负载1500时，系统效能比其他工作负载下的系统效能要高。
[0037]
图6为不同工作负载下不同用户数的系统效能的变化图，评估了粒子群算法中不同工作负载时的性能。在三个不同工作负载下，系统效能随着用户数的增加而不断增加，在用户数较少情况下，三个工作负载的性能是相同的，在用户数较多的情况下，工作负载越大，性能越好。所以我们要选择合适的工作负载，提高系统的性能。由此进一步验证本专利的有效性。
[0038]
尽管已经示出和描述了本发明的具体实施方式，对于本领域的普通技术人员而言，可以理解在不脱离发明的原理和精神的情况下可以对这些具体实施方式进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。