基于ADMM的服务缓存与资源优化方法及其系统、介质及设备

基于admm的服务缓存与资源优化方法及其系统、介质及设备
技术领域
1.本技术涉及移动通信领域，特别是涉及一种分布式移动边缘网络架构服务缓存与资源优化分配的方法及其系统。


背景技术：

2.当前，随着5g通信的高速发展以及移动终端的快速普及，越来越多的新型应用，如虚拟现实、增强现实以及自动驾驶等需要在移动终端设备进行运行。这类应用不但需要强大的计算处理能力，而且对实时性提出更为严格的要求。然而，移动终端设备的移动性决定了其计算与存储资源通常是有限的，其薄弱的处理能力将无法处理需要高计算处理能力的应用，如自动驾驶、目标检测等。为此，移动云计算(mobile cloud computing，mcc)作为解决终端资源限制的一种有效方式被提出。mcc的核心思想是通过将任务卸载至具有丰富计算与存储资源云端，以提升终端设备潜在的计算能力。然而，终端设备与云服务器间的长距离传输所产生的时延往往无法满足时延敏感型应用实时性的应用需求。因此，为了进一步降低任务处理时延，移动边缘计算(mobile edge computing，mec)技术被提出。mec通过将云端的计算、存储资源下沉至网络边缘侧，就近为终端设备提供计算、通信与存储服务，从而降低任务处理时延，减轻回程链路压力。然而，与mcc相比，mec的计算与存储资源是有限的，仅依靠mec无法满足海量多样化的业务应用需求。因此，由终端设备、服务节点以及云服务器组成分布式移动边缘网络架构，为满足低时延、高可靠的业务需求提供了有效解决思路。该网络架构在技术特点上mec与mcc互为补充，不但可以为终端设备提供更为丰富的计算、通信以及存储资源，同时也为终端设备的任务卸载提供了更多选择性。目前已有相关研究表明，在分布式移动边缘网络下通过卸载决策与资源分配联合优化策略的设计可以提升网络整体的性能。然而在分布式网络场景中，移动业务的多样性以及空间上的分布不均性将导致不同服务节点(由基站与边缘服务器组成的节点称为服务节点)间的计算、通信以及存储负载不同。这种负载不均性将使得负载高的节点任务执行时延高，而负载低或者没有负载的服务节点将会导致资源利用率较低。因此，需要综合考虑计算、通信以及存储资源的相互影响去实现负载均衡，从而降低任务执行时延，提高资源利用率。目前针对负载均衡问题已有相关研究，文献通过服务节点间协作对任务进行卸载、转发以提升网络性能。但这些文献并未针对三层网络架构展开分析。文献则进一步对三层网络下的负载均衡问题展开分析。通过引入服务节点间的协作机制并提出一种基于admm(alternating direction method of multipliers，admm)的卸载决策与资源优化策略实现负载均衡。
3.然而，现有研究假设是服务器支持所有类型的计算任务，却忽略了服务缓存对任务时延的影响。服务缓存是指将与计算任务相关的数据库、应用程序、函数库以及相关代码等放置在边缘服务中，从而支持不同类型的应用程序(如：目标识别、跟踪等)。具体来说，当终端执行计算任务时，如果服务节点存储相应的计算服务数据，那么该任务将可以在服务节点中执行，否则任务将会由远端云服务器执行(这里假设云服务器存储所有任务相关的服务数据)。基于以上描述可知，任务卸载与服务缓存具有耦合性，即：不同的服务缓存决策
将会直接影响任务的卸载决策从而影响任务完成时延。
4.因此，亟需提出一种新型基于admm的服务缓存与资源优化的方法，可以解决目前现有技术中存在的由于不同的服务缓存决策直接影响任务的卸载决策从而影响任务完成时延的技术问题。本技术在多点协作的分布式移动边缘网络中，需要充分考虑计算任务对资源需求的异构性以及服务缓存与任务卸载的耦合性，通过计算、通信以及存储三者的协同，设计服务缓存与资源分配联合优化策略实现负载均衡。


技术实现要素：

5.为了解决上述现有技术的缺陷，本技术实施例提供了一种基于admm的服务缓存与资源优化的方法，以解决由于不同的服务缓存决策直接影响任务的卸载决策从而影响任务完成时延的技术问题。
6.第一方面，本技术实施例提供了一种基于admm的服务缓存与资源优化方法，包括：
7.网络模型建模与任务描述步骤：基于多点协作的分布式移动边缘网络，建立针对终端、基站及边缘服务器的通信模型、服务缓存与任务卸载模型及任务计算模型，并基于各模型完成边缘网络优化目标问题形式化描述；
8.联合优化步骤：将边缘网络优化目标问题转换为凸优化问题，并将凸优化问题分解得到多个子问题，每个子问题在对应的基站中并行执行，采用admm方法，通过全局更新与局部更新交替迭代的方式对凸优化问题进行求解，得到服务缓存与资源分配联合优化策略，以实现边缘网络的负载均衡。
9.本发明实施例中，上述基于admm的服务缓存与资源优化方法，还包括：
10.二进制变量恢复步骤：通过二进制变量算法，将admm算法求解达到收敛的连续变量恢复成离散变量。
11.本发明实施例中，上述网络模型建模与任务描述步骤包括：
12.通信模型建模步骤：基于每个基站分配给终端的带宽资源、终端的发送功率、基站与终端间的信道增益、终端与基站的距离、路径损耗及信道的噪声功率，建模终端接入关联的基站后的上行传输速率；
13.服务缓存与任务卸载模型建模步骤：针对基站进行任务卸载与服务缓存决策的建模；
14.任务计算模型建模步骤：建模终端的计算任务在基站执行时总时延的计算模型。
15.本发明实施例中，上述网络模型建模与任务描述步骤还包括：
16.优化目标问题描述步骤：在多个计算、通信以及存储资源约束条件下，对服务器的存储决策，频谱资源，边缘服务器的计算资源以及云服务器的卸载决策进行联合优化，进行优化目标的问题形式化描述，以实现所有终端设备任务执行总时延的最小化。
17.本发明实施例中，上述联合优化步骤包括：
18.凸化步骤：对离散变量进行松弛，将边缘网络优化目标问题转换为凸优化问题；
19.问题分解步骤：将凸优化问题采用分布式方法及增广拉格朗日方法，分解为多个子问题；
20.局部变量更新步骤：针对每个基站，通过对偶内点法进行局部变量更新，求解多个子问题，获得相应的卸载决策以及解向量；
21.全局变量更新步骤：基于局部变量更新得到的解，采用全局变量更新进而获得全局变量的解；
22.拉格朗日乘子更新步骤：基于全局变量的解，进行拉格朗日乘子更新，并返回局部变量更新步骤完成预定次数的循环迭代。
23.本发明实施例中，上述优化目标的问题形式化描述为问题p0：
[0024][0025]
其中，ti为终端任务执行总时延，服务器的存储决策频谱资源边缘服务器的计算资源云服务器的卸载决策云服务器的卸载决策表示每种服务数据a(i)所需的存储空间，表示基站j执行与计算服务a(i)相关任务的终端设备数，m为配有边缘服务器的基站个数，l为终端个数，限制条件c1表示每个基站为终端设备分配的计算资源总和不超过当前基站中服务器的最大计算容量，限制条件c2表示每个基站为关联终端设备分配频谱资源的总和不超过当前基站总的频谱资源，c3表示当前基站的服务缓存决策，c4表示基站缓存的服务数据不超过边缘服务器的最大缓存能力，c5与c6表示每个计算任务只能在一个计算节点执行。
[0026]
第二方面，本技术实施例提供了一种基于admm的服务缓存与资源优化系统，采用如上所述基于admm的服务缓存与资源优化方法，包括：
[0027]
网络模型建模与任务描述模块：基于多点协作的分布式移动边缘网络，建立针对终端、基站及边缘服务器的通信模型、服务缓存与任务卸载模型及任务计算模型，并基于各模型完成边缘网络优化目标问题形式化描述；
[0028]
联合优化模块：将边缘网络优化目标问题转换为凸优化问题，将凸优化问题分解得到多个子问题，每个子问题在对应的基站中并行执行，采用admm方法，通过全局更新与局部更新交替迭代的方式对凸优化问题进行求解，得到服务缓存与资源分配联合优化策略以实现边缘网络的负载均衡。
[0029]
本发明实施例中，上述基于admm的服务缓存与资源优化系统，还包括：
[0030]
二进制变量恢复模块：通过二进制变量算法，将admm算法求解达到收敛的连续变量恢复成离散变量。
[0031]
第三方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述的基于admm的服务缓存与资源优化方法的步骤。
[0032]
第四方面，本技术实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的基于admm的服务缓存与资源优化方法的步骤。
[0033]
相比于相关现有技术，具有以下突出的有益效果：
[0034]
1、本发明基于计算、通信以及存储的多终端分布式通信系统；技术效果得到建立服务缓存与任务卸载耦合的业务模型，使得用户业务时延优化性能提升；
[0035]
2、本发明构建计算、通信以及存储资源约束下的，以最小化所有终端设备任务执行总时延；本发明应用于农机，得到农机对应的最优化动力与作业速率；
[0036]
3、本发明实施例应用于采用农机实际农机型号与实际作业速率进行数据分析；技术效果针对具体型号农机提出最优化作业速率以及作业面积。
附图说明
[0037]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0038]
图1为本发明基于admm的服务缓存与资源优化方法示意图；
[0039]
图2为本发明多点协作的分布式移动边缘网络示意图；
[0040]
图3为本发明所提策略的收敛过程示意图；
[0041]
图4为本发明终端设备数的变化对所有任务总时长影响示意图；
[0042]
图5为本发明边缘服务器的计算资源对所有任务总时长的影响示意图；
[0043]
图6为本发明带宽资源对所有任务总时长的影响示意图；
[0044]
图7为本发明基于admm的服务缓存与资源优化系统示意图；
[0045]
图8为本发明计算机硬件示意图。
[0046]
以上图中：
[0047]
10网络模型建模与任务描述模块 20联合优化模块
[0048]
30二进制变量恢复模块。
具体实施方式
[0049]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0050]
显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应
当理解为本技术公开的内容不充分。
[0051]
本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
[0052]
在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
[0053]
除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
[0054]
本发明旨在降低复杂异构网络中多终端业务请求导致任务高时延问题，针对该问题本发明综合考虑计算、通信以及存储三者间关系，并基于凸优化理论、松弛以及交叉迭代等理论构建了时延最小化模型，提出了一种基于admm的服务缓存与资源分配优化算法，该算法将非凸优化问题转变为凸优化问题，然后通过松弛、凸优化等理论对偶法上述问题进行求解。
[0055]
第一方面，本技术实施例提供了一种基于admm的服务缓存与资源优化方法，如图1所示，包括：
[0056]
网络模型建模与任务描述步骤s10：基于多点协作的分布式移动边缘网络，建立针对终端、基站及边缘服务器的通信模型、服务缓存与任务卸载模型及任务计算模型，并基于各模型完成边缘网络优化目标问题形式化描述；
[0057]
联合优化步骤s20：将边缘网络优化目标问题转换为凸优化问题，并将凸优化问题分解得到多个子问题，每个子问题在对应的基站中并行执行，采用admm方法，通过全局更新与局部更新交替迭代的方式对凸优化问题进行求解，得到服务缓存与资源分配联合优化策略，以实现边缘网络的负载均衡。
[0058]
本发明实施例中，上述基于admm的服务缓存与资源优化方法，如图1所示，还包括：
[0059]
二进制变量恢复步骤s30：通过二进制变量算法，将admm算法求解达到收敛的连续变量恢复成离散变量。
[0060]
本发明实施例中，上述网络模型建模与任务描述步骤s10包括：
[0061]
通信模型建模步骤：基于每个基站分配给终端的带宽资源、终端的发送功率、基站
与终端间的信道增益、终端与基站的距离、路径损耗及信道的噪声功率，建模终端接入关联的基站后的上行传输速率；
[0062]
服务缓存与任务卸载模型建模步骤：针对基站进行任务卸载与服务缓存决策的建模；
[0063]
任务计算模型建模步骤：建模终端的计算任务在基站执行时总时延的计算模型。
[0064]
本发明实施例中，上述网络模型建模与任务描述步骤s10还包括：
[0065]
优化目标问题描述步骤：在多个计算、通信以及存储资源约束条件下，对服务器的存储决策，频谱资源，边缘服务器的计算资源以及云服务器的卸载决策进行联合优化，进行优化目标的问题形式化描述，以实现所有终端设备任务执行总时延的最小化。
[0066]
本发明实施例中，上述联合优化步骤s20包括：
[0067]
凸化步骤：对离散变量进行松弛，将边缘网络优化目标问题转换为凸优化问题；
[0068]
问题分解步骤：将凸优化问题采用分布式方法及增广拉格朗日方法，分解为多个子问题；
[0069]
局部变量更新步骤：针对每个基站，通过对偶内点法进行局部变量更新，求解多个子问题，获得相应的卸载决策以及解向量；
[0070]
全局变量更新步骤：基于局部变量更新得到的解，采用全局变量更新进而获得全局变量的解；
[0071]
拉格朗日乘子更新步骤：基于全局变量的解，进行拉格朗日乘子更新，并返回局部变量更新步骤完成预定次数的循环迭代。
[0072]
本发明实施例中，上述优化目标的问题形式化描述为问题p0：
[0073][0074]
其中，ti为终端任务执行总时延，服务器的存储决策频谱资源边缘服务器的计算资源云服务器的卸载决策云服务器的卸载决策表示每种服务数据a(i)所需的存储空间，表示基站j执行与计算服务a(i)相关任务的终端设备数，m为配有边缘服务器的基站个数，l为终端个数，限制条件c1表示每个基站为终端设备分配的计算资源总和不超过当前基站中服务器的最大计算容量，
限制条件c2表示每个基站为关联终端设备分配频谱资源的总和不超过当前基站总的频谱资源，c3表示当前基站的服务缓存决策，c4表示基站缓存的服务数据不超过边缘服务器的最大缓存能力，c5与c6表示每个计算任务只能在一个计算节点执行。
[0075]
以下结合附图，对本发明具体实施例进行详细说明：
[0076]
1系统建模与问题描述
[0077]
1.1系统模型与问题描述
[0078]
1.1.1多点协作的分布式移动边缘网络模型与任务描述
[0079]
如图2所示可以看出，多点协作的分布式移动边缘网络由云服务中心(这里云服务中心主要由云服务器集群组成)、m个配有边缘服务器的基站以及l个具有计算与通信能力的终端组成。基站的集合表示为：的终端组成。基站的集合表示为：其中单个基站由m进行表示。终端的集合表示为：集合表示为：其中单个终端由i进行表示。云服务中心与多个基站通过有线回程链路进行连接，终端则通过无线的方式与基站进行连接，而多个基站间则通过有限链路进行信息交互[thp 17]。当终端设备i请求任务时，首先它会与距离最近的基站进行关联，mi表示终端设备i关联的基站，其中表示终端设备i关联的基站，其中表示关联基站q下终端设备的集合。当终端设备执行任务时，通常需要边缘服务器提供相应的数据库、函数库以及相应的兼容应用程序等服务数据。但是这些服务数据往往所需存储空间较大，所以通常将其存储在边缘服务器或者远端云服务器。这里假设云服务器具有丰富的计算与存储资源，可以存储所有任务相关的服务数据。因此，当终端设备i请求计算任务时，既可以将任务卸载至缓存有相关服务数据的边缘服务节点，也可以卸载至云服务器。另外，将计算服务表示为：每种服务对应一类计算任务。每个终端设备i执行一个计算任务，计算任务表示为wi＝{c
a(i)
,si}，c
a(i)
表示终端i执行与服务a(i)关联的计算任务输入数据的大小，其中si表示执行任务wi所需cpu总循环数。
[0080]
1.1.2通信模型
[0081]
每个基站使用不同的频谱资源，并采用正交频分复用的方式将频谱资源分配给终端设备，其中基站m下的带宽资源为bm。此时，终端i接入关联基站mi后，其上行传输速率表示为：
[0082][0083]
其中表示分配给终端设备i的带宽资源，p
i,s
表示为终端i的发送功率，表示为基站mi与终端i间的信道增益，d为终端与基站的距离，r为路径损耗，θ2为信道的噪声功率。
[0084]
1.1.3服务缓存与任务卸载模型
[0085]
如果终端设备最终选择将任务卸载至基站j，那么该基站必然存储相应的服务数据。这里将任务卸载与服务缓存决策的耦合性表示为x
a(i),j
＝1表示终端任务卸载至基站j，同时该基站缓存有终端i请求任务a(i)的相关服务内容。x
a(i),j
＝0表示任务不在基站j执行。由于每种服务a(i)所需的存储空间不同，这里将每种服务数据a(i)所需的存储空间用进行表示。表示基站j下执行与计算服务a(i)相关任务的终端设备集合，其中表示基站j执行与计算服务a(i)相关任务的终端设备数。由于任务的卸载决策与服务缓存相关，因此边缘服务器的存储约束表示为：其中cj表示基站j的最大存储容量，v
a(i)
表示服务a(i)所需的存储大小。
[0086]
1.1.4任务计算模型
[0087]
1)边缘服务端执行：上行数据传输时延表示为[zxz 17][wtz 19]：
[0088][0089]
任务在边缘服务器执行时延表示为：
[0090][0091]
其中表示服务器j为终端设备i分配的计算资源。
[0092]
初始关联基站mi与当前执行任务基站j间的数据传输时延表示为：
[0093][0094]
综上所述，计算任务在基站j执行时总时延表示为：
[0095][0096]
2)当计算任务ai卸载至云服务执行时：此时任务时延主要由两部分组成：a)关联基站mi与云服务器间回程传输时延b)关联基站mi的上行传输时延。这里将回程传输时延表示为：
[0097][0098]
其中r
cloud
为关联基站mi与云服务中心之间的传输速率。因此，当任务卸载远端云服务器时，任务时延总表示为：
[0099][0100]
综合以上两部分描述，终端i执行任务的总时延表示为：
[0101][0102]
其中，表示一个终端设备只能在一个边缘服务器或者云服务器进行任务卸载。
[0103]
1.1.5问题的形式化描述
[0104]
本文的主要目标是在计算、通信以及存储资源约束条件下，对服务器的存储决策频谱资源边缘服务器的计算资源以及云服务器的卸载决策四个方面联合优化，以最小化所有终端设备任务执行总时延，图3为本发明所提策略的收敛过程示意图，图4为本发明终端设备数的变化对所有任务总时长影响示意图，图5为本发明边缘服务器的计算资源对所有任务总时长的影响示意图，图6为本发明带宽资源对所有任务总时长的影响示意图，如图3、图4、图5及图6所示，优化目标可以表示为：
[0105][0106]
由式(5-9)看到，限制条件c1表示每个基站为终端设备分配的计算资源总和不超过当前基站中服务器的最大计算容量。限制条件c2表示每个基站为关联终端设备分配频谱资源的总和不超过当前基站总的频谱资源。c3表示当前基站的服务缓存决策。c4表示基站缓存的服务数据不超过边缘服务器的最大缓存能力。c5与c6表示每个计算任务只能在一个计算节点执行。由于问题p0中同时存在离散变量与连续变量，并且具有非线性的目标函数与约束条件。所以，该问题是非凸问题。另外，在问题中p0的优化变量以及约束条件分别为4ml与4m 2l个。随着终端以及边缘服务节点的增多，问题的规模将快速增大。因此这类问题很难求解。因此，为了解决以上问题需要对原问题进行转换。接下来将提出一种低复杂度的服务缓存与资源分配联合优化策略对该问题进行求解。
[0107]
2.基于admm的服务缓存与资源分配联合优化策略
[0108]
通过上述描述可知，问题p0是混合整数非线性规划问题，因此很难求解。这里需要对原问题中的离散变量与连续变量进行变换，使原问题变成一个凸优化问题，随后通过对偶内点法对该问题进行解决。首先对离散变量进行松弛：将离散变量ai,x
ai,j
松弛为连续变量，即：0≤ai≤1，0≤x
a(i),j
≤1。此时得到新的问题并表示如下：
[0109]
这里我们对该乘积项上下同时乘以变量x
a(i),j
可以得到：
[0110]
[0111]
随后，令并将其带入式(5-12)中得到下式：
[0112][0113]
问题p0可以写为：
[0114][0115]
经过乘积项替换后，可以看出问题p1成为一个凸优化问题，因此，相应的可以通过凸优化方法对其进行求解。然而以上约束条件较多，且随着终端与基站数据的增加，问题规模也将逐渐增大。尽管通过分支定界法可以求得近似最优解，但是该解无法在短时间内获取。由于交替方向乘子法(alternating direction method of multipliers，admm)是解决大规模问题的经典算法之一，其最初主要用于解决凸优化问题。因此，本章将采用admm方法对问题p1进行求解。
[0116]
2.1问题分解
[0117]
为了能够使用admm方法，首先将原问题分解为多个子问题，同时对全局变量进行本地拷贝。为了表示每个基站j下变量的本地拷贝，这里引入另一个变量l来表示基站，将表示为全局变量x的本地副本，表示为全局变量a的本地副本，表示为全局变量θ的本地副本，随后得到下式：
[0118][0119][0120][0121]
相应的限制条件则表示为：
[0122]
[0123][0124][0125]
基于以上全局变量得到与问题p2的等价目标函数，并将该目标函数表示为：
[0126][0127]
此外，为了便于描述，我们对每个基站下的局部变量解的集合进行定义：
[0128][0129]
φj表示当前基站j的解，可以看出当前基站下的解与其他基站的解是完全解耦的。接下来我们给出每个基站下的本地目标函数：
[0130][0131]
综合式(5-24)，优化问题可以表示为：
[0132][0133]
s.t.(5-16)，(5-17)，(5-18)，(5-19)，(5-20)(5-21)
[0134]
因此，增广拉格朗日函数可以表示为：
[0135][0136]
其中，表示拉格朗日乘子，而ρ∈r

则表示为增广拉格朗日惩罚参数且为常数，该常数的主要作用是用于控制admm的收敛速度。基于以上增广拉格朗日函数，可以获取局部变量、全局变量以及拉格朗日乘子表达式。其中局部变量表示为：
[0137][0138]
同样，基于增广拉格朗日函数可以得到全局变量，并表示为：
[0139][0140][0141][0142]
其中拉格朗日乘子表示为下式：
[0143][0144][0145][0146]
上标[t]表示循环迭代次数。
[0147]
2.2局部变量更新
[0148]
通过观察发现，式(5-27)存在常数项。因此在消除常数项后，得到基站j在第[t 1]次迭代后优化问题，并用下式进行表示：
[0149][0150]
通过以上问题可以看出，问题(5-34)是凸优化问题，因此可以通过对偶内点法对其进行解决。
[0151]
2.3全局变量更新与拉格朗日乘子更新
[0152]
接下来对全局变量以及拉格朗日乘子进行优化。通过问题(5-28)，(5-29)，(5-30)可以看出，该问题是一个无约束二次优化问题且严格凸的。因此可以通过求该变量的梯度，并令梯度值为0的方式获得优化变量的解。求得的结果表示为：
[0153][0154][0155][0156]
在获得以上变量的最优解后，采用式(5-31)，(5-32)，(5-33)对乘子更新并进行循环迭代。
[0157]
2.4二进制变量恢复
[0158]
由于在之前的优化过程中，我们对离散变量x
a(i),j
，ai进行转换使其成为连续变量，并通过admm算法使其趋于收敛。因此，我们需要设计相关的算法将连续变量恢复成离散变量。这里算法步骤描述如下：
[0159]
算法1：二进制变量恢复
[0160]
输入：连续变量x,a,y,η；
[0161]
输出：变换后二进制x,a；
[0162]
步骤1：首先获取每个终端设备i在不同基站j下的连续变量x
a(i),j
与ai；初始化变量y1＝0,y2＝0,...yj＝0，其中yj表示基站当前接入数。
[0163]
步骤2：将步骤1得到的x
a(i),j
值按从大至小的顺序进行排序，并将排序得到的数据记为γ
i,1
,γ
i,2
,...γ
i,j
。然后，将得到的最大值γ
i,1
与ai进行比较。如果ai＞γ
i,1
则ai＝1，否则执行步骤3。
[0164]
步骤3：对步骤2中每个终端在所有基站下的卸载概率进行归一化处理，得到并按照从大至小的顺序进行排序，得到
[0165]
步骤4：对得到的数据进行比较，如果则与对应的x
a(i),j
＝1，否则跳转至步骤5。
[0166]
步骤5：如果则从y1,y2,...yj中选择接入终端数最小的基站yj,且令x
a(i),j
＝1。重复步骤2-4。
[0167]
2.5算法描述
[0168]
由于原问题是一个混合整数非线性规划问题，经过松弛以及乘积项替换之后使其成为一个凸优化问题。然而随着基站与终端数据的增大，问题规模将会逐渐增加，因此需要设计一个低复杂度算法对大规模问题进行解决。其中admm方法被广泛用于解决大规模凸优化问题。为了能够使用admm方法，本文将原问题分解得到多个子问题，其中每个子问题在对应的基站中并行执行。最后，通过全局更新与局部更新交替迭代的方式对凸优化问题进行求解。而其中全局变量、局部变量以及拉格朗日乘子更新变量均给出相应表达式。下面将具体对算法流程进行说明。详细算法过程如下所示：
[0169]
算法2：基于admm的服务缓存与资源分配联合优化算法
[0170]
输入：算法停止门限t
max
，初始可行解{x,θ,a}以及初始乘子值惩罚参数
ρ，t以及ε。
[0171]
输出：卸载决策以及资源分配方案{x,θ,a,f}。
[0172]
1.初始化：
[0173]
首先对迭代条件进行初始化设置，这里最大迭代次数用t
max
进行表示，其次设置初始可行解{x,θ,a}并对拉格朗日乘子循环迭代次数t、惩罚参数ρ进行初始化设置。
[0174]
2.采用分布式方法对问题进行解决：
[0175]
while或t＜t
max do
[0176]
局部变量更新：每个基站通过解决问题(5-34)进而获得相应的卸载决策以及解向量
[0177]
全局变量更新：基于局部变量得到的解，带入式(5-35)，(5-36)，(5-37)进而获得全部变量的解；
[0178]
拉格朗日乘子更新：将上式得到的解带入式(5-31)(5-32)(5-33)，进行拉格朗日乘子更新；
[0179]
t＝t 1；
[0180]
end while
[0181]
3.采用算法1对二进制进行恢复得到{x,θ,a,f}。
[0182]
第二方面，本技术实施例提供了一种基于admm的服务缓存与资源优化系统，采用如上所述基于admm的服务缓存与资源优化方法，如图7所示，包括：
[0183]
网络模型建模与任务描述模块10：基于多点协作的分布式移动边缘网络，建立针对终端、基站及边缘服务器的通信模型、服务缓存与任务卸载模型及任务计算模型，并基于各模型完成边缘网络优化目标问题形式化描述；
[0184]
联合优化模块20：将边缘网络优化目标问题转换为凸优化问题，将凸优化问题分解得到多个子问题，每个子问题在对应的基站中并行执行，采用admm方法，通过全局更新与局部更新交替迭代的方式对凸优化问题进行求解，得到服务缓存与资源分配联合优化策略以实现边缘网络的负载均衡。
[0185]
本发明实施例中，上述基于admm的服务缓存与资源优化系统，还包括：
[0186]
二进制变量恢复模块30：通过二进制变量算法，将admm算法求解达到收敛的连续变量恢复成离散变量。
[0187]
第三方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述的基于admm的服务缓存与资源优化方法的步骤。
[0188]
第四方面，本技术实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的基于admm的服务缓存与资源优化方法的步骤。
[0189]
另外，结合图1描述的本技术实施例的基于admm的服务缓存与资源优化方法可以由计算机设备来实现。图8为根据本技术实施例的计算机设备的硬件结构示意图。
architecture，简称为mca)总线、外围组件互连(peripheral component interconnect，简称为pci)总线、pci-express(pci-x)总线、串行高级技术附件(serial advanced technology attachment，简称为sata)总线、视频电子标准协会局部(video electronics standards association local bus，简称为vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0198]
本发明方法相比于现有技术，本发明可以提升网络系统资源利用率的同时，降低任务时延，提升用户服务质量，同时算法复杂度也大幅度降低，算法效率高。
[0199]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0200]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。