[发明专利]一种基于全双工中继的移动边缘计算网络资源分配方法

权利要求书

1.一种基于全双工中继的移动边缘计算网络资源分配方法，其特征在于：该方法包括如下步骤：

S1：构建基于全双工中继辅助的上行移动边缘计算网络模型；

S2：分析所构建系统的传输特性，在满足用户计算任务时延约束、用户中断概率约束、用户最大计算能力和最大发射功率约束，联合优化用户匹配策略、用户任务卸载系数、用户与中继的传输功率，建立系统总能耗最小化问题；

S3：基于最坏准则方法，将含有概率约束的问题转化为确定性的优化问题；利用变量松弛方法，将目标函数与约束条件中的整数变量转化为连续变量；

S4：基于交替迭代方法，将原非凸问题分解为两个子问题，并利用内点法和拉格朗日对偶原理分别进行求解；

所述步骤S1中，基于全双工中继辅助的上行移动边缘计算网络包括一个宏基站，N个用户和M个全双工中继，分别用和表示；其中，宏基站配备边缘计算服务器，用于远程执行任务；每个中继节点配备全双工天线，用于接收与转发用户的数据；考虑任务执行时延以及计算能耗，用户将计算任务通过中继卸载到边缘计算服务器处理；对于用户n而言，其执行的任务表示为其中，S_n为用户n的计算任务的数据量，C_n为用户n的计算任务的计算量，为用户n的计算任务的最大时延，φ为计算单位数据所需的计算能力；假设数据任务是独立的且按位操作，将计算任务分为不同的数据组，并且由网络中的不同实体进行执行；

所述步骤S2中，分析所构建系统的传输特性包括：

A.数据传输模型

定义α_n,m∈{0,1}为用户n关联到中继m的关联因子；当用户n关联到第m个中继，α_n,m＝1；否则，α_n,m＝0；因此，用户n到所关联中继m的上行传输速率R_n,m为

其中，为中继m接收到用户n传输信号的信干噪比；B表示相应子信道的带宽；p_n,m和h_n,m表示用户n到中继m的传输功率和信道增益；σ²和为第m个中继处的背景噪声功率和自干扰信道；为中继m分配给第n个用户的上行传输功率；表示第m个中继节点的自干扰功率；基于干扰消除技术，全双工天线的自干扰功率被忽略；

同理，中继m到基站的传输速率为

其中，为基站接收到中继m传输信号的信噪比，表示中继m到基站的信道增益，σ²表示基站接收端的背景噪声功率；

为保证正常的中继通信，用户n的传输速率满足

同时，由于全双工通信要求输入端的速率应大于输出端的速率，否则会产生中断；满足如下关系

B.数据卸载模型

定义x_n,m为用户n的计算任务卸载比例系数，且满足x_n,m∈[0,1]；则用户n本地计算的任务量为(1-x_n,m)C_n；卸载任务的计算量为x_n,mC_n；用户n本地执行时间为

其中，表示用户n本地的任务计算能力；

定义为用户n本地执行任务的功率消耗，且满足于其中，κ表示用户终端处理单元的转换系数；用户n本地执行任务的能量消耗表示为

同理，边缘计算服务器用于计算用户n卸载任务的时间为

其中，为边缘计算服务器用于处理用户n任务的计算能力；

定义x_n,mS_n为卸载任务的数据量，则用户n卸载任务数据上行传输的时间为

卸载数据上传的能量消耗为

C.信道不确定性模型

考虑信道估计误差的影响，定义和分别为用户到中继链路、中继到基站链路的信道不确定性集合，即

其中，和分别为用户n到中继m、中继m到基站的信道估计值，和为相应信道估计误差；其中，表示信道估计误差Δh_n,m的方差，表示信道估计误差的上界值；

根据最坏情况方法，结合所述信道不确定性描述模型，得到如下中断概率

其中，ξ_n,m为中断概率门限；

所述步骤S2中，建立系统总能耗最小化问题，内容包括：

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:0≤x_n,m≤1

C8:

其中，C1表示一个用户只能关联到一个中继，一个中继可以关联多个用户，最大关联用户数量为N_m；C2表示第n个用户传输功率不超过其最大发射功率门限C3表示第m个中继的传输功率不超过其最大发射功率门限C4和C5表示第n个用户任务执行的时间不超过其最大值C6表示第n个用户的本地计算能力不超过其最大的计算能力C7用于限制计算任务卸载系数；C8用于表示用户n的中断概率；

所述步骤S3中，将含有概率约束的约束条件转化为确定性的约束具体为：C8为中断概率约束，C8转化为：

其中，根据最坏准则，有

所述步骤S3中，将目标函数与约束条件在中的整数变量转化为连续变量为：基于优化问题的单调性，为减小本地计算的消耗，则最优的本地计算时间以及计算能力为

由于整数变量α_n,m的存在，使得所提优化依然很难求解；基于变量松弛法，定义和其中α_n,m∈[0,1]；同时定义将和带入优化问题中，则有等效的优化问题

其中，

所述步骤S4具体包括以下步骤：

S4.1：首先，固定α_n,m，和分解出关于x_n,m的子问题，并用内点法进行求解；

S4.2：其次，固定x_n,m，分解出关于α_n,m,和的子问题，并用拉格朗日对偶原理进行求解；

S4.3:交替优化S4.1与S4.2中所述的子问题；

所述步骤S4.1中，关于x_n,m的子问题表示为：

目标函数是关于x_n,m的凸函数，且约束条件和C7为线性约束，一个凸优化问题，利用内点法求得x_n,m；

步骤4.2中关于α_n,m,和的子问题表示为

根据变量单调性，则有

等价的优化问题为

基于majorization-minimization算法以及Dinkelbach方法，优化问题转化为

其中，q为中间变量；该优化问题的拉格朗日函数为

其中，λ_n,m，μ_m和ω_n,m为拉格朗日乘子；

同时，所得优化问题的对偶问题为

s.t.λ_n,m≥0,μ_m≥0,ω_n,m≥0

其中，

根据KKT条件，则有如下结论

其中，[x]⁺＝max(0,x)；

基于梯度下降法，拉格朗日乘子迭代表达式为

其中，t表示迭代次数；d₁，d₂和d₃为迭代步长。