[发明专利]D2D多播网络中的移动边缘计算卸载与资源分配算法

权利要求书

1.D2D多播网络中的移动边缘计算卸载与资源分配算法，其特征在于包括下列步骤：

首先，为了提高多播传输链路的稳定性和增加计算资源，提出了D2MD簇首选择和分簇选择策略，在簇首选择策略中联合考虑了D2MD用户的社会属性、可用能量和传输速率；

其次，在考虑用户选择、计算卸载策略和计算资源分配的条件下，将最大化用户的收益作为最优化问题进行了公式；进一步，将最优化问题转化为两个子问题，分别是用户选择最优化USO问题和资源分配最优化RAO问题，其中RAO问题是一个凸优化问题，采用拉格朗日乘数法得到了它的最优解。

2.根据权利要求1所述的D2D多播网络中的移动边缘计算卸载与资源分配算法，其特征在于包括下列步骤：

1系统模型；

在基站覆盖范围内，用户根据地理位置被分为多个D2MD簇；在每个簇中，有唯一的一个用户被选中作为D2MD簇首，D2MD簇首有全双工天线，通过无线的方式连接到用户端和基站端；这些D2MD簇首能够帮助用户终端连接到网络，并且协助用户将任务传输给基站端的MEC服务器；簇首主动的保存一些内容，并且可以将内容多播传输给同簇内的用户；当用户要求某些内容时，簇首通过多播方式进行传输；为了实现有效的分发缓存，用户分别属于并且唯一属于一个簇；D2D用户的集合表示为K＝{1,2,L,K}；D2D簇的集合表示为M＝{1,2,L,M}；用其中x_i,m＝1表示用户设备i使用的D2MD簇首m；X＝{x_i,m}表示使用簇首m的用户设备集合；

2联合社会属性、能量和速率的簇首选择和分簇策略；

在簇首选择中，采用的是著名的中餐馆过程模型，在簇c_n中，用户j选择用户i作为簇首的概率表示为：

在这里a_w表示CRP的参数，m(m≥3)是簇c_n内的用户数，是用户j选择用户i作为簇首的概率；

因此用户被选为簇首的概率矩阵表示为：

在这里第i行表示用户i被选做簇首的概率，第i行元素之和表示用户i的选择概率，其中选择概率最大的用户，就是簇首；

因此，在簇c_n中，用户j选择用户i作为簇首的概率通过公式(3)计算得到；

在这里是用户i对用户j的影响因子；表示为：

在这里w_S+w_E+w_R＝1；和分别表示用户i对用户j的社会影响因子，能量影响因子和传输速率影响因子；

2.1社会影响因子；

表示用户i对用户j的社会影响因子；用户i与用户j之间的社会相似因子，表示为：

在这里表示用户i与用户j之间的社会相似因子；的值越高表示相似度越高；如果则表示用户i与用户j之间将不会建立D2D通信链路；对于用户簇c_n中的用户，归一化的社会影响因子表示为：

在这里表示用户簇c_n中，其余用户对用户i的社会影响因子之和；

2.2能量影响因子；

表示用户簇c_n中，用户i在用户j上的能量影响；用户i在用户j上能够衡量出的最大可用传输时间表示为：

在这里表示用户i可利用的能量，P₀表示用户i的电路损耗，表示用户i的传输功率；

在这里σ²表示噪声功率，γ₀表示接收的信噪比门限；为了保证传输质量，需要用户实际的接收SNR要大于γ₀；表示用户i与用户j间的信道增益，并且表示为：

表示瑞丽衰落，α_h表示路损参数，表示用户i与用户j间的距离；

将公式(8)和(9)代入公式(7)，得用户i与用户j间的最大传输时间为：

在这里值越高表示用户i对用户j的能量影响越大；考虑整个用户簇c_n，一个归一化的影响因子表示为：

在这里表示用户簇c_n中，其余用户对用户i的能量影响因子之和；

2.3传输速率影响因子；

表示用户簇c_n中，用户i的传输速率；如果基站以定量的功率传输数据，则用户i的传输速率表示为：

在这里表示基站与用户i之间的信道增益，P_B表示基站的发射功率，表示用户i与基站间的距离，W表示用户i与基站间的信道带宽，表示用户i与基站间的瑞丽衰落，α_B表示路损参数；传输速率越高，则对用户i的影响越大；考虑整个用户簇c_n，一个归一化的影响因子表示为：

在这里表示用户簇c_n中，其余用户对用户i的传输速率影响之和；

综上所述将公式(6)，(11)和(13)代入公式(4)得用户i对用户j的影响因子表示为：

用公式(14)代替(3)，得到选择用户i为簇首的概率；按照概率递减的顺序进行排列，概率最大的选做簇首；

2.4分簇策略；

初始化每个簇剩余的用户集合表示为当时循环：从计算每个簇的平均影响因子选择更新输出：得到用户分簇结果K_m,1≤m≤M；

3计算卸载和资源分配；

3.1支持MEC的D2MD系统通信模型与计算模型；

定义L_i＝(σ_i,s_i,T_i)表示用户设备i需要处理的任务，其中δ_i(每兆比特的CPU工作的周期)表示处理任务需要总的计算资源，s_i(比特)表示需要执行的任务的数据量，T_i表示该任务可以接受的最大时延值；

支持MEC的D2MD网络的计算任卸载的步骤是：首先，用户设备发送一定比例的任务给与它们相联系的D2MD簇首；其次，D2MD簇首接收任务后将使用前向链路相同的频带进一步传输给基站中的MEC；对于用户i其计算卸载比例表示为o_i∈[0,1]，其中o_i＝1(o_i＝0)表示任务卸载到MEC执行；

1)通信模型；

设用户设备和D2MD簇首的前向链路和反向链路工作在正交的频谱上；前向链路的带宽与反向链路的带宽相同，用B表示；

用户(i∈K)到D2MD簇首(m∈M)的链路上能够获得的传输速率表示为：

在这里p_i表示用户设备i的发送功率；g_i,m表示从用户设备i到D2MD簇首m的信道增益；SI表示全双工天线的自干扰，并且SI＝Ib_i,mp_m，其中I 是剩余的SI的增益，p_m是D2MD簇首m分配的功率，b_i,m是D2MD簇首m的功率比；SI作为干扰删除技术的一个常量；

从D2MD簇首m到基站的反向链路的数据速率表示为：

在这里p_m表示D2MD簇首m的最大传输功率；b_i,m∈(0,1]表示用户设备i需要卸载任务时所分配的功率比；g_m表示D2MD簇首m到基站的信道增益；

用户设备i传输到D2MD簇首m的上行数据速率表示为：

全双工通信要求输入链路的传输速率要高于输出链路的传输速率。因此有：令其中表示卸载任务给MEC的传输速率；

2)计算模型；

定义为用户设备i的本地计算能力(每兆比特的CPU工作的周期)，因此终端全部的任务通过本地计算时的本地计算执行时延表示为：

任务从用户设备i传输到D2MD簇首上，这时在D2MD簇首上的任务的计算执行延迟表示为：

因此移动边缘计算服务器上处理任务时的总的计算执行时延表示为：

其中w^e表示MEC服务器上的计算能力；a_i表示MEC服务器上执行用户设备i上任务的计算因子；

从用户i传输到D2MD簇首m的任务L_i＝(σ_i,s_i,T_i)的传输延以表示为：

从用户i通过D2MD簇首m传到MEC的任务L_i＝(σ_i,s_i,T_i)的传输延迟表示为：

令和分别表示卸载到MEC和D2MD簇首的任务的比例；因此，当任务被卸载到D2MD簇首和MEC上时，剩余任务在本地的处理时间表示为：

卸载的任务从用户i到D2MD簇首m和MEC的总执行时延表示为：

假设任务被同时分配给本地移动终端和MEC服务器上执行，因此任务L_i的总的完成时间是本地执行时间与MEC服务器或D2MD簇首上执行时间中最大的，因此当任务被卸载到MEC时，总的完成时间表示为：

当任务被卸载到D2MD簇首时，总的完成时间表示为：

3.2收益最大化问题；

首先，定义效用函数为在服务收益和成本之间的一个减法函数；基于效用函数，公式了最大化收益问题；其次，将原始的最优化问题进行了分解，分解为两个最优化问题；最后，采用贪婪算法进行了求解；

1)效用函数和最优化问题公式；

效用函数表示为在服务收益和成本之间的减函数；服务收益表示为包括获得任务数据的多少和使用计算资源的多少；成本包括分配的计算资源的价格和传输数据给MEC所需要的功率；因此任务L_i＝(σ_i,s_i,T_i)的效用函数表示为：

其中d_m表示D2MD簇首m的当前状态，d_m＝1表示处于工作状态，否则d_m＝0表示处于空闲状态；在这里κ和η分别表示每单元卸载数据的收益系数和D2MD簇首每单元功率的收益系数；ρ和β分别表示每单元计算资源的价格系数和每单元时间内所分配的计算能力的价格系数；

s.t.C1：

C2:

C3:

C4:

C5:

C6:

其中限制条件C1表示在MEC服务器上和本地用户设备上的任务是并行计算的；限制条件C2表示保障用户设备每次只能连接到一个全双工D2MD簇首；限制条件C3表示要求每个D2MD簇首同时接入的用户设备数量不能超过其能够接受的最大值；限制条件C4表示每个D2MD簇首分配的功率不能超过它的最大传输功率；限制条件C5表示分配给MEC的计算资源不能超过MEC最大的计算能力；限制条件C6表示对于每个用户设备其反向链路的传输速率小于前向链路的传输速率；

2)最优化问题转化；

由于是二进制的变量，因此目标函数(30)(即公式30)是一个非凸函数；原始的问题是一个混合离散非凸的最优化问题，因此该最优化问题是一个NP-hard问题；重构原始问题分解为两个子问题，分别命名为用户选择最优化(USO)问题和资源分配最优化(RAO)问题；

对一个固定值X，RAO问题表示为：

令公式(31)重构为：

命题1：对于任务L_i将被卸载到MEC或D2MD簇首中，其中最优的卸载率是计算卸载总的执行时间是T_i；经证明得

当计算卸载分配给D2MD簇首时，因为任务卸载比例的增加，基于公式(32)可知，从完成任务所获得的收益将会减少；

令整合公式(30)和(31)，并替代相关变量后得：

公式(32)重新写为：

s.t.C7:

C8:

C9:

3)最优化问题的求解；

首先讨论RAO问题的求解；对Z_i,m中ξ_i,m的二阶导数表示为：

从命题1可知，因此得：

同理，并且能够得到：

当时，合并公式(37)和(38)得：

因此得并且函数(39)(即公式39)是凸函数；作为目标函数(39)(即公式39)的二阶导是严格收敛的；因此，解决公式(39)的最优化问题；

对于USO问题的求解，令和分别表示在用户选择X的接入方案中分配的功率和分配的计算资源；通过前述的算法获得最优的资源分配结果，对应剩余的用户选择问题，则是一个0-1的非线性最优化问题，同时也是一个完整的NP问题。

3.根据权利要求2所述的D2D多播网络中的移动边缘计算卸载与资源分配算法，其特征在于包括下列步骤：

解决公式(39)应用KKT条件时；公式(39)的拉格朗日表达式为：

对于KKT条件表示为：

在这里a′_i(ξ_i,m)＝JV/(J-Cξ_i,m)²，其中C＝w^eBT_iσ_i，令[y]⁺＝max{y,0}，结合公式(41)-(43)，拉格朗日乘数重新写为：

在这里t是迭代次数，δ(t)表示第t次迭代的间距；利用KKT条件，获得最优的资源分配结果；最优的ξ_i,m从公式(45)-(48)获得；按照公式(32)和(33)，获得最优的和

对于USO问题的求解，采用贪婪算法来获得最优的用户选择，具体算法的细节如下：

算法：贪婪算法

输入：

用户设备的集合表示为：K＝{1,2,L,K}

最大迭代次数为：I

正在工作的D2MD簇首集合表示为：

D＝{d₁,d₂,L,d_M}

用户设备的任务表示为：L_i＝(σ_i,s_i,T_i)

同时定义B,p_m,p_i,w^e,κ,ρ,η,β

输出：

采用的资源分配策略A^*,B^*,O^*

采用的用户选择策略X^*