[发明专利]基于移动边缘计算的通信和计算资源联合优化方法

权利要求书

1.一种基于移动边缘计算的通信和计算资源联合优化方法，其特征在于，包括以下步骤：

基于移动边缘计算系统模型、任务排队计算模型以及通信模型，制定进行任务卸载时最优化系统功耗和吞吐量的优化问题；

将优化问题分解为设备端到边缘服务器的负载流量预测问题和基于系统功耗和吞吐量的边缘计算联合优化通信资源和计算资源问题；

以最优化的系统功耗和吞吐量为目标，解决上述问题，从而完成资源分配任务；

其中，所述移动边缘计算系统模型基于移动边沿计算的任务调度和资源分配框架建立；

通过李雅普诺夫优化方法将通信资源和计算资源问题分解为多个子问题并逐一进行解决；所述子问题包括基于FDMA的发射功率和带宽优化问题、边缘服务器和云服务器计算资源优化问题、边缘服务器之间的任务迁移优化问题；

所述移动边缘计算系统模型包括：

由终端资源请求者构成的用户设备层，所述用户设备层包括多个不同的物联网传感器设备；

由边缘计算资源提供者构成的边缘计算层，所述边缘计算层包括边缘服务器以及边缘节点；其中，边缘服务器中的虚拟处理单元可以自适应地开启和关闭边缘节点，边缘节点分布在不同区域，可实时感知用户设备层的终端设备请求，提供设备接入、数据处理服务，并且不同的边缘节点之间可通过有线链路进行任务传输；

由集中式云服务器构成的中心云层，所述中心云层包括存储容量大、计算能力强的服务器集群，用于为边缘计算层提供大量的计算处理服务；

所述通信模型包括：

边缘服务器与云服务器直接采用无线链路通信方式OFDM进行任务传输；

根据香农定理，边缘服务器的边缘节点i传输速率R_i(t)表达式如下所示：

其中，N₀表示高斯白噪声的功率谱密度，p_i(t)和h_i(t)分别表示边缘服务器的边缘节点i与云服务器之间的发射功率和信道功率，W为边缘服务器与云服务器之间的总信道带宽，ζ_i(t)表示所分配的带宽资源比例，τ表示时隙；

所述任务排队计算模型包括：

边缘服务器上的任务队列Q_i(t)的更新过程的表达式如下所示：

其中，A_i(t)表示从用户设备层的终端设备抵达边缘服务器的数据量，表示从邻居边缘服务器卸载到本地边缘服务器的任务量，表示直接在本地边缘服务器处理的任务量，表示发送到邻居边缘服务器处理的任务量，表示发送到云服务器处理的任务量；M表示边缘节点的个数；

云服务器上的任务队列G(t)的更新过程的表达式如下所示：

其中，w(t)表示云服务器处理的任务量，表示从边缘服务器卸载到云服务器的任务量；

所述负载流量预测问题包括：

根据已知的边缘服务器位置以及终端设备位置，获取任务的数据量；

基于任务的数据量，根据边缘服务器的覆盖范围以及用户数预测出抵达每个边缘服务器的工作负载流量；

所述通信资源和计算资源问题包括：

所有任务抵达边缘服务器的边缘节点后，

直接在本地边缘服务器处理的任务量与边缘服务器计算能力相关；

传输到邻居边缘服务器处理的任务量应尽可能地小以减少时延损失；

发送到云服务处理的任务量与通信传输速率相关；

所述边缘计算联合优化包括：

在优化问题中引入一个虚拟队列进行约束条件转化，采用李雅普诺夫优化方法进行队列稳定性条件转化，构造出李雅普诺夫加罚漂移函数，再结合约束条件，去掉其中的常数项，从而获得新的优化目标函数，通过优化目标函数进行边缘计算联合优化。

2.根据权利要求1所述的一种基于移动边缘计算的通信和计算资源联合优化方法，其特征在于，所述最优化系统功耗和吞吐量包括：队列稳定性约束，服务器计算资源约束，发射功率约束以及通信带宽分配比例约束。

3.根据权利要求1所述的一种基于移动边缘计算的通信和计算资源联合优化方法，其特征在于，解决负载流量预测问题包括：

通过训练好的LSTM神经网络进行负载流量预测，从而解决负载流量预测问题；所述LSTM神经网络的训练包括获取之前时刻的边缘节点的负载流量数据，并通过上述负载流量数据对LSTM神经网络进行多次训练。