[發明專利]面向移動邊緣計算的多任務分布式卸載方法

有效

• 申請號: 201911405604.3
• 申請日: 2019-12-30
• 公開（公告）號: CN111182582B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 許威;朱書含
• 申請（專利權）人: 東南大學
• 主分類號: H04W28/02
• 分類號: H04W28/02;H04B17/391
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 葉涓涓

1.一種面向移動邊緣計算的多任務分布式卸載方法，其特征在于，包括如下步驟：

1)根據無線信道狀態信息，計算移動臺到各個計算接入點的上行和下行傳輸速率；

上行和下行傳輸速率通過以下公式進行計算：

其中，上標y₁∈{UL,DL}分別表示上行和下行鏈路，下標m表示計算接入點的編號，下標y₂∈{T,R}分別表示發射和接收模式，表示發射和接收功率，M表示系統中服務當前移動臺的計算接入點的數目，表示第m個計算接入點到移動臺的信道增益，N₀表示系統噪聲，log(·)表示以2為底的對數函數；

2)將聯合優化系統延時和能耗的多任務卸載策略問題建立為數學優化問題；

數學優化問題如下：

其中，O₁＝{1,2,…,N}和O₂＝{1,2,…,M}分別表示移動臺產生的任務和服務該移動臺的計算接入點的集合，其中元素N和M分別表示移動臺產生的任務總數和服務該移動臺的計算接入點總數；X＝[x_nm]_N×(M+1)是任務卸載接入矩陣；元素x_nm表示矩陣X中的第n行第m列元素，它表示任務n卸載到計算接入點m的接入參數；Ψ(X)＝λ_tT(X)+λ_eE(X)，元素λ_t和λ_e分別表示當前場景下延時和能量損耗在目標函數中的影響，元素T(X)和E(X)表示當前場景下的延時和能量損耗，元素α_n，β_n和γ_n分別表示初始數據大小，待計算的任務大小和計算后輸出任務的大小，元素r_m表示計算接入點m的工作速率，x_n0表示任務n分配到移動臺本地的接入參數，r₀表示移動臺本地的工作速率，元素P₀,P_T,P_R分別表示移動臺本地計算任務的功率損耗，傳輸任務的功率損耗和接收任務的功率損耗；

3)將數學優化問題轉化為最小化交叉熵問題；具體包括如下過程：

重構矩陣X，向量化該矩陣X為決策集x，其中元素L＝NM+N是決策集x的維度，即矩陣X的元素總數；引入參數變量u＝[u_l]_1×(NM+N)，其中u_l表示Pr(x_l＝1)；將問題(2)轉化為尋找最優的參數變量u的問題，基于問題(2)中的約束條件x_nm∈{0,1}，將決策集x的概率密度函數定義為伯努利分布：

將原問題轉化為最小化交叉熵問題：

上式中，目標函數H即交叉熵函數，元素S是樣本集的維度；

4)利用交叉熵學習的方法對最小化交叉熵問題進行迭代求解，得到最優接入概率以及最優卸載策略；具體包括如下子步驟：

步驟1：初始化參數變量u，有u⁽⁰⁾＝0.5×1_L×1，初始化每個樣本集為空集，O₃＝[]；

步驟2：根據問題(4)中的約束條件，產生用于機器學習的訓練樣本集合：

隨機樣本要符合問題(4)中的約束條件，根據一個任務只能被分配到一個計算接入點或者由移動臺本身CPU完成計算；將x劃分為M塊，每個塊分別對應任務分配到每個計算接入點的情況，即x_m＝[x_1m,x_2m,…,x_Nm]；隨機在M塊中選擇一個，定義為g，并根據概率分布p(x_g,u_g)隨機產生樣本塊，定義為x_g；判斷x_g中取值為1的元素x_ng，這些元素對應的任務n被分配卸載到計算接入點g，且該任務將不能再被分配到其他接入點，因此令對應的u_l＝0,l＝n+kN,k≠g；再從未完成的x_m樣本塊中，選擇一塊重復上述步驟，直到一個完整的樣本[x_nm]_1×(NM+N)被產生；判斷產生的樣本是否滿足問題(4)的約束條件，如果不滿足，將舍棄該樣本，如果滿足置于樣本集O₃中；當樣本集中的樣本數達到預設值S時，將結束該步驟；

步驟3：根據步驟1中產生的樣本，計算問題(2)中的目標函數值

Ψ(x^s)＝λ_tT(x^s)+λ_eE(x^s)?(5)

其中，x^s為樣本；

步驟4：對上式計算的排序，有：

Ψ(x^[1])≤Ψ(x^[2])≤…≤Ψ(x^[S])?(6)

x^[1]，……x^[S]為排序后的目標函數值對應的樣本；定義S_elite為優選樣本的數目，選擇上述排序中最小的S_elite個樣本作為優選樣本，即x^[1]，……x^[elite]用于學習參數變量u；根據優化問題(4)有：

步驟5：將公式(3)的概率密度函數代入公式(7)的概率更新方程，令交叉熵函數的一階導數等于0，求出對應的最優的參數變量u，得：

為樣本x^[S]中的第l個元素；

步驟6：按如下公式更新問題(4)中的參數變量u，其中α是學習率，α∈[0，1]：

u^(t+1)＝αu^*+(1-α)u^(t)?(9)

重復步驟1-6直到算法完成預設的迭代次數T＝20；

得到當u的各個元素收斂到0或者1時，對應的決策集x；

5)根據最優卸載策略，用戶將任務經不同信道分別卸載到相應的計算接入點完成計算，完成計算后，計算接入點將計算結果重新傳回用戶；具體包括如下過程：

移動臺根據該決策集x與對應的計算接入點建立連接，將傳輸到相同計算接入點的多個任務按順序排隊，并依次將任務傳輸給計算接入點；各個計算接入點接收移動臺傳輸到的任務；對于指定計算接入點，在所有的待傳任務已經到達后，CPU對每個任務進行計算；已完成處理的任務進入緩存器，等待所有任務處理完成后，計算接入點將其計算的多個任務的信息β_n傳回移動臺；同時，不需要卸載到移動臺計算的任務將在本地CPU完成計算；最后，移動臺接收M個計算接入點的信息，并整合本地計算的信息，完成對于全部任務的一系列決策。