【CN109905888A】移动边缘计算中联合优化迁移决策和资源分配方法【专利】
移动边缘计算中的资源分配与任务调度
移动边缘计算中的资源分配与任务调度近年来，移动边缘计算（Mobile Edge Computing，MEC）作为一种新兴的分布式计算模式，受到了广泛关注。
它将计算和存储资源提供到离用户设备更近的边缘节点，使得应用可以更快速、高效地运行。
然而，移动边缘计算中的资源分配与任务调度是一个重要的挑战，本文将探讨这一问题。
一、资源分配的挑战在移动边缘计算中，资源分配的目标是在满足用户需求的前提下，有效地利用边缘节点的计算和存储资源。
然而，由于边缘节点的计算和存储能力有限，因此需要合理地分配资源以满足各个应用的需求。
首先，资源分配需要考虑到边缘节点的负载情况。
不同的用户设备可能产生不同的负载，而边缘节点需要根据实际情况进行资源调整，以保证每个用户的应用能够得到足够的计算资源。
此外，边缘节点还需要根据用户设备的位置等信息来分配资源，以减少网络时延和能耗。
其次，资源分配还需要考虑到边缘网络的拓扑结构。
边缘计算中的边缘节点分布在网络的边缘，形成了一种星型的拓扑结构。
在资源分配时，需要根据节点之间的关系和网络拓扑结构来优化资源分配方案，减少数据传输的时延和能耗。
最后，资源分配还需要考虑到不同应用之间的资源冲突。
在移动边缘计算中，存在多个应用同时运行的情况，而这些应用可能需要争夺有限的计算和存储资源。
因此，资源分配需要考虑到不同应用之间的优先级和资源需求，以避免资源冲突，提高应用的性能和用户体验。
二、任务调度的挑战在移动边缘计算中，任务调度的目标是将用户的任务分配到边缘节点上执行，以提高任务的响应时间和执行效率。
然而，任务调度面临着一系列的挑战。
首先，任务调度需要考虑到边缘节点的负载情况。
不同的边缘节点可能有不同的计算和存储能力，因此任务调度需要根据节点的负载情况来决定任务的分配策略，以保证任务可以得到合适的执行环境。
其次，任务调度需要考虑到用户设备的位置信息。
在移动边缘计算中，用户设备的位置信息可以用于确定最近的边缘节点，以减少任务的传输时延。
通信技术中的移动边缘计算的任务调度和资源分配
通信技术中的移动边缘计算的任务调度和资源分配移动边缘计算是一种新兴的通信技术，它在通信网络边缘设备上实现数据处理和计算任务，以提高网络性能和用户体验。
在移动边缘计算中，任务调度和资源分配是两个重要的问题，它们直接影响着计算任务的执行效率和系统的整体性能。
任务调度是指将待执行的计算任务分配给网络边缘设备的过程。
在移动边缘计算中，任务调度需要考虑到网络边缘设备之间的通信延迟、带宽限制以及设备的计算能力等因素。
合理的任务调度可以有效地减少计算任务的执行时间，并提高系统的实时性。
为了准确地调度计算任务，需要获取网络边缘设备的状态信息。
这些状态信息包括设备的负载情况、计算能力、存储容量等。
通过实时获取这些信息，可以根据任务的特性和系统的实时负载情况来动态地调整任务的分配策略。
例如，当某台设备负载过高时，可以将任务分配给负载较低的设备，以平衡系统的负载。
此外，还可以根据任务的优先级和需求，合理地分配计算资源，以最大化系统的整体性能。
资源分配是指将计算任务所需的计算资源分配给网络边缘设备的过程。
在移动边缘计算中，资源分配需要考虑到网络边缘设备的计算能力、存储容量以及能源消耗等因素。
合理的资源分配可以提高计算任务的执行效率，并减少系统的能源消耗。
为了实现有效的资源分配，可以采用动态资源管理策略。
这种策略可以根据计算任务的特性和网络边缘设备的实际情况，动态地分配资源。
例如，当某个设备需要更多的计算资源时，可以从其他设备中分配一部分额外资源给它，以满足任务的处理需求。
此外，还可以通过调整任务的执行顺序和优先级，合理地分配计算资源，以最大化系统的整体效益。
在移动边缘计算中，还可以利用激励机制来调度任务和分配资源。
激励机制可以根据任务的重要性和难度，向网络边缘设备提供相应的激励，以促使它们更好地执行任务和分配资源。
例如，可以给予任务执行优秀的设备额外的奖励，以鼓励它们更好地完成任务。
这样的激励机制可以提高任务执行的效率和质量，并增强系统的整体性能。
移动边缘计算中的联合优化迁移决策和资源分配
第 ８期
景天琦 等：移动边缘计算中的联合优化迁移决策和资源分配
１３０１
矛盾，这也成为了提高用户体验满意度的瓶颈［２３］。 为了加强无线终端设备的计算能力，移动边缘
计算（ＭｏｂｉｌｅＥｄｇｅＣｏｍｐｕｔｉｎｇ，ＭＥＣ）被提出［４５］。相 比于将计算任务迁移到远端云上进行计算，移动边 缘计算可 以 看 做 是 “更 靠 近 地 面 的 云 ”。 移 动 边 缘 服务器位于 无 线 网 络 边 缘，更 靠 近 用 户，可 以 高 效 地为周围的用户提供服务。移动边缘计算允许移 动终端迁移计算任务至附近的移动边缘服务器上， 比如小区基站和 ＷｉＦｉ接入点等［６］。相比于云计算， 移动边缘计算能够在网络的边缘处理和减少数据量。 同时，移动边缘计算具有低延迟、位置感知的特点，并 可以改进服务质量（ＱｕａｌｉｔｙｏｆＳｅｒｖｉｃｅ，ＱｏＳ），用于流 媒体和实时应用程序［７］。移动边缘计算可以完成实 时大数据分析，支持密集的分布式数据收集点，并在 娱乐、广告、个人计算和其他应用中持有优势［８］。
ＪｏｉｎｔＯｐｔｉｍｉｚａｔｉｏｎｏｆＯｆｆｌｏａｄｉｎｇＤｅｃｉｓｉｏｎａｎｄＲｅｓｏｕｒｃｅ ＡｌｌｏｃａｔｉｏｎｉｎＭｏｂｉｌｅＥｄｇｅＣｏｍｐｕｔｉｎｇＳｙｓｔｅｍ
ＪｉｎｇＴｉａｎｑｉ ＬｉｕＴｉｎｇｗｅｉ ＹｕＦｅｉ ＹａｎｇＬｕｘｉ
（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ，Ｊｉａｎｇｓｕ２１００９６，Ｃｈｉｎａ）
１ 引言
随着智能移动终端的普及，人们越来越期待能
在移动终 端 上 运 行 更 多 的 计 算 密 集 型 应 用［１］。 这 些计算密集型应用所需的强大计算能力以及对于 时延的严格要求和设备的有限资源产生了巨大的
移动边缘计算中任务卸载及资源分配算法研究
重庆邮电大学硕士学位论文摘要摘要随着移动互联网和物联网技术的快速发展，虚拟现实、增强现实以及人脸识别等一系列具有计算密集、延迟敏感特征的新型应用不断涌现。
然而，由于移动终端受自身计算能力和电池容量的限制，导致其难以满足用户对这些应用的需求。
移动边缘计算(Mobile edge computing, MEC)作为解决上述问题的一种新的计算范式，通过在网络边缘部署计算能力较强的MEC服务器，使得终端任务可卸载到MEC服务器进行计算，有效降低了任务执行时延和终端能耗。
考虑到MEC系统资源的有限性和卸载请求的动态性，如何合理有效地设计任务卸载策略和资源分配方案成为MEC研究中亟待解决的问题。
本文针对MEC中任务卸载及资源分配问题进行重点研究，主要研究内容和创新工作如下：1. 针对当前基于平均值设计的MEC系统的不合理而导致难以满足用户低时延高可靠需求的问题，提出了一种基于Lyapunov的任务卸载与资源分配算法。
首先，该算法在多MEC服务器多用户的移动边缘系统架构下，设计用户和MEC服务器的任务队列动态调度模型并以队列上溢概率和资源总量为约束，建立了最大化MEC系统平均收益的资源优化模型。
其次，利用马尔可夫不等式将概率混合优化问题转化为无概率优化问题，然后运用Lyapunov优化理论设计一种基于单时隙的资源联合分配算法。
最后，将原优化问题转化为用户本地计算资源分配、功率与带宽资源分配以及MEC服务器计算资源分配三个子问题分别进行求解。
仿真结果表明，该算法在满足用户服务质量(Quality of Service, QoS)需求的同时提高了MEC 系统时间平均收益。
2. 针对移动边缘网络中业务流量空间分布不均而导致边缘节点计算资源利用率低的问题，提出了一种基于边缘协作的任务卸载与资源分配算法。
首先，该算法考虑了一种基于SDN的MEC系统架构，以MEC服务器计算资源为约束，联合优化卸载决策和计算资源分配，建立了一个公平感知的用户时延优化模型。
优化边缘计算环境中的任务调度与资源分配方法
2024年转正个人工作总结自入职以来，得益于公司领导的精心培养和悉心指导，我通过不懈努力，在思想、学术、职业以及生活方面均取得显著成长，现就此进行如下总结：在思想层面，我积极参与政治学习，坚决响应公司政策，踊跃参加公司组织的团队活动。
在学习方面，秉持积极进取的精神，我以认真负责的态度对待工作，虚心向同事求教。
我始终保持敏锐的洞察力，善于思考，主动寻找并解决问题。
通过自我学习和他人指导的结合，我不断丰富业务知识，显著提升了专业能力。
在工作上，我始终对领导分配的任务保持高度的责任感，无论任务大小，都会全力以赴。
在生产技术部的工作中，我负责协调部分工作，处理相关文件，这一过程使我对公司及部门的运作有了全面深入的理解，明确了自身的工作职责，并掌握了各项业务，得到了领导和同事的肯定。
当然，初期的我由于对工作的理解不足，曾犯过一些错误，需要领导的指正。
我认识到自身在工作方法和人际交往上存在改进空间。
通过反思和自我批评，我逐渐成熟，能够更有效地处理各种情况。
在个人生活上，我以热情和谦逊的态度与同事相处，迅速融入了团队。
领导和同事的关心和指导让我深感温暖，也锻炼了我在人际交往和协调能力方面的技能。
总的来说，这段____个月的经历，我在多方面都得到了全面的提升。
公司的良好环境和广阔的发展前景使我产生了强烈的归属感。
在水务行业中，我深感每一份工作都承载着重要的使命，而目前的岗位使我有机会深入生产一线，对个人专业技能的提升大有裨益，这与我的职业期望高度契合。
我坚信，在这个充满凝聚力的团队中，我的能力将得到进一步发展，未来能更有效地为公司贡献自己的力量！2024年转正个人工作总结（二）时光飞逝，转瞬间，我已在审计领域耕耘近三载。
在此，我谨以理性、客观的态度，回顾并总结这段充实而紧张的工作历程，分享几点深刻的心得体会。
一、实现“双重蜕变”首先，我完成了从社会职场人士到审计机关公务员的角色蜕变。
机关工作强调原则性与纪律性，追求工作的严谨与细致；而企业环境则侧重于成本与效益，追求效率与速度。
移动边缘计算系统中的任务调度与资源分配策略研究
移动边缘计算系统中的任务调度与资源分配策略研究移动边缘计算（Mobile Edge Computing，MEC）系统是指将数据处理和存储功能从云中心移动至网络边缘的一种计算模式。
它利用位于网络边缘的服务器和设备，为用户提供低延迟、高带宽和高质量的计算服务。
在移动边缘计算系统中，任务调度和资源分配策略对于提高系统性能和用户体验至关重要。
任务调度是指将用户提交的任务分配给移动边缘计算系统中的具体服务器进行处理的过程。
如何高效地进行任务调度是一个挑战。
一种常用的任务调度算法是基于优先级的调度，按照任务的优先级确定任务的执行顺序。
然而，这种算法往往无法兼顾任务的执行时间和系统资源的利用率。
为解决任务调度的问题，可以引入深度学习算法来进行任务调度决策。
通过深度学习算法，系统可以根据任务的特征，动态调整任务调度策略，提高任务执行效率。
另外，还可以结合任务的执行时间要求和系统的负载状况进行任务调度决策。
例如，将任务调度给当前负载较低的服务器，可以避免任务等待时间过长。
除了任务调度，资源分配也是移动边缘计算系统中的关键问题。
资源包括计算资源、存储资源和网络带宽等。
合理的资源分配策略可以提高系统的资源利用效率和用户的体验。
一种常见的资源分配策略是基于负载均衡的策略，即将任务均匀地分配到不同的服务器上执行。
通过负载均衡，可以减少服务器的负载不均衡问题，提高系统的整体性能。
另外，还可以根据任务的性质和对资源的需求程度，动态调整资源分配策略。
例如，将计算密集型任务分配给性能较高、负载较低的服务器，将存储密集型任务分配给存储资源较为丰富的服务器，以提高资源的利用率。
此外，移动边缘计算系统中还需考虑用户隐私和安全。
在任务调度和资源分配过程中，需要保证用户的个人数据不被泄露或滥用。
因此，可以采用数据加密和访问控制等手段保护用户的隐私。
总之，移动边缘计算系统中的任务调度和资源分配策略研究是一个重要的课题。
通过合理的任务调度和资源分配策略，可以提高系统的性能和用户的体验。
移动边缘计算系统中的任务迁移与资源动态分配策略研究
移动边缘计算系统中的任务迁移与资源动态分配策略研究移动边缘计算系统是一种将计算资源从云数据中心延伸到边缘设备的新型计算模式。
它可以为用户提供更低的延迟和更好的用户体验。
在移动边缘计算系统中，任务迁移与资源动态分配是关键问题。
一、任务迁移任务迁移是指将正在执行的任务从一个节点迁移到另一个节点的过程。
在移动边缘计算系统中，任务迁移可以发生在边缘节点之间，也可以发生在边缘节点和云数据中心之间。
任务迁移有多种原因。
一方面，当边缘节点负载过高或出现故障时，迁移任务可以将负载均衡并提高系统的可靠性。
另一方面，任务迁移还可以减少任务的执行延迟，提高用户体验。
此外，任务迁移还可以优化系统能量效率，根据节点的能量状态选择最佳的迁移策略。
但是，任务迁移也面临着一些挑战。
首先是迁移开销问题。
任务的迁移会消耗带宽和计算资源，可能引入额外的延迟。
此外，环境的不稳定性和网络的不可靠性也可能导致任务迁移失败。
为了解决这些问题，研究者们提出了一些任务迁移策略。
例如，基于启发式算法的策略可以根据系统状态和任务需求选择最佳的迁移目标。
同时，也可以使用预测模型来预测系统的负载和能量状态，从而优化迁移策略。
二、资源动态分配资源动态分配是指在移动边缘计算系统中根据任务需求动态分配计算资源。
在传统的云计算中，资源分配是一次性完成的，而在移动边缘计算系统中，由于边缘节点的数量和分布的不确定性，资源的动态分配成为一项挑战。
资源动态分配的目标是实现负载均衡和提高系统性能。
在分配资源时，需要考虑节点的距离、带宽和计算能力等因素。
如果任务与节点之间的距离较远，带宽消耗较大，可能会导致较高的延迟。
因此，资源动态分配策略需要平衡这些因素，选择最佳的节点。
为了解决资源动态分配问题，研究者们提出了一些策略。
例如，可以使用遗传算法、模糊算法等优化算法来实现资源分配的优化。
同时，也可以利用机器学习算法来预测节点的负载和计算能力，并根据预测结果进行资源分配。
三、总结与展望移动边缘计算系统中的任务迁移与资源动态分配策略对于提高系统性能和用户体验具有重要意义。
移动边缘计算环境中的任务迁移与资源调度
移动边缘计算环境中的任务迁移与资源调度移动边缘计算（Mobile Edge Computing，MEC）是指将计算、存储和网络功能放置在网络边缘，以提供低延迟和高带宽的服务。
在移动边缘计算环境中，任务迁移与资源调度是重要的技术，旨在优化资源利用和满足用户需求。
本文将对移动边缘计算环境中的任务迁移与资源调度进行详细探讨。
任务迁移是指将正在执行的任务从一个边缘节点迁移到另一个边缘节点的过程。
任务迁移可以发生在多种情况下，例如边缘节点负载过高、网络拓扑变动或设备移动等。
任务迁移的目的是通过合理的资源分配和任务调度，使得各边缘节点的负载均衡，并提高系统的整体性能。
任务迁移的过程需要考虑多个因素。
首先，需要根据任务的特性和资源状态评估任务的迁移成本。
这些成本包括数据传输的网络延迟、任务的执行时间和数据传输的带宽消耗。
其次，任务迁移需要考虑边缘节点的负载情况和资源可用性。
如果目标节点的负载过高或资源不足，可能会导致任务执行延迟增加。
因此，任务迁移的策略应该综合考虑任务的迁移成本和目标节点的资源状况，以达到最优的迁移效果。
资源调度是指根据边缘节点的负载情况和任务的需求分配资源的过程。
通过合理的资源调度，可以有效提高边缘节点的资源利用率和系统的整体性能。
然而，在移动边缘计算环境中，资源调度面临多个挑战。
首先，由于边缘节点的分布广泛和异构性，资源调度需要考虑节点之间的网络连接和带宽限制。
通过动态分配任务和资源，可以降低任务执行的时延，并减少资源浪费。
其次，资源调度需要考虑不同任务的优先级和执行需求。
一些任务可能对低延迟更加敏感，而另一些任务可能对高带宽更为关注。
通过分析任务的特性和用户需求，可以为每个任务分配合适的资源，以满足不同任务的需求。
最后，资源调度需要考虑边缘节点的能源消耗和电力限制。
由于边缘节点往往依赖于移动设备的电池供电，因此资源调度的策略应该考虑能源消耗的平衡。
通过合理的任务调度和资源分配，可以减少边缘节点的能源消耗，延长设备的续航时间。
边缘计算中的资源优化与分配
边缘计算中的资源优化与分配随着移动互联网的快速发展，各种智能设备的普及，以及物联网技术的横空出世，越来越多的数据被生成和传输。
这些海量数据需要进行处理和分析，而边缘计算技术的出现，成为解决这一难题的有效方式。
边缘计算将数据处理与数据存储靠近数据源的边缘节点上，大大减少了数据的传输时间和成本，提高了数据的实时性和安全性。
然而，边缘计算技术的实现涉及到资源的优化和分配问题，这也是边缘计算技术能否发挥其最大作用的关键。
一、边缘计算中的资源优化为了优化边缘计算的资源，需要考虑以下几个方面。
1. 硬件资源的优化边缘计算涉及到的硬件资源包括服务器、传感器、无线通信设备等。
针对不同的应用场景和数据规模，需要选择合适的硬件设备。
同时，为了提高硬件利用率，需要对硬件资源进行有效的管理和调度。
例如，采用虚拟化技术，将多个虚拟机部署在同一台物理机上，可以提高硬件资源的利用效率，减少能源消耗。
2. 网络资源的优化边缘计算的网络资源包括数据传输网络和通信网络。
数据传输网络需要保障数据的实时传输和可靠性，同时减少传输延迟；通信网络需要保障设备之间的通信质量和稳定性。
为了优化网络资源，需要进行网络计划和设计，提高网络带宽和网络传输速率，并采取适当的网络拓扑结构，提高网络的可扩展性和可靠性。
3. 软件资源的优化边缘计算涉及到的软件资源包括操作系统、数据库、虚拟化软件、编程语言等。
为了提高软件资源的利用率，需要采用开源软件和自主研发软件，对软件进行优化和定制化开发。
同时，采用容器化技术部署和管理软件，可以有效提高软件的运行效率和管理效率。
二、边缘计算中的资源分配资源分配是边缘计算中的一个核心问题，它涉及到数据处理的速度和数据分析的准确性。
1. 负载均衡负载均衡是边缘计算中的一个重要组成部分。
通过将数据分配到多个边缘设备上进行处理，可以实现负载均衡，提高数据处理的效率。
负载均衡的实现需要考虑到设备的性能、处理速度、网络带宽等因素。
移动边缘计算中的资源调度与优化算法研究
移动边缘计算中的资源调度与优化算法研究移动边缘计算是一种将计算资源靠近终端设备的新兴技术，其通过在网络的边缘部署服务器、存储和计算资源，可以实现低延迟、高带宽的服务。
然而，在大规模的移动边缘计算环境中，如何合理地调度和优化资源成为了一个重要问题。
本文将就移动边缘计算中的资源调度与优化算法进行研究，希望为这一领域的发展做出一定的贡献。
一、背景介绍移动边缘计算的出现主要解决了云计算存在的延迟和带宽不足的问题。
移动边缘计算将计算资源下沉到靠近用户的地方，有效地减少了数据传输的开销，提高了服务的响应速度。
然而，由于移动边缘计算环境的复杂性和资源有限性，如何调度和优化这些资源成为了亟待解决的难题。
二、资源调度算法资源调度算法是移动边缘计算中的关键技术之一。
其主要目标是根据任务的特点和资源的可用性，将任务分配到合适的边缘节点上，以实现资源的高效利用和任务的低延迟。
1. 负载均衡算法：负载均衡算法是资源调度领域中的经典算法之一。
该算法通过动态地将任务分配到不同的边缘节点上，实现资源的均衡分配。
其中，一些常用的负载均衡算法包括最小连接数算法、加权轮询算法和最短队列算法等。
2. 基于机器学习的算法：随着机器学习的发展，越来越多的研究者开始将机器学习算法应用于资源调度中。
通过分析历史数据和实时监测数据，机器学习算法可以自动学习边缘节点的负载情况和任务的特征，从而更好地调度资源。
三、资源优化算法资源优化算法是指在资源调度的基础上，进一步优化资源的利用率和性能。
在移动边缘计算环境中，由于节点数量庞大、带宽受限等因素，资源的优化成为了一个非常具有挑战性的问题。
1. 能耗优化算法：能耗优化是移动边缘计算中的一大关键问题。
在资源调度过程中，需要考虑到不同边缘节点的能耗特征，并通过相应的算法实现对能耗的优化，从而降低运行成本。
2. 高性能计算算法：在某些应用场景下，用户对计算性能的要求较高，因此需要将任务分配给计算性能较强的边缘节点。
移动边缘计算环境中的任务卸载与资源分配研究
移动边缘计算环境中的任务卸载与资源分配研究移动边缘计算（Mobile Edge Computing, MEC）是一种新型的计算模式，通过将计算、存储和网络资源移到离终端用户更近的边缘设备中，为用户提供更低延迟和更高带宽的服务。
在这个环境中，任务卸载和资源分配是两个重要的研究方向。
任务卸载是指将终端设备上的计算任务卸载到边缘服务器进行处理。
这样做的好处是可以减轻终端设备的计算负担，提升用户体验。
对于一些计算密集型的任务，边缘服务器通常具有更强大的计算能力，能够更快地完成任务并返回结果。
同时，卸载任务还可以节省终端设备上的能量消耗，延长终端设备的电池寿命。
因此，任务卸载是提高移动边缘计算系统性能的有效方法。
在进行任务卸载时，如何选择合适的卸载策略是一个关键问题。
常见的策略包括基于能量消耗的动态卸载策略、基于网络负载的动态卸载策略和基于任务特性的动态卸载策略等。
基于能量消耗的策略通过评估终端设备和边缘服务器之间的传输能量消耗，选择能耗较低的设备进行卸载。
基于网络负载的策略通过评估边缘服务器的负载情况，选择负载较低的服务器进行卸载。
基于任务特性的策略通过评估任务的计算需求和传输需求，选择最适合任务特性的服务器进行卸载。
这些策略可以根据具体的应用场景进行调整和组合，以达到最优的卸载效果。
资源分配是指将边缘服务器上的计算、存储和网络资源合理地分配给任务进行处理。
在移动边缘计算环境中，由于边缘服务器的资源有限，在进行资源分配时需要考虑多个因素，如任务的优先级、资源的可用性和网络的带宽等。
一个好的资源分配策略可以提高系统的资源利用率，降低任务处理时间，提升用户体验。
常见的资源分配策略包括基于任务优先级的动态资源分配策略、基于负载均衡的动态资源分配策略和基于网络带宽的动态资源分配策略等。
基于任务优先级的策略通过评估任务的重要性和紧急程度，将资源优先分配给重要任务或紧急任务。
基于负载均衡的策略通过监测边缘服务器的负载情况，将任务分配给负载较低的服务器，实现负载均衡。
如何优化边缘计算技术的任务调度与资源分配
如何优化边缘计算技术的任务调度与资源分配边缘计算技术是一种将计算资源靠近数据产生源头的技术，可以实现数据的快速处理和低延迟响应。
在边缘计算系统中，任务调度与资源分配是关键的环节，直接影响着系统的性能与效率。
因此，优化边缘计算技术的任务调度与资源分配对于提升系统的整体性能具有重要意义。
本文将探讨如何优化边缘计算技术的任务调度与资源分配。
首先，针对边缘设备的异构性，优化任务调度是至关重要的一步。
在边缘计算系统中，边缘设备的计算能力、存储容量和网络带宽都有所不同。
因此，将任务合理地调度到适应其计算能力和资源的设备上，可以最大程度地提高系统的性能。
一种可行的优化策略是使用智能调度算法。
这些算法能够根据边缘设备的资源状态和任务的需求，动态地将任务分配给合适的设备，实现负载均衡和资源最优利用。
常见的智能调度算法包括遗传算法、粒子群算法和模拟退火算法等。
通过这些算法的应用，可以有效地优化任务调度，提高系统的整体性能。
其次，资源分配是另一个需要优化的关键因素。
在边缘计算系统中，资源的分配与任务的调度密切相关，合理的资源分配可以使得任务能够在边缘设备上得到充分利用，提高系统的运行效率。
一种常见的资源分配优化方法是基于分布式机制的资源协同调度。
这种方法将边缘设备看作是一个分布式的计算系统，通过协同调度实现资源的共享与分配。
例如，基于虚拟化技术的资源分配方法可以将边缘设备的资源进行抽象，形成一个资源池，再根据任务的需求和设备的状态，动态地将资源分配给任务。
这种方法可以最大限度地提高资源的利用效率，提升系统的整体性能。
此外，在资源分配过程中，考虑到边缘设备的能量消耗也是一项重要的优化因素。
边缘设备通常具有有限的电池寿命，因此在资源分配过程中，需要合理地平衡设备的能耗与任务的需求。
通过动态调整资源分配策略，可以将任务合理地分配到具有更低能量消耗的设备上，实现能量的节约与优化。
另外，边缘计算系统的安全性也是需要考虑与优化的方面。
如何解决边缘计算系统的资源管理与优化问题
如何解决边缘计算系统的资源管理与优化问题边缘计算系统的出现为处理物联网设备海量数据提供了一种有效的解决方案，但其资源管理和优化问题也随之而来。
如何解决边缘计算系统的资源管理与优化问题成为亟待研究的重要课题。
本文将从资源分配、任务调度和能耗优化三个方面探讨解决这一问题的方法。
首先，资源分配是边缘计算系统中关键的一环。
在边缘计算系统中，资源包括计算资源、存储资源和网络带宽资源等。
为了有效利用这些资源，必须进行合理的资源分配。
一种常用的方法是根据任务的要求和资源的可用性进行资源匹配，将任务分配给具备相应资源的边缘节点。
此外，还可以采用资源虚拟化技术将物理资源划分为多个虚拟资源，以更好地满足任务的需求。
其次，任务调度是解决边缘计算系统资源管理问题的另一个重要方面。
边缘计算系统中存在大量的任务需要在不同的边缘节点上执行，而任务调度的目标是在满足任务时间限制的前提下，最大化系统的性能和资源利用率。
为了实现这一目标，可以采用合适的调度策略，如最短作业优先、遗传算法等。
此外，任务调度还可以结合机器学习技术，通过学习任务执行的特征和边缘节点的负载状况，实现更智能化的任务调度。
最后，边缘计算系统的能耗优化也是解决资源管理与优化问题的重要方面。
边缘节点通常由电池供电，并且往往分布在各个地理位置上，因此能耗优化对于保证系统的长期稳定运行至关重要。
可以通过以下方式进行能耗优化：首先，采用节能的硬件设备，如低功耗处理器、智能传感器等，降低节点的能耗；其次，合理规划节点的部署，尽量使距离任务产生地点近的节点执行任务，减少能耗；最后，结合任务调度和资源分配的优化方法，调整任务的执行顺序和分配策略，以降低能耗。
总之，边缘计算系统的资源管理与优化问题是一个具有挑战性的课题。
在这个问题上，我们可以从资源分配、任务调度和能耗优化三个方面入手。
通过合理地分配资源、智能地调度任务和优化能耗，我们可以更好地满足边缘计算系统的需求，提高系统的性能和资源利用率。
如何优化边缘计算技术中的任务调度与资源分配算法
如何优化边缘计算技术中的任务调度与资源分配算法边缘计算技术是一种基于云计算和物联网的新型计算模式，它将计算和存储资源分布到离终端设备更近的边缘节点上，以提供更低的延迟和更高的带宽。
然而，边缘计算的有效实施需要解决任务调度和资源分配的挑战。
本文将探讨如何优化边缘计算技术中的任务调度与资源分配算法。
在边缘计算中，任务调度是指将任务分配给可用的边缘节点，以便在满足软硬件资源约束的前提下，实现任务的高效执行。
为了优化任务调度，以下几个关键因素需要考虑：首先，任务与边缘节点的匹配度。
边缘节点具有不同的处理能力、存储容量和网络带宽。
任务调度算法应该考虑任务的计算量、存储需求和通信需求，以选择最佳的边缘节点来执行任务。
可以采用基于机器学习的算法，通过历史数据分析和预测，为任务选择最合适的边缘节点。
其次，任务的时效性要求。
某些任务可能对延迟敏感，需要在有限的时间内完成。
任务调度算法应该考虑边缘节点的负载和网络状况，以选择最短延迟的节点来执行任务。
可以采用动态规划和贪心算法等方法，在满足资源约束的前提下，优化任务的执行时间。
另外，任务的安全性也是一个重要因素。
一些任务可能包含敏感数据，需要在可信任的边缘节点上执行。
任务调度算法应该考虑边缘节点的安全性能和隐私保护能力，以选择可靠和安全的节点来执行任务。
可以采用基于加密和隐私保护的算法，在保护数据安全的同时实现任务的高效执行。
除了任务调度，边缘计算中的资源分配也是一个关键问题。
资源分配涉及将计算、存储和网络资源分配给不同的边缘节点，以满足任务的执行需求。
为了优化资源分配，以下几个方面需要考虑：首先，边缘节点的资源管理。
每个边缘节点都有一定的计算和存储资源，任务调度算法应该综合考虑所有边缘节点的资源情况，以平衡资源的利用和负载的均衡。
可以采用动态资源分配策略，根据任务的执行情况和节点的负载情况，动态调整资源分配。
其次，任务的资源需求。
不同任务对计算和存储资源的需求不同，任务调度算法应该根据任务的特点，合理分配资源。
移动边缘计算中的任务拓扑与资源分配优化研究
移动边缘计算中的任务拓扑与资源分配优化研究移动边缘计算（Mobile Edge Computing，MEC）作为一种新兴的计算模式，旨在将计算和存储功能移至网络边缘，以满足用户对实时和高带宽应用的需求。
然而，由于边缘设备资源有限，任务拓扑与资源分配的优化研究显得尤为重要。
本文将探讨移动边缘计算中任务拓扑与资源分配的优化问题，并提出相应的解决方案。
一、任务拓扑的优化研究任务拓扑是指任务在网络边缘中的组织结构，影响着任务的执行效率和资源利用率。
在移动边缘计算中，将任务拓扑优化为连续或离散的结构是关键问题之一。
1. 连续结构优化连续结构优化是指将任务划分为多个部分，并在网络边缘设备之间进行协同处理。
为了实现连续结构优化，需要考虑任务分配、任务传输和协同处理的算法设计。
任务分配算法可以根据任务的类型、大小和紧急程度等因素进行决策。
一种常见的方法是将任务分配给与任务的要求最匹配的边缘设备，以提高任务执行效率和用户满意度。
任务传输是指将任务从一个边缘设备传输到另一个边缘设备的过程。
传输过程需要考虑带宽和延迟等因素，以确保任务的快速传送和及时执行。
可以采用动态带宽分配和任务优先级调度等技术来改善传输效果。
协同处理是指多个边缘设备共同处理一个任务的过程。
为了实现高效的协同处理，需要设计合理的任务分配策略和任务协同调度算法，以充分利用边缘设备的计算能力和存储资源，提高任务执行效率。
2. 离散结构优化离散结构优化是指任务按照特定的拓扑关系在边缘设备上执行。
为了实现离散结构优化，需要考虑任务划分、任务调度和拓扑结构配置等问题。
任务划分是将一个大任务划分为多个子任务，并分别在不同的边缘设备上执行。
划分过程需要考虑任务的依赖关系、任务之间的通信开销和边缘设备的计算能力等因素，从而实现任务执行的最小化。
任务调度是指将划分好的任务分配给合适的边缘设备，并按照一定的拓扑关系进行调度。
调度过程需要考虑任务的执行时间、边缘设备的负载和通信延迟等因素，以实现任务执行效率的最大化。
优化边缘计算环境中的任务调度与资源分配方法
优化边缘计算环境中的任务调度与资源分配方法边缘计算作为一种新兴的计算模式，将计算和数据处理功能移到距离终端设备更近的边缘节点上，以提高计算效率和降低延迟。
在边缘计算环境中，任务调度和资源分配是关键的技术问题，直接影响着系统的性能和用户体验。
因此，优化边缘计算环境中的任务调度与资源分配方法是一项具有挑战性的研究任务。
任务调度与资源分配在边缘计算环境中的主要目标是实现高效的计算资源利用、负载均衡和低延迟的任务响应。
为了达到这些目标，需要考虑以下几个方面。
首先，基于边缘节点的计算资源特点，可以采用资源感知的任务调度策略。
资源感知策略考虑边缘节点的计算能力、存储容量、网络带宽等因素，将任务分配到最适合的边缘节点上。
这样可以最大程度地利用边缘节点的计算资源，提高整个系统的计算效率。
其次，负载均衡是边缘计算中的关键问题。
由于边缘节点分布密集且资源有限，可能出现一些节点负载过高而一些节点空闲的情况。
为了达到负载均衡，可以采用基于任务迁移的调度策略。
当某个边缘节点负载过高时，可以将部分任务迁移至负载较低的节点上，以实现整体的负载均衡。
另外，低延迟的任务响应是边缘计算环境的重要特征之一。
边缘计算往往用于处理实时数据和应用，因此需要将任务快速分配给合适的边缘节点进行处理。
为了实现低延迟的任务响应，可以采用就近调度的策略，将任务分配给距离最近的边缘节点，以减少传输延迟和数据拷贝。
此外，边缘计算环境中可能存在不稳定的网络连接和节点故障等问题，因此需要具备容错能力的任务调度方案。
容错任务调度策略可以在节点故障或网络断开时自动将任务重新分配到可用节点上，以保证任务的连续性和可靠性。
最后，为了实现高效的任务调度和资源分配，可以结合机器学习和优化算法。
通过对边缘节点的历史数据进行分析和预测，可以建立起任务负载模型和资源利用模型，并基于这些模型进行任务调度和资源分配的决策，以实现高效的系统性能。
总之，优化边缘计算环境中的任务调度与资源分配方法是一项具有挑战性的研究任务。
移动边缘计算中的资源调度与优化方法研究
移动边缘计算中的资源调度与优化方法研究移动边缘计算是一种将计算和存储资源从传统的云计算中心延伸至靠近用户的边缘，以提供更低延迟和更快速的数据处理能力的技术。
其优势包括更少的数据传输、更高的处理速度以及更好的隐私保护。
然而，如何高效地调度和优化资源是移动边缘计算中的一个关键挑战。
本文将对移动边缘计算中的资源调度与优化方法进行研究。
资源调度是指将任务分配给合适的边缘计算节点以实现更快的计算和存储。
在资源调度中，有几个关键因素需要考虑。
首先是计算资源的利用率。
边缘计算节点通常是有限的，因此需要合理分配任务以最大化计算资源的利用。
其次是任务的响应时间。
由于边缘计算是为了减少数据传输延迟，因此任务需要被分配到距离用户更近的节点上，以减少响应时间。
还有一个因素是能耗。
边缘计算节点通常是基于电池供电，因此需要通过合理分配任务来降低能耗。
针对以上问题，研究者们提出了各种资源调度与优化方法。
一种常见的方法是基于混合整数规划的方法。
这种方法通过建立数学模型，将资源调度问题转化为一个优化问题，并通过求解该问题得到最优的资源调度方案。
然而，由于移动边缘计算中涉及的变量和约束条件较多，问题的复杂度较高。
因此，混合整数规划在实际应用中存在一定的困难。
除了混合整数规划，还有一些启发式算法被提出来解决资源调度问题。
启发式算法可以通过迭代的方式不断优化资源调度方案。
其中一种常见的启发式算法是贪婪算法。
贪婪算法是一种通过选择局部最优解来求得全局最优解的方法。
在资源调度中，贪婪算法可以通过选择响应时间最短的节点来分配任务，从而减少整体的响应时间。
虽然贪婪算法快速且简单，但是它无法保证得到全局最优解。
另外，机器学习算法也可以应用于移动边缘计算资源调度与优化中。
通过对大量的数据进行训练和学习，机器学习算法可以发现任务调度的模式和规律，并根据这些规律来优化资源分配方案。
例如，可以使用监督学习算法来预测不同任务在不同边缘计算节点上的执行时间，然后根据预测结果进行任务分配。
移动边缘计算中的资源调度与优化
移动边缘计算中的资源调度与优化移动边缘计算（Mobile Edge Computing, MEC）作为一种新兴的计算模式，将计算和存储资源移近到网络边缘的基站等设备上，为用户提供低延迟、高带宽的计算服务。
然而，由于边缘设备资源有限，如何进行有效的资源调度与优化成为了研究的热点之一。
1. 资源调度的背景与挑战移动边缘计算环境中存在大量的移动设备和边缘服务器，资源调度的目标是合理分配这些资源，以满足用户的计算需求，并提高系统的性能。
然而，资源调度面临着以下挑战：1.1 资源约束：边缘设备的计算、存储和网络资源有限。
合理调度这些资源是保证系统高效运行的关键。
1.2 实时性要求：移动边缘计算场景下，用户对计算服务的实时性要求较高。
因此，资源调度需要保证在短时间内完成，同时满足用户的延迟要求。
1.3 能效优化：在移动边缘计算中，能效问题一直备受关注。
合理调度资源可以减少能耗，提高能源利用效率。
2. 资源调度与优化的方法2.1 基于传统算法的资源调度基于传统算法的资源调度方法主要包括最佳适应算法、最坏适应算法、先进先出算法等。
这些算法在资源分配方面经验丰富，但对于实时性和能效优化方面存在一定的局限性。
2.2 基于机器学习的资源调度机器学习在资源调度与优化中已经取得了一定的成果。
通过利用大数据分析，结合机器学习算法，可以对移动边缘计算场景下的资源需求和用户行为进行预测，并优化资源调度策略。
2.3 基于博弈论的资源调度博弈论在资源调度的研究中也被广泛应用。
通过建立资源调度的博弈模型，可以实现资源的合理分配和优化。
博弈论的方法可以考虑到不同用户和设备之间的利益关系，从而达到整体最优的资源调度。
3. 资源调度与优化的挑战与展望3.1 挑战虽然已经有了一些资源调度与优化的方法和算法，但是在实际应用中仍然存在一些挑战：3.1.1 资源预测的不确定性：移动边缘计算中的用户行为和资源需求存在不确定性，因此资源调度策略需要具备一定的适应性和鲁棒性。
移动边缘计算中的资源分配与调度算法研究
移动边缘计算中的资源分配与调度算法研究移动边缘计算（Mobile Edge Computing，MEC）作为一种新的计算架构，为移动设备提供了更快的计算和存储能力，同时减少了网络延迟。
在移动边缘计算环境下，资源分配与调度算法的研究成为了一个非常重要的课题。
首先，我们需要了解资源分配与调度算法在移动边缘计算中的作用。
移动边缘计算将计算能力从云端延伸到了网络边缘，使得移动设备能够更好地处理数据和运行复杂的应用程序。
而资源分配与调度算法就是根据不同的应用场景和用户需求，将计算、存储和网络资源合理地分配给不同的终端设备。
这样能够实现计算任务的快速响应和资源的最优利用。
在资源分配与调度算法的研究中，一个重要的问题是任务的分配。
传统的资源分配算法主要关注任务的性能优化，例如最小化任务完成时间或最大化系统容量。
然而，在移动边缘计算中，由于终端设备的不确定性和移动性，任务的快速响应和实时性也成为了重要的考虑因素。
因此，新的算法需要同时考虑任务的性能和实时性，以满足用户对任务响应时间的要求。
另一个问题是资源的调度。
资源调度算法需要综合考虑终端设备的负载情况、网络状况和用户需求，将任务合理地分配给不同的设备。
在移动边缘计算中，设备之间的通信延迟较低，因此可以采用级联式的调度策略。
即一个设备可以将任务分成多个子任务，并将子任务分别派发给其他设备进行处理。
这样能够降低任务的完成时间并提高系统的容量。
此外，资源分配与调度算法还需要考虑设备之间的协作问题。
在移动边缘计算中，终端设备通常处于不同的地理位置，因此具有不同的资源和网络条件。
为了更好地利用这些资源，设备之间需要进行协作。
例如，一个设备可以将自身的计算资源共享给其他设备，以减轻其他设备的负载。
这样能够实现资源的共享和任务的协同处理，提高整个系统的性能。
综上所述，资源分配与调度算法在移动边缘计算中具有重要的意义。
通过合理地分配和调度计算、存储和网络资源，可以实现任务的快速响应和资源的最优利用。
面向移动边缘计算的联合计算卸载和资源分配策略研究
面向移动边缘计算的联合计算卸载和资源分配策略研究作者：黄冬晴俞黎阳陈珏魏同权来源：《华东师范大学学报（自然科学版）》2021年第06期摘要：隨着无人驾驶、在线游戏、虚拟现实等低延迟应用的大量涌现，传统集中式的移动云计算范式越来越难以满足此类用户服务质量的需求.为弥补云计算的不足，移动边缘计算应运而生.移动边缘计算通过计算卸载，将计算任务迁移到网络边缘服务器来为用户提供计算和存储资源.然而，现有大部分工作仅考虑了延迟或能耗的单目标性能优化，未考虑延迟和能耗的均衡优化.为减少任务延迟和设备能耗，提出了一种面向多用户的联合计算卸载和资源分配策略.该策略首先利用拉格朗日乘子法获得给定卸载决策的最佳计算资源分配;然后，提出一个基于贪心算法的计算卸载算法获得最佳卸载决策;最后，通过不断迭代得到最终解.实验结果表明，与基准算法相比，所提算法最高可以降低40%的系统成本.关键词：移动边缘计算;计算卸载;资源分配;拉格朗日乘子法;贪心算法中图分类号：TP391文献标志码：ADOI：10.3969/j.issn.l000-5641.2021.06.010Research on joint computation offloading and resource allocation strategy for mobile edge computingHUANG Dongqing1，YU Liyang1，CHEN Jue2，WEI Tongquan1（1. School of Computer Science and Technology. East China Normal University，Shanghai 200062. China;2. School of Electronic and Electrical Engineering. Shanghai University of Engineering Science，Shanghai 201620，China）Abstract：With the emergence of low-latency applications such as driverless cars，online gaming，and virtual reality，it is becoming increasingly difficult to meet users7 demands for service quality using the traditional centralized mobile cloud computing model. In order to make up for the shortages of cloud computing，mobile edge computing came into being，which provides users with computing and storage resources by migrating computing tasks to network edge servers through computation offloading. However，most of the existing work processes only consider single-objective performance optimization of delay or energy consumption，and do not consider the balanced optimization of delay and energy consumption. Therefore，in order to reduce task delay and equipment energy consumption，a multi-user joint computation offloading and resource allocation strategy is proposed. In this strategy，the Lagrange multiplier method is used to obtain the optimal allocation of computing resources for a given offloading decision. Then，a computation offloading algorithm based on a greedy algorithm is proposed to obtain the optimal offloading decision：thefinal solution is obtained through continuous iteration. Experimental results show that，compared with the benchmark algorithm，the proposed algorithm can reduce system costs by up to 40%.Keywords：mobile edge computing;computation offloading;resource allocation;Lagrange multiplier method;greedy algorithm0引言随着移动互联网和5G通信技术[1]的不断发展，移动设备上需要处理越来越多的延迟敏感性应用，例如无人驾驶、在线游戏、虚拟现实和增强现实等[2].但是，由于计算和存储资源的限制，移动设备运行这些应用会造成很高的延迟和能耗.为解决该问题，移动云计算（Mobile Cloud Computing，MCC）诞生了，它将用户部分计算任务通过上行链路卸载到云端服务器，减少了任务的执行时间.然而在传统MCC中，集中式部署的云服务器与移动设备距离较远，两者数据传输过程中会占用大量网络带宽导致网络拥塞，从而增加了通信延迟和能量消耗.因此，传统的MCC范式越来越难以满足用户服务质量的需求.针对MCC中存在的问题，欧洲标准协会提出了移动边缘计算（Mobile Edge Computing，MEC）[3].在MEC系统中，具有计算和存储资源的边缘服务器被部署在更靠近用户的网络边缘，移动设备便能以更低的通信延迟进行任务卸载.MEC的优势包括低延迟、可靠的服务交付、高效的网络运营等.随着移动用户数目的增加，边缘服务器因其计算资源受限而影响了任务执行延迟和能耗.因此，计算卸载和资源分配策略成为实现系统高效卸载的关键.针对多用户MEC系统资源受限的场景，有些学者关注最大程度减少任务时延：Zhang等[4]研究了基于时分多址的MEC系统中计算和通信资源分配问题，设计了一个次梯度算法以最大程度减少设备延迟;Alam等[5]提出了一种基于深度Q学习的自主计算卸载框架，用于处理系统中资源分配和移动性问题;Paymard等[6]提出了一种高效可感知传输的任务调度和资源分配算法，联合优化上行/下行子载波、传输功率、计算资源分配及任务调度;Liu等[7]考虑任务随机性和计算强度，设计了一个卸载框架，并通过分析边缘服务器排队模型提出了基于Lyapunov优化的动态资源分配算法.这些工作通常针对时延敏感型应用，虽然都在一定程度上实现以极低的延迟进行任务卸载，但是忽略了系统中设备的能量消耗.此外，有学者重点关注进一步节省系统中设备的能量消耗，以最大程度延长系统设备的使用寿命：Guo等[8]考虑到高干扰、多路访问和有限资源，设计了一种基于遗传算法的次优卸载算法，以实现卸载决策、无线和计算资源分配的联合优化;Li等[9]基于Lyapunov优化框架，提出了一种在线能耗最小化的卸载算法，来实现最佳能量和数据传输时间分配、任务卸载比例、传输功率以及设备计算频率;Qian等[10]通过共同优化资源分配和连续干扰消除排序来减少能耗，即先基于Karush-Kuhn-Tucher （KKT）条件和梯度下降法获得最佳的传输功率和计算资源分配，然后提出基于禁忌搜索的排序算法;Zeng等[11]针对单小区中正交多址和非正交多址场景提出了近似最优的解决方案，以实现传输功率和计算资源最佳联合分配，同时也证明了非正交多址优于正交多址方案.这些工作通常针对能量消耗型應用，一般都是在满足任务计算时延约束下最大程度降低系统的能耗，但是以增加计算时延的开销为代价.以上研究工作都倾向于从延迟或能耗单目标性能进行系统优化，未实现系统延迟和能耗的均衡优化.在某些情况下，本文希望用更少的时间及更低的能耗完成系统所有计算任务，从而让服务器可以更早地完成计算任务，为更多的用户提供服务，同时延长系统寿命.因此，本文在考虑MEC系统场景下任务卸载中延迟和能耗两个因素之间的权衡的基础上，提出了一种面向多用户的联合计算卸载和资源分配策略.本文主要贡献概述如下.（1）考虑多用户单小区MEC系统场景，建立了本地计算模型和移动边缘计算模型.每个任务计算成本被表述为时延和能耗加权和，在有限的信道和计算资源约束下，优化问题被建模为一个混合整数非线性规划（Mixed Integer Nonlinear Programming，MINILP）问题.（2）提出了一种面向多用户的联合计算卸载和资源分配策略.针对资源分配子问题，采用拉格朗日乘子法获得最佳计算资源分配.针对计算卸载子问题，提出一种基于贪心算法的计算卸载算法.最后，通过不断迭代获得最优卸载决策和计算资源分配.（3）通过仿真实验，验证了本文所提算法的有效性.与本地执行算法、全卸载算法、分支定界算法以及带汉明距离终止的动态规划卸载算法进行比较，本文所提算法优于其他算法，且系统成本最高可以降低40%.1系统架构和计算模型在本章中，首先对系统架构进行详细介绍，然后给出任务计算模型，包括本地计算和移动边缘计算.1.1系统架构如图1所示，考虑1个多用户单小区MEC系统，有N个移动设备（Mobile Device，MD），每个移动设备都被视为用户，用户通过无线信道的方式连接附近基站（Base Station，BS）.假设在某一时刻每个用户仅产生1个计算任务，对于第i（i=1，2，…，N）个移动设备，定义表示其计算任务要求，其中B i表示计算任务的数据大小，即移动设备传输到边缘服务器的数据量，包括系统设置、程序代码和输入参数;C i表示任务所需的计算资源量，即完成计算任务需要的CPU周期数.电信运营商在基站附近部署有MEC服务器，其具有一定的存储容量和计算能力，可以存储用户的输入任务并提供计算服务.表1总结了本文所使用的关键符号及其含义.由于MEC服务器为多个移动用户提供服务，计算任务可以选择卸载到MEC服务器或本地设备执行.定义用户i的二进制卸载决策变量为a i∈{0，1}，其中a i=1表示其计算任务将决定通过无线信道卸载到MEC服务器，a i=0表示任务在本地设备上进行计算.因此，A= {a1，a2，…，a N}为所有用户卸载决策集合.对于小区中不同用户传输，采用正交频分多址方案.整个频谱被均匀的划分为K个子信道，将每个任务分配给1个子信道，确保用户上行链路传输信道的正交性.定义B为无线信道的系统带宽，W为用户带宽.因此，BS最多可以服务的用户数为每个移动用户通过正交频分复用信道接入小区基站，根据香农公式可知，移动用户i的上行链路传输速率为其中，为信噪比，p i表示用户i的传输功率，g i表示用户i与BS之间的信道增益，σ2为高斯信道噪声的方差.针对MCC中存在的问题，欧洲标准协会提出了移动边缘计算（Mobile Edge Computing，MEC）[3].在MEC系统中，具有计算和存储资源的边缘服务器被部署在更靠近用户的网络边缘，移动设备便能以更低的通信延迟进行任务卸载.MEC的优势包括低延迟、可靠的服务交付、高效的网络运营等.随着移动用户数目的增加，边缘服务器因其计算资源受限而影响了任务执行延迟和能耗.因此，計算卸载和资源分配策略成为实现系统高效卸载的关键.针对多用户MEC系统资源受限的场景，有些学者关注最大程度减少任务时延：Zhang等[4]研究了基于时分多址的MEC系统中计算和通信资源分配问题，设计了一个次梯度算法以最大程度减少设备延迟;Alam等[5]提出了一种基于深度Q学习的自主计算卸载框架，用于处理系统中资源分配和移动性问题;Paymard等[6]提出了一种高效可感知传输的任务调度和资源分配算法，联合优化上行/下行子载波、传输功率、计算资源分配及任务调度;Liu等[7]考虑任务随机性和计算强度，设计了一个卸载框架，并通过分析边缘服务器排队模型提出了基于Lyapunov优化的动态资源分配算法.这些工作通常针对时延敏感型应用，虽然都在一定程度上实现以极低的延迟进行任务卸载，但是忽略了系统中设备的能量消耗.此外，有学者重点关注进一步节省系统中设备的能量消耗，以最大程度延长系统设备的使用寿命：Guo等[8]考虑到高干扰、多路访问和有限资源，设计了一种基于遗传算法的次优卸载算法，以实现卸载决策、无线和计算资源分配的联合优化;Li等[9]基于Lyapunov优化框架，提出了一种在线能耗最小化的卸载算法，来实现最佳能量和数据传输时间分配、任务卸载比例、传输功率以及设备计算频率;Qian等[10]通过共同优化资源分配和连续干扰消除排序来减少能耗，即先基于Karush-Kuhn-Tucher （KKT）条件和梯度下降法获得最佳的传输功率和计算资源分配，然后提出基于禁忌搜索的排序算法;Zeng等[11]针对单小区中正交多址和非正交多址场景提出了近似最优的解决方案，以实现传输功率和计算资源最佳联合分配，同时也证明了非正交多址优于正交多址方案.这些工作通常针对能量消耗型应用，一般都是在满足任务计算时延约束下最大程度降低系统的能耗，但是以增加计算时延的开销为代价.以上研究工作都倾向于从延迟或能耗单目标性能进行系统优化，未实现系统延迟和能耗的均衡优化.在某些情况下，本文希望用更少的时间及更低的能耗完成系统所有计算任务，从而让服务器可以更早地完成计算任务，为更多的用户提供服务，同时延长系统寿命.因此，本文在考虑MEC系统场景下任务卸载中延迟和能耗两个因素之间的权衡的基础上，提出了一种面向多用户的联合计算卸载和资源分配策略.本文主要贡献概述如下.（1）考虑多用户单小区MEC系统场景，建立了本地计算模型和移动边缘计算模型.每个任务计算成本被表述为时延和能耗加权和，在有限的信道和计算资源约束下，优化问题被建模为一个混合整数非线性规划（Mixed Integer Nonlinear Programming，MINILP）问题.（2）提出了一种面向多用户的联合计算卸载和资源分配策略.针对资源分配子问题，采用拉格朗日乘子法获得最佳计算资源分配.针对计算卸载子问题，提出一种基于贪心算法的计算卸载算法.最后，通过不断迭代获得最优卸载决策和计算资源分配.（3）通过仿真实验，验证了本文所提算法的有效性.与本地执行算法、全卸载算法、分支定界算法以及带汉明距离终止的动态规划卸载算法进行比较，本文所提算法优于其他算法，且系统成本最高可以降低40%.1系统架构和计算模型在本章中，首先对系统架构进行详细介绍，然后给出任务计算模型，包括本地计算和移动边缘计算.1.1系统架构如图1所示，考虑1个多用户单小区MEC系统，有N个移动设备（Mobile Device，MD），每个移动设备都被视为用户，用户通过无线信道的方式连接附近基站（Base Station，BS）.假设在某一时刻每个用户仅产生1个计算任务，对于第i（i=1，2，…，N）个移动设备，定义表示其计算任务要求，其中B i表示计算任务的数据大小，即移动设备传输到边缘服务器的数据量，包括系统设置、程序代码和输入参数;C i表示任务所需的计算资源量，即完成计算任务需要的CPU周期数.电信运营商在基站附近部署有MEC服务器，其具有一定的存储容量和计算能力，可以存储用户的输入任务并提供计算服务.表1总结了本文所使用的关键符号及其含义.由于MEC服务器为多个移动用户提供服务，计算任务可以选择卸载到MEC服务器或本地设备执行.定义用户i的二进制卸载决策变量为a i∈{0，1}，其中a i=1表示其计算任务将决定通过无线信道卸载到MEC服务器，a i=0表示任务在本地设备上进行计算.因此，A= {a1，a2，…，a N}为所有用户卸载决策集合.对于小区中不同用户传输，采用正交频分多址方案.整个频谱被均匀的划分为K个子信道，将每个任务分配给1个子信道，确保用户上行链路传输信道的正交性.定义B为无线信道的系统带宽，W为用户带宽.因此，BS最多可以服务的用户数为每个移动用户通过正交频分复用信道接入小区基站，根据香农公式可知，移动用户i的上行链路传输速率为其中，为信噪比，p i表示用户i的传输功率，g i表示用户i与BS之间的信道增益，σ2为高斯信道噪声的方差.针对MCC中存在的问题，欧洲标准协会提出了移动边缘计算（Mobile Edge Computing，MEC）[3].在MEC系统中，具有计算和存储资源的边缘服务器被部署在更靠近用户的网络边缘，移动设备便能以更低的通信延迟进行任务卸载.MEC的优势包括低延迟、可靠的服务交付、高效的网络运营等.随着移动用户数目的增加，边缘服务器因其计算资源受限而影响了任务执行延迟和能耗.因此，计算卸载和资源分配策略成为实现系统高效卸载的关键.针对多用户MEC系统资源受限的场景，有些学者关注最大程度减少任务时延：Zhang等[4]研究了基于时分多址的MEC系统中计算和通信资源分配问题，设计了一个次梯度算法以最大程度减少设备延迟;Alam等[5]提出了一种基于深度Q学习的自主计算卸载框架，用于处理系统中资源分配和移动性问题;Paymard等[6]提出了一种高效可感知传输的任务调度和资源分配算法，联合优化上行/下行子载波、传输功率、计算资源分配及任务调度;Liu等[7]考虑任务随机性和计算强度，设计了一个卸载框架，并通过分析边缘服务器排队模型提出了基于Lyapunov优化的动态资源分配算法.这些工作通常针对时延敏感型应用，虽然都在一定程度上实现以极低的延迟进行任务卸载，但是忽略了系统中设备的能量消耗.此外，有学者重点关注进一步节省系统中设备的能量消耗，以最大程度延长系统设备的使用寿命：Guo等[8]考虑到高干扰、多路访问和有限资源，设计了一种基于遗传算法的次优卸载算法，以实现卸载决策、无线和计算资源分配的联合优化;Li等[9]基于Lyapunov优化框架，提出了一种在线能耗最小化的卸载算法，来实现最佳能量和数据传输时间分配、任务卸载比例、传输功率以及设备计算频率;Qian等[10]通过共同优化资源分配和连续干扰消除排序来减少能耗，即先基于Karush-Kuhn-Tucher （KKT）条件和梯度下降法获得最佳的传输功率和计算资源分配，然后提出基于禁忌搜索的排序算法;Zeng等[11]针对单小区中正交多址和非正交多址场景提出了近似最优的解决方案，以实现传输功率和计算资源最佳联合分配，同时也证明了非正交多址优于正交多址方案.这些工作通常针对能量消耗型应用，一般都是在满足任务计算时延约束下最大程度降低系统的能耗，但是以增加计算时延的开销为代价.以上研究工作都倾向于从延迟或能耗单目标性能进行系统优化，未实现系统延迟和能耗的均衡优化.在某些情况下，本文希望用更少的时间及更低的能耗完成系统所有计算任务，从而让服务器可以更早地完成计算任务，为更多的用户提供服务，同时延长系统寿命.因此，本文在考虑MEC系统场景下任务卸载中延迟和能耗两个因素之间的权衡的基础上，提出了一种面向多用户的联合计算卸载和资源分配策略.本文主要贡献概述如下.（1）考虑多用户单小区MEC系统场景，建立了本地计算模型和移动边缘计算模型.每个任务计算成本被表述为时延和能耗加权和，在有限的信道和计算资源约束下，优化问题被建模为一个混合整数非线性规划（Mixed Integer Nonlinear Programming，MINILP）问题.（2）提出了一种面向多用户的联合计算卸载和资源分配策略.针对资源分配子问题，采用拉格朗日乘子法获得最佳计算资源分配.针对计算卸载子问题，提出一种基于贪心算法的计算卸载算法.最后，通过不断迭代获得最优卸载决策和计算资源分配.（3）通过仿真实验，验证了本文所提算法的有效性.与本地执行算法、全卸载算法、分支定界算法以及带汉明距离终止的动态规划卸载算法进行比较，本文所提算法优于其他算法，且系统成本最高可以降低40%.1系统架构和计算模型在本章中，首先对系统架构进行详细介绍，然后给出任务计算模型，包括本地计算和移动边缘计算.1.1系统架构如图1所示，考虑1个多用户单小区MEC系统，有N个移动设备（Mobile Device，MD），每个移动设备都被视为用户，用户通过无线信道的方式连接附近基站（Base Station，BS）.假设在某一时刻每个用户仅产生1个计算任务，对于第i（i=1，2，…，N）个移动设备，定义表示其计算任务要求，其中B i表示计算任务的数据大小，即移动设备传输到边缘服务器的数据量，包括系统设置、程序代码和输入参数;C i表示任务所需的计算资源量，即完成计算任务需要的CPU周期数.电信运营商在基站附近部署有MEC服务器，其具有一定的存储容量和计算能力，可以存储用户的输入任务并提供计算服务.表1总结了本文所使用的关键符号及其含义.由于MEC服务器为多个移动用户提供服务，计算任务可以选择卸载到MEC服务器或本地设备执行.定义用户i的二进制卸载决策变量為a i∈{0，1}，其中a i=1表示其计算任务将决定通过无线信道卸载到MEC服务器，a i=0表示任务在本地设备上进行计算.因此，A= {a1，a2，…，a N}为所有用户卸载决策集合.对于小区中不同用户传输，采用正交频分多址方案.整个频谱被均匀的划分为K个子信道，将每个任务分配给1个子信道，确保用户上行链路传输信道的正交性.定义B为无线信道的系统带宽，W为用户带宽.因此，BS最多可以服务的用户数为每个移动用户通过正交频分复用信道接入小区基站，根据香农公式可知，移动用户i的上行链路传输速率为其中，为信噪比，p i表示用户i的传输功率，g i表示用户i与BS之间的信道增益，σ2为高斯信道噪声的方差.针对MCC中存在的问题，欧洲标准协会提出了移动边缘计算（Mobile Edge Computing，MEC）[3].在MEC系统中，具有计算和存储资源的边缘服务器被部署在更靠近用户的网络边缘，移动设备便能以更低的通信延迟进行任务卸载.MEC的优势包括低延迟、可靠的服务交付、高效的网络运营等.随着移动用户数目的增加，边缘服务器因其计算资源受限而影响了任务执行延迟和能耗.因此，计算卸载和资源分配策略成为实现系统高效卸载的关键.针对多用户MEC系统资源受限的场景，有些学者关注最大程度减少任务时延：Zhang等[4]研究了基于时分多址的MEC系统中计算和通信资源分配问题，设计了一个次梯度算法以最大程度减少设备延迟;Alam等[5]提出了一种基于深度Q学习的自主计算卸载框架，用于处理系统中资源分配和移动性问题;Paymard等[6]提出了一种高效可感知传输的任务调度和资源分配算法，联合优化上行/下行子载波、傳输功率、计算资源分配及任务调度;Liu等[7]考虑任务随机性和计算强度，设计了一个卸载框架，并通过分析边缘服务器排队模型提出了基于Lyapunov优化的动态资源分配算法.这些工作通常针对时延敏感型应用，虽然都在一定程度上实现以极低的延迟进行任务卸载，但是忽略了系统中设备的能量消耗.此外，有学者重点关注进一步节省系统中设备的能量消耗，以最大程度延长系统设备的使用寿命：Guo等[8]考虑到高干扰、多路访问和有限资源，设计了一种基于遗传算法的次优卸载算法，以实现卸载决策、无线和计算资源分配的联合优化;Li等[9]基于Lyapunov优化框架，提出了一种在线能耗最小化的卸载算法，来实现最佳能量和数据传输时间分配、任务卸载比例、传输功率以及设备计算频率;Qian等[10]通过共同优化资源分配和连续干扰消除排序来减少能耗，即先基于Karush-Kuhn-Tucher （KKT）条件和梯度下降法获得最佳的传输功率和计算资源分配，然后提出基于禁忌搜索的排序算法;Zeng等[11]针对单小区中正交多址和非正交多址场景提出了近似最优的解决方案，以实现传输功率和计算资源最佳联合分配，同时也证明了非正交多址优于正交多址方案.这些工作通常针对能量消耗型应用，一般都是在满足任务计算时延约束下最大程度降低系统的能耗，但是以增加计算时延的开销为代价.以上研究工作都倾向于从延迟或能耗单目标性能进行系统优化，未实现系统延迟和能耗的均衡优化.在某些情况下，本文希望用更少的时间及更低的能耗完成系统所有计算任务，从而让服务器可以更早地完成计算任务，为更多的用户提供服务，同时延长系统寿命.因此，本文在考虑MEC系统场景下任务卸载中延迟和能耗两个因素之间的权衡的基础上，提出了一种面向多用户的联合计算卸载和资源分配策略.本文主要贡献概述如下.（1）考虑多用户单小区MEC系统场景，建立了本地计算模型和移动边缘计算模型.每个任务计算成本被表述为时延和能耗加权和，在有限的信道和计算资源约束下，优化问题被建模为一个混合整数非线性规划（Mixed Integer Nonlinear Programming，MINILP）问题.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910215945.8
(22)申请日 2019.03.21
(71)申请人 东南大学
地址 211189 江苏省南京市江宁区东南大
学路2号
(72)发明人 俞菲 景天琦 刘婷薇 陈伟聪
陈逸云 李蕊 黄永明 杨绿溪
(74)专利代理机构 南京苏高专利商标事务所
(普通合伙) 32204
代理人 孟红梅
(51)Int.Cl.
H04W 24/02(2009.01)
H04W 52/34(2009.01)
(54)发明名称
移动边缘计算中联合优化迁移决策和资源
分配方法
(57)摘要
本发明公开了一种移动边缘计算中联合优
化迁移决策和资源分配方法，该方法首先对迁移
决策和资源分配进行数学建模，构造最小化迁移
计算支出的优化问题。
该优化问题基于功率约
束、迁移总量约束和传输时延约束，实现迁移计
算量的优化设计，迁移计算支出为用户到各计算
节点的迁移传输耗能和耗时支出以及各计算节
点计算迁移数据的耗能和耗时支出之和。
然后通
过拉格朗日对偶定理求解各个子载波上最优发
射功率，接着采用惩罚函数法等多元线性规划求
解方法求解到各个边缘服务器的最优迁移数据
分配，最后迭代计算直至收敛，获得相应的到各
个计算节点的迁移数据量和各个子载波上的发
射功率大小。
本发明的迭代优化算法能有效收敛
且提高系统性能。
权利要求书3页 说明书9页 附图2页CN 109905888 A 2019.06.18
C N 109905888
A
1.移动边缘计算中联合优化迁移决策和资源分配方法，其特征在于，包括如下步骤：
(1)对迁移决策和资源分配的设计进行数学建模得到相应的优化问题，所述优化问题包括功率、迁移数据量和传输时延三组约束条件，功率约束为用户在各个子信道上分配的发射功率及总发射功率满足设定取值范围，迁移数据量约束为用户分配到各个计算节点的迁移数据量满足设定取值范围且迁移数据量之和等于总的迁移计算文件数据量，传输时延约束限制用户迁移数据到各个计算节点的传输时间不超过最大传输时延；所述优化问题的优化目标为最小化迁移计算支出，并获得相应的到各个计算节点的迁移数据量和各个子载波上的发射功率大小；所述迁移计算支出为用户到各计算节点的迁移传输耗能和耗时支出以及各计算节点计算迁移数据的耗能和耗时支出之和或加权之和；
(2)固定一组符合约束条件的到各个计算节点的迁移数据量的初始值，然后求解仅有在各个子载波上的发射功率为变量的迁移计算支出最小化的新问题；由新问题求解出各个子载波上的发射功率的分配情况，再将在各个子载波上的发射功率值固定，此时原问题中，各个计算节点的迁移数据量作为变量，又形成一个新问题并进行求解。
(3)将步骤(2)中获得的后一个优化问题的最优解作为迭代点，迭代求解获得原始优化问题的稳定解。
2.根据权利要求1所述的移动边缘计算中联合优化迁移决策和资源分配方法，其特征在于，所述步骤(2)中包括：
(2.1)设定一组符合约束条件的到各计算节点迁移数据量的初始值，将原联合非凸问题转化为各子载波发射功率的分式优化问题，并通过拉格朗日对偶条件将其转化为凸问题，从而得到各子载波发射功率的最优解；
(2.2)固定各子载波上的发射功率值，以各计算节点的迁移数据量为优化变量，求解多元线性规划问题，得到各个计算节点的迁移数据量的最优解。
3.根据权利要求1所述的移动边缘计算中联合优化迁移决策和资源分配方法，其特征在于，
用户在各个子信道上分配的发射功率的取值满足：
其中p n 为子载波n上分配的发送功率，P表示用户最大发射功率，
子载波集合记为
用户分配到各个计算节点的迁移数据量取值满足：
其中βk 为用户到计算节点k的迁移文件比特数，
D代表任务的大小，
计算节点的集合记为用户迁移数据到各个计算节点的传输时间取值满足：
权 利 要 求 书1/3页2CN 109905888 A。