移动云计算嵌套式两阶段博弈计算卸载算法_裘华东
多用户D2D计算卸载与资源分配算法
多用户D2D计算卸载与资源分配算法韩跃林;朱琦【期刊名称】《信号处理》【年(卷),期】2024(40)2【摘要】基于边缘服务器架构的移动计算卸载场景避免了核心网链路的网络延迟,在一定程度上提高了计算任务的处理效率,然而在移动用户密集分布的场景下,该计算卸载架构可能面临较高的蜂窝网络接入延迟。
为提高移动边缘计算的用户体验,本文在移动用户密集分布的场景下研究了基于D2D通信的多用户计算卸载问题。
根据是否具有任务处理需求将用户分为两类,定义拥有密集型计算任务需要处理的用户为需求用户,无任务需要处理且能够提供计算资源的用户为空闲用户。
需求用户可以将任务以整体的形式卸载至空闲用户进行辅助处理。
联合考虑需求用户与空闲用户在计算卸载中的收益,分别构建了各方的效用函数并形成了相应的优化问题。
为了提高各方用户的效用,本文提出了基于Stackelberg博弈与遗传算法相结合的计算卸载与资源分配算法,该算法为两层结构,内层基于Stackelberg博弈对需求用户计算资源租赁单价决策以及空闲用户计算资源分配决策进行优化,并证明了各方用户的策略存在唯一纳什均衡。
外层采用遗传算法对需求用户的任务卸载决策进行优化,根据内层算法的反馈结果,可以求解出能够有效提高需求用户效用的任务卸载决策。
为验证算法的性能,本文进行了大量的实验仿真工作,仿真结果表明,与其他方案相比,本文算法能够有效提高需求用户与空闲用户的效用。
同时,本文还对不同参数对算法有效性的影响进行了仿真分析。
【总页数】12页(P373-384)【作者】韩跃林;朱琦【作者单位】南京邮电大学江苏省无线通信重点实验室;南京邮电大学教育部泛在网络健康服务系统工程研究中心【正文语种】中文【中图分类】TN929.5【相关文献】1.无线充能边缘计算中最大化平均计算能力的任务卸载和资源分配算法2.基于深度强化学习的多用户边缘计算任务卸载调度与资源分配算法3.移动边缘计算中一种有效的计算资源分配和偏分任务卸载算法4.卫星边缘计算中任务卸载与资源分配联合优化算法5.车联网中面向依赖任务的联合计算卸载及资源分配算法因版权原因，仅展示原文概要，查看原文内容请购买。
移动设备自适应计算卸载研究
这里 ．客户 端将 任务 发送 给负责 执行 任务 的服务器 或服 务器 集 ， 然 后将 执行 后 的任 务返 回到 客 户端 。 如 果发 送参 数和 接收结 果所 需 的能量 小于本 地 执行 任 务所 需 的能量 ， 则节 省 了部分能 量 。另一 方 面 ， 如 果 卸载 时 间 和服 务 器执 行 时 间短 于 本地 执 行 时 间 ． 则 移动 应用 的性 能显然 得到 改善 。
２ ０ １ ７ 年第１ 期
ห้องสมุดไป่ตู้
技 术 交 流
移 动 设 备
图 １ 移 动 云计 算 的 ３层 架构
务提 供 商将 其 微 基础设 施 部署于 自身接 人点 的情 形 ． 移动川户 ｌ １ Ｊ ‘ 以通 过 陔接 入 ・ ＿来 访 问 端 、
尤缝 『 Ｉ 适 应 计 算 卸载 ， 如罔 ３所 永 陔 厅窠的 模块
２ ０ １ ７年 第 １期
郎为 民 ，安 海 燕 ，姚 晋 芳
（ 解放 军 国 防信 息 学院 ，湖北 省武 汉市 ４ ３ ０ ０ １ ０ ）
摘
要
通过 卸 载 。 移动 云 计 算 能够 节 省 处理 能 量 ， 这 是 最 大 限度 降低 功 耗 的 最有 效 方
法之一 。 自适 应计 算卸 载属 于局部 计算 卸栽 ， 它根 据特 定条件 ， 将 整 项任务 划分 成 更小 的
针对 各种 移动 云计算 应用 场景 提 出的解 决方 案
移 动 云 计 算 的 ３层 架 构 的 一般 情 形 如 图 １ 所 示 ，它 旨在 支持移 动节 点 的计 算卸 载 。在 这一 架构
中 ，由附近 资源有 限 的微云构 成 的 中间层 和 由资 源
基 金项 目： 国 家 自然 科 学基 金资 助项 目“ 节 能无 线认 知传 感器 网络 协 同频 谱 感 知 安 全 研 究” （ 编 号
车联网中基于移动边缘计算的多任务卸载方案
低时延
由于边缘计算节点靠近车辆，可以 减少任务处理的时延，提高响应速 度和实时性。
优化资源分配
多任务卸载可以更好地利用车载和 边缘计算资源，实现更优的资源分 配和利用效率。
增强安全性
通过将部分敏感数据或计算任务在 边缘节点处理，可以减少数据传输 和存储的风险，提高安全性。
方案不足
依赖于网络条件
该方案需要良好的网络连接条件，如果网 络不稳定或存在丢包等情况，会影响任务
任务重组与执行
根据任务的特性和车辆的资源状 况，动态切分任务为更小的子任 务。
设计高效的任务传输协议，确保 子任务在车辆与边缘服务器之间 的传输速度和可靠性。
在车辆侧重新组合卸载的子任务 ，并执行相应的任务，确保任务 的正确性和完整性。
04
模型实现与验证
仿真环境搭建
移动边缘计算（MEC）服务器
选择合适的硬件配置，如处理器、内存和存储等，以满足多任务 卸载和数据处理的需求。
06
结论与展望
研究成果总结
边缘计算技术的引入
车联网中基于移动边缘计算的多任 务卸载方案能有效提高数据处理效 率，减少传输时延，提升实时性。
优化任务分配
通过优化任务分配策略，能有效提 高任务完成率和系统吞吐量，同时
降低能耗。
考虑多种卸载方案
针对不同卸载方案进行对比分析， 发现基于移动边缘计算的多任务卸
车联网（Internet of Vehicles）是指通过无线通信技术将 车辆与车辆、车辆与基础设施、车辆与云端系统进行连接 ，实现智能交通管理和服务的一种网络架构。
车联网架构通常包括车辆感知层、网络通信层、平台管理 层和应用服务层。
移动边缘计算基本概念与架构
移动边缘计算（Mobile Edge Computing）是指将云计算和数据处理能力下沉 到网络边缘，靠近用户侧，以提供低延迟、高可靠性的计算和存储服务。
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.。
云计算中面向多目标的两阶段任务调度算法
2017年6月计算机工程与设计June2017第 38 卷第 6 期 COM PUTERENGINEERINGANDDESIGN Vol.38 No.6云计算中面向多目标的两阶段任务调度算法武小年1!，郑鑫8，孟川8，何庆志1(1.桂林电子科技大学广西无线宽带通信与信号处理重点实验室，广西桂林541004$2.桂林电子科技大学广西密码学与信息安全重点实验室，广西桂林541004)摘要"为根据云用户的需求提供高质量、低成本的服务，提出一种面向多目标的两阶段任务调度算法。
在预调度阶段，通过计算任务的完成时间、服务费用和损失度，对任务排序，为任务选择满足其对时间-费用偏好的最小资源；在重调度阶 段，根据P e rato最优原则，在不增加服务费用的条件下，重新调度任务到完成时间与负栽较小的资源上。
仿真结果表明，该算法能够根据云用户的任务需求和偏好选择合适的服务，降低任务的完成时间和服务费用，提高了服务质量，具有较好 的负栽均衡性。
关键词"云计算；任务调度；任务损失度；P e rato最优原则；负栽均衡中图法分类号！TP393 文献标识号：A 文章编号：1000-7024 (2017)06-1551-05d o i：10. 16208/1. iss n l000-7024. 2017.06.028T w o-phase ta sk scheduling alg o rith m for m ulti-objective in cloud com putingW U Xiao-nian1，2!ZHENG Xin1!M ENG Chuan1!H E Q in g ah i1(1. Guangxi Wireless Broadband Communication and Signal Processing Key Laboratory, Guilin University ffElectronic Technology，Guilin 541004，China; 2. Guangxi Key Laboratory of Cryptography andInformation Security，GuilinUniversity of Electronic Technology，Guilin 541004，China)A b stract：To provide high-quality and low-cost services according to the needs of cloud users，a two-ph rithm for multi-objective in cloud computing was proposed In the prt^scheduling phase，the tasks were of task completion time，service cost and loss degree. The resource with minimal time-cost the task user preferred was allocated to the task. In the re-scheduling phase，according to Perato optimal principle，the task was rescheduled to the resource with less completing time and less load , in the condition of not increasing the cost of services. Experimental results show that the algorithm can select the appropriate service according to cloud users?demand and preference，efficiently decreases the costs of completing time and services. tt also improves the quality of service with better load balance.K ey w ord s：cloud computing；task scheduling；task loss degree；Perato optimll principle；load balanc〇引言现有的云计算任务调度[1’2]算法中，为减小时间跨度，文献[2]融合Mm-mm与Max-mm算法，将大任务与小任 务进行“捆绑”式调度；文献,]则改进Max-mm算法进 行任务-资源映射，将最大任务安排到对其最小执行时间的 资源上；文献[4]针对用户服务质量需求，修改粒子群算法（P S O)的适应度函数，采用分级PSO算法提高对QoS 偏好的感知能力；以节能调度为目的，文献[5]采用滚动 优化策略分析并构建任务能量消耗模型，有效提高云系统 性能；文献[6]将服务费用作为调度目标，基于蜜蜂觅食 算法调整系统负载均衡；文献[7]则给出在用户期望的截 止时间内尽可能最小化执行费用。
- 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)。
[ ∑ ] M
λ β－γ
p
C j
Ｒ
C j
（
p
C j
；
φ
C j
；
pM）
+ ＲＲ（ pM）
－
j =1
M
∑ price
［P
（ dyn
Serv，j
p
C j
；
pM）
+
P （ sta Serv，j
φCj ）
］
（ 13）
j =1
式（ 13） 中，price 表示单位能量的价格。
32 期
裘华东，等： 移动云计算嵌套式两阶段博弈计算卸载算法
59
图 1 移动设备： 局部执行或云端执行 Fig. 1 Mobile device： Local execution or cloud execution
至云端处理服从平均速率为
p
M i
λi
的
Poisson
过程，因
此，移动设备 i 产生的服务请求在局部设备上处理则
总体服务请求产生速率 λ 可计算为
N
∑ λ =
p
M i
λ
i
（ 6）
i =1
一个服务请求可分配至数据中心的任一服务器
上。令
p
C j
为服务请求分配至服务器
j
的概率，上标
“C”表 示 云 端“cloud ”。 这 些 概 率 值 即 为 云 端 资 源
分配优化框架的优化变量。根据 Poisson 分布的属
性，分配至服务器 j 的移动服务请求服从平均速率 为 pCj λ 的 Poisson 过程，即是服务器的平均服务请求 到达率。一旦服务请求被分配至服务器，服务器即
可为服务创建虚拟机，开始应用执行过程。
MCC 系统中的每个服务器 j 为执行移动服务请
求分配的总资源比例表示为
φCj （
0
≤
φ
C j
≤1
）
的总体功耗为
P （ Mobile，i
p
M i
）
=
P （ dyn CPU，i
p
M i
）
+
P
（ dyn
ＲF，i
pMi ）
+ P + P sta CPU，i
sta ＲF，i
（ 5）
图 2 是由服务请求池、作为服务提供者的数据
中心以及中间资源管理节点组成的移动云计算资源
分配的目标系统，现考虑的是一个同质数据中心环
第 18 卷 第 32 期 2018 年 11 月 1671—1815（ 2018） 032-0058-06
科学技术与工程
Science Technology and Engineering
Vol. 18 No. 32 Nov． 2018 2018 Sci. Tech. Engrg.
引用格式： 裘华东，张 燕，涂 莹． 移动云计算嵌套式两阶段博弈计算卸载算法［J］． 科学技术与工程，2018，18（ 32） ： 58—63 Qiu Huadong，Zhang Yan，Tu Ying． Nested two-stage game computation offloading algorithm in mobile cloud computing［J］． Science Technology and Engineering，2018，18（ 32） ： 58—63
无线射频 ＲF 的功耗将增加。因此，对于每个移动设
备而言，需要在考虑服务请求（ 即计算和数据通信请
求）
、预期卸载速率
p
M i'
λi'
和服务器拥塞特征的情况
下，合理选择最优策略
p
M i
。
令
μ
M i
为移动设备
i
的平均服务请求处理速率，
则移动设备 i 上局部处理服务请求的平均响应时间
可计算为
ＲMi （
p
M i
P dyn，max Serv，j
=
C
p λ j
dyn，max
P C Serv，j
μj
（ 10）
式（
10）
中，P
dyn，max Serv，j
为
服
务
器
活
动
状
态且
所
有
资
源
分
配至该服务请求处理时的动态功耗。此外，服务器 j
的静态功耗为
P （ sta Serv，j
φ
C j
）
=
ε + φ （ P Serv，j
C sta，max
境。数据中心由 M 个负责移动设备服务请求处理
的同质服务器组成，j 为数据中心服务器的标识。
图 2 移动云计算资源分配系统 Fig. 2 Ｒesource allocation system of mobile cloud computing
服务请求池包括来自所有移动设备产生的远程
服务请求。根据 Poisson 分布的属性，服务请求池的
移动云计算嵌套式两阶段博弈计算卸载算法
裘华东 张 燕 涂 莹
（ 国网浙江省电力有限公司，杭州 310012）
摘 要 移动云计算中，移动设备需要决定哪些应用部分卸载至云端处理，即计算卸载决策问题。针对这一问题，提出了一
种嵌套式两阶段博弈算法。第一阶段中，移动设备决策其服务请求至云端处理的部分； 第二阶段中，云端系统根据所有移动
设备的服务请求到达率决策服务请求处理的资源分配。移动设备的目标是最小化功耗和服务请求响应时间，而云端系统的
目标是最大化收益。基于向后归纳原则，利用凸优化方法求解了嵌套式两阶段博弈过程中移动设备和云端系统的最优策略，
并证明算法可以产生唯一 Nash 均衡解。实验结果表明，比较基准算法，嵌套式两阶段博弈算法可以使移动设备同步降低平均
）
=
μMi
－
1 （1 －
p
M i
）
λi
（ 1）
令 μSi 为移动设备 i 发送服务请求的平均速率，
上标“S”表示发送“sending”。那么，可以计算服务
请求完全发出之前服务请求在移动设备上的平均等
待时间为
ＲSi （
p
M i
）
=
μ
S i
1
－
p
M i
λi
（ 2）
同时，μ
S i
正比于移动设备与访问点间的无线信
为了寻 找 平 均 响 应 时 间 的 分 析 模 型，假 设 第 i（ 1≤i≤N） 个移动设备产生的服务请求服从平均产 生速率为 λi 的 Poisson 分布，这样可以基于应用行为 进行服务请求预测。移动设备选择卸载服务请求至 云端执行的概率为 pMi ，上标“M”表示移动“mobile”， 即可称 pMi 为移动设备 i 的卸载概率。移动设备的卸 载概 率 值 即 为 MCC 优 化 框 架 的 优 化 变 量。根 据 Poisson 分布的性质，移动设备 i 产生的服务请求卸载
1 移动云计算系统模型
考虑一个移动云计算 MCC 系统 （ 即由移动设 备与云计算组成的交互系统） 包含 N 个移动设备， 如智能手机或笔记本电脑，且通过 Wi-Fi 或 4G 网络 与云端连接。MCC 系统中每个移动设备有唯一的 ID 标识，表示为 i。如图 1 描述的是第 i（ 1 ≤i≤N） 个移动设备。每个移动设备 i 可执行一个应用，产 生服务请求，该服务请求可在局部处理，也可通过计 算卸载至远程云端执行。
服务器功耗包括服务器活动状态（ 即处理服务
请求） 的动态功耗和静态功耗。服务器 j 的平均动
态功 耗 正 比 于 服 务 器 的 活 动 时 间，表 示 为
p
C j
λ
/
φ
C j
μ
C j
，和分配至服务请求处理的资源比例
φCj
：
P （ dyn Serv，j
p
C j
；
pM）
=
pCj λ φCj μCj
φCj
因此，移动设备 i 的一个服务请求的平均响应
时间（ 局部处理或云端处理） 为
[ ＲAvg i
（
pM；
pC；
φC）
= （ 1 － pMi ） ＲMi （ pMi ） + pMi
ＲSi （ pMi ） +
∑ ] M pCj ＲCj （ pCj ； φCj ； pM） + ＲＲ（ pM）
j =1
（ 9） 式（ 9） 中，pC = ｛ p1C，p2C，…，pCM｝ ，φC = ｛ φ1C，φ2C，…，φCM｝ 。
。利用
M / M /1 排列模型，分配至该服务器的服务请求的平
均处理时间为
ＲCj （
p
C j
；
φCj ；
pM）
=
1 φCj μCj －
pCj λ
（ 7）
式（ 7） 中，μCj 表示当服务器的所有资源分配至该服