CN113242568B 一种不确定网络环境中的任务卸载和资源分配方法 （重庆邮电大学）

一种不确定网络环境中的任务卸载和资源种不确定网络环境中的任务卸载和资源分配方法，包括将任务卸载过程建模为两阶段卸载模用户根据求解三个子问题获得最优分配策略进2利用随机规划理论将任务在MEC服务器的排队等待时间建模为一组随机参数，并将任第一阶段的决策变量为任务的传输功率，即用户在没有观察到不确定性MEC服务器排约束条件：p"snsp":；,...,πN}表示任务卸载决策集合，N为请求任务处理的用户数；略集合，其中表示第i个用户在MEC服务器的排队等待时间的集合；p={p1,p2,...pN}表示用户任务传输功率分配策略集合，pN表示第N个用户任3利用随机模拟方法将基于两阶段随机规划的任务卸载和资源分配问题转化为样本均；将样本均值近似问题解耦为本地计算资源分配子问题采用标准拉格朗日乘子法获得所述本地计算资源分配子问题的i个用户的任务卸载决策为0，即第i个用户将任务在本地处理，则任务在本地计算时最优il*为任务在本地计算时最优CPU频率分配策略；采用遗传算法获得所述传输功率和边缘计算资源联合分将每一个可行的传输功率进行浮点向量编码，每一个从用户i传输功率的可行域中随机产生一个点，并检验其是否满足用户传输时延小于对于染色体pi,m，计算前m个染色的累积概率从区间4定义Pc为交叉概率，则种群中有期望值为Pc×M个通过分析本地计算和边缘计算的时延估计和能耗预算获得所述卸载决策子问题的最2.根据权利要求1所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征itran(pi,m)为第i个用户选择发射功率为pi,m时将任务卸载到MEC服务器处理时任5[0002]随着物联网技术的快速发展和5G/6G新型应用的普及，时延敏感性应用已经被广泛设想，如虚拟现实、无人驾驶和人脸识别等正以前所未有的速度发展。移动边缘计算[0003]移动边缘计算中任务卸载和资源分配策略往往是影响用户卸载时延和能耗的关J,LaQD,etal.OffloadinginMobileEdgeComputing:TaskAllocationandComputationalFrequencyScaling[J].IEEETransactionsonCommunications,2017,化任务的卸载决策和用户的中央处理单元(CentralProcessUnit，CPU)频率值来实现任[0005](2)联合任务卸载和无线资源分配算法(参考文献：ChenH,DZhao,ChenQ,etal.JointComputationOffloadingandRadioResourceAllocationsinSmall-CellWirelessCellularNetworks[J].IEEETransactionsonGreenCommunicationsand[0006]任务计算时延是保证用户QoE的重要指标之一，上述研究工作均考虑了任务的计6[0007]为解上述问题，本发明考虑任务在MEC服务器的随机排队等待时间导致的计算时[0008]利用随机规划理论将任务在MEC服务器的排队等待时间建模为一组随机参数，并[0010]利用随机模拟方法将基于两阶段随机规划的任务卸载和资源分配问题转化为样[0013]采用遗传算法获得所述传输功率和边缘计算资源联合分配子问题的最优分配策[0014]通过分析本地计算和边缘计算的时延估计和能耗预算获得所述卸载决策子问题[0017]第一阶段的决策变量为任务的传输功率，即用户在没有观察到不确定性MEC服务队等待时间实现已知，在获得排队等待时间和第一阶段的传输功率分配策略pi的条件下，[0020]将每一个可行的传输功率进行浮点向量编码，每一个浮点向[0021]从用户i传输功率的可行域中随机产生一个点，检验其是否满足用户传输时延小7则p'i,1和p'i,2将代替原染色体[0027]本发明针对移动边缘计算中任务在边缘服务器的随机排队等待时间导致的计算8[0034]利用随机规划理论将任务在MEC服务器的排队等待时间建模为一组随机参数，并[0036]利用随机模拟方法将基于两阶段随机规划的任务卸载和资源分配问题转化为样[0039]采用遗传算法获得所述传输功率和边缘计算资源联合分配子问题的最优分配策[0040]通过分析本地计算和边缘计算的时延估计和能耗预算获得所述卸载决策子问题以通过无线网络与MEC服务器进行通信。定义用户需要处理的任务为一个三元组Ai＝{Di,[0043]每个用户的处理器均支持动态电压频率调整(DynamicVoltageFrequency9[0061]为了处理MEC服务器排队等待时间的不确定性问题，本发明利用随机规划理论将定义组合场景Ω表示所有UEs在MEC服务器的排队等待时间的集合，可表示为笛卡尔乘积没有观察到不确定性MEC服务器排队等待时间的情况下，考虑未来所有可能排队等待时间择将任务卸载到MEC服务器处理时，本发明基于两阶段随机规划将卸载决策过程分为两个sp"(8-a)b)-f)频率资源分配策略集合；表示所有组合场景下MEC服务器策略集合；B,[-]表示组合场景的期望；p"和p"分别表示传输功率的最小值和最大值；式(8-d)和式(8-e)分别表示在本地和MEC服务器执行任务的时[0076]本实施例为了降低实施例1提出的两阶段随机规划问题的计算复杂度，将问题P1[0078]本发明考虑了MEC服务器排队等待时间的不确定环境下的任务卸载和资源分配优性与种群中其他染色体的适应度成比例，适应度强的染色体被选择产生后代的几率较大。本发明利用优化问题P2-2的最优值作为染色体的适应度，利用适应度的大小决定一个序，从区间(0,qi,M)中生成一个随机数r，若满足qi,m-1＜r<[0130]本发明利用MATLAB工具对本发明提出的一种不确定网络环境下任务卸载和资源[0131](1)基于最大排队等待时间的静态卸载策略(MaximumWaitingTimebased700cycles/bit；本地CPU频率范围为100～2500MHz；MEC服务器CPU频率范围为500~法具有最低的系统总能耗，这是由于SS_2SSP算法在第一阶段制定传