[发明专利]一种移动边缘计算任务卸载中的资源优化方法及电子设备

说明书

本发明公开了一种移动边缘计算任务卸载中的资源优化方法及电子设备，方法包括：构建以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标的队列稳定性指标；构建网络资源开销指标；以队列稳定性指标为约束条件，构建随机网络资源优化模型；引入拉格朗日乘子对随机网络资源优化模型的约束条件进行变量松弛，构建对耦模型；基于动量随机梯度下降算法求解对耦模型，得到每个时隙的最优资源分配决策。本发明基于原始‑对耦理论构造随机网络资源优化模型的对耦模型，并基于动量随机梯度下降算法在线求解对耦问题，加速算法收敛的同时减少任务队列积压，与现有资源优化方法相比，在不增加网络资源开销的情况下能够进一步降低任务队列积压。

技术领域

本发明涉及无线通信技术领域，尤其涉及一种移动边缘计算任务卸载中的资源优化方法及电子设备。

背景技术

近年来，随着大数据、人工智能、物联网、增强现实/虚拟现实等新兴计算密集型和时延敏感性应用业务的不断涌现，传统的基于移动云计算的任务计算和应用服务模式正面临着严峻挑战。传统的移动云计算服务通常依赖距离用户较远的云计算中心，随着数量流量的爆炸式增长，该种服务模式必然会导致严重的网络拥塞和数据往返时延。为了填补云计算中心服务能力的不足，有必要将云计算中心的服务能力下沉至网络边缘，从而就近为用户提供低时延的应用任务卸载和计算服务。基于以上考虑，移动边缘计算(mobile edgecomputing，MEC)的概念应运而生。

在MEC任务卸载过程中，用户任务的上行卸载速率和在边缘服务器中的计算速率通常取决于用户上行发射功率资源分配和边缘服务器的计算资源分配。当这些异构的资源(通信资源和计算资源)分配不足时，可能导致用户任务长时间得不到服务，从而产生严重的任务积压和时延；相反，当资源分配过多时，又会造成高昂的资源成本开销。此外，由于MEC网络环境具有潜在的动态时变属性，通常会受到诸多随机时变网络参数(如用户任务的随机到达、用户移动性、信道衰落、边缘服务器的资源可用性等)的影响，并且这些时变参数的分布信息通常难以预知，导致面向给定网络参数的静态离线资源优化方法不再适用。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种移动边缘计算任务卸载中的资源优化方法及电子设备，以解决现有移动边缘计算存在资源开销大、服务时延长和任务队列积压严重的问题。

本发明解决技术问题所采用的技术方案如下：

一种移动边缘计算任务卸载中的资源优化方法，其中，包括步骤：

根据预先构建的用户终端任务队列模型和边缘服务器任务队列模型，构建以用户终端任务队列长度和边缘服务器任务队列长度最小化为目标的队列稳定性指标；

根据用户终端上行发射功率和边缘服务器任务计算功率，构建网络资源开销指标；

以所述队列稳定性指标为约束条件，根据所述网络资源开销指标的长期统计平均值，构建以最小化网络资源开销为目标的随机网络资源优化模型；

引入拉格朗日乘子对所述随机网络资源优化模型的约束条件进行变量松弛，构建所述随机网络资源优化模型的对耦模型；

基于动量随机梯度下降算法求解所述对耦模型，确定每个时隙的最优资源分配决策。

所述的移动边缘计算任务卸载中的资源优化方法，其中，所述队列稳定性指标为：

其中，为边缘服务器和无线接入点集合，{l}为用户终端集合，T为时间，q_m(t)为任务队列长度，当时，q_m(t)为边缘服务器任务队列长度，当m∈{l}时，q_m(t)为用户终端任务队列长度。

所述的移动边缘计算任务卸载中的资源优化方法，其中，所述随机网络资源优化模型为：