[发明专利]一种不确定网络环境中的任务卸载和资源分配方法

说明书

本发明涉及无线通信技术领域，尤其涉及一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型，并将该模型优化为基于两阶段随机规划的任务卸载和资源分配问题，利用随机模拟方法将其化为样本均值近似问题，将该问题解耦为本地计算资源分配子问题、传输功率和边缘计算资源联合分配子问题以及卸载决策子问题；采用标准拉格朗日乘子法、遗传算法以及分析本地计算和边缘计算的时延估计和能耗预算求解三个子问题；用户根据求解三个子问题获得最优分配策略进行任务卸载；本发明能够在时延不确定的网络中满足任务计算时延的要求，同时保证系统能耗最小化。

技术领域

本发明涉及无线通信技术领域，尤其涉及一种不确定网络环境中的任务卸载和资源分配方法。

背景技术

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(Mobile Edge Computing，MEC)通过将任务卸载网络边缘节点，如基站和无线接入点，为时延敏感型应用提供了固有的低时延优势。

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键因素，为提高用户的服务质量(Quality of Experience，QoE)，同时最小化计算卸载能耗，需要根据任务的计算能耗预算、计算时延，以及MEC服务器的可用资源等性能约束条件来制定任务卸载和资源分配策略。国内外研究人员针对此问题进行了大量深入研究，一些主要的成果有：

(1)移动边缘计算中的任务分配和计算频率任务算法(参考文献：Dinh T Q,TangJ,La Q D,et al.Offloading in Mobile Edge Computing:Task Allocation andComputational Frequency Scaling[J].IEEE Transactions on Communications,2017,65(8):3571-3584.)：该算法考虑了单个用户将任务卸载到多个MEC服务器的场景，通过优化任务的卸载决策和用户的中央处理单元(Central Process Unit，CPU)频率值来实现任务计算时延和用户能耗的最小化。

(2)联合任务卸载和无线资源分配算法(参考文献：Chen H,D Zhao,Chen Q,etal.Joint Computation Offloading and Radio Resource Allocations in Small-CellWireless Cellular Networks[J].IEEE Transactions on Green Communications andNetworking,2020,4(3):745-758.)：该算法考虑在多用户多MEC服务器场景下，对任务卸载决策、传输功率和信道分配进行了联合优化，目的是在满足任务计算时延约束条件下，最小化所有用户的能耗。

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算时延，然而都忽略了MEC服务器任务队列的排队等待时延。在实际的MEC网络环境中，由于MEC服务器的计算、存储等资源非常有限，通常无法快速响应海量突发的计算请求，因此，任务在MEC服务器端的排队等待时间是不可忽略的。由于任务到达的随机性，以及MEC服务器任务队列的时变性，欲得到任务排队等待时间的准确预测值是不现实的，这种不确定性因素对传统任务卸载和资源分配造成了严峻挑战。此外，大部分研究工作都只针对用户端能耗，而计算资源有限的MEC服务器端将面临着大量计算密集型和时延敏感型用户的访问，随之而来的是计算资源匮乏，以及高能耗等问题。因此，如何在任务计算时延不确定的MEC网络环境中制定高效、绿色的任务卸载和资源分配策略具有重要研究价值。

发明内容

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延不确定问题，提出了一种不确定网络环境中的任务卸载和资源分配方法，具体包括以下步骤：