一种面向5G网络的移动边缘计算卸载策略
发布时间：2020-12-26 19:06
移动边缘计算(Mobile Edge Computing,MEC)技术是当前无线传感器网络的重要研究方向之一。MEC技术能将无线传感器设备的本地计算任务卸载到边缘云服务器进行计算,从而大大提高了无线传感器网络的计算能力。但是无线网络中大量设备同时进行计算卸载会导致信号干扰和边缘云服务器的计算负载过大。为了提高无线网络的计算质量,首先提出了一种最小化多个无线传感器设备的MEC系统计算时间周期的合理时间分配和计算卸载的策略,并采用了5G非正交多址接入和串行干扰删除技术使多个无线设备可以利用相同的子载波同时进行计算卸载,从而提高计算卸载的效率;然后建立了无线设备能量捕获和任务计算的相关模型,将上述模型和策略建模为一个优化问题进行求解;最后通过数值分析实验验证了所提策略的有效性。
【文章来源】：计算机科学. 2020年S2期 北大核心
【文章页数】：5 页
【部分图文】：
MEC系统模型
图1 MEC系统模型表1 模型相关参数说明Table 1 Model related parameter description 参数 物理含义 PBS 基站发射功率 pi 第i个设备的发射功率 fi 第i个设备的CPU计算频率 μ 能量转换效率 hi 第i个设备的信道增益 Di 第i个设备的计算任务 ρi 第i个设备本地计算量的权衡比例 α 能量捕获时间占总时间周期的比例 Dedge 边缘云服务器每个时间周期的计算负载 Zi 第i个设备计算每比特数据所需CPU周期数
首先分析本文所用到的计算策略算法的收敛性,如图3所示,分别考虑了N为5个设备和3个设备这两种情况,在这两种情况下分别利用次梯度下降迭代37次和14次后收敛到了最优解。同时把每次更新的拉格朗日乘子带入到式(17)中T的最优解中,结果如图3所示。这两种情况下设备本地计算CPU频率和卸载功率都取随机相同值作为初始化参数,每个设备的计算任务的假设都是相同的,取值为Di=60 000 bits,其他环境中影响参数如上述参数一致。从图3中可以看到,本文提出的计算策略的收敛速度还是比较快的,同时当无线设备越少时,收敛就越快。接下来分别研究分析了目标函数最小化时间周期与自变量参数设备变量之间的关系,实验分析结果如图4所示,我们分析了每个设备能量捕获时间和任务计算时间的分配比α与最小化时间周期T之间的关系,实验中同时分别考虑了N为5个设备和3个设备这两种情况,假设这两种情况下设备本地计算CPU频率和卸载功率都取随机相同值作为初始化参数,每个设备的任务量都相同,取值为Di=60 000 bits,α每次以0.05的比例进行增加。
本文编号：2940298
【文章来源】：计算机科学. 2020年S2期 北大核心
【文章页数】：5 页
【部分图文】：
MEC系统模型
图1 MEC系统模型表1 模型相关参数说明Table 1 Model related parameter description 参数 物理含义 PBS 基站发射功率 pi 第i个设备的发射功率 fi 第i个设备的CPU计算频率 μ 能量转换效率 hi 第i个设备的信道增益 Di 第i个设备的计算任务 ρi 第i个设备本地计算量的权衡比例 α 能量捕获时间占总时间周期的比例 Dedge 边缘云服务器每个时间周期的计算负载 Zi 第i个设备计算每比特数据所需CPU周期数
首先分析本文所用到的计算策略算法的收敛性,如图3所示,分别考虑了N为5个设备和3个设备这两种情况,在这两种情况下分别利用次梯度下降迭代37次和14次后收敛到了最优解。同时把每次更新的拉格朗日乘子带入到式(17)中T的最优解中,结果如图3所示。这两种情况下设备本地计算CPU频率和卸载功率都取随机相同值作为初始化参数,每个设备的计算任务的假设都是相同的,取值为Di=60 000 bits,其他环境中影响参数如上述参数一致。从图3中可以看到,本文提出的计算策略的收敛速度还是比较快的,同时当无线设备越少时,收敛就越快。接下来分别研究分析了目标函数最小化时间周期与自变量参数设备变量之间的关系,实验分析结果如图4所示,我们分析了每个设备能量捕获时间和任务计算时间的分配比α与最小化时间周期T之间的关系,实验中同时分别考虑了N为5个设备和3个设备这两种情况,假设这两种情况下设备本地计算CPU频率和卸载功率都取随机相同值作为初始化参数,每个设备的任务量都相同,取值为Di=60 000 bits,α每次以0.05的比例进行增加。
本文编号：2940298
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2940298.html
