CN111343722B - 边缘计算中基于认知无线电的能效优化方法 - Google Patents

Abstract

本发明公开了一种边缘计算中基于认知无线电的能效优化方法，主要解决边缘计算系统中没有授权频谱的次用户频谱接入困难、续航能力与计算能力差的问题。其实现步骤为：1)计算部分卸载机制次用户能量效率；2)计算本地计算机制次用户能量效率；3)比较两种机制计算得到的能效大小，并将较大能效对应的参数作为最终参数；4)次用户对授权用户进行状态检测，并根据检测结果选择最终参数，使次用户能效最优。本发明能够有效提升网络容量为更多的用户提供频谱接入机会、提升其计算能力与续航能力，可应用于边缘计算中的大规模无线用户接入场景。

Description

边缘计算中基于认知无线电的能效优化方法

技术领域

本发明属于通信技术领域，涉及边缘计算技术，更进一步涉及一种边缘计算中基于认知无线电的能效优化方法，可用于边缘计算系统中的大规模无线用户接入场景。

背景技术

随着移动通信技术的发展，无线服务对计算时延要求越来越高。移动用户因其固有的尺寸限制与移动特性，其计算能力与续航时间均非常有限，难以满足未来业务高复杂度低时延的服务需求。边缘计算技术与无线充能技术的出现为解决上述限制提供了可能性。边缘计算技术允许移动用户将部分或者全部待计算数据上传到边缘计算服务器，服务器计算结束后将结果返回，从而降低计算时延。无线充能技术允许移动用户通过无线信道吸收无线射频能量，从而可有效延长其续航时间。

边缘计算技术与无线充能技术均要求移动用户有可用的频谱资源，然而，随着信息与通信技术ICT(Information and Communications Technology)的发展，移动设备数量已达千亿且未来仍将持续增长。巨大的移动用户数量使得频谱资源显得尤为紧张，难以分配专用频谱给大量无线终端，使其无法拥有可用频谱进行边缘计算以提高其计算性能。如此巨大的移动用户数量必然对已经非常紧张的频谱资源造成巨大压力，且目前的固态频谱分配方案使得该问题更加严重。频谱资源作为一种极具价值的自然资源，其日趋紧张甚至枯竭已成为不争的事实，而真正要解决这种矛盾，必须对频谱管理方法进行改进。

在单纯通过现有的传输技术无法有效解决频谱利用效率偏低的情况下，各种新的思路应运而生，认知无线电CR(Cognitive Radio)便是其一。认知无线电的核心思想就是通过频谱感知和系统的智能学习能力，实现动态频谱分配DSA(dynamic spectrumallocation)和频谱共享，该技术允许次用户，即未授权用户在对授权用户造成的干扰小于某一门限的前提下接入授权用户频谱，从而实现任何时间、任何地点的高可靠通信以及对异构网络环境有限的无线频谱资源进行高效地利用。

申请号为201910517089.1，名称为“一种无线供电移动边缘计算系统中的资源分配方法”的专利申请文件中，通过计算卸载技术将资源受限的无线设备计算任务迁移到物联网边缘的集成了移动边缘计算服务器的单接入点，从而提高计算质量，达到减少延迟的目的；然而，该技术方案假设次用户频谱可用，并没有考虑传输过程中的频谱稀缺问题，无法实现频谱共享；其频谱效率较低、频谱资源未得到充分利用。

申请号为201910976515.8，名称为“边缘计算中用户卸载与资源分配联合优化方法”的专利申请文件公开了一种通过策略组合实现资源分配优化的方案，使用不同策略组合构成种群矩阵，选出种群矩阵中最优的分配方案，重复迭代直到最优值收敛，从而得到优化后的用户卸载比例与资源分配方案。该发明仅仅考虑到在边缘计算网络中充分利用带宽资源和计算资源来保证总任务的完成时间最短，而忽略了无线传输过程中移动用户对能量的需求，因此无法实现能量传输，续航时间有限。

发明内容

本发明的目的在于针对已有边缘计算技术在频谱接入中的不足，提出一种边缘计算中基于认知无线电的能效优化方法。通过将认知无线电、无线充能与移动边缘计算相结合，并利用信号检测理论与凸优化理论，对认知网络中边缘计算上传时间、上传功率以及本地CPU计算频率进行优化，从而解决边缘计算系统中没有授权频谱的次用户频谱接入困难、续航能力与计算能力差的问题，有效提高了频谱效率和次用户计算能力，使得次用户能效最大化。

实现本发明目的的具体思路是：首先，使用频谱感知获取授权用户频谱占用状态；然后，在不同感知结果下，利用无线充能或能量吸收方式为次用户提供能量，最后，将计算任务卸载到边缘计算服务器中进行计算，使得大量次用户得到频谱接入机会和充足能量，有效提升了次用户的计算能力。

本发明实现上述目的具体步骤如下：

(1)对通信环境进行测试，获取授权用户的状态统计结果，根据统计结果得到授权用户在时隙起始时的实际空闲状态概率P_k和实际占用状态概率P_z：

P_k＝Pr(H_true＝H₀)，

P_z＝Pr(H_true＝H₁)；

其中，H_true表示授权用户实际状态，H₀表示授权用户空闲状态，H₁表示授权用户占用状态；

(2)根据信道条件，次用户采用能量检测器对授权用户发送机的状态进行检测，获得虚警概率P_f与检测概率P_d：

其中

表示能量检测器的检测结果；

(3)根据吞吐量、能耗及用户间干扰的计算公式，结合步骤(2)获得的虚警概率P_f与检测概率P_d，得到次用户的平均吞吐量R_ave、平均能耗e_ave以及次用户对授权用户的平均干扰I_ave；

(4)由次用户的平均吞吐量R_ave与平均能耗e_ave得到次用户能量效率EE：

(5)令部分卸载机制次用户的能效最大值为EE_max1，按照下式求解EE_max1及其对应的部分卸载机制最优参数

其中，f₀表示

时次用户的CPU计算频率，f₁表示

时次用户的CPU计算频率；

表示

时次用户的任务卸载时间，

表示

时次用户的任务卸载时间；p₀表示检测结果为授权用户空闲时的次用户发送功率，p₁表示检测结果为授权用户占用时次用户发送功率；

表示检测结果为授权用户空闲时的次用户卸载耗能，

表示检测结果为授权用户占用时的次用户卸载耗能；

(6)令本地计算机制次用户的能效最大值为EE_max2，此时

按照下式求解EE_max2及其对应的本地计算机制最优参数

其中，f₀表示

时次用户的CPU计算频率，f₁表示

时的CPU计算频率，t_w为认知小基站通过无线充能技术向次用户传输能量的时间，t_e为次用户从授权用户发送机吸收能量的时间。

(7)比较EE_max1和EE_max2的大小，选取较大的一个作为最终能效EE_max，并将其对应的参数作为最终参数

(8)次用户进行频谱感知，并根据感知结果选取参数，使得次用户能效最优。

本发明与现有技术相比具有如下优点：

第一、由于本发明采用认知无线电进行通信，未授权次用户可通过能量检测器对授权用户状态进行检测，根据检测结果优化其操作参数，在满足对授权用户干扰限制的条件下接入授权用户频谱，实现授权用户与次用户之间频谱共享，使得大量次用户可以接入频谱进行边缘计算，从而有效提升网络中次用户的计算能力，在整体上提高了网络的服务质量；

第二、由于无线终端中存在大量物联网节点，其普遍特点为：数量大、尺寸小、计算能力差、电池续航能力低，且这些网络节点普遍布设于难以接触的领域，如地下、甚至有毒区域，为其逐个更换电池极为困难，然而进行边缘计算需消耗能量，因此续航能力的提升十分重要，本发明在检测到授权用户处于空闲状态时，认知小基站对其覆盖范围内的无线终端发送大功率无线信号进行充能，即采用无线充能技术对终端实现能量补给，从而保证其续航能力。

附图说明

图1是本发明的应用场景示意图；

图2是本发明方法的实现流程图；

图3是本发明中授权用户检测结果为空闲时的网络时隙结构示意图；

图4是本发明中授权用户检测结果为占用时的网络时隙结构示意图；

图5是在本发明方法中次用户能量效率与计算1比特所需CPU周期个数C_m的关系曲线仿真图；

图6是在本发明方法中次用户能量效率与认知小基站和次用户信道之间链路强度的关系曲线仿真图；

图7是在本发明方法中次用户能量效率与最小计算比特数的关系曲线仿真图。

具体实施方式

参照图1、图2，本发明提出的边缘计算中基于认知无线电的能效优化方法，包括如下步骤：

步骤1，对通信环境进行测试，获取授权用户的状态统计结果，根据统计结果得到授权用户在时隙起始时的实际空闲状态概率P_k和实际占用状态概率P_z：

P_k＝Pr(H_true＝H₀)，

P_z＝Pr(H_true＝H₁)；

其中，H_true表示授权用户实际状态，H₀表示授权用户空闲状态，H₁表示授权用户占用状态；

步骤2，根据信道条件，次用户采用能量检测器对授权用户发送机的状态进行检测，得到虚警概率P_f与检测概率P_d：

其中

表示能量检测器的检测结果；

步骤3，根据吞吐量、能耗及用户间干扰的计算公式，结合步骤(2)获得的虚警概率P_f与检测概率P_d，得到次用户的平均吞吐量R_ave、平均能耗e_ave以及次用户对授权用户的平均干扰I_ave：

其中，T为一个时隙的时间长度，τ为检测授权用户状态的时间长度，θ＝T-τ；σ²为接收机噪声功率，C_m为次用户计算1比特数据需要的CPU周期数，f表示CPU 频率，h_s为授权用户发送机与次用户之间的信道系数，g_s为次用户与认知小基站之间的信道系数；f₀与

分别表示

时次用户的CPU计算频率与任务卸载时间， f₁与

分别表示

时的CPU计算频率与任务卸载时间；γf³为用户本地计算功率，且γ是根据用户设备设定的一个常数；B为信道带宽，p_p为授权用户发送功率，p_cbs为认知小基站对用户充电的功率，p₀表示检测结果为授权用户空闲时的次用户发送功率，p₁表示检测结果为授权用户占用时次用户发送功率；

表示授权用户接收机与认知小基站之间的信道系数，g_p表示授权用户接收机与次用户之间的信道系数； P₀₀＝P(H_true＝H₀)(1-P_f)，其表示授权用户实际状态和感知状态均为空闲的概率； P₀₁＝P(H_true＝H₀)P_f，其表示实际状态为空闲且感知状态为占用的概率；

P₁₀＝P(H_true＝H₁)(1-P_d)，其表示实际状态为占用且感知状态为空闲的概率；

P₁₁＝P(H_true＝H₁)P_d，其表示实际状态和感知状态均为空闲的概率；

步骤4，将步骤3的计算结果代入下式，进一步求解得到次用户能量效率EE：

步骤5，计算部分卸载机制次用户的能效最大值EE_max1：

其中，次用户能量因果约束为

e_a表示初始能量，η表示次用户的能量吸收效率；次用户卸载时间约束为

次用户发送功率约束为0≤p₀≤p_max、 0≤p₁≤p_max，p_max表示次用户最大发送功率；CPU计算频率约束为0≤f₀≤f_max、 0≤f₁≤f_max，f_max表示CPU的最大工作频率；次用户最小计算比特数约束为R_ave≥r_m，r_m表示次用户最小计算比特数；授权用户干扰功率约束为I_ave≤I_th，I_th表示授权用户的最大可容忍干扰功率；

在

时间长度内认知小基站通过无线充能方式向次用户进行能量传输；

在

时间长度内次用户从授权用户发送机吸收能量。

利用Dinkelbach算法、拉格朗日对偶分解算法、连续拟凸近似算法以及次梯度算法对公式<1>进行求解，获取部分卸载机制最优参数。

(5.1)引入两个变量q₀和q₁，其中：

表示检测结果为授权用户空闲时的次用户卸载耗能，

表示检测结果为授权用户占用时的次用户卸载耗能；

利用Dinkelbach算法将公式<1>进行转化，得到下式：

其中，β表示松弛参数，且β≥0；

(5.2)利用拉格朗日对偶法对公式<2>进行求解；

(5.2.1)计算公式<2>的拉格朗日函数L与对偶函数Θ(λ)；

其中，

q_i≥0,0≤f_i≤f_max,i＝0或1；

对偶变量λ＝(λ₁,λ₂,…,λ_n),其中n＝1,2,...,6，且λ_n≥0；

c₃＝(P₀₀B+λ₃P₀₀B)，

c₄＝(P₁₀B+λ₃P₁₀B)，

c₆＝β(P₀₀+P₁₀)+λ₁+λ₅+λ₄P₁₀|g_p|²，

c₇＝(P₀₁B+λ₃P₀₁B)，

c₈＝(P₁₁B+λ₃P₁₁B)，

c₉＝λ₆p_max-λ₂ηp_p|h_s|²，

c₁₀＝λ₄P₁₁|g_p|²+β(P₀₁+P₁₁)+λ₂+λ₆；

(5.2.2)采用对偶分解法将公式<3>分解为下列四个子公式：

其中，0≤f₀≤f_max，0≤f₁≤f_max；

利用KKT(Karush-Kuhn-Tucker)条件、连续拟凸近似算法以及二分法求解以上四个子公式，得到λ和β给定时的部分卸载机制最优参数

(5.2.3)利用次梯度法最小化对偶函数Θ(λ)：

更新λ后，重复执行步骤(5.2.1)-(5.2.2)直至公式<4>的目标函数收敛；

(5.2.4)迭代更新β：

(5.3)重复步骤(5.1)-(5.2)直至公式<1>的目标函数收敛，得到部分卸载机制最优参数

步骤6，计算本地计算机制次用户的能效最大值EE_max2：

此时

即

其约束条件为

γf₁ ³θ≤ηp_p|h_s|²t_e+e_a，c₁f₀+c₂f₁≥r_m，

0≤t_e≤θ,0≤t_w≤θ，0≤f₀≤f_max,0≤f₁≤f_max；

其中，e_a表示初始能量，η表示次用户的能量吸收效率，f_max表示CPU的最大工作频率，r_m表示次用户最小计算比特数，I_th表示授权用户的最大可容忍干扰功率；t_w为认知小基站通过无线充能技术向次用户传输能量的时间，t_e为次用户从授权用户发送机吸收能量的时间；

求解公式<5>，得到本地计算机制最优参数

其具体计算过程同步骤5中对于公式<1>的求解过程；

步骤7，比较EE_max1和EE_max2的大小，选取较大的一个作为最终能效EE_max，并将其对应得到的参数作为最终参数

步骤8，次用户进行频谱感知，并根据感知结果进行参数调整，得到次用户的最优能效；

参照图3本发明中授权用户检测结果为空闲时的网络时隙结构示意图：

(8.1)若感知结果为授权用户处于空闲状态，则次用户在时隙[τ,T)采用CPU 频率

进行本地计算、在时隙[τ+t_w,T)采用功率

进行任务卸载；认知小基站在时隙[τ,τ+t_w)利用无线传能方式发送功率为p_cbs的无线信号给移动用户进行充电、在时隙[T,T+t_d]回传计算结果给次用户，其中t_d为次用户下载计算结果的时间；

参照图4本发明中授权用户检测结果为占用时的网络时隙结构示意图：

(8.2)若感知结果为授权用户处于占用状态，则次用户在时隙[τ,τ+t_e)吸收授权用户发送信号功率、在时隙[τ,T)采用CPU频率f₁ ^opt进行本地计算、在时隙[τ+t_e,T) 采用功率

进行任务卸载，认知小基站在时隙[T,T+t_d]回传计算结果给次用户，其中t_d为次用户下载计算结果的时间。

本发明的效果可以通过仿真进一步说明：

次梯度法收敛速度与对偶变量个数有较大关系，对偶变量数量多时次梯度法收敛很慢，针对此情况，可以固定

和

求解其他变量，对

和

采用二维搜索方法，从而可将对偶变量个数减少，降低复杂度，提高收敛速度。

A.仿真条件

使用matlab仿真工具进行模拟，假定信息传输在莱斯衰落信道下，具体模型如下：

其中，

为授权用户发送机和次用户之间的信道平均衰落功率增益，

为授权用户接收机和次用户之间的信道平均衰落功率增益，

为次用户和认知小基站之间的信道平均衰落功率增益，

为授权用户接收机和认知小基站之间的信道平均衰落功率增益，

和

分别为以上四个信道的莱斯因子，

和

服从均值为0、方差为1的复高斯分布；

设置仿真参数如表1所示：

表1

B.仿真内容

仿真1：次用户能量效率与计算1比特所需CPU周期个数C_m关系曲线，仿真结果如图5所示；

仿真2：次用户能量效率与认知小基站与次用户信道链路强度关系曲线，仿真结果如图6所示；

仿真3：次用户能量效率与最小计算比特数关系曲线，仿真结果如图7所示。

C、仿真结果

由图5可见，所提出的方法较仅进行本地计算和仅进行任务卸载机制相比具有更大的能效，且能量效率随计算1比特所需CPU周期个数C_m增加而减少，说明用户计算能力越差其能量效率越低；

由图6可见，随着次用户与认知小基站之间链路强度增强次用户能量效率增加，信道质量越好次用户任务卸载所耗能量越小，从而能效越高；

由图7可见，随着次用户最小计算比特数的增加其能量效率降低。最小计算比特数越大能耗越大，其能耗亦增加，能效减小。

上述仿真分析证明了本发明所提方法的正确性与有效性。

本发明未详细说明部分属于本领域技术人员公知常识。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (5)

1.一种边缘计算中基于认知无线电的能效优化方法，包括如下步骤：

(1)对通信环境进行测试，获取授权用户的状态统计结果，根据统计结果得到授权用户在时隙起始时的实际空闲状态概率P_k和实际占用状态概率P_z：

P_k＝Pr(H_true＝H₀)，

P_z＝Pr(H_true＝H₁)；

其中，H_true表示授权用户实际状态，H₀表示授权用户空闲状态，H₁表示授权用户占用状态；

(2)根据信道条件，次用户采用能量检测器对授权用户发送机的状态进行检测，获得虚警概率P_f与检测概率P_d：

其中

表示能量检测器的检测结果；

(3)根据吞吐量、能耗及用户间干扰的计算公式，结合步骤(2)获得的虚警概率P_f与检测概率P_d，得到次用户的平均吞吐量R_ave、平均能耗e_ave以及次用户对授权用户的平均干扰I_ave；具体如下：

其中，T为一个时隙的时间长度，τ为检测授权用户状态的时间长度，θ＝T-τ；σ²为接收机噪声功率，C_m为次用户计算1比特数据需要的CPU周期数，f表示CPU频率，h_s为授权用户发送机与次用户之间的信道系数，g_s为次用户与认知小基站之间的信道系数；f₀与

分别表示

时次用户的CPU计算频率与任务卸载时间，f₁与

分别表示

时的CPU计算频率与任务卸载时间；γf³为用户本地计算功率，且γ是根据用户设备设定的一个常数；B为信道带宽，p_p为授权用户发送功率，p_cbs为认知小基站对用户充电的功率，p₀表示检测结果为授权用户空闲时的次用户发送功率，p₁表示检测结果为授权用户占用时次用户发送功率；

表示授权用户接收机与认知小基站之间的信道系数，g_p表示授权用户接收机与次用户之间的信道系数；P₀₀＝P(H_true＝H₀)(1-P_f)，其表示授权用户实际状态和感知状态均为空闲的概率；P₀₁＝P(H_true＝H₀)P_f，其表示实际状态为空闲且感知状态为占用的概率；

P₁₀＝P(H_true＝H₁)(1-P_d)，其表示实际状态为占用且感知状态为空闲的概率；

P₁₁＝P(H_true＝H₁)P_d，其表示实际状态和感知状态均为空闲的概率；

(4)由次用户的平均吞吐量R_ave与平均能耗e_ave得到次用户能量效率EE：

(5)令部分卸载机制次用户的能效最大值为EE_max1，按照下式求解EE_max1及其对应的部分卸载机制最优参数

其中，f₀表示

时次用户的CPU计算频率，f₁表示

时次用户的CPU计算频率；

表示

时次用户的任务卸载时间，

表示

时次用户的任务卸载时间；p₀表示检测结果为授权用户空闲时的次用户发送功率，p₁表示检测结果为授权用户占用时次用户发送功率；

表示检测结果为授权用户空闲时的次用户卸载耗能，

表示检测结果为授权用户占用时的次用户卸载耗能；

(6)令本地计算机制次用户的能效最大值为EE_max2，此时

按照下式求解EE_max2及其对应的本地计算机制最优参数

其中，f₀表示

时次用户的CPU计算频率，f₁表示

时的CPU计算频率，t_w为认知小基站通过无线充能技术向次用户传输能量的时间，t_e为次用户从授权用户发送机吸收能量的时间；

(7)比较EE_max1和EE_max2的大小，选取较大的一个作为最终能效EE_max，并将其对应的参数作为最终参数

(8)次用户进行频谱感知，并根据感知结果选取参数，使得次用户能效最优。

2.根据权利要求1所述方法，其特征在于：步骤(5)中求解EE_max1及其对应的部分卸载机制最优参数应在下列限定条件下进行：

(a1)次用户能量因果约束：

其中，e_a表示初始能量，η表示次用户的能量吸收效率；

(b1)次用户卸载时间约束：

(c1)次用户发送功率约束：0≤p₀≤p_max、0≤p₁≤p_max，

其中，p_max表示次用户最大发送功率；

(d1)CPU计算频率约束：0≤f₀≤f_max、0≤f₁≤f_max，

其中，f_max表示CPU的最大工作频率；

(e1)次用户最小计算比特数约束：R_ave≥r_m，

其中，r_m表示次用户最小计算比特数；

(f1)授权用户干扰功率约束：I_ave≤I_th，

其中，I_th表示授权用户的最大可容忍干扰功率。

3.根据权利要求1所述方法，其特征在于：步骤(6)中求解EE_max2及其对应的本地计算机制最优参数应在下列限定条件下进行：

(a2)次用户能量因果约束：

γf₁ ³θ≤ηp_p|h_s|²t_e+e_a，

其中，e_a表示初始能量，η表示次用户的能量吸收效率；

(b2)次用户最小计算比特数约束：c₁f₀+c₂f₁≥r_m，

其中，r_m表示次用户最小计算比特数；

(c2)授权用户干扰功率约束：

其中，I_th表示授权用户的最大可容忍干扰功率；

(d2)次用户充能时间约束：0≤t_e≤θ,0≤t_w≤θ，

其中，t_e为次用户从授权用户发送机吸收能量的时间，t_w为认知小基站通过无线充能技术向次用户传输能量的时间；

(e2)CPU计算频率约束：0≤f₀≤f_max,0≤f₁≤f_max，

其中，f_max表示CPU的最大工作频率。

4.根据权利要求2或3所述方法，其特征在于：求解采用Dinkelbach算法、拉格朗日对偶分解算法、连续拟凸近似算法以及次梯度算法。

5.根据权利要求1所述方法，其特征在于：步骤(8)所述感知结果包括授权用户处于空闲状态与授权用户处于占用状态两种，根据感知结果选取参数的具体情况如下：

(8.1)感知结果为授权用户处于空闲状态：次用户在时隙[τ,T)采用CPU频率

进行本地计算、在时隙[τ+t_w,T)采用功率

进行任务卸载；认知小基站在时隙[τ,τ+t_w)利用无线传能方式发送功率为p_cbs的无线信号给移动用户进行充电、在时隙[T,T+t_d]回传计算结果给次用户；

(8.2)感知结果为授权用户处于占用状态：次用户在时隙[τ,τ+t_e)吸收授权用户发送信号功率、在时隙[τ,T)采用CPU频率f₁ ^opt进行本地计算、在时隙[τ+t_e,T)采用功率

进行任务卸载，认知小基站在时隙[T,T+t_d]回传计算结果给次用户，其中t_d为次用户下载计算结果的时间；

其中，T为一个时隙的时间长度，τ为检测授权用户状态的时间长度，t_d为次用户下载计算结果的时间长度。

Images