协同移动边缘计算分层资源配置机制

doi:10.11772/j.issn.1001-9081.2021060901

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (8): 2501-2510.DOI: 10.11772/j.issn.1001-9081.2021060901

• 先进计算 • 上一篇

协同移动边缘计算分层资源配置机制

王界钦, 林士飏(), 彭世明, 贾硕, 杨苗会

山东理工大学交通与车辆工程学院，山东淄博 255000

收稿日期:2021-06-03 修回日期:2021-09-14 接受日期:2021-09-24 发布日期:2021-12-27 出版日期:2022-08-10
通讯作者: 林士飏
作者简介:王界钦（1997—），男，山东济宁人，硕士研究生，主要研究方向：移动/多接入边缘计算、任务卸载；
林士飏（1979—），男，台湾新北人，副教授，博士，主要研究方向：移动/多接入边缘计算、5G NR-V2X通信；
彭世明（1997—），男，福建厦门人，硕士研究生，主要研究方向：移动/多接入边缘计算、任务卸载；
贾硕（1999—），男，山东菏泽人，硕士研究生，主要研究方向：移动/多接入边缘计算；
杨苗会（1998—），女，山东菏泽人，硕士研究生，主要研究方向：移动/多接入边缘计算。

Hierarchical resource allocation mechanism of cooperative mobile edge computing

Jieqin WANG, Shihyang LIN(), Shiming PENG, Shuo JIA, Miaohui YANG

School of Transportation and Vehicle Engineering，Shandong University of Technology，Zibo Shandong 255000，China

Received:2021-06-03 Revised:2021-09-14 Accepted:2021-09-24 Online:2021-12-27 Published:2022-08-10
Contact: Shihyang LIN
About author:WANG Jieqin， born in 1997， M. S. candidate. His research interests include mobile/multi-access edge computing， task offloading.
LIN Shihyang， born in 1979， Ph. D.， associate professor. His research interests include mobile/multi-access edge computing， 5G NR-V2X communications.
PENG Shiming， born in 1997， M. S. candidate. His research interests include mobile/multi-access edge computing， task offloading.
JIA Shuo， born in 1999， M. S. candidate. His research interests include mobile/multi-access edge computing.
YANG Miaohui， born in 1998， M. S. candidate. Her research interests include mobile/multi-access edge computing.

摘要/Abstract

摘要：

针对车联网（IoV）中存在大量的车辆卸载任务计算需求，而本地端边缘服务器运算能力有限的问题，提出一种移动边缘计算分层协同资源配置机制（HRAM）。所提算法以多层式的架构合理分配与有效利用移动边缘计算（MEC）服务器的运算资源，减少不同MEC服务器之间的数据多跳转发时延，并优化卸载任务请求时延。首先构建IoV边缘计算系统模型、通信模型、决策模型和计算模型；然后利用层次分析法（AHP）进行多因素综合考虑以确定卸载任务迁移的目标服务器；最后提出动态权值的任务路由策略，调用整体网络的通信能力以缩短卸载任务的请求时延。仿真实验结果表明，HRAM算法相较于任务卸载单层式资源分配（RATAOS）算法和任务卸载多层式资源分配（RATOM）算法，分别降低了40.16%和19.01%的卸载任务请求时延；且所提算法在满足卸载任务最大可容忍时延的前提下，能够满足更多卸载任务的计算需求。

关键词: 移动边缘计算, 车联网, 任务卸载, 资源配置, 多跳转发

Abstract:

Concerning the large number of computing needs of vehicle task offloading and the limited computing capacity of local edge servers in the Internet of Vehicles （IoV）， a Hierarchical Resource Allocation Mechanism of cooperative mobile edge computing （HRAM） was proposed. In this algorithm， the computing resources of Mobile Edge Computing （MEC） servers were reasonably allocated and effectively utilized with a multi-layer architecture，so that the data multi-hop forwarding delay between different MEC servers was reduced， and the delay of task offloading requests was optimized. Firstly， the system model， communication model， decision model， and calculation model of the IoV edge computing were built. Next， the Analytic Hierarchy Process （AHP） was used to comprehensively consider multiple factors to determine the target server the offloaded task transferred to. Finally， a task routing strategy with dynamic weights was proposed to make use of communication capabilities of the overall network to shorten the request delay of task offloading. Simulation results show that compared with Resource Allocation of Task Offloading in Single-hop （RATOS） algorithm and Resource Allocation of Task Offloading in Multi-hop （RATOM） algorithm， HRAM algorithm reduces the request delay of task offloading by 40.16% and 19.01% respectively， and this algorithm can satisfy the computing needs of more offloaded tasks under the premise of meeting the maximum tolerable delay.

Key words: Mobile Edge Computing (MEC), Internet of Vehicles (IoV), task offloading, resource allocation, multi-hop forwarding

中图分类号:

TN929.5

王界钦, 林士飏, 彭世明, 贾硕, 杨苗会. 协同移动边缘计算分层资源配置机制[J]. 计算机应用, 2022, 42(8): 2501-2510.

Jieqin WANG, Shihyang LIN, Shiming PENG, Shuo JIA, Miaohui YANG. Hierarchical resource allocation mechanism of cooperative mobile edge computing[J]. Journal of Computer Applications, 2022, 42(8): 2501-2510.

图/表 12

图1 交通情景

Fig. 1 Traffic scenario

表1 参数名及意义说明

Tab. 1 Parameter names and meanings

参数名	意义
J	特定频段的聚合载波数
$v L a y e r s (j)$	最大层数
$Q m (j)$	最大调制阶数
$f (j)$	扩展系数
$R m a x$	948/1 024
$N P R B B W (j), u$	载波带宽内的最大资源块数
$T s u$	子帧平均正交频分复用符号长
$O H (j)$	开销

表1 参数名及意义说明

Tab. 1 Parameter names and meanings

参数名	意义
J	特定频段的聚合载波数
$v L a y e r s (j)$	最大层数
$Q m (j)$	最大调制阶数
$f (j)$	扩展系数
$R m a x$	948/1 024
$N P R B B W (j), u$	载波带宽内的最大资源块数
$T s u$	子帧平均正交频分复用符号长
$O H (j)$	开销

图2 层次分析法结构模型

Fig. 2 Analytic hierarchy process structure model

表2 判断矩阵

Tab. 2 Judgment matrix

因素	对比因素的重要程度关系
因素	$r n, m l o a d$	$T i, j r e s p o n s e$	$ρ i, j v$	$c o n s n, m$
$r n, m l o a d$	1	1/2	3	5
$T i, j r e s p o n s e$	2	1	5	6
$ρ i, j v$	1/3	1/5	1	2
$c o n s n, m$	1/5	1/6	1/2	1

表2 判断矩阵

Tab. 2 Judgment matrix

因素	对比因素的重要程度关系
因素	$r n, m l o a d$	$T i, j r e s p o n s e$	$ρ i, j v$	$c o n s n, m$
$r n, m l o a d$	1	1/2	3	5
$T i, j r e s p o n s e$	2	1	5	6
$ρ i, j v$	1/3	1/5	1	2
$c o n s n, m$	1/5	1/6	1/2	1

图3 HRAM算法示意图

Fig. 3 Schematic diagram of HARM algorithm

表3 参数配置

Tab. 3 Parameter configuration

名称	值	含义
N_MEC	21	MEC服务器数量
f_c	2.8 GHz	MEC服务器CPU周期频率
R	1 km	通信范围
V_uplink	（309.1~ 618.1） Mb/s	上行链路传输速率
$r f'$	2×10⁸ m/s	MEC服务器间理想传播速率
VUs	｛5，6，…，10｝	请求任务卸载车辆数
Task_i	｛1，2，…，9，10｝	单车辆卸载任务数
size	（400~500） Kb	卸载任务数据量
per	100 cycles/bit	单位bit所需CPU周期数
T_max	0.5 s	卸载任务最大可容忍时延

表3 参数配置

Tab. 3 Parameter configuration

名称	值	含义
N_MEC	21	MEC服务器数量
f_c	2.8 GHz	MEC服务器CPU周期频率
R	1 km	通信范围
V_uplink	（309.1~ 618.1） Mb/s	上行链路传输速率
$r f'$	2×10⁸ m/s	MEC服务器间理想传播速率
VUs	｛5，6，…，10｝	请求任务卸载车辆数
Task_i	｛1，2，…，9，10｝	单车辆卸载任务数
size	（400~500） Kb	卸载任务数据量
per	100 cycles/bit	单位bit所需CPU周期数
T_max	0.5 s	卸载任务最大可容忍时延

图4 MEC服务器部署示意图

Fig. 4 Schematic diagram of MEC server deployment

图5 转发路径选择

Fig. 5 Forwarding path selection

图6 服务能力对卸载任务平均处理时延、转发时延的影响

Fig. 6 Influence of service capability on average processing delay and forwarding delay of offloading tasks

图7 服务能力对卸载任务平均时延的影响

Fig. 7 Influence of service capability on average delay of offloading tasks

图8 卸载任务请求总时延

Fig. 8 Total delay of offloading task requests

图9 卸载成功率

Fig. 9 Offloading success rate

参考文献 18

1	DAB B， AITSAADI N， LANGAR R. A novel joint offloading and resource allocation scheme for mobile edge computing ［C］// Proceedings of the 16th IEEE Annual Consumer Communications and Networking Conference. Piscataway： IEEE， 2019： 1-2. 10.1109/ccnc.2019.8651879
2	JIA M， CAO J N， YANG L. Heuristic offloading of concurrent tasks for computation-intensive applications in mobile cloud computing ［C］// Proceedings of the 2014 IEEE Conference on Computer Communications Workshops. Piscataway： IEEE， 2014： 352-357. 10.1109/infcomw.2014.6849257
3	TONG Z， DENG X M， YE F， et al. Adaptive computation offloading and resource allocation strategy in a mobile edge computing environment［J］. Information Sciences， 2020， 537： 116-131. 10.1016/j.ins.2020.05.057
4	HUANG L， FENG X， ZHANG C， et al. Deep reinforcement learning-based joint task offloading and bandwidth allocation for multi-user mobile edge computing［J］. Digital Communications and Networks， 2019， 5（1）： 10-17. 10.1016/j.dcan.2018.10.003
5	SHAN N L， CUI X L， GAO Z Q. "DRL + FL"： an intelligent resource allocation model based on deep reinforcement learning for Mobile Edge Computing［J］. Computer Communications， 2020， 160： 14-24. 10.1016/j.comcom.2020.05.037
6	VIMAL S， KHARI M， DEY N， et al. Enhanced resource allocation in mobile edge computing using reinforcement learning based MOACO algorithm for IIOT［J］. Computer Communications， 2020， 151： 355-364. 10.1016/j.comcom.2020.01.018
7	WANG Q， LI Z Y， NAI K， et al. Dynamic resource allocation for jointing vehicle-edge deep neural network inference［J］. Journal of Systems Architecture， 2021， 117： No.102133. 10.1016/j.sysarc.2021.102133
8	ZHANG H B， WANG Z X， LIU K J. V2X offloading and resource allocation in SDN-assisted MEC-based vehicular networks［J］. China Communications， 2020， 17（5）： 266-283. 10.23919/jcc.2020.05.020
9	LI C L， CHEN W N， TANG J H， et al. Radio and computing resource allocation with energy harvesting devices in mobile edge computing environment［J］. Computer Communications， 2019， 145： 193-202. 10.1016/j.comcom.2019.06.001
10	ELGENDY I A， ZHANG W Z， TIAN Y C， et al. Resource allocation and computation offloading with data security for mobile edge computing［J］. Future Generation Computer Systems， 2019， 100： 531-541. 10.1016/j.future.2019.05.037
11	LI C L， CHEN W N， TANG H L， et al. Stochastic computation resource allocation for mobile edge computing powered by wireless energy transfer［J］. Ad Hoc Networks， 2019， 93： No.101897. 10.1016/j.adhoc.2019.101897
12	LIAO Y Z， SHOU L Q， YU Q， et al. Joint offloading decision and resource allocation for mobile edge computing enabled networks［J］. Computer Communications， 2020， 154： 361-369. 10.1016/j.comcom.2020.02.071
13	YANG S. A joint optimization scheme for task offloading and resource allocation based on edge computing in 5G communication networks［J］. Computer Communications， 2020， 160： 759-768. 10.1016/j.comcom.2020.07.008
14	FENG H， GUO S T， ZHU A Q， et al. Energy-efficient user selection and resource allocation in mobile edge computing［J］. Ad Hoc Networks， 2020， 107： No.102202. 10.1016/j.adhoc.2020.102202
15	毛莺池，徐雪松，刘鹏飞.基于稳定匹配的多用户任务卸载策略［J］.计算机应用， 2021， 41（3）： 786-793. 10.11772/j.issn.1001-9081.2020060861
	MAO Y C， XU X S， LIU P F. Multi-user task offloading strategy based on stable allocation［J］. Journal of Computer Applications， 2021， 41（3）： 786-793. 10.11772/j.issn.1001-9081.2020060861
16	3rd Generation Partnership Project. User Equipment （UE） radio access capabilities： TS 38.306 V16.4.0 ［S］. Sophia Antipolis： 3GPP， 2021.
17	赵海涛，朱银阳，丁仪，等.车联网中基于移动边缘计算的内容感知分类卸载算法研究［J］.电子与信息学报， 2020， 42（1）： 20-27. 10.11999/JEIT190594
	ZHAO H T， ZHU Y Y， DING Y， et al. Research on content-aware classification offloading algorithm based on mobile edge calculation in the Internet of Vehicles［J］. Journal of Electronics and Information Technology， 2020， 42（1）： 20-27. 10.11999/JEIT190594
18	DIJKSTRA E W. A note on two problems in connexion with graphs［J］. Numerische Mathematik，1959， 1（1）：269-271. 10.1007/bf01386390

[1]	刘炎培, 陈宁宁, 朱运静, 王丽萍. 面向5G/Beyond 5G的移动边缘缓存优化技术综述[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2487-2500.
[2]	邓世权, 叶绪国. 基于深度Q网络的多目标任务卸载算法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1668-1674.
[3]	袁景凌, 毛慧华, 王娜娜, 向尧. 移动边缘计算中资源受限的动态服务部署策略[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1662-1667.
[4]	李余, 何希平, 唐亮贵. 基于终端直通通信的多用户计算卸载资源优化决策[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1538-1546.
[5]	曾续玲, 李陶深, 巩健, 杜利俊. 无线供能移动边缘计算系统的安全卸载优化[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1216-1224.
[6]	陈成瑞, 孙宁, 何世彪, 廖勇. 面向C-V2X通信的基于深度学习的联合信道估计与均衡算法[J]. 计算机应用, 2021, 41(9): 2687-2693.
[7]	郭棉, 张锦友. 移动边缘计算环境中面向机器学习的计算迁移策略[J]. 计算机应用, 2021, 41(9): 2639-2645.
[8]	陈葳葳, 曹利, 顾翔. 基于区块链的车联网电子取证模型[J]. 计算机应用, 2021, 41(7): 1989-1995.
[9]	董文涛, 李卓, 陈昕. 基于联邦学习的在线短视频内容分发策略[J]. 计算机应用, 2021, 41(6): 1551-1556.
[10]	王家瑞, 谭国平, 周思源. 高速车联网场景下分簇式无线联邦学习算法[J]. 计算机应用, 2021, 41(6): 1546-1550.
[11]	王艺洁, 凡佳飞, 王陈宇. 云边环境下基于博弈论的两阶段任务迁移策略[J]. 计算机应用, 2021, 41(5): 1392-1398.
[12]	毛莺池, 徐雪松, 刘鹏飞. 基于稳定匹配的多用户任务卸载策略[J]. 计算机应用, 2021, 41(3): 786-793.
[13]	雷鹰, 郑万波, 魏嵬, 夏云霓, 李晓波, 刘诚武, 谢洪. 基于概率性能感知演化博弈策略的“云+边”混合环境中任务卸载方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3302-3308.
[14]	王岱巍, 徐高潮, 李龙. 无人机辅助的移动边缘计算中的任务分配策略[J]. 计算机应用, 2021, 41(10): 2928-2936.
[15]	巫光福, 王影军. 基于区块链与云-边缘计算混合架构的车联网数据安全存储与共享方案[J]. 计算机应用, 2021, 41(10): 2885-2892.

协同移动边缘计算分层资源配置机制

Hierarchical resource allocation mechanism of cooperative mobile edge computing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 18

相关文章 15

编辑推荐

Metrics