一种可重构智能表面辅助的多层计算任务卸载方法及装置

本发明涉及通信，特别是指一种可重构智能表面辅助的多层计算任务卸载方法及装置。

背景技术：

1、移动边缘计算(mobile edge computing，mec)提供了一种通过移动用户设备(user equipment，ue)附近的边缘服务器进行数据处理和分析，而不是依赖于集中式数据中心的云计算能力。mec的引入有效地解放了移动设备，使其从繁重的计算任务中解放出来，特别适用于面向第五代移动网络新兴计算密集型和延迟敏感型应用。作为mec系统中的关键组成部分，卸载策略通过无线通信将数据处理任务从用户设备转移到网络边缘服务甚至云服务器。然而，考虑到卸载和计算的限制，能源资源是相对有限的。因此，在满足计算能力和任务延迟等限制条件的前提下，降低能耗成为一项至关重要的任务。

2、目前，研究人员已经提出一些卸载策略，旨在最大程度减少移动电子设备的能耗。这些研究不仅关注了单用户的调度策略，还探索了多用户调度策略，以降低计算能耗和延迟。为了进一步提升性能，多层边缘计算引入了额外的计算层，由网络边缘中继节点组成，以更加灵活高效地处理从云端到物联网终端的分布式数据。此外，部署可重构智能表面(reconfigurable intelligent surface，ris)有助于提高卸载效率。近期，有研究提出一种透射式可重构元表面收发器，用于启用多层计算网络架构，以降低能耗。然而，据检索，目前尚未有使用ris来辅助多层计算系统的报道。

技术实现思路

1、针对上述问题，本发明的目的在于提供一种可重构智能表面辅助的多层计算任务卸载方法及装置，将计算任务比特从用户设备(user equipment，ue)卸载到解码前向(decode-and-forward，df)中继器，再进一步卸载到基站(base station,bs)，两阶段无线通信都由ris辅助，能够显著降低能耗。

2、为解决上述技术问题，本发明提供如下技术方案：

3、一方面，提供了一种可重构智能表面辅助的多层计算任务卸载方法，所述方法包括以下步骤：

4、s1、构建可重构智能表面辅助的多层移动边缘计算网络模型；

5、s2、设计两阶段卸载策略，包括：第一阶段从用户设备卸载到解码前向中继器，第二阶段从解码前向中继器卸载到基站；

6、s3、计算卸载能量损耗和计算能量损耗；

7、s4、构建最优化问题，通过最优化子载波分配、任务量分配、时间分配、发射功率分配和可重构智能表面波束赋形向量来最小化卸载能量损耗和计算能量损耗；

8、s5、将最优化问题分解为三个子问题，通过交替迭代方法得到局部最优解。

9、可选地，所述步骤s1具体包括：

10、构建可重构智能表面ris辅助的多层移动边缘计算mec网络模型，包含k个用户设备ue，一个解码前向中继器即df中继，一个基站bs；其中，df中继、bs和每个ue都装备一个单天线，一个ris由m个天线阵列组成，用于协助计算，其中信道带宽b被分为n个子载波，每个子载波带宽为w＝b/n。

11、可选地，所述步骤s2具体包括：

12、设定df中继和计算节点cn位于同一位置，bs和mec服务器也位于同一位置；第k个用户的数据量为dk，该数据量在时长t内成功传输；将时长t分为三个时间段，其中，第一个时间段表示为ti，第k个用户卸载数据量到df中继，df中继在剩余的t-ti时间内执行数据量为的任务；在第二个时间段df中继卸载数据量到bs；在第三个时间段内，mec服务器执行计算卸载任务；其中，卸载策略包括两阶段：第一阶段卸载到df中继，第二阶段卸载到bs。

13、可选地，所述步骤s3中，卸载能量损耗的计算如下：

14、在第一阶段卸载到df中继时，第k个用户卸载数据量到df中继，发射功率为在第n个子载波上，定义从第k个用户到df中继的信道增益为hk,n；从第k个用户到ris的信道增益为gk,n；从ris到df中继的信道增益为hn；因此，从第k个用户到df中继的可达数据速率描述为：

15、

16、其中，为高斯白噪声的功率，diag(hn)为hn的对角线矩阵；令表示ris波束赋形矩阵；vi＝θi1m×1表示ris波束赋形向量；定义为第n个子载波是否分配给第k个用户；当第n个子载波分配给第k个用户时，否则，

17、因此，第k个用户卸载到df中继的任务量为在第一个时间段内的卸载能量损耗为：

18、

19、在第二阶段卸载到bs上时，在第二个时间段内，当成功解码接收信号时，df中继卸载任务量到bs；此时，在第n个子载波上，假定θii和fn分别表示从bs到df中继，从df中继到ris和从ris到bs的信道增益；令表示在第n个子载波上df中继的发射功率，令表示子载波分配变量；

20、因此，在第二个时间段内，bs的接收信号的可达数据速率表示为：

21、

22、其中，且vii＝θii1m×1，ah表示矩阵a的共轭转置，从第k个用户卸载到bs的任务数据量为

23、mec在剩余时间执行计算卸载任务，在第二个时间段内的传输能量损耗为：

24、

25、因此，总卸载能量损耗表示为：

26、

27、可选地，所述步骤s3中，计算能量损耗的计算如下：

28、计算过程分为三类，第一类为本地计算，第二类为df中继计算，第三类为mec计算；

29、在第一类本地计算中，第k个用户在整个时间段t内执行任务使用cpu频率；令ct表示第一类本地计算中mec的cpu周期数来计算每个用户的任务比特，因此有其中ft,k和ft,max分别表示本地服务器计算第k个用户的数据需要的cpu频率和最大的cpu频率，at表示本地服务器的有效电容因子；全部用户的总的本地计算能量损耗为当时，取最小值，本地计算能量损耗为：

30、

31、第二类df中继计算中，在解码从第k个用户接收到卸载任务后，df中继在剩余时间内执行任务量设定df中继可以并行执行不同用户的卸载任务，令cr表示第二类df中继计算中mec的cpu周期数来计算每个用户的任务比特，ar表示df中继计算服务器的有效电容因子；令fr,k和fr,max分别表示cn计算第k个用户的数据需要的cpu频率和最大的cpu频率；由于df中继为所有用户执行卸载任务，得到∑kfr，k≤fr，max，因此，df中继计算能量损耗为：

32、

33、第三类mec计算中，在第三个时间段中，mec服务器执行计算卸载任务；设定mec可以并行执行不同用户的卸载任务，令cm表示第三类mec计算中mec的cpu周期数来计算每个用户的任务比特；令fm,k和fm,max表示mec服务器计算第k个用户的数据需要的cpu频率和最大的cpu频率；因此得到∑kfm，k≤fm，max且

34、可选地，所述步骤s4中，最优化问题表示为：

35、

36、其中，表示子载波分配矩阵，表示任务量分配矩阵，表示时间分配矩阵，表示发射功率分配矩阵，pmax表示最大发射功率；|a|表示元素a的绝对值，vs[m]表示向量vs的第m个元素，vi、vii分别表示两个阶段的ris波束赋形向量；c1、c2表示输入任务量约束；c3、c4分别表示第k个用户和df中继的发射功率约束；c5、c6、c7表示在不同时间点下的子载波分配约束；c8、c9表示第k个用户、cn和mec服务器的计算能力约束；c10、c11表示时间分配约束；c12表示ris波束赋形矩阵约束。

37、可选地，所述步骤s5具体包括：

38、将最优化问题分解为三个子问题：子问题1、子问题2和子问题3；

39、在子问题1中，固定变量a、p、vi和vii，联合优化d和t；在子问题2中，固定变量t、d、vi和vii，联合优化a和p；在子问题3中，联合优化vi和vii，并且保持其他变量固定；之后，通过子问题1、子问题2和子问题3交替迭代来得到局部最优解；

40、对于子问题1，联合优化任务量分配矩阵和时间分配矩阵；因此，子问题1重新表示为：

41、

42、卸载能量损耗是一个关于时间分配的仿射函数，是关于的凸函数，是关于和的凸函数，约束c1、c2、c8、c10、c11是仿射的，c9是非凸的，这使得子问题1是非凸函数；利用sca计算c9两个式子左边项的一阶泰勒展开，并且分别得到这两项的上届；对于c9的第一项不等式左边上届表示为：

43、c12：

44、其中是在第i代的值，ti(i)为ti在第i代的值；对于c9的第二项不等式左边而言，上届表示为：

45、c13：

46、其中，是在第i代的值，为在第i代的值；因此得到子问题1的近似凸形式：

47、

48、上述问题直接通过cvx工具库求解；

49、子问题2联合优化子载波分配矩阵a和发射功率分配矩阵p；二进制变量a令c4-c7约束为非凸的，为避开c5的二进制属性，将二进制变量放松为：

50、c14：

51、然后，通过引入一个辅助变量解耦卸载能量损耗中的a和p；子问题2重新表示为：

52、

53、在子问题2中，目标函数是仿射的，约束c4、c6、c7、c15、c16是仿射的，并且c1是凸的；因此子问题2是一个标准的凸函数，直接通过cvx工具求解；

54、子问题3进行ris波束赋形，此时优化变量为vi和vii，并且保持变量a、d、t、p不变；设计一种波束赋形向量优化问题，其目标为在每个时间段内最大化总数据速率，表示为：

55、

56、子问题3是非凸的，为了解决这个问题，定义和令和rank()和tr()分别表示矩阵的秩和迹；因此得到：

57、

58、子问题3的等价形式表示为：

59、

60、其中表示矩阵第m行第m列元素，非凸的秩1约束的存在令该问题为非凸的，秩1约束可以被转化为：

61、

62、此时，利用罚函数框架解决该问题。

63、另一方面，提供了一种可重构智能表面辅助的多层计算任务卸载装置，用于实现上述任一项所述的方法，所述装置包括：

64、模型构建模块，用于构建可重构智能表面辅助的多层移动边缘计算网络模型；

65、策略设计模块，用于设计两阶段卸载策略，包括：第一阶段从用户设备卸载到解码前向中继器，第二阶段从解码前向中继器卸载到基站；

66、计算模块，用于计算卸载能量损耗和计算能量损耗；

67、最优化问题构建模块，用于构建最优化问题，通过最优化子载波分配、任务量分配、时间分配、发射功率分配和可重构智能表面波束赋形向量来最小化卸载能量损耗和计算能量损耗；

68、求解模块，用于将最优化问题分解为三个子问题，通过交替迭代方法得到局部最优解。

69、另一方面，提供了一种电子设备，所述电子设备包括：

70、处理器；

71、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器加载并执行时，实现如上述多层计算任务卸载方法的步骤。

72、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述多层计算任务卸载方法的步骤。

73、本发明提供的技术方案带来的有益效果至少包括：

74、本发明提出的ris辅助的多层计算任务卸载方法及装置，提供了一种最小化系统总能耗的算法，其中对子载波分配、功率分配、时间分配、任务位分配和ris波束成形向量进行了联合优化。仿真结果表明，与传统的tl-mec、mlc系统相比，本发明更具优势，可显著降低系统能耗。