英语原文共 11 页
移动云环境下C-RAN的联合能量最小化与资源分配
摘要 - 云无线接入网络（C-RAN）已成为下一代接入网络技术的潜在候选者，以应对不断增长的移动流量，而移动云计算（MCC）为资源有限的移动用户在执行计算密集型任务时提供了一种前瞻性解决方案。充分利用上述两种基于云的技术，本文介绍了带有MCC的C- RAN，以提高性能和能效。特别地，本文研究了在给定任务的时间约束下，C-RAN与MCC的联合能量最小化和资源分配。我们首先回顾计算和通信的能量和时间模型。然后，我们将联合能量最小化制定为非凸优化，具有任务执行时间，传输功率，计算能力和前传数据速率的约束。然后，基于加权最小均方误差（WMMSE）将该非凸优化重新表示为等效凸问题。最后给出迭代算法来处理C-RAN中与移动云的联合资源分配。仿真结果证实，所提出的能量最小化和资源分配解决方案可以提高系统性能并节省能源。
关键词-C-RAN，联合能量最小化，移动云计算，资源分配
1、引言
如今，智能设备的数量和相应的移动通信量迅速增长，这对现有的蜂窝网络构成了越来越高的负担。据预测，在新型网络和计算范例的帮助下，移动设备流量将增加1,000倍，预计到2020年成本将减少100倍。此外，越来越多的计算资源密集型任务，如多媒体应用，高清视频播放和游戏出现在我们的日常生活中，使得手机和网络在能量和带宽方面的负担大大增加。此外，这些类型的应用有吸引更多智能手机用户的关注的趋势。
然而，在传统的蜂窝网络中，每个基站（BS）分别向用户设备（UE）发送数据信号，因此BS中的能量成本通常会非常高，以克服路径损耗和来自其他BS的干扰。协作中继，通过在不同节点处发送和接收相同信号的独立副本来减轻和抵抗衰落的有害影响。然而，协同中继的总能量成本仍然可能有点高[2] ， [3] 。此外，协调多点(CoMP)技术通过使用诸如联合传输(JT)等合作技术来减轻干扰。由于传统的X2接口限制，comp技术有时无法达到最佳性能，即低带宽、高延迟和不准确的同步。
幸运的是，最近有一种新的有前景的网络基础设施， 即云无线电接入网络（C-RAN）已经出现，很快在学术界和工业界都得到了大量的关注[4]，[5]。C-RAN是一个基于云计算，集中，清洁和协作的无线接入网络[6]。它将传统的BS划分为三个部分，即远程无线电头（RRH），基带单元（BBU）池，以及将RRH连接到BBU云池的高带宽，高速，低延迟光纤传输（或前传）链路。在C-RAN中，大多数密集网络计算任务，例如基带信号处理，预编码矩阵计算， 信道状态信息（CSI）估计被移动到云中的BBU池，其由许多软件定义的虚拟机组成，具有可根据需求动态配置，可扩展，可共享，可重新分配的功能。另一方面，充当软中继的RRH可以压缩和转发来自BBU云的接收信号，并将它们在RF频带中发送到UE。在这种情况下，根据网络要求，功能有限的RRH仅包括A / D，D / A转换，放大，频率转换，使它们非常容易分配。由于BBU和RRH的分离以及不同BBU之间的协作，可以在有效的干扰消除和管理以及网络容量的增加和能量成本的降低方面实现显着的性能增益。从行业角度来看，[5]也给出了C-RAN的好处。
另一个非常令人印象深刻的技术，即移动云计算（MCC） 最近引起了巨大的兴趣[7]，[8]。MCC的灵感来自于整合流行云计算进入移动环境，这使得计算需求不断增加但计算资源有限的移动用户可以将任务卸载到云中的强大平台。参考文献[8]研究了对云的卸载操作是否可以节省能源并延长UE 的电池寿命。参考文献[9]提供了随机无线信道下能量最优移动云计算的理论框架，而参考文献[10]提出了一种实现MCC有效计算卸载的博弈论方法。此外，在[11]中研究了无线网络中面向能效的流量卸载。在[12]中已经研究了云计算与车载网络的集成，其中车辆可以彼此共享计算资源，存储资源和带宽资源。在[13]中也研究了云计算车载网络中的协作资源管理，其中考虑了云计算车载网络中带宽和计算资源之间的资源管理。参考文献[14]提出了一种基于云的无线多媒体社交网络，其中桌面用户可以从多媒体云接收多媒体服务，并且他们还可以通过无线连接与移动朋友分享他们的实况内容。此外，已经提出软件定义网络（SDN）通过MCC的逻辑集中控制模型提供可扩展且灵活的管理[15]，[16]。
尽管云计算已经证明了提高性能的潜在能力，但不仅在MCC中，而且在C-RAN中，它们之间的联合研究很少。幸运的是，[17]，[18]，[19]表明MCC和C-RAN的组合引起了极大的兴趣。参考文献[17]已经表明，可以耦合计算资源和通信资源以增强连接的设备。参考文献[18]研究了C-RAN中的拓扑配置和速率分配，目的是优化MCC的端到端TCP吞吐量性能。参考文献[19]研究了C-RAN的跨层资源分配模型，最小化BBU和RRH中的整体系统功耗。
此外，在UE侧追求计算密集型或高带宽任务增加了移动运营商的运营费用和资本支出，这大大降低了他们的利润并使他们面临非常困难的情况。[20]已经表明，能源开销或电力成本是整体运营支出中最重要的因素之一。因此，如何节省整个系统的能量对于运营商来说具有重要意义。
为了解决上述问题，在本文中，我们提出了一种新颖的C-RAN结构，其中移动云（虚拟机）与云池中的BBU共存。移动云负责执行计算密集型任务，而BBU负责通过RRH将执行结果返回给UE。我们的目标是在C-RAN和移动云的给定任务的时间限制下共同降低总能源成本。特别地，我们模拟移动云在执行任务时的能量成本，以及网络通过RRH将结果发送回UE 的能量成本。我们还模拟了移动云和无线网络传输过程所花费的时间成本。我们将联合能量最小化公式化为非凸优化，这是一种NP-难问题。然后我们将其转换为功率最小化和数据速率（吞吐量）求和最大化问题。求和数据速率（吞吐量）最大化问题可以转化为加权均方误差（MSE）问题的等效最小化，可以通过加权最小均方误差（WMMSE）来解决[21]，[22]。通过使用基于WMMSE的迭代算法，我们可以成功地解决移动云和C-RAN之间的联合资源分配，并且还可以处理RRH中的波束形成向量设计。
本文的其余部分安排如下。第2节介绍了系统模型，包括移动云计算模型和网络模型。第3节介绍了优化问题的制定以及移动云和C-RAN中的两个独立的能量最小化解决方案， 而第4节介绍了移动云和移动网络中的联合能量最小化算法。模拟结果显示在第5节中，然后是第6节中的结束语。
2、系统模型
在本节中，介绍了移动云计算以及C-RAN的数学模型。首先， 我们介绍MCC中移动克隆的概念和整个系统设计，然后描述 计算模型，包括云和网络中的能量和时间消耗模型。最后， 通过给定任务的时间约束给出服务质量（QoS）要求。
2.1、移动克隆和系统架构
通常，当移动用户遇到计算密集型或高能耗的任务时，他们有时不希望将这些任务卸载到移动云中，因为将这些程序数据传输到云仍然需要一些能量[8]。在某些情况下，如果传输开销过高，则在本地执行这些任务会更好。因此，最好首先在移动云中拥有移动用户的计算任务和一些相应的数据。
为解决这一问题，我们建议将移动克隆与云池中的BBU放在一起。移动克隆将拥有用户任务信息和数据。移动克隆可以由基于云的虚拟机实现，该虚拟机保持与移动用户相同的软件栈，例如操作系统，中间件，应用程序。如果移动用户想要执行某项任务，则只需要将指示信号和相应的用户配置信息发送到移动克隆（虚拟机），移动克隆将代表移动用户执行这些任务。在这种情况下，移动用户仅需要花费少量的能量和时间开销。在任务执行完成之后，移动克隆将通过C- RAN将计算结果数据发送回移动用户。具有移动克隆的另一个优点是每个移动克隆可以在不通过无线链路的情况下在云中相互通信。在这种情况下，每个移动用户的通信可能被转移到移动克隆之间的通信（克隆到克隆通信），从而节省了大量的无线网络资源以及能源和时间开销。
图1.具有移动云系统的云无线电接入网络。
在本文中，我们认为有Nu;={1,2,....,N}个UE，每个UE具有天线，部署在C-RAN中。另外，我们认为有L={1,2,....,L}个RRH，每一个有Kge;1个天线，通过高速光纤前传链路连接到BBU池，如图1所示。我们考虑每个移动用户已经具有一个特定的移动克隆，已经建立在云端，在BBU旁边，移动克隆具有与其相应移动用户相同的软件堆栈。类似于[8] 和[10]，我们假设每个UE i具有要在移动克隆i中完成的计算密集型任务Ui ，如下所示：
其中Fi 描述了需要为第i个UE完成该计算任务Ui的CPU周期的总数，而Di 表示在任务执行后通过C-RAN发送到第i个UE的任务输出数据的整个大小，包括任务的输出参数和计算结果等，Di 和Fi 可以通过使用[23]中提供的方法获得。
由于移动克隆具有与UE相同的软件栈，因此UE仅需要将包括指示信号和配置信息的少量数据发送到移动克隆以指示任务被执行。因此，我们不考虑在上行链路传输过程中引起的时间和能耗。此外，我们假设所有信道状态信息在BBU池中都可用，这有助于干扰消除和信号合作。我们不考虑前传链路中的时间和能量消耗，但我们将通过使用传输数据速率来考虑前移限制。
2.2、计算模型
在移动克隆中，完成任务UI所花费的时间定义如下：
并且第i个移动克隆中使用的能量给出为：
其中ge;0是有效开关电容，是在云中服务UE i的第i个虚拟机的计算能力和ge;1是正常数[24]。根据实际测量，可以设置为：
我们还假设不同的移动克隆可能具有不同的计算容量，并且虚拟机的计算容量的约束由下式给出：
其中是第i个虚拟机可以实现的最大的计算能力，事实上，虚拟机通常不具备无限的计算能力。
2.3、网络模型
移动克隆完成任务执行后，结果将通过C-RAN返回给移动用户。在复合基带等效信道下UE i处的接收信号可以写为：
(5)
因此，信号与干扰加噪声比（SINR）可以表示为：
然后，UEi的系统容量和可实现的速率可以给出：
其中Bi是分配给UEi的无线信道带宽。将执行结果发送回UE的时间成本
来自RRH的我是由
其中Di是返回数据，由第一部分介绍。此外，我们可以假设RRH发送此任务的能力是pi，那么服务RRH消耗的能量是
其中pi可以作为给出。另外，我们可以假设每个RRHj都有自己的功率约束，如下所示：
2.4、前传约束
前传链路可以通过C-RAN将任务结果从移动克隆传送到UE。参考文献[26]使用l0-norm来模拟第j个前传能力：
其中表示向量的l0范数，可以解释为向量中非零项的数量，也可以在数学上表示为：
可以看出，非零元素的数量。发射波束形成矢量也表示由前传承载的数据符号流的数量第i个移动用户从BBU链接到RRHj。参考[26]也假设每个前-传链路只能够最多携带用于UE的信号
参考文献[27]更进一步，假设前面的消耗是RRH服务的用户的累积数据速率，并将第j个前传能力建模为
在这种情况下，可以将JTH前沿运输约束建模为允许通过BBU向JTH RRH传输的最大数据速率，作为。由于该约束更为现实，在优化问题的后续推导中，我们也将其作为前拖约束。
2.5、QoS要求
QoS可以作为完成所需任务的整个时间成本的约束并将结果返回给移动用户。我们定义执行任务结果并将其传输到UEi所花费的总时间
我们假设任务必须在时间限制中完成以满足移动用户的要求，那么QoS可以作为
此外，执行该任务并将结果发送回第i个UE的整个能量成本可以给出为
其中是在移动云和C-RAN中的能量消耗之间权衡的权重， 并且它也可以解释为RRH处的功率放大器的低效系数。
3、问题的制定和分离解决方案
在本节中，我们提供能量最小化问题公式。我们的设计旨在最大限度地降低能源成本，同时满足时间限制。首先，我们为移动克隆制定能量最小化，然后我们用前传约束来制定C-RAN的能量最小化。分别为移动克隆和C-RAN的能量最小化提供了两个单独的解决方案。
3.1、移动克隆的能量最小化
我们假设完成任务的时间限制移动克隆为，然后能量最小化优化，可以看出，非零元素的数量移动克隆的优化问题可以给出
假设是问题P1的最优解。然后，如果为i=1,2，hellip;，N，等于第一个约束的等式。因此，可以给出最优解：
如果，我们假设没有解决上述问题的方法。因此，保证QoS的唯一方法就是增加云中的最大计算容量。因此，整体的能量开销由下式给出：
3.2、C-RAN的能量最小化
我们假设通过C-RAN将任务结果发送到UE i的时间约束为。然后，C-RAN传输的能量最小化优化问题可以给出：
问题P2是一个非凸优化问题和NP-难问题，这很难解决。参考文献28已经表明，在某些条件下，能量最小化优化问题可能会转化为功率最小化问题。在本节中，我们使用一些近似来处理能量最小化。
从（6）和（7）中，我们可以得到第i个UE可达到的速率为：
如果忽略干扰项，而且运用
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
