面向无线体域网的无线大数据:移动边缘计算下的协同任务处理研究外文翻译资料

 2021-11-22 09:11

英语原文共 5 页

面向无线体域网的无线大数据:移动边缘计算下的协同任务处理研究

廖杨喆1,2,Quan Yu1,2,Xiaojun Zhai3,艾青松1,2,刘泉1,2,周体超1

1武汉理工大学信息工程学院

2武汉理工大学湖北省宽带无线通信与传感网络重点实验室

3英国计算机科学与电子工程学院

电子邮件:yangzhe.liao@whut.edu.cn, yuquan@whut.edu.cn, xzhai@essex.ac.uk qingsongai@whut.edu.cn, quanliu@whut.edu.cn, zhou153115@whut.edu.cn

摘要 - 随着无线体域网(WBAN)的快速发展,这种新兴技术的主要用途已经从远程医疗监控转变为资源匮乏的交互式娱乐服务,如AR / VR应用,这使得无线体域网(WBAN)和用户设备(UE)可以实时处理计算密集型和延迟敏感型应用程序。本文提出了一种使用WBAN和移动边缘计算(MEC)处理无线大数据应用的协同计算体系结构。WBAN中的接入点(AP)与射频拉远头(RRH)集成在一起,能够执行高延迟和低计算任务,而MEC服务器可以处理低延迟计算密集型任务。在介绍了所提出的模型后,给出了任务分类,任务卸载优先级和AP卸载策略算法。数值结果表明,与现有的中继使能的任务卸载方案相比,所提出的解决方案显著改善了网络生命周期和成功执行任务的总数。此外,具有较高计算能力的UE保证了较低的网络平均服务延迟。

关键词:MEC;WBANs;任务卸载;Qos

  1. 介绍

首次提出无线体域网(WBAN)是为了持续监测患者的健康状况,无线体域网是一种支持远程医疗应用的有效技术。随着物联网(IoT)的快速发展,WBAN被广泛应用于即时增加实用性和趣味性的应用,例如AR / VR游戏和4K / 8K视频播放[1-2]。由于WBAN的用户设备(UE)尺寸小并且能量资源非常有限,因此电源成为主要瓶颈。此外,UE的通信和计算资源也都有限,而这些资源正在努力实现无线大数据应用[3-5]。

为了克服这些研究挑战,在过去几年里,工业界和学术界已经在类云技术方面做出了重大努力。中国移动提出云无线接入网(C-RAN)作为下一代网络有希望的解决方案[6]。与将射频拉远头(RRH)、基带单元(BBU)和前传链路放置在同一位置的传统基站不同,C-RAN允许大量分布式RRH连接到集中式BBU池,而BBU可以以高数据速率与BBU池内的其他BBU进行通信。RRH的使用压缩了来自UE的信号并将它们转发到BBU池以进行进一步处理。然后,为任务分配位于BBU池中的相应虚拟机(VM)。此外,BBU池的计算资源分配是可调的,当网络处于低负载条件时,可以关闭BBU从而减少能量的浪费[7]。

移动云计算(MCC)旨在通过允许移动设备(UE)将计算密集型任务卸载到公共云平台,使UE能够增强体验感并延长电池寿命[8-9]。但是当MCC在远程公共网络上使用时(如Amazon EC2和Google Cloud),无线数据处理会导致响应缓慢和高延迟等不良影响。此外,当UE不能访问因特网时,由于MCC需要因特网连接,所以不能触发任务卸载过程。而移动边缘计算(MEC)是一种突破了MCC局限性的新兴技术,本文提出了一种有效的方法来集成C-RAN和MEC,MEC服务器可以放在BBU池的旁边[10]。与远端云平台不同的是,MEC在靠近UE的现有网络边缘提供计算资源。由于卸载任务靠近UE运行,网络性能实现了低延迟,这有助于减少网络拥塞并提高服务质量(QoS)[11].

到目前为止,很少有工作集中在基于WBAN的无线大数据应用上。考虑传统的WBAN,它将具有计算能力的AP用作管理UE集合的网关。当检测到异常信号时,可以将信息从UE发送到AP;然后可以通过互联网将信息转发给相应的医疗专业人员。为了提高UE的计算能力,[12]中的作者提出了WBAN的中继使能任务卸载管理,允许UE将任务卸载到同一WBAN内的其他UE。然而,由于UE中可用计算资源的限制,WBAN仍然不能支持QoS要求下的计算密集型任务。此外,任务卸载的成功执行取决于UE与AP之间的信道质量。当深度衰落中的信道或大量UE同时发送卸载请求时,任务卸载更可能失败。同时,由于AP和MEC服务器的计算资源有限,当大量UE部署在相同的WBAN中时,分配给每个UE的资源是有限的[13-15]。如何有效地提高基于WBAN的MEC系统的性能仍然是该领域的一个悬而未决的问题。

本文提出了基于MEC和WBAN的协同计算体系结构,通过协同应用AP和MEC的通信和计算资源,提高UE的计算能力。首先,我们介绍通信,计算和路径损耗(PL)模型。其次,为了满足不同的QoS要求,生成的任务被分类到不同的组中。对于任务卸载组,将为每个任务分配不同的优先级。然后,在从UE接收到卸载的任务之后,AP可以基于所提出的基于优先级的成本函数来决定是自己执行任务还是将它们卸载到MEC。结果表明,该方案在网络生命周期和执行任务总数方面实现了更好的性能。此外,对于所提出的方案,具有高计算能力的UE保证了较低的平均服务时间。

本文的其余部分安排如下。在第二部分中,阐述了由WBAN和MEC组成的新颖架构。第三部分介绍了所提出的任务卸载方案。第四部分对系统性能作出了小结,第五部分为全文总结。

图1. 所提出的系统模型

Ⅱ.系统模型

如图1所示,本文提出了用于WBAN的协同计算增强体系结构来处理无线大数据应用。具体来说就是通过集成RRH与AP,在WBAN内执行小尺寸延迟敏感型任务。此外,具有强计算能力的MEC服务器位于BBU池的旁边,用以处理计算密集型任务。我们认为一个WBAN有个UE并由个RRH服务器,BBU池由个VM组成。每个UE需要根据信道条件,通信和计算资源来决定执行任务的位置。由于任务生成的动态性和不可预测性,我们采用遵循泊松分布的任务生成方式。所有生成的任务组都定义为 g. 假设每个任务属于以下组之一:卸载任务组O,本地执行组L和丢弃组D,。

定义1:由生成的任务可以定义为,,其中 是任务大小(以位为单位)。和分别表示所需的CPU周期总数和允许执行任务的最大时间。

  1. 局部计算模型

当决定自己执行任务时,任务被移动到L。本地执行的功耗可表示为:

(1)

其中表示的CPU计算能力。常数和是预先配置的,取决于硬件[16]。本地执行的时间成本为

(2)

B. AP计算模型

考虑到决定卸载任务,定义具有单位平均功率的传输符号,发送信号可表示为

(3)

其中是的传输功率。假设所有UE都使用正交信道来卸载任务,并且忽略干扰。处的接收信号可以表示为

(4)

其中是从到的信道状态信息。z是加性白噪声矢量,后面是。然后信号与干扰加噪声比(SINR)就可以表示为

(5)

其中是的中的接收波束成形向量。考虑到为分配带宽,任务卸载速率可以表示为

(6)

然后任务卸载的时间成本可表示为

(7)

执行任务的时间成本可表示为

(8)

其中是的计算能力。执行任务的总时间成本为

(9)

C.VM计算模型

当决定将任务卸载到MEC时,由于前传链路配备了光纤,因此以和[17-18]同样的方式忽略了传输时间。BBU池将分配来执行任务。的执行成本可表示为

(10)

其中是的计算能力。因此,任务执行的总时间可表示为

(11)

  1. 信道特征

应当认为被称为穿体通信到离体通信的位于UE和AP之间的任务卸载符合IEEE 802.15.6技术标准规定[19-20]。PL模型用距离d表征发射器和接收器之间的传输信号能量衰减:

(12)

其中和分别是参考距离(以米为单位)和相应的PL值。n是指数并且取决于传输环境。描述AP和MEC之间任务卸载的路径和穿透损失假定为

(13)

其中是传输距离(以千米为单位),是典型值[10]。根据方程式(10)和(11),和之间的数据传输有显著的能量衰减。可以看出,需要具有非延迟敏感性的高计算资源的任务被卸载到MEC。

III. 建议的任务卸载解决方案

如上所述,每个UE需要决定是在本地执行任务还是卸载任务,这需要通过本地计算能力,传输功率等众多参数来确定。在本节中,我们首先提出一种不知道全局信息的任务分类算法。此外,为任务卸载组O提供了基于优先级的任务卸载算法。然后,在从UE接收卸载任务后,提出了一种决策算法,用于解决AP是在本地执行任务还是卸载到MEC的问题。

在开始阶段,AP向UE广播短消息分组,并且向UE分配唯一ID。然后,向所有UE通知位置并向AP广播短消息分组,同时向AP通知任务分类决策,如算法1所示。然后,UE可以在任务卸载过程之前更新信道条件。根据[18],对于,最佳时钟频率被证明为,并且最佳功率消耗是。而且,具有单个天线的UE,最小化能耗等于最小化功耗。然后,如果任务在本地执行,我们将给出的最小功耗。

命题1:如果决定卸载任务,则最小功耗为

(14)

证明:如方程式(4)-(6)中所述,功耗取决于传输数据速率。当时,可以获得最小数据速率,其中

(15)

可以获得最小数据速率。回忆式(5),可以获得最小卸载功率,如公式(14)所示。

在获得卸载任务组O之后,由于来自UE和AP的卸载请求之间的信道容量有限,于是提出了基于优先级的任务卸载算法,以在大量UE向发送卸载请求时平衡QoS要求和链路质量。如上所述,具有较小和高延迟要求的任务更可能由执行,而具有计算密集和低延迟要求的任务很可能被卸载至MEC。此外,具有低计算能力的更可能卸载任务。对于WBAN,基于优先级的任务卸载成本函数可以表示为

(17)

其中是的剩余能量。有关任务优先级分

配的详细信息,请参阅算法2。任务卸载的能耗可以通过公式(3)和(7)获得。具有较高的任务意味着缺乏关于能量状态和计算能力的资源,或者任务具有高延迟要求。结果,具有较大值的任务被分配较高的卸载优先级。

在任务卸载阶段,UE开始通过在指定的时隙卸载任务。应该注意的是,由于前传的容量有限,并非所有的卸载任务O都可以由执行。考虑最高优先级的任务,如果具有足够的计算资源并且任务可以在可接受的时间允许内执行,则该任务将由执行。否则,将检查前传链路质量,如果MEC可以将带宽分配给卸载请求任务,则该任务将被卸载到MEC。此外,如果前传链路状况不佳,例如大量UE正在同时发送卸载请求,则任务将移动到丢弃组。此外,当剩余能量小于卸载能耗时,任务不能卸载到。AP中的卸载算法在算法3中给出。一轮的总时间成本可定义为。该过程会一直继续,直到所有UE都切换到睡眠模式。

IV. 性能评估

在本节中,仔细阐述了仿真结果,以研究所提出算法的有效性。假设在一个WBAN中有10个UE,每个UE具有一个天线。假设所有UE随机分布在5times;5平方米的正方形区域中。噪声功率谱密度为-75dBm / Hz。系统带宽为10MHz,每个UE的最大传输功率为1W。在仿真中采用市售的WBAN收发器CC2420。基于实验,参数和分别为10-11和2 [10]。PL参数如下:PL指数n为3.6,为0.5cm,为48.4dB。设置为2000位,因为这是IEEE 802.15.6标准规定的最大值[20]。UE的计算能力为2500,3500和5000个CPU周期。而和MEC的计算能力分别为 和个CPU周期。在MATLAB中进行仿真,并通过取90%的置信区间获得结果。

在本文中,网络生命周期定义为从网络开始到所有UE切换到睡眠模式的时间跨度。图2显示了不同场景下的网络生命周期。可以看出,当CPU周期 = 2500时,[12]中提出的现有方案的网络寿命达到大约4050轮,而本文所提出的方案达到大约6900轮。而且,对于所提出的方案,当和个CPU周期时,网络生命周期分别达到7200轮和7600轮。根据式(1),如果任务是本地执行的,则较高的

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

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。