近年来,移动互联网在新型通信技术的推动下得到很大的发展,用户的需求呈爆炸式增长,但受到无线网络频带、功率的制约,移动通信网络发展进入了瓶颈期[1-2]。为了提高移动设备的高速接入需求,系统容量和无线资源是目前主要突破途径,提高系统容量可以帮助更多的用户同时使用,而提高无线资源的利用率可以满足用户高速下载的需求[3-5]。目前的主要方法是增加异构移动网络的布设密度和建立云服务网络系统[6-11]。在最近提出的分层云服务架构中,微云系统是主要的核心,通过把远端的集中式服务转移到本地,本地用户便可以享受延时较低、质量较高的当地服务[12]。近几年来,这些研究主要侧重于网络架构方面,而云无线接入网络中的资源分配问题一直是研究热点和难点问题[13],为了提高用户的服务质量,本文提出一种将虚拟资源和无线资源进行联合调度的方案。
1 流媒体在分层云服务架构下的网络模型传统的网络传输系统体验中,数据获取延时是个很严重的问题,随着网络系统的发展,分层云服务的概念逐渐成为现实,在这个框架下,当多个用户同时需要流媒体服务时,不再是重复向核心服务器发出请求,而是直接可以在本地微云服务器的缓存中找到。该网络模型的工作结构如图 1所示。
Download:
|
|
本文针对当今资源调度的问题将本地微云系统建立在云接入层C-RAN上,提出了分层次云服务系统。在运行中,C-RAN负责无线资源的分配问题,本地微云服务器负责统筹本地用户的对虚拟资源的服务需求,而数据中心则负责保障根据对用户需求的记录提前将一些数据和服务缓存到本地的微云系统中[14]。
此模型是建立在系统的收益之上,以实现利益的最大化,来选择无线资源和虚拟资源调度分配的最佳方案。
设定共有M个用户分配在Q个蜂窝小区c1, c2, …, cQ,各个小区布设一个C-RAN系统的RRHs,若干个临近的小区划分为一个局部区域,共分为W个区域,各个区域布设一个微云服务器。在此基础上定义bk, j, i和pk, j, i为小区k中用户yj所需服务si对应的频带和发射功率,该服务对应的下行速率Ri
$ {R_i} = \sum\limits_{{y_j} \in {c_k}} {{x_{k,j,i}}{b_{k,j,i}}{\rm{lb}}\left( {1 + {\gamma _i}} \right)} $ | (1) |
$ {\gamma _i} = \frac{{{p_{k,j,i}}{G_{k,j}}}}{{\sum\nolimits_{k \ne j} {{p_d}{G_{d,j}}} + {N_0}{b_{k,j,i}}}} $ | (2) |
式中:xk, j, i=1表示小区k中用户yj正使用服务si,xk, j, i=0表示其他情况;γi表示信干噪比;Gk, j是小区k中用户yj的传输损耗;Gd, j是干扰基站到用户yj的传输损耗;pdGd, j为其他基站的干扰;N0bk, j, i为高斯白噪声干扰。
对于网络C-RAN的资源调度方案,假设某个时间点系统分发给小区k的频带为Bk,那么限制条件是
$ \sum\limits_{{y_j} \in Y} {\sum\limits_{{s_j} \in S} {{x_{k,j,i}}{b_{k,j,i}}} } \le {B_k} $ | (3) |
对于虚拟资源的量化研究,本文主要以缓存资源为研究对象,假设微云的资源总量为Hw,小区ck中用户yj所需服务si的缓存资源为hk, j, i,限制条件为
$ \sum\limits_{{c_k} \in {A_w}} {\sum\limits_{{y_j} \in {c_k}} {{x_{k,j,i}}{h_{k,j,i}}} } \le {H_w} $ | (4) |
把频带bk, j, i、功率、缓存bk, j, i为收益最大化研究的参考因素,一般而言,频带和缓存增加,则收益也相应增加;而随着功率变大,成本也会变大。因此我们定义服务S={s1, s2, …, sN}的收益为R={r1, r2, …, rN},成本为C={c1, c2, …, cN},那么对应的收益函数可以表示为
$ {r_i}\left( {{b_{k,j,i}},{h_{k,j,i}}} \right) = \ln \left( {1 + {r_0}{b_{k,j,i}}} \right) + \ln \left( {1 + {v_i}{h_{k,j,i}}} \right) $ | (5) |
式中:r0为单位频带产生的收益,vi为使用服务时消费单位虚拟资源产生的收益。整体来说,该函数和资源消耗是一个上凸函数,随着资源消耗收益会不断增加,但是速度会越来越小。
在本文考虑的成本中,不再考虑一次性投入的固定成本,而是把起主要作用的变化的能耗成本作为主要考虑对象,因此我们在研究能耗支出时加入了一个系数κ,将它乘在发射功率上,并定义c0为单位功率支出成本,因此成本为
$ {c_i}\left( {{p_{k,j,i}}} \right) = {c_0}\kappa {p_{k,j,i}} $ | (6) |
在整个系统中,总收益为
$ \sum\limits_{k = 1}^Q {\sum\limits_{j = 1}^M {\sum\limits_{i = 1}^N {{x_{k,j,i}}\left( {{r_i} - {c_i}} \right)} } } $ | (7) |
综合上述,系统的最大收益优化模型为
$ \max \sum\limits_{k = 1}^Q {\sum\limits_{j = 1}^M {\sum\limits_{i = 1}^N {{x_{k,j,i}}\left( {{r_i} - {c_i}} \right)} } } $ | (8) |
$ {\rm{s}}.\;{\rm{t}}.\;\;\sum\limits_{{y_j} \in {c_k}} {{x_{k,j,i}}{h_{k,j,i}}{\rm{lb}}\left( {1 + {\gamma _i}} \right)} = {R_i} $ | (9) |
$ \sum\limits_{{y_j} \in Y} {\sum\limits_{{s_i} \in S} {{x_{k,j,i}}{b_{k,j,i}}} } \le {B_k} $ | (10) |
$ \sum\limits_{{c_k} \in {A_w}} {\sum\limits_{{y_j} \in {c_k}} {{x_{k,j,i}}{h_{k,j,i}}} } \le {H_w} $ | (11) |
$ {h_{k,j,i}} = f\left( {{b_{k,j,i}},{p_{k,j,i}}} \right) $ | (12) |
$ \sum\limits_{{y_j} \in {c_k}} {{x_{k,j,i}}} = 1,{x_{k,j,i}} \in \left\{ {0,1} \right\} $ | (13) |
$ {b_{k,j,i}} \ge 0,{p_{k,j,i}} \ge 0,{h_{k,j,i}} \ge 0 $ | (14) |
对于式(12)而言,虚拟资源的分配和无线资源存在很大的联系。同样,当请求的无线资源增加时,下行速度会变大,这样也会使得微云在调配虚拟资源时给用户发送的就越多。
2 分层云服务架构下的联合调度策略对于式(8),考虑C-RAN系统本身的调配特点,根据其集中式的动态调配特征,使用"集中式+分布式"的调配方案。
2.1 分布式无线资源优化分配首先研究单个小区内的频谱资源调配,对于小区Ak,我们将0、1变量xk, j, i写成xj, i,表示着用户yj此时有否在使用si。另外,由于上文中bk, j, i只是表示单个应用服务的频带,而实际生活中一般用户会同时应用多个流媒体服务[15-17],因此认为用户yj此时在使用流媒体视频sl、sm、sn,每项的最低下载率为Rl、Rm、Rn, 令Rj=Rl+Rm+Rn,因此限制条件可以表示为
$ {b_{k,j,i}}{\rm{lb}}\left( {1 + {\gamma _i}} \right) = {R_j} $ | (15) |
简化
$ {p_{k,j}} = P\left( {{b_{k,j}}} \right) = \frac{{{N_0}{b_{k,j}}\left( {{2^{{R_{k,j}}/{b_{k,j}}}} - 1} \right)}}{{{G_{k,j}} - \left( {{2^{{R_{k,j}}/{b_{k,j}}}} - 1} \right)\sum\limits_{d \ne k} {{\chi _d}{G_{d,j}}} }} $ | (16) |
简化后,式(8)可以表示为
$ \max \sum\limits_{{y_j} \in {c_k}} {\left[ {\ln \left( {1 + {r_0}{b_{j,i}}} \right) - {c_0}\kappa P\left( {{b_{k,j}}} \right)} \right]} $ | (17) |
$ {\rm{s}}.\;{\rm{t}}.\;\;\sum\limits_{{y_j} \in {c_k}} {{b_{j,i}}} = {B_k},\;\;{b_{k,j}} \ge 0 $ | (18) |
在求解中需要注意到优化函数和限制条件需满足连续可微,在KKT条件的基础上通过二分法来求取解。因为二分法[16]是成熟的模块将直接运用,具体算法步骤为:
1) 初始化:λ*=1,ε=10-5
$ \begin{array}{*{20}{c}} {P\left( {b_{k,j}^ * ,{\lambda ^ * }} \right) = \frac{{{r_0}}}{{1 + {r_0} \cdot b_{k,j}^ * }} + }\\ {\frac{{{c_0}\kappa {N_0}\left( {{2^{{R_{k,j}}/{b_{{k^ * },j}}}}{G_{k,j}} + {2^{2{R_{k,j}}/{b_{{k^ * },j}}}}\sum\limits_{d \ne k} {{\chi _d}{G_{d,j}}} } \right)}}{{{{\left( {{G_{k,j}} + {2^{{R_{k,j}}/{b_{{k^ * },j}}}}\sum\limits_{d \ne k} {{\chi _d}{G_{d,j}}} } \right)}^2}}} - {\lambda ^ * }} \end{array} $ |
2) 将λ*=1代入方程P(bk, j*,λ*),利用二分法求解方程P(bk, j*,λ*)=0,得到bk, 1*,bk, 2*,…, bk, M*。
3) 将步骤2)的结果进行迭代更新。
如果
$ {\lambda ^ * } \leftarrow \left( {1 + \frac{{\sum\limits_{{y_j} \in {A_k}} {b_j^ * } - {B_k}\left( t \right)}}{{{B_k}\left( t \right)}}} \right){\lambda ^ * } $ |
如果
$ {\lambda ^ * } \leftarrow \left( {1 - \frac{{{B_k}\left( t \right) - \sum\limits_{{y_j} \in {A_k}} {b_j^ * } }}{{{B_k}\left( t \right)}}} \right){\lambda ^ * } $ |
4) 将λ*代入方程P(bk, j*,λ*),利用二分法求解方程P(bk, l*,λ*)=0,得到bk, 1*,bk, 2*,…, bk, M*。将bk, j*代入式(16)可得到pk, j*;
5) 输出:系统分配给用户yj的频带资源总量为bk, j*,系统分配给用户yj的发射功率为pk, j*。
分布式无线资源优化分配算法对应的时间上的复杂程度为
在微云后期的内容缓存与更新阶段,由于需要考虑虚拟资源的再分配问题和利益的最大化[17-18],所以将建立如下模型:
$ \max \sum\limits_{{y_j} \in {c_k},{c_k} \in {A_{\rm{w}}}} {\ln \left( {1 + {v_j}h_{k,j}^w} \right)} $ | (19) |
$ {\rm{s}}.\;{\rm{t}}.\;\;\sum\limits_{{y_j} \in {c_k},{c_k} \in {A_{\rm{w}}}} {h_{k,j}^w \le \Delta {H_{\rm{w}}}} $ | (20) |
$ h_{k,j}^w \ge \alpha {R_j} $ | (21) |
$ h_{k,j}^w = {b_{k,j}} = 0,{\tau _j} \ge {\tau _{\max }} $ | (22) |
式(19)的求解方法与式(8)相似,分布式虚拟资源优化分配算法为
1) 初始化输入:
2) 对于各个用户yj,将
3) 回收已经分配的频谱bk, j和功率pk, j,并调用算法2.1,重新进行分配;如果
4) 如果
5) 输出:微云分配给用户yj的缓存资源总量为hk, jw。
2.3 无线资源集中式优化调度传统的调配方式为"静态型"[19-20],上文的讨论称之为"动态型"[21],下面将结合动态型和静态型的调配方式得到最优化的资源调配方案。在此过程中,系统首先分配给每个小区"基本资源",与此同时,系统也会为自己预留部分资源,而这部分是实时动态变化的,会根据小区的不同服务要求来对应的分配。该集中式无线资源优化调度算法2.3如下所示:
1) 初始化输入:蜂窝小区k的RRH的最大发射功率为P k, max,负载过载的小区集合为L。
2) 对于小区1到小区Q,令Bk←Bk0,(k=1, 2, …Q), 将Bk代入式(19)并采用算法2.1求解。
如果
3) 对于负荷过载小区集合L中的每一个小区,令Bk←Bk0+ΔBk,将Bk代入式(16)并采用算法2.1求解。
4) 输出:分配给小区k的频带资源总量为Bk。
2.4 虚拟资源集中式调度将集中讨论微云资源之间的互助机制。根据前人研究,区域相近的移动用户对服务内容的要求非常接近,这就是所谓的"群聚效应"[22-23]。因此当某个微云服务区内的某个用户无法在该微云服务器上获取到想要的信息时,一个好的办法就是向邻近的微云服务器申请帮助,以减轻数据中心发送资源的压力。因此获取各个微云的状态有助于实现微云互助。
表 1是一个反映资源缓存的记录。由表 1可以看出,如果用户在本地的微云上无法得到自己想要的服务时,本地的微云服务器就会查询资源缓存表来寻找,通过此表,可以在短时间内解决用户的需求。
通过仿真实验来评估本文提出的联合调度和分配的最优化方案,为了使模拟接近5G的环境,本文选择布设高密度的RRH-cell,具体参数见表 2。
仿真模拟中设定小区的半径为500 m,繁忙小区用户数目变化范围为[15, 30],空闲小区用户数目变化范围为[3, 14]。设定RRH的发射功率为37 dB·m,噪声的功率密度为-174 dB/Hz。相应的,在复合型资源的方案中,预分配给各个小区的频谱为4 MHz,在路径上传播的损耗设为145.4+37.5lgR dB,路径的长度R的单位为km。
在这次仿真实验中,我们设定系统共有2 000种不同服务,流速率变化区间为[0.5 Mbit·s-1,1.5 Mbit·s-1],各个微云的缓存空间为400 GB。在评价指标中,我们选择了内容访问延时、资源利用效率等。
选取成都、北京、西雅图三个地区进行模拟实验,设定用户的位置是成都,试验中采用抓包软件来获取系统的时延信息。图 2展示了本文仿真系统的内容访问延迟,从图可以看出,本文的分布式服务系统的延时要比用户直接从数据中心获取服务的延时减小了1到2个数量级。在具体的信息传递中,当用户向远端数据中心申请服务时,复杂的传输路径和数据中心网络的拥塞使得时延变的很难控制,夜间空闲时可能会是几十毫秒,处于繁忙期时会达到数百毫秒。另外,从图 2也可以看到时延与距离和系统本身的繁忙程度均呈正相关。综合上述,分布式服务系统不仅能大大减小由传输路径长造成的时延,也能有效的缓解服务器的拥塞情况。
Download:
|
|
在资源的效率方面定义第一个仿真周期内联合资源分配(joint resource allocation, JRSA)方案的基底资源效率为ηJRSA, 其他的资源效率为ηother,由此可以得到相对资源效率ψ为
$ \psi {\rm{ = }}\frac{{{\eta ^{{\rm{other}}}}}}{{{\eta ^{{\rm{JRSA}}}}}} $ | (14) |
仿真结果如图 3所示。由图 3得出,频带、功率和缓存三者无论如何消耗,当消耗量不变时,本文的调度方案收益都大于均等资源调配方案获得的收益,且本文的JRSA方案有三个优点:1)合理地使得无线资源与虚拟资源匹配利用起来;2)在两个资源各自单独分配时,也能实现最优化的分配,得到更大的利益;3)JRSA以集中式资源调配为基础可以增大资源的利用率。除此之外,还可以从图 3中发现,当无线资源的使用减少时,虚拟资源的使用会相应增加,由此可以推断在将来的商业中移动内容运营的收益会高于运营管道的提供商。
Download:
|
|
1) 资源联合调度与分配模型能够合理利用无线资源和虚拟资源,屏蔽资源的异构性,使网络更加地灵活、高效。
2) 联合调度算法可以降低由传输路径长造成的时延,提高用户的服务质量。
3) 联合调度算法可以有效缓解服务器拥塞情况,均衡整个网络的负载,进一步提高资源利用率和扩大系统容量。
资源联合调度算法在理论上具有一定的前瞻性,然而并没有考虑绿色通信和公平性问题。在以后的研究工作中计划引入移动云计算技术,在云化的接入网中进行无线资源的高效调度与分配。
[1] |
JUNGNICKEL V, MANOLAKIS K, ZIRWAS W, et al. The role of small cells, coordinated multipoint, and massive MIMO in 5G[J]. IEEE communications magazine, 2014, 52(5): 44-51. DOI:10.1109/MCOM.2014.6815892 (0)
|
[2] |
BOCCARDI F, HEATH JR R W, LOZANO A, et al. Five disruptive technology directions for 5G[J]. IEEE communications magazine, 2014, 52(2): 74-80. DOI:10.1109/MCOM.2014.6736746 (0)
|
[3] |
KIM J, CHO D H. A joint power and subchannel allocation scheme maximizing system capacity in indoor dense mobile communication systems[J]. IEEE transactions on vehicular technology, 2010, 59(9): 4340-4353. DOI:10.1109/TVT.2010.2070816 (0)
|
[4] |
林伟伟, 朱朝悦. 面向大规模云资源调度的可扩展分布式调度方法[J]. 计算机工程与科学, 2015, 37(11): 1997-2005. LIN Weiwei, ZHU Chaoyue. A scalable distributed scheduling method for large-scale cloud resources[J]. Computer engineering & science, 2015, 37(11): 1997-2005. DOI:10.3969/j.issn.1007-130X.2015.11.002 (0) |
[5] |
宋芳琴. 基于改进的蝙蝠算法在云计算中的资源分配[J]. 计算机系统应用, 2015, 24(8): 128-132. SONG Fangqin. Resources allocation in cloud computing based on improved bat algorithm[J]. Computer systems & applications, 2015, 24(8): 128-132. (0) |
[6] |
LIU X. Closed-form expressions of ergodic capacity in cloud radio access networks with nakagamim fading[J]. IEEE transactions on vehicular technology, 2017, 66(12): 11430-11434. DOI:10.1109/TVT.2017.2768548 (0)
|
[7] |
HONG S N, JEON Y S, LEE N. Distributed uplink reception in cloud radio access networks:a linear coding approach[J]. IEEE transactions on vehicular technology, 2018, 67(2): 1470-1481. DOI:10.1109/TVT.2017.2761398 (0)
|
[8] |
HOU Q, HE S, HUANG Y, et al. Energy-efficient precoding design for cloud radio access networks[J]. IET communications, 2017, 11(12): 1864-1870. DOI:10.1049/iet-com.2017.0305 (0)
|
[9] |
DAI Haibo, HUANG Yongming, WANG Jiaheng, et al. Resource optimization in heterogeneous cloud radio access networks[J]. IEEE communications letters, 2018, 22(3): 494-497. DOI:10.1109/LCOMM.2017.2787676 (0)
|
[10] |
周江. 面向5G的分层次分布式云服务系统资源优化调度与分配[D]. 成都: 电子科技大学, 2015. ZHOU Jiang. Resource scheduling and allocation in hierarchical distributed cloud service networks for 5G system[D]. Chengdu: University of Electronic Science and Technology of China, 2015. (0) |
[11] |
ZHANG Deyu, CHEN Zhigang, CAI Li, et al. Resource allocation for green cloud radio access networks with hybrid energy supplies[J]. IEEE transactions on vehicular technology, 2018, 67(2): 1684-1697. DOI:10.1109/TVT.2017.2754273 (0)
|
[12] |
杨传东, 席志红. 基于达芬奇技术的4G移动视频传输系统的设计与实现[J]. 应用科技, 2016, 43(3): 44-48. YANG Chuandong, XI Zhihong. Design and implementation of 4G mobile video transmission system based on Davinci technology[J]. Applied Science and Technology, 2016, 43(3): 44-48. (0) |
[13] |
赵冠哲, 齐建鹏, 于彦伟, 等. 移动社交网络异常签到在线检测算法[J]. 智能系统学报, 2017, 12(5): 752-759. ZHAO Guanzhe, QI Jianpeng, YU Yanwei, et al. Online check-in outlier detection method in mobile socialnetworks[J]. CAAI transactions on intelligent systems, 2017, 12(5): 752-759. (0) |
[14] |
李媛祯. Hadoop YARN资源分配与调度的研究[D]. 南京: 南京航空航天大学, 2015. LI Yuanzhen. Research on resource allocation and scheduling in Hadoop YARN[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2015. (0) |
[15] |
王振. LTE系统下基于MBMS无线资源调度研究[D]. 南京: 南京邮电大学, 2014. WANG Zhen. Research on inter-cell interference coordination in LTE system[D]. Nanjing: Nanjing university of Posts and Telecommunications, 2014. (0) |
[16] |
马晓亭, 高军, 魏婷. 面向云计算的数字图书馆虚拟资源管理机制和调度策略研究[J]. 现代情报, 2012, 32(9): 25-28. MA Xiaoting, GAO Jun, WEI Ting. Study for virtualized resource management mechanism and schedule strategy of digital library for cloud computing[J]. Journal of modern information, 2012, 32(9): 25-28. (0) |
[17] |
蒋广健. 协作中继系统资源优化与调度算法研究[D]. 重庆: 重庆邮电大学, 2012. JIANG Guangjian. Resource optimization and scheduling algorithms in cooperative relay systems[D]. Chongqing: Chongqing University of Posts and Telecommunications, 2012. (0) |
[18] |
刘忠军, 徐友云, 张冬梅, 等. 基于OFDM的协同认知网络跨层资源调度[J]. 电子与信息学报, 2011, 33(7): 1556-1560. LIU Zhongjun, XU Youyun, ZHANG Dongmei, et al. Cross-layer resource scheduling in OFDM-based cooperative cognitive radio networks[J]. Journal of electronics & information technology, 2011, 33(7): 1556-1560. (0) |
[19] |
尹红军, 李京, 宋浒, 等. 云计算中运营商效益最优的资源分配机制[J]. 华中科技大学学报(自然科学版), 2011, 39(S1): 51-55. YIN Hongjun, LI Jing, SONG Hu, et al. An optimal effectiveness of resources allocation for operator in the cloud computing[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2011, 39(S1): 51-55. (0) |
[20] |
邬平, 吴斌, 马继涛, 等. 基于网格理论的相同优先级网络应用服务调度研究[J]. 云南大学学报(自然科学版), 2010, 32(S2): 17-21. WU Ping, WU Bin, MA Jitao, et al. Study for the coequal priority schedule of network application services based on the grid theory[J]. Journal of Yunnan University, 2010, 32(S2): 17-21. (0) |
[21] |
李培龙. 下一代移动通信网络中可伸缩视频多播研究[D]. 合肥: 中国科学技术大学, 2010. LI Peilong. Scalable video multicast in next generation wireless communication networks[D]. Hefei: University of Science and Technology of China, 2010. (0) |
[22] |
钟红波, 陈志刚, 漆华妹. 基于无线网络的混合业务资源调度算法[J]. 计算机工程, 2010, 36(7): 102-104. ZHONG Hongbo, CHEN Zhigang, QI Huamei. Hybrid-services resource schedule algorithm based on wireless networks[J]. Computer engineering, 2010, 36(7): 102-104. (0) |
[23] |
程军, 李鸥, 来卫国, 等. 无线网络信道队列状态感知资源调度算法[J]. 计算机科学, 2009, 36(4): 47-49. CHENG Jun, LI Ou, LAI Weiguo, et al. Channel and queue aware resource scheduling algorithms in witless networks[J]. Computer science, 2009, 36(4): 47-49. (0) |