欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023102499032
申请人: 桂林电子科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种在移动边缘计算中负载感知的计算卸载节能优化方法,其特征在于,包括如下步骤:

1)构建MEC系统卸载模型:

以现实场景中一个存在移动设备的公共场景为基础,在移动设备网络边缘部署合理数量的MEC服务器,移动设备通过正交信道上的无线网络与MEC服务器通信,其中,设置移动设备的数量集合为,而边缘服务器的数量集合设置为,最后,定义为整个系统卸载任务的时间集合,即一次卸载周期包含时隙,其中每个时隙有秒,在每个时隙中,移动设备会以的概率随机生成新任务,其任务大小会从设定范围内选择,定义为任务的唯一索引标志,并描述任务为,其中表示移动设备在时隙t时生成新任务的数据大小,反映完成该任务所需的计算资源量,能量化为处理任务所需的CPU周期总数,表示处理一个单位数据所需的CPU周期数,表示任务的最大容忍时间,即任务需要在该时间内完成任务否则任务会被丢弃;

移动设备端在每个时隙会产生新任务,当移动设备端的资源不足时,移动设备会将计算任务卸载边缘节点,边缘节点会协助终端完成任务计算,并将处理结果反馈至移动设备,具体地,当任务决定在本地被处理,任务会被分配到本地计算队列中等待资源分配,定义变量表示任务是否在本地处理;若本地资源不足,任务需要卸载处理时,任务会被分配至传输队列中等待卸载,当任务传输完成到达边缘结点后,也会在边缘节点中的计算队列中等待处理,设置表示任务是否被卸载到边缘节点n进行处理;

2)任务在本地计算建模:

移动设备的调度器会决策任务的处理方式,当新任务数据量小,则任务在本地处理的概率大,当移动设备新到达的任务需要在本地计算,任务会被放入计算队列等待资源分配,在时隙,新任务在计算队列等待处理,这会产生相应的时延,对应计算如下:,

其中表示时隙t之前放置在计算队列中的所有任务已被处理或丢弃后,当前任务开始处理的时隙;

任务被放入计算队列后,任务被处理或丢弃该任务的时隙计算如下:,

任务在本地被处理的总延迟成本和能耗成本分别计算如下:,

,

其中是计算能力参数;

3)任务卸载处理建模:

3.1)通信模型:MEC系统中,移动设备通过无线网络与MEC服务器通信,当任务决策需要卸载至边缘节点,任务被放入传输队列等待,移动设备会通过无线网络链路接口将任务传输至选定的边缘节点,被设定为移动设备和边缘节点之间数据传输的信道增益,定义P为向边缘节点传输任务时的传输功率,当移动设备向边缘节点传输任务,两者之间的数据传输率计算如下:,

其中W是任务传输时的信道带宽,定义为边缘节点的接收噪声功率;

在时隙,任务都会被放入传输队列,但每个任务都需要等待队列中排在它前面的任务被处理后才能开始处理,计算任务等待的处理的时隙数计算如下:,

任务被传输完成或丢弃的时隙数计算如下:,

那么任务传输过程中的总延迟成本和能耗成本分别计算如下:,

;

3.2)边缘端的计算模型:移动设备决策计算任务卸载至边缘节点,,任务会由本地传输队列到达边缘节点计算队列,在边缘节点中,每个节点都有队列,其中所有的移动设备都对应着一个任务队列用于处理任务,在时隙,任务卸载至边缘节点n,任务会在下一个时隙被放入相应的计算队列中,定义任务在边缘节点的唯一索引,, 等于任务的任务量;

在时隙,当边缘节点中的计算队列仍有任务未处理时,边缘节点中仍需继续处理任务的队列数量为负载,定义为在时隙t时边缘节点的负载大小:,

边缘节点的活动队列共享计算资源,定义为边缘节点n拥有的可分配的计算资源,设表示在时隙t之后被队列丢弃的任务的比特数量,,

若移动设备的任务被卸载到对应于边缘节点n的队列中,定义为处理或丢弃任务的时隙,由于边缘节点的未知负载,在任务被处理或丢弃之前,很难确定的确切值,为了解决这个问题,定义为任务开始被处理的时隙;

,

在任务被处理或丢弃之前,的大小相当于处理时间内累计处理的数据量大小,即任务的数据量不大于边缘节点分配给该任务的计算资源在时隙到 之处理的数据量,并且大于从时隙到 完成的数据量;

,

任务在边缘结点被处理或丢弃时,任务的处理延迟总成本和能量消耗总成本分别定义为和:,

;

4)构建能耗成本模型:

分析在MEC系统中任务卸载涉及的计算成本,目的是优化任务卸载决策,以最小化在时延限制下的能耗成本,其中卸载的总成本包含了本地计算能耗、传输能耗和边缘计算能耗;在每个时隙t∈𝒯时,移动设备d∈𝒟决策任务的处理方式,任务处理时延总成本表示如下:,

同样,在每个时隙完成任务后产生的总能耗成本计算如下:,

具体的系统优化问题表示如下:

,

,

,

,

其中,约束条件C1表示移动设备上的计算任务只能选择在本地被处理或卸载处理,约束条件C2表示移动设备上的任务是否卸载至边缘节点,C3表示卸载任务产生的时延成本小于等于任务容忍时间;

为了使用强化学习方法,需要定义马尔可夫决策模型MDP,在MDP中,智能体与环境的交互过程被视作是一个序列决策过程,即智能体在每一步都会接收到环境的状态,并根据当前状态和先前的经验做出一个行动决策,这个行动决策不仅取决于当前状态,还取决于目标和以前的行动及其结果,在这个过程中,智能体旨在寻找一个最优策略,使其在长期内能获得最大的累积奖励;

马尔可夫决策模型:

(1)状态空间:

设为每个边缘节点在前时隙的历史负载水平,即仍有任务未完成的队列数量,定义为边缘节点j在前时隙的负载;

,

在每个时隙t开始时,移动设备需要决定任务如何被处理,任务大小、任务排队时间、队列信息和边缘节点负载都会影响任务的执行,因此,RL方法中观察到的状态信息被定义为:;

(2)动作空间:

在MEC系统中,当移动设备d有一个新的任务到达时,移动设备需要决策任务的处理方式,因此,卸载决策被表述为动作空间如下:;

(3)奖励空间:

在时隙中,移动设备在状态下做出卸载决策,依据能耗成本模型,在最小化系统中任务卸载所产生的平均能量成本,但是,最小化的优化与RL方法中的奖励负相关,所以奖励空间表述为:;

依据MDP模型,设计了一种基于Double DQN的任务卸载与资源分配算法,其中,移动设备和边缘节点处分别执行不同的算法,边缘节点会协助移动设备训练对应的网络参数,以缓解终端的计算压力,而移动设备会将其卸载经验传输给边缘节点,以改善其算法性能;

(1)移动设备处的节能算法:

1.初始化移动设备的初始卸载状态,

2.从时隙1至遍历,

3.若有任务产生时,发送参数请求至边缘节点,

4.接收参数向量并以此选择动作,

5.做出卸载后进入下一个状态,

6.得到已完成任务的奖励集合,

7.遍历集合中的经验,

8.将所有卸载任务的经验发送至边缘节点;

(2)边缘节点处的节能算法:

1.初始化边缘节点的经验重放器和迭代次数Count=0;

2.初始化评估网络的随机网络参数向量,

3.初始化目标网络的随机网络参数向量,

4.Repeat:

5.若接收到移动设备的参数请求:

6.发送参数向量至移动设备;

7.若接收到移动设备的经验信息:

8.将卸载经验存储至;

9.从存储器中随机采样一个经验集合(定义为);

10.遍历经验集合中的所有经验:

11. 计算经验对应的目标Q值

12.最小化RL方法中误差函数以更新参数向量

13.迭代次数增加一次Count = count + 1;

14.若迭代次数达到参数替换条件:

15. 目标网络的网络参数被替换

16. Repeat。