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: 2023105655545
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
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MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,包括:根据用户实际请求计算资源任务,构建MEC计算卸载、资源分配及缓存模型;

以最小化系统长期平均开销为目标,对所述MEC计算卸载、资源分配及缓存模型进行模型转换,并通过深度强化学习结合保序量化法获取卸载决策;

基于所述卸载决策获取本地计算资源及边缘计算资源分配策略,通过任务请求概率分布制定缓存决策,动态更新MEC服务器缓存空间;

根据所述MEC计算卸载、资源分配及缓存模型转换后的系统状态、动作及奖励训练深度强化学习网络,循环迭代优化所述卸载决策。

2.如权利要求1所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,所述MEC计算卸载、资源分配及缓存模型,包括:MEC系统模型,任务模型,缓存模型,移动性模型,计算模型;

所述MEC系统模型包括M个MEC服务器和N个移动用户设备,MEC系统以时隙结构运行,记表示所有时隙的集合;

所述任务模型包括 个异构计算任务,所述异构计算任务的集合表示为:;

基于异构计算任务集合 请求任务概率,所述任务请求概率服从Zipf分布,表示为:;

其中, 表示t时刻第K个任务的请求概率;

所述缓存模型中MEC服务器共享同样的缓存内容;

所述移动性模型通过离散随机跳跃对用户移动性进行建模,根据平均驻留时间判断跳跃强度;当用户请求计算任务时,在 时间后用户还停留在任务请求区域的概率,表示为:;

其中, 表示用户在任务请求区域的平均驻留时间;

当MEC服务器对用户发送计算结果时,用户还在任务请求区域的概率,表示为:;

其中, 表示MEC服务器处理任务的时间;

当MEC服务器对用户发送计算结果时,用户离开任务请求区域的概率,表示为:;

其中, 表示迁移概率;

所述计算模型用于计算移动用户设备在不同卸载决策和资源分配策略下的长期平均开销。

3.如权利要求2所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,所述开销包括:时延、能耗、迁移开销及缓存请求成本;

所述用户 的即时开销,表示为:

;

其中, 表示用户 在t时刻的系统总时延, 表示用户 在t时刻的系统总能耗,表示用户 在t时刻的卸载决策, 表示缓存请求成本, 表示迁移开销,分别表示时延,能耗,缓存请求成本及任务结果迁移开销的权重系数且范围在[0,1], 表示用户 在t时刻请求的任务在t‑1时刻是否被缓存;

利用系统长期平均开销衡量系统性能,所述系统长期平均开销表示为:;

其中,T表示整个时隙的长度, 表示系统内t时刻所有用户的即时开销。

4.如权利要求2或3所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,以最小化系统长期平均开销为目标,对所述MEC计算卸载、资源分配及缓存模型进行模型转换,包括:目标函数,表示为:

;

其中, 表示用户 在t时刻的卸载决策, 表示本地计算资源分配决策,表示边缘计算资源分配决策, 表示缓存决策,C表示为系统长期平均开销;

基于所述最小化系统长期平均开销,将MEC计算卸载、资源分配及缓存模型转换为马尔可夫决策过程模型。

5.如权利要求4所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,设置所述马尔可夫决策过程模型,包括:状态空间设置,动作空间设置以及奖励函数设置;

所述状态空间设置,表示为:

;

其中, 表示所有用户请求任务的数据量, 表示所有用户请求任务的计算量, 表示所有用户和无线接入点之间的信道增益, 表示所有用户位置, 表示所有用户迁移概率, 表示所有MEC服务器的可用计算资源, 表示所有任务的缓存决策;

所述动作空间设置,表示为:

;

其中, 表示所有用户的0‑1卸载决策;

所述奖励函数设置,表示为:

;

其中, 表示系统内所有用户在本地计算任务的总开销, 表示奖励调整系数。

6.如权利要求5所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,通过深度强化学习结合保序量化法获取卸载决策,包括:对深度强化学习网络输入进行标准化处理;

所述深度强化学习网络经过最后一层sigmoid激活后,将输出的N个[0, 1]之间的小数,组成松弛动作;

设置量化函数;

获取第1个二进制卸载决策;

对所述松弛动作中的元素到所述第1个二进制卸载决策阈值的距离进行排序;

基于下一个松弛动作计算剩余量化动作。

7.如权利要求6所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,根据所述卸载决策获取本地计算资源及边缘计算资源分配策略,包括:根据所述量化动作,通过遗传算法和KKT条件计算资源分配决策;

所述遗传算法通过反复对个体进行选择、交叉及变异操作,模拟生物进化过程,获取适应度函数最大的个体,即本地开销最小的本地计算资源分配策略;

所述适应度函数表示为:

;

其中, 表示个体的索引,且 , 是使系统内所有用户在本地计算任务的最大总开销的个体索引, 表示本地计算资源分配比例, 表示使本地开销最大的本地计算资源分配比例。

8.如权利要求7所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,还包括:拉格朗日函数的KKT条件包括稳定性条件、原始可行性条件、对偶可行性条件、互补松弛条件;

所述稳定性条件,表示为:

;

其中, 表示第一拉格朗日乘子, 表示第二拉格朗日向量乘子, 表示卸载决策,表示第个 用户请求任务的数据量, 表示边缘计算资源分配比例, 表示最大可用边缘计算资源, 表示第m个小区内的用户集合, 表示拉格朗日函数, 表示边缘计算时延;

所述原始可行性条件,表示为:

;

其中, 表示边缘计算资源分配比例;

所述对偶可行性条件,表示为:

;

其中, 表示第一拉格朗日乘子, 表示第二拉格朗日乘子;所述互补松弛条件,表示为:;

其中, 表示第一拉格朗日乘子, 表示第二拉格朗日乘子, 表示边缘计算资源分配比例。

9.如权利要求8所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于:根据所述KKT条件计算得到最优边缘资源分配比例,表示为:;

其中, 表示卸载决策, 表示第个 用户请求任务的数据量, 表示第 个用户的卸载决策, 表示第 个用户请求任务的数据量。

10.如权利要求9所述的MEC计算卸载、资源分配及缓存联合优化方法,其特征在于,动态更新MEC服务器缓存空间,包括:记录当前时刻每个任务被请求的次数,结合历史数据重新计算每个任务的请求概率;

当缓存空间不足时,根据任务请求概率,淘汰请求概率小于第一阈值的数据,释放缓存空间,所述释放的缓存空间用于保存请求概率不小于第一阈值的数据。