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: 2024104973456
申请人: 麒和科技(南京)有限公司
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D2D辅助MEC网络中的服务缓存和任务卸载联合优化方法,其特征在于:该方法通过服务缓存和任务卸载联合优化系统实现,所述服务缓存和任务卸载联合优化系统包括网络模块、服务缓存模块、任务卸载模块,所述网络模块包括云服务器、边缘服务器和终端设备,具体的,所述服务缓存和任务卸载联合优化方法包括以下步骤:步骤1、获取MEC系统的覆盖范围内各终端设备在对应边缘服务器触发任务处理请求;

步骤2、所述服务缓存模块开始缓存覆盖范围内对应重点设备任务的服务组件;

步骤3、依据所述服务缓存模块的服务缓存目录,所述网络模块计算对应的五种任务卸载模式下的任务传输时延及能耗;

步骤4、依据所述服务缓存模块的服务缓存目录,任务卸载模块计算对应的五种任务卸载模式下的任务计算时延及能耗;

步骤5、计算总的任务完成延迟和能量消耗:将步骤3任务传输时延及能耗和步骤4的计算时延及能耗相加,构建优化目标;

步骤6、联合优化任务完成延迟和能量消耗,将步骤5的优化目标建模,训练优化目标,建立基于多智能体的近端策略优化算法结构的分布式资源分配方法,其中,所述步骤3具体为:当任务被卸载时,数据流量将首先被传输到边缘服务器或除去产生计算任务的终端设备,然后由边缘服务器或除去产生计算任务的终端设备,卸载模式被定义为o∈{l,u,s,v,c},其中{l,u,s,v,c}表示本地计算模式、D2D计算模式、边缘服务器计算模式、边缘协作计算模式和云服务器计算模式,本地计算模式为终端设备产生计算任务,没有传输时延,网络模块计算对应的五种任务卸载模式下的任务传输时延及传输能耗具体包括以下步骤:步骤3.1、任务传输到云服务器的时延及能耗:假设将任务i传输到远程云服务器的延迟是固定的,表示为步骤3.2、任务在边缘服务器之间传输的时延及能耗:由于边缘服务器之间是通过光纤进行通信,则假设边缘服务器之间传输时延为步骤3.3、任务从终端设备传输到除去产生计算任务的终端设备或边缘服务器的时延及能耗:边缘服务器的总带宽被划分为M个正交信道,每个信道具有相同数量的正交子载波,令其中,w表示信道带宽,p

由于每个边缘服务器采用正交频分多址方案,每个终端设备最多只能被分配一个信道,因此需满足下式约束:此外,每个信道最多只能分配一个终端设备,即:基于上述假设,终端设备d产生的任务i在卸载决策o∈{u,s}下的上行链路传输速率表示为:由发送任务i所引起的传输延迟计算为:传输能耗:

所述步骤4中计算模式表示为

步骤4.1、终端设备本地处理,β

其中,f

本地处理会产生能源消耗,计算能耗表示为:其中,χ

步骤4.2、D2D卸载到邻近终端设备,β对于终端设备n执行任务,计算能耗表示为:其中,f

步骤4.3、边缘服务器处理,β

其中,

计算能耗:

步骤4.4、边缘协作处理,β

其中,

e表示当前边缘服务器,

计算能耗表示为:

其中,f

步骤4.5、远程云服务器处理,β

在所述步骤5中,

总的任务完成延迟由传输延迟和计算延迟组成,令T能量消耗E

其中,

为了在资源约束下联合最小化任务完成延迟和能量消耗,做出最优的内容缓存和任务卸载决策,确定约束目标表示为:其中,ζ表示加权因子,

约束条件为:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

C9:

其中,

约束条件C1,C2,C3指示蜂窝信道分配决策、任务卸载决策和服务缓存决策是二进制变量,约束条件C4和C5描述了蜂窝信道分配的唯一性,约束C6确保缓存的服务的总数据大小不能超过边缘服务器的总存储,约束条件C7和C8确保所有终端设备产生的卸载任务的总分配CPU周期频率不能分别超过终端设备和边缘服务器的总计算资源,约束条件C9表示任务i处理延迟必须不超过任务处理延迟容限的保证;

所述步骤6中优化目标建模是指基于深度强化学习的主要思想,将步骤5构建的优化目标转化为马尔可夫决策过程来表示分层任务卸载和多维资源分配决策过程,具体为:将每个边缘服务器作为一个独立的代理,协作多智能体优化问题表示为步骤6中训练优化目标是基于MAPPO的协作任务卸载优化框架设计一种新的目标函数实现小批量更新,基于MAPPO的协作任务卸载优化框架的裁剪代理目标函数表示为:其中,

其中,H

各边缘服务器中的Critic网络由ω参数化,并使用具有损失函数的梯度下降来学习:L

其中,目标值y(t)=r

将裁剪代理目标函数与熵奖励X[π

L

其中c

步骤6中,建立基于多智能体的近端策略优化算法结构的分布式资源分配方法具体包括以下步骤:步骤6.3.1、经验收集阶段,每个边缘服务器使用共享策略选择一个动作并收集经验,直到达到最大时间步长T,然后分别基于裁剪代理目标函数L步骤6.3.2、策略更新阶段,Actor网络π

2.根据权利要求1所述的D2D辅助MEC网络中的服务缓存和任务卸载联合优化方法,其特征在于:该服务缓存和任务卸载联合优化方法通过服务缓存和任务卸载联合优化系统实现,所述服务缓存和任务卸载联合优化系统包括:网络模块:负责云服务器、边缘服务器、终端设备三者之间的通信,并计算五种任务卸载决策下计算任务所需传输时延及能耗;

服务缓存模块:考虑服务组件流行度和大小,合理安排边缘服务器的存储空间;

任务卸载模块:考虑五种卸载决策,并计算终端设备所产生的任务在五种卸载决策下所需计算时延及能耗。

3.根据权利要求2所述的D2D辅助MEC网络中的服务缓存和任务卸载联合优化方法,其特征在于:所述网络模块包括云服务器、边缘服务器和终端设备,所述云服务器处理终端设备所产生的任务,所述边缘服务器主要由基站和MEC服务器组成,一个基站配备一个MEC服务器,e∈{1,2,...,E}表示边缘服务器,每个边缘服务器由{fd∈{1,2,...,D}是具有异构计算能力和电池水平的所述终端设备的集合,每个终端设备由{f每个终端设备都有一个任务请求,设