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: 2024117752150
申请人: 南京信息工程大学
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:

1.一种考虑多性能指标的计算任务卸载优化方法,其特征在于,采用正交多址接入OMA技术将整个可用宽带频谱划分为多个正交子载波;在每个所述正交子载波内,采用非正交多址接入NOMA技术实现同时为对应的多个用户提供服务,针对预设时段内用户产生的计算任务,执行以下步骤:步骤S1:分别计算出每个计算任务在预设的计算路径下的时间成本;

步骤S2:将所述每个计算任务在预设的计算路径下的时间成本输入预先建立的计算任务分配模型,生成初步分配方案;其中,所述计算任务分配模型是基于神经网络建立;

步骤S3:建立计算任务卸载优化问题的MINLP模型;

步骤S4:将所述初步分配方案作为所述MINLP模型的求解起点,采用拉格朗日松弛方法和对偶问题分解方法求解所述MINLP模型,获得最优计算任务卸载优化方案。

2.根据权利要求1所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述步骤S1包括:步骤S11:计算当前用户在本地进行计算的时间成本作为第一时间成本,所述第一时间成本包括:本地执行时间;

其中,所述本地执行时间计算公式为:

;

式中,为当前用户的CPU周期频率,为当前计算任务数据量,为处理每比特数据需要的CPU周期数,单位为周期/比特;

步骤S12:计算当前用户通过用户-卫星链路将计算任务卸载到对应的卫星边缘计算节点SEC进行计算的时间成本,将其作为第二时间成本,所述第二时间成本包括:用户-卫星双向传播时延、用户-卫星数据传输时延和卫星执行时间;

其中,所述用户-卫星双向传播时延计算公式为:;

式中,h为当前用户与对应的卫星之间距离,c为光速;

所述用户-卫星数据传输时延计算公式为:;

式中,为当前用户与对应的卫星之间的传输速率;

所述卫星执行时间计算公式为:

;

式中,为所述对应的卫星的CPU周期频率;

步骤S13:计算当前用户通过用户-基站-卫星链路将计算任务卸载到对应的卫星边缘计算节点SEC进行计算的时间成本,将其作为第三时间成本,所述第三时间成本包括:基站-卫星双向传播时延、用户-基站数据传输时延、基站-卫星数据传输时延和卫星执行时间;其中,所述基站-卫星双向传播时延与所述用户-卫星双向传播时延相同;

所述用户-基站数据传输时延计算公式为:;

式中,为当前用户与对应的基站之间的传输速率;

所述基站-卫星数据传输时延计算公式为:;

式中,为与当前任务共同通过对应的基站向所述对应的卫星进行传输的计算任务总数据量;为对应的基站与对应的卫星之间的传输速率,取值同当前用户与对应的卫星之间的传输速率;

步骤S14:计算当前用户通过用户-卫星-地面云链路将计算任务卸载到对应的地面云服务器进行计算的时间成本,将其作为第四时间成本,所述第四时间成本包括:用户-卫星双向传播时延、用户-卫星数据传输时延、卫星-地面云数据传输时延和地面云执行时间;

其中,所述卫星-地面云数据传输时延计算公式为:;

式中,为卫星与对应的地面云之间的传输速率,取值为预设的恒定值;

所述地面云执行时间计算公式为:

;

式中,为所述对应的地面云的CPU周期频率;

步骤S15:计算当前用户通过用户-基站-卫星-地面云链路将计算任务卸载到对应的地面云服务器进行计算的时间成本,将其作为第五时间成本,所述第五时间成本包括:基站-卫星双向传播时延、用户-基站数据传输时延、基站-卫星数据传输时延、卫星-地面云数据传输时延和地面云执行时间。

3.根据权利要求2所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述当前用户与对应的卫星之间的传输速率和所述当前用户与对应的基站之间的传输速率均为NOMA环境下的传输速率;

所述当前用户与对应的卫星之间的传输速率计算过程包括:;

;

;

式中,为当前用户与对应的卫星进行通信的路径损失,为当前用户与对应的卫星之间的距离,为通信信号的频率,为当前用户与对应的卫星进行通信的信道增益,为当前用户与对应的卫星进行通信的信道宽度,为当前用户与对应的卫星进行通信的发射功率,为噪声的功率谱密度,为信道干扰项,取值为连接到对应的卫星且信道增益大于当前用户的所有用户的发射功率与信道增益的乘积之和;

所述当前用户与对应的基站之间的传输速率计算过程包括:;

;

;

式中,为当前用户到对应的基站之间的路径损失,为参考路径损失,为路径损失指数,是当前用户到对应基站的距离,是参考距离;为当前用户与对应的基站进行通信的信道增益,为当前用户与对应的基站进行通信的信道宽度,为当前用户与对应的基站进行通信的发射功率,为信道干扰项,取值为连接到对应的基站且信道增益大于当前用户的所有用户的发射功率与信道增益的乘积之和。

4.根据权利要求1所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述MINLP模型包括:目标函数、路径选择约束、时间延迟约束、功率约束和计算资源约束;

所述MINLP模型以最小化预设时段内产生的所有计算任务的时间成本构建目标函数,所述目标函数为:;

式中,为预设时段内产生的计算任务总数量;为第i个计算任务选择第j个计算路径的决策变量,,为第i个计算任务选择第j个计算路径的时间成本;

所述MINLP模型以每个计算任务只能选择一种预设的计算路径进行计算为路径选择约束,所述路径选择约束为:;

所述MINLP模型以所有计算任务的处理时间必须不大于最大可容忍时间为时间延迟约束,所述时间延迟约束为:;

其中,为最大可容忍时间;

所述MINLP模型以每个计算任务的功率消耗不大于传输功率最大限值为功率约束,所述功率约束为:;

其中,为第i个计算任务在第j个计算路径上的功率消耗,为传输功率最大限值;

所述MINLP模型以执行计算任务的计算资源不超过计算总资源为计算资源约束,所述计算资源约束为:;

其中,是路径上任务消耗的计算资源;为所有计算节点的计算总资源。

5.根据权利要求4所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述采用拉格朗日松弛方法和对偶问题分解方法求解所述MINLP模型,包括:步骤S41:基于所述MINLP模型的目标函数和约束条件,以及所述初步分配方案,引入拉格朗日乘子,构建计算任务卸载优化问题的拉格朗日函数;

步骤S42:利用对偶问题分解方法将所述计算任务卸载优化问题分解为独立的路径优化子问题、功率优化子问题和计算资源优化子问题;

其中,所述路径优化子问题用于在固定传输功率和计算资源的情况下,寻找最小化所有计算任务总延迟的计算任务卸载方案;

所述功率优化子问题用于在固定计算任务卸载方案的情况下,优化传输功率,使其满足功率约束;

所述计算资源优化子问题用于优化计算资源分配,使其满足计算资源约束;

步骤S43:分别求解功率优化子问题、计算资源优化子问题和路径优化子问题,获得最优计算任务卸载优化方案。

6.根据权利要求5所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述拉格朗日函数为:;

式中,为拉格朗日函数,为第一乘子,为第二乘子;

所述路径优化子问题为:

;

所述功率优化子问题为:

;

所述计算资源优化子问题为:

。

7.根据权利要求6所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述步骤S43包括:建立用于更新第一乘子的第一规则,以及用于更新第二乘子的第二规则;

初始化第一乘子和第二乘子;

通过根据所述第一规则迭代更新所述第一乘子求解功率优化子问题,获得最优功率分配;

通过根据所述第二规则迭代更新所述第二乘子求解计算资源优化子问题,获得最优计算资源分配;

在最优功率分配和最优计算资源分配的情况下,利用线性规划算法求解路径优化子问题,获得最优计算任务卸载优化方案。

8.根据权利要求7所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述第一规则为:;

式中,为第次迭代更新后的第一乘子值,为第次迭代更新后的第一乘子值,为第一乘子第次迭代更新的步长;

所述第二规则为:

;

式中,为第次迭代更新获得的第二乘子值,为第次迭代更新获得的第二乘子值,为第二乘子第次迭代更新的步长。

9.根据权利要求8所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述第一乘子或第二乘子迭代更新的步长为常数;

或者,所述第一乘子或第二乘子迭代更新的步长随迭代次数逐渐减小。

10.根据权利要求1所述的考虑多性能指标的计算任务卸载优化方法,其特征在于,所述计算任务分配模型的建立包括:搭建神经网络结构和设置损失函数;

所述神经网络结构包括:输入层、第一隐藏层、第二隐藏层和输出层;

所述输入层用于根据输入信息生成输入特征,并将所述输入特征输入所述第一隐藏层;

所述输入信息包括:各用户的计算任务特性信息、每个计算任务在预设的计算路径下的时间成本和网络状态信息;

所述计算任务特性信息包括:任务量大小、计算密度和最大可容忍延迟;

所述网络状态信息包括:卫星边缘计算节点SEC的位置、信道条件和可用计算资源;

所述第一隐藏层使用全连接层处理所述输入特征,将所述输入特征映射到第一隐藏层的表示空间,并使用激活函数ReLU对该全连接层的输出进行非线性处理,获得第一输出特征,并将所述第一输出特征输入所述第二隐藏层;

所述第二隐藏层使用全连接层处理所述第一输出特征,将所述第一输出特征映射到第二隐藏层的表示空间,并使用激活函数ReLU对该全连接层的输出进行非线性处理,获得第二输出特征,并将所述第二输出特征输入所述输出层;

所述输出层通过三个不同的输出通道处理所述第二输出特征,分别获得计算任务的路径分配、功率分配和计算资源分配,形成初步分配方案;

路径分配通道使用激活函数Softmax对所述第二输出特征进行归一化,以获得每个计算任务在预设的各条计算路径下的选择概率;

功率分配通道使用激活函数ReLU对所述第二输出特征进行归一化,以确保每条预设的计算路径下的功率为非负数;

计算资源分配通道使用激活函数ReLU对所述第二输出特征进行归一化,以限制每条预设的计算路径下的资源分配为非负数;

所述损失函数包括:路径分配损失、功率分配损失、计算资源分配损失和总损失;

所述路径分配损失采用交叉熵损失表征初步路径分配结果与实际路径分配结果的差距,所述路径分配损失为:;

式中,为路径分配损失,为第个计算任务的实际路径,为第个计算任务的预测路径;为预设时段内产生的计算任务总数量;

所述功率分配损失采用均方误差MSE表征预测的功率分配与实际功率分配之间的差距,所述功率分配损失为:;

式中,为功率分配损失,为预测的功率分配,为实际的功率分配;

所述计算资源分配损失采用均方误差MSE表征预测的计算资源分配与实际资源分配之间的差距,所述计算资源分配损失为:;

式中,为计算资源分配损失,为预测的计算资源分配,为实际的计算资源分配;

所述总损失由所述路径分配损失、功率分配损失和计算资源分配损失组合而成,所述总损失为:;

式中,为总损失,、和为调整系数。