基于任务优先级的任务卸载方法、系统和装置

本发明属于任务卸载，具体涉及基于任务优先级的任务卸载方法、系统和装置。

背景技术：

1、在物联网（iot）技术蓬勃发展的推动下，大量计算密集型与时延敏感型应用不断涌现，空天地一体化网络（sagin）作为未来6g的核心支撑技术逐渐受到重视，其通过融合卫星、无人机（uav）与地面节点，可为远程iot设备提供广域覆盖及计算卸载服务。

2、然而，sagin也面临诸多挑战。首先，sagin中uav、卫星和地面节点的计算能力、覆盖范围及时延特性不同，如何根据任务需求选择合适的卸载节点，是降低系统时延与能耗的关键。其次，sagin辅助服务器（mec）系统通常面向多类型业务场景，不同业务对时延、能耗和计算资源的需求存在差异，如何在多用户设备（ue）共享有限资源的情况下，保证高优先级任务及时处理的前提下实现合理的任务调度与资源分配，是影响系统服务质量的重要因素。

3、现有研究中，难以适应动态变化的网络环境；单层强化学习方法在同时处理多类决策变量时，容易导致动作空间维度过高、训练不稳定以及策略难以收敛等问题，从而难以有效兼顾系统时延降低与能耗优化以及不同任务优先级的服务保障。

技术实现思路

1、本发明的目的在于提供基于任务优先级的任务卸载方法、系统和装置。

2、基于任务优先级的任务卸载方法，包括以下步骤：

3、s1、基于用户设备、无人机、基站和卫星四类实体及之间的通信链路、计算资源和计算任务的属性，构建空天地一体化模型，其中，用户设备产生的计算任务具有不同的优先级；

4、s2、在每个离散时隙的起始时刻，从空天地一体化模型中获取当前环境状态，当前环境状态包括所有用户设备的位置与计算任务的属性、所有无人机的当前位置以及上一时隙的轨迹和功率执行结果；将环境状态输入至经预先训练的多智能体深度确定性策略梯度网络，得到当前时隙每架无人机的飞行轨迹调整量和发射功率值；

5、s3、将当前时隙每架无人机的飞行轨迹调整量和发射功率值作为固定约束，在保持该固定约束不变的条件下，采用两层交替迭代优化处理，求解当前时隙每个用户设备的任务卸载目标节点以及每个任务卸载目标节点的计算资源分配方案；

6、s4、按照当前时隙每架无人机的飞行轨迹调整量和发射功率值执行飞行与信号发射，控制各用户设备按照求解的当前时隙每个用户设备的任务卸载目标节点将计算任务发送至对应的无人机、基站或卫星，并控制各任务卸载目标节点按照每个任务卸载目标节点的计算资源分配方案为计算任务分配计算资源。

7、s3中采用两层交替迭代优化处理，包括：第一层基于迭代最佳响应确定每个用户设备的卸载决策，第二层基于计算任务的优先级确定每个任务卸载目标节点对其所服务用户设备的计算资源分配，两层交替执行直至当前时隙的综合成本收敛。

8、第一层基于迭代最佳响应确定每个用户设备的卸载决策，具体包括：

9、对于任一用户设备，保持其余所有用户设备当前的卸载决策不变，分别假设该用户设备的计算任务卸载至每一个任务卸载目标节点，计算每种假设下该用户设备的综合成本，并选择综合成本最小的任务卸载目标节点作为该用户设备最佳响应的卸载决策；

10、按预设顺序依次更新所有用户设备的卸载决策，并重复迭代，直至所有用户设备的卸载决策不再变化或达到预设最大迭代次数。

11、第二层基于计算任务的优先级确定每个任务卸载目标节点对其所服务用户设备的计算资源分配，具体包括：

12、对于任一任务卸载目标节点，确定当前分配给该任务卸载目标节点的所有用户设备集合；

13、根据每个用户设备计算任务的优先级和计算任务数据量，构造该用户设备的资源分配权重，资源分配权重与用户设备计算任务的优先级呈正相关，与计算任务数据量呈正相关；

14、将任务卸载目标节点的全部计算资源，按照各用户设备的资源分配权重进行分配。

15、资源分配权重的构造方式为：，其中，为用户设备的资源分配权重，为任务数据量大小，为计算任务优先级，为优先级调节因子。

16、两层交替执行直至当前时隙的综合成本收敛具体包括：

17、初始化各任务卸载目标节点的计算资源分配方案；

18、在每轮迭代中，先执行第一层基于迭代最佳响应确定每个用户设备的卸载决策，在固定当前计算资源分配的条件下更新所有用户设备的卸载决策；

19、然后在更新后的卸载决策固定的条件下，执行第二层基于计算任务的优先级确定每个任务卸载目标节点对其所服务用户设备的计算资源分配，更新各任务卸载目标节点对其所服务用户设备的计算资源分配；

20、计算当前轮次下的综合成本，若综合成本相对于上一轮次的下降量小于预设阈值，则终止迭代；否则继续执行下一轮迭代。

21、s2中多智能体深度确定性策略梯度网络以最小化综合成本为目标进行训练，其中，综合成本包括所有计算任务的传输时延、计算时延、传输能耗和计算能耗的加权和，且加权的系数由各计算任务的优先级确定。

22、s4还包括：

23、在当前时隙结束时，记录本次决策所实际产生的综合成本，并将该综合成本作为奖励信号反馈至多智能体深度确定性策略梯度网络，更新网络参数。

24、基于任务优先级的任务卸载系统，用于实现基于任务优先级的任务卸载方法，包括：

25、模型搭建模块，基于用户设备、无人机、基站和卫星四类实体及之间的通信链路、计算资源和计算任务的属性，构建空天地一体化模型，其中，用户设备产生的计算任务具有不同的优先级；

26、无人机参数调整模块，在每个离散时隙的起始时刻，从空天地一体化模型中获取当前环境状态，当前环境状态包括所有用户设备的位置与计算任务的属性、所有无人机的当前位置以及上一时隙的轨迹和功率执行结果；将环境状态输入至经预先训练的多智能体深度确定性策略梯度网络，得到当前时隙每架无人机的飞行轨迹调整量和发射功率值；

27、资源分配方案获取模块，将当前时隙每架无人机的飞行轨迹调整量和发射功率值作为固定约束，在保持该固定约束不变的条件下，采用两层交替迭代优化处理，求解当前时隙每个用户设备的任务卸载目标节点以及每个任务卸载目标节点的计算资源分配方案；

28、卸载任务执行模块，按照当前时隙每架无人机的飞行轨迹调整量和发射功率值执行飞行与信号发射，控制各用户设备按照求解的当前时隙每个用户设备的任务卸载目标节点将计算任务发送至对应的无人机、基站或卫星，并控制各任务卸载目标节点按照每个任务卸载目标节点的计算资源分配方案为计算任务分配计算资源。

29、基于任务优先级的任务卸载装置，包括处理器和存储器，其中，处理器执行存储器中保存的计算机程序时实现基于任务优先级的任务卸载方法。

30、相较于现有技术，本发明的有益效果为：

31、本发明将原始耦合优化问题系统性地分解为多个子问题，子问题之间形成清晰的层级关系，其中轨迹与功率控制作为基础约束，卸载决策与资源分配在该约束下通过交替迭代优化实现联合求解。通过解耦策略，连续型决策变量与离散型决策变量得以分别处理，大幅缩减了强化学习智能体需输出的动作维度，使得训练过程更加稳定高效，收敛速度显著提升。

32、本发明引入多智能体深度确定性策略梯度网络，无人机能够根据当前用户设备的实际分布位置自主调整飞行轨迹以优化覆盖效果，能够根据任务负载情况自适应调节发射功率以平衡传输速率与能耗，还能够根据其他无人机的实时位置自动规避碰撞风险，从而在全动态场景下保持稳定的服务性能。

33、本方申请从三个层面系统性地引入任务优先级机制。在构建空天地一体化模型层面、计算资源分配层面、综合成本评估层面，这样能够在多用户设备共享有限资源的竞争环境下，确保高优先级任务始终获得与其紧迫性相匹配的服务质量。

34、针对卸载决策决定了各任务卸载目标节点的用户设备负载分布，而资源分配又反过来影响每个用户设备在各候选节点上的计算成本，进而影响最优卸载选择，本方案设计了两层交替迭代优化处理，使得卸载决策与资源分配得以在有限迭代步数内达到协同稳定的优化状态，有效克服了分别独立优化易陷入局部次优解的技术缺陷。