基于双时间尺度优化的RIS辅助服务缓存与资源分配方法
本发明涉及车载边缘计算,尤其涉及一种基于双时间尺度优化的可重构智能反射面辅助服务缓存与资源分配方法。
背景技术:
1、随着智能交通系统、自动驾驶以及车联网技术的快速发展,车辆产生的数据量和计算需求不断增长。车载边缘计算(vehicular edge computing,vec)通过将计算与存储资源部署于网络边缘,使计算任务能够在靠近车辆的位置进行处理,从而有效降低任务处理时延并提升服务响应效率,已成为支持智能交通应用的重要技术手段。
2、在实际车载环境中,受车辆高速移动、道路结构复杂以及建筑物遮挡等因素影响,车辆与边缘服务器之间的无线通信链路质量波动较大,容易造成数据传输速率下降和任务处理性能降低。近年来,可重构智能反射面(reconfigurable intelligent surface,ris)凭借对无线传播环境进行智能调控的能力,通过调整反射单元相位改变无线信号传播路径,为改善车载通信质量提供了新的技术途径。
3、与此同时,车载应用通常依赖于目标检测、高精地图处理、路径规划等特定服务模块。由于边缘服务器存储资源有限,无法缓存全部服务,因此需要根据服务需求动态调整缓存内容。然而,服务缓存决策通常具有较长的更新周期,而任务卸载、ris配置以及资源分配决策需要根据实时网络状态进行快速调整,两者具有明显不同的时间尺度特征。
4、现有研究大多将服务缓存优化与任务卸载、资源分配优化分别进行处理,或者采用统一时间尺度进行联合优化,未能充分考虑服务缓存决策与资源调度决策在时间尺度上的差异。同时,服务缓存状态会直接影响任务执行位置和资源分配结果,任务卸载与资源调度又会影响系统服务质量,二者之间存在较强耦合关系。因此,在ris辅助车载边缘计算环境下,如何实现服务缓存、任务卸载、ris配置以及资源分配的协同优化,提高系统服务质量并降低缓存切换开销,仍然是亟待解决的技术问题。
技术实现思路
1、针对现有ris辅助车载边缘计算系统中服务缓存容量有限、服务缓存与资源调度耦合度高以及不同决策具有时间尺度差异等问题,本发明提供一种基于双时间尺度优化的ris辅助服务缓存与资源分配方法。该方法通过构建服务缓存与资源调度协同优化框架,在保证系统服务质量的同时降低服务缓存切换开销,实现车载边缘计算系统长期性能优化。
2、本发明解决上述技术问题的技术方案如下:一种基于双时间尺度优化的ris辅助服务缓存与资源分配方法,包括如下的步骤:
3、步骤1,构建 ris 辅助车载边缘计算系统;
4、步骤 2,基于步骤 1 搭建的车载边缘计算系统架构,分别搭建服务缓存模型、无线通信模型、计算模型,完整定义各模型变量、约束条件、开销/时延/能耗计算公式,得到系统全部基础量化约束与运算公式;
5、步骤3,基于步骤 2 输出的三类模型与全部公式,构建多变量联合优化目标函数与完整约束集,得到 np 难混合整数非线性规划优化问题 p1;
6、步骤4,基于步骤 3 得到的优化问题、步骤 2 输出的服务流行度/缓存增益/缓存状态数据,采用 lstm-ddpg 算法在大时间尺度生成静态缓存决策,更新边缘服务器缓存内容;
7、步骤5,基于步骤 4 输出的固定缓存状态,在每个独立小时间尺度实时采集多维度环境状态,得到小尺度优化完整输入参数;
8、步骤6,基于步骤 5 采集的实时环境参数、步骤 4 固定缓存状态、步骤 3 构建的联合优化模型,采用改进遗传算法对卸载、ris 相移、带宽、计算资源联合优化,输出最优实时资源调度方案;
9、步骤7,基于步骤 6 输出的资源调度方案执行全车辆任务处理,同步更新全域实时状态,输出更新后的小时间尺度环境数据;
10、步骤8,循环判定与双时间尺度协同迭代,基于步骤 4-7 完整时序流程实现长期协同优化。
11、在一些可能实现的方式中,步骤1具体为:
12、步骤1.1,部署 n 个车辆用户、搭载 m 台 mec 边缘服务器的基站、1 台云服务器、含 z 个反射单元的 ris;
13、步骤1.2,定义链路连接关系:车辆与基站无线直连、基站与云服务器光纤回程、ris 部署于建筑表面反射车辆无线信号;
14、步骤1.3,设定业务逻辑:车辆生成 f 类计算任务,每类任务对应专属服务模型,云服务器存储全部服务,边缘服务器受存储限制仅缓存部分服务,输出系统整体拓扑。
15、步骤1搭建包含车辆、边缘服务器、云服务器与多反射单元 ris 的端边云协同车载边缘计算架构,依托 ris 独立可调反射单元主动重塑无线传播链路,同时划分本地、边缘、云端多级任务处理模式,该架构一方面能够缓解车辆高速移动、建筑遮挡造成的通信链路剧烈波动问题,提升车边通信传输速率与稳定性,另一方面为后续分层缓存部署、多模式任务卸载以及 ris 相位联合优化提供完整硬件运行底座,打通存储、计算、通信多维度协同优化的物理基础。
16、在一些可能实现的方式中,步骤2具体为:
17、步骤2.1,构建服务缓存模型:定义二元缓存状态变量表征边缘服务器m 是否缓存服务f;设置缓存容量约束;构建缓存切换成本计算公式:
18、;
19、其中为指示函数,当条件x成立时取值为1,否则为0,表示该服务需要从云服务器获取,为固定的回程链路传输速率;输出缓存存储上限、缓存更新开销量化规则;
20、步骤2.2,构建无线通信模型:融合车辆 - 基站直连链路、ris 反射辅助链路,推导小时间尺度时隙vu n与bs之间的信干噪比公式:
21、;
22、其中为vu n的传输功率,为加性高斯白噪声, 为ris与bs之间的信道增益,为vu n到ris的信道增益,为vu n与bs之间的信道增益,为ris的对角相移矩阵,相移设置离散量化相移硬件约束:
23、;
24、其中为控制相移的量化精度;输出无线传输速率、信道质量、ris 相位取值约束;
25、步骤2.3,构建计算模型:定义卸载决策变量、计算资源分配变量,设置任务执行前置约束:
26、;
27、其中表示vu n在将任务卸载至mec服务器m,表示本地计算,表示云计算;划分本地、单边缘、多边缘协作、云端4类任务执行模式,推导多模式统一时延公式:
28、;
29、其中表示任务在本地执行所需时间,和表示任务在mec服务器m执行所需的传输时间和处理时间,、和表示mec服务器m没有任务处理所需服务,由协作mec服务器执行所需的传输时间和处理时间,表示所有mec服务器没有缓存对应服务由云服务器处理所需的时间,构建任务总能耗计算公式:
30、;
31、其中表示任务卸载到mec服务器m的传输能耗,表示在本地处理所需的能耗;定义单车辆服务质量 qos 量化公式:
32、;
33、其中分别为qos中表征vu对时延和能耗偏好的权重参数,为保证vu n正常工作的时延和能耗阈值,为任务处理时延;输出任务卸载、资源分配、时延能耗、用户服务质量完整量化规则。
34、步骤2分别构建包含缓存容量约束与切换开销计算公式的缓存模型、融合直连与ris 反射双链路并限定 ris 离散相位取值的通信模型、绑定缓存前置约束且统一量化多执行模式时延、能耗与用户 qos 指标的计算模型,将真实物理系统全部资源边界、开销收益、变量耦合关系转化为标准化数学表达式,既能够精准量化缓存更新带来的成本损耗与通信相位调整带来的信道增益,统一时延能耗评价标准,也清晰建立缓存与任务卸载的强耦合约束,消除多模块优化割裂问题,为后续多目标联合优化提供可量化、可求解的完整数学支撑。
35、在一些可能实现的方式中,步骤3具体为:
36、步骤3.1,构建长期优化目标函数 p1,引入权重因子平衡 qos 收益与缓存切换开销:
37、;
38、步骤3.2,叠加全部约束条件c1-c13:
39、
40、其中约束c1表明只有当mec服务器缓存了相应服务模型且分配了必要的计算资源时,任务才能被处理;约束c2表示mec服务器的带宽仅分配给进行任务卸载的vu;约束c3表明vu n生成的任务只能由单个服务器处理;约束c4、c5、c6分别表示各mec服务器的缓存容量、计算能力和带宽资源限制;约束c7、c8为vu的时延和能耗上限;约束c9-c13使该问题成为混合整数非线性规划问题;
41、步骤3.3,输出包含长短时间尺度耦合变量、离散与连续混合变量的 np 难联合优化问题。
42、步骤3以长期平均系统 qos 为优化收益、缓存切换开销为损失项并引入权重因子平衡双目标,整合缓存、卸载、带宽、计算、ris 相移全部离散与连续变量,叠加硬件、资源、用户体验全维度约束构建混合整数非线性长期优化问题,依托该统一多目标优化框架可同步权衡服务体验与缓存更新成本,避免单一指标优化造成的整体性能损耗,完整实现存储、通信、计算、ris 资源四维协同建模,全套约束条件保证后续算法输出调度方案具备工程可行性,同时面向无限长期时序优化更贴合车联网动态变化特征,侧重系统稳态综合性能最优而非单时隙短时收益。
43、在一些可能实现的方式中,步骤4具体为:
44、步骤4.1,统计历史时间窗口内各服务请求频次,得到服务流行度;量化缓存带来的 qos 提升幅度,得到服务缓存增益;读取当前边缘服务器缓存状态,组合得到单小时间尺度状态;
45、步骤4.2,将一个大周期内全部 k 个小时间尺度状态序列输入lstm 网络,提取服务请求时序关联特征,输出大时间尺度统一状态;
46、步骤4.3,将时序特征状态输入 ddpg 深度强化学习网络,输出各边缘服务器服务缓存二元决策;
47、步骤4.4,根据缓存决策更新边缘服务器存储内容,该缓存配置在当前完整大时间尺度周期内不改变,输出固定缓存状态作为下层小时间尺度优化的前置约束输入。
48、步骤4利用缓存更新周期更长、服务请求具备时序关联的特性,通过 lstm 提取多轮小尺度历史请求时序特征,弥补传统强化学习时序感知不足的缺陷,再由 ddpg 输出各边缘服务器缓存决策,且缓存配置在整个大周期内保持固定并作为下层资源调度静态输入,通过长短时间尺度解耦大幅降低整体优化求解复杂度,借助时序特征挖掘精准预判服务流行度变化、提升缓存命中率,同时缓存状态长期不变能够减少频繁更新产生的回程流量与下载时延,依靠强化学习自主迭代适配动态变化的车辆请求,增强系统对时变业务场景的自适应能力。
49、在一些可能实现的方式中,步骤5具体为:
50、步骤5.1,采集车辆侧:各车辆当前生成任务类型、任务数据量、本地算力;
51、步骤5.2,采集通信侧:车辆 - 基站直连信道、车辆 - ris 信道、ris - 基站信道、噪声功率;
52、步骤5.3,采集 ris 硬件侧:当前各反射单元相位、量化精度;
53、步骤5.4,采集边缘服务器侧:剩余存储、剩余计算算力、剩余带宽资源;
54、步骤5.6,整合全部实时状态参数,输出小时间尺度优化输入全集。
55、步骤5在高频短时周期内同步采集车辆任务、无线信道、ris 硬件、上层缓存、边缘剩余资源五类实时动态信息,完整捕捉车辆移动带来的瞬时信道波动与突发任务需求,同步接入大尺度输出的固定缓存状态打通双层优化数据链路,既能保障短期资源调度贴合车载场景实时变化,又能严格遵循缓存前置约束规避无效调度方案,同步采集 ris 实时硬件状态也为即时调整反射相位、补偿链路衰减提供精准实时数据支撑。
56、在一些可能实现的方式中,步骤6具体为:
57、步骤6.1,混合统一染色体编码:对离散变量任务卸载与ris相移采用离散实数编码,对连续变量计算资源与通信资源分配采用连续实数编码,第l代中第j个体的染色体为,每条染色体对应一组候选调度解;
58、步骤6.2,构建带约束惩罚的适应度函数:以系统总 qos 为优化基准,针对违反c1-c13 约束的个体施加惩罚,分段适应度公式:
59、;
60、步骤6.3,改进遗传迭代运算:
61、①选择:基于适应度比例筛选父代个体,选择概率公式:
62、
63、其中表示第l代所有个体的集合;
64、②自适应交叉:根据种群整体适应度动态调整交叉概率;连续基因块均值交叉、离散基因块内部交换,保留变量耦合关系;
65、③自适应变异:动态调整变异概率;离散基因整数随机变异、连续基因高斯变异;
66、④精英保留机制:每一代留存当前最优个体,避免最优解丢失;
67、步骤6.4,遗传迭代收敛后,输出当前小时间尺度最优调度方案:任务卸载矩阵、ris 离散相移矩阵、带宽分配、计算资源分配。
68、步骤6设计混合编码统一表征离散卸载、ris 相位变量与连续带宽、算力分配变量,构建带惩罚项的适应度函数筛除违反各类约束的不可行解,搭配自适应交叉变异概率与精英保留机制平衡算法全局探索与局部收敛能力,一次性完成多维资源联合优化,该改进机制可解决传统遗传算法早熟收敛、分步优化存在性能损失的缺陷,高效求解 np 难混合整数优化问题,同步动态调整 ris 相位持续优化无线传输链路,在单一时隙内同步优化卸载位置、频谱与算力分配,有效降低传输时延与终端能耗,输出全部满足硬件与用户性能阈值的可行调度策略。
69、在一些可能实现的方式中,步骤7具体为:
70、步骤7.1,根据卸载决策分配任务执行位置,匹配边缘服务器缓存校验约束c1;
71、步骤7.2,根据 ris 相移调整全部反射单元相位,重构无线传播链路提升;
72、步骤7.3,根据带宽、计算资源分配边缘服务器算力与频谱资源;
73、步骤7.4,分模式计算各车辆任务总时延、总能耗,校验阈值约束 c7、c8;
74、步骤7.5,任务处理完成后更新:车辆任务队列、实时信道增益、边缘剩余存储/算力 / 带宽,输出更新后的环境状态集。
75、步骤7照优化得到的资源调度方案完成任务分配、ris 相位调节与资源分配,分执行模式校验时延、能耗阈值保障车载业务基础性能,任务处理完成后同步更新车辆任务、信道、边缘剩余资源全局状态并回传至状态采集环节,形成 “状态采集 - 优化求解 - 方案执行 - 状态更新” 完整闭环,直接落地最优调度策略以提升车辆用户服务质量,实时更新的环境数据持续适配车辆移动带来的信道、资源动态变化,全程保障自动驾驶、高精地图等业务的时延能耗硬性指标不超限。
76、在一些可能实现的方式中,步骤8具体为:
77、步骤8.1,计时判断当前时序是否完成一个完整大时间尺度周期;
78、步骤8.2,未达周期:跳转步骤 5,采集新一轮实时状态,重复步骤 6、7 完成小尺度调度;
79、步骤8.3,达到周期:跳转步骤 4,基于累计全部小尺度时序状态重新训练 lstm-ddpg 生成新缓存配置,再依次执行步骤 5、6、7;
80、步骤8.4,持续循环双层时序优化,长期最大化系统平均 qos、最小化缓存切换总成本,输出持续动态优化的车载边缘计算系统运行策略。
81、步骤8设置长短周期嵌套循环逻辑,未达到大尺度更新周期时持续执行小尺度实时资源调度,周期届满后重新运行 lstm-ddpg 更新全局缓存策略,更新后的缓存状态持续作为后续多轮小尺度优化的固定输入,形成长期缓存规划搭配短期实时调度的双层协同优化闭环,兼顾系统长期稳态收益与短时动态环境适配,持续迭代降低系统整体时延、能耗与缓存切换综合成本,充分统筹存储、通信、计算、ris 反射多维资源,全面挖掘 ris 辅助车载边缘计算的性能上限,大幅提升系统在高速移动、请求时变、资源受限复杂场景下的资源利用率与环境适配能力。
82、本发明的有益效果是:
83、(1)提出双时间尺度优化框架,将服务缓存决策与资源调度决策分别在不同时间尺度上进行优化,充分利用两类决策的时间特性,降低联合优化问题求解复杂度;
84、(2)建立服务缓存、任务卸载、ris配置和资源分配协同优化机制,实现多维资源联合调度,提高系统整体资源利用效率;
85、(3)通过ris动态调节无线传播环境,改善车辆与边缘服务器之间的通信链路质量,提高数据传输效率和通信可靠性;
86、(4)利用lstm-ddpg算法学习服务请求变化规律,实现服务缓存内容动态调整,提高缓存命中率并降低缓存更新开销;
87、(5)采用改进遗传算法联合求解任务卸载、ris配置及资源分配问题,提高复杂优化问题的求解效率和全局搜索能力;
88、(6)通过长期缓存优化与短期资源调度协同决策,提高系统服务质量,降低任务处理时延、能耗以及缓存切换成本,增强系统对动态车联网环境的适应能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com