一种多接入边缘计算网络的任务卸载方法、装置及设备与流程

摘要: 本申请涉及通信,尤其涉及一种多接入边缘计算网络的任务卸载方法、装置及设备。背景技术:1、随着物联网设备的爆发式增长和移动应用对计算资源需求的持续攀升,mec(多...
一种多接入边缘计算网络的任务卸载方法、装置及设备与流程

本申请涉及通信,尤其涉及一种多接入边缘计算网络的任务卸载方法、装置及设备。

背景技术:

1、随着物联网设备的爆发式增长和移动应用对计算资源需求的持续攀升,mec(多接入边缘计算网络)作为一种将云计算能力下沉至移动网络边缘(如基站侧)的分布式计算架构应运而生。目前,多接入边缘计算网络通常搭载有uav(无人机)和ris(可重构智能表面)。

2、其中,uav凭借其高机动性、灵活部署和视距通信优势,可以为地面受损设备或地面偏远设备提供按需计算服务,ris通过部署大量无源反射单元,能够主动重构无线传播环境,显著提高信号覆盖范围与通信质量。然而,传统方案中ris搭载于uav上,仅能实现分布于ris两侧的地面用户的信号覆盖,尤其在多无人机和多用户的动态移动场景下,难以适应三维空间部署对信道时变和关联切换的场景需求,多接入边缘计算网络的系统能耗较大。

技术实现思路

1、本申请提供一种多接入边缘计算网络的任务卸载方法、装置及设备,可以在多用户多无人机辅助的动态环境下,降低多接入边缘计算网络的卸载总能耗。

2、本申请第一方面提供一种多接入边缘计算网络的任务卸载方法,所述多接入边缘计算网络包括智能超表面、用户设备集合和无人机集合,所述方法包括:获取目标用户设备的计算任务,其中,所述目标用户设备的来源空间由所述智能超表面预先划分;获取预先构建的所述多接入边缘计算网络的系统模型,所述系统模型至少包括能耗模型,确定所述能耗模型的目标函数和约束条件;基于所述目标函数和所述约束条件,对所述系统模型进行策略迭代优化,在所述策略迭代优化的任一迭代轮次中,对所述系统模型进行任务卸载优化和网络部署优化,以确定当前迭代轮次的任务卸载方案;确定所述策略迭代优化中,最后迭代轮次的任务卸载方案为目标卸载方案,所述目标卸载方案用于通过表征的目标无人机和所述目标用户设备对所述计算任务进行协同计算。

3、在一个实施方式中,构建多接入边缘计算网络的能耗模型包括:基于用户设备能耗与无人机能耗,确定所述uav-mec网络的能耗模型;其中,所述用户设备能耗包括用户计算能耗和卸载能耗,所述无人机能耗包括无人机计算能耗和飞行能耗。

4、在一个实施方式中,所述系统模型还包括网络模型、用户关联模型、用户移动模型和通信模型;其中:所述网络模型表征用户设备集合、无人机集合和无人机位置集合;所述用户移动模型表征任一用户设备在任一时隙的位置坐标;所述用户关联模型表征任一用户设备与所述无人机集合之间的用户关联关系,所述关联关系基于所述无人机位置集合和所述位置坐标确定;所述通信模型表征所述用户设备集合与所述无人机集合之间的传输信道。

5、在一个实施方式中,所述通信模型包括直接通信模型和间接通信模型;其中,所述直接通信模型基于任一用户设备与其关联无人机之间的欧氏距离构建,所述间接通信模型包括表征智能超表面与所述用户设备的第一信道模型,以及包括表征所述智能超表面与所述关联无人机的第二信道模型,所述第一信道模型基于视距分量构建,所述第二信道模型基于视距分量和非视距分量构建。

6、在一个实施方式中,所述目标函数基于用户关联关系、无人机位置集合、卸载比例集合和超表面系数矩阵确定,所述约束条件包括任务延迟上限约束、卸载比例范围约束、信号幅度约束、信号相位约束、关联关系二进制约束、关联数量约束和时隙移动距离约束。

7、在一个实施方式中,对所述系统模型进行任务卸载优化包括:固定当前迭代轮次的用户关联关系、目标无人机位置和超表面系数矩阵,采用预设二次正则化项和约束必要条件,重新确定所述目标函数和所述约束条件,以更新当前迭代轮次的卸载比例;固定所述用户关联关系、目标无人机位置和经过更新的卸载比例,采用预设近似变量和连续凸近似算法,重新确定所述目标函数和所述约束条件,以更新当前迭代轮次的超表面系数矩阵,将经过更新的所述卸载比例和所述超表面系数矩阵,作为当前迭代轮次的任务卸载优化结果。

8、在一个实施方式中,对所述系统模型进行网络部署优化包括:固定当前迭代轮次的卸载比例、超表面系数矩阵和目标无人机位置,基于多对一匹配策略、所述目标函数和所述约束条件,更新当前迭代轮次的用户关联关系,将更新后的用户关联关系作为当前迭代轮次的网络部署优化结果;其中,所述多对一匹配策略为,在满足无人机容量约束的情况下,持续对任意两个用户设备的关联无人机执行交换操作,直至用户设备集合中,任意两个用户设备的交换结果均表征系统能耗保持不变或升高。

9、在一个实施方式中,所述系统模型包括通信模型;对所述系统模型进行网络部署优化还包括:固定当前迭代轮次的卸载比例、超表面系数矩阵和用户关联关系,基于通信模型和凸凹过程算法,重新确定所述目标函数和所述约束条件,以更新当前迭代轮次的目标无人机位置,将更新后的目标无人机位置作为当前迭代轮次的网络部署优化结果。

10、本申请第二方面提供一种多接入边缘计算网络的任务卸载装置,所述装置包括:任务获取单元,用于获取目标用户设备的计算任务,其中,所述目标用户设备的来源空间由所述智能超表面预先划分;模型构建单元,用于获取预先构建的所述多接入边缘计算网络的系统模型,所述系统模型至少包括能耗模型,确定所述能耗模型的目标函数和约束条件;策略优化单元,用于基于所述目标函数和所述约束条件,对所述系统模型进行策略迭代优化,在所述策略迭代优化的任一迭代轮次中,对所述系统模型进行任务卸载优化和网络部署优化,以确定当前迭代轮次的任务卸载方案;任务计算单元,用于确定所述策略迭代优化中,最后迭代轮次的任务卸载方案为目标卸载方案,所述目标卸载方案用于通过表征的目标无人机和所述目标用户设备对所述计算任务进行协同计算。

11、本申请第三方面提供一种计算机设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面所述的多接入边缘计算网络的任务卸载方法。

12、本申请一个或多个实施方式提供的技术方案,在智能超表面辅助的多无人机边缘计算网络中,通过策略迭代优化实现系统总能耗的最小化,从而支持大规模动态移动场景下高效、低能耗的任务卸载。具体地,构建包含能耗模型的系统模型,确定以系统总能耗为目标的目标函数和约束条件,对系统模型进行策略迭代优化,在每一迭代轮次中依次进行任务卸载优化和网络部署优化,两种优化交替执行直至满足收敛条件,得到当前迭代轮次的任务卸载方案。相比于传统方案,本技术方案实现了网络总能耗的显著降低与计算复杂度的量级下降,有效解决了多用户多无人机动态场景下变量强耦合与非凸优化难解的问题,从而实现高效、精准、可扩展的边缘计算网络任务卸载与能耗优化。

13、可见,本申请提供的技术方案,可以在多无人机和多用户动态移动场景下,在star-ris辅助的多无人机多接入边缘计算网络中,实现网络卸载能耗的最小化。

1.一种多接入边缘计算网络的任务卸载方法,其特征在于,所述多接入边缘计算网络包括智能超表面、用户设备集合和无人机集合,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,构建所述多接入边缘计算网络的能耗模型包括:

3.根据权利要求1所述的方法,其特征在于,所述系统模型还包括网络模型、用户关联模型、用户移动模型和通信模型;其中:

4.根据权利要求3所述的方法,其特征在于,所述通信模型包括直接通信模型和间接通信模型;其中,所述直接通信模型基于任一用户设备与其关联无人机之间的欧氏距离构建,所述间接通信模型包括表征智能超表面与所述用户设备的第一信道模型,以及包括表征所述智能超表面与所述关联无人机的第二信道模型,所述第一信道模型基于视距分量构建,所述第二信道模型基于视距分量和非视距分量构建。

5.根据权利要求1所述的方法,其特征在于,所述目标函数基于用户关联关系、无人机位置集合、卸载比例集合和超表面系数矩阵确定,所述约束条件包括任务延迟上限约束、卸载比例范围约束、信号幅度约束、信号相位约束、关联关系二进制约束、关联数量约束和时隙移动距离约束。

6.根据权利要求1所述的方法,其特征在于,对所述系统模型进行任务卸载优化包括:

7.根据权利要求1所述的方法,其特征在于,对所述系统模型进行网络部署优化包括:

8.根据权利要求7所述的方法,其特征在于,所述系统模型包括通信模型;对所述系统模型进行网络部署优化还包括:

9.一种多接入边缘计算网络的任务卸载装置,其特征在于,所述装置包括:

10.一种计算机设备,其特征在于,包括: