CN109302463B - 一种面向边缘计算的自组云架构与优化方法及系统 - Google Patents

Abstract

本发明提供了一种面向边缘计算的自组云架构与优化方法及系统，包括模型构建步骤：对层次化的无人机系统进行模型构建；适于无限虚拟机资源情形的去中心化计算卸载算法步骤：根据无人机系统的无人机终端带宽满足的条件分别进行博弈决策，达到纳什均衡；适于有限虚拟机资源情形的去中心化计算卸载算法步骤：设计去中心化计算卸载算法进行算法计算。本发明提供了一种分层去中心化的卸载方法，以在保持能效的同时降低通信开销；本发明将层次化无人机系统中的节能计算卸载决策问题建模为一种非合作博弈进行研究，针对无限虚拟机资源、有限虚拟机资源情形设计了去中心化的计算卸载算法，并证明了算法能达到纳什均衡。

Description

一种面向边缘计算的自组云架构与优化方法及系统

技术领域

本发明涉及无人机系统计算卸载领域，具体地，涉及一种面向边缘计算的自组云架构与优化方法及系统。

背景技术

当前，无人机作为一种新兴的技术，在军事、公共安防等领域都受到广泛应用。随着需求的增长，逐渐出现了如目标识别、图像处理等应用，它们会产生大数据，而单架无人机很难处理如此大规模的数据。因此基于多无人机的自组云体系应运而生，在一个自组云内，一架大无人机协调着多架小无人机，从而可以处理复杂的事件。另一方面，在许多无人机系统中，能耗是一个关键问题，而计算卸载作为一种重要的能耗降低技术，已经应用于基于朵云的无人机和云服务器之间的任务卸载中。对于无人机系统而言，与传统的集中卸载方法不同，我们提出了一种分层去中心化的卸载方法，以在保持能效的同时降低通信开销。我们将层次化无人机系统中的节能计算卸载决策问题建模为一种非合作博弈进行研究，针对无限虚拟机资源、有限虚拟机资源情形设计了去中心化的计算卸载算法，并证明了算法能达到纳什均衡。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种面向边缘计算的自组云架构与优化方法及系统。

根据本发明提供的一种面向边缘计算的自组云架构与优化方法，包括如下步骤：

模型构建步骤：对层次化的无人机系统进行模型构建；

适于无限虚拟机资源情形的去中心化计算卸载算法步骤：根据无人机系统的无人机终端带宽满足的条件分别进行博弈决策，达到纳什均衡；

适于有限虚拟机资源情形的去中心化计算卸载算法步骤：设计去中心化计算卸载算法进行算法计算。

优选地，所述模型构建步骤包括：

本地计算能耗模型构建步骤：构建本地计算能耗模型：

其中m表示第m个自组云，n表示该自组云中第n个无人机终端，μ_mn表示每个CPU周期消耗的能量的系数，C_mn表示任务所需的处理周期，

表示无人机在本地计算该任务所消耗的能量；

边缘计算带宽模型构建步骤：构建边缘计算带宽模型：

其中b_m表示第m个自组云总的上行链路带宽；

边缘计算能耗模型构建步骤：构建边缘计算能耗模型：

其中

P_mn表示第m个自组云中第n个无人机的传输功率，

表示边缘计算所消耗的能量，

表示边缘计算所需时间，D_mn表示任务的数据大小，

表示无人机终端和其相应的协调器之间上行链路传输的频谱效率，

表示无人机终端的上行链路带宽；

云计算能耗模型构建步骤：构建云计算能耗模型：

其中：

表示任务在云端做时所需消耗的能量，

表示决策向量，w表示信道带宽，K＝p_mn·g_mn,s＝p_qt·g_qt,s表示同质无线接入的属性，p_mn表示传输功率，g_mn,s表示无人机终端与基站间的信道增益，γ_mn表示背景噪声，由噪声功率和干扰功率组成，

表示上行链路的速率；

优化模型构建步骤：构建优化模型：

表示希望系统整体的能耗最小，其中

表示能量开销函数；

去中心化基于朵云的计算卸载博弈模型构建步骤：构建去中心化基于朵云的计算卸载博弈模型：Ψ＝(Q,{χ_mn}_m∈M,n∈N,{O_mn}_m∈M,n∈N)，其中Q＝M×N是集合M和N的笛卡尔乘积，表示所有无人机终端的集合，χ_mn＝{0,1,2}表示无人机终端的决策集合。

优选地，适于无限虚拟机资源情形的去中心化计算卸载算法步骤包括：

分类步骤：对无人机系统中所有的无人机终端按其上行链路带宽进行分类，形成S⁽¹⁾和S⁽²⁾，S⁽¹⁾表示带宽较小情形下每架无人机的

集合，其中

表示带宽较小情形下第m个朵云中的第j架无人机的决策处于纳什均衡的阈值点，S⁽²⁾表示带宽较大情形下每架无人机的

集合，其中

表示带宽较大情形下第m个朵云中的第j架无人机的决策处于纳什均衡的阈值点；

排序步骤：对S⁽¹⁾和S⁽²⁾中的元素进行非递增排序，且集合中的首元素需不小于0；

执行步骤：令云端计算的集合

只有一个元素1，其中i＝{1,2}；遍历集合S⁽ⁱ⁾中的元素，将元素逐一合并到

中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出；否则，更新

返回步骤：返回

优选地，适于有限虚拟机资源情形的去中心化计算卸载算法步骤包括：

调用第一子算法，得到边缘计算集合G_e、个数最小值δ_m和无人机终端个数λ_m；

对于未被收录到G_e中的剩余的无人机终端集合Θ，调用第二子算法计算G_c；

调用第三子算法进行集合属性检查：

当e_i＜δ_i时，更新Θ，调用第二子算法计算新的云计算集合G_c，调用第三子算法进行集合属性检查；

当e_i≥δ_i时，返回云计算集合G_c、边缘计算集合G_e和本地计算集合G_l。

优选地，所述第一子算法包括：将自组云m中的无人机终端按其带宽进行非递增排序，对于一个自组云中的每个无人机终端，若其带宽

满足

则将所述无人机终端收录至边缘计算集合G_e中，并记录相应的个数λ_m，对于每个协调器的虚拟机个数限制k_m，取k_m和λ_m两者的最小值δ_m，返回G_e、δ_m和λ_m；

所述第二子算法包括：对于经第一子算法计算未被收录到集合G_e中的无人机终端，将其按

排序，其中

令云端计算的集合G_c只有一个元素1，遍历未被收录到集合G_e中的无人机终端，将元素逐一合并到G_c中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出，若不满足

则更新G_c；返回最终的G_c；

所述第三子算法包括：对于第二子算法所求得的云计算集合G_c，遍历云计算集合G_c的元素，若集合中的无人机终端满足

且

则记录该无人机终端及其数量ε_i，对于每个自组云而言，用于边缘计算的无人机终端并且满足

的个数e_i＝λ_i-ε_i，返回系统的e＝[e₁,e₂,…e_M]。

根据本发明提供的一种面向边缘计算的自组云架构与优化系统，包括如下模块：

模型构建模块：用于对层次化的无人机系统进行模型构建；

适于无限虚拟机资源情形的去中心化计算卸载算法模块：用于根据无人机系统的无人机终端带宽满足的条件分别进行博弈决策，达到纳什均衡；

适于有限虚拟机资源情形的去中心化计算卸载算法模块：用于设计去中心化计算卸载算法进行算法计算。

优选地，所述模型构建模块包括：

本地计算能耗模型构建模块：用于构建本地计算能耗模型：

其中m表示第m个自组云，n表示该自组云中第n个无人机终端，μ_mn表示每个CPU周期消耗的能量的系数，C_mn表示任务所需的处理周期，

表示无人机在本地计算该任务所消耗的能量；

边缘计算带宽模型构建模块：用于构建边缘计算带宽模型：

其中b_m表示第m个自组云总的上行链路带宽；

边缘计算能耗模型构建模块：用于构建边缘计算能耗模型：

其中

P_mn表示第m个自组云中第n个无人机的传输功率，

表示边缘计算所消耗的能量，

表示边缘计算所需时间，D_mn表示任务的数据大小，

表示无人机终端和其相应的协调器之间上行链路传输的频谱效率，

表示无人机终端的上行链路带宽；

云计算能耗模型构建模块：用于构建云计算能耗模型：

其中：

表示任务在云端做时所需消耗的能量，

表示决策向量，w表示信道带宽，K＝p_mn·g_mn,s＝p_qt·g_qt,s表示同质无线接入的属性，p_mn表示传输功率，g_mn,s表示无人机终端与基站间的信道增益，γ_mn表示背景噪声，由噪声功率和干扰功率组成，

表示上行链路的速率；

优化模型构建模块：用于构建优化模型：

表示希望系统整体的能耗最小，其中

表示能量开销函数；

去中心化基于朵云的计算卸载博弈模型构建模块：用于构建去中心化基于朵云的计算卸载博弈模型：Ψ＝(Q,{χ_mn}_m∈M,n∈N,{O_mn}_m∈M,n∈N)，其中Q＝M×N是集合M和N的笛卡尔乘积，表示所有无人机终端的集合，χ_mn＝{0,1,2}表示无人机终端的决策集合。

优选地，适于无限虚拟机资源情形的去中心化计算卸载算法模块包括：

分类模块：用于对无人机系统中所有的无人机终端按其上行链路带宽进行分类，形成S⁽¹⁾和S⁽²⁾，S⁽¹⁾表示带宽较小情形下每架无人机的

集合，其中

表示带宽较小情形下第m个朵云中的第j架无人机的决策处于纳什均衡的阈值点，S⁽²⁾表示带宽较大情形下每架无人机的

集合，其中

表示带宽较大情形下第m个朵云中的第j架无人机的决策处于纳什均衡的阈值点；

排序模块：用于对S⁽¹⁾和S⁽²⁾中的元素进行非递增排序，且集合中的首元素需不小于0；

执行模块：令云端计算的集合

只有一个元素1，其中i＝{1,2}；遍历集合S⁽ⁱ⁾中的元素，将元素逐一合并到

中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出；否则，更新

返回模块：用于返回

优选地，适于有限虚拟机资源情形的去中心化计算卸载算法模块包括：

调用第一子算法，得到边缘计算集合G_e、个数最小值δ_m和无人机终端个数λ_m；

对于未被收录到G_e中的剩余的无人机终端集合Θ，调用第二子算法计算G_c；

调用第三子算法进行集合属性检查：

当e_i＜δ_i时，更新Θ，调用第二子算法计算新的云计算集合G_c，调用第三子算法进行集合属性检查；

当e_i≥δ_i时，返回云计算集合G_c、边缘计算集合G_e和本地计算集合G_l。

优选地，所述第一子算法包括：将自组云m中的无人机终端按其带宽进行非递增排序，对于一个自组云中的每个无人机终端，若其带宽

满足

则将所述无人机终端收录至边缘计算集合G_e中，并记录相应的个数λ_m，对于每个协调器的虚拟机个数限制k_m，取k_m和λ_m两者的最小值δ_m，返回G_e、δ_m和λ_m；

所述第二子算法包括：对于经第一子算法计算未被收录到集合G_e中的无人机终端，将其按

排序，其中

令云端计算的集合G_c只有一个元素1，遍历未被收录到集合G_e中的无人机终端，将元素逐一合并到G_c中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出，若不满足

则更新G_c；返回最终的G_c；

所述第三子算法包括：对于第二子算法所求得的云计算集合G_c，遍历云计算集合G_c的元素，若集合中的无人机终端满足

且

则记录该无人机终端及其数量ε_i，对于每个自组云而言，用于边缘计算的无人机终端并且满足

的个数e_i＝λ_i-ε_i，返回系统的e＝[e₁,e₂,…e_M]。

与现有技术相比，本发明具有如下的有益效果：

1、本发明提供了一种分层去中心化的卸载方法，以在保持能效的同时降低通信开销；

2、本发明将层次化无人机系统中的节能计算卸载决策问题建模为一种非合作博弈进行研究，针对无限虚拟机资源、有限虚拟机资源情形设计了去中心化的计算卸载算法，并证明了算法能达到纳什均衡；

3、相比于目前最好的两层式去中心化计算卸载算法，本发明系统能耗降低了30％以上；相比于集中式任务调度策略而言，性能降低只超过了不到10％；

4、当对系统进行扩展时，整个系统的运行时间较低，有较高的计算效率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明面向边缘计算的自组云架构与优化系统的系统框图；

图2为针对适于无限虚拟机资源的去中心化计算卸载算法进行横向扩展所产生的系统能耗图；

图3为针对适于无限虚拟机资源的去中心化计算卸载算法进行纵向扩展所产生的系统能耗图；

图4为适于无限虚拟机资源的去中心化计算卸载算法的运行时间图；

图5为针对适于有限虚拟机资源的去中心化计算卸载算法对系统进行纵向扩展所产生的系统能耗图；

图6为适于有限虚拟机资源的去中心化计算卸载算法的迭代次数图；

图7为适于有限虚拟机资源的去中心化计算卸载算法的运行时间图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明提供了一种面向边缘计算的自组云架构与优化方法及系统。如图1所示，本发明设计了层次化的无人机系统框架。在该框架中，无人机终端根据自身的计算能力、边缘服务器的计算资源、任务传输过程中的通信竞争等因素，对任务完成方式作出决策，可以将任务直接在本地完成，或者将其卸载到边缘服务器中完成，亦或是发送到远程云服务器中完成。考虑到对于无人机系统而言，能量资源是比较重要的，因此申请人重点关注能耗模型。

首先对层次化的无人机系统进行模型构建，具体模型建模如下：

1、本地计算能耗模型

其中m表示第m个自组云，n表示该自组云中第n个无人机终端，μ_mn表示每个CPU周期消耗的能量的系数，C_mn表示任务所需的处理周期，

表示无人机在本地计算该任务所消耗的能量。

2、边缘计算所需时间模型

其中D_mn表示任务的数据大小，

表示无人机终端和其相应的协调器之间上行链路传输的频谱效率，

表示无人机终端的上行链路带宽，

表示边缘计算所需时间。

3、边缘计算带宽模型

其中b_m表示第m个自组云总的上行链路带宽。

4、边缘计算能耗模型

其中P_mn表示第m个自组云中第n个无人机的传输功率，

表示边缘计算所消耗的能量。

5、云计算通信模型

其中

表示决策向量，w表示信道带宽，K＝p_mn·g_mn,s＝p_qt·g_qt,s表示同质无线接入的属性，p_mn表示传输功率，g_mn,s表示无人机终端与基站间的信道增益，γ_mn表示背景噪声，由噪声功率和干扰功率组成，

表示上行链路的速率。

6、云计算能耗模型

表示任务在云端做时所需消耗的能量。

7、优化模型

表示希望系统整体的能耗最小，其中

8、去中心化基于朵云的计算卸载博弈模型

Ψ＝(Q,{χ_mn}_m∈M,n∈N,{O_mn}_m∈M,n∈N)，其中Q＝M×N是集合M和N的笛卡尔乘积，表示所有无人机终端的集合，χ_mn＝{0,1,2}表示无人机终端的决策集合。

其次采用对无限虚拟机资源情形适用的基于朵云的去中心化计算卸载算法，所述算法根据无人机终端带宽满足的条件分别进行博弈决策，从而达到纳什均衡。具体算法步骤如下：对无人机系统中所有的无人机终端按其上行链路带宽进行分类，形成S⁽¹⁾和S⁽²⁾；对S⁽¹⁾和S⁽²⁾中的元素进行非递增排序，且集合中的首元素需不小于0；令云端计算的集合

只有一个元素1，其中i＝{1,2}；遍历集合S⁽ⁱ⁾中的元素，将元素逐一合并到

中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出，否则，更新

最终返回

最后采用对有限虚拟机资源情形适用的基于朵云的去中心化计算卸载算法，所述算法在无限虚拟机资源情形的算法基础上添加了对虚拟机资源的限制，故若使用原算法则会打破纳什均衡，因此本算法设计了新的去中心化计算卸载算法，该算法主要包含三个子算法。

子算法1：边缘计算卸载算法，算法步骤如下：将自组云m中的无人机终端按其带宽进行非递增排序。对一个自组云中的每个无人机终端而言，若其带宽

满足

则将该无人机终端收录至边缘计算集合G_e中，并记录相应的个数λ_m。对于每个协调器的虚拟机个数限制k_m，取k_m和λ_m两者的最小值δ_m，返回G_e、δ_m和λ_m。

子算法2：云计算集合判定算法，算法步骤如下：对于经第一子算法计算未被收录到集合G_e中的无人机终端，将其按

排序，其中

令云端计算的集合G_c只有一个元素1，遍历未被收录到集合G_e中的无人机终端，将元素逐一合并到G_c中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出，若不满足

则更新G_c；返回最终的G_c。

子算法3：所求集合属性检查，对于第二子算法所求得的云计算集合G_c，遍历云计算集合G_c的元素，若集合中的无人机终端满足

且

则记录该无人机终端及其数量ε_i，对于每个自组云而言，用于边缘计算的无人机终端并且满足

的个数e_i＝λ_i-ε_i，返回系统的e＝[e₁,e₂,…e_M]。

对有限虚拟机资源情形适用的基于朵云的去中心化计算卸载算法具体为：调用子算法1，得到G_e、δ_m和λ_m；对于未被收录到G_e中的剩余的无人机终端集合Θ，调用子算法2计算G_c；调用子算法3进行集合属性检查。当e_i＜δ_i时，更新Θ，调用子算法2计算新的云计算集合G_c，调用子算法3进行集合属性检查；当e_i≥δ_i时，返回云计算集合G_c、边缘计算集合G_e和本地计算集合G_l。

针对无限虚拟机资源情形适用的算法，申请人对其可扩展性和运行时间分别做了实验，其中，可扩展性方面包括了横向扩展和纵向扩展。横向扩展，即是保持自组云个数不变，每次只针对其中一个自组云进行无人机终端数量的扩展；纵向扩展，则是保持每个自组云中无人机终端数量不变，扩展相应的自组云个数。

实验设计为3个自组云，每个自组云中有10架无人机终端。对于横向扩展，以第1个自组云为例，图2展示了横向扩展过程中系统能耗的实验结果。横坐标表示自组云1中无人机终端的数量，纵坐标表示系统的能耗。实验表明，本申请的算法比目前最优的去中心化算法XCOG降低了超过30％的能耗，并且相比于集中式最优的算法，性能降低只有不到10％。

对于纵向扩展，申请人进行了实验如下：横坐标表示自组云的数量，纵坐标表示系统的能耗。如图3表示，实验表明，本申请的算法比目前最优的去中心化算法XCOG降低了超过50％的能耗，并且相比于集中式最优的算法，性能降低只有不到10％。

对于运行时间，本申请针对不同数量的无人机终端情形进行了实验，如图4所示，对每一种情形测试了1百万次，并取其平均，得到如图所示的实验结果。图中横坐标表示无人机终端的总个数，纵坐标表示算法的运行时间。XCOG表示目前最优的去中心化算法。

对有限虚拟机资源情形适用的算法，申请人也对其可扩展性和运行时间分别做了实验，其中，可扩展性方面仅包含纵向扩展，即保持每个自组云中无人机终端数量不变，扩展相应的自组云个数。

对于可扩展性实验：申请人进行了如下实验，如图5所示，横坐标表示自组云的数量，纵坐标表示系统的能耗。实验表明，本申请的算法比目前最优的去中心化算法XCOG降低了超过40％的能耗，并且相比于集中式最优的算法，性能降低仍只有不到10％。

对于算法效率，本申请首先测试了在进行系统扩展时，该算法的迭代次数。如图6所示。横坐标表示系统无人机终端的总数，纵坐标表示算法运行的迭代次数。实验表明，随着无人机终端数目的增加，系统的迭代次数近乎成线性增长，和集中式最优解的指数级算法相比，大大提升了运算效率。

其次针对不同数量的无人机终端情形进行了实验，如图7所示，同样对每一种情形测试了1百万次，并取其平均，得到如图所示的实验结果。图中横坐标表示无人机终端的总个数，纵坐标表示算法的运行时间。实验表明，该算法在系统扩展时仍是相对高效的。

本发明提供了一种分层去中心化的卸载方法，以在保持能效的同时降低通信开销；本发明将层次化无人机系统中的节能计算卸载决策问题建模为一种非合作博弈进行研究，针对无限虚拟机资源、有限虚拟机资源情形设计了去中心化的计算卸载算法，并证明了算法能达到纳什均衡。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (2)

1.一种面向边缘计算的自组云架构与优化方法，其特征在于，包括如下步骤：

模型构建步骤：对层次化的无人机系统进行模型构建；

适于无限虚拟机资源情形的去中心化计算卸载算法步骤：根据无人机系统的无人机终端带宽满足的条件分别进行博弈决策，达到纳什均衡；

适于有限虚拟机资源情形的去中心化计算卸载算法步骤：设计去中心化计算卸载算法进行算法计算；

所述模型构建步骤包括：

本地计算能耗模型构建步骤：构建本地计算能耗模型：

其中m表示第m个自组云，n表示该自组云中第n个无人机终端，μ_mn表示每个CPU周期消耗的能量的系数，C_mn表示任务所需的处理周期，

表示无人机在本地计算该任务所消耗的能量；

边缘计算带宽模型构建步骤：构建边缘计算带宽模型：

其中b_m表示第m个自组云总的上行链路带宽；

边缘计算能耗模型构建步骤：构建边缘计算能耗模型：

其中

P_mn表示第m个自组云中第n个无人机的传输功率，

表示边缘计算所消耗的能量，

表示边缘计算所需时间，D_mn表示任务的数据大小，

表示无人机终端和其相应的协调器之间上行链路传输的频谱效率，

表示无人机终端的上行链路带宽；

云计算能耗模型构建步骤：构建云计算能耗模型：

其中：

表示任务在云端做时所需消耗的能量，

表示决策向量，w表示信道带宽，K＝p_mn·g_mn,s＝p_qt·g_qt,s表示同质无线接入的属性，p_mn表示传输功率，g_mn,s表示无人机终端与基站间的信道增益，γ_mn表示背景噪声，由噪声功率和干扰功率组成，

表示上行链路的速率；

优化模型构建步骤：构建优化模型：

表示希望系统整体的能耗最小，其中

表示能量开销函数；

去中心化基于朵云的计算卸载博弈模型构建步骤：构建去中心化基于朵云的计算卸载博弈模型：Ψ＝(Q,{χ_mn}_m∈M,n∈N,{O_mn}_m∈M,n∈N)，其中Q＝M×N是集合M和N的笛卡尔乘积，表示所有无人机终端的集合，χ_mn＝{0,1,2}表示无人机终端的决策集合；

适于无限虚拟机资源情形的去中心化计算卸载算法步骤包括：

分类步骤：对无人机系统中所有的无人机终端按其上行链路带宽进行分类，形成S⁽¹⁾和S⁽²⁾，S⁽¹⁾表示带宽较小情形下每架无人机的

集合，其中

表示带宽较小情形下第m个朵云中的第j架无人机的决策处于纳什均衡的阈值点，S⁽²⁾表示带宽较大情形下每架无人机的

集合，其中

表示带宽较大情形下第m个朵云中的第j架无人机的决策处于纳什均衡的阈值点；

排序步骤：对S⁽¹⁾和S⁽²⁾中的元素进行非递增排序，且集合中的首元素需不小于0；

执行步骤：令云端计算的集合

只有一个元素1，其中i＝{1,2}；遍历集合S⁽ⁱ⁾中的元素，将元素逐一合并到

中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出；否则，更新

返回步骤：返回

适于有限虚拟机资源情形的去中心化计算卸载算法步骤包括：

调用第一子算法，得到边缘计算集合G_e、个数最小值δ_m和无人机终端个数λ_m；

对于未被收录到G_e中的剩余的无人机终端集合Θ，调用第二子算法计算G_c；

调用第三子算法进行集合属性检查：

当e_i＜δ_i时，更新Θ，调用第二子算法计算新的云计算集合G_c，调用第三子算法进行集合属性检查；

当e_i≥δ_i时，返回云计算集合G_c、边缘计算集合G_e和本地计算集合G_l；

所述第一子算法包括：将自组云m中的无人机终端按其带宽进行非递增排序，对于一个自组云中的每个无人机终端，若其带宽

满足

则将所述无人机终端收录至边缘计算集合G_e中，并记录相应的个数λ_m，对于每个协调器的虚拟机个数限制k_m，取k_m和λ_m两者的最小值δ_m，返回G_e、δ_m和λ_m；

所述第二子算法包括：对于经第一子算法计算未被收录到集合G_e中的无人机终端，将其按

排序，其中

令云端计算的集合G_c只有一个元素1，遍历未被收录到集合G_e中的无人机终端，将元素逐一合并到G_c中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出，若不满足

则更新G_c；返回最终的G_c；

所述第三子算法包括：对于第二子算法所求得的云计算集合G_c，遍历云计算集合G_c的元素，若集合中的无人机终端满足

且

则记录该无人机终端及其数量ε_i，对于每个自组云而言，用于边缘计算的无人机终端并且满足

的个数e_i＝λ_i-ε_i，返回系统的e＝[e₁,e₂,…e_M]。

2.一种面向边缘计算的自组云架构与优化系统，其特征在于，包括如下模块：

模型构建模块：用于对层次化的无人机系统进行模型构建；

适于无限虚拟机资源情形的去中心化计算卸载算法模块：用于根据无人机系统的无人机终端带宽满足的条件分别进行博弈决策，达到纳什均衡；

适于有限虚拟机资源情形的去中心化计算卸载算法模块：用于设计去中心化计算卸载算法进行算法计算；

所述模型构建模块包括：

本地计算能耗模型构建模块：用于构建本地计算能耗模型：

其中m表示第m个自组云，n表示该自组云中第n个无人机终端，μ_mn表示每个CPU周期消耗的能量的系数，C_mn表示任务所需的处理周期，

表示无人机在本地计算该任务所消耗的能量；

边缘计算带宽模型构建模块：用于构建边缘计算带宽模型：

其中b_m表示第m个自组云总的上行链路带宽；

边缘计算能耗模型构建模块：用于构建边缘计算能耗模型：

其中

P_mn表示第m个自组云中第n个无人机的传输功率，

表示边缘计算所消耗的能量，

表示边缘计算所需时间，D_mn表示任务的数据大小，

表示无人机终端和其相应的协调器之间上行链路传输的频谱效率，

表示无人机终端的上行链路带宽；

云计算能耗模型构建模块：用于构建云计算能耗模型：

其中：

表示任务在云端做时所需消耗的能量，

表示决策向量，w表示信道带宽，K＝p_mn·g_mn,s＝p_qt·g_qt,s表示同质无线接入的属性，p_mn表示传输功率，g_mn,s表示无人机终端与基站间的信道增益，γ_mn表示背景噪声，由噪声功率和干扰功率组成，

表示上行链路的速率；

优化模型构建模块：用于构建优化模型：

表示希望系统整体的能耗最小，其中

表示能量开销函数；

去中心化基于朵云的计算卸载博弈模型构建模块：用于构建去中心化基于朵云的计算卸载博弈模型：Ψ＝(Q,{χ_mn}_m∈M,n∈N,{O_mn}_m∈M,n∈N)，其中Q＝M×N是集合M和N的笛卡尔乘积，表示所有无人机终端的集合，χ_mn＝{0,1,2}表示无人机终端的决策集合；

适于无限虚拟机资源情形的去中心化计算卸载算法模块包括：

分类模块：用于对无人机系统中所有的无人机终端按其上行链路带宽进行分类，形成S⁽¹⁾和S⁽²⁾，S⁽¹⁾表示带宽较小情形下每架无人机的

集合，其中

表示带宽较小情形下第m个朵云中的第j架无人机的决策处于纳什均衡的阈值点，S⁽²⁾表示带宽较大情形下每架无人机的

集合，其中

表示带宽较大情形下第m个朵云中的第j架无人机的决策处于纳什均衡的阈值点；

排序模块：用于对S⁽¹⁾和S⁽²⁾中的元素进行非递增排序，且集合中的首元素需不小于0；

执行模块：令云端计算的集合

只有一个元素1，其中i＝{1,2}；遍历集合S⁽ⁱ⁾中的元素，将元素逐一合并到

中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出；否则，更新

返回模块：用于返回

适于有限虚拟机资源情形的去中心化计算卸载算法模块包括：

调用第一子算法，得到边缘计算集合G_e、个数最小值δ_m和无人机终端个数λ_m；

对于未被收录到G_e中的剩余的无人机终端集合Θ，调用第二子算法计算G_c；

调用第三子算法进行集合属性检查：

当e_i＜δ_i时，更新Θ，调用第二子算法计算新的云计算集合G_c，调用第三子算法进行集合属性检查；

当e_i≥δ_i时，返回云计算集合G_c、边缘计算集合G_e和本地计算集合G_l；

所述第一子算法包括：将自组云m中的无人机终端按其带宽进行非递增排序，对于一个自组云中的每个无人机终端，若其带宽

满足

则将所述无人机终端收录至边缘计算集合G_e中，并记录相应的个数λ_m，对于每个协调器的虚拟机个数限制k_m，取k_m和λ_m两者的最小值δ_m，返回G_e、δ_m和λ_m；

所述第二子算法包括：对于经第一子算法计算未被收录到集合G_e中的无人机终端，将其按

排序，其中

令云端计算的集合G_c只有一个元素1，遍历未被收录到集合G_e中的无人机终端，将元素逐一合并到G_c中，若合并后满足

即新集合的大小大于相应位置元素数据加1，则停止循环并退出，若不满足

则更新G_c；返回最终的G_c；

所述第三子算法包括：对于第二子算法所求得的云计算集合G_c，遍历云计算集合G_c的元素，若集合中的无人机终端满足

且

则记录该无人机终端及其数量ε_i，对于每个自组云而言，用于边缘计算的无人机终端并且满足

的个数e_i＝λ_i-ε_i，返回系统的e＝[e₁,e₂,…e_M]。

Images