CN113329428B - 一种无人机辅助的移动边缘网络的请求调度方法 - Google Patents

一种无人机辅助的移动边缘网络的请求调度方法 Download PDF

Info

Publication number
CN113329428B
CN113329428B CN202110629979.9A CN202110629979A CN113329428B CN 113329428 B CN113329428 B CN 113329428B CN 202110629979 A CN202110629979 A CN 202110629979A CN 113329428 B CN113329428 B CN 113329428B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
request
feasible
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110629979.9A
Other languages
English (en)
Other versions
CN113329428A (zh
Inventor
徐子川
乔海洋
夏秋粉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202110629979.9A priority Critical patent/CN113329428B/zh
Publication of CN113329428A publication Critical patent/CN113329428A/zh
Priority to US17/510,879 priority patent/US11973569B2/en
Priority to ZA2021/08929A priority patent/ZA202108929B/en
Application granted granted Critical
Publication of CN113329428B publication Critical patent/CN113329428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/62—Queue scheduling characterised by scheduling criteria
    • H04L47/622—Queue service order
    • H04L47/6225—Fixed service order, e.g. Round Robin
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/0446—Resources in time domain, e.g. slots or frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/52—Allocation or scheduling criteria for wireless resources based on load

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种无人机辅助的移动边缘网络的请求调度方法，包括：根据目标区域内遮挡信息确定多个无人机可行部署点；从多个无人机可行部署点中随机抽选U个无人机可行部署点作为无人机部署点；将各无人机划分为多个虚拟无人机；将系统中央队列中的用户请求分配到各虚拟无人机；采用轮询调度策略对分配到各虚拟无人机的用户请求进行调度；经过设定时间t后，若不满足网络压力的缓解条件，将各无人机可行部署点的历史用户请求数据输入训练好的多时间尺度长短期记忆神经网络模型，获得下一个设定时间t内各无人机可行部署点的数据处理量并重新确定无人机部署点，并根据无人机部署点重新部署携带基站的无人机。本发明优化了目标区域的网络覆盖。

Description

一种无人机辅助的移动边缘网络的请求调度方法
技术领域
本发明涉及移动边缘网络计算技术领域，特别是涉及一种无人机辅助的移动边缘网络的请求调度方法。
背景技术
5G拥有更大的网络容量、更快的传输速度、更强的实时能力以及全空间的连接，可以为用户(人和机器)带来更极致的用户体验，它将开启物联网时代，加快数字化进程。Statista的数据显示，到2025年，全球物联网设备的数量预计将超过750亿，而物联网产生的数据量预计将达到79.4ZB。
通过在与物联网(IoT)设备相邻的位置部署5G小基站(small cell basestation)，可以更好地释放IoT的潜力。这些小基站通常具有一定的计算能力，可以将一些IoT服务从远端云缓存到其上，同时，IoT设备可以将任务卸载到附近的小基站进行处理。这样，可以加速物联网数据的处理，并大大缩短端到端的服务延迟。这种新的计算范例被称为移动边缘计算(MEC)，并已被视为5G网络的关键推动力。
目前，尽管5G通信具有上述优点，但由于波长短，其具有信号衰减严重、覆盖面积小、容易被障碍物阻挡等弊端。
发明内容
本发明的目的是提供一种无人机辅助的移动边缘网络的请求调度方法，以降低服务延迟，提高服务质量，优化网络覆盖。
为实现上述目的，本发明提供了如下方案：
一种无人机辅助的移动边缘网络的请求调度方法，包括：
当接收到目标区域的无人机辅助请求时，将所述目标区域划分为多个尺寸相等的区块，并根据所述目标区域内遮挡信息确定多个无人机可行部署点；一个无人机可行部署点对应一个区块；
从多个无人机可行部署点中随机抽选U个无人机可行部署点作为无人机部署点；
派遣携带基站的U个无人机分别悬停至U个无人机部署点；一个无人机部署点悬停一个无人机；
将各所述无人机划分为多个虚拟无人机；各所述虚拟无人机与对应的实体无人机的位置相同，各虚拟无人机的计算资源总和等于对应的实体无人机的计算资源；
将系统中央队列中的用户请求分配到各所述虚拟无人机；所述系统中央队列由一台边缘服务器和所有携带基站的无人机共同维护；
采用轮询调度策略对分配到各所述虚拟无人机的用户请求进行调度；
经过设定时间t后，判断所述目标区域的网络压力是否满足缓解条件；
若满足所述缓解条件，则将所有携带基站的无人机飞离所述目标区域；
若不满足所述缓解条件，则获得各无人机可行部署点的历史用户请求数据；
将各无人机可行部署点的历史用户请求数据输入训练好的多时间尺度长短期记忆神经网络模型，预测下一个设定时间t内各无人机可行部署点的数据处理量；
根据预测的下一个设定时间t内各无人机可行部署点的数据处理量重新确定无人机部署点，并根据无人机部署点重新部署携带基站的无人机，并返回步骤“将各所述无人机划分为多个虚拟无人机；各所述虚拟无人机与对应的实体无人机的位置相同，各虚拟无人机的计算资源总和等于对应的实体无人机的计算资源”。
可选地，所述当接收到目标区域的无人机辅助请求时，将所述目标区域划分为多个尺寸相等的区块，并根据所述目标区域内遮挡信息确定多个无人机可行部署点之前，具体包括：
采集目标区域中的网络负载和网络延时；
判断所述网络负载是否大于第一设定负载值或者所述网络延时是否大于第一设定延时值；
若所述网络负载大于第一设定负载值或者所述网络延时大于第一设定延时值，发出无人机辅助请求；
可选地，所述当接收到目标区域的无人机辅助请求时，具体还包括：
通过侦查无人机获得所述目标区域内遮挡信息。
可选地，所述缓解条件为所述网络负载小于第二设定负载值且所述网络延时小于第二设定延时值。
可选地，所述根据预测的下一个设定时间t内各无人机可行部署点的数据处理量重新确定无人机部署点，并根据无人机部署点重新部署携带基站的无人机，具体包括：
将预测的下一个设定时间t内各无人机可行部署点的数据处理量从大到小进行排序，将获得前U个无人机可行部署点的位置更新为无人机部署点；
将U个携带基站的无人机重新部署到所述无人机部署点；一个无人机部署点悬停一个无人机。
可选地，所述获得各无人机可行部署点的历史用户请求数据的同时，具体还包括：
根据各无人机可行部署点处理的历史用户请求，更新各无人机可行部署点中用户请求的平均流时间；一个流时间为一个用户请求处理完成的时间点与请求到达所述系统中央队列的时间点的时间差；
根据各无人机可行部署点中用户请求的平均流时间，确定各无人机可行部署点对应的所述多时间尺度长短期记忆神经网络模型进行预测时的最大组数；将所述多时间尺度长短期记忆神经网络模型中门、存储单元和隐藏状态划分为g个组，每个组在不同的时间尺度上被激活，所述最大组数为多时间尺度长短期记忆神经网络模型激活的最大组数。
可选地，所述最大组数表示为
Figure BDA0003103005420000031
其中，gq表示各无人机可行部署点q的最大组数，Fq表示各无人机可行部署点q的平均流时间。
可选地，所述采用轮询调度策略对分配到各所述虚拟无人机的用户请求进行调度，具体包括：
将设定时间t划分为多个时隙；
每个时隙内，采用轮询调度策略对分配到各所述虚拟无人机的用户请求进行调度。
可选地，所述若不满足所述缓解条件时，所述方法还包括：
判断各无人机的电量是否小于设定电量阈值；
若是，则使电量小于设定电量阈值的无人机返回充电点进行充电，充电完成后，返回所述目标区域。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过针对性的无人机部署，采用轮询调度策略对各无人机接收到的用户请求进行计算资源分配，优化网络覆盖，更好地满足用户需求。并且携带基站的无人机辅助形式具有经济、快速部署、可扩展性强等特点，可以很好的应对突发的网络需求，缓解网络压力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种无人机辅助的移动边缘网络的请求调度方法流程示意图；
图2为本发明实施例一种无人机辅助的移动边缘网络的请求调度方法具体流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种无人机辅助的移动边缘网络的请求调度方法，以降低服务延迟，提高服务质量，优化网络覆盖。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种无人机辅助的移动边缘网络的请求调度方法流程示意图，如图1所示，一种无人机辅助的移动边缘网络的请求调度方法，包括：
步骤100：当接收到目标区域的无人机辅助请求时，将所述目标区域划分为多个尺寸相等的区块，并根据所述目标区域内遮挡信息确定多个无人机可行部署点；一个无人机可行部署点对应一个区块。所述区块为方块。
步骤101：从多个无人机可行部署点中随机抽选U个无人机可行部署点作为无人机部署点。
步骤102：派遣携带基站的U个无人机分别悬停至U个无人机部署点；一个无人机部署点悬停一个无人机。
步骤103：将各所述无人机划分为多个虚拟无人机；各所述虚拟无人机与对应的实体无人机的位置相同，各虚拟无人机的计算资源总和等于对应的实体无人机的计算资源。
步骤104：将系统中央队列中的用户请求分配到各所述虚拟无人机；所述系统中央队列由一台边缘服务器和所有携带基站的无人机共同维护。
步骤105：采用轮询调度策略对分配到各所述虚拟无人机的用户请求进行调度。
步骤106：经过设定时间t后，判断所述目标区域的网络压力是否满足缓解条件。
若满足所述缓解条件，则执行步骤110。
步骤110：将所有携带基站的无人机飞离所述目标区域。
若不满足所述缓解条件，则执行步骤107。
步骤107：获得各无人机可行部署点的历史用户请求数据。
所述若不满足所述缓解条件时，所述方法还包括：
判断各无人机的电量是否小于设定电量阈值。
若是，则使电量小于设定电量阈值的无人机返回充电点进行充电，充电完成后，返回所述目标区域。
步骤108：将各无人机可行部署点的历史用户请求数据输入训练好的多时间尺度长短期记忆神经网络模型，预测下一个设定时间t内各无人机可行部署点的数据处理量。
步骤109：根据预测的下一个设定时间t内各无人机可行部署点的数据处理量重新确定无人机部署点，并根据无人机部署点重新部署携带基站的无人机，并返回步骤103。
其中，步骤101之前，具体包括：
采集目标区域中的网络负载和网络延时。
判断所述网络负载是否大于第一设定负载值或者所述网络延时是否大于第一设定延时值。
若所述网络负载大于第一设定负载值或者所述网络延时大于第一设定延时值，发出无人机辅助请求。
其中，步骤101中所述当接收到目标区域的无人机辅助请求时，具体还包括：
通过侦查无人机获得所述目标区域内遮挡信息。
所述缓解条件为所述网络负载小于第二设定负载值且所述网络延时小于第二设定延时值。
其中，步骤109具体包括：
将预测的下一个设定时间t内各无人机可行部署点的数据处理量从大到小进行排序，将获得前U个无人机可行部署点的位置更新为无人机部署点。
将U个携带基站的无人机重新部署到所述无人机部署点；一个无人机部署点悬停一个无人机。
其中，步骤107中所述获得各无人机可行部署点的历史用户请求数据的同时，具体还包括：
根据各无人机可行部署点处理的历史用户请求，更新各无人机可行部署点中用户请求的平均流时间；一个流时间为一个用户请求处理完成的时间点与请求到达所述系统中央队列的时间点的时间差。
根据各无人机可行部署点中用户请求的平均流时间，确定各无人机可行部署点对应的所述多时间尺度长短期记忆神经网络模型进行预测时的最大组数；所述组数为将所述多时间尺度长短期记忆神经网络模型中门、存储单元和隐藏状态划分为g个组，每个组在不同的时间尺度上被激活，所述最大组数为多时间尺度长短期记忆神经网络模型激活的最大组数，每个无人机可行部署点进行预测时，对应一个最大组数。
所述最大组数表示为
Figure BDA0003103005420000071
其中，gq表示各无人机可行部署点q的最大组数，Fq表示各无人机可行部署点q的平均流时间。
其中，步骤105具体包括：
将设定时间t划分为多个时隙。
每个时隙内，采用轮询调度策略对分配到各所述虚拟无人机的用户请求进行调度。
所述若不满足所述缓解条件时，所述方法还包括：
判断各无人机的电量是否小于设定电量阈值；
若是，则使电量小于设定电量阈值的无人机返回充电点进行充电，充电完成后，返回所述目标区域。
图2为本发明实施例一种无人机辅助的移动边缘网络的请求调度方法具体流程示意图，如图2所示，以具体实施例详细说明本发明一种无人机辅助的移动边缘网络的请求调度方法。
Step1：当某目标区域网络负载过大，或需要更高质量(更低网络时延等)的网络服务时，其可能选择向控制中心请求携带小基站的无人机来辅助，控制中心收到需要支援的请求后，派遣无人机到目标区域进行辅助。
Step2：无人机派遣侦察无人机对目标区域进行侦测，收集目标区域内建筑物、高大的树木等可能的遮挡物信息。
Step3：首先将目标区域划分为一个个等大的方块。然后根据Step2得到的高大的遮挡物信息，从划分的所有方块中挑选出无人机可以悬停的方块，接着从这些方块中挑选出无人机可以在其间进行调度的方块(可能存在一些无人机可悬停，但由于遮挡物等原因，无人机无法调度至这些方块)，作为可行部署点，并用1，2，…，Q来标识所有的可行部署点。
Step4：控制中心派遣U个携带小基站的无人机至目标区域。
Step5：在所有的可能部署点中随机选择u个部署点部署该U个无人机，且假设每个可行部署点同一时间只能部署一个无人机。
Step6：无人机在当前部署点悬停，并使用设计的请求调度算法(OL)来调度用户的请求。
请求调度算法(OL)：
无人机在部署完成后，接着要做的就是将请求分配给已部署完成的无人机。基本思想是使用轮询调度(RR)策略来调度请求，从而始终将所有无人机平均分配给所有请求。为此，为每个无人机创建了多个虚拟无人机副本(即在逻辑上将一个物理无人机看作多个虚拟无人机来处理)，每个虚拟无人机都具有与实体无人机相同的位置，其中每个虚拟无人机都具有足以实现单个请求的资源。具体来说，每个虚拟无人机所具有的计算资源为：
C′(Dmax)＝ηDmax(δ/(τ-Dunit/Rmin)) (1)；
其中，Dmax为用户请求需要处理的数据量的最大值，Dunit表示一个单位的数据量，Rmin表示无人机与用户之间最低的数据传输速率，τ表示时隙的大小，同时，如果分配量为η的计算资源来处理一个单位的数据量，大多数的请求可以在δ时间内处理结束。
接着，将流时间最小化问题简化为将每个请求的数据部分分配到不同时隙的问题。然后，每个时隙内，在所有的虚拟无人机之上执行RR调度策略，对请求的已分配数据部分进行调度。为此，在一个功能强大的边缘服务器中建立了一个中央队列。每个虚拟无人机都有一个运行RR调度算法的本地队列，该算法可调度分配到其上的请求。为了增强无人机对用户请求的响应能力，采用了立即分配的方式。即在请求到达时，将其分配给一个虚拟无人机，且分配至该虚拟无人机对系统中正在执行的所有任务的流时间的影响最小。
具体来说，将请求rj在当前时隙对总的流时间的影响定义为：
ωj＝(ρj，s·k·(s-aj)k-1)/ns+k·(s-aj)k-1-∈ (2)
其中ρj，s是调度请求rj对当前时隙的有效请求(包括当前时隙到达的请求和当前时隙之前到达且为处理完的请求)的影响的折扣因子，k表示L_k范数，一般取2，s表示当前时隙，aj表示请求rj到达的时隙，ns表示时隙s到达的请求的数目，∈为一个常数。
请求调度算法的调度用户请求的过程如下(即Step6中调度用户请求的详细过程)：
1)根据公式(1)创建了多个虚拟无人机副本。
2)在每个时隙内：将每个到达的请求分配给系统的中央队列，且将新到达的请求的到达时间标识为当前时隙。
3)在每个时隙内：对系统中所有未完成的请求和新到达系统的请求按等公式(2)中定义的影响进行升序排序。
4)在每个时隙内：将每个已排序的请求分配给当前负载最少且请求可达的虚拟无人机，并通过RR调度策略来调度每个虚拟无人机上的请求，同时需要注意的是每个请求在同一时隙只能被分配至一个虚拟无人机进行处理。
5)在每个时隙内：分配给每个虚拟无人机的所有请求共享相同数量的无人机资源。
Step7：经过时间t后，更新可行部署点q(q＝1，2，…，Q)中所有请求的平均流时间Fq，并判断目标区域网络压力是否缓解。若是，则所有无人机返回控制中心，若否，则对无人机进行电量检测；
Step8：若无人机电量低于阈值，则返回充电点，充电完成后，返回目标区域准备继续提供服务；
Step9：将每个可行部署点的历史请求数据作为输入，输入至训练好的MT-LSTM神经网络模型，模型会输出接下来的悬停时间t内每个可行部署点需处理的数据总量。接着充电完成且已做好服务准备的无人机、电量高于阈值的无人机，根据神经网络预测模型的预测结果(预测过程见基于机器学习的在线优化框架中的阐述)确定下一段时间t(或者说接下来的一段持续时间t内)的无人机部署位置；
基于机器学习的在线优化框架：
提出了基于机器学习的在线优化框架来解决无人机辅助的移动边缘网络中的流时间最小化问题。无人机辅助的移动边缘网络中的流时间最小化问题是指将给定数量的无人机调度到目标区域，以服务在给定时间范围内到达的用户请求。在给定的时间范围内，通过将远程云中的服务缓存到所派遣的无人机，并将用户请求的一部分、全部任务卸载到无人机，在每个无人机有限的计算能力和能量限制下，使所有已处理请求总的流时间最小化。
由于无人机(5G小基站)的覆盖范围是有限的，对于给定数量的无人机，为了更好地缓解目标区域的网络压力，需要优化无人机的部署。一种朴素的思想就是将有限数量的无人机派遣至目标区域中用户请求更多的位置，然而，系统事先不知道用户将来的请求分布和请求需要处理的数据量大小。但是，我们观察到，用户请求会受到最近发生的事件或较长时间范围内发生的某些事件的影响。例如，在机场的监控系统中，从摄像头上传的视频数据量可能与过去一小时和几个小时前另一个航班被安排到同一目的地时的历史航班信息有关。
多时间尺度长短期记忆网络(MT-LSTM)是循环神经网络的一种变体，它允许长短期记忆网络(LSTM)学习具有不同时间尺度的时间序列。MT-LSTM可以学习何时忘记存储单元的历史信息，何时用新信息更新存储单元。为了在不同的时间尺度上学习，MT-LSTM把门、存储单元和隐藏状态划分为g个组，每个组在不同的时间尺度上被激活。但是，MT-LSTM是为自然语言处理应用设计的，直接应用MT-LSTM可能无法捕获无人机辅助的移动边缘网络系统中用户请求的动态变化。
根据应用场景，即无人机辅助的移动边缘网络系统来适应性确定每个MT-LSTM所需的组数g。直观地讲，更长的流时间意味着需要更多的组数gq，但是，此信息在请求完成处理之前是未知的。因此，使用每个可行部署点(即可行部署点所对应的方块)迄今已完成请求的平均流时间Fq。那么，用于预测可行部署点q的总数据量的MT-LSTM所需的最大组数为
Figure BDA0003103005420000101
具体来讲，结合前文提到，将目标区域划分为等大的方块，将时间划分为等长且极小的时隙，并假设每个方块在每个时隙最多只能悬停一个无人机，且悬停位置为方块的中心。此外，使用1，2，…，Q将所有可行的部署点标号。因为无人机如果进行频繁的重新调度，则会在方块之间飞行的过程过耗费大量的能量，因此，考虑无人机每过一段时间t(包含多个时隙)会重新进行部署。其部署决策根据MT-LSTM模型的预测结果来制定。即MT-LSTM模型根据区域内每个可行部署点(方块)的历史请求数据量来预测下一个时间段t内每个可行部署点需要处理的数据量
Figure BDA0003103005420000102
并将其进行降序排序，接着，选择排序列表中靠前的U个可行部署点作为下一个时间段内U个无人机的部署点。其原因在于，由于通讯距离越远，通信的开销越大，基于朴素的思想，认为将无人机部署至待处理数据量
Figure BDA0003103005420000111
越大的可行部署点，无人机有更大的概率可以降低通信开销，从而为目标区域的用户提供更好的网络服务、缓解目标区域的网络压力。
基于以上讨论，基于机器学习的在线优化框架如下：
1)用Fq来表示可行部署点q(q＝1，2，…，Q)中迄今已完成请求的平均流时间。
2)在每段悬停时间t内：采用MT-LSTM模型，预测接下来的悬停时间t内每个可行部署点总的待处理数据量
Figure BDA0003103005420000112
即将每个可行部署点的历史请求数据作为输入，输入至训练好的MT-LSTM模型，模型会输出接下来的悬停时间t内每个可行部署点需处理的数据总量。
3)在每段悬停时间t内：按照预测的数据量对所有的可行部署点进行降序排序。
4)在每段悬停时间t内：将无人机分配到列表中排名靠前的可行部署点。
5)在每段悬停时间t内：调用请求调度算法(OL)来调度请求。
6)在每段悬停时间t内：根据请求调度算法(OL)传递的结果，更新每个可行部署点迄今已完成请求的平均流时间Fa。
Step10：调度无人机至Step9中所确定的部署点。
Step11：返回Step6。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种无人机辅助的移动边缘网络的请求调度方法，其特征在于，包括：
当接收到目标区域的无人机辅助请求时，将所述目标区域划分为多个尺寸相等的区块，并根据所述目标区域内遮挡信息确定多个无人机可行部署点；一个无人机可行部署点对应一个区块；
从多个无人机可行部署点中随机抽选U个无人机可行部署点作为无人机部署点；
派遣携带基站的U个无人机分别悬停至U个无人机部署点；一个无人机部署点悬停一个无人机；
将各所述无人机划分为多个虚拟无人机；各所述虚拟无人机与对应的实体无人机的位置相同，各虚拟无人机的计算资源总和等于对应的实体无人机的计算资源；
将系统中央队列中的用户请求分配到各所述虚拟无人机；所述系统中央队列由一台边缘服务器和所有携带基站的无人机共同维护；
采用轮询调度策略对分配到各所述虚拟无人机的用户请求进行调度；
经过设定时间t后，判断所述目标区域的网络压力是否满足缓解条件；
若满足所述缓解条件，则将所有携带基站的无人机飞离所述目标区域；
若不满足所述缓解条件，则获得各无人机可行部署点的历史用户请求数据；
将各无人机可行部署点的历史用户请求数据输入训练好的多时间尺度长短期记忆神经网络模型，预测下一个设定时间t内各无人机可行部署点的数据处理量；
根据预测的下一个设定时间t内各无人机可行部署点的数据处理量重新确定无人机部署点，并根据无人机部署点重新部署携带基站的无人机，并返回步骤“将各所述无人机划分为多个虚拟无人机；各所述虚拟无人机与对应的实体无人机的位置相同，各虚拟无人机的计算资源总和等于对应的实体无人机的计算资源”。
2.根据权利要求1所述的无人机辅助的移动边缘网络的请求调度方法，其特征在于，所述当接收到目标区域的无人机辅助请求时，将所述目标区域划分为多个尺寸相等的区块，并根据所述目标区域内遮挡信息确定多个无人机可行部署点之前，具体包括：
采集目标区域中的网络负载和网络延时；
判断所述网络负载是否大于第一设定负载值或者所述网络延时是否大于第一设定延时值；
若所述网络负载大于第一设定负载值或者所述网络延时大于第一设定延时值，发出无人机辅助请求。
3.根据权利要求1所述的无人机辅助的移动边缘网络的请求调度方法，其特征在于，所述当接收到目标区域的无人机辅助请求时，具体还包括：
通过侦查无人机获得所述目标区域内遮挡信息。
4.根据权利要求1所述的无人机辅助的移动边缘网络的请求调度方法，其特征在于，所述缓解条件为所述网络负载小于第二设定负载值且所述网络延时小于第二设定延时值。
5.根据权利要求1所述的无人机辅助的移动边缘网络的请求调度方法，其特征在于，所述根据预测的下一个设定时间t内各无人机可行部署点的数据处理量重新确定无人机部署点，并根据无人机部署点重新部署携带基站的无人机，具体包括：
将预测的下一个设定时间t内各无人机可行部署点的数据处理量从大到小进行排序，将获得前U个无人机可行部署点的位置更新为无人机部署点；
将U个携带基站的无人机重新部署到所述无人机部署点；一个无人机部署点悬停一个无人机。
6.根据权利要求1所述的无人机辅助的移动边缘网络的请求调度方法，其特征在于，所述获得各无人机可行部署点的历史用户请求数据的同时，具体还包括：
根据各无人机可行部署点处理的历史用户请求，更新各无人机可行部署点中用户请求的平均流时间；一个流时间为一个用户请求处理完成的时间点与请求到达所述系统中央队列的时间点的时间差；
根据各无人机可行部署点中用户请求的平均流时间，确定各无人机可行部署点对应的所述多时间尺度长短期记忆神经网络模型进行预测时的最大组数；将所述多时间尺度长短期记忆神经网络模型中门、存储单元和隐藏状态划分为g个组，每个组在不同的时间尺度上被激活，所述最大组数为多时间尺度长短期记忆神经网络模型激活的最大组数。
7.根据权利要求6所述的无人机辅助的移动边缘网络的请求调度方法，其特征在于，所述最大组数表示为
Figure FDA0003103005410000031
其中，gq表示各无人机可行部署点q的最大组数，Fq表示各无人机可行部署点q的平均流时间。
8.根据权利要求1所述的无人机辅助的移动边缘网络的请求调度方法，其特征在于，所述采用轮询调度策略对分配到各所述虚拟无人机的用户请求进行调度，具体包括：
将设定时间t划分为多个时隙；
每个时隙内，采用轮询调度策略对分配到各所述虚拟无人机的用户请求进行调度。
9.根据权利要求1所述的无人机辅助的移动边缘网络的请求调度方法，其特征在于，所述若不满足所述缓解条件时，所述方法还包括：
判断各无人机的电量是否小于设定电量阈值；
若是，则使电量小于设定电量阈值的无人机返回充电点进行充电，充电完成后，返回所述目标区域。
CN202110629979.9A 2021-06-07 2021-06-07 一种无人机辅助的移动边缘网络的请求调度方法 Active CN113329428B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110629979.9A CN113329428B (zh) 2021-06-07 2021-06-07 一种无人机辅助的移动边缘网络的请求调度方法
US17/510,879 US11973569B2 (en) 2021-06-07 2021-10-26 Method for request scheduling in UAV-assisted mobile edge computing (MEC) network
ZA2021/08929A ZA202108929B (en) 2021-06-07 2021-11-11 Method for request scheduling in uav-assisted mobile edge computing (mec) network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110629979.9A CN113329428B (zh) 2021-06-07 2021-06-07 一种无人机辅助的移动边缘网络的请求调度方法

Publications (2)

Publication Number Publication Date
CN113329428A CN113329428A (zh) 2021-08-31
CN113329428B true CN113329428B (zh) 2022-07-12

Family

ID=77420112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110629979.9A Active CN113329428B (zh) 2021-06-07 2021-06-07 一种无人机辅助的移动边缘网络的请求调度方法

Country Status (3)

Country Link
US (1) US11973569B2 (zh)
CN (1) CN113329428B (zh)
ZA (1) ZA202108929B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113873467A (zh) * 2021-09-26 2021-12-31 北京邮电大学 一种无人机辅助的移动边缘计算方法、装置及控制设备
CN114415735B (zh) * 2022-03-31 2022-06-14 天津大学 面向动态环境的多无人机分布式智能任务分配方法
CN115514787B (zh) * 2022-09-16 2023-06-27 北京邮电大学 用于车联网环境的智能无人机辅助决策规划方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111565065A (zh) * 2020-03-24 2020-08-21 北京邮电大学 一种无人机基站部署方法、装置及电子设备
CN111615200A (zh) * 2020-04-10 2020-09-01 洛阳理工学院 混合Hybrid NOMA网络的无人机辅助通信资源分配方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9158304B2 (en) * 2013-11-10 2015-10-13 Google Inc. Methods and systems for alerting and aiding an emergency situation
US9262929B1 (en) * 2014-05-10 2016-02-16 Google Inc. Ground-sensitive trajectory generation for UAVs
EP3210091B1 (en) * 2014-10-20 2020-02-19 Sikorsky Aircraft Corporation Optimal safe landing area determination
EP3375216B1 (en) * 2015-11-12 2021-04-07 Sony Corporation Dynamic positioning method for mobile cells
US10321461B2 (en) * 2016-05-06 2019-06-11 Bridgewest Finance Llc Unmanned aerial vehicle (UAV) beam pointing and data rate optimization for high throughput broadband access
US11597614B2 (en) * 2016-06-10 2023-03-07 Metal Raptor, Llc Center of gravity based drone loading for multiple items
US11010851B2 (en) * 2017-12-22 2021-05-18 Wing Aviation Llc Distribution of aerial vehicle transport capacity based on item-provider performance metrics
US10660111B2 (en) * 2018-03-19 2020-05-19 Verizon Patent And Licensing Inc. Network resource allocation for unmanned aerial vehicles
EP3788612A2 (en) * 2018-05-04 2021-03-10 Interdigital Patent Holdings, Inc. Market based detect and avoid (daa) solutions
US11252533B2 (en) * 2018-12-07 2022-02-15 T-Mobile Usa, Inc. UAV supported vehicle-to-vehicle communication
US11159408B2 (en) * 2019-06-25 2021-10-26 Intel Corporation Link performance prediction technologies
EP4121955A1 (en) * 2020-03-20 2023-01-25 Sony Group Corporation Unmanned aerial vehicle and method for an unmanned aerial vehicle for generating a temporary flight-plan for a region
KR102199680B1 (ko) * 2020-05-26 2021-01-07 김용철 자율 착륙을 위한 드론 제어 방법 및 장치
CN111970713B (zh) * 2020-08-14 2022-02-08 北京邮电大学 一种面向密集城区的无人机基站部署方法与三维参数设定
US11611937B1 (en) * 2021-01-19 2023-03-21 T-Mobile Innovations Llc Network-assisted charging prioritization for cellular unmanned aerial vehicles
CN112911648A (zh) * 2021-01-20 2021-06-04 长春工程学院 一种空地结合的移动边缘计算卸载优化方法
CN113225746B (zh) * 2021-05-07 2022-06-21 怀化学院 一种多uav快速部署的通信系统及计算机存储介质
US20220376772A1 (en) * 2021-05-19 2022-11-24 Tencent America LLC Method and apparatus for uav and uav controller pairing and command and control (c2) quality of service provisioning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111565065A (zh) * 2020-03-24 2020-08-21 北京邮电大学 一种无人机基站部署方法、装置及电子设备
CN111615200A (zh) * 2020-04-10 2020-09-01 洛阳理工学院 混合Hybrid NOMA网络的无人机辅助通信资源分配方法
CN112351503A (zh) * 2020-11-05 2021-02-09 大连理工大学 基于任务预测的多无人机辅助边缘计算资源分配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Joint Resources and Workflow Scheduling in UAV-Enabled Wirelessly-Powered MECfor IoT Systems;Yao Du et.al;《IEEE Transactions on Vehicular Technology 》;20190819;全文 *
基于无人机的移动边缘计算资源调度机制研究;张丙鑫;《中国优秀博硕士学位论文全文数据库（硕士）》;20210115;全文 *
无人机移动边缘计算位置部署与资源分配方案;刘伯阳等;《西安邮电大学学报》;20210508;全文 *

Also Published As

Publication number Publication date
CN113329428A (zh) 2021-08-31
ZA202108929B (en) 2022-02-23
US20240080090A1 (en) 2024-03-07
US11973569B2 (en) 2024-04-30

Similar Documents

Publication Publication Date Title
CN113329428B (zh) 一种无人机辅助的移动边缘网络的请求调度方法
CN110647391B (zh) 面向星地协同网络的边缘计算方法及系统
CN110602633B (zh) 一种面向爆发性流量的移动边缘计算无人机群辅助通信方法
CN110098969B (zh) 一种面向物联网的雾计算任务卸载方法
CN109213712B (zh) 用于机器类通信系统的服务提供方法、装置及电子设备
CN111711666B (zh) 一种基于强化学习的车联网云计算资源优化方法
Dandachi et al. An artificial intelligence framework for slice deployment and orchestration in 5G networks
CN110839075A (zh) 边缘计算环境下基于粒子群的服务迁移方法
WO2019205784A1 (zh) 配送任务分配方法、装置、电子设备及计算机存储介质
CN111629443A (zh) 用于超5g车联网中的动态频谱切片框架的优化方法及系统
CN110580199A (zh) 边缘计算环境下基于粒子群的服务迁移方法
CN109495565B (zh) 基于分布式泛在计算的高并发服务请求处理方法和设备
Lee et al. Algorithmic implementation of deep learning layer assignment in edge computing based smart city environment
CN115967990A (zh) 一种基于分类和预测的边端协同业务卸载方法
Nguyen et al. Flexible computation offloading in a fuzzy-based mobile edge orchestrator for IoT applications
CN115174481A (zh) 一种无人机辅助边缘车联网服务和内容混合缓存的方法
Amer et al. An optimized collaborative scheduling algorithm for prioritized tasks with shared resources in mobile-edge and cloud computing systems
Li et al. Delay-aware DNN inference throughput maximization in edge computing via jointly exploring partitioning and parallelism
Apinaya Prethi et al. A multi-objective optimization of resource management and minimum batch VM migration for prioritized task allocation in fog-edge-cloud computing
CN112398917A (zh) 面向多站融合架构的实时任务调度方法和装置
He et al. A DDPG hybrid of graph attention network and action branching for multi-scale end-edge-cloud vehicular orchestrated task offloading
Li et al. Digital twin-driven computing resource management for vehicular networks
CN116760722A (zh) 一种存储辅助mec任务卸载系统及资源调度方法
Vignesh et al. Value added services on stationary vehicular cloud
Midya et al. Pso based optimized resource allocation in three tier cloud architecture for vanet

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant