CN113873467A

CN113873467A - 一种无人机辅助的移动边缘计算方法、装置及控制设备

Info

Publication number: CN113873467A
Application number: CN202111128913.8A
Authority: CN
Inventors: 田辉; 张力为; 倪万里; 张治�
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2021-09-26
Filing date: 2021-09-26
Publication date: 2021-12-31
Anticipated expiration: 2041-09-26
Also published as: CN113873467B

Abstract

本发明公开了一种无人机辅助的移动边缘计算方法、装置及控制设备，方法步骤为：初始化用户传输功率、无人机CPU频率、无人机位置；获取上述情况下最优的用户卸载决策；获取当前最优卸载决策下的最优用户传输功率、无人机CPU频率、无人机位置，并计算当前系统效用函数；基于所获取的用户卸载决策，传输功率，能耗和时延约束和无人机计算资源约束、位置约束，获取效用函数最大时的用户传输功率、无人机CPU频率、无人机位置及卸载决策；控制无人机飞行到最优位置并以最优计算资源进行分配，控制卸载用户以最优传输功率进行传输。采用本发明提供的方法控制用户和无人机，可以减小用户的能耗和计算任务完成的时间，提高用户的计算效率。

Description

一种无人机辅助的移动边缘计算方法、装置及控制设备

技术领域

本发明涉及无人机技术领域，尤其涉及一种无人机辅助的移动边缘计算方法、装置及控制设备。

背景技术

为了满足移动网络高速发展所需的高带宽、低时延要求，并减轻网络负荷，移动边缘计算(Mobile Edge Computing，MEC)成为5G/6G网络的关键技术之一。

无人机由于具有操作稳定、移动灵活、环境适应性强等特性，被越来越多地考虑应用于边缘计算领域协助地面设备进行计算。

现有技术中，在地面用户无法实时完成计算任务时(例如灾后、热点场景)，地面用户可以选择将计算任务卸载到无人机端进行计算，无人机完成计算任务后回传。

然而，考虑无人机的续航时间通常是有限的，计算任务具有较低时延要求，当地面用户众多时，如果无人机与地面用户组成的系统不能充分利用，将导致计算任务无法在规定时延内完成或者耗费无人机过多机载能量。

其缺点主要体现在：

1、反应速度慢

速度慢主要体现在两个部分，一是完成最优决策的算法复杂度高，时间长；二是完成所有计算任务时间长。现有技术多考虑采用枚举法或者对单个用户独立优化其各项指标，前者算法复杂度高(O(2^K))，对于用户数量较多的情况，计算时间非常长，后者需对每个用户逐一判断，在远端无人机计算资源有限的情况下，单个用户完成任务时间长，导致整体完成任务时间长。

2、系统效率低

效率低主要体现在两个部分，一是用户能效低；二是系统效用函数更小。现有技术考虑本地执行卸载任务或者独立对每个用户进行卸载，由于卸载可以带来用户端能耗的节省，所以本地执行能耗最大，而独立对每个用户进行卸载耗能最小，但由于未考虑系统全局资源，所以能效低。而系统效用函数方面，由于现有技术尽可能多地让用户选择卸载到远端执行计算任务，因此可能造成系统效用函数为负(即计算时间过长，卸载任务失败)，甚至出现比选择本地执行更糟糕的情况。

3、系统鲁棒性低

在远端计算资源有限且地面用户数量多的情况下，现有技术多考虑单个用户的最优化而忽略全资源有限的问题，可能出现大面积用户无法及时完成计算任务的情况，系统稳定性较差。

基于此，为了保障无人机辅助的地面系统在所需时延内完成计算任务，并尽可能减少用户能耗。本发明提出了一种无人机辅助的移动边缘计算方法、装置及控制设备。

发明内容

本发明目的是提供一种无人机辅助的移动边缘计算方法、装置及控制设备及辅助方法，同时考虑用户传输功率、卸载决策、无人机CPU频率和无人机位置，使得用户能在规定时间内完成计算任务并同时使得系统效用函数最大化，与此同时尽可能减小用户的能耗和计算任务完成的时间，节省用户的能耗，提高计算效率。

其中，系统效用函数由归一化的任务完成时间和能耗构成，同时考虑用户偏好参数：

为了实现上述目的，本发明提供如下技术方案：

第一方面，本发明提供了一种无人机辅助的移动边缘计算方法，包括以下步骤：

S201、初始化用户传输功率、无人机CPU频率、无人机位置；

S202、获取上述情况下最优的用户卸载决策；

S203、获取当前最优的用户卸载决策下的最优用户传输功率、无人机CPU频率、无人机位置，并计算当前系统效用函数；

当用户卸载决策一定时，系统效用函数为：

P2:

S204、基于所获取的用户卸载决策、用户传输功率、卸载传输能耗和时延约束、无人机计算资源约束、位置约束，获取系统效用函数最大时的用户传输功率、无人机CPU频率、无人机位置及用户卸载决策；

S205、控制无人机飞行到最优位置并以最优计算资源进行分配，控制卸载用户以最优传输功率进行传输。

可选的，一种具体实现方式中，步骤S201的具体方法为：

定义任意用户的归一化效用函数：

效用函数v_n通过归一化任务完成时间

和能耗

两个维度来比较卸载和本地计算两种方式的系统增益；

用户效用函数方程为：

其中，

Z＝{x_u,y_u}；S,F,P,Z分别表示卸载决策s_n、无人机计算资源分配

上行传输数据功率

无人机坐标(x_n,y_n,H)的向量，N表示带宽限制下最多可以卸载的用户集合，K表示地面用户的集合，集合S＝{n|s_n＝1}表示所有选择卸载用户的集合；

将效用函数最大化问题拆解为两个子问题，包括：

1)对于一个给定的卸载决策，联合优化计算通信资源

和无人机坐标(x_u,y_u,H)，系统效用函数表达式如下：

P2:

2)在最优化计算通信资源

和无人机坐标(x_u,y_u,H)的基础上，使得卸载决策最优，系统效用函数表达式如下：

P8：

可选的，一种具体实现方式中，步骤S202具体的方法为：对于给定的计算通信资源

和无人机坐标(x_u,y_u,H)，利用次模函数的性质，以系统效用函数增量为指标，将用户进行分类，其中函数增量Δ_i{v(A)}表示为：

在阶段I，用户首先根据自身情况和设备特性，将用户分为本地计算和卸载两类，分别表示为S_local,S_offload，卸载用户向无人机发送卸载请求及其当前系统参数；

在阶段II，无人机接收到所有卸载请求信息后，将最优卸载集合初始值设为S＝S_offload；如果集合S内的用户数超过系统可承载最大用户数N，则挑选出系统效用函数最小的用户并删去，直到集合内用户数不超过N为止；否则，继续从不符合上述两种情况的集合S_research中挑选效用函数最大的用户，同时保证Δ_iv(S)＞0且集合,{S∪{i}}不可压缩；持续挑选集合S_research的用户进入最优卸载集合，直到集合S不可扩展为止；由此确定当前最优卸载决策。

可选的，一种具体实现方式中，S203的具体方法为：对于给定的卸载决策，利用次梯度法和拉格朗日乘子法，得到最优化计算资源分配

利用二分法，得到最优化传输功率

利用一阶泰勒展开和内点法，得到无人机最佳坐标

可选的，一种具体实现方式中，步骤S204所述的用户卸载决策、用户传输功率、卸载传输能耗和时延约束满足以下公式：

s_n∈{0,1}

其中，定义s_n∈{0,1}来表示每个用户对自己的计算任务U_n的卸载决策，其中s_n＝0表示用户进行本地计算；s_n＝1表示用户将计算任务卸载到无人机上进行计算；对于所有用户集合，选择卸载的用户总数不能超过系统容纳的最多同时传输数据用户数

p_ue-max为用户可达到的最大传输功率，每个用户的传输功率不超过此值；无人机CPU实时频率为非负值，且针对所有选择卸载用户的集合S，无人机分配的计算资源不能超过无人机计算资源总数；所述任务时间包括本地计算时间和卸载任务完成时间，不能超过计算任务的最大时延；所述卸载传输能耗包括用户选择将卸载任务传输给无人机所消耗的能量，不能超过用户电量总和。

可选的，一种具体实现方式中，步骤S204所述的无人机计算资源约束、位置约束满足以下公式：

0≤x_u≤x_max,0≤y_u≤y_max

其中，无人机的实时坐标为(x_u,y_u,H)，假设无人机以恒定高度H飞行，无人机所在位置不能超过[x_max,y_max]的矩形区域。

可选的，一种具体实现方式中，步骤S204的具体方法为：系统效用函数在给定的阈值内收敛或达到最大迭代次数时，得到最大的效用函数值。

可选的，一种具体实现方式中，步骤S205的具体方法为：无人机根据计算出的最优坐标，飞行到指定位置，并且将计算资源按最优分配给各个选择卸载的用户；所有选择卸载的用户开始以最优传输功率进行同时传输，无人机根据分配的计算资源进行计算直到所有任务完成。

第二方面，本发明还提供了一种无人机辅助的移动边缘计算装置，其特征在于，包括用户端和无人机端，其中：

用户端包括：

卸载决策获取单元，用于获取用户的分类，其中，用户的分类包括选择本地计算的用户和选择卸载到远端无人机的用户，卸载的用户向无人机发送卸载请求；

功率获取单元，用于获取卸载用户的传输功率，其中，传输功率将影响用户端耗能和卸载任务完成时间；

无人机端包括：

第一控制单元，用于控制无人机的计算资源分配，其中计算资源分配即无人机对每个卸载用户的计算任务分配的CPU频率；

第二控制单元，用于控制无人机的飞行轨迹，当用户发送完所有卸载请求且均被无人机接收后，控制无人机飞行到最优飞行位置，并一直保持悬停，直到所有计算任务完成。

第三方面，本发明还提供了一种无人机辅助的移动边缘计算控制设备，包括处理器、通信接口、存储器和通信总线；其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行所述存储器上所存放的程序时，实现上述的计算方法。

与现有技术相比，本发明的有益效果为：

本发明通过联合优化无人机计算资源分配、位置及用户传输功率、卸载决策，采用归一化的系统效用指标，使得对于用户数量较多的情况，计算时间相较现有技术，整体考虑所有用户，完成任务时间更短，尽可能完成计算任务的同时，考虑系统全局资源，根据用户本身情况选择本地执行还是卸载到远端，因此单个用户能效更高。

在系统效用函数方面，本发明联合优化计算任务时间和用户能耗，并根据用户实际电量和传输功率进行偏好选择，因此系统效用函数更大。

在远端计算资源有限且地面用户数量多的情况下，本发明考虑到全资源有限，对每个用户的卸载方式和计算资源进行合理分配，更大概率降低出现大面积用户无法及时完成计算任务情况的概率，系统稳定性较高。

附图说明

为了更清楚地说明本申请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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的计算方法的应用场景的示意图；

图2为本发明实施例提供的计算方法的流程示意图；

图3为本发明实施例提供的装置的结构示意图；

图4为本发明实施例提供的控制设备的结构示意图。

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。

为了最大化系统效用函数，本发明实施例提供了一种无人机辅助的移动边缘计算方法、装置及控制设备。

为了更好地理解本技术方案，下面结合附图对本发明的方法做详细的说明。

本发明实施例提供的无人机辅助的移动边缘计算方法的执行主体可以是控制设备，控制设备可以安装于无人机上，也可以部署在无人机外，当控制设备部署在无人机外时，可以通过无线信号控制无人机的运行。控制设备例如可以是微型计算机、处理器、台式电脑、笔记本电脑等设备，而用户的执行主体考虑多为手机。

如图1所示，本发明实施例提供了一种单架无人机与多个用户联合的边缘计算场景。

地面用户有计算任务需要执行，由于任务时延和用户能耗的限制(例：实际应用场景下的时延敏感应用：如游戏、直播等，用户需快速完成计算任务并反馈结果)，用户可以根据实际需求选择本地执行或者将计算任务卸载到无人机上执行以分担计算压力。

该场景中我们考虑使用旋翼无人机，在一定时间内，该无人机可以以固定高度H悬停在空中。此外，无人机上还安装了定向天线以供无线传输，并携带高性能计算设备以供辅助边缘计算。如图1所示，无人机的方位角和仰角分别为2θ和φ，其通信覆盖范围为半径为L的圆形区域。假设有N个用户均匀分布在该圆形区域内，用户的集合可表示为n∈N＝{1,...,N}。

如图2所示，本发明实施例提供的无人机辅助的移动边缘计算方法包括以下步骤S201～S205。

S201、初始化用户传输功率、无人机CPU频率、无人机位置；

在一种实现方式中，步骤S201可以按以下步骤实现：

定义任意用户的归一化效用函数，包括：

效用函数v_n通过归一化任务完成时间和能耗(

和

)两个维度来比较卸载和本地计算两种方式的系统增益。当用户n选择本地计算时，由上式得，效用函数v_n＝0；与此同时，由于带宽、计算资源等限制，卸载过多计算任务到无人机可能导致任务完成时间过长，具体可体现为效用函数v_n为负值。

由此，所述用户效用函数方程为：

其中

S,F,P,Z分别表示卸载决策s_n，无人机计算资源分配

上行传输数据功率

无人机坐标(x_n,y_n,H)的向量，N表示带宽限制下最多可以卸载的用户集合，K表示地面用户的集合。集合S＝{n|s_n＝1}表示所有选择卸载用户的集合。

将效用函数最大化问题拆解为两个子问题，包括：

1)对于一个给定的卸载决策，联合优化计算通信资源

和无人机坐标(x_u,y_u,H)，系统效用函数表达式如下：

P2:

2)在最优化计算通信资源

P8：

S202、获取上述情况下最优的用户卸载决策；

在一种实现方式中，步骤S202可以按以下步骤实现：

对于给定的计算通信资源

在阶段I，用户首先根据自身情况和设备特性(如设备计算能力和功耗、无线信道条件、用户偏好、计算任务等)，将用户分为本地计算，卸载两类(S_local,S_offload)。卸载用户向无人机发送卸载请求(同时发送其当前系统参数)。

在阶段II，无人机接收到所有卸载请求信息后，将最优卸载集合初始值设为S＝S_offload。如果集合S内的用户数超过系统可承载最大用户数N，则挑选出系统效用函数最小的用户并删去，直到集合内用户数不超过N为止。否则，继续从不符合上述两种情况的集合S_research中挑选效用函数最大的用户，同时保证Δ_iv(S)＞0且集合,{S∪{i}}不可压缩。持续挑选集合S_research的用户进入最优卸载集合，直到集合S不可扩展为止。由此确定当前最优卸载决策。

S203、获取当前最优卸载决策下的最优用户传输功率、无人机CPU频率、无人机位置，并计算当前系统效用函数；

当用户卸载决策一定时，系统效用函数为：

P2:

在一种实现方式中，步骤S203可以按以下步骤实现：

对于给定的卸载决策，利用次梯度法和拉格朗日乘子法，可以得到最优化计算资源分配

其中，当用户传输功率和无人机位置一定时，系统效用函数与计算资源分配之间的关系式为：

P4:

该问题的朗格朗日表达式为：

利用次梯度法，其更新式为：

则最优计算资源分配

为：

利用二分法，可以得到最优化传输功率

其方法具体如下：

利用一阶泰勒展开和内点法，可以得到无人机最佳坐标(x_u,y_u,H)，其中系统效用函数与无人机坐标的泰勒展开式为：

P7:

s.t.C7:0≤x_u≤x_max,0≤y_u≤y_max

C8:

C9:

观察可知，该问题为凸问题，限制条件和优化函数均为凸函数，因此可用内点法得到最优的无人机坐标。

可选的，一种具体实现方式中，步骤S203所述的用户卸载决策、用户传输功率、卸载传输能耗和时延约束满足以下公式：

s_n∈{0,1}

可选的，一种具体实现方式中，步骤S203所述的无人机计算资源约束、位置约束满足以下公式：

0≤x_u≤x_max,0≤y_u≤y_max

S204、基于所获取的用户卸载决策，传输功率，能耗和时延约束和无人机计算资源约束、位置约束，获取效用函数最大时的用户传输功率、无人机CPU频率、无人机位置及卸载决策；

在一种实现方式中，步骤S204可以按以下步骤实现：

系统效用函数v(S)在给定的阈值ε内收敛

或达到最大迭代次数时，得到最大的效用函数值。

S5、控制无人机飞行到最优位置并以最优计算资源进行分配，控制卸载用户以最优传输功率进行传输；

在一种实现方式中，步骤S205可以按以下步骤实现：

无人机根据计算出的最优坐标，飞行到指定位置，并且将计算资源按最优分配给各个选择卸载的用户。所有选择卸载的用户开始以最优传输功率进行同时传输，无人机根据分配的计算资源进行计算直到所有任务完成。

本发明实施例还提供了一种无人机控制装置，如图3所示，所述装置包括用户端和无人机端，其中：

用户端包括：

卸载决策获取单元301，用于获取用户的分类，其中，卸载决策即哪些用户选择本地计算，哪些用户选择卸载到远端无人机，卸载的用户向无人机发送卸载请求；

功率获取单元302，用于获取卸载用户的传输功率，其中，传输功率将影响用户端耗能和卸载任务完成时间；

无人机端包括：

第一控制单元303，用于控制无人机的计算资源分配，其中计算资源分配即无人机对每个卸载用户的计算任务分配的CPU频率；

第二控制单元304，用于控制无人机的飞行轨迹，当用户发送完所有卸载请求且均被无人机接收后，控制无人机飞行到最优飞行位置，并一直保持悬停，直到所有计算任务完成

本发明实施例还提供了一种控制设备设备，如图4所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601、通信接口602、存储器603通过通信总线604完成相互间的通信，

存储器603，用于存放计算机程序；

处理器601，用于执行存储器603上所存放的程序时，实现上述任一项提供的无人机控制方法。

上述控制设备设备中提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项提供的无人机控制方法。

本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一项提供的无人机控制方法。

对于装置/控制设备/存储介质/程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。