CN114845363B - 一种反射面辅助的低功耗数据卸载方法及系统 - Google Patents

Abstract

本发明公开了一种反射面辅助的低功耗数据卸载方法及系统，该方法包括：通过反射面控制器对反射元件的相移进行调整，构建IRS辅助信道模型；基于IRS辅助信道模型，通过联合优化策略优化HAP总能量损耗，构建HAP能量最小化问题；对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载。该系统包括：构建模块、优化模块和输出模块。本发明能够在满足IRS能量需求的同时提高HAP和用户设备之间的能量利用率，实现HAP损耗的总能量最小化。本发明作为一种反射面辅助的低功耗数据卸载方法及系统，可广泛应用于无线通信技术领域。

Description

一种反射面辅助的低功耗数据卸载方法及系统

技术领域

本发明涉及无线通信技术领域，尤其涉及一种反射面辅助的低功耗数据卸载方法及系统。

背景技术

智能反射面(IRS)对于提高未来无线网络的能量和频谱效率很有发展前途，可以灵活地部署在建筑物的外墙和周围物体的表面，如车辆、路边广告牌、灯杆，因此，非常适合应用于未来的无线网络中，获得潜在的性能增益。具体而言，IRS可以辅助对无线物联网设备供电，应用于物联网设备的移动边缘计算(MEC)。在MEC系统中，MEC服务器不仅为边缘用户节点提供计算资源，而且通过关联在一起的多天线混合接入点(HAP)进行信号波束赋型调控与能量传输，将射频能量传输通过可控方式传输给边缘用户节点；能量传输过程中，IRS可调控信道质量，平衡不同边缘用户节点的能量收集。每个边缘用户依靠时间切换机制来收集能量，并利用这些能量将其计算负载转移到MEC服务器。目前大部分有关IRS辅助边缘计算的研究中只关注IRS的反射相位调控，而没有考虑IRS的能耗及自持续性问题，特别是当调控大量反射元件的相移时，IRS的总能耗与射频收发器相当，导致IRS无法持续工作。传统的供电方式不仅增加了IRS系统的应用和维护成本，还限制了IRS部署和移动的灵活性。事实上，反射面也可以利用能量收集从射频信号中捕获一部分能量，从而驱动IRS的自身相位控制电路，为边缘用户节点改善信道环境。在现有文献中，已有学者分析和比较了应用于IRS的时间切换(TS)和功率分割(PS)两种能量传输方案，时间切换方案要求IRS在能量收集和完全反射两种模式之间切换，需要较为精确的时延控制和HAP的协同配合；而功率分割方案使IRS反射系数的调整更加灵活，无需HAP的协同配合，通过IRS的自主调控，可将一部分入射射频功率转化并收集为能量，另一部分则通过可控相位调控形成有益的反射信号。另有学者将IRS的反射元件分为主动和被动元件两部分，其中主动反射单元用来收集射频功率以维持另一部分无源反射单元的正常工作。

发明内容

为了解决上述技术问题，本发明的目的是提供一种反射面辅助的低功耗数据卸载方法及系统，能够在降低HAP总能耗的同时提高HAP和用户设备之间的能量利用率。

本发明所采用的第一技术方案是：一种反射面辅助的低功耗数据卸载方法，包括以下步骤：

通过反射面控制器对反射元件的相移进行调整，构建IRS辅助信道模型；

基于IRS辅助信道模型，通过联合优化策略优化HAP总能量损耗，构建HAP能量最小化问题；

对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载。

进一步，所述IRS辅助信道模型表示如下：

上式中，h_A，i表示移动边缘计算服务器基站与用户设备i之间的信道，h_I，i表示IRS与用户设备i之间的信道，ρ表示反射系数，H表示表示HAP到IRS的信道矩阵，diag(θ_j)表示对角向量为θ_i的对角矩阵，H_f，i表示HAP与用户i之间的信道矩阵，θ_j表示IRS在第j个时隙的被动波束形成矢量。

进一步，所述基于IRS辅助信道模型，通过联合优化策略优化HAP总能量损耗，构建HAP能量最小化问题这一步骤，其具体包括：

通过HAP主动波束形成策略和IRS被动波束形成策略对HAP和用户设备之间的时间与工作量分配任务进行优化，得到时间和工作量分配任务约束关系；

通过边缘用户卸载策略对用户设备的能量预算进行优化，得到用户设备的能量约束关系；

通过能量收集功率分配比策略对IRS的能量预算进行优化，得到IRS的能量约束关系；

所述联合优化策略包括HAP主动波束形成策略、IRS被动波束形成策略、边缘用户卸载策略和能量收集功率分配比策略；

结合时间和工作量分配任务约束关系、用户设备的能量约束关系和IRS的能量约束关系，构建HAP能量最小化问题。

进一步，所述HAP能量最小化问题如下所示：

s.t.(1-τ_i)o_i(p_o，i，w_o，i，θ_o，i)≥κ_il_i，

c_i≥(1-κ_i)l_i，

上式中，表示边缘用户集合，p₀表示HAP的发射功率，η表示能量收集效率，ρ表示调整IRS的能量划分比率，w_e，i和w_o，i表示第i个用户的下行和上行子时隙中的主动波束形成策略，θ_e，i和θ_o，i表示第i个用户的下行和上行两个子时隙内的IRS被动波束形成策略，p_o，i表示第i个用户的设备发射功率，μ表示单个反射单元元件的能量消耗，/>表示处理单位工作量的能量消耗，N表示用户数量，τ_i表示第i个用户的下行子时隙，/>表示本地计算中每单位工作负载的能耗，κ_i表示第i个用户的卸载工作量与本地计算工作量的比例，l_i表示第i个用户的工作负载，c_i表示第i个用户的本地处理能力，/>表示第j个时隙中从HAP到第i个用户的复合信道，H^H表示HAP-IRS信道的共轭转置。

进一步，所述对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载这一步骤，其具体包括：

对下行能量优化子问题进行解耦处理，得到第一子问题和第二子问题；

通过优化用户卸载策略对第一子问题进行优化，得到移动用户设备的发射优化功率、每个用户的时隙划分和每个用户的工作量卸载比例；

通过联合主动波束形成策略和被动波束形成策略对第二子问题进行优化，得到每个用户的时隙划分的相位和IRS比率的上界值和下界值；

整合移动用户设备的发射优化功率、每个用户的时隙划分的相位、每个用户的工作量卸载比例和IRS比率的上界值和下界值，得到移动用户设备与IRS的无线能量传输优化值。

进一步，所述用户设备信道增益值表示如下：

上式中，θ_o，i表示上行无源波束形成矢量，h_A，i表示移动边缘计算服务器基站与用户设备i之间的信道，H_f，i定义为H·diag(h_I，i)。

进一步，所述通过交替优化方法对下行能量优化子问题进行迭代优化，得到移动用户设备与IRS的无线能量传输优化值这一步骤，其具体包括：

对下行能量优化子问题进行解耦处理，得到第一子问题和第二子问题；

通过优化用户卸载策略对第一子问题进行优化，得到移动用户设备的发射优化功率；

通过联合主动波束形成策略和被动波束形成策略对第二子问题进行优化，得到IRS比率的上界值和下界值；

整合移动用户设备的发射优化功率、IRS比率的上界值和下界值，得到移动用户设备与IRS的无线能量传输优化值。

进一步，所述IRS比率的上界值如下所示：

上式中，ρ_max表示IRS比率的上界值。

本发明所采用的第二技术方案是：一种反射面辅助的低功耗数据卸载系统，包括：

构建模块，用于通过反射面控制器对反射元件的相移进行调整，构建IRS辅助信道模型；

优化模块，基于IRS辅助信道模型，通过联合优化策略优化HAP总能量损耗，构建HAP能量最小化问题；

输出模块，用于对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载。

本发明方法及系统的有益效果是：本发明通过构建IRS辅助信道模型和联合优化策略对HAP的总能耗进行优化，对HAP最小化能量问题进行解耦成多个子问题，将复杂的HAP最小化能量问题进行化简处理，再分别进行求解处理，能够在满足IRS能量需求的同时提高HAP和用户设备之间的能量利用率，实现HAP损耗的总能量最小化。

附图说明

图1是本发明一种反射面辅助的低功耗数据卸载方法的步骤流程图；

图2是本发明一种反射面辅助的低功耗数据卸载系统的结构框图；

图3是本发明一种IRS辅助的无线供电的MEC系统的模型示意图；

图4是本发明一种时隙框架结构来协调多用户的数据卸载和本地处理的结构示意图；

图5是应用本发明HAP最小化能量算法在K＝80＝1000bit时的收敛情况示意图；

图6是本发明一种IRS辅助的无线供电的MEC系统的节点拓扑示意图；

图7是本发明用户设备工作负荷与HAP能量消耗的关系结果示意图；

图8是本发明用户设备工作负荷与IRS的PS比率ρ的关系结果示意图；

图9是本发明K值与HAP能量消耗的关系结果示意图；

图10是本发明K值与IRS的PS比率ρ的关系结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

参照图1，本发明提供了一种反射面辅助的低功耗数据卸载方法，该方法包括以下步骤：

S1、通过反射面控制器对反射元件的相移进行调整，构建IRS辅助信道模型；

具体地，参照图1和图3，在HAP和边缘用户之间的无线信道由一个带有K个反射元件的IRS辅助。本方案假设IRS从HAP的RF信号中获取能量。设表示K个反射元件的集合。一般情况下，IRS的反射元件的尺寸远大于HAP的天线尺寸，即K＞＞M。/> 表示边缘用户集合，对于每个单天线用户/>HAP用户和IRS用户复合信道分别用/>和/>表示。HAP-IRS信道矩阵用/>表示。通过信道互易，假设用于数据卸载的上行信道与用于HAP向边缘用户传输能量的下行信道相同。在每个用户的时隙/>IRS控制器可以调整每个反射元件/>的相移θ_i，k∈[0，2π]以构建理想的通道条件。反射系数ρ_i，k∈(0，1)的改变可以控制信号反射强度和IRS的能量采集。因此，参数ρ_i，k也被称为PS比率。简单起见，我们假设所有的反射元件都有相同的反射系数ρ。设/> 表示第i个时隙内IRS的被动波束形成矢量。因此，从HAP到用户i的IRS辅助信道可以如下表示：

上式中，θ_j表示IRS在第j个时隙的无源波束形成矢量，h_A，i表示移动边缘计算服务器基站与用户设备i之间的信道，h_I，i表示IRS与用户设备i之间的信道，ρ表示PS比率，H表示表示HAP到IRS的信道，diag(θ_j)表示对角向量为θ_i的对角矩阵，为简化公式定义H_f，i为H·diag(h_I，i)。

S2、基于IRS辅助信道模型，通过联合优化策略优化HAP总能量损耗，构建HAP能量最小化问题；

S21、通过HAP主动波束形成策略和IRS被动波束形成策略对HAP和用户设备之间的时间与工作量分配任务进行优化，得到时间和工作量分配任务约束关系；

具体地，每个用户i可以通过参数τ_i∈[0，1]将其时隙进一步划分为两个子时隙。第一个子时隙τ_i用于HAP向IRS和移动用户设备的下行能量传输，第二个子时隙1-τ_ix于IRS辅助移动用户设备向HAP的上行数据传输。因此，τ_i的选择必须确保有足够的能量来卸载一部分κ_il_i负荷，并在本地处理另一部分(1-κ_i)l_i负荷。设(w_e，i，w_o，i)表示下行和上行时隙中的有源波束形成策略，同样地，令和/>分别表示两个子时隙内的IRS被动波束形成策略。每个移动用户设备的卸载速率取决于信道条件和移动用户设备的发射功率p_o，i，可以表示为/>这里用归一化噪声功率来简化公式。用c_i表示本地处理能力，需要满足c_i≥(1-κ_i)l_i，以确保工作负荷(1-κ_i)l_i在每个时间段内能够被成功处理。因此，得到时间和工作量分配任务约束关系如下所示：

(1-τ_i)o_i(p_o，i，w_o，i，θ_o，i)≥κ_il_i，c_i≥(1-κ_i)l_i

上式中，c_i表示移动用户的本地计算能力，p_o，i表示移动用户设备的发射功率，o_i表示卸载率。

S22、通过边缘用户卸载策略对用户设备的能量预算进行优化，得到用户设备的能量约束关系；

S221、获取用户设备的CPU的周期数与能量卸载所需的CPU周期数，得到用户设备的处理能量消耗关系式；

具体地，参照图4，负载卸载过程中每个移动用户设备的能量消耗取决于卸载时间1-τ_i和用户设备的发射功率p_o，i，本地计算的能量消耗与本地工作负载(1-κ_i)l_i和用户设备的处理能力有关。令f_u表示移动用户设备的CPU频率，即每秒的CPU周期数，φ_u表示处理每个单位工作负载所需的CPU周期数。因此，每个用户设备的本地处理能力可以用表示；给定本地工作负载(1-κ_i)l_i大小，本地计算所需的CPU时间由算式t_c，i＝(1-κ_i)l_i/c_i得到；此外，每个CPU周期的能耗可以用/>来表征，其中常数k_u表示本地处理器的能效；因此，本地计算的能量消耗为/>将能耗分为两部分，每个用户设备的总能耗为/>其中/>可视为本地计算中单位工作负荷的能耗；

S222、基于用户设备的处理能量消耗关系式，通过归一化能量波束形成矢量构建用户设备的能量约束关系；

具体地，设p₀表示HAP的发射功率，表示HAP在下行时隙τ_i中的归一化能量波束形成矢量。采用线性能量收集模型，移动用户设备i在第j个时段所收集的能量由给出，其中η表示能量收集效率。为了维持用户的本地计算和卸载，对每个移动用户设备/>有如下的能量预算约束关系：

上式中，η表示能量收集效率，表示本地计算中每单位工作负载的能耗，/>表示第j个时隙中从HAP到第i个用户的复合信道。

S23、通过能量收集功率分配比策略对IRS的能量预算进行优化，得到IRS的能量约束关系；

具体地，通过调整IRS的PS比率ρ，IRS可以从HAP的能量波束形成信号中收集射频功率来维持自身。由IRS获得的能量为我们假设IRS只在下行能量转移阶段获取能量。在上行卸载阶段，PS比率设置为ρ＝1，以最大限度地提高数据的卸载速率。因此，IRS的自我可持续性表示以下能量预算约束关系如下所示：

S24、结合时间和工作量分配任务约束关系、用户设备的能量约束关系和IRS的能量约束关系，构建HAP能量最小化问题。

具体地，在每个时隙中，HAP的总能量消耗包括下行能量传输中的RF波束形成能量/>和处理卸载工作负荷k_il_i的计算能量；计算中HAP的能量消耗可以用来表征，其中/>表示处理单位工作量的能量消耗；因此，HAP能量最小化问题表述如下所示：

s.t.(1-τ_i)o_i(p_o，i，w_o，i，θ_o，i)≥κ_il_i，

c_i≥(1-κ_i)l_i，

上式中，p₀表示HAP的发射功率，η表示能量收集效率，ρ表示调整IRS的能量划分比率，w_e，i和w_o，i表示第i个用户的下行和上行子时隙中的主动波束形成策略，θ_e，i和θ_o，i表示第i个用户的两个子时隙内的IRS被动波束形成策略，p_o，i表示第i个用户的设备发射功率，μ表示单个反射单元元件的能量消耗，表示处理单位工作量的能量消耗，N表示用户数量，τ_i表示第i个用户的下行子时隙，/>表示本地计算中每单位工作负载的能耗，k_i表示第i个用户的卸载工作量与本地计算工作量的比例，l_i表示第i个用户的工作负载，c_i表示第i个用户的本地处理能力，/>表示第j个时隙中从HAP到第i个用户的复合信道，H^H表示HAP-IRS信道矩阵的共轭转置。

S3、对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载。

S31、对能量最小化问题进行解耦处理，得到上行卸载优化子问题和下行能量优化子问题；

具体地，HAP能量最小化问题由于其非凸结构和不同控制变量之间的复杂耦合，具有一定的复杂性，将HAP能量最小化问题分为上行卸载优化子问题和下行能量优化子问题，每个子问题将利用问题结构单独解决。

S32、通过半正定松弛法(SDR)优化无源波束形成策略对上行卸载优化子问题进行优化，得到用户设备信道增益值；

S321、将上行卸载优化子问题进行转换并通过SDR方法，构造HAP信道优化问题；

S322、通过最大比合并(MRC)方法对HAP信道优化问题进行求解，得到用户设备信道增益值；

具体地，上行卸载优化子问题可转化为最大限度地提高每个移动用户设备i到HAP的上行信道增益，其中包括在每个时隙1-τ_i中HAP的接收波束形成矢量w_o，i和IRS的被动波束形成矢量θ_o，i；利用SDR方法，可以很容易地构造出一个与HAP能量最小化问题相似的主动和被动波束形成联合优化问题。特别地，给定一个固定的θ_o，i，HAP接收机波束形成矢量可以由最大比合并MRC方案确定，即然后，通过优化上行无源波束形成矢量θ_o，i来最大化/>的信道增益，所述用户设备信道增益值如下所示：

上式中，θ_o，i表示第i个时隙中IRS在上行子时隙的相位，h_A，i表示HAP到第i个用户的信道，H_f，i表示HAP到用户之间的信道矩阵。

用户设备信道增益值可以很容易地转化为半正定规划(SDP)，并利用内点算法进行有效求解，给定用户设备信道增益值的优化解和相应的MRC波束形成器w_o，i，卸载率仅依赖于用户的发射功率p_o，i。然后，将卸载速率简化为 其中/>表示用户i在第i个时隙通过IRS增强后的最优信道；给定/>和/>将时间和工作量分配任务约束关系简化为(1-τ_i)o_i(p_o，i)≥κ_il_i≥l_i-c_i。

S33、通过交替优化方法对下行能量优化子问题进行迭代优化，得到移动用户设备与IRS的无线能量传输优化值；

S331、对下行能量优化子问题进行解耦处理，得到第一子问题和第二子问题；

S332、通过优化用户卸载策略对第一子问题进行优化，得到移动用户设备的发射优化功率；

具体地，在第一个子问题中，给出了HAP有源波束形成w_e，i和IRS无源波束形成策略(ρ，θ_e，i)，优化了包括发射功率、时间和负载分配策略在内的用户卸载决策。在该情况下，用户设备的能量约束关系和IRS的能量约束关系中的二次项和/>均为常数。为简单起见，令/>和/>分别表示移动用户设备i和IRS在第j个时隙处的接收信号强度，因此，将HAP能量最小化问题转化为：

s.t.(1-τ_i)o_i(p_o，i)≥κ_il_i≥l_i-c_i

κ_i∈[0，1]，τ_i∈[0，1]，p_o，i≥0，i∈{1，2，...，N}

对转化后的HAP能量最小化问题引入τ_i′＝1-τ_i和e_o，i＝p_o，i(1-τ_i)可以很容易地转化为凸优化形式，其中，e_o，i表示用户在数据卸载过程中的能量消耗，因此，(1-τ_i)o_i(p_o，i)≥κ_il_i≥l_i-c_i中的第一个不等式成为(τ_i′，e_o，i)中的联合凸集。所有其他约束条件和目标函数都与τ_i，κ_i，e_o，i呈线性关系，利用现有的优化工具CVX，高效地找到转化后的HAP能量最小化问题的最佳解和/>

S333、通过联合主动波束形成策略和被动波束形成策略对第二子问题进行优化，得到IRS比率的上界值和下界值；

S3331、基于用户的卸载策略，通过联合主动波束形成策略对最小化HAP的能量问题进行化简处理；

具体地，在第二个子问题中，我们通过联合主动波束形成策略(ρ，θ_e，i，w_e，i)来最小化HAP的能量消耗；考虑到用户的卸载决策(τ_i，κ_i，p_o，i)，HAP能量最小化问题可简化为：

ρ∈(0，1)，θ_e，i∈(0，2π)^K，||w_e，i||≤1

上式中，表示用户i在数据卸载和本地计算时的总能耗；

S3332、对化简后的最小化HAP的能量问题给定一个无源波束形成矢量，限定IRS的PS比率ρ的上下界值的范围；

具体地，中的不等式表明，主动波束形成矢量w_e，i与无源波束形成策略(ρ，θ_e，i)共同优化，以确保所有用户有足够的能量供应，PS比率ρ也与/> 中的IRS能量预算约束有关。为简化后的HAP能量最小化问题给定一个可行的(w_e，i，θ_e，i)，很容易验证约束/>和/>定义了PS比率ρ的上界和下界。这意味着可以用两步迭代法来解决简化后的HAP能量最小化问题。

S3333、基于AO方法，通过线性矩阵不等式对最小化HAP的能量问题中的矩阵变量进行优化处理；

具体地，在第一步中，给定PS比率ρ，可以用AO方法联合优化有源和无源波束形成矢量(w_e，i，θ_e，i)。首先，在固定θ_e，i的情况下，用下列线性矩阵不等式替换和/>中的二次项/>和

上式中，表示第j个时隙中HAP到第i个用户的信道矩阵；

矩阵变量W_e，i≥0是二次项的秩一松弛。已知ρ和θ_e，i，假设通道矩阵/>可以用HAP估计，于是可以通过求解以下问题来优化w_e，i：

现在优化w_e，i成为一个标准的SDP，可以被高效求解。

S3334、通过高斯随机方法对优化后的矩阵变量进行一阶近似提取处理，后代入优化后的HAP能量最小化问题；

具体地，由于矩阵解W_e，i可能得不到秩一解，因此可以进一步用高斯随机化方法提取其秩一近似解。由于简化后的HAP能量最小化问题中的目标与θ_e，i无关，因此用固定的w_e，i对θ_e，i进行可行性检验。在该情况下，可以引入一组辅助变量将简化后的HAP能量最小化问题重新表述为：

注意IRS辅助信道依赖于IRS的无源波束形成向量，即/>简化后的HAP能量最小化问题可以通过与用户设备信道增益值相似的SDR方法转化为一个高效可处理的SDP。在第二步中，我们更新IRS的PS比率ρ，在联合波束形成策略(w_e，i，θ_e，i)下进一步降低HAP的能量消耗。通过以下方法可以得到PS比率的上界值和下界值，分别记为ρ_min和ρ_max，这意味着可以通过二分法来更新PS比率。

S3335、通过联合波束形成策略对优化后的HAP能量最小化问题进行上下界值求解处理；

具体地，给定联合波束形成策略(w_e，i，θ_e，i)，简化后的HAP能量最小化问题中的PS比率的上界ρ_max由确定，给出下式：

对于每个用户设ρ_i，min表示二次方程a_iρ²+b_iρ+c_i＝0，其中常数参数如下所示：

/>

那么PS比率的下界由给出。

S334、整合移动用户设备的发射优化功率、IRS比率的上界值和下界值，得到移动用户设备与IRS的无线能量传输优化值。

S34、整合用户设备信道增益值和移动用户与IRS的无线能量传输优化值，得到HAP能量最小化问题的解值进行数据卸载。

进一步对本实施例进行仿真实验，实验过程如下所示：

参照图6，下面给出数值结果来评估所提出的IRS辅助和无线供电的MEC系统。除了提出的算法外，还考虑了另外两个基准，即随机相位和无IRS辅助；假设信号传播遵循对数距离模型，在参考距离处路径损耗L₀＝30dB，HAP-IRS链路的路径损失指数设置为2，IRS到用户的路径损失指数为2.8，HAP到用户的路径损失指数设置为3.5，小尺度衰落遵循单位方差为零均值的复高斯分布，为了便于分析，假设每个用户在模拟中具有相同的计算工作量，HAP位于坐标原点，IRS位于(5，0)，三个边缘用户分别位于(6，2)、(8，1.5)和(8，2)。默认参数设置如下：HAP的天线尺寸M＝4，能量收集效率η＝0.8，发射功率p₀＝60dBm，信道带宽W＝1MHz，μ＝1.5×10^-7W。部分常数设置为∈＝10^-3，k_u＝10^-28，/>

针对本实施例的有效性，参照图5，为简化后的HAP能量最小化问题在K＝80＝1000bit时的收敛情况。结果表明，随着迭代次数的增加，HAP的能量消耗显著降低。这一结果验证了本文提出的节能算法的有效性。同时，随着算法的收敛，IRS的PS比率ρ逐渐增大。增加的ρ值允许更多的信号功率反射给用户，这可以被用户吸收，用于本地计算和数据卸载。与固定PS比率相比，该方法可以避免IRS中不必要的能源消耗。这也表明了本方案的方法在满足IRS能量需求的同时，能有效地提高能量效率。

针对本实施例的可行性，该算法在几次迭代内就能实现收敛，这意味着它在实际执行中的可行性。

参照图7和图8，为不同算法中HAP的能量消耗随工作量增加的比较结果。IRS的大小固定在K＝40，可以看出，所有算法的能量消耗都在增加；因为当用户的计算工作负载增加时，本地计算和数据卸载都需要更多的能量；同时观察到PS比率ρ也在增加，当整体工作负荷变重时，ρ可以随之适应以降低HAP的能量消耗，与没有IRS的情况相比，另外两种方案即使在相位配置随机的情况下，利用IRS创造更理想的多径效应，也能获得更好的性能，此外，由于本方案在上行和下行两阶段都对无源波束形成进行了优化，因此与其他两个基准相比，所提出的算法总是获得最佳性能。

参照图9，随着IRS的K值的增大，HAP的能耗的比较结果。每个用户的工作负载固定为1000bit。在IRS的辅助下，HAP的能耗随着K值的增加而显著降低；这表明，即使采用随机无源波束形成策略，IRS也能非常有效地降低HAP的能量消耗，此外，IRS的PS比率ρ与大小K成反比。

参照图10，由于IRS需要更多的能量供应和更多的反射元件，因此IRS将下调其PS比率ρ，以获得更多的能量。一个有趣的现象是，随着IRS规模的增加，使用IRS的节能速度会变慢；这表明，较大的IRS和较高的能量需求将成为IRS辅助无线系统的负担，而使用IRS所节省的整体能量可以被IRS的额外能量消耗抵消。

参照图2，一种反射面辅助的低功耗数据卸载系统，包括：

构建模块，用于通过反射面控制器对反射元件的相移进行调整，构建IRS辅助信道模型；

优化模块，基于IRS辅助信道模型，通过联合优化策略优化HAP总能量损耗，构建HAP能量最小化问题；

输出模块，用于对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种反射面辅助的低功耗数据卸载方法，其特征在于，包括以下步骤：

通过反射面控制器对反射元件的相移进行调整，构建智能反射面辅助信道模型；

所述IRS辅助信道模型表示如下：

上式中，θ_j表示IRS在第j个时隙的无源波束形成矢量，h_A,i表示移动边缘计算服务器基站与用户设备i之间的信道，h_I,i表示IRS与用户设备i之间的信道，ρ表示反射系数，H表示HAP-IRS信道矩阵，为简化公式，定义矩阵diag(θ_j)表示对角向量为θ_j的对角矩阵，定义H_f,i＝H·diag(h_I,i)，其中diag(h_I,i)表示对角向量为h_I,i的对角矩阵；

通过HAP主动波束形成策略和IRS被动波束形成策略对HAP和用户设备之间的时间与工作量分配任务进行优化，每个用户i可以通过参数τ_i∈[0,1]将其时隙进一步划分为两个子时隙；第一个子时隙τ_i用于HAP向IRS和移动用户设备的下行能量传输，第二个子时隙1-τ_i用于IRS辅助移动用户设备向HAP的上行数据传输，得到时间和工作量分配任务约束关系；

通过边缘用户卸载策略对用户设备的能量预算进行优化，得到用户设备的能量约束关系；

通过能量收集功率分配比策略对IRS的能量预算进行优化，得到IRS的能量约束关系；

结合时间和工作量分配任务约束关系、用户设备的能量约束关系和IRS的能量约束关系，构建HAP能量最小化问题；

所述HAP能量最小化问题如下所示：

s.t.(1-τ_i)o_i(p_o,i,w_o,o,θ_o,i)≥κ_il_i,

c_i≥(1-κ_i)l_i,

上式中，表示边缘用户集合，p₀表示HAP的发射功率，η表示能量收集效率，ρ表示调整IRS的能量划分比率(PSRatio)，w_e,i和w_o,i表示第i个用户的下行和上行子时隙中的主动波束形成策略，θ_e,i和θ_o,i表示第i个用户的下行和上行两个子时隙内的IRS被动波束形成策略，p_o,i表示第i个用户的设备发射功率，μ表示单个反射单元元件的能量消耗，表示处理单位工作量的能量消耗，N表示用户数量，τ_i表示第i个用户的下行子时隙，/>表示本地计算中每单位工作负载的能耗，κ_i表示第i个用户的卸载工作量与本地计算工作量的比例，l_i表示第i个用户的工作负载，c_i表示第i个用户的本地处理能力，/>表示第j个时隙中从HAP到第i个用户的复合信道，H^H表示HAP-IRS信道矩阵的共轭转置；

对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载。

2.根据权利要求1所述一种反射面辅助的低功耗数据卸载方法，其特征在于，所述对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载这一步骤，其具体包括：

对能量最小化问题进行解耦处理，得到上行卸载优化子问题和下行能量优化子问题；

通过半确定松弛法优化无源波束形成策略对上行卸载优化子问题进行优化，得到用户设备信道增益值；

通过交替优化方法对下行能量优化子问题进行迭代优化，得到移动用户设备与IRS的无线能量传输优化值；

整合用户设备信道增益值和移动用户与IRS的无线能量传输优化值，得到HAP能量最小化问题的解值进行数据卸载。

3.根据权利要求2所述一种反射面辅助的低功耗数据卸载方法，其特征在于，所述用户设备信道增益值表示如下：

上式中，θ_o,i表示第i个时隙中IRS在上行子时隙的相位，h_A,i表示HAP到第i个用户的信道，为简化公式，定义H_f,i为H·diag(h_I,i)。

4.根据权利要求3所述一种反射面辅助的低功耗数据卸载方法，其特征在于，所述通过交替优化方法对下行能量优化子问题进行迭代优化，得到移动用户设备与IRS的无线能量传输优化值这一步骤，其具体包括：

对下行能量优化子问题进行解耦处理，得到第一子问题和第二子问题；

通过优化用户卸载策略对第一子问题进行优化，得到移动用户设备的发射优化功率、每个用户的时隙划分和每个用户的工作量卸载比例；

通过联合主动波束形成策略和被动波束形成策略对第二子问题进行优化，得到每个用户的时隙划分的相位和IRS比率的上界值和下界值；

整合移动用户设备的发射优化功率、每个用户的时隙划分的相位、每个用户的工作量卸载比例和IRS比率的上界值和下界值，得到移动用户设备与IRS的无线能量传输优化值。

5.根据权利要求4所述一种反射面辅助的低功耗数据卸载方法，其特征在于，所述IRS比率的上界值如下所示：

上式中，ρ_max表示IRS比率的上界值。

6.一种反射面辅助的低功耗数据卸载系统，其特征在于，包括以下模块：

构建模块，用于通过反射面控制器对反射元件的相移进行调整，构建IRS辅助信道模型；

所述IRS辅助信道模型表示如下：

上式中，θ_j表示IRS在第j个时隙的无源波束形成矢量，h_A,i表示移动边缘计算服务器基站与用户设备i之间的信道，h_I,i表示IRS与用户设备i之间的信道，ρ表示反射系数，H表示HAP-IRS信道矩阵，为简化公式，定义矩阵diag(θ_j)表示对角向量为θ_j的对角矩阵，定义H_f,i＝H·diag(h_I,i)，其中diag(h_I,i)表示对角向量为h_I,i的对角矩阵；

优化模块，基于IRS辅助信道模型，通过联合优化策略优化HAP总能量损耗，构建HAP能量最小化问题；

通过HAP主动波束形成策略和IRS被动波束形成策略对HAP和用户设备之间的时间与工作量分配任务进行优化，每个用户i可以通过参数τ_i∈[0,1]将其时隙进一步划分为两个子时隙；第一个子时隙τ_i用于HAP向IRS和移动用户设备的下行能量传输，第二个子时隙1-τ_i用于IRS辅助移动用户设备向HAP的上行数据传输，得到时间和工作量分配任务约束关系；

通过边缘用户卸载策略对用户设备的能量预算进行优化，得到用户设备的能量约束关系；

通过能量收集功率分配比策略对IRS的能量预算进行优化，得到IRS的能量约束关系；

结合时间和工作量分配任务约束关系、用户设备的能量约束关系和IRS的能量约束关系，构建HAP能量最小化问题；

所述HAP能量最小化问题如下所示：

s.t.(1-τ_i)o_i(p_o,i,w_o,o,θ_o,i)≥κ_il_i,

c_i≥(1-κ_i)l_i,

上式中，表示边缘用户集合，p₀表示HAP的发射功率，η表示能量收集效率，ρ表示调整IRS的能量划分比率(PSRatio)，w_e,i和w_o,i表示第i个用户的下行和上行子时隙中的主动波束形成策略，θ_e,i和θ_o,i表示第i个用户的下行和上行两个子时隙内的IRS被动波束形成策略，p_o,i表示第i个用户的设备发射功率，μ表示单个反射单元元件的能量消耗，表示处理单位工作量的能量消耗，N表示用户数量，τ_i表示第i个用户的下行子时隙，/>表示本地计算中每单位工作负载的能耗，κ_i表示第i个用户的卸载工作量与本地计算工作量的比例，l_i表示第i个用户的工作负载，c_i表示第i个用户的本地处理能力，/>表示第j个时隙中从HAP到第i个用户的复合信道，H^H表示HAP-IRS信道矩阵的共轭转置；

输出模块，用于对HAP能量最小化问题进行解耦和优化处理，计算解值并进行数据卸载。