CN114880046B - 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 - Google Patents
联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 Download PDFInfo
- Publication number
- CN114880046B CN114880046B CN202210650376.1A CN202210650376A CN114880046B CN 114880046 B CN114880046 B CN 114880046B CN 202210650376 A CN202210650376 A CN 202210650376A CN 114880046 B CN114880046 B CN 114880046B
- Authority
- CN
- China
- Prior art keywords
- user
- offloading
- task
- unloading
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 29
- 238000005265 energy consumption Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radio Relay Systems (AREA)
Abstract
联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,涉及卫星通信领域。本发明通过多个并行DNN网络生成卸载决策,并通过带宽分配算法为每个用户分配带宽,然后将生成的卸载决策存储在内存中,以进一步训练和改进所有DNN以获得接近最优的卸载决策。本发明可以得到理想的系统效用函数值,并且神经网络可以达到很好的收敛效果。本发明有效的解决了卫星边缘计算中的卸载决策问题和带宽分配问题,可以广泛在卫星边缘计算技术领域中应用。
Description
技术领域
本发明涉及卫星通信领域。
背景技术
近年来,随着通信领域的飞速发展,人类每天需要面对和处理大量的数据,用户在不同的场景下对不同的任务有着不同的需求。例如,在某些场景下,需要考虑任务处理的超低延迟和超低能耗。
但是众所周知,用户处理计算任务的能力是非常有限的,仅仅依靠自身的计算能力来处理大量的计算任务显然是远远不够的。在此背景下,提出了移动边缘计算(MEC)的概念。认为通过将计算能力强的边缘服务器放置在用户附近,用户将需要处理的计算任务卸载到靠近用户侧的边缘服务器进行计算,从而获得更好的服务质量。
移动边缘计算通过在用户侧部署边缘服务器并避免应用程序生成的到远程数据中心的回程流量,提供了一种连接用户和边缘服务器的有效方式。通过将计算任务卸载到边缘服务器,用户可以大大减少任务的执行延迟,节省执行任务所需的能源消耗。
全覆盖是未来移动通信网络的重要方向。然而,由于缺乏通信基础设施,在偏远/农村地区提供计算服务成为一项具有挑战性的任务。
不仅如此,一旦发生一些自然灾害,地面通信基础设施容易受损,地面网络无法为用户提供计算服务。低轨卫星作为未来6G通信的重要研究方向,覆盖范围广,可实现对地球地面用户的全覆盖,为地球上任何地点和环境的用户提供计算服务。
考虑到边缘服务器的快速响应能力和强大的计算能力,将移动边缘计算的思想应用于低轨卫星网络。利用低轨卫星的快速通信功能和广覆盖,地球上偏远或极端环境的用户可以从全球任意位置获取计算服务,快速响应用户计算处理请求,提升用户服务体验,减少网络冗余流量。不仅如此,由于边缘计算减少了传输到云中心的数据量,用户数据可以在边缘进行处理,大大增加了用户信息的安全性。为此,我们专注于将边缘服务器放置在LEO卫星上的场景。
但是对于卫星边缘计算多用户多任务模型,考虑用户的卸载决策问题和带宽分配问题,由于卸载决策是二进制变量,所以该问题为混合整数规划问题,一般的优化工具无法有效解决这个问题。
发明内容
本发明是为了在卫星边缘计算场景中,解决用户的卸载决策问题和带宽分配分配问题,从而提出一种联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法。
联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,所述方法所面向的场景为:设每个用户移动设备都有M个独立的任务,M为正整数;其中每个任务都能够在本地计算或卸载到配备边缘服务器的LEO卫星上进行计算;
其特征是:所述联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法包括以下步骤:
步骤一、搭建d个DNN网络模型,d为正整数;
步骤二,用随机参数初始化每个DNN网络模型,并清空每个DNN网络模型的内存结构,并进入迭代步骤;
步骤二,分别向所有DNN网络模型输入当前时隙用户移动设备生成的不同大小的独立的计算任务;
所述每个DNN网络模型接收到的计算任务是当前时隙所有的移动设备的独立任务的总和;
步骤三,基于步骤二所述每个DNN网络模型中输入的不同大小的计算任务,使用其所在DNN网络模型生成各计算任务对应的卸载决策;
步骤四,基于步骤三所述各计算任务对应的卸载决策,使用推导出的最优带宽分配方案,获得所述各计算任务对应的卸载决策的系统效用函数值;
步骤五,从DNN中选择最佳解决方案,并通过将生成的任务和相应的卸载决策添加到DNN网络的内存结构中并更新回放内存;
步骤六,从步骤五所述更新回放内存中均匀采样一批数据集用于训练DNN网络并使用梯度下降算法更新DNN网络的参数,进行下一次迭代,直至达到迭代次数后,将获得的卸载决策用xnm∈{0,1}表示,当xnm=1时,则用户n将计算任务m卸载到卫星上的边缘服务器上执行计算;当xnm=0时,则用户n的任务m选择在本地执计算。
本发明具有以下特点和显著进步:
1、本发明考虑配备MEC服务器的LEO卫星为地面用户服务的场景,仿真中还考虑了自由空间损耗对信道增益的影响。
2、在二进制计算卸载模式下,用户的卸载决策问题和带宽分配问题是一个复杂的混合整数规划问题。本发明提出了一种基于深度学习的算法,通过深度学习生成接近最优的卸载决策,并通过带宽分配算法为每个用户分配带宽以获得理想的系统效用函数值。
3、与传统的卸载算法相比,本发明提出的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,可以在极短的时间内,生成卸载决策。
4、本发明收敛的速度非常快,随着模型训练步数的增加,训练的成本趋于0,模型的训练可以得到很好的收敛。因为算法收敛的很快,所以如果需要部署更多的任务或者用户,可以很快的进行重新配置,在快速变化的环境中,该算法可以很灵活的适应环境。
附图说明
图1是卫星边缘计算系统架构图;
图2是系统算法的整体结构图;
图3是系统算法的收敛性仿真示意图;
图4是不同的系统成本中能耗与处理延迟之间的权重下,不同卸载算法的系统效用函数值比较仿真示意图;
图5是不同的边缘服务器能耗的权重φ下,不同卸载算法的系统效用函数值比较;
图6是不同的卫星边缘服务器处理速率fsat下,不同卸载算法的系统效用函数值比较仿真示意图;
图7是不同的本地处理每个数据位的处理时间t1ocal下,不同卸载算法的系统效用函数值比较仿真示意图;
图8是多次实验的平均DNN时间成本仿真示意图;
具体实施方式
具体实施方式一、下面结合说明书附图图1-8,对本发明一种面向联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法作进一步详细的描述。
图1为本发明的举例场景图。如图1所示。我们假设每个移动设备都有M个独立的任务,其中每个任务都可以在本地执行或卸载到配备边缘服务器的LEO卫星上进行计算。我们把卸载决策用xnm∈{0,1}表示,当xnm=1时代表用户n将计算任务m卸载到卫星上的边缘服务器上执行,当xnm=0代表用户n的任务m选择在本地执行。
为了便于参考,我们在表1中列出了本发明的关键符号。
表1符号表
工作原理:
一.本发明的系统模型
1)本地执行
当移动设备选择将计算任务本地计算时,我们将用户n的第m个任务的工作量用lnm表示。我们使用elocal表示移动设备本地处理的每个数据位的本地能耗。因此,用户n在本地执行任务m的能耗由下式给出:
我们将移动设备n本地处理每个数据位处理时间表示为t1ocal。因此,用户n执行其任务m的处理时间为:
因此,给定用户n的卸载决策xnm,用户n在本地完成其任务的总延迟为:
2)边缘卸载
当移动设备选择将计算任务卸载到卫星上的边缘服务器时,移动设备将计算任务上传到低轨卫星,并在边缘服务器上进行处理。由于边缘服务器生成的返回结果的大小很小,我们不考虑将计算结果返回给用户的过程造成的延迟。我们将表示为移动设备将其工作负载上传到边缘服务器所消耗的能量,并将边缘服务器上数据处理的能量成本建模为工作负载lnm的线性函数。我们将用户n将其任务m卸载到边缘服务器的总成本表示为:
其中,φ是边缘服务器能耗的权重。
在该系统中,我们将pn定义为第n个用户边缘执行的传输功率。用户n卸载任务时的传输速率可以从香农公式导出为其中bn表示分配给用户n的带宽,hn表示用户n的信道增益,σ是噪声功率。
我们认为该系统中的星地链路损耗主要是自由空间损耗。本系统用Lp表示自由空间路径损耗,即其中λ为信号波长,d为无线信号的自由空间传播距离,单位为km。f是以MHz为单位的工作频率。Lp也可以表示为Lp=32.4+20log10(d)+20log10(f)。
我们将用户n将其任务m卸载到边缘服务器的传输延迟表示为:
另外,边缘服务器的处理延迟由下式给出:
其中,fsat表示为卫星上的边缘服务器的处理速率。
给定卸载决策xnm,用户n执行MEC时的总延迟可以由下式给出:
在本文中,我们假设在卫星覆盖时间内,所有需要卸载的计算任务都可以完成卸载。
我们将系统效用函数J定义为处理任务的延迟和能耗的加权和:
其中表示系统成本中能耗与处理延迟之间的权重。
我们将联合优化任务的延迟和能耗问题表述为最小化系统效用函数的问题,即
xnm∈{0,1}(9c)
约束9a表示所有用户的总上行链路带宽分配不能超过最大带宽B。约束9b表示每个用户分配的带宽bn大于等于0。约束9c表示卸载决策xnm上的二进制约束。
二.本发明的系统算法
优化问题(P1)是混合整数规划问题,通常很难解决,所以我们想通过深度学习的方式解决此混合整数规划问题。
本发明的系统算法的整体结构图如图2所示。
它由两个交替的阶段组成:卸载动作生成和卸载策略更新。卸载动作的产生依赖于DNN的使用。在输入端,DNN将计算任务的大小作为输入,输出相应的候选卸载决策。
如果某个时隙生成的卸载方案是所有用户全本地计算,则不会进行带宽分配,b1,b2,b3被设置为0,直接根据公式求系统效用函数值即可。如果某个时隙生成的卸载方案有边缘卸载方案,系统通过我们的带宽分配算法为每条传输信道分配带宽,然后分别计算相应的效用函数值。然后,系统选择具有最低效用函数值的卸载操作作为输出。在卸载策略更新阶段,将输入的任务大小和输出的卸载决策存储在存储器结构中,从内存中提取训练样本以训练DNN,随着这两个过程的迭代进行,DNN的性能将逐渐得到改善。整体的算法具体详细的过程如下:
对于深度学习过程来说,我们将任务的大小l作为DNN网络的输入,输出候选的二进制卸载方案,假设这里有d个DNN网络,则会生成d个候选的二进制卸载方案。我们的目的是设计一个卸载策略函数πd,对于第d个DNN来说,一旦在输入端输入相应的任务大小l,它就会快速生成的对应的候选卸载动作xd。该策略表示为
我们所提出的深度学习算法从经验中逐渐学习这种策略函数πd。
一旦通过深度学习算法得到了二进制卸载决策xnm,则原始优化问题(P1)变为带宽分配问题(P2)
对于带宽分配问题,我们观察上式可以看出来,优化问题(P2)的约束只有系统的带宽有关,我们假设用户每次都在同一个时隙生成计算任务并且可以在同一时隙完成计算任务。所以对于同一时隙生成的计算任务,在满足带宽约束的前提下,系统的效用函数值只与用户n将其任务m卸载到边缘服务器的传输延迟有关,所以优化问题(P2)变为优化问题(P3)
因为在这里我们将用户的数量设置为N=3,每个用户有M=3个不同的任务,并且假设三个用户每次都在同一个时隙内生成计算任务。所以对于同一时隙生成的三个计算任务利用拉格朗日乘子法,解决KKT条件获得最优带宽分配解决方案:
其中:l1,l2,l3分别代表用户生成的三个计算任务大小,x1,x2,x3分别代表神经网络对于用户生成的三个计算任务生成的卸载决策,b1,b2,b3分别代表分配给三个用户的带宽,r1,r2,r3分别代表三个用户卸载任务时的传输速率。p1,p2,p3分别代表三个用户边缘执行的传输功率,h1,h2,h3分别代表三个用户的信道增益,σ是噪声功率,B是系统总带宽。
当我们得到了为用户分配的带宽和其相应的卸载策略,我们就可以得到每种卸载策略相对应的系统效用函数值,然后我们从计算得到的d个的系统效用函数值中,选择具有最低效用函数值的卸载操作作为输出。我们将此时输出的卸载决策和对应的输入端的任务大小存储在存储器结构中,用于更新DNN。在实验中,每个DNN都从内存中随机选择一批数据样本用于训练DNN,当存入内存的数据量达到它的容量时,内存将丢弃原始的数据,存入新的数据。
三、面向联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法
针对本发明提出的面向联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,其伪代码如表2所示。
表2:面向联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法
具体算法描述如表2所述。本发明提出的算法输入为用户的计算任务大小,输出为相应的最优计算卸载决策。首先,本算法随机初始化DNN的参数θd并且清空内存的内容。然后系统通过将用户生成的不同任务的大小作为DNN的输入,然后得到DNN生成相应的卸载决策。然后通过上文推导出的最优带宽分配方案为每个用户分配带宽,通过得到的卸载决策和为每个用户分配的带宽计算系统的效用函数值。在从计算得到的d个的系统效用函数值中找到最优的系统效用函数值对应的卸载决策,并将输入的任务大小和相应输出的卸载决策增加到内存中。最后,DNN随机从内存中抽取一批数据样本用于训练DNN并且通过梯度下降算法在更新DNN的参数值θd。
下面结合仿真实验对本发明做详细的描述。
在仿真中,本文认为用户的个数为3,每个用户的任务数为3。本文认为无线信道传输信号符合自由空间路径损耗模型。Lp可以表示为Lp=32.4+20log10(d)+20lg10(f),其中d为200km,f为30000MHz。我们假设每个用户都在一个时隙开始的时候生成计算任务,并且可以在这个时隙完成计算任务。我们认为在这个时隙,对于不同用户来说,信道环境是相同、稳定的。我们设置用户发射功率p=10mW,噪声功率σ=10-13W。我们假设所有任务的输入数据大小在10MB到40MB之间随机分布。我们将移动设备的本地计算时间设置为4.75×10-7s/bit,处理能耗为3.25×10-7J/bit。上行链路带宽被设置为150Mbps。移动设备的接收能量消耗和传输能量消耗均为1.42×10-7J/bit,卫星边缘服务器处理能力设置为10Gbps。
图3是本发明联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法的系统算法的收敛性示意图;
图3显示了训练模型的步数对算法收敛性的影响。随着训练步数的增加,可以看出该算法收敛的非常快,随着模型训练步数的增加,训练的成本趋于0,模型的训练可以得到很好的收敛。
图4是本发明联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法中不同的系统成本中能耗与处理延迟之间的权重下,不同卸载算法的系统效用函数值比较;
当我们将设置为不同的值时,系统的效用函数值如图4所示。可以看出,随着参数/>的增加,本发明的系统效用函数值时随之增加的,这显然是合理的。通过比较图中的不同方案的系统效用函数值可以看出,本发明可以得到最优的系统效用函数值。
图5是本发明联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法中不同的边缘服务器能耗的权重φ下,不同卸载算法的系统效用函数值比较;
当我们将φ设置为不同的值时,系统的效用函数值如图5所示。可以看出,随着参数φ的增加,本发明的系统效用函数值时随之增加的,这显然是合理的。通过比较图中的不同方案的系统效用函数值可以看出,本发明可以得到最优的系统效用函数值。
图6是本发明联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法中不同的卫星边缘服务器处理速率fsat下,不同卸载算法的系统效用函数值比较;
图6显示了在不同的卫星边缘服务器处理速率fsat下,对不同卸载算法的系统效用函数值进行比较。从图中可以看出来,随着fsat的增加,四种卸载算法的系统效用函数值都会随之降低,这是因为更高的边缘服务器处理速率会导致卸载时的处理时间降低,从而系统的效用函数值会随之降低。在四种卸载算法中,本发明提出的算法得到了最低的系统效用函数值。
图7是本发明联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法中不同的本地处理每个数据位的处理时间t1ocal下,不同卸载算法的系统效用函数值比较;
图7显示了在不同的tlocal下,对不同的卸载算法的系统效用函数值进行了比较。因为tlocal是移动设备在本地计算每个数据位所需的处理时间,所以随着tlocal的增加,四种卸载算法的系统效用函数值都会随之增加,这是因为更大的tlocal表示本地处理数据需要花费更多的处理时间,所以四种算法的系统的效用函数值会随之升高。从图中我们看出,本发明提出的算法得到了最优的系统效用函数值。
图8是本发明联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法中多次实验的平均DNN时间成本示意图;
图8显示了在多次实验下,每次实验的平均DNN时间成本。在这里我们把DNN时间成本定义为对于每次输入的数据,每个DNN输出卸载决策的时间,我们可以看出,本发明提出的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,可以在极短的时间内,生成卸载决策。
以上所述,仅用以说明本发明的技术方案而非限制,本发明不应该局限于该实施例和附图所公开的内容。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,都在本发明的保护范围内。
Claims (6)
1.联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,所述方法所面向的场景为:设每个用户移动设备都有M个独立的任务,M为正整数;其中每个任务都能够在本地计算或卸载到配备边缘服务器的LEO卫星上进行计算;
其特征是:所述联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法包括以下步骤:
步骤一、搭建d个DNN网络模型,d为正整数;
步骤二,用随机参数初始化每个DNN网络模型,并清空每个DNN网络模型的内存结构,并进入迭代步骤;
步骤二,分别向所有DNN网络模型输入当前时隙用户移动设备生成的不同大小的独立的计算任务;
所述每个DNN网络模型接收到的计算任务是当前时隙所有的移动设备的独立任务的总和;
步骤三,基于步骤二所述每个DNN网络模型中输入的不同大小的计算任务,使用其所在DNN网络模型生成各计算任务对应的卸载决策;
步骤四,基于步骤三所述各计算任务对应的卸载决策,使用推导出的最优带宽分配方案,获得所述各计算任务对应的卸载决策的系统效用函数值;获取最优带宽分配方案的具体方法是:
根据公式:
实现,
式中:l1,l2,l3分别代表用户生成的三个计算任务大小;x1,x2,x3分别代表神经网络对于用户生成的三个计算任务生成的卸载决策;b1,b2,b3分别代表分配给三个用户的带宽;p1,p2,p3分别代表三个用户边缘执行的传输功率;h1,h2,h3分别代表三个用户的信道增益;σ是噪声功率;B是系统总带宽;
步骤五,从DNN中选择最佳解决方案,并通过将生成的任务和相应的卸载决策添加到DNN网络的内存结构中并更新回放内存;
步骤六,从步骤五所述更新回放内存中均匀采样一批数据集用于训练DNN网络并使用梯度下降算法更新DNN网络的参数,进行下一次迭代,直至达到迭代次数后,将获得的卸载决策用xnm∈{0,1}表示,当xnm=1时,则用户n将计算任务m卸载到卫星上的边缘服务器上执行计算;当xnm=0时,则用户n的任务m选择在本地执计算。
2.根据权利要求1所述的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,其特征在于步骤三中,使用DNN网络生成卸载决策的具体方法是通过以下公式:
根据公式:
实现的;
式中:l表示任务的大小,πd是卸载策略函数,设这里有d个DNN网络,则会生成d个候选的二进制卸载方案。
3.根据权利要求1所述的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,其特征在于步骤四中,当移动设备选择本地执行计算任务,其能耗、时延、总延迟分别表示为:
式中:表示用户n在本地执行任务m的能耗,其中lnm表示用户n的第m个任务的工作量,elocal表示移动设备本地处理的每个数据位的本地能耗,m∈M,
表示用户n执行其任务m的处理时间,其中t1ocal表示移动设备n本地处理每个数据位处理时间;
表示用户n在本地完成其任务的总延迟。
4.根据权利要求3所述的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,其特征在于步骤四中,当移动设备选择将计算任务卸载到卫星上的边缘服务器时,其传输速率、能耗、传输延迟、边缘服务器的处理延迟、总延迟分别表示为:
式中:rn代表用户n卸载任务时的传输速率,其中pn定义为第n个用户边缘执行的传输功率,bn表示分配给用户n的带宽,hn表示用户n的信道增益,σ是噪声功率,
表示用户n将其任务m卸载到边缘服务器的总能耗,其中lnm表示用户n的第m个任务的工作量,φ是边缘服务器能耗的权重,/>表示为移动设备将其工作负载上传到边缘服务器所消耗的能量,/>表示用户n将其任务m卸载到边缘服务器的传输延迟,/>表示边缘服务器的处理延迟,其中fsat表示为卫星上的边缘服务器的处理速率,
表示用户n执行边缘卸载时的总延迟,n∈N,N为正整数。
5.根据权利要求4所述的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,其特征在于步骤四中,当给定卸载决策为xnm时,则将系统效用函数J定义为处理任务的延迟和能耗的加权和:
6.根据权利要求1所述的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法,其特征在于步骤五中,从DNN中选择最佳解决方案的原则是:步骤四中获得系统效用函数值最小的方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650376.1A CN114880046B (zh) | 2022-06-09 | 2022-06-09 | 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210650376.1A CN114880046B (zh) | 2022-06-09 | 2022-06-09 | 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114880046A CN114880046A (zh) | 2022-08-09 |
CN114880046B true CN114880046B (zh) | 2024-04-12 |
Family
ID=82681808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210650376.1A Active CN114880046B (zh) | 2022-06-09 | 2022-06-09 | 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880046B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240610B (zh) * | 2023-11-13 | 2024-01-23 | 傲拓科技股份有限公司 | 一种基于数据加密的plc模组运行数据传输方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111970154A (zh) * | 2020-08-24 | 2020-11-20 | 浙江工商大学 | 基于深度增强学习和凸优化的卸载决策及资源分配方法 |
CN114051254A (zh) * | 2021-11-08 | 2022-02-15 | 南京大学 | 一种基于星地融合网络的绿色云边协同计算卸载方法 |
CN114153572A (zh) * | 2021-10-27 | 2022-03-08 | 中国电子科技集团公司第五十四研究所 | 一种星地协作网络中分布式深度学习的计算卸载方法 |
-
2022
- 2022-06-09 CN CN202210650376.1A patent/CN114880046B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111970154A (zh) * | 2020-08-24 | 2020-11-20 | 浙江工商大学 | 基于深度增强学习和凸优化的卸载决策及资源分配方法 |
CN114153572A (zh) * | 2021-10-27 | 2022-03-08 | 中国电子科技集团公司第五十四研究所 | 一种星地协作网络中分布式深度学习的计算卸载方法 |
CN114051254A (zh) * | 2021-11-08 | 2022-02-15 | 南京大学 | 一种基于星地融合网络的绿色云边协同计算卸载方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114880046A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
CN112134614B (zh) | 一种多波束通信卫星的下行载波资源分配方法及系统 | |
CN110928654A (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN114051254B (zh) | 一种基于星地融合网络的绿色云边协同计算卸载方法 | |
Lyu et al. | Optimal computation offloading in collaborative leo-iot enabled mec: A multi-agent deep reinforcement learning approach | |
Hou et al. | Latency and reliability oriented collaborative optimization for multi-UAV aided mobile edge computing system | |
CN114880046B (zh) | 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法 | |
Wei et al. | Resource scheduling and offloading strategy based on LEO satellite edge computing | |
CN117614520B (zh) | 基于无人机-卫星协作的去蜂窝大规模mimo资源优化方法 | |
Kisseleff et al. | A new optimization tool for mega-constellation design and its application to trunking systems [International Communications Satellite Systems Conference] | |
Hwang et al. | Deep reinforcement learning approach for uav-assisted mobile edge computing networks | |
Nguyen et al. | Joint computation offloading, UAV trajectory, user scheduling, and resource allocation in SAGIN | |
CN109831759B (zh) | 一种基于软件定义无线网络的三维d2d匹配算法 | |
Nehra et al. | Federated learning based trajectory optimization for UAV enabled MEC | |
CN116886158A (zh) | 一种基于ddpg的星地融合网络移动边缘计算资源分配方法 | |
CN115276755B (zh) | 卫星网络通信的星间链路与功率分配方法 | |
CN116366127A (zh) | 无人机辅助多mec服务器的任务完成率最大化方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN115664486A (zh) | 一种ris辅助uav边缘计算系统中无线供能的能效优化方法 | |
CN115551013A (zh) | 一种多无人机边缘计算网络中无人机部署与任务卸载方法 | |
CN115348558A (zh) | 基于凸优化的无人机部署和计算卸载联合优化方法 | |
Zheng et al. | Efficient Pruning-Split LSTM Machine Learning Algorithm for Terrestrial-Satellite Edge Network | |
Han et al. | Adaptive Online Service Function Chain Deployment in Large-scale LEO Satellite Networks | |
Javad-Kalbasi et al. | Energy Efficient Communications in RIS-Assisted UAV Networks Based on Genetic Algorithm |
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 |