CN115022894B - 一种低轨卫星网络的任务卸载与计算资源分配方法及系统 - Google Patents
一种低轨卫星网络的任务卸载与计算资源分配方法及系统 Download PDFInfo
- Publication number
- CN115022894B CN115022894B CN202210642430.8A CN202210642430A CN115022894B CN 115022894 B CN115022894 B CN 115022894B CN 202210642430 A CN202210642430 A CN 202210642430A CN 115022894 B CN115022894 B CN 115022894B
- Authority
- CN
- China
- Prior art keywords
- cloud
- edge
- task
- satellite
- computing
- 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 55
- 238000013468 resource allocation Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000005265 energy consumption Methods 0.000 claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 47
- 238000004891 communication Methods 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000013144 data compression Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 238000005562 fading Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04B7/1851—Systems using a satellite or space-based relay
-
- 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
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种低轨卫星网络的任务卸载与计算资源分配方法及系统,为描述未来低轨卫星网络中的异构业务计算需求,根据融合边缘云与云边缘低轨卫星计算模型以及两类业务需求,建立任务卸载模型;并根据时延成本、能耗成本以及支付给计算平台的资金成本建立目标函数,得出优化问题;将优化问题建模为非合作博弈,通过构造势函数证明该博弈的均衡的存在性;并采用混合粒子群算法和求取解析解得到均衡,最终得出联合卸载决策与计算资源分配的最优策略;本发明考虑面向两类业务的融合边缘云与云边缘的低轨卫星边缘计算架构,解决实际边缘计算场景中任务异构的问题,实现资源利用最大化的同时,更大限度地降低终端开销。
Description
技术领域
本发明属于面向低轨卫星边缘计算的任务卸载决策领域,具体涉及一种低轨卫星网络的任务卸载与计算资源分配方法及系统。
背景技术
随着6G关键技术的推进,卫星由于可以提供全球无缝覆盖和连续服务而成为其重要组成部分,与中高轨卫星相比,低轨卫星具有低时延、低等成本、大规模等特性。与此同时,多接入边缘计算(Multi-access edge computing,MEC)随着发展产生了边缘云与云边缘两种形态。为了保证卫星通信任务处理的实时性,低轨卫星边缘计算网络已引起学术界和业界的关注。随着设备数量的增多,任务的异构性变的不可忽略。那么,针对不同任务类型,如何合理将任务卸载到计算节点并合理分配计算资源给不同任务,将云端丰富的计算资源和边缘节点数据处理的实时性结合起来,进一步提高低轨卫星网络资源利用率,成为一个新的富有意义的挑战。
发明内容
为了解决现有技术中存在的问题,本发明提供一种低轨卫星网络的任务卸载与计算资源分配方法,以降低云边缘任务和边缘云任务两类任务的开销。
为了实现上述目的,本发明采用的技术方案是:一种低轨卫星网络的任务卸载与计算资源分配方法,包括以下步骤:
针对面向云边缘任务和边缘云两类业务的融合的低轨卫星计算场景构建计算模型;所述计算场景采用集成计算平台,包括中心云服务器和一组边缘节点,边缘节点由边缘云和云边缘两部分构成,终端将任务卸载到平台进行处理,将时间划分为若干时隙,每个时隙的长度为τ,在每个时隙内,网络拓扑是准静态的,在时隙t内,设备终端集为I={1,2,...,i,...,I},低轨卫星共有M颗,记为M={1,2,...,m,...,M},每个终端均能与M颗低轨卫星建立通信链路,每颗卫星上部署一个边缘服务器,同时满足边缘云和云边缘两类任务的计算需求;
对终端的任务卸载决策进行建模,每个终端均能够卸载到卫星边缘节点和通过卫星转发到中心云服务器两种卸载决策;
结合边缘云任务和云边缘任务的不同需求,根据时延成本、能耗成本以及支付给计算平台的资金成本建立目标函数,得到优化问题;
将所述优化问题建模为非合作博弈模型,通过构造势函数证明该博弈的均衡的存在性;
采用混合粒子群算法和解析解得到均衡,最终得出联合卸载决策和计算资源分配的最优策略。
所述边缘云任务为无需数据共享和时延敏感的任务,在边缘云类的边缘节点完成任务的全部处理;云边缘任务是需要数据共享,伴随着数兆数据量和数千兆计算量的业务,在云边缘类的边缘节点完成数据的预处理,然后转发至中心云服务器完成全部数据分析。
所述终端只整合其周围传感器的数据,不进行本地计算,边缘云任务卸载到一个卫星边缘节点处理或通过卫星转发到中心云服务器进行处理;云边缘业务则通过无线信道卸载到卫星边缘节点进行预处理,然后将结果传输至中心云服务器进行更复杂的数据分析,或通过卫星直接转发至中心云服务器进行处理。
边缘云任务的优化目标包含时延成本、能耗成本以及支付给计算平台的资金成本;
边缘云任务i时延包含传播时延、传输时延、计算时延:
其中,表示卫星m分配给终端i的计算资源,dm,c表示卫星m和云服务器之间的距离,ri表示从卫星m到云服务器的数据传输速率;终端i由于时延导致的成本为
终端i的能耗为将数据发送到卫星m带来的能源消耗:
由能耗导致的成本表示为
终端i支付给计算平台的成本包含通信成本以及计算成本:
在任一卫星计算边缘云业务的报价均为在云端计算边缘云业务,计算1cycle/s的报价为由卫星到云端每秒通信资源的报价为lec;
终端i完成边缘云任务i的计算的总开销为:
其中分别表示时延成本、能耗成本、计算平台成本对总开销的影响因子,
云边缘任务的优化目标包含能耗成本和支付给计算平台的成本;
边缘节点对云边缘任务进行数据的无损压缩,云边缘任务i占用卫星m的计算资源的时间ti,m为:
对于任一卫星边缘节点,压缩1bit的数据所需计算量均为J个CPU周期,当前时隙任务的数据压缩仅在该时隙进行,经过卫星m的数据压缩处理,压缩后的数据量为:
其中,表示卫星m分配给终端i的计算资源(CPU cycle/s),压缩率为δ。
终端i的能耗为将数据发送到卫星的能源消耗:
终端i由于能耗导致的成本表示为
支付给计算平台的成本包含边缘节点计算成本、由卫星到云端通信成本、云端完成云边缘任务计算成本:
卫星提供数据压缩的计算资源的报价均为由卫星到云端占用1bit通信资源的报价为hce,云端进行云边缘任务计算,每计算1cycle的报价为
终端i完成云边缘任务的总开销为:
其中分别表示能耗、需支付给平台的成本对总开销的影响因子,
将所述优化问题建模为非合作博弈模型具体如下:
根据所述优化问题建立非合作博弈G={I,(Si)i∈I,(ui)i∈I},每个终端都是一个参与方,共有I个参与方最小化各自的开销;终端i的策略为Si表示终端i的策略空间,终端i如果产生的是边缘云任务,其成本函数为时延成本、能耗成本、支付给平台的成本的加权和;如果产生的是云边缘任务,其成本函数为能耗成本以及支付给平台成本的加权和:
其中s-i∈∏j≠iSj,是除了终端i的所有终端的卸载策略;
每个终端都希望最小化自己的成本函数,即:
通过构造势函数证明该博弈是势博弈,存在纳什均衡且具有有限迭代性质。
采用混合粒子群算法和解析解得到均衡时:
在一次迭代中,一个理性自私的参与者根据其他参与者的策略给出最佳对策,通过分别找到卫星计算和云计算的局部最优响应,并将卫星计算和云计算的局部最优响应进行比较来获得终端i在迭代过程中的最佳对策;在卫星计算方案中,采用混合粒子群子算法,结合罚函数法构造惩罚函数,求解卸载到边缘局部联合最优卸载决策和计算资源分配策略;通过求联合最优卸载决策和计算资源分配解析解,得到云计算的局部最优响应。
本发明同时提供一种通信系统,包括若干终端、中心云服务器和边缘节点,边缘节点为若干低轨卫星,所述边缘节点包括边缘云和云边缘,系统在通信时基于本发明所述任务卸载与计算资源分配方法进行任务卸载与计算资源分配。
另一方面,本发明还可以提供一种低轨卫星网络的任务卸载与计算资源分配系统,包括计算模型构建模块、任务卸载模型构建模块、联合优化任务卸载与资源分配问题构建模块、非合作博弈模型构建模块以及求解模块。
计算模型构建模块用于针对面向云边缘任务和边缘云两类业务的融合的低轨卫星计算场景构建计算模型;所述计算场景采用集成计算平台,包括中心云服务器和一组边缘节点,边缘节点由边缘云和云边缘两部分构成,终端将任务卸载到平台进行处理,将时间划分为若干时隙,每个时隙的长度为τ,在每个时隙内,网络拓扑是准静态的,在时隙t内,设备终端集为I={1,2,...,i,...,I},低轨卫星共有M颗,记为M={1,2,...,m,...,M},每个终端均能与M颗低轨卫星建立通信链路,每颗卫星上部署一个边缘服务器,同时满足边缘云和云边缘两类任务的计算需求;
任务卸载模型构建模块用于对终端的任务卸载决策进行建模,每个终端均能够卸载到卫星边缘节点和通过卫星转发到中心云服务器两种卸载决策;
联合优化任务卸载与资源分配问题构建模块用于结合边缘云任务和云边缘任务的不同需求,根据时延成本、能耗成本以及支付给计算平台的资金成本建立目标函数,得到优化问题;
非合作博弈模型构建模块用于将所述优化问题建模为非合作博弈模型,通过构造势函数证明该博弈的均衡的存在性;
求解模块用于结合罚函数法,采用混合粒子群算法和解析解得到均衡,最终得出联合卸载决策和计算资源分配的最优策略。
另外,本发明还提供一种计算机设备,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取所述计算机可执行程序并执行,处理器执行计算可执行程序时能实现本文所述低轨卫星网络的任务卸载与计算资源分配方法。
同时可以提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现本文所述的低轨卫星网络的任务卸载与计算资源分配方法。
与现有技术相比,本发明至少具有以下有益效果:本发明明确区分边缘云任务与云边缘任务的概念,考虑面向两类业务的融合边缘云与云边缘的低轨卫星边缘计算架构,解决实际边缘计算场景中任务异构的问题;联合优化计算卸载决策与资源分配,支持边缘云与云边缘两类计算资源的动态转化,实现资源利用最大化的同时,更大限度地降低终端开销;将云任务和云边缘任务的不同需求的优化问题建模为非合作博弈,以较低复杂度解决优化问题,并通过势博弈证明了均衡的存在性。
附图说明
图1为本发明考虑的融合边缘云和云边缘的低轨卫星计算场景。
图2为本发明中混合粒子群算法流程图。
图3为本发明发方法的均衡收敛过程。
图4为本发明方法与对比方案下的终端平均开销随终端数量的变化曲线。
图5为本发明方法与对比方案下的终端平均开销随覆盖的卫星数量的变化曲线。
图6为本发明方法与对比方案下的终端平均开销随云边缘任务占总任务的比例的变化曲线。
具体实施方式
下面结合附图对本发明进行详细阐述。
系统模型:在没有地面网支持通信情况下,建立面向云边缘任务和边缘云任务的基于低轨卫星的多热云边协同计算模型,如图1所示。边缘云任务是一些无需数据共享、时延敏感的任务,可以在边缘云完成处理,当边缘云资源有限时,也可将整个任务转发至中心云服务器进行处理;另一类称为云边缘任务是需要数据共享、数据量大、计算量大的任务,这类业务在云边缘经过预处理后,将结果发送到云端进行更复杂的数据分析。本发明采用了一个集成平台,包括中心云服务器和一组边缘节点,边缘节点由边缘云和云边缘两部分构成,从而构建了为云边缘与边缘云两类任务提供服务的计算网络,终端可以将其任务卸载到平台进行处理。考虑到低轨卫星的移动性,本发明将研究的时间划分为若干时隙,每个时隙的长度为τ,在每个时隙内,网络拓扑是准静态的。
在时隙t内,假设地面上一个固定的小区域内共有I个设备终端产生任务,且任务不可分割,记为I={1,2,…i,…,I},覆盖该区域的低轨卫星共有M颗,记为M={1,2,…m,…,M}。每个终端均可以和M颗低轨卫星建立通信链路。考虑到卫星资源有限,每颗卫星上只部署一个边缘服务器,可以同时满足边缘云和云边缘两类业务的计算需求。
每个终端只能选择一颗卫星进行数据传输,系统采用正交频分多址(OFDMA),每颗卫星平均地将子载波分配给与其连接的终端。由于相邻卫星所占用的频带不同,不考虑卫星之间的干扰。同时,卫星和终端之间障碍物较少,存在视距通信路径,因此考虑服从莱斯分布的小尺度衰落以及自由空间损耗和阴影衰落,终端i和低轨卫星m之间的信道功率增益表示为:
gi,m=Li,mGiGm|βi,m|2,i∈I,m∈M
其中,表示自由空间衰落,c表示光速,v表示中心频率,di,m是终端i和卫星m之间的直线距离,由于每颗卫星的轨道都是预先设计的,因此每个时段都知道其经度、纬度和高度信息,在一个时隙内保持不变。Gi是终端i的天线增益,Gm是卫星m天线的增益。
|βi,m|2是阴影莱斯衰落,其概率密度函数表示如下:
其中2bi,m和Ωi,m分别表示多径和LoS分量的平均功率,ni,m表示Nakagami-m衰落参数,F1(ni,m;1;li,mx)表示合流超几何函数。此外,参数bi,m、ni,m和Ωi,m与仰角θi,m的关系表示如下:
因此,从终端i到卫星m的数据上行传输速率为:
B是可利用的带宽,是终端i的发射功率,σ2是加性高斯白噪声的功率。
在本发明中,终端只负责整合其周围传感器的数据,不具备本地计算的能力。对于边缘云业务而言,任务可以卸载到卫星边缘节点处理进行,但考虑到边缘节点计算资源和处理能力有限,任务也可以通过卫星转发到计算能力更强大的中心云服务器进行处理。可以通过将不同的边缘云业务分配到不同的边缘节点或中心云服务器,同时合理分配卫星边缘节点的有限计算资源,来最大化各个终端收益。云边缘业务则可以通过无线信道卸载到卫星边缘节点进行数据压缩,然后将结果传输至中心云服务器进行更复杂的数据分析;也可以通过卫星边缘节点直接转发至中心云服务器进行处理,以最大化利用平台的资源,提高终端收益。
本发明采用三元组{xi,Ci,Di}来描述终端i产生的计算任务,其中xi表示任务i的类型,定义如下:
其中,Ci表示完成任务Wi的计算所需的CPU操作数,Di表示任务Wi需要处理的数据量。另外,对于终端i,两类业务的卸载策略可以统一表示如下:
Ai={ai,bi}
ai={ai,1,ai,2,…,ai,m,…,ai,M},bi={bi,1,bi,2,…,bi,m,…,bi,M}
ai,m表示任务i是否在卫星m进行处理。对于边缘云业务,ai,m表示任务i是否卸载到卫星m完成计算;对于云边缘任务,ai,m表示任务i是否在卫星m进行数据压缩处理。定义如下:
同理,bi,m表示任务i是否直接通过卫星m转发到云端进行处理,而卫星边缘节点不进行任何处理。
由于任务是不可再分的,每个终端只能选择一种卸载策略,因此,终端i应满足以下的约束条件:
2.问题阐述
基于以上分析,针对不同的任务类型,终端开销和优化目标也不尽相同。
2.1.边缘云任务的开销
如果边缘云任务Wi卸载到卫星m上进行计算,那么时延由三部分组成:传播时延、传输时延、计算时延,表示如下:
其中,表示卫星m分配给终端i的计算资源(CPU cycle/s),Ri,m为。
如果边缘云任务Wi通过卫星m转发到云端进行计算,那么时延可以表示为:
其中,dm,c表示卫星m和云服务器之间的距离,ri表示从卫星m到云服务器的数据传输速率。本发明考虑云端的计算能力是无限大的,因此忽略在云端处理的计算时延。
因此,边缘云任务Wi的时延可以表示为:
对于终端i,由于时延导致的成本可以表示为
同时,无论将边缘云任务卸载到卫星进行计算,还是卸载到云端进行处理,终端的能耗都是将任务发送到卫星的能耗。终端i的能耗可以表示为:
对于终端i,由于能耗导致的成本可以表示为
本发明还考虑了终端i支付给计算平台的成本包含通信成本以及计算成本:
其中lec($/s)表示从卫星到云服务器的传输时间的报价。卫星提供1cycle/s计算资源的报价是云服务器则是 为中心云服务器分配给终端i的计算资源,ri为由卫星到云服务器的数据传输速率。
因此,完成边缘云任务i的计算的总开销为:
其中分别表示时延成本、能耗成本、计算平台成本对总开销的影响因子,
2.2.云边缘任务的开销
本发明考虑了终端i的能耗成本以及需要支付给计算平台的资金成本。
为了节省从卫星到云端的带宽资源,边缘计算节点往往需要对数兆数据量的云边缘任务进行数据压缩,采用无损压缩的方法,压缩率为δ。对于任一卫星边缘节点,压缩1bit的数据所需计算量均为J个CPU周期。同时,由于下一时隙将会产生新的云边缘任务,因此当前时隙任务的数据压缩仅在该时隙进行,则每个云边缘任务i占用卫星m的计算资源的时间ti,m可以表示为:
则经过卫星m的数据压缩处理,压缩后的数据量可以表示如下:
其中,表示卫星m分配给终端i的计算资源(CPU cycle/s)。
终端i的能耗为将数据发送到卫星的能源消耗,可以表示为:
对于终端i,由于能耗导致的成本可以表示为
支付给计算平台的资金成本包含三部分,一是边缘节点计算的成本,二是由卫星到云端通信的成本,三是云端完成云边缘任务计算的成本。
卫星提供数据压缩的计算资源的报价相同,均为由卫星到云端占用1bit通信资源的报价为hce,云端进行云边缘任务计算,每计算1cycle的报价为因此,终端i支付给计算平台的资金成本为:
因此,终端i完成云边缘任务的计算的总开销为:
其中分别表示能耗、需支付给平台的成本对总开销的影响因子,
2.3优化问题
基于以上分析,终端i的成本函数可以表示为:
本发明的目标是对于所有的终端,提供最优的计算卸载策略S*和边缘节点计算资源分配策略F*,使得总成本最小。因此,该优化问题可以表述为
其中,是卫星m的计算能力。C1表明每个终端仅采用一个卸载决策。约束条件C2、C3和C4保证总的计算请求不能超过卫星的能力,资源分配应与卸载决策相对应。此外,为了合理分配卫星上的有限资源,分配给云边缘任务和边缘云任务的资源受到C5、C6和C7的约束。约束C9保证了所有边缘云任务必须在一个时间段内处理。
联合优化任务卸载与计算资源分配
非合作博弈模型:博弈论作为一种有效的方法被广泛应用于解决目标约束的多博弈参与者之间的决策问题。非合作博弈是指参与人无法达成具有约束力的协议的博弈类型,研究参与人在利益相互影响的局势中如何选决策使自己的收益最大的问题,即参与人是自私和理性的。边云协同计算场景下的每一位用户都是理性个体,只关心自己的利益,将执行各自的任务的开销作为卸载决策以及资源分配的衡量标准;本发明建立非合作博弈模型来解决优化问题。
根据优化问题建立的非合作博弈可以表示为:G={I,(Si)i∈I,(ui)i∈I}。分析如下:
参与人:每个终端都是一个参与方,共有I个参与方竞争边缘节点的计算资源来最小化各自的开销。
策略:终端i的策略可以表示为其中ai,bi,的定义如上一部分所述,Si表示终端i的策略空间。S=S1×S2×…×SI表示所有设备的策略空间。s={s1,s2,…,sI}表示一次博弈的策略组合。
效用函数:对于终端i,如果产生的是边缘云任务,那么其开销是时延成本、能耗成本、支付给平台的成本的加权求和;如果产生的是云边缘任务,那么其开销是能耗成本以及支付给平台成本的加权求和。用ui(si,s-i)表示如下:
其中s-i∈∏j≠iSj,是除了终端i的所有终端的卸载策略。
终端都是自私和理性的,每个终端都希望最小化自己的成本函数,即:
基于混合粒子群算法的联合优化任务卸载与计算资源分配算法
在非合作博弈中,每一步都有一个理性且自私的参与人对前一步中其他参与者的行为做出反应,并进行最优决策。经过若干步骤后,这些参与者自组织形成一个相互满意的解决方案,称此时达到了均衡。本发明通过分别找到卫星计算和云计算的局部最优响应,并将两者的局部最优响应进行比较以获得终端i在迭代过程中的最佳对策。
当终端i将任务卸载到边缘节点进行处理时,本发明采用混合粒子群算法优化终端的卸载决策和计算资源分配策略,混合粒子群算法的流程如图2所示。
在粒子编码中,优化变量为和ai,本发明将卸载决策、占用边缘节点的计算资源与粒子位置一一对应,构造了一个N行2列的向量作为初始的位置,其中N为粒子数,那么粒子的最佳位置就是终端i的最佳策略。
同时,罚函数法可以通过创建惩罚函数将约束优化问题转换为非约束优化问题。将优化问题中的C5改写为
n(i,m)=(1-xi)[ti,mfs(i,m)-JD(i)]
当n(i,m)≤0时是不进行惩罚的;只有当n(i,m)>0才进行惩罚,所以构造的惩罚函数为
因此,适应度函数为目标函数加上惩罚函数,即
Fitness=Zi+Pi(q)
在粒子群算法中使用约束因子去控制粒子行为以达到最终收敛,速度和位置的更新公式如下:
Vn(t+1)=Vn(t)+c1×rand()×(Pbesti(t)-Xi(t))+c2×rand()×(gbesti(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
经过多次迭代,可以得到粒子的最佳位置,即终端i将任务卸载到边缘节点的最佳策略。
当终端i将任务卸载到中心云服务器进行处理时,本发明通过求解凸函数的极小值点优化终端占用的中心云服务器计算资源,通过求解各个卸载决策下的最小开销,得出最优卸载到云的方案。当卸载到中心云服务器进行处理时,Zi表示为
可以看到,在给定卸载决策的条件下,终端i的开销仅由决定,因此,设定
当取得最小值时,Zi取得最小值,即终端i的开销最小。接下来证明是单峰凸函数且具有极小值点:
的一阶导数
在的范围内单调上升,有且只有一个零点因此是单峰凸函数。的二阶导数
在的范围内恒大于0。因此是极小值点,即最小值点。
综上,终端i将任务卸载到中心云服务器进行处理,当时,取得最小值,通过对比各个卸载决策下的最优解,得出Zi取得最小值,即终端i卸载到云的开销最小值。
具体算法过程如算法1所示。
3.3.均衡的存在性证明
在证明均衡的存在性之前,本发明首先给出均衡的定义:
定义1纳什均衡令表示一个博弈。其中,一共有N个参与者,表示为Yn和un分别表示参与者n的策略空间以及效用函数。如果在均衡点没有参与者可以通过单方面偏离而降低成本,那么策略组合 就称为一个纳什均衡。即
由于卸载决策是非连续的,因此我们引入势博弈来证明纳什均衡的存在性。首先给出势博弈的定义:
定义2严格势博弈令表示一个博弈。其中,一共有N个参与者,表示为Yn和un分别表示参与者n的策略空间以及效用函数。如果存在函数P:Y→R,对于以及z∈Yn,都满足:
un(x,y-n)-un(z,y-n)=P(x,y-n)-P(z,y-n),
那么,Γ被称为势博弈,P称为势函数,其中yn表示参与者n的策略,y-n表示其他参与者的策略。
同时,每个具有有限策略集的序数势博弈至少有一个纯策略NE,且具有有限改进性质(FIP)。因此本发明通过构造势函数来证明建立的的多用户非合作博弈是一个势博弈,从而证明该博弈的均衡是存在的。
证明首先定义一个势函数P:S→R
其中,
对于一个策略组合s,假设有任意一个用户i∈I,更新他当前的策略si到都会影响其他用户的成本。考虑以下四种情况:(1)ai,m1=1→ai,m2=1;(2)ai,m1=1→bi,m1=1;(3)ai,m1=1→bi,m2=1;(4)bi,m1=1→bi,m2=1。
对于情况(1),用户i卸载策略变化导致终端i开销变化量为:
势函数的变化量为:
可见,
同理,对于情况(2),用户i卸载策略变化导致的势函数的变化量为:
对于情况(3),用户i卸载策略变化导致的势函数的变化量为:
对于情况(4),用户i卸载策略变化导致的势函数的变化量为:
基于以上四种情况的分析,可以看到建立的非合作博弈模型是一个严格势博弈,该博弈模型至少具有一个纯策略纳什均衡,且具有有限改进性质。
本发明同时提供一种通信系统,包括若干终端、中心云服务器和边缘节点,边缘节点为若干低轨卫星,所述边缘节点包括边缘云和云边缘,系统在通信时基于本发明所述任务卸载与计算资源分配方法进行任务卸载与计算资源分配。
本发明还可以提供一种面向融合边缘云和云边缘低轨卫星网络的联合任务卸载与计算资源分配系统,包括计算模型构建模块、任务卸载模型构建模块、联合优化任务卸载与资源分配问题构建模块、非合作博弈模型构建模块以及求解模块。
计算模型构建模块用于针对面向云边缘任务和边缘云两类业务的融合的低轨卫星计算场景构建计算模型;所述计算场景采用集成计算平台,包括中心云服务器和一组边缘节点,边缘节点由边缘云和云边缘两部分构成,终端将任务卸载到平台进行处理,将时间划分为若干时隙,每个时隙的长度为τ,在每个时隙内,网络拓扑是准静态的,在时隙t内,设备终端集为I={1,2,...,i,...,I},低轨卫星共有M颗,记为M={1,2,...,m,...,M},每个终端均能与M颗低轨卫星建立通信链路,每颗卫星上部署一个边缘服务器,同时满足边缘云和云边缘两类任务的计算需求;
任务卸载模型构建模块用于对终端的任务卸载决策进行建模,每个终端均能够卸载到卫星边缘节点和通过卫星转发到中心云服务器两种卸载决策;
联合优化任务卸载与资源分配问题构建模块用于结合边缘云任务和云边缘任务的不同需求,根据时延成本、能耗成本以及支付给计算平台的资金成本建立目标函数,得到优化问题;
非合作博弈模型构建模块用于将所述优化问题建模为非合作博弈模型,通过构造势函数证明该博弈的均衡的存在性;
求解模块用于结合罚函数法,采用混合粒子群算法和解析解得到均衡,最终得出联合卸载决策和计算资源分配的最优策略。
另外,本发明还可以提供一种计算机设备,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现本发明所述低轨卫星网络的任务卸载与计算资源分配方法。
另一方面,本发明提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现本发明所述的低轨卫星网络的任务卸载与计算资源分配方法。
所述计算机设备可以采用笔记本电脑、桌面型计算机或工作站。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器,可以是笔记本电脑、桌面型计算机或工作站的内部存储单元,如内存、硬盘;也可以采用外部存储单元,如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。
数值仿真与结果分析
1)仿真参数设置
本发明通过仿真来评估所提方案的系统性能,系统参数设置如表1所示:
表1仿真参数
图3所示为4颗卫星覆盖下,24个终端均衡的收敛过程。可以看出大约迭代60次之后,系统达到均衡,印证了均衡是存在的、收敛的。
为了证明本发明所提出的低轨卫星网络的任务卸载与计算资源分配方法,将所述方案与只考虑云计算卸载决策与资源分配优化(optimal cloud offloading-optimalresource allocation,OCO-ORA)方案、随机卸载决策与最优资源分配(random hybridoffloading-optimal resource allocation,RHO-ORA)方案、最优卸载决策与平均资源分配(optimal hybrid offloading-average resource allocation,OHO-ARA)方案进行了对比分析。
图4为本方案与OCO-ORA、RHO-ORA及OHO-ARA方案下的终端平均开销随终端数量的变化曲线。卫星数量为4颗,边缘云与云边缘两类任务的比例为3:1。可以看出,随着终端数量的增加,所有方案的终端平均开销都在上升,但本发明提出的方案性能优于其他对比方案。随着终端数量的上升,计算资源和通信资源愈发紧缺,因此,终端开销均为上升;而本方案由于联合优化了卸载决策和资源分配策略,且考虑了卸载到边缘和云两类卸载方案,可以实现资源的按需分配,因而明显由于其他方案。
图5为本方案与OCO-ORA、RHO-ORA及OHO-ARA方案下的终端平均开销随覆盖的卫星数量的变化曲线。终端数量为24,边缘云与云边缘两类任务的比例为3:1。可以看出,本发明提出的方案性能优于其他对比方案,且随着卫星数量的增加,优势越来越明显。这是因为,由于边缘节点计算资源变得更充足,有更多的任务选择卸载到边缘节点以减小开销;而OHO-ARA方案在卫星数量大于5时,终端平均开销有所上升是因为没有实现计算资源的按需分配,导致资源被浪费而造成开销上升。
图6为本方案与OCO-ORA、RHO-ORA及OHO-ARA方案下的终端平均开销随云边缘任务占总任务的比例的变化曲线。此时终端数量为24,覆盖该区域的卫星有4颗。可以看到,随着云边缘任务占比的增加,所有方案的终端平均开销有所上升,但本方案与对比相比仍有优势。由此可见,本方案可以适应两类任务比例不同的场景。
Claims (8)
1.一种低轨卫星网络的任务卸载与计算资源分配方法,其特征在于,包括以下步骤:
针对面向云边缘任务和边缘云两类业务的融合的低轨卫星计算场景构建计算模型;所述计算场景采用集成计算平台,包括中心云服务器和一组边缘节点,边缘节点由边缘云和云边缘两部分构成,终端将任务卸载到平台进行处理,将时间划分为若干时隙,每个时隙的长度为τ,在每个时隙内,网络拓扑是准静态的,在时隙t内,设备终端集为I={1,2,...,i,...,I},低轨卫星共有M颗,记为M={1,2,...,m,...,M},每个终端均能与M颗低轨卫星建立通信链路,每颗卫星上部署一个边缘服务器,同时满足边缘云和云边缘两类任务的计算需求;
对终端的任务卸载决策进行建模,每个终端均能够卸载到卫星边缘节点和通过卫星转发到中心云服务器两种卸载决策;
结合边缘云任务和云边缘任务的不同需求,根据时延成本、能耗成本以及支付给计算平台的资金成本建立目标函数,得到优化问题;
将所述优化问题建模为非合作博弈模型,通过构造势函数证明该博弈的均衡的存在性;
采用混合粒子群算法和解析解得到均衡,最终得出联合卸载决策和计算资源分配的最优策略;边缘云任务的优化目标包含时延成本、能耗成本以及支付给计算平台的资金成本;
边缘云任务i时延包含传播时延、传输时延、计算时延:
其中,表示卫星m分配给终端i的计算资源,dm,c表示卫星m和云服务器之间的距离,ri表示从卫星m到云服务器的数据传输速率;ai,m表示任务i是否在卫星m进行处理,di,m是终端i和卫星m之间的直线距离,c表示光速;Ci表示完成任务Wi的计算所需要的CPU操作数;Ri,m是终端i到卫星m的数据上行传输速率;Di表示任务Wi需要处理的数据量,终端i由于时延导致的成本为表示当卫星m将任务Wi转发到中心云服务器后,中心云服务器分配给任务Wi的计算资源;
终端i的能耗为将数据发送到卫星m带来的能源消耗:
由能耗导致的成本表示为
终端i支付给计算平台的成本包含通信成本以及计算成本:
在任一卫星计算边缘云业务的报价均为在云端计算边缘云业务,计算1cycle/s的报价为由卫星到云端每秒通信资源的报价为lec;
终端i完成边缘云任务i的计算的总开销为:
其中分别表示时延成本、能耗成本、计算平台成本对总开销的影响因子,
云边缘任务的优化目标包含能耗成本和支付给计算平台的成本;
边缘节点对云边缘任务进行数据的无损压缩,云边缘任务i占用卫星m的计算资源的时间ti,m为:
对于任一卫星边缘节点,压缩1bit的数据所需计算量均为J个CPU周期,当前时隙任务的数据压缩仅在该时隙进行,经过卫星m的数据压缩处理,压缩后的数据量为:
其中,表示卫星m分配给终端i的计算资源(CPU cycle/s),压缩率为δ;
终端i的能耗为将数据发送到卫星的能源消耗:
终端i由于能耗导致的成本表示为
支付给计算平台的成本包含边缘节点计算成本、由卫星到云端通信成本、云端完成云边缘任务计算成本:
卫星提供数据压缩的计算资源的报价均为由卫星到云端占用1bit通信资源的报价为hce,云端进行云边缘任务计算,每计算1cycle的报价为
终端i完成云边缘任务的总开销为:
其中分别表示能耗、需支付给平台的成本对总开销的影响因子,将所述优化问题建模为非合作博弈模型具体如下:
根据所述优化问题建立非合作博弈G={I,(Si)i∈I,(ui)i∈I},每个终端都是一个参与方,共有I个参与方最小化各自的开销;终端i的策略为Si表示终端i的策略空间,终端i如果产生的是边缘云任务,其成本函数为时延成本、能耗成本、支付给平台的成本的加权和;如果产生的是云边缘任务,其成本函数为能耗成本以及支付给平台成本的加权和:
其中s-i∈∏j≠iSj,是除了终端i的所有终端的卸载策略;
每个终端都希望最小化自己的成本函数,即:
通过构造势函数证明该博弈是势博弈,存在纳什均衡且具有有限迭代性质。
2.根据权利要求1所述的低轨卫星网络的任务卸载与计算资源分配方法,其特征在于,所述边缘云任务为无需数据共享和时延敏感的任务,在边缘云类的边缘节点完成任务的全部处理;云边缘任务是需要数据共享,伴随着数兆数据量和数千兆计算量的业务,在云边缘类的边缘节点完成数据的预处理,然后转发至中心云服务器完成全部数据分析。
3.根据权利要求1所述的低轨卫星网络的任务卸载与计算资源分配方法,其特征在于,所述终端只整合其周围传感器的数据,不进行本地计算,边缘云任务卸载到一个卫星边缘节点处理或通过卫星转发到中心云服务器进行处理;云边缘业务则通过无线信道卸载到卫星边缘节点进行预处理,然后将结果传输至中心云服务器进行更复杂的数据分析,或通过卫星直接转发至中心云服务器进行处理。
4.根据权利要求1所述的低轨卫星网络的任务卸载与计算资源分配方法,其特征在于,采用混合粒子群算法和解析解得到均衡时:
在一次迭代中,一个理性自私的参与者根据其他参与者的策略给出最佳对策,通过分别找到卫星计算和云计算的局部最优响应,并将卫星计算和云计算的局部最优响应进行比较来获得终端i在迭代过程中的最佳对策;在卫星计算方案中,采用混合粒子群子算法,结合罚函数法构造惩罚函数,求解卸载到边缘局部联合最优卸载决策和计算资源分配策略;通过求联合最优卸载决策和计算资源分配解析解,得到云计算的局部最优响应。
5.一种通信系统,其特征在于,包括若干终端、中心云服务器和边缘节点,边缘节点为若干低轨卫星,所述边缘节点包括边缘云和云边缘,系统在通信时基于权利要求1至4中任一项所述任务卸载与计算资源分配方法进行任务卸载与计算资源分配。
6.一种低轨卫星网络的任务卸载与计算资源分配系统,其特征在于,实现权利要求1-4任一项所述方法,包括计算模型构建模块、任务卸载模型构建模块、联合优化任务卸载与资源分配问题构建模块、非合作博弈模型构建模块以及求解模块;
计算模型构建模块用于针对面向云边缘任务和边缘云两类业务的融合的低轨卫星计算场景构建计算模型;所述计算场景采用集成计算平台,包括中心云服务器和一组边缘节点,边缘节点由边缘云和云边缘两部分构成,终端将任务卸载到平台进行处理,将时间划分为若干时隙,每个时隙的长度为τ,在每个时隙内,网络拓扑是准静态的,在时隙t内,设备终端集为I={1,2,...,i,...,I},低轨卫星共有M颗,记为M={1,2,...,m,...,M},每个终端均能与M颗低轨卫星建立通信链路,每颗卫星上部署一个边缘服务器,同时满足边缘云和云边缘两类任务的计算需求;
任务卸载模型构建模块用于对终端的任务卸载决策进行建模,每个终端均能够卸载到卫星边缘节点和通过卫星转发到中心云服务器两种卸载决策;
联合优化任务卸载与资源分配问题构建模块用于结合边缘云任务和云边缘任务的不同需求,根据时延成本、能耗成本以及支付给计算平台的资金成本建立目标函数,得到优化问题;
非合作博弈模型构建模块用于将所述优化问题建模为非合作博弈模型,通过构造势函数证明该博弈的均衡的存在性;
求解模块用于结合罚函数法,采用混合粒子群算法和解析解得到均衡,最终得出联合卸载决策和计算资源分配的最优策略。
7.一种计算机设备,其特征在于,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取所述计算机可执行程序并执行,处理器执行计算可执行程序时能实现权利要求1至4中任一项所述低轨卫星网络的任务卸载与计算资源分配方法。
8.一种计算机可读存储介质,其特征在于,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现如权利要求1至4中任一项所述的低轨卫星网络的任务卸载与计算资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210642430.8A CN115022894B (zh) | 2022-06-08 | 2022-06-08 | 一种低轨卫星网络的任务卸载与计算资源分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210642430.8A CN115022894B (zh) | 2022-06-08 | 2022-06-08 | 一种低轨卫星网络的任务卸载与计算资源分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115022894A CN115022894A (zh) | 2022-09-06 |
CN115022894B true CN115022894B (zh) | 2023-12-19 |
Family
ID=83072362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210642430.8A Active CN115022894B (zh) | 2022-06-08 | 2022-06-08 | 一种低轨卫星网络的任务卸载与计算资源分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115022894B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115549758B (zh) * | 2022-09-15 | 2023-07-25 | 广州爱浦路网络技术有限公司 | 星载边缘云计算任务处理方法、系统、装置及存储介质 |
CN116643808B (zh) * | 2023-05-29 | 2024-04-16 | 北京邮电大学 | 一种基于远期合同的边缘网络计算卸载方法 |
CN117201408A (zh) * | 2023-09-11 | 2023-12-08 | 郑州大学 | 一种基于群体博弈的大规模物联网设备负载均衡解决方法 |
CN117200873B (zh) * | 2023-11-07 | 2024-05-31 | 南京邮电大学 | 卫星边缘计算网络中考虑卫星移动性的计算卸载方法 |
CN117580106B (zh) * | 2024-01-16 | 2024-04-05 | 北京邮电大学 | 一种多策略池的星地网络快速调度与资源分配方法和装置 |
CN118409869A (zh) * | 2024-07-01 | 2024-07-30 | 之江实验室 | 星云运算资源分配方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547555A (zh) * | 2018-03-01 | 2019-03-29 | 重庆大学 | 基于公平性准则的非平衡边缘云网络接入与资源分配机制 |
WO2020023115A1 (en) * | 2018-07-27 | 2020-01-30 | Futurewei Technologies, Inc. | Task offloading and routing in mobile edge cloud networks |
CN112202928A (zh) * | 2020-11-16 | 2021-01-08 | 绍兴文理学院 | 传感边缘云区块链网络可信卸载协作节点选择系统及方法 |
CN113939034A (zh) * | 2021-10-15 | 2022-01-14 | 华北电力大学 | 一种立体异构电力物联网云边端协同资源分配方法 |
CN114124195A (zh) * | 2021-11-19 | 2022-03-01 | 桂林电子科技大学 | 一种面向leo卫星系统的多星mec计算卸载策略 |
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 |
CN114520990A (zh) * | 2022-01-24 | 2022-05-20 | 重庆邮电大学 | 一种基于星地云协作的移动边缘计算任务卸载方法 |
WO2022105621A1 (zh) * | 2020-11-17 | 2022-05-27 | 重庆邮电大学 | 软件定义卫星网络系统中基于演化博弈的多用户切换方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112637290B (zh) * | 2020-12-14 | 2024-03-19 | 厦门宏泰科技研究院有限公司 | 一种基于微基站及边缘计算的全球通信网络系统 |
-
2022
- 2022-06-08 CN CN202210642430.8A patent/CN115022894B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547555A (zh) * | 2018-03-01 | 2019-03-29 | 重庆大学 | 基于公平性准则的非平衡边缘云网络接入与资源分配机制 |
WO2020023115A1 (en) * | 2018-07-27 | 2020-01-30 | Futurewei Technologies, Inc. | Task offloading and routing in mobile edge cloud networks |
CN112202928A (zh) * | 2020-11-16 | 2021-01-08 | 绍兴文理学院 | 传感边缘云区块链网络可信卸载协作节点选择系统及方法 |
WO2022105621A1 (zh) * | 2020-11-17 | 2022-05-27 | 重庆邮电大学 | 软件定义卫星网络系统中基于演化博弈的多用户切换方法 |
CN113939034A (zh) * | 2021-10-15 | 2022-01-14 | 华北电力大学 | 一种立体异构电力物联网云边端协同资源分配方法 |
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 |
CN114124195A (zh) * | 2021-11-19 | 2022-03-01 | 桂林电子科技大学 | 一种面向leo卫星系统的多星mec计算卸载策略 |
CN114520990A (zh) * | 2022-01-24 | 2022-05-20 | 重庆邮电大学 | 一种基于星地云协作的移动边缘计算任务卸载方法 |
Non-Patent Citations (3)
Title |
---|
Qingqing Tang,Zesong Fei,Bin Li,Zhu Han,.Computation Offloading in LEO Satellite Networks with Hybrid Cloud and Edge Computing.《IEEE Internet of Things Journal》.2021,全文. * |
屈盈.低轨星座宽带网络边缘计算服务迁移策略研究.《中国优秀硕士论文期刊网》.2022,全文. * |
王文礼.边缘计算与云协同任务弹性调度方法研究.《中国优秀硕士论文期刊网》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115022894A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115022894B (zh) | 一种低轨卫星网络的任务卸载与计算资源分配方法及系统 | |
He et al. | Trust-based social networks with computing, caching and communications: A deep reinforcement learning approach | |
CN107995660B (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
Xia et al. | Data, user and power allocations for caching in multi-access edge computing | |
CN110650457B (zh) | 一种车联网中任务卸载计算成本与时延的联合优化方法 | |
CN113395654A (zh) | 一种边缘计算系统的多无人机任务卸载和资源分配的方法 | |
CN112118287A (zh) | 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法 | |
Zhang et al. | Blockchain-based multi-access edge computing for future vehicular networks: A deep compressed neural network approach | |
CN110856259A (zh) | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 | |
CN111193615B (zh) | 一种移动边缘计算网络中的边缘计算节点选择方法 | |
Huda et al. | Deep reinforcement learning-based computation offloading in uav swarm-enabled edge computing for surveillance applications | |
CN113377533A (zh) | 无人机协助移动边缘计算中的动态计算卸载和服务器部署方法 | |
Tanzil et al. | A distributed coalition game approach to femto-cloud formation | |
CN115514769B (zh) | 卫星弹性互联网资源调度方法、系统、计算机设备及介质 | |
Chen et al. | Delay optimization with FCFS queuing model in mobile edge computing-assisted UAV swarms: A game-theoretic learning approach | |
Liu et al. | Distributed relay selection for heterogeneous UAV communication networks using a many-to-many matching game without substitutability | |
Lyu et al. | Multi-leader multi-follower Stackelberg game based resource allocation in multi-access edge computing | |
Yao et al. | QoS-aware machine learning task offloading and power control in internet of drones | |
Shen et al. | Joint task offloading and UAVs deployment for UAV-assisted mobile edge computing | |
Lin et al. | Joint Optimization of Offloading and Resource Allocation for SDN‐Enabled IoV | |
CN115278779B (zh) | Mec网络中基于渲染感知的vr服务模块动态放置方法 | |
CN115499875B (zh) | 一种卫星互联网任务卸载方法、系统以及可读存储介质 | |
CN107835514B (zh) | 一种多宿主业务场景下无线网络资源匹配的建模方法 |
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 |