CN115665798A

CN115665798A - 一种面向空地6g网络长期任务卸载优化的问题解耦方法

Info

Publication number: CN115665798A
Application number: CN202211359617.3A
Authority: CN
Inventors: 秦鹏; 伏阳; 武雪
Original assignee: North China Electric Power University
Current assignee: North China Electric Power University
Priority date: 2022-11-02
Filing date: 2022-11-02
Publication date: 2023-01-31

Abstract

本发明公开了一种面向空地6G网络长期任务卸载优化的问题解耦方法。本发明主要针对由高空平台站(High Altitude Platform Station,HAPS)、无人机(Unmanned Aerial Vehicles,UAV)与地面终端组成的空地一体化网络资源优化，所述方法的步骤如下：步骤一、利用终端、UAV、HAPS的位置信息结合非正交多址接入(Non‑Orthogonal Multiple Access,NOMA)网络的信道复用因子表达任务卸载链路的速率，根据终端的任务到达与处理情况推导队列更新公式及能耗表达式，描述长期平均能耗最小化的任务卸载与资源分配问题；步骤二、根据李雅普诺夫优化理论，将包含队列稳定约束的长期优化问题转化为一系列短期可决策的漂移加惩罚最小化问题；步骤三、通过区分决策变量的方式将问题解耦为1)本地任务切分及计算资源分配2)信道资源分配3)边缘计算资源分配三个子问题；步骤四、解耦后的子问题能够以在线的方式高效求解，其中子问题1由凸优化方法解决，子问题2通过简单的全局搜索获取结果，子问题3根据贪婪算法求解。本发明能够有效地将长期任务卸载问题转化为单时隙优化问题，解耦出的三个子问题都能以简单的方法求解，进而获得原始联合优化问题的最优解，实现空地一体化网络资源的绿色高效分配。

Description

一种面向空地6G网络长期任务卸载优化的问题解耦方法

技术领域

本发明涉及空地一体化网络领域，具体为一种面向空地6G网络长期任务卸载优化的问题解耦方法。

背景技术

为偏远地区提供广域且灵活的通信覆盖是5G向6G的过渡时期中备受关注的目标。工业物联网终端是广泛部署于偏远地区的传感设备，其承担大量数据采集、分析与传输任务，对于工业生产的安全稳定发挥重要作用。然而，由于现存地面5G网络有限的覆盖范围及固定的资源部署，实现海量工业物联网任务的高效处理面临挑战。

采用空地一体化网络为偏远地区的地面终端提供任务卸载与边缘计算服务是现阶段颇具吸引性的方案。该网络的天空部分一般包含HAPS与UAV，其中HAPS拥有广域的覆盖范围，UAV因具备较高的位置灵活性可用于增强指定区域的传输性能，并且HAPS与UAV都能携带小型服务器为地面终端提供任务的边缘处理能力。此外，NOMA是在信道资源稀缺的环境下提高频谱利用率并控制设备间干扰的有效技术。

现存关于空地一体化NOMA网络任务卸载的研究工作较少考虑长期的资源优化，也缺少对网络中通信、计算等多维资源的联合考虑。本发明提出一种面向长期任务卸载优化的问题解耦方法，可以实现联合优化问题的高效求解。

发明内容

本发明公开了一种面向空地6G网络长期任务卸载优化的问题解耦方法，主要针对由HAPS、UAV与地面终端组成的空地一体化网络资源优化，所述方法的步骤如下：步骤一、列写任务卸载链路的速率表达式、任务队列更新公式及能耗表达式，描述长期平均能耗最小化的资源分配问题；步骤二、基于李雅普诺夫优化理论，将原始问题转化为最小化漂移加惩罚函数的问题；步骤三、将转化后的问题解耦为三个子问题，分别优化本地任务切分与计算资源分配、信道资源分配于边缘计算资源分配；步骤四、以在线的方式高效求解三个子问题。本发明能够有效地将长期任务卸载问题转化为单时隙优化问题，且解耦出的三个子问题都能通过简单的方法求解。具体过程如下：

本发明提出的空地一体化NOMA网络系统模型包含1个HAPS、K个悬停的UAV和Y个地面终端，假设终端与边缘服务器的从属关系已经确定，共有M个HAPS终端占用M个正交信道向HAPS卸载，每个UAV通过NOMA复用一条正交信道服务N个设备，同信道的终端会受到彼此的干扰，连续干扰消除技术可以有效缓解同簇用户的相互干扰。HAPS终端的卸载速率可表达为

其中，B指信道带宽；P指终端发射功率；g_0,m与

分别指U_0,m对HAPS的信道增益与复用信道C_m的U_k,n的干扰增益，可将位置信息代入地面-天空链路的信道模型计算；σ²为噪声功率。UAV终端的卸载速率为

终端侧本地计算、任务卸载和服务器侧边缘计算队列的更新公式为

其中，

为本地计算任务量，τ为时隙长度，λ为计算密度；

为卸载任务量，R_y(t)为上述卸载速率；

为边缘计算任务量。

系统中所有终端的本地计算与任务卸载的能耗之和为

长期平均能耗最小化的任务卸载与资源分配问题可描述如下：

s.t.C₁:

C₂:

C₃:

C₄:

C₅:

C₆:

C₇:

其中，优化目标为终端侧任务切分与本地计算资源分配、信道分配、边缘计算资源分配；C₁指任务切分约束；C₂和C₃指计算资源约束；C₄，C₅和C₆指信道分配约束；C₇指长期队列稳定约束。

该问题求解可以划分为以下几步：

1)为了处理长期约束C₇，定义

依次构造李雅普诺夫函数与漂移加惩罚函数如下：

进一步推导Δ_VL[Θ(t)]的上界并将原始问题转化为如下单时隙优化问题：

s.t.C₁～C₆

2)通过区分优化变量的方式将上述问题解耦为三个可分别求解的子问题。其中子问题1是终端侧任务切分及本地计算资源分配的优化，可描述为

s.t.C₂

C₈:

子问题2是网络的信道资源分配，描述如下：

s.t.C₄～C₆

子问题3是HAPS及UAV的边缘计算资源分配，该问题的描述是

s.t.C₃

C₉:τf_k,n(t)/λ≤G_k,n(t)

3)子问题1是标准的凸优化问题，可以通过拉格朗日乘子法求解，也能采用凸优化工具箱直接求解，例如CVX。对于所有地面终端都求解子问题1即可得到系统的任务切分及本地计算资源分配策略。

4)在子问题2优化信道分配中，目标函数已经转化为短期可决策的优化目标，因此可以采用简单的全局搜索方法，遍历满足约束C₄～C₆的所有信道复用方案，找出使目标函数达到最小值的信道分配结果即为该子问题的最优解。

5)子问题3是边缘服务器为其服务的各个终端分配计算资源以最大化目标函数，在此可以通过贪婪算法求解，即优先将边缘侧的可用资源分配给能最大化目标函数的终端，直到所有计算资源都被分配完。

6)依次求解上述三个子问题即可获得系统在单个时隙的联合资源分配策略，之后按照队列的更新公式来计算下一时隙的任务积压，进而求解下一时隙的优化问题，该方法不断循环直到优化时间结束。

本发明的技术方法具有以下优点：

首先，综合考虑了空地一体化NOMA网络的任务卸载与资源分配，以最小化终端的长期平均能耗为目标并受到队列稳定约束。其次，采用李雅普诺夫优化将问题转化并有效解耦，每个子问题都能通过简单的方法在线求解。最后，在每个时隙执行本发明的方法即可获得联合的资源分配策略，实现绿色高效的空地一体化网络资源优化。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

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法，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的前提下，还可以根据这些附图获得其他的附图。

图1为系统平均能耗相对时隙的变化曲线。

图2为本地计算队列积压相对时隙的变化曲线。

图3为任务卸载队列积压相对时隙的变化曲线。

图4为边缘计算队列积压相对时隙的变化曲线。

具体实施方式

本发明提出了一种面向空地6G网络长期任务卸载优化的问题解耦方法，下面结合附图，对实施例作详细说明。

本发明的具体实施场景为1km×1km的模拟偏远地区，包含1个HAPS，8个UAV和50个地面终端，HAPS位于场景中心300m高度处，终端在区域中随机分布且UAV悬停于其服务设备簇的质心100m高度的位置。

本发明的仿真时间维度为100，每个时隙的长度为0.1s，本发明的方法在每个时隙执行并获得优化结果。仿真参数如下选取：终端与HAPS及UAV的通信信道采用概率路径损失模型，其中载波频率为0.1GHz，环境参数为4.88与0.43，视距及非视距的附加路径损耗分布为0.1dB和21dB；终端的任务达到服从[2.4,3.6]×10⁴bit的均匀分布，终端、UAV和HAPS的可用计算资源分别服从[1.6,2.4]、[79.2,118.8]和[264,396]GHz；正交信道的数量为4并且每个信道最多被2个UAV复用，信道带宽为1MHz；与计算相关的参数λ和κ取1000和5×10^-26；权重参数V为10¹⁰。

具体实施的步骤如下：

1)根据场景中的终端、UAV和HAPS的分布计算所有通信链路的信道增益，并生成所需的实施参数。

2)对于任一时隙，根据解耦后子问题1的目标函数与约束条件，通过凸优化方法求解最优的任务切分和本地计算资源分配策略。

3)建立子问题2并通过全局搜索方法遍历所有满足约束的信道分配方案，找出最优的信道复用策略。

4)采用贪婪算法求解子问题3获得边缘计算资源分配策略，边缘服务器优先将可用的资源分配给能使目标函数更优的终端。

5)根据该时隙的优化结果更新本地计算、任务卸载和边缘计算的队列。

6)上述优化方法在每个时隙执行，直到优化时间结束。

图1展示了系统平均能耗相对时隙的变化，曲线呈先上升后平稳趋势，原因是随着任务的不断到达，地面终端需要消耗更多的能量进行本地计算与任务卸载，当任务队列达到稳定时系统能耗也趋于稳定。从方法间的对比看来，本发明方法的系统能耗低于另外两种方法，这是因为提出的方法联合优化了任务切分、信道分配与计算资源分配，从而实现了最优的能耗性能。数值结果表明，当时隙为100时，本发明方法的能耗分别是无任务切分策略方法与随机信道分配方法的25.2％与33.3％。

图2、图3和图4分别展示了本地计算、任务卸载和边缘计算队列积压随时隙的变化，可见通过本发明的方法进行优化之后，所有任务队列都能处于长期稳定的状态，从而确保终端任务的高效处理。由于合理的资源分配策略，本发明方法的队列积压显著低于另外两种方法。数值结果表明，相比于无任务切分策略的方法，提出方法分别使本地计算、任务卸载和边缘计算队列积压降低了72.2％、89.2％和51.5％。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方法，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方法。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方法。

Claims

1.本发明公开了一种面向空地6G网络长期任务卸载优化的问题解耦方法，主要针对由HAPS、UAV与地面终端组成的空地一体化网络资源优化，所述方法的步骤如下：

步骤1、利用终端、UAV、HAPS的位置信息结合NOMA网络的信道复用因子表达任务卸载链路的速率，根据终端的任务到达与处理情况推导队列更新公式及能耗表达式，描述长期平均能耗最小化的任务卸载与资源分配问题；

步骤2、依次构造李雅普诺夫函数与漂移加惩罚函数，将受长期队列稳定约束的平均能耗最小化问题转化为一系列短期可决策的漂移加惩罚最小化子问题，该问题的目标函数是队列稳定与能量消耗的权衡；

步骤3、对于转化后的单时隙多维资源联合优化问题，通过区分目标函数及约束条件中的决策变量将问题解耦为1)本地任务切分及计算资源分配2)信道资源分配3)边缘计算资源分配三个子问题；

步骤4、以在线的方式高效求解解耦后的三个子问题，其中子问题1由凸优化方法解决，子问题2通过简单的全局搜索获取结果，子问题3根据贪婪算法求解。

2.根据权利要求1所述的面向空地网络长期任务卸载优化的问题解耦方法，步骤1中的长期平均能耗最小化的任务卸载与资源分配问题可描述如下：

s.t.C₁:

C₂:

C₃:

C₄:

C₅:

C₇:

其中，

代表第y个终端，

指第k个边缘服务器，其中k＝0对应HAPS，k＝1,2,…,K代表UAV，

指由S_k服务的第n个终端，

代表第m个正交信道，t代表时隙编号；E(t)为t时隙终端的总能耗；

与

指地面终端的任务切分策略，

与

为本地计算和卸载的任务数量；f(t)＝{f_y(t),f_k,n(t)}指计算资源分配策略，f_y(t)与f_k,n(t)分别为本地和边缘计算的CPU频率；

指信道分配策略，

代表S_k复用了C_m，反之

C₁指U_y的任务切分约束，A_y(t)为t时隙到达的任务数量；C₂和C₃指计算资源约束，f_y,max和f_k,max分别指本地和边缘侧资源上限；C₄，C₅和C₆分别指

的定义及复用上限约束，q为复用同一信道的UAV数量上限；C₇指长期队列稳定约束，

和G_k,n(t)分别指本地计算、任务卸载和边缘计算队列的任务积压。

3.根据权利要求2所述长期平均能耗最小化问题，其求解步骤为：

首先，基于李雅普诺夫优化理论将原始问题变换为如下最小化漂移加惩罚函数的短期优化问题：

s.t.C₁～C₆

其中

和

分别指离开本地计算、任务卸载和边缘计算队列的任务量；V指权衡队列稳定与能量消耗的参数；其次，通过区分优化变量的方式将问题解耦为1)本地任务切分及计算资源分配2)信道资源分配3)边缘计算资源分配三个子问题；最后，求解三个子问题，其中子问题1由凸优化方法解决，子问题2通过简单的全局搜索获取结果，子问题3根据贪婪算法求解。

4.按照所述方法能够有效地将长期任务卸载问题转化为单时隙优化问题，解耦出的三个子问题都能通过简单的方法求解，进而获得原始联合优化问题的最优解，实现空地一体化网络资源的绿色高效分配。