CN115955711A - 一种面向能效最优的空地6g网络资源分配方法 - Google Patents
一种面向能效最优的空地6g网络资源分配方法 Download PDFInfo
- Publication number
- CN115955711A CN115955711A CN202211237195.2A CN202211237195A CN115955711A CN 115955711 A CN115955711 A CN 115955711A CN 202211237195 A CN202211237195 A CN 202211237195A CN 115955711 A CN115955711 A CN 115955711A
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- air
- ground
- energy consumption
- power control
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种面向能效最优的空地6G网络资源分配方法,该方法包括:构建空地一体化算力网络模型,用户设备可将任务卸载到MEC服务器或者在本地端执行构建系统能耗目标函数;根据所述系统能耗目标函数,获取用户系统卸载决策方案、系统功率控制方案、系统服务器端资源分配方案;本发明根据形成的资源分配问题,提出联合用户卸载决策、系统功率控制、边缘服务器端计算资源分配的优化方法,获取在若干限制条件下的空地一体化异构网络下的最优资源分配方案,从而降低终端能耗。
Description
技术领域
本发明涉及未来网络与网络资源分配领域,具体为一种面向能效最优的空地6G网络资源分配方法。
技术背景
随着5G和物联网技术的迅速发展,产生了大量有前景的产业,如虚拟现实、高清直播、自动驾驶、工业自动化、智能医疗等。然而,除了高效可靠的通信外,上述广泛应用也需要大量的计算资源。这些计算密集型应用对终端设备的电池和计算能力提出了巨大的挑战。
移动边缘计算(MEC)将一些小规模服务器放置在网络边缘设备中。包括离用户比较近的具有计算能力的小蜂窝基站(Base Station,BS)、无线接入点(Access Point,AP)和小型计算云中心,这些边缘设备都是具有一定计算和存储能力的,称之为边缘服务器。移动边缘计算就是利用这些具有计算能力的设备在空闲状态的计算和存储资源或者是有冗余的计算和存储资源,来更快地处理任务。在MEC系统中,MEC服务器提供了比本地设备更强大的计算能力,虽然与传统的云服务器相比,没有那么强的计算能力,但是它更接近设备,同时MEC服务器的分布式结构使核心网络的流量不会出现拥塞。在MEC系统中,移动用户端可将产生的任务通过网络卸载到边缘服务器上,可以显著减少应用程序的处理时延,提高用户体验。同时,系统通过合理的计算资源分配,使多个用户设备都可以充分利用自身和边缘服务器的计算资源,来同时满足多个用户的需求。
空地一体化异构网络通过对空中和地面部分的通信、计算和存储资源的互补集成来满足日益增长的计算需求。与传统的边缘计算架构相比,空地一体化异构网络有许多优势,如无缝覆盖、低延时、提高吞吐量和缓解网络拥挤。具体来说,空地一体化异构网络包括空中段和地面段,空中段由无人机组成,无人机可配备边缘服务器,可以灵活应对地面覆盖不足问题并提供边缘计算能力;地面段由地面基站(GBSs)组成,用户产生的计算密集型和延迟敏感的任务既可以卸载到地面段,也可以卸载到空中段。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供了一种能效最优空地网络资源分配方法,该方法包括:用户可将任务卸载到空地一体化异构网络MEC服务器或者在本地端执行。其次,我们设计了一个联合功率控制、任务卸载和计算资源分配的优化问题,该问题的目标是在保证终端的延迟约束、功率控制、计算资源约束的同时,最小化空地一体化异构网络中终端能耗。
空地一体化网络包括陆基部分和空基部分。在陆基部分,每个基站(GBS)都配备边缘计算服务器,为用户提供无线通信接入和数据计算服务。在空基部分无人机(UAV)也提供通信以及数据计算服务。假设有M个基站和N个无人机,相应的集合表示为其中S1,…,Sm和Sm+1,…,Sm+n分别表示M个基站和N个无人机。K个终端随机分布在地面上,其表示的集合为本发明采用时隙模型,时间总长度包含T个时隙,其集合表示为考虑UAV的动态移动特性,随UAV的位置发生变化,用户可能会超出服务器的通信范围,进入另一个服务器的通信范围,因此用户的可用服务器是随时间变化的。我们考虑确定性二进制卸载方案,高度集成或简单的任务可以在移动设备上本地执行。然而,由于设备的电池容量和计算能力有限,计算任务也可以卸载到基站或者无人机端执行。考虑终端时延要求的约束,以封闭形式获得上行功率控制,将计算资源分配子问题解耦为若干个并行子问题,在每个并行子问题中,形成一个DC规划问题,通过凸凹法求解该问题。
本发明通过综合考虑任务卸载决策、功率控制、计算资源分配,提出了一个用户能耗最小化问题,目标函数包含终端任务卸载传输能量和终端本地消耗的能量。该问题表示如下:
C1和C2意味着每个用户在每个时隙只能选择一个服务器进行任务卸载。约束C3和C4表示分配给卸载用户的计算资源不超过每个MEC服务器的计算资源。C5和C6表示计算资源约束。C7表示所有卸载用户的功率约束。
由于任务卸载与资源分配之间的耦合性,以及网络的动态性,使得直接求解该问题十分困难。因此,我们将任务卸载问题定义为MDP过程,采用基于深度强化学习的方法解决该任务卸载问题。
本发明在任务卸载的基础上,联合优化传输功率和计算资源分配。上述问题可以重新表述为P1:
当满足最大延迟约束时,任务卸载过程中的能量消耗最小。用户到基站端最佳发射功率可表示为:
可以进一步将计算容量分配问题重构为:
在优化用户任务卸载、功率控制的前提下,不同MEC服务器之间的计算容量分配策略是不相关的。因此,上述问题可以分解为多个并行子问题。对于基站,计算容量分配问题表示为P2:
另外,对于无人机,计算容量分配问题表示为P3:
由于上述问题对于计算容量分配具有相同的形式,我们将集中讨论问题P2。问题P2的目标函数可以转化为:
其中和是关于的凸函数,此外,问题中的约束也是凸的。则问题是一个DC(difference of convex)规划问题。我们采用convex–concaveprocedure(CCP)求解上述DC规划问题。CCP的基本思想是通过非凸部分的一阶泰勒展开式替换非凸函数,然后依次求解一系列凸问题以获得原问题的解。是关于的凸函数,其一阶泰勒展开式的下界如下:
本发明相比于现有技术具有如下有益效果:
本发明根据形成的资源分配问题,提出联合智能设备连接、系统功率控制、边缘服务器端计算资源分配的优化方法,获取在若干限制条件下的空地一体化异构网络下的最优资源分配方案,从而降低终端能耗。
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为用户数量与平均能耗的关系图。
图2为时隙与平均能耗关系图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作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。
本发明提出了一种能效最优空地网络资源分配方法,下面结合附图,对实施例作详细说明。
本发明的实施方式分为两个步骤,第一步为建立系统模型,第二步为算法的实施。本发明考虑的是一个1000米×1000地区,终端设备K为100台、基站数量M为5个、无人机数量N为3架。终端设备的位置在考虑的区域内随机分布。无人机以相同的中心和200米的半径作圆周飞行,无人机的飞行高度和通信覆盖半径设置为100米和300米。
图1针对不同算法在不同用户数下的能耗性能进行了仿真测试。本发明所提算法考虑通过优化传输功率和资源分配以及卸载决策在最大化任务完成量的同时降低能耗。随着系统内用户数量的增加,基于UCB算法的平均能耗呈上升趋势,这是由于随着动作空间、状态空间的增加,导致UCB算法性能变差。而随机算法和无法充分利用计算资源,导致系统平均能耗较大。
图2显示了终端用户随着时隙的平均能耗。当t=100时,本发明所提出的算法效果更优。由于本发明联合优化了终端用户的功率控制和资源分配,从而减少了本地计算能耗,因此可以降低系统的平均能耗。由于贪婪算法和随机算法无法动态的学习最优的卸载决策,无法充分利用计算资源以及资源分配方面的受限,导致其平均能耗高于本发明所提出的算法。
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案,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案。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案。
Claims (4)
1.本发明提供一种面向能效最优的空地6G网络资源分配方法,该方法包括:构建空地一体化异构网络模型,智能设备可将任务卸载到MEC服务器或者在本地端执行构建系统能耗目标函数;根据所述系统能耗目标函数,获取用户系统卸载决策方案、系统功率控制方案、系统服务器端资源分配方案;设计一个联合功率控制、任务卸载和计算资源分配的优化问题,该问题的目标是在保证终端的延迟约束、功率控制、计算资源约束的同时,最小化空地一体化异构网络中终端能耗。
4.根据权利要求1所述的一种面向能效最优的空地6G网络资源分配方法,其特征在于利用深度强化学习以及凹凸法,对所述地面用户设备卸载决策、系统功率控制、边缘服务器计算资源分配进行优化,获取系统总容量最优的终端卸载决策、系统功率最终控制结果、服务器端最终计算资源分配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237195.2A CN115955711A (zh) | 2022-10-10 | 2022-10-10 | 一种面向能效最优的空地6g网络资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237195.2A CN115955711A (zh) | 2022-10-10 | 2022-10-10 | 一种面向能效最优的空地6g网络资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115955711A true CN115955711A (zh) | 2023-04-11 |
Family
ID=87295886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211237195.2A Pending CN115955711A (zh) | 2022-10-10 | 2022-10-10 | 一种面向能效最优的空地6g网络资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115955711A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582836A (zh) * | 2023-07-13 | 2023-08-11 | 中南大学 | 一种任务卸载与资源分配方法、设备、介质和系统 |
-
2022
- 2022-10-10 CN CN202211237195.2A patent/CN115955711A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582836A (zh) * | 2023-07-13 | 2023-08-11 | 中南大学 | 一种任务卸载与资源分配方法、设备、介质和系统 |
CN116582836B (zh) * | 2023-07-13 | 2023-09-12 | 中南大学 | 一种任务卸载与资源分配方法、设备、介质和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111836283B (zh) | 一种基于mec多服务器的车联网资源分配方法 | |
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 | |
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 | |
CN111884829B (zh) | 最大化多无人机架构收益的方法 | |
CN109756912B (zh) | 一种多用户多基站联合任务卸载及资源分配方法 | |
CN111915142B (zh) | 一种基于深度强化学习的无人机辅助资源分配方法 | |
CN111984364A (zh) | 一种面向5g时代的人工智能云平台 | |
CN113645273B (zh) | 基于业务优先级的车联网任务卸载方法 | |
Cheng et al. | Intelligent task offloading and energy allocation in the UAV-aided mobile edge-cloud continuum | |
Mirzaei et al. | Towards optimal configuration in MEC Neural networks: deep learning-based optimal resource allocation | |
CN115955711A (zh) | 一种面向能效最优的空地6g网络资源分配方法 | |
CN114153515B (zh) | 一种基于5g毫米波通信的高速公路车联网任务卸载算法 | |
CN114363803A (zh) | 一种移动边缘计算网络节能的多任务分配方法及系统 | |
CN117580180A (zh) | 面向端到端低时延信息交付的通感算存多域资源分配方法 | |
CN116781144A (zh) | 无人机搭载边缘服务器的方法、装置及存储介质 | |
CN115915276A (zh) | 基于边缘计算的能量受限终端任务在线调度装置及其方法 | |
CN112969157B (zh) | 一种无人机网络负载均衡方法 | |
CN115967430A (zh) | 一种基于深度强化学习的成本最优空地网络任务卸载方法 | |
Yang et al. | A Collaborative Cache Strategy in Satellite‐Ground Integrated Network Based on Multiaccess Edge Computing | |
CN115134829A (zh) | 移动业务边缘协作卸载方法、装置、设备及介质 | |
EP4331299A1 (en) | Determing allocation of unmanned aerial vehicle base stations in a wireless network | |
Luo et al. | Cost-efficient uav deployment for content fetching in cellular d2d systems | |
Ma | Communication Resource Allocation Strategy of Internet of Vehicles Based on MEC. | |
Lieira et al. | Meta-heuristic mechanism based on whale optimization algorithm for tasks allocation in edge computing | |
Du et al. | A Joint Trajectory and Computation Offloading Scheme for UAV-MEC Networks via Multi-Agent Deep Reinforcement Learning |
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 |