CN116974774B - 一种星载计算资源分配优化方法、服务器及存储介质 - Google Patents
一种星载计算资源分配优化方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN116974774B CN116974774B CN202311235197.2A CN202311235197A CN116974774B CN 116974774 B CN116974774 B CN 116974774B CN 202311235197 A CN202311235197 A CN 202311235197A CN 116974774 B CN116974774 B CN 116974774B
- Authority
- CN
- China
- Prior art keywords
- satellite
- computing
- calculation
- node
- task
- 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 49
- 238000013468 resource allocation Methods 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 241000283153 Cetacea Species 0.000 claims abstract description 24
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 32
- 230000007246 mechanism Effects 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 235000006679 Mentha X verticillata Nutrition 0.000 claims 1
- 235000002899 Mentha suaveolens Nutrition 0.000 claims 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- QHMGJGNTMQDRQA-UHFFFAOYSA-N dotriacontane Chemical group CCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC QHMGJGNTMQDRQA-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F9/46—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radio Relay Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开了一种星载计算资源分配优化方法、服务器及存储介质，属于卫星通讯领域，包括：计算所有卫星计算节点生成的自身计算任务所需的时间以及所消耗的能量；计算接入设备生成的外部计算任务传输至卫星计算节点的时间延迟以及所消耗的能量；对每个卫星计算节点制定优化目标，所述优化目标为：有限的能量消耗下，完成所有自身计算任务以及外部计算任务的最短时间；采用改进二进制双鲸优化算法进行资源分配计算，计算得出达到优化目标时的资源分配方案。该服务器包括存储有上述方法的存储器和执行该方法的处理器；该存储介质存储有执行上述方法的计算机程序。本方法能够保证卫星计算节点能够在有限的能量消耗下，以最小的时间来完成计算任务。
Description
技术领域
本申请属于卫星通讯领域，特别涉及一种星载计算资源分配优化方法、服务器及存储介质。
背景技术
随着接入卫星网络并传输数据的设备越来越多，传统通过卫星回传至云计算中心的集中处理模式，由于数据的激增和远距离传输往往会导致卫星通信网络拥塞和反馈不及时，难以满足各类任务的实时性要求。
在这种情况下，减少卫星通信网络的操作负担和提高实时响应能力的常见做法是以合理的方式将计算任务卸载到网络边缘，即卸载到具有计算能力的卫星节点。然而，当存在大量突发和紧急任务请求时，受控于有限的星上边缘服务器的计算能力、可扩展性和运营成本，如何优化星载计算设备之间的数据分发和协作，以减少星上计算负担尤为重要。然而，这类优化严重依赖于良好的网络环境，在拓扑动态变化的卫星网络环境或没有足够网络连通性的情况下无法达到理想的性能。为此，近年来基于神经网络的智能卸载策略被广泛提出，以适应动态的卫星网络环境。通过这些基于神经网络的智能卸载策略可以提高动态卫星网络中的连接性能，但这些方法强烈依赖于计算服务器的广泛部署，不适合稀疏分布的卫星网络环境。
因此，亟需一种针对于星载计算资源分配的技术方案，能够解决上述问题。
发明内容
为了解决所述现有技术的不足，本申请提供了一种星载计算资源分配优化方法、服务器及存储介质，在双鲸优化算法的基础上进行了改进，在多个接入设备接入卫星计算节点时，能够保证卫星计算节点能够在有限的能量消耗下，以最小的时间来完成计算任务。
本申请所要达到的技术效果通过以下方案实现：
根据本申请的第一方面，提供一种星载计算资源分配优化方法，包括如下步骤：
步骤1：计算所有卫星计算节点生成的自身计算任务所需的时间以及所消耗的能量；
步骤2：计算接入设备生成的外部计算任务传输至卫星计算节点的时间延迟以及所消耗的能量；
步骤3：对每个卫星计算节点制定优化目标，所述优化目标为：有限的能量消耗下，完成所有自身计算任务以及外部计算任务的最短时间；
步骤4：采用改进二进制双鲸优化算法进行资源分配计算，计算得出达到优化目标时的资源分配方案。
优选地，在步骤1中，完成自身计算任务所需的时间通过如下公式计算得出：
;
其中，为SCP自身生成所需的计算任务，/>为所需计算资源，/>代表卫星计算节点j为自身生成的自身计算任务分配的计算资源。
优选地，计算所述自身计算任务所消耗的能量通过如下公式计算得出：
;
其中，为SCP自身生成所需的计算任务，/>为所需计算资源，/>代表卫星计算节点j为自身生成的自身计算任务分配的计算资源，/>为与计算相关的卫星计算节点j的单位能耗。
优选地，在步骤2中，外部计算任务传输至卫星计算节点的传输延迟通过如下公式计算得出：
;
其中，为接入设备生成的传输至卫星计算节点j的外部计算任务，/>表示外部计算任务被传输至卫星计算节点的单位传输时延，/>为接入设备i与卫星计算节点j之间的传输速率；
则，计算所述外部计算任务的时间通过如下公式计算得出：
;
表示卫星计算节点j为接入设备i所提供的计算资源，/>为所需计算资源；
计算所述外部计算任务所消耗的能量通过如下公式计算得出：
。
优选地，在步骤3中，所述优化目标通过如下公式表示：
;
其中，所述 />为完成自身计算任务以及外部计算任务的最短时间。
优选地，在步骤4中，采用改进二进制双鲸优化算法进行资源分配计算具体为：
利用传递函数强制搜索代理的位置在二进制空间中变换得到离散解，传递函数定义为：
S（x）=；
根据系统模型，设置适应度函数为：
;
其中，µ= 102是惩罚系数，P(X)为惩罚函数，是为完成自身计算任务以及外部计算任务的最短时间；
在每个卫星计算节点上部署惩罚函数，控制每个接入设备在当前卫星计算节点卸载的外部计算任务；
进行迭代计算得出最优的分配方案。
优选地，所述惩罚函数包括：P1(X)所能分配计算资源的约束、P2(X)计算任务的约束，P3(X)所需计算资源的约束，P4(X)能耗的约束、P5(X)表示卸载延迟的组合约束以及 P6(X)代表NCP服务资源的约束，其中：
；
上述式中的表示卸载到一个卫星计算节点的极限数量，/>1；/>代表卫星计算节点j为自身生成的自身计算任务分配的最大计算资源；/>为接入设备i生成的外部计算任务；/>为卫星计算节点j计算自身计算任务所消耗的最大能量。
优选地，进行迭代计算得出最优分配方案的具体方法为：
初始化算法所需的参数，计算模糊值并搜索最佳位置；
根据惩罚函数的约束条件判断是执行收缩包围机制还是螺旋机制；
继续根据A的绝对值判断是执行勘探阶段还是执行开采阶段，如果都不是则更新位置重新判断，其中A为鲸鱼优化算法中的位置向量；
更新初始值和最佳位置，在满足最大迭代次数时停止迭代循环；
输出最佳位置和最优解。
根据本申请的第二方面，提供一种服务器，包括：存储器和至少一个处理器；
所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述星载计算资源分配优化方法。
根据本申请的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述星载计算资源分配优化方法。
根据本申请的一个实施例，采用本星载计算资源分配优化方法的技术效果在于，解决了多个接入设备接入卫星计算节点时各个接入设备之间的资源竞争问题，相较于传统的RAN和BPSO算法，在最终结果、收敛速度以及稳定性方面都具有更优的效果。
附图说明
为了更清楚地说明本申请实施例或现有的技术方案，下面将对实施例或现有技术描述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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例中一种星载计算资源分配优化方法的流程图；
图2为本申请一实施例中改进型双鲸优化算法的性能分析图；
图3为本申请一实施例中一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本申请一实施例中的星载计算资源分配优化方法所应用的基于星载计算的卫星网络环境中包含多个接入设备，假设有M个卫星计算节点(SCP)，用集合P表示；N个接入设备，表示为集合U/>。对于多个卫星计算节点来说，它们可能会定期生成一些计算任务，生成的个任务需要自己完成。与此同时，接入设备将产生一些需要卫星计算节点解决的计算任务。一般情况下，接入设备产生的计算任务是独立且不可分割的。
在此背景下，星载计算资源分配优化方法主要包括如下步骤：
S110：计算所有卫星计算节点生成的自身计算任务所需的时间以及所消耗的能量；
在该步骤中，假设卫星计算节点j生成的任务用集合表示。完成自身计算任务所需的时间通过如下公式计算得出：
;
其中，为卫星计算节点自身生成所需的计算任务，/>为所需计算资源，/>代表卫星计算节点j为自身生成的自身计算任务分配的计算资源。
计算自身计算任务所消耗的能量通过如下公式计算得出：
;
其中，为SCP自身生成所需的计算任务，/>为所需计算资源，/>代表卫星计算节点j为自身生成的自身计算任务分配的计算资源，/>为与计算相关的卫星计算节点j的单位能耗。
S120：计算接入设备生成的外部计算任务传输至卫星计算节点的时间延迟以及所消耗的能量；
在该步骤中，假设接入设备i生成的任务由集合给出，其中/>为接入设备生成的所需计算任务，/>为所需计算资源。
接入设备需要将所需任务的数据传输给卫星计算节点，则接入设备与卫星计算节点之间存在传输延迟。外部计算任务传输至卫星计算节点的传输延迟通过如下公式计算得出：
;
其中，为接入设备生成的传输至卫星计算节点j的外部计算任务，/>表示外部计算任务被传输至卫星计算节点的单位传输时延，/>为接入设备i与卫星计算节点j之间的传输速率；
数据传输到卫星计算节点后，由卫星计算节点进行任务计算。则计算所述外部计算任务的时间通过如下公式计算得出：
;
表示卫星计算节点j为接入设备i所提供的计算资源，/>为所需计算资源；
计算所述外部计算任务所消耗的能量通过如下公式计算得出：
。
S130：对每个卫星计算节点制定优化目标，所述优化目标为：有限的能量消耗下，完成所有自身计算任务以及外部计算任务的最短时间；
在该步骤中，对于每个卫星计算节点，其目标是在有限的能量消耗下，在最短的时间内完成所有任务，优化目标通过如下公式表示：
;
其中，所述为完成自身计算任务以及外部计算任务的最短时间。
S140：采用改进二进制双鲸优化算法进行资源分配计算，计算得出达到优化目标时的资源分配方案。
在该步骤中，采用改进二进制双鲸优化算法进行资源分配计算具体为：
利用传递函数强制搜索代理的位置在二进制空间中变换得到离散解，传递函数定义为：
S（x）=；
在该步骤中，适应度函数的选取直接影响到算法的收敛速度以及能否找到最优解，因为算法在最优解搜索中基本不利用外部信息，仅以适应度函数为依据，利用每个个体的适应度来进行搜索。因为适应度函数的复杂度是算法复杂度的主要组成部分，通过设计尽可能简单的适应度函数来使得使计算的时间复杂度最小。因此根据系统模型，设置适应度函数为：
Fitness（X）=;
其中，µ= 102是惩罚系数，P(X)为惩罚函数，惩罚函数P(X)表示系统模型中提出的这些约束；是为完成自身计算任务以及外部计算任务的最短时间；
在每个卫星计算节点上部署惩罚函数，控制每个接入设备在当前卫星计算节点卸载的外部计算任务；
最后进行迭代计算得出最优的分配方案。
其中惩罚函数包括6个部分，分别是：P1(X)所能分配计算资源的约束、P2(X)计算任务的约束，P3(X)所需计算资源的约束，P4(X)能耗的约束、P5(X)表示卸载延迟的组合约束以及 P6(X)代表NCP服务资源的约束，其中：
；
上述式中的表示卸载到一个卫星计算节点的极限数量，/>=1;/>代表卫星计算节点j为自身生成的自身计算任务分配的最大计算资源；/>为接入设备i生成的外部计算任务；/>为卫星计算节点j计算自身计算任务所消耗的最大能量。
在本申请一实施例中，算法设计的关键步骤是部署惩罚函数，即在每个SCP节点上布置上述所有惩罚函数，由于每个SCP节点上的自身计算任务以及外部计算任务不同，因此能够根据惩罚函数的结果来控制每个接入设备在一个SCP上卸载，从而达到合理卸载决策的目的，保证每个SCP节点上卸载的任务既能够高效完成，又不会浪费计算资源。同时，在满足上述约束条件的情况下，SCP可以服务一定数量的接入设备。
根据WOA的流程，算法的鲸鱼种群为N，搜索代理的维数为M，在每次迭代中，更新位置的复杂度为o(NM)，算法在有限的迭代次数内收敛，因此WOA算法的复杂度为o(TNM)，其中T表示最大迭代次数。BWOA的步骤与WOA大致相同，因此其计算复杂度为o(TNM)。
假设等式约束和不等式约束分别为x和y，等式约束和不等式函数的处理时间约束分别为o(Nx)和o(Ny)。为了解决约束优化问题，改进型双鲸优化算法（IBWOA）的计算复杂度为0(TN(x + y + M))。
进行迭代计算得出最优分配方案的方法为：
初始化算法所需的参数，计算模糊值并搜索最佳位置；
根据惩罚函数的约束条件判断是执行收缩包围机制还是螺旋机制；
继续根据A的绝对值判断是执行勘探阶段还是执行开采阶段，如果都不是则更新位置重新判断，其中A为鲸鱼优化算法中的位置向量；
更新初始值和最佳位置，在满足最大迭代次数时停止迭代循环；
输出最佳位置和最优解。
具体的：座头鲸在开始捕猎之前会感知猎物的位置。如果猎物离得很远，座头鲸会逐渐接近猎物，直到它们移动到最佳位置。简而言之，座头鲸会根据距离调整方位。它们的搜索过程包括探索和开发，在公式化过程中，位置被视为一个向量。
假设有头鲸鱼在捕食猎物，我们给出最大迭代次数，迭代从1开始，鲸鱼的位置开始初始化，并计算其适应度。由于WOA的不断优化，该算法可以在资源分配中发挥重要作用。同时，WOA在开采阶段和勘探阶段之间具有良好的平衡优势，因此具有良好的全局优化性能。
气泡网攻击法是座头鲸一种独特的捕食行为。当使用气泡网捕食时，座头鲸会吐出泡泡包围猎物，泡泡会持续收缩，迫使猎物们一步步浮到水面上最终被捕食。在利用气泡网猎食的过程中，提出了收缩包围机制和螺旋更新位置两种方式，用数学方法模拟了鲸鱼用气泡猎食的行为。
第t+1次迭代的更新位置由当前位置和在第t次迭代中找到的最佳位置决定，则第t+1次位置可以计算为：
;
该更新过程是收缩包围机制，其中A表示收敛系数向量，由收敛因子计算，该收敛因子随着迭代次数的增加而减小。D是当前最佳位置和当前位置之间距离的绝对值，C是系数向量。Tmax可作为终止WOA算法的条件。式中/>表示为：/>；
通过设系数向量A在范围[-1.1]内，收缩环绕机制将更新后的位置限制为最佳位置，并将当前位置作为第t次迭代。
气泡网攻击法的另一个执行方式是螺旋更新机制。与收缩环绕机制不同，座头鲸的螺旋形运动可以用在鲸鱼和猎物之间建立的螺旋方程来表示。那么这个螺旋过程可以描述为：
；
；
式中，b是描述对数螺旋形状的常数，并且，，/>保持在范围[-1.1]内。
随机数p用于选择两种更新机制：收缩环绕机制或者螺旋更新机制，范围在[0,1]之间，在场景中考虑以平等的概率p=0.5选择更新方案。因此位置更新策略可以写成：
;
当生成的随机数时，则强调多样化，即算法需要判断是使用探索策略还是开发策略。A需要平衡这两种策略。此外，C可以避免算法陷入局部最优解。随机搜索猎物是座头鲸寻找全局最优解的一种方法。该方法和收缩包围机制这两者的区别是收缩包围机制总是接近最佳搜索位置，而随机搜索取决于的值。当/>时，最佳位置被替换为随机鲸鱼的位置，相反，当/>时，WOA算法将搜索最佳位置：
；
；
其中Xrand是随机鲸鱼的位置。根据WOA更新位置的过程可知，在每次迭代中位置向量在合理范围内连续变化。
采用上述方法，通过对惩罚函数的部署，能够对每个SCP节点上卸载的计算任务进行控制，从而保证每个SCP节点能够在保证自身计算任务完成的情况下，高效、准确、快速的完成接入设备分配的外部计算任务，适合稀疏分布的卫星网络环境的任务分配，以达到最优的性能。通过大量实验研究了不同参数对最优解的影响，我们的算法实现了快速收敛，实验结果证明了该方法的可行性。
如图2所示，利用数值模拟来验证上述方法的性能，可以看出采用本方法的改进型双鲸优化算法在最终结果、收敛速度和稳定性方面都优于传统的RAN和BPSO算法。
设置节点的数量N=40，SCP的数量为 M=10。观察到采用本申请实施例所提供的方法（IBWOA）快速收敛并实现500次迭代中的稳定性，而BPSO收敛非常缓慢，最终落入局部最优解。RAN的值接近IBWOA的值；根据最终结果，IBWOA和RAN的总延迟分别为5.5917s和5.8642s，并且IBWOA的消耗量比RAN少4.65%。这是因为在RAN中卸载是随机执行的，而不考虑传输造成的延迟以及计算。仿真结果的比较表明，RIBWOA算法可以获得较小的延迟。此外，我们发现BPSO在重复实验中表现不佳（超过50次），它很有可能陷入局部最优解。
如图3所示，本申请一实施例中的服务器，包括：存储器301和至少一个处理器302；
所述存储器301存储计算机程序，所述至少一个处理器302执行所述存储器301存储的计算机程序，以实现上述星载计算资源分配优化方法。
在本申请一实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述星载计算资源分配优化方法。
应该指出，上述详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语均具有与本申请所属技术领域的普通技术人员的通常理解所相同的含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位，如旋转90度或处于其他方位，并且对这里所使用的空间相对描述作出相应解释。
在上面详细的说明中，参考了附图，附图形成本文的一部分。在附图中，类似的符号典型地确定类似的部件，除非上下文以其他方式指明。在详细的说明书、附图及权利要求书中所描述的图示说明的实施方案不意味是限制性的。在不脱离本文所呈现的主题的精神或范围下，其他实施方案可以被使用，并且可以作其他改变。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。
Claims (4)
1.一种星载计算资源分配优化方法，其特征在于，包括如下步骤：
计算所有卫星计算节点生成的自身计算任务所需的时间以及所消耗的能量；完成自身计算任务所需的时间通过如下公式计算得出：
；
其中，为卫星计算节点j自身生成所需的计算任务，/>为卫星计算节点j计算自身生成的计算任务所需的单位计算资源，/>代表卫星计算节点j为自身生成的自身计算任务分配的计算资源；计算所述自身计算任务所消耗的能量通过如下公式计算得出：
；
其中，为与计算相关的卫星计算节点j的单位能耗；
计算接入设备生成的外部计算任务传输至卫星计算节点的时间延迟以及所消耗的能量；外部计算任务传输至卫星计算节点的传输延迟通过如下公式计算得出：
；
其中，为接入设备i生成的传输至卫星计算节点j的外部计算任务，/>表示外部计算任务被传输至卫星计算节点j的单位传输时延，/>为接入设备i与卫星计算节点j之间的传输速率；
则，计算所述外部计算任务的时间通过如下公式计算得出：
；
表示卫星计算节点j为接入设备i所提供的计算资源，/>为卫星计算节点j计算接入设备i的外部计算任务所需的单位计算资源；
计算所述外部计算任务所消耗的能量通过如下公式计算得出：
；
对每个卫星计算节点制定优化目标，所述优化目标为：有限的能量消耗下，完成所有自身计算任务以及外部计算任务的最短时间；所述优化目标通过如下公式表示：
；
其中，所述minTj为完成自身计算任务以及外部计算任务的最短时间；
采用改进二进制双鲸优化算法进行资源分配计算，计算得出达到优化目标时的资源分配方案；具体为：
利用传递函数强制搜索代理的位置在二进制空间中变换得到离散解，传递函数定义为：
S（x）=；
根据系统模型，设置适应度函数为：
Fitness（X）=;
其中，µ= 102是惩罚系数，P(X)为惩罚函数，为完成自身计算任务以及外部计算任务的最短时间，U是接入设备的总集合，u是所有接入当前卫星计算节点的接入设备，K是惩罚函数的个数；
在每个卫星计算节点上部署惩罚函数，控制每个接入设备在当前卫星计算节点卸载的外部计算任务；
进行迭代计算得出最优的分配方案；
所述惩罚函数包括：P1(X)所能分配计算资源的约束、P2(X)计算任务的约束，P3(X)所需计算资源的约束，P4(X)能耗的约束、P5(X)表示卸载延迟的组合约束以及P6(X)代表NCP服务资源的约束，其中：
；
；
；
；
；
；
上述式中的表示卸载到一个卫星计算节点的极限数量，/>=1；/>代表卫星计算节点j为自身生成的自身计算任务分配的最大计算资源；/>为接入设备i生成的外部计算任务；/>为卫星计算节点j计算自身计算任务所消耗的最大能量；/>为接入设备i需要的计算资源；/>为卫星计算节点j为接入设备i所分配的用于计算的能量；N为接入设备的个数；M为卫星计算节点的个数。
2.根据权利要求1所述的星载计算资源分配优化方法，其特征在于，进行迭代计算得出最优分配方案的具体方法为：
初始化算法所需的参数，计算模糊值并搜索最佳位置；
根据惩罚函数的约束条件判断是执行收缩包围机制还是螺旋机制；
继续根据A的绝对值判断是执行勘探阶段还是执行开采阶段，如果都不是则更新位置重新判断，其中A为鲸鱼优化算法中的位置向量；
更新初始值和最佳位置，在满足最大迭代次数时停止迭代循环；
输出最佳位置和最优解。
3.一种服务器，其特征在于，包括：存储器和至少一个处理器；
所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1至2中任一项所述的星载计算资源分配优化方法。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1至2中任一项所述的星载计算资源分配优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311235197.2A CN116974774B (zh) | 2023-09-25 | 2023-09-25 | 一种星载计算资源分配优化方法、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311235197.2A CN116974774B (zh) | 2023-09-25 | 2023-09-25 | 一种星载计算资源分配优化方法、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116974774A CN116974774A (zh) | 2023-10-31 |
| CN116974774B true CN116974774B (zh) | 2024-01-23 |
Family
ID=88473490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311235197.2A Active CN116974774B (zh) | 2023-09-25 | 2023-09-25 | 一种星载计算资源分配优化方法、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116974774B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107343025A (zh) * | 2017-06-07 | 2017-11-10 | 西安电子科技大学 | 分布式卫星云雾网络架构及能耗约束下的时延优化方法 |
| CN113207136A (zh) * | 2021-04-02 | 2021-08-03 | 北京科技大学 | 一种联合优化计算卸载和资源分配的方法及装置 |
| US11265077B1 (en) * | 2020-10-22 | 2022-03-01 | Dalian University | Method for deploying task in satellite network |
| CN116528365A (zh) * | 2023-05-18 | 2023-08-01 | 重庆邮电大学空间通信研究院 | 一种可靠性感知的边缘计算方法 |
-
2023
- 2023-09-25 CN CN202311235197.2A patent/CN116974774B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107343025A (zh) * | 2017-06-07 | 2017-11-10 | 西安电子科技大学 | 分布式卫星云雾网络架构及能耗约束下的时延优化方法 |
| US11265077B1 (en) * | 2020-10-22 | 2022-03-01 | Dalian University | Method for deploying task in satellite network |
| CN113207136A (zh) * | 2021-04-02 | 2021-08-03 | 北京科技大学 | 一种联合优化计算卸载和资源分配的方法及装置 |
| CN116528365A (zh) * | 2023-05-18 | 2023-08-01 | 重庆邮电大学空间通信研究院 | 一种可靠性感知的边缘计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116974774A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110764912B (zh) | 一种自适应任务调度器及方法 | |
| CN111556461A (zh) | 一种基于深度q网络的车载边缘网络任务分发卸载方法 | |
| CN110069341B (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
| CN110688219B (zh) | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 | |
| CN112272381B (zh) | 一种卫星网络任务部署方法和系统 | |
| CN111343651B (zh) | 服务于众智计算环境的服务链部署方法及系统 | |
| CN116489712B (zh) | 一种基于深度强化学习的移动边缘计算任务卸载方法 | |
| CN112084035A (zh) | 一种基于蚁群算法的任务调度方法及系统 | |
| CN113448714B (zh) | 基于云平台的计算资源控制系统 | |
| CN115408072A (zh) | 基于深度强化学习的快速适应模型构建方法及相关装置 | |
| CN108234617B (zh) | 一种面向电力系统混合云模式下的资源动态调度方法 | |
| CN102427420B (zh) | 基于图模式匹配的虚拟网络映射方法及装置 | |
| CN116974774B (zh) | 一种星载计算资源分配优化方法、服务器及存储介质 | |
| Kim et al. | Partition placement and resource allocation for multiple DNN-based applications in heterogeneous IoT environments | |
| CN112312299A (zh) | 服务卸载方法、装置及系统 | |
| CN114217881B (zh) | 任务卸载方法及相关装置 | |
| CN110750363A (zh) | 计算机存储管理方法和装置、电子设备和存储介质 | |
| CN109347900A (zh) | 基于改进狼群算法的云服务系统自适应演化方法 | |
| CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
| Mirtaheri et al. | Optimized distributed resource management in fog computing by using ant-olony optimization c | |
| Alharbi et al. | Optimizing jobs' completion time in cloud systems during virtual machine placement | |
| CN117806835B (zh) | 一种任务分配方法、装置及电子设备和存储介质 | |
| Chen et al. | Energy and Time-Aware Inference Offloading for DNN-based Applications in LEO Satellites | |
| CN117707795B (zh) | 基于图的模型划分的边端协同推理方法及系统 | |
| CN116341685B (zh) | 基于联合注意力的分布式计算卸载模型训练方法和系统 |
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 |