一种面向爆发性流量的移动边缘计算无人机群辅助通信方法技术

本发明专利技术公开了一种面向爆发性流量的移动边缘计算无人机群辅助通信方法，当网络发生拥堵时，负责为地面有计算需求的用户提供计算服务；首先，预测部分，用改进的PSO‑BP神经网络预测目标区域计算需求分布情况，按需部署支持移动移动边缘计算的无人机；其次，计算需求分区部分，基于公平原则对目标区域进行分区，每个无人机为子区域内的用户服务；最后，子区域中无人机能量优化部分，在满足用户计算需求的前提下，对无人机计算频率、无人机飞行轨迹，进行联合优化，使得每个子区域内的无人机能耗最小，进而使得整个无人机群能耗最小，延长机群服务时长。

A mobile edge computing based on Explosive Traffic

【技术实现步骤摘要】
一种面向爆发性流量的移动边缘计算无人机群辅助通信方法
本专利技术涉及移动边缘计算
，具体涉及一种面向爆发性流量的移动边缘计算无人机群辅助通信方法。
技术介绍
随着移动用户的快速增长和新兴的多样化移动应用(如增强现实，移动在线游戏等)，随之产生的数据流量也爆炸式地增长。特别的，对于一些热点事件(大型户外活动现场，例如演唱会等)期间数据流量爆发式增长，这会造成网络拥堵，严重影响用户的体验，特别是对于视频、语音等对延迟敏感的任务。在这样流量爆发的环境下产生大量数据流量，应用移动边缘计算技术是一个有效的应对方向之一。将目标区域内移动用户的计算任务卸载到边缘网络，减少向基站卸载数据量，在边缘网络进行任务就近处理，降低延迟，一定程度上缓解网络拥堵。由于这种爆发性流量往往是临时、变化的，而无人机具有移动灵活、高效，低成本，可以用无人机搭载移动边缘计算服务器，为发生爆发性流量区域的移动用户提供近距离的无延迟服务，满足用户计算需求。因此，面对爆发性流量区域，部署作为空中基站的通信无人机，对于这些短期内产生的庞大数据流量，仍不能很好的降低延迟，部署支持移动边缘计算的无人机群，多个无人机可以确保覆盖目标区域，为区域内所有有计算需求的用户提供服务，是一种有效的缓解该区域内网络拥堵的方法。对于爆发性流量区域，若能预测出该区域内用户的任务计算需求分布情况，则可在网络拥堵之前，按需部署无人机群，为目标区域提供近距离、低延迟的计算服务。对于目标区域需要完全覆盖，才能保证为所有有计算需求的用户提供服务，为了避免覆盖重叠，减少干扰，如何对目标区域划分为多个单个无人机服务的子区域，也是一个需要解决的重要问题。支持移动边缘计算的无人机，受限于电池问题，无人机服务时间有限，因此如何在满足用户计算需求的前提下，最小化无人机群能耗，是一个重要的问题。目前现有技术中，只考虑单个无人机提供服务的情况，这种情况下，单个无人机计算资源和电池有限，不能满足多用户的需求，严重影响用户的体验质量。少部分考虑了多个无人机提供服务的场景，但是仅仅是作为空中基站，没有考虑为用户提供边缘计算服务，且悬停的无人机空中基站，服务范围有限，移动的无人机服务范围更广，相同条件下可减少所需无人机数量。此外大概要部署多少台无人机，且多无人机情况该怎么运行以满足所有用户的计算需求，是本领域技术人员亟待解决的技术问题。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种面向爆发性流量的移动边缘计算无人机群辅助通信方法，该方法能够为目标区域内的所有有计算需求的用户提供计算服务，满足用户需求，缓解目标区域内爆发性流量造成的网络拥堵。本专利技术的目的通过下述技术方案实现：一种面向爆发性流量的移动边缘计算无人机群辅助通信方法，包括下述步骤：步骤一，预测地面计算需求分布情况；引入模式搜索算法改进PSO-BP神经网络，结合模式搜索算法的局部搜索能力，将其作为局部搜索算子融入PSO-BP算法中；改进的PSO-BP基站流量预测算法中，在利用PSO算法的全局搜索能力的基础上，加入判断早熟停滞机制，一旦检索到早熟迹象，便利用模式搜索算法对当前粒子群的历史最优位置进行模式搜索，使其跳出局部最优；从移动网络运营商的服务器获取目标区域用户信息，分别统计每天不同时段内，在目标区域内的移动用户数和卸载数据量以及他们的位置信息，由于人类活动周期性，因此合并不同天数同一时间的数据，将数据分成48个数据集；用数据集做训练样本训练改进后的神经网络，预测得到每个时间点目标区域内卸载计算数据量和数据分布模型；其中所述改进的PSO-BP基站流量预测算法具体如下：(1)初始化BP神经网络结构并决定该结构下相关参数的初始取值，决定网络的具体层数W及各层节点的数量；(2)粒子群粒子编码，建立粒子群与权值和阀值之间的对应关系，假设前一步创建的网络结构为M-N-1，则粒子维度D就是权值和阈值的个数之和，即D＝M*N+2N+1；(3)初始粒子群，包括对粒子个数、粒子速度和位置的初始化，并设置粒子群算法的相关参数，如惯性权重W、学习因子；(4)计算适应度函数值，改进的PSO-BP算法是利用改进的PSO算法来优化BP神经网络的权值和阈值，所以适应度函数是网络训练计算所得到的均方误差；(5)判断结束条件，如果不符合则进入下一步骤，判断粒子陷入局部最优的机制；若符合结束条件，将粒子群的种群极值作为最优解；(6)根据判断粒子陷入局部最优的机制判断粒子是否早熟停滞，若不是，则更新粒子的位置和速度，然后跳转到(4)开始下一轮循环；若是，则对当前粒子群进行模式搜索，更新粒子群的位置和速度，然后跳转到(4)开始下一轮循环；(7)将(5)获得的解还原成相对应的权值和阈值，使用它们对网络的相关参数进行赋值处理；(8)进行BP网络的二次学习训练直到达到性能指标要求，最终获得预测模型；步骤二，计算需求分区；要能有效部署支持移动边缘计算的无人机群为地面用户提供计算服务，则需要根据预测模型得到每个时间点的地面计算需求分布模型，由地面用户计算需求分布模型划分出合理的单个无人机服务子区域；根据当前无人机群中各个无人机所在位置、各个无人机所剩能量、用户数和用户分布模型，将所有用户所在区域划分为若干个小区，每个小区由一个无人机提供服务，每个小区互不重叠，且每个小区内的计算需求与当前对应无人机的能量成正比，该无人机所剩能量越多，则所服务小区内划分的计算需求也越多；部署的无人机群中，每个无人机为自己对应的服务小区中的地面用户提供计算服务；生成分区后，无人机随即在小区内飞行并为用户提供服务；每隔30分钟随着预测计算需求分布模型的变化，重新划分小区；步骤三，子区域内无人机的能量优化；由于无人机电池寿命有限，在无人机满足所有用户计算需求的前提下，对无人机计算频率、无人机飞行轨迹进行联合优化，使无人机耗能最小；使用优化目标函数是凸的，可以用替代优化算法分别求出最优的无人机的CPU频率和无人机飞行轨迹，以最小化单个无人机的能耗，进而最小化无人机群的能耗，延长无人机群的服务时长；对于分区后的任一服务小区：假设小区内有计算卸载需求的地面用户数为k，服务时间为T，被划分为n个时隙；地面第k个用户的位置用zk表示，zk＝[xk,yk],k∈K,K＝{1,2,...,K}；n时隙UAV水平面坐标：zu[n]＝[xu[n],yu[n]]；n时隙第k个用户的卸载比特数和CPU频率分别为：lk[n],fk[n]；n时隙UAV的CPU频率为：fu[n]；n时隙UAV计算卸载任务能耗为：Eu,o[n]＝γcKλ[fu[n]]3，其中γc是CPU的有效开关电容；其中λ＝T/(NK)，采用TDMA技术，使得所有用户将计算位一个一个卸载到无人机，故将时隙T/N再划分为k个时隙；UAV飞行能耗模型：E[n]＝κ||vu[n]||2,其中κ＝0.5WT/N，W是无人机质量；<本文档来自技高网...

【技术保护点】
1.一种面向爆发性流量的移动边缘计算无人机群辅助通信方法，其特征在于，包括下述步骤：/n步骤一，预测地面计算需求分布情况；/n引入模式搜索算法改进PSO-BP神经网络，结合模式搜索算法的局部搜索能力，将其作为局部搜索算子融入PSO-BP算法中；改进的PSO-BP基站流量预测算法中，在利用PSO算法的全局搜索能力的基础上，加入判断早熟停滞机制，一旦检索到早熟迹象，便利用模式搜索算法对当前粒子群的历史最优位置进行模式搜索，使其跳出局部最优；从移动网络运营商的服务器获取目标区域用户信息，分别统计每天不同时段内，在目标区域内的移动用户数和卸载数据量以及他们的位置信息，由于人类活动周期性，因此合并不同天数同一时间的数据，将数据分成48个数据集；用数据集做训练样本训练改进后的神经网络，预测得到每个时间点目标区域内卸载计算数据量和数据分布模型；/n其中所述改进的PSO-BP基站流量预测算法具体如下：/n(1)初始化BP神经网络结构并决定该结构下相关参数的初始取值，决定网络的具体层数W及各层节点的数量；/n(2)粒子群粒子编码，建立粒子群与权值和阀值之间的对应关系，假设前一步创建的网络结构为M-N-1，则粒子维度D就是权值和阈值的个数之和，即D＝M*N+2N+1；/n(3)初始粒子群，包括对粒子个数、粒子速度和位置的初始化，并设置粒子群算法的相关参数，如惯性权重W、学习因子；/n(4)计算适应度函数值，改进的PSO-BP算法是利用改进的PSO算法来优化BP神经网络的权值和阈值，所以适应度函数是网络训练计算所得到的均方误差；/n(5)判断结束条件，如果不符合则进入下一步骤，判断粒子陷入局部最优的机制；若符合结束条件，将粒子群的种群极值作为最优解；/n(6)根据判断粒子陷入局部最优的机制判断粒子是否早熟停滞，若不是，则更新粒子的位置和速度，然后跳转到(4)开始下一轮循环；若是，则对当前粒子群进行模式搜索，更新粒子群的位置和速度，然后跳转到(4)开始下一轮循环；/n(7)将(5)获得的解还原成相对应的权值和阈值，使用它们对网络的相关参数进行赋值处理；/n(8)进行BP网络的二次学习训练直到达到性能指标要求，最终获得预测模型；/n步骤二，计算需求分区；/n要能有效部署支持移动边缘计算的无人机群为地面用户提供计算服务，则需要根据预测模型得到每个时间点的地面计算需求分布模型，由地面用户计算需求分布模型划分出合理的单个无人机服务子区域；根据当前无人机群中各个无人机所在位置、各个无人机所剩能量、用户数和用户分布模型，将所有用户所在区域划分为若干个小区，每个小区由一个无人机提供服务，每个小区互不重叠，且每个小区内的计算需求与当前对应无人机的能量成正比，该无人机所剩能量越多，则所服务小区内划分的计算需求也越多；部署的无人机群中，每个无人机为自己对应的服务小区中的地面用户提供计算服务；生成分区后，无人机随即在小区内飞行并为用户提供服务；每隔30分钟随着预测计算需求分布模型的变化，重新划分小区；/n步骤三，子区域内无人机的能量优化；/n由于无人机电池寿命有限，在无人机满足所有用户计算需求的前提下，对无人机计算频率、无人机飞行轨迹进行联合优化，使无人机耗能最小；使用优化目标函数是凸的，可以用替代优化算法分别求出最优的无人机的CPU频率和无人机飞行轨迹，以最小化单个无人机的能耗，进而最小化无人机群的能耗，延长无人机群的服务时长；/n对于分区后的任一服务小区：/n假设小区内有计算卸载需求的地面用户数为k，服务时间为T，被划分为n个时隙；/n地面第k个用户的位置用z...

【技术特征摘要】
1.一种面向爆发性流量的移动边缘计算无人机群辅助通信方法，其特征在于，包括下述步骤：
步骤一，预测地面计算需求分布情况；
引入模式搜索算法改进PSO-BP神经网络，结合模式搜索算法的局部搜索能力，将其作为局部搜索算子融入PSO-BP算法中；改进的PSO-BP基站流量预测算法中，在利用PSO算法的全局搜索能力的基础上，加入判断早熟停滞机制，一旦检索到早熟迹象，便利用模式搜索算法对当前粒子群的历史最优位置进行模式搜索，使其跳出局部最优；从移动网络运营商的服务器获取目标区域用户信息，分别统计每天不同时段内，在目标区域内的移动用户数和卸载数据量以及他们的位置信息，由于人类活动周期性，因此合并不同天数同一时间的数据，将数据分成48个数据集；用数据集做训练样本训练改进后的神经网络，预测得到每个时间点目标区域内卸载计算数据量和数据分布模型；
其中所述改进的PSO-BP基站流量预测算法具体如下：
(1)初始化BP神经网络结构并决定该结构下相关参数的初始取值，决定网络的具体层数W及各层节点的数量；
(2)粒子群粒子编码，建立粒子群与权值和阀值之间的对应关系，假设前一步创建的网络结构为M-N-1，则粒子维度D就是权值和阈值的个数之和，即D＝M*N+2N+1；
(3)初始粒子群，包括对粒子个数、粒子速度和位置的初始化，并设置粒子群算法的相关参数，如惯性权重W、学习因子；
(4)计算适应度函数值，改进的PSO-BP算法是利用改进的PSO算法来优化BP神经网络的权值和阈值，所以适应度函数是网络训练计算所得到的均方误差；
(5)判断结束条件，如果不符合则进入下一步骤，判断粒子陷入局部最优的机制；若符合结束条件，将粒子群的种群极值作为最优解；
(6)根据判断粒子陷入局部最优的机制判断粒子是否早熟停滞，若不是，则更新粒子的位置和速度，然后跳转到(4)开始下一轮循环；若是，则对当前粒子群进行模式搜索，更新粒子群的位置和速度，然后跳转到(4)开始下一轮循环；
(7)将(5)获得的解还原成相对应的权值和阈值，使用它们对网络的相关参数进行赋值处理；
(8)进行BP网络的二次学习训练直到达到性能指标要求，最终获得预测模型；
步骤二，计算需求分区；
要能有效部署支持移动边缘计算的无人机群为地面用户提供计算服务，则需要根据预测模型得到每个时间点的地面计算需求分布模型，由地面用户计算需求分布模型划分出合理的单个无人机服务子区域；根据当前无人机群中各个无人机所在位置、各个无人机所剩能量、用户数和用户分布模型，将所有用户所在区域划分为若干个小区，每个小区由一个无人机提供服务，每个小区互不重叠，且每个小区内的计算需求与当前对应无人机的能量成正比，该无人...

【专利技术属性】
技术研发人员：左思文，刘义，杨超，蒋丽，谢胜利，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44