一种超密网边缘计算的计算资源分配与任务卸载方法技术

一种超密网边缘计算的计算资源分配与任务卸载方法，包括以下步骤：步骤1，基于SDN的超密网边缘计算网络建立系统模型，获取网络参数；步骤2，获取边缘计算所需参数：依次通过本地计算、卸载到宏基站的边缘服务器和卸载到连接小基站s的边缘服务器，得到传输计算任务的上行链路数据率；步骤3，采用Q‑learning方案，得到最优计算资源分配以及任务卸载策略；步骤4，采用DQN方案，得到最优计算资源分配以及任务卸载策略。它通过在学习变量的基础上刺激智能体找到最优解而适用于动态系统。在强化学习(RL)算法中，Q‑Learning在某些时变网络中表现良好。将深度学习技术与Q‑learning相结合，提出一种基于深度Q网络(DQN)的学习方案，不仅在时变环境下实现同时优化移动设备和运营商的效益，而且比基于Q‑learning的方法学习时间更短，收敛更快。本方法基于DQN在时变环境下实现同时优化移动设备(MDs)和运营商的效益。

A computing resource allocation and task unloading method for edge computing of super dense networks

【技术实现步骤摘要】
一种超密网边缘计算的计算资源分配与任务卸载方法
本专利技术属于智能计算机
，特别涉及一种超密网边缘计算的计算资源分配与任务卸载方法。
技术介绍
当今社会，不断增加的具有创新应用程序的移动设备(MDs)对用户体验和网络容量扩展提出了前所未有的要求。超密集网络(UDN)可以为广泛分布的移动设备提供足够的基带资源和无处不在的连接性，移动边缘计算(MEC)，可以很好地满足各种新型物联网应用程序的高计算资源需求和低延迟需求。因此，超密集网络和移动边缘计算的结合被认为是一种有前途的未来技术，它可以显著提高系统的容量，并将云计算能力扩展到最近的边缘服务器，从而满足移动设备不断增长的计算需求。然而，如何在满足移动设备的不同计算需求的情况下优化计算资源配置，以最大化运营商的运营收益，同时降低移动设备的成本已成为一个有待解决的挑战。在移动设备方面，作为移动边缘计算中的关键技术，移动边缘计算卸载(MECO)是通过选择最优的卸载策略来提高移动设备效益的有效方案。对于运营商而言，合理配置不同计算需求地区边缘服务器的计算资源，可以显著降低运营成本(OPEX)本文档来自技高网...

【技术保护点】
1.一种超密网边缘计算的计算资源分配与任务卸载方法，其特征在于，包括以下步骤：/n步骤1，基于SDN的超密网边缘计算网络建立系统模型，获取网络参数：场景内移动设备数量、宏基站数量、小基站数量连接到宏基站的无线信道数目和连接到小基站s的无线信道数目，计算到达宏基站边缘服务器的平均任务速率和到达小基站边缘服务器的平均任务速率；/n步骤2，获取边缘计算所需参数：依次通过本地计算、卸载到宏基站的边缘服务器和卸载到连接小基站s的边缘服务器，得到传输计算任务的上行链路数据率；/n步骤3，采用Q-learning方案，得到最优计算资源分配以及任务卸载策略；/n步骤4，采用DQN方案，得到最优计算资源分配以及...

【技术特征摘要】
1.一种超密网边缘计算的计算资源分配与任务卸载方法，其特征在于，包括以下步骤：
步骤1，基于SDN的超密网边缘计算网络建立系统模型，获取网络参数：场景内移动设备数量、宏基站数量、小基站数量连接到宏基站的无线信道数目和连接到小基站s的无线信道数目，计算到达宏基站边缘服务器的平均任务速率和到达小基站边缘服务器的平均任务速率；
步骤2，获取边缘计算所需参数：依次通过本地计算、卸载到宏基站的边缘服务器和卸载到连接小基站s的边缘服务器，得到传输计算任务的上行链路数据率；
步骤3，采用Q-learning方案，得到最优计算资源分配以及任务卸载策略；
步骤4，采用DQN方案，得到最优计算资源分配以及任务卸载策略。


2.根据权利要求1所述的一种超密网边缘计算的计算资源分配与任务卸载方法，其特征在于，步骤1中，获取网络参数：场景内移动设备数量C，用集合表示；宏基站数量为1，小基站数量为B，用集合表示；连接到宏基站的无线信道数目为Wm，连接到小基站s的无线信道数目为Ws；计算任务类型总共为E种，用ε＝{1，2，...E}表示，且任务的到达和处理过程采用M/M/1的排队模型，到达宏基站边缘服务器的平均任务速率为



到达小基站边缘服务器的平均任务速率为



移动设备m的传输功率为pm，n，和宏基站之间的信道增益为和小基站之间的信道增益为
相关变量定义：C个移动设备随机分布，被1个宏基站和B个小基站覆盖，每个设备到宏基站和小基站的距离为Dm，用集合表示所有设备到所有基站的距离，其中对移动设备m请求到的n类计算任务用αm，n表示，计算任务特征集合为其中im，n为计算任务大小，设为300-1000KB；om，n为处理该计算任务所需的CPU周期，设为100-1000Megacycles；为最大允许处理时延，设为0.5-3s；αm，n的卸载决策集描述为其中，表示将在本地计算该任务，表示该任务应被卸载到连接到宏基站的边缘服务器，表示移动设备m选择卸载任务αm，n到连接的小基站的边缘服务器，其中σ2为背景噪声功率，设为-100dbm。


3.根据权利要求2所述的一种超密网边缘计算的计算资源分配与任务卸载方法，其特征在于，定义为t时刻的要处理的所有任务；定义为所有边缘服务器t时刻的总计算资源，其中as(t)是连接宏基站和小基站的所有边缘服务器总资源；定义为所有边缘服务器在t时刻使用种的计算资源，其中σm(t)和bs(t)为连接宏基站和小基站的所有边缘服务器正在使用的资源；定义为对所有边缘服务器的计算资源分配策略，


4.根据权利要求1所述的一种超密网边缘计算的计算资源分配与任务卸载方法，其特征在于，步骤2中，
a、本地计算：计算任务αm，n的排队情况vm，n，设置每个决策时段引入的排队延迟秒，处理计算任务所需CPU周期om，n以及具体移动设备的计算资源qm；本地计算时延总时延由下式计算得到：



b、卸载到宏基站的边缘服务器：计算任务αm，n的排队情况vm，n，设置每个决策时段引入的排队延迟秒，计算任务的大小im，n，处理计算任务所需CPU周期om，n以及连接宏基站的边缘服务器计算资源大小qm，在16-32GHz之间；传输计算任务的上行链路数据率由下式计算得到：



该卸载方式最终总延迟由下式计算得到：



c、卸载到连接小基站s的边缘服务器：计算任务αm，n的排队情况vm，n，设置每个决策时段引入的排队延迟秒，计算任务的大小im，n，处理计算任务所需CPU周期om，n以及连接宏基站的边缘服务器计算资源大小qs，在4-8GHz之间；传输计算任务的上行链路数据率由下式计算得到



该卸载方式最终总延迟由下式计算得到：



可以得到三种计算方案的...

【专利技术属性】
技术研发人员：刘家佳，郭鸿志，孙文，张海宾，周小艺，吕剑锋，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61