基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法技术

本发明专利技术提出了基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法，方法包括：设置网络中CF

【技术实现步骤摘要】
基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法


[0001]本专利技术属于网络时延最小化领域，具体地，涉及基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法。

技术介绍

[0002]无小区大规模多天线架构指的是这样一种架构：整个覆盖区域內的若干用户全部使用相同带宽且同时被区域內分散在各处的接入点(Access Point,AP)服务。而这些接入点之间通过前传回路和一个CPU相连。通过给每个AP配备一个计算能力稍强的服务器，每个用户都能够将计算密集型任务卸载到接入网一侧，从而减少传统云计算的传输时延并且增强了用户设备的计算能力和续航能力。这就是无小区大规模多天线架构下的移动边缘计算。
[0003]计算卸载指的是用户将计算密集型任务传输给一个指定的服务器进行计算并返回结果的过程。在移动边缘计算中，计算卸载方法始终都是重点关注对象。在CF
‑
MEC场景中也不例外。现有文献在这一场景中，提及了一种被称为最小负载计算模型(Minimum Load Computation Model)的分布式计算卸载方法。该方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法，其特征在于：所述方法具体包括以下步骤：步骤一：设置网络中CF
‑
MEC环境参数，确定用户设备UE与AP之间的数量关系；步骤二：通过用户设备UE与AP之间的数量关系，计算密集型任务的生成，使整个网络的时延t
all
最小化；步骤三：定义动作、状态和奖励，训练深度Q网络，并保存得到网络模型。2.根据权利要求1所述方法，其特征在于：在步骤一中：所述CF
‑
MEC环境参数包括：将网络设置为一个D
×
D的正方形，其中D为网络的尺寸参数，单位为m，系统带宽B，单位为Hz，网络中AP的数量为L个，网络中用户设备UE的数量为K个，用户设备UE限定的圆形服务区域的半径R，单位为m，AP的高度H和与AP连接的服务器的计算能力W，单位为GHz；其中，L>>K且L/K>3。3.根据权利要求2所述方法，其特征在于：在步骤一中：使用两个均匀随机数生成器分别生成L个随机数对作为AP的随机位置坐标，生成K个随机数对作为用户设备UE的随机位置坐标，计算各个用户设备UE到AP的平面距离，结合所述圆形服务区域的半径R，通过迭代算法和距离判断来确定实际服务每个用户设备UE的AP簇。4.根据权利要求3所述方法，其特征在于：在步骤二中：任务参数包括任务的大小b，单位为Mb，任务的到达时刻t
arrive
，单位为s，产生该任务的用户设备UE编号I和CF
‑
MEC网络的比特传输速率C，单位为bps；所述密集型任务的平均间隔时间服从指数分布，每个用户设备UE产生的任务相互独立且参数的指数间隔相同；所述密集型任务的生成过程中涉及到的参数包括：任务之间的平均间隔时间λ和总仿真时长T，单位为s。5.根据权利要求4所述方法，其特征在于：在步骤二中：计算密集型任务的生成包括以下步骤：步骤二一：生成和用户数量L个数相同的用户列表，所述用户列表分别对应不同编号I的用户设备UE；每个用户列表的计时器独立，且初始时刻均为0；对任意一个用户列表，通过任务之间的平均时间间隔λ，任务的大小b，得到了下一个任务到达时刻t
arrive
，即：t
arrive
＝t
temp
+λ其中t
temp
是当前时刻；将t
temp
和t
arrive
信息添加进原用户列表中，重复这个过程直到计时器超过总仿真时长T为止；在对任意一个用户列表完成步骤二一的操作后，对剩下的所有用户列表都执行相同的操作来完成用户计算任务的生成，得到所有用户...

【专利技术属性】
技术研发人员：吴少川，章王舜，李壮，
申请(专利权)人：北京机电工程总体设计部，
类型：发明
国别省市：