【技术实现步骤摘要】
无人机协助移动边缘计算中的动态计算卸载和服务器部署方法
[0001]本专利技术涉及无人机协助移动边缘计算网络中的动态多用户计算卸载和边缘服务器部署问题。通过博弈论和学习自动机理论的结合,本专利技术在动态环境下同时实现用户高效计算卸载和无人机边缘服务器最优部署,从而最小化系统范围计算成本。
技术介绍
[0002]随着智能手机、智能手环等智能移动设备的大量涌现,数据呈爆炸式增长,大量计算密集型和延迟敏感型移动智能应用程序也受到愈发广泛地关注,例如交互游戏、面部识别和增强现实等。移动边缘计算(Mobile Edge Computing,下文简称MEC)被认为是一种有前途的技术,因为它具有以令人满意的性能支持那些资源渴求应用程序的能力。用户能够将其计算任务转移到资源丰富的基础架构中,例如与MEC服务器并置的宏基站或无人机(Unmanned Aerial Vehicles,下文简称UAV)。通常,如果缺乏谨慎的多用户计算卸载策略设计,则有限的通信和计算资源将阻碍用户接收实时移动服务。同时,边缘服务器部署会影响边缘服务器与移动设备之间的信道状况,进而影响用户计算卸载策略。因此,用户的计算卸载策略与边缘服务器的部署需要同时被考虑,才能为用户提供实时移动智能应用。
[0003]现有研究着重于解决用户计算卸载和边缘服务器部署问题的其中之一。针对计算卸载问题,文献[1]提出了一种部分计算卸载和自适应任务调度框架,通过博弈论和凸优化的结合来最大化5G车联网的系统范围效用。在文献[2]中,作者将无线体域网外的患者计算卸载策略选择建模 ...
【技术保护点】
【技术特征摘要】
1.无人机协助移动边缘计算中的动态计算卸载和服务器部署方法,其特征在于,包括以下步骤:(1)构建多用户在无人机协助移动边缘计算网络中的通信模型和计算模型;(2)根据步骤(1)中构建的计算模型,构建系统范围计算成本最小化问题;(3)构建两个博弈以解构步骤(2)中的最小化问题,包括多用户计算卸载随机博弈和多无人机部署随机博弈,将搜寻系统范围计算成本最小化问题的解,转变为对博弈纳什均衡的搜索;(4)采用两个基于策略选择概率的学习算法,在动态环境下,分布式地分别得到多用户计算卸载随机博弈和多无人机部署随机博弈的纯策略纳什均衡;(5)将步骤(4)中的两种学习算法嵌套入一个对局式的异步更新框架,交替执行以上两种学习算法以得到系统范围计算成本最小化问题的解。2.根据权利要求1所述无人机协助移动边缘计算中的动态计算卸载和服务器部署方法,其特征在于:步骤(1)所述通信模型中,若用户i选择将计算任务卸载给无人机进行处理,即s
i
>0,s
i
表示用户i的计算卸载策略,那么用户i的数据传输速率R
i
(s,a)由如下公式计算:其中,s和a分别表示所有用户和所有无人机的策略配置;B表示无线信道的带宽;p
i
表示用户i的传输功率;g
i,j
表示从用户i到无人机j的瞬时信道增益;σ0表示背景噪声功率;二进制变量l{
·
}用来判断事件的真假,具体来说,如果用户i选择将计算任务卸载到无人机j,那么l{s
i
=j}=1,否则l{s
i
=j}=0;如果用户i和用户i
′
选择同一个无人机进行计算卸载,那么l{s
i
′
=s
i
}=1,否则l{s
i
′
=s
i
}=0。3.根据权利要求2所述无人机协助移动边缘计算中的动态计算卸载和服务器部署方法,其特征在于:步骤(1)所述计算模型包括用户计算成本和无人机计算成本,其中所述用户计算成本包括用户i的边缘计算成本和本地计算成本由如下公式得到:由如下公式得到:其中分别表示用户i对时延和能耗的权重,表示用户i边缘计算能耗,表示用户i本地计算能耗,表示用户i的边缘计算总时延,表示本地计算总时延;所述无人机计算成本计算公式如下:其中和分别表示无人机j对时延和能耗的权重,T
j
(s,a)表示无人机j的总时延,E
j
(s,a)表示无人机j的总能耗。4.根据权利要求1或2或3所述无人机协助移动边缘计算中的动态计算卸载和服务器部署方法,其特征在于:所述系统范围计算成本最小化问题为征在于:所述系统范围计算成本最小化问题为征在于:所述系统范围计算成本最小化问题为其中用户i的计算成本Z
i
(s,a)为:(s,a)为:表示无人机j每个CPU周期的能耗,表示计算任务在边缘计算中所需要的CPU周期数。5.根据权利要求1所述无人机协助移动边缘计算中的动态计算卸载和服务器部署方法,其特征在于:所述多用户计算卸载随机博弈的构建,基于静态博弈多用户计算卸载随机博弈构建如下:其中为用...
【专利技术属性】
技术研发人员:宁兆龙,杨雨轩,王小洁,郭磊,高新波,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。