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技术

本发明专利技术公开了一种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，首先构建多用户在无人机协助移动边缘计算网络中的通信和计算模型，提出系统范围计算成本的最小化问题；接着利用博弈论，将系统范围计算成本最小化问题解构为两个随机博弈，同时提出两个基于策略选择概率的学习算法，在动态环境下分别收敛于两个随机博弈的纯策略纳什均衡；最后，将上述两个学习算法嵌套入一个对局式的异步更新框架，交替执行两种学习算法，以解决所提出的系统范围计算成本最小化问题。本发明专利技术实用、高效地同时解决了动态环境下多用户计算卸载问题和边缘服务器部署问题，最小化系统范围的计算成本，为无人机协助移动边缘计算的发展和实际应用提供了一个良好的范例。和实际应用提供了一个良好的范例。和实际应用提供了一个良好的范例。

【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为非合作博弈，以最大程度地降低系统范围计算成本。针对边缘服务器部署问题，文献[3]的作者利用混合整数编程来平衡边缘服务器之间的工作量，并通过最优化边缘服务器部署来最大程度地减少移动用户的访问延迟。在文献[4]中，作者提出了一个名为Tentacle的框架，通过发掘适当的不可见的边缘位置来优化整个系统计算成本。文献[5]应用遗传算法和局部搜索算法，在最少的探索范围内找到边缘服务器部署问题的最佳解决方案。
[0004]无人机协助的MEC架构(UAV
‑
enabled MEC)由于其高视线吞吐量(line
‑
of
‑
sight throughput)和便捷的部署而被认为是同时解决用户计算卸载和边缘服务器部署问题的一种有效方法，尤其是在没有基础架构覆盖的情况下。在文献[6]中，作者提出一种基于惩罚的对偶分解算法，通过联合优化无人机轨迹、任务计算卸载率和用户调度，将所有用户的最大延迟总和最小化。文献[7]研究了多个无人机协助的MEC网络，其中将具有时延和覆盖范围约束的总功率最小化问题分解为三个子问题，迭代地达到了最佳功率控制、用户计算卸载策略和边缘服务器部署。
[0005]然而现有的研究均采用准静态(quasi
‑
static)假设，即在用户计算卸载或边缘服务器部署期间，用户或边缘服务器的集合保持不变。这一假设无法满足更为现实的动态环境。所谓动态环境，指的是用户随机产生计算任务以及无线衰落信道随时间变化。对于这种情景，需要研究人员提出一种能够充分适应动态环境的方法，同时解决多用户计算卸载问
题和边缘服务器部署问题，从而最小化系统范围的计算成本。

技术实现思路

[0006]本专利技术的目的主要是针对现有研究的不足之处，在动态环境下，实现无人机协助移动边缘计算网络中系统范围计算成本的最小化。本专利技术首先构建多用户在无人机协助移动边缘计算网络中的通信和计算模型，提出系统范围计算成本的最小化问题；接着利用博弈论，将系统范围计算成本最小化问题解构为两个博弈，并且通过对效用的合适定义，保证博弈纯策略纳什均衡的存在性，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；为了得到两个博弈的纳什均衡，本专利技术提出两个基于策略选择概率的学习算法，在动态环境下收敛于博弈的纯策略纳什均衡；最后，本专利技术将上述两个学习算法嵌套入一个对局式(Chess
‑
l ike)的异步更新框架，交替执行上述两种学习算法，即一个学习算法的输出作为另一个学习算法的输入，从而以分布式方式解决所提出的系统范围计算成本最小化问题。本专利技术首次使用新颖的对局式的异步更新方法，实用、高效地同时解决了动态环境下多用户计算卸载问题和边缘服务器部署问题，从而最小化系统范围的计算成本，为无人机协助移动边缘计算的发展和实际应用提供了一个良好的范例。
[0007]为了实现上述目的，本专利技术采用的技术方案是：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，包括以下步骤：
[0008](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。
[0009](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。
[0010](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。
[0011](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。
[0012](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。
[0013]具体地，步骤(3)中，本专利技术巧妙地将最小化系统范围成本这一NP难问题，解构为用户间与无人机间的两个子博弈，通过对用户策略配置与无人机策略配置的解耦合，本专利技术将对系统范围计算成本最小化问题解的搜寻，转变为对两个子博弈纳什均衡的求解。这一修改不仅能大幅降低计算复杂度，同时还可以将场景扩展到动态情况，即用户随机产生计算任务。针对这一动态情况，步骤(4)中，本专利技术采用基于策略选择概率的学习算法，分布式地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纳什均衡。基于策略选择概率的学习算法相比于传统算法，可以更好的把握网络的长期特性，使得用户和无人机的策略选择不会受到因动态情况产生的干扰，从而实现动态情况下的最优策略选择。步骤(4)保证了动态情况下用户和无人机各自的最优策略选择，因此步骤(5)将上述的两个基于策略选择概率的学习算法，纳入一个对局式的异步更新框架，通过对无人机和用户策略的交替优化，最终实现系统范围计算成本的最小化。
[0014]综上所示，本专利技术的效果和益处是：本专利技术提供的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能够同时在动态环境下完成用户计算卸载策略的选择与
无人机边缘服务器的部署，最小化系统范围计算成本，为无人机协助移动边缘计算的应用提供了一个新的思路和角度。
附图说明
[0015]图1为无人机协助移动边缘计算网络示意图。
[0016]图2为本专利技术的执行流程说明。
[0017]图3为学习算法UESSPL算法的收敛情况。
[0018]图4、图5为不同尺度因子本文档来自技高网...

【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：