一种用于工业物联网中随机任务的AI卸载优化方法技术

本发明专利技术公开一种用于工业物联网中随机任务的AI卸载优化方法，利用无人机充当边缘服务器，建立一个两层无人机的边缘计算实体网络，用于卸载和处理随机任务，并通过人工智能的方法优化边缘计算模型。针对危险作业环境里生产区发生通信故障时的特定任务处理以及能耗问题提出一个邻近智能卸载方法NIO，在两层无人机的边缘计算实体网络下，根据无人机采集到的设备信息构建系统卸载模型，首先基于距离提出一种密集设备就近卸载、分散设备集中卸载的卸载决策，随后通过李雅普诺夫优化方法进行能耗优化处理，最后基于DDPG

【技术实现步骤摘要】
一种用于工业物联网中随机任务的AI卸载优化方法


[0001]本专利技术涉及无人机辅助的边缘计算领域，特别涉及一种用于工业物联网中随机任务的AI卸载优化方法。

技术介绍

[0002]随着智能移动设备和5G的普及，许多计算密集型服务应运而生，但与此同时这些计算密集型服务发展受智能移动设备计算资源和电池容量的限制。为解决上述问题，通过将计算任务卸载给基站上的云服务器或者更近的边缘服务器，更快地完成计算任务并降低设备能耗、缩短任务处理时间。而在一些特殊情况，如出现拥挤场所或自然灾难的情况下，地面基站因为网络拥塞或损坏等原因无法为设备提供服务，由此产生无人机搭载边缘服务器接收用户任务的方案。无人机具有灵活、低成本、易于部署等优势，在无人机辅助边缘计算上有很好的应用前景。
[0003]工业物联网是将具有感知、监控等功能的传感器等与通信和智能分析结合，融入到工业生产过程中一种新兴技术，这种技术能够提高生产效率、改善产品质量、减少资源消耗。工业物联网同样采用云计算和边缘计算的思想，工业生产产生的大量数据可以卸载到云服务器和边缘服务器中。工业物联网设备可以安装到矿区、油气管道等危险作业环境中，能够实时监测工作环境，并进行分析和监控，最大限度地确保工作人员的人身安全，以及生产设备和周边环境不受损害，对于现代工业的安全生产需求提供了有效保障。
[0004]但是物联网技术、云计算和边缘计算技术被应用于工业生产的同时，也带来了一些问题，工业物联网不同于应用在日常生活领域的物联网，后者出现通信故障，多数情况都不会引发紧急状况出现，但工业互联网则不同，通信故障轻则影响生产，重则无法保障作业人员和设备的安全，所以保障工业物联网的通信畅通极为重要。
[0005]目前，工业物联网下无人机辅助的边缘计算存在以下问题：无人机虽然灵活、易于部署，但是体积小、电池容量和计算资源有限，导致无人机在处理任务时不能像基站一样长时间工作，也无法拥有基站的计算能力。无人机的计算和数据传输都需要消耗能量，所以为了让无人机尽可能长时间工作，需要尽可能减小系统的能耗；在工业物联网中，设备会不断产生数据，因此使用随机任务到达模型更加贴合实际，但任务到达是随机的，缓冲区是动态的，系统问题将难以解决。

技术实现思路

[0006]专利技术目的：针对以上问题，本专利技术目的是提供一种用于工业物联网中随机任务的AI卸载优化方法，充分考虑工业物联网环境中的任务随机到达的情况，并降低系统的能耗，以实现危险作业环境处于通信故障时，工业物联网仍能根据设备获取的数据进行分析任务，实现安全生产。
[0007]技术方案：本专利技术的一种用于工业物联网中随机任务的AI卸载优化方法，该卸载优化方法包括以下步骤：
[0008]S10，巡航无人机检测到生产区出现通信故障后，搭载边缘服务器的无人机搭建边缘计算实体网络，利用边缘计算实体网络确定通信故障预测时隙；
[0009]所述边缘计算实体网络包括三层，分别为生产区设备层、高空无人机层及低空无人机层；
[0010]S20，高空无人机获取生产区设备的基本信息，计算本地计算能耗模型、边缘服务器能耗计算模型、设备缓存任务队列及边缘服务器缓存任务队列；
[0011]S30，计算边缘计算实体网络在单个时隙下的最小总能耗，根据最小总能耗构建优化模型；
[0012]S40，利用李雅普诺夫优化方法将边缘计算实体网络能耗最小化问题转化为李雅普诺夫漂移加惩罚最小化问题；
[0013]S50，根据就近
‑
集中卸载决策和设备的基本信息，DDPG
‑
G算法对李雅普诺夫漂移加惩罚最小化问题进行优化，得到计算资源分配及无人机位置部署的最优方案；
[0014]S60，巡航无人机检测到通信恢复正常后，无人机辅助的边缘计算网络将结束任务的接收，并在处理完剩余任务后进入待机状态；如果预测故障时间将要结束而通信暂未恢复时，边缘计算实体网络将重新进行预测并重复上述步骤S20至步骤S50。
[0015]进一步，所述低空无人机层包括M架低空无人机，每台低空无人机搭载边缘服务器，随机分布于生产区，在边缘计算实体网络运行过程中移动，用代表低空无人机的集合，位置表示为L
j
＝[X
j
,Y
j
,H
j
]；
[0016]所述高空无人机层包括一架高空无人机，搭载边缘服务器，位于生产区的中央高空且位置固定不变，表示为L0＝[X0,Y0,H0]。
[0017]进一步，步骤S10中，当巡航无人机检测到生产区出现通信故障后，生产区设备层生成的任务一部分通过设备进行本地处理，另一部分卸载到无人机搭载的边缘服务器进行处理，任务卸载采用密集设备就近卸载、分散设备集中卸载的卸载决策，包括：令代表设备层中设备组成的集合，位置表示为L
i
＝[X
i
,Y
i
,0]，根据设备位置信息，计算每台设备与每台低空无人机的距离s
ij
并进行比较，得到最大值为S，第i台设备与最近低空无人机之间的距离s
i
，判断s
i
是否小于S，若是，第i台设备将任务卸载到距离最近的低空无人机上；否则，第i台设备将任务卸载到高空无人机上。
[0018]进一步，步骤S10中，利用边缘计算实体网络确定通信故障预测时隙包括：边缘计算实体网络判断生产区是否第一次出现通信故障，若是，则随机设置一个初始值作为本次故障的预测时间；否则根据以往的故障时间对本次通信故障时间进行预测，将故障时间划分成T个时隙。
[0019]进一步，步骤S20，构建本地计算能耗模型包括：
[0020]将t时隙内设备i处理的任务量表示为：
[0021][0022]式中τ表示时隙时长，f
iloc
(t)表示设备i在t时隙用于本地处理的计算资源，c表示执行1比特计算任务所需的CPU周期数；
[0023]计算本地计算能耗模型，表达式为：
[0024][0025]式中单位计算资源的能耗为式中单位计算资源的能耗为是有效开关电容，取决于芯片的结构；
[0026]边缘服务器能耗计算模型包括：
[0027]计算设备i与高空无人机的距离，表达式为：
[0028][0029]计算设备i与低空无人机的距离，表达式为：
[0030][0031]其中j≠0表示设备i与低空无人机j的距离，j＝0表示设备i与高空无人机的距离；
[0032]根据设备与无人机之间的距离计算设备i的数据传输速率，表达式为：
[0033][0034]式中B
ij
(t)表示无人机j在t时隙提供给设备的信道带宽，p
i
(t)表示设备i在t时隙的上行数据传输速率，h0表示信道增益，σ2表示噪声功率；
[0035]利用数据传输速率计算设备i在时隙t内卸载到无人机j的任务量，表达式为：
[0036][0037]卸载计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于工业物联网中随机任务的AI卸载优化方法，其特征在于，该卸载优化方法包括以下步骤：S10，巡航无人机检测到生产区出现通信故障后，搭载边缘服务器的无人机搭建边缘计算实体网络，利用边缘计算实体网络确定通信故障预测时隙；所述边缘计算实体网络包括三层，分别为生产区设备层、高空无人机层及低空无人机层；S20，高空无人机获取生产区设备的基本信息，计算本地计算能耗模型、边缘服务器能耗计算模型、设备缓存任务队列及边缘服务器缓存任务队列；S30，计算边缘计算实体网络在单个时隙下的最小总能耗，根据最小总能耗构建优化模型；S40，利用李雅普诺夫优化方法将边缘计算实体网络能耗最小化问题转化为李雅普诺夫漂移加惩罚最小化问题；S50，根据就近
‑
集中卸载决策和设备的基本信息，DDPG
‑
G算法对李雅普诺夫漂移加惩罚最小化问题进行优化，得到计算资源分配及无人机位置部署的最优方案；S60，巡航无人机检测到通信恢复正常后，无人机辅助的边缘计算网络将结束任务的接收，并在处理完剩余任务后进入待机状态；如果预测故障时间将要结束而通信暂未恢复时，边缘计算实体网络将重新进行预测并重复上述步骤S20至步骤S50。2.根据权利要求1所述的AI卸载优化方法，其特征在于，所述低空无人机层包括M架低空无人机，每台低空无人机搭载边缘服务器，随机分布于生产区，在边缘计算实体网络运行过程中移动，用代表低空无人机的集合，位置表示为L
j
＝[X
j
,Y
j
,H
j
]；所述高空无人机层包括一架高空无人机，搭载边缘服务器，位于生产区的中央高空且位置固定不变，表示为L0＝[X0,Y0,H0]。3.根据权利要求2所述的AI卸载优化方法，其特征在于，步骤S10中，当巡航无人机检测到生产区出现通信故障后，生产区设备层生成的任务一部分通过设备进行本地处理，另一部分卸载到无人机搭载的边缘服务器进行处理，任务卸载采用密集设备就近卸载、分散设备集中卸载的卸载决策，包括：令代表设备层中设备组成的集合，位置表示为L
i
＝[X
i
,Y
i
,0]，根据设备位置信息，计算每台设备与每台低空无人机的距离s
ij
并进行比较，得到最大值为S，第i台设备与最近低空无人机之间的距离s
i
，判断s
i
是否小于S，若是，第i台设备将任务卸载到距离最近的低空无人机上；否则，第i台设备将任务卸载到高空无人机上。4.根据权利要求3所述的AI卸载优化方法，其特征在于，步骤S10中，利用边缘计算实体网络确定通信故障预测时隙包括：边缘计算实体网络判断生产区是否第一次出现通信故障，若是，则随机设置一个初始值作为本次故障的预测时间；否则根据以往的故障时间对本次通信故障时间进行预测，将故障时间划分成T个时隙。5.根据权利要求4所述的AI卸载优化方法，其特征在于，步骤S20，构建本地计算能耗模型包括：将t时隙内设备i处理的任务量表示为：
式中τ表示时隙时长，f
iloc
(t)表示设备i在t时隙用于本地处理的计算资源，c表示执行1比特计算任务所需的CPU周期数；计算本地计算能耗模型，表达式为：式中单位计算资源的能耗为式中单位计算资源的能耗为是有效开关电容，取决于芯片的结构；边缘服务器能耗计算模型包括：计算设备i与高空无人机的距离，表达式为：计算设备i与低空无人机的距离，表达式为：其中j≠0表示设备i与低空无人机j的距离，j＝0表示设备i与高空无人机的距离；根据设备与无人机之间的距离计算设备i的数据传输速率，表达式为：式中B
ij
(t)表示无人机j在t时隙提供给设备的信道带宽，p
i
(t)表示设备i在t时隙的上行数据传输速率，h0表示信道增益，σ2表示噪声功率；利用数据传输速率计算设备i在时隙t内卸载到无人机j的任务量，表达式为：卸载计算总能耗包括卸载任务传输能耗和边缘计算能耗两个部分，表示为：式中ε表示边缘服务器计算单位任务的能耗，表示无人机j在t时隙分配给设备的计算资源；设备缓存任务队列表达式为：边缘服务器缓存任务队列表达式为：式中δ
i
(t)表示t时隙设备i执行和卸载的任务量之和，表达式为：λ
i
(t)表示t时隙设备i生成的任务量，即设备生成的任务进入缓存任务队列后，以卸载
和本地处理两种方式离开队列；δ
j
(t)表示t时隙离开边缘服务器缓冲区的任务，即计算完成的任务，表示时隙t内设备i卸载到无人机j的任务量，即设备卸载到边缘服务器的任务进入边缘服务器缓存任务队列后，任务经过边缘服务器的处理后离开队列；和在时隙t＝0时均为0；利用李雅普诺夫优化方法约束任务队列的稳定性，则所有计算任务需要满足以下约束条件：6.根据权利要求5所述的AI卸载优化方法，其特征在于，在步骤S30中，总能耗包括本地计算能耗和卸载计算能耗，表达式为：根据边缘计算实体网络总能耗最小构建总能耗优化模型，优化问题表示为：根据边缘计算实体网络总能耗最小构建总能耗优化模型，优化问题表示为：C2:0≤p
i
(t)≤p
i,max
(t)C3:0≤f
iloc
(t)≤f
ilocloclocloc
a(t)是问题P1优化变量的集合，表示为：a(t)＝[B(t),f
loc
(t),f
UAV
(t),p(t),δ(t)]式中B(t)＝{[b
10
(t),
…
b
1M
(t)],
…
,[b
N0
(t),
…
,b
NM
(t)]}表示M+1架无人机在t时隙分配给N台设备的带宽，表示t时隙N台设备分别拥有的计算资源，表示M+1架无人机在t时隙分别分配给N台设备的计算资源，p(t)＝[p1(t),
…
,p
N
(t)]表示t时隙N台设备的上行传输功
率，δ(t)＝[δ0(t),
…
,δ
M
(t)]表示t时隙离开M+1架无人机的计算任务；约束C1表示无人机j在t时隙提供给设备的信道带宽B
ij
(t)之和不能大于无人机j拥有的总信道带宽B
j
，且B
ij
(t)不能为负；约束C2表示设备i在t时隙的上行数据传输速率p<...

【专利技术属性】
技术研发人员：谈玲，曹博源，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：