联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法，涉及卫星通信领域。本发明专利技术通过多个并行DNN网络生成卸载决策，并通过带宽分配算法为每个用户分配带宽，然后将生成的卸载决策存储在内存中，以进一步训练和改进所有DNN以获得接近最优的卸载决策。本发明专利技术可以得到理想的系统效用函数值，并且神经网络可以达到很好的收敛效果。本发明专利技术有效的解决了卫星边缘计算中的卸载决策问题和带宽分配问题，可以广泛在卫星边缘计算技术领域中应用。广泛在卫星边缘计算技术领域中应用。广泛在卫星边缘计算技术领域中应用。
【技术实现步骤摘要】
联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法
[0001]本专利技术涉及卫星通信领域。
技术介绍
[0002]近年来，随着通信领域的飞速发展，人类每天需要面对和处理大量的数据，用户在不同的场景下对不同的任务有着不同的需求。例如，在某些场景下，需要考虑任务处理的超低延迟和超低能耗。
[0003]但是众所周知，用户处理计算任务的能力是非常有限的，仅仅依靠自身的计算能力来处理大量的计算任务显然是远远不够的。在此背景下，提出了移动边缘计算(MEC)的概念。认为通过将计算能力强的边缘服务器放置在用户附近，用户将需要处理的计算任务卸载到靠近用户侧的边缘服务器进行计算，从而获得更好的服务质量。
[0004]移动边缘计算通过在用户侧部署边缘服务器并避免应用程序生成的到远程数据中心的回程流量，提供了一种连接用户和边缘服务器的有效方式。通过将计算任务卸载到边缘服务器，用户可以大大减少任务的执行延迟，节省执行任务所需的能源消耗。
[0005]全覆盖是未来移动通信网络的重要方向。然而，由于缺乏通信基础设施，在偏远/农村地区提供计算服务成为一项具有挑战性的任务。
[0006]不仅如此，一旦发生一些自然灾害，地面通信基础设施容易受损，地面网络无法为用户提供计算服务。低轨卫星作为未来6G通信的重要研究方向，覆盖范围广，可实现对地球地面用户的全覆盖，为地球上任何地点和环境的用户提供计算服务。
[0007]考虑到边缘服务器的快速响应能力和强大的计算能力，将移动边缘计算的思想应用于低轨卫星网络。利用低轨卫星的快速通信功能和广覆盖，地球上偏远或极端环境的用户可以从全球任意位置获取计算服务，快速响应用户计算处理请求，提升用户服务体验，减少网络冗余流量。不仅如此，由于边缘计算减少了传输到云中心的数据量，用户数据可以在边缘进行处理，大大增加了用户信息的安全性。为此，我们专注于将边缘服务器放置在LEO卫星上的场景。
[0008]但是对于卫星边缘计算多用户多任务模型，考虑用户的卸载决策问题和带宽分配问题，由于卸载决策是二进制变量，所以该问题为混合整数规划问题，一般的优化工具无法有效解决这个问题。
技术实现思路
[0009]本专利技术是为了在卫星边缘计算场景中，解决用户的卸载决策问题和带宽分配分配问题，从而提出一种联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法。
[0010]联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法，所述方法所面向的场景为：设每个用户移动设备都有M个独立的任务，M为正整数；其中每个任务都能够在本地计算或卸载到配备边缘服务器的LEO卫星上进行计算；
[0011]其特征是：所述联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法包括以下
步骤：
[0012]步骤一、搭建d个DNN网络模型，d为正整数；
[0013]步骤二，用随机参数初始化每个DNN网络模型，并清空每个DNN网络模型的内存结构，并进入迭代步骤；
[0014]步骤二，分别向所有DNN网络模型输入当前时隙用户移动设备生成的不同大小的独立的计算任务；
[0015]所述每个DNN网络模型接收到的计算任务是当前时隙所有的移动设备的独立任务的总和；
[0016]步骤三，基于步骤二所述每个DNN网络模型中输入的不同大小的计算任务，使用其所在DNN网络模型生成各计算任务对应的卸载决策；
[0017]步骤四，基于步骤三所述各计算任务对应的卸载决策，使用推导出的最优带宽分配方案，获得所述各计算任务对应的卸载决策的系统效用函数值；
[0018]步骤五，从DNN中选择最佳解决方案，并通过将生成的任务和相应的卸载决策添加到DNN网络的内存结构中并更新回放内存；
[0019]步骤六，从步骤五所述更新回放内存中均匀采样一批数据集用于训练DNN网络并使用梯度下降算法更新DNN网络的参数，进行下一次迭代，直至达到迭代次数后，将获得的卸载决策用x
nm
∈{0,1}表示，当x
nm
＝1时，则用户n将计算任务m卸载到卫星上的边缘服务器上执行计算；当x
nm
＝0时，则用户n的任务m选择在本地执计算。
[0020]本专利技术具有以下特点和显著进步：
[0021]1、本专利技术考虑配备MEC服务器的LEO卫星为地面用户服务的场景，仿真中还考虑了自由空间损耗对信道增益的影响。
[0022]2、在二进制计算卸载模式下，用户的卸载决策问题和带宽分配问题是一个复杂的混合整数规划问题。本专利技术提出了一种基于深度学习的算法，通过深度学习生成接近最优的卸载决策，并通过带宽分配算法为每个用户分配带宽以获得理想的系统效用函数值。
[0023]3、与传统的卸载算法相比，本专利技术提出的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法，可以在极短的时间内，生成卸载决策。
[0024]4、本专利技术收敛的速度非常快，随着模型训练步数的增加，训练的成本趋于0，模型的训练可以得到很好的收敛。因为算法收敛的很快，所以如果需要部署更多的任务或者用户，可以很快的进行重新配置，在快速变化的环境中，该算法可以很灵活的适应环境。
附图说明
[0025]图1是卫星边缘计算系统架构图；
[0026]图2是系统算法的整体结构图；
[0027]图3是系统算法的收敛性仿真示意图；
[0028]图4是不同的系统成本中能耗与处理延迟之间的权重下，不同卸载算法的系统效用函数值比较仿真示意图；
[0029]图5是不同的边缘服务器能耗的权重φ下，不同卸载算法的系统效用函数值比较；
[0030]图6是不同的卫星边缘服务器处理速率f
sat
下，不同卸载算法的系统效用函数值比较仿真示意图；
[0031]图7是不同的本地处理每个数据位的处理时间t
1ocal
下，不同卸载算法的系统效用函数值比较仿真示意图；
[0032]图8是多次实验的平均DNN时间成本仿真示意图；
具体实施方式
[0033]具体实施方式一、下面结合说明书附图图1
‑
8，对本专利技术一种面向联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法作进一步详细的描述。
[0034]图1为本专利技术的举例场景图。如图1所示。我们假设每个移动设备都有M个独立的任务，其中每个任务都可以在本地执行或卸载到配备边缘服务器的LEO卫星上进行计算。我们把卸载决策用x
nm
∈{0,1}表示，当x
nm
＝1时代表用户n将计算任务m卸载到卫星上的边缘服务器上执行，当x
nm
＝0代表用户n的任务m选择在本地执行。
[0035]为了便于参考，我们在表1中列出了本专利技术的关键符号。
[0036]表1符号表
[0037][0038][0039]工作原理：
[0040]一.本专利技术的系统模型
[0041]1)本地执行
[0042]当移动设备选择将本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法，所述方法所面向的场景为：设每个用户移动设备都有M个独立的任务，M为正整数；其中每个任务都能够在本地计算或卸载到配备边缘服务器的LEO卫星上进行计算；其特征是：所述联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法包括以下步骤：步骤一、搭建d个DNN网络模型，d为正整数；步骤二，用随机参数初始化每个DNN网络模型，并清空每个DNN网络模型的内存结构，并进入迭代步骤；步骤二，分别向所有DNN网络模型输入当前时隙用户移动设备生成的不同大小的独立的计算任务；所述每个DNN网络模型接收到的计算任务是当前时隙所有的移动设备的独立任务的总和；步骤三，基于步骤二所述每个DNN网络模型中输入的不同大小的计算任务，使用其所在DNN网络模型生成各计算任务对应的卸载决策；步骤四，基于步骤三所述各计算任务对应的卸载决策，使用推导出的最优带宽分配方案，获得所述各计算任务对应的卸载决策的系统效用函数值；步骤五，从DNN中选择最佳解决方案，并通过将生成的任务和相应的卸载决策添加到DNN网络的内存结构中并更新回放内存；步骤六，从步骤五所述更新回放内存中均匀采样一批数据集用于训练DNN网络并使用梯度下降算法更新DNN网络的参数，进行下一次迭代，直至达到迭代次数后，将获得的卸载决策用x
nm
∈{0,1}表示，当x
nm
＝1时，则用户n将计算任务m卸载到卫星上的边缘服务器上执行计算；当x
nm
＝0时，则用户n的任务m选择在本地执计算。2.根据权利要求1所述的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法，其特征在于步骤三中，使用DNN网络生成卸载决策的具体方法是通过以下公式：根据公式：实现的；式中：l表示任务的大小，π
d
是卸载策略函数，设这里有d个DNN网络，则会生成d个候选的二进制卸载方案。3.根据权利要求1所述的联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法，其特征在于步骤四中，获取系统最优带宽分配方案的具体方法是：根据公式：
实现，式中：l1,l2,l3分别代表用户生成的三个计算任务大小，x1,x2,x3分别代表神经网络对于用户生成的三个计算任务生成的卸载决策，b1，b2，b3分别代表分配给三个用户的带宽，r1，r2，r3分别代表三个用户卸载任务时的传输速率。p1，p2，p3分别代表三个用户边缘执行的传输功率，h1，h2，h3分别代表三个用户的信道增益，σ是噪声功率，B是系...
【专利技术属性】
技术研发人员：贾敏，吴健，张良，焦祥熙，徐媚琳，郭庆，
申请(专利权)人：哈尔滨工业大学，
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。