【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 ...
【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。