一种能耗优化的低轨卫星边缘计算资源分配方法组成比例

本发明专利技术提供一种能耗优化的低轨卫星边缘计算资源分配方法，包括：获取动态的低轨卫星边缘计算网络的环境状态信息；根据环境状态信息，构建以最小化系统能耗开销为优化目标的优化问题模型，系统能耗开销为地面移动终端和低轨卫星的处理能耗的加权之和；基于优化问题模型，定义强化学习模型的核心要素，并设计状态评价函数来优化状态空间；利用基于优化DQN的深度强化学习算法求解深度强化学习模型；基于求解结果，获取能耗优化的计算资源分配策略，分发至各地面移动终端、低轨卫星和地面云服务器。本发明专利技术设计基于优化DQN的深度强化学习算法解决了低轨卫星边缘计算网络中能耗优化的计算资源分配问题，提高了计算效率，降低了系统能耗开销。统能耗开销。统能耗开销。

【技术实现步骤摘要】
一种能耗优化的低轨卫星边缘计算资源分配方法


[0001]本专利技术属于无线通信
，具体涉及一种能耗优化的低轨卫星边缘计算资源分配方法。

技术介绍

[0002]在低轨卫星边缘计算网络中，面临的一大关键挑战是如何处理亟需能源的计算密集型任务和有限资源的计算服务提供设备之间的矛盾。然而，在目前的低轨卫星边缘计算网络研究中，通常设计仅针对地面移动终端或低轨卫星的任务处理能耗作为系统的优化目标，而忽略将其两者都纳入任务处理能耗开销。结合低轨卫星边缘计算网络场景，由于低轨卫星具有高速移动、电池容量和计算能力有限的特点，低轨卫星边缘计算网络中网络环境信息动态更新，导致环境状态信息具有较高的维度。并且，环境状态空间以及计算资源分配解空间维度随着任务、低轨卫星和地面云服务器数量增加而指数性增长，这要求计算资源分配求解方法具有一定的泛化能力和拓展性。
[0003]目前低轨卫星边缘计算网络的研究主要以最小化卫星能耗或地面移动终端能耗为单一优化目标，尚未将其两者同时纳入系统能耗开销进行联和优化，并缺乏在低轨卫星高速移动、资源受限的情况下对计算资源分配方法进一步的研究。
[0004]在文献[1]中，研究人员以最小化网络中的地面移动终端的能耗开销为优化目标，通过将资源分配优化问题拆分成多个凸优化问题来逐次利用基于传统优化理论的方法进行求解。在文献[2]中，研究人员在动态网络环境中以最小化地面移动终端能耗为优化目标，将非凸问题转换为线性规划问题，利用交替方向乘子法获取最优计算资源分配策略。然而，在实际低轨卫星边缘计算网络场景中，考虑到低轨卫星高速移动和有限资源的特点，上述方法难以根据动态网络环境状态进行定制化求解，易受到系统扰动影响，存在通用性和拓展性较差的问题，在计算效率上存在瓶颈。
[0005]因此，如何以最小化地面移动终端和低轨卫星的加权系统能耗开销为目标，在考虑低轨卫星的高移动性，受限资源的情况下优化动态低轨卫星边缘计算网络的系统的计算资源分配是低轨卫星边缘计算网络需要考虑的关键问题。
[0006]参考文献：
[0007][1]Z.Song,Y.Hao,Y.Liu,and X.Sun,“Energy
‑
efficient multiaccess edgecomputing for terrestrial
‑
satellite internet of things,”IEEE Internet ofThings Journal,vol.8,no.18,pp.14 202
–
14 218,2021.
[0008][2]Q.Tang,Z.Fei,B.Li and Z.Han,"Computation Offloading in LEO Satellite Networks With Hybrid Cloud and Edge Computing,"in IEEE Internet of Things Journal,vol.8,no.11,pp.9164
‑
9176,1June1,2021.

技术实现思路

[0009]本专利技术的目的在于提供一种能耗优化的低轨卫星边缘计算资源分配方法，以在低
轨卫星快速移动和资源有限的情况下，提高计算效率，降低系统能耗开销。
[0010]基于上述问题，本专利技术提供一种能耗优化的低轨卫星边缘计算资源分配方法，包括：
[0011]S1：利用智能体获取动态的低轨卫星边缘计算网络的环境状态信息；
[0012]S2：根据获取的环境状态信息，构建以最小化系统能耗开销为优化目标的优化问题模型，系统能耗开销定义为地面移动终端的任务处理能耗和低轨卫星的任务处理能耗的加权之和；
[0013]S3：基于优化问题模型，定义强化学习模型的状态空间、动作空间和收益函数，并设计状态评价函数来优化所述状态空间；
[0014]S4：利用基于优化DQN的深度强化学习算法求解深度强化学习模型，其中，环境状态信息经过状态评价函数映射生成的离散状态作为输入信息输入所述深度强化学习算法的网络中；
[0015]S5：基于求解后的深度强化学习模型，获取能耗优化的计算资源分配策略，分发至各地面移动终端、低轨卫星和地面云服务器，实现计算资源分配。
[0016]优选地，所述低轨卫星边缘计算网络的环境状态信息包括：地面移动终端生成的第k批次的任务集合的状态信息向量W
k
、第k批次任务开始执行时各地面移动终端和低轨卫星之间的地心角向量β
k
、任务开始执行时各地面移动终端和地面云服务器之间的可见性向量b
k
和第k批次任务开始执行时各低轨卫星的电池使用状态信息向量U
k
。
[0017]优选地，所述步骤S1包括：
[0018]步骤S11：提供由位于地面上的M个地面移动终端和J台地面云服务器、以及位于太空中的N颗低轨卫星组成的低轨卫星边缘计算网络；地面移动终端的集合、低轨卫星的集合和地面云服务器的集合分别表示为M＝{1,
…
,m,
…
,M}，N＝{1,
…
,n,
…
,N}和J＝{1,
…
,j,
…
,J}，m、n、j分别表示地面移动终端的序数、低轨卫星的序数和地面云服务器的序数，M、N、K分别为地面移动终端的数量、低轨卫星的数量和地面云服务器的数量；设置每个地面移动终端每次至多能连接一颗低轨卫星；并且设置每个地面移动终端每次至多能和一台地面云服务器通过低轨卫星建立连接；
[0019]步骤S12：设置每个地面移动终端在每个批次仅生成一个不可分割的计算任务；随后，将整个低轨卫星边缘计算网络需执行的任务批次的集合K表示为：K＝{1,
…
,k,
…
,K}，k表示第k个任务批次，K为任务批次的总数量；将第m个地面移动终端的第k批次生成的任务描述为其中，表示为任务载荷的数据大小，表示为任务载荷所需的CPU处理周期数；将地面移动终端生成的第k批次的任务集合的状态信息向量W
k
定义为M为地面移动终端的数量；
[0020]步骤S13：设置低轨卫星均运行在圆轨道上，将轨道高度表示为H，地球半径表示为R，地面移动终端m和低轨卫星n之间在开始执行第k批次的任务时的仰角表示为得到第k批次任务开始执行时各地面移动终端和低轨卫星之间的地心角向量β
k
以及整个低轨卫星边缘计算网络的各个低轨卫星对于各个地面移动终端在执行第k批次任务的可见时长；
[0021]步骤S14：初始化任务开始执行时各地面移动终端和地面云服务器之间的可见性向量b
k
和第k批次任务开始执行时各低轨卫星的电池使用状态信息向量U
k
。
[0022]优选地，低轨卫星n对于地面移动终端m在执行第k批次任务的可见时长为：
[0023][0024]其中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种能耗优化的低轨卫星边缘计算资源分配方法，其特征在于，包括：步骤S1：利用智能体获取动态的低轨卫星边缘计算网络的环境状态信息；步骤S2：根据获取的环境状态信息，构建以最小化系统能耗开销为优化目标的优化问题模型，系统能耗开销定义为地面移动终端的任务处理能耗和低轨卫星的任务处理能耗的加权之和；步骤S3：基于优化问题模型，定义强化学习模型的状态空间、动作空间和收益函数，并设计状态评价函数来优化所述状态空间；步骤S4：利用基于优化DQN的深度强化学习算法求解深度强化学习模型，其中，环境状态信息经过状态评价函数映射生成的离散状态作为输入信息输入所述深度强化学习算法的网络中；步骤S5：基于求解后的深度强化学习模型，获取能耗优化的计算资源分配策略，分发至各地面移动终端、低轨卫星和地面云服务器，实现计算资源分配。2.根据权利要求1所述的能耗优化的低轨卫星边缘计算资源分配方法，其特征在于，所述低轨卫星边缘计算网络的环境状态信息包括：地面移动终端生成的第k批次的任务集合的状态信息向量W
k
、第k批次任务开始执行时各地面移动终端和低轨卫星之间的地心角向量β
k
、任务开始执行时各地面移动终端和地面云服务器之间的可见性向量b
k
和第k批次任务开始执行时各低轨卫星的电池使用状态信息向量U
k
。3.根据权利要求2所述的能耗优化的低轨卫星边缘计算资源分配方法，其特征在于，所述步骤S1包括：步骤S11：提供由位于地面上的M个地面移动终端和J台地面云服务器、以及位于太空中的N颗低轨卫星组成的低轨卫星边缘计算网络；地面移动终端的集合、低轨卫星的集合和地面云服务器的集合分别表示为M＝{1,
…
,m,
…
,M}，N＝{1,
…
,n,
…
,N}和J＝{1,
…
,j,
…
,J}，m、n、j分别表示地面移动终端的序数、低轨卫星的序数和地面云服务器的序数，M、N、K分别为地面移动终端的数量、低轨卫星的数量和地面云服务器的数量；设置每个地面移动终端每次至多能连接一颗低轨卫星；并且设置每个地面移动终端每次至多能和一台地面云服务器通过低轨卫星建立连接；步骤S12：设置每个地面移动终端在每个批次仅生成一个不可分割的计算任务；随后，将整个低轨卫星边缘计算网络需执行的任务批次的集合K表示为：K＝{1,
…
,k,
…
,K}，k表示第k个任务批次，K为任务批次的总数量；将第m个地面移动终端的第k批次生成的任务描述为其中，表示为任务载荷的数据大小，表示为任务载荷所需的CPU处理周期数；将地面移动终端生成的第k批次的任务集合的状态信息向量W
k
定义为M为地面移动终端的数量；步骤S13：设置低轨卫星均运行在圆轨道上，将轨道高度表示为H，地球半径表示为R，地面移动终端m和低轨卫星n之间在开始执行第k批次的任务时的仰角表示为得到第k批次任务开始执行时各地面移动终端和低轨卫星之间的地心角向量β
k
以及整个低轨卫星边缘计算网络的各个低轨卫星对于各个地面移动终端在执行第k批次任务的可见时长；步骤S14：初始化任务开始执行时各地面移动终端和地面云服务器之间的可见性向量b
k
和第k批次任务开始执行时各低轨卫星的电池使用状态信息向量U
k
。4.根据权利要求3所述的能耗优化的低轨卫星边缘计算资源分配方法，其特征在于，低轨卫星n对于地面移动终端m在执行第k批次任务的可见时长为：其中，T
LEO
为低轨卫星的运行周期，为地面移动终端m和低轨卫星n之间的地心角；地面移动终端m和低轨卫星n之间的地心角为：其中，R为地球半径，H为轨道高度，为地面移动终端m和低轨卫星n之间在开始执行第k批次的任务时的仰角；低轨卫星的运行周期T
LEO
为：其中，R为地球半径，H为轨道高度，μ表示开普勒常数。5.根据权利要求3所述的能耗优化的低轨卫星边缘计算资源分配方法，其特征在于，所述步骤S2包括：步骤S21：将地面移动终端生成的第k批次的任务集合的状态信息向量W
k
所对应的任务调度方式向量定义为义为为第m个地面移动终端的第k批次生成的任务调度至低轨卫星边缘计算网络中各低轨卫星的决策向量，为将第m个地面移动终端的第k批次生成的任务调度至低轨卫星边缘计算网络中各地面云服务器的决策向量，所有地面移动终端的同一个批次的任务集合中的多个任务能够选择不同的任务调度方式；任务调度方式包括：在本地进行处理、传输至低轨卫星进行处理、和通过低轨卫星传输至地面云服务器进行处理；步骤S22：根据获取的第k批次的任务集合的环境状态信息和任务调度方式向量，确定任务集合中的每一个任务的处理时延、地面移动终端的任务处理能耗和低轨卫星的任务处理能耗；步骤S23：将地面移动终端的任务处理能耗和低轨卫星的任务处理能耗的加权之和定义为系统能耗开销，构建出以最小化系统能耗开销为优化目标的优化问题模型。6.根据权利要求5所述的能耗优化的低轨卫星边缘计算资源分配方法，其特征在于，第m个地面移动终端的第k批次生成的任务调度至低轨卫星边缘计算网络中各低轨卫星的决策向量为：
其中，表示第m个地面移动终端的第k批次生成的任务被调度至低轨卫星n执行；表示第m个地面移动终端的第k批次生成的任务未被调度至低轨卫星n执行；第m个地面移动终端的第k批次生成的任务调度至低轨卫星边缘计算网络中的各低轨卫星的决策和为将第m个地面移动终端的第k批次生成的任务调度至低轨卫星边缘计算网络中各地面云服务器的决策向量为：其中，表示第m个地面移动终端的第k批次生成的任务通过低轨卫星n被调度至地面云服务器j执行；表示第m个地面移动终端的第k批次生成的任务未通过低轨卫星n被调度至地面...

【专利技术属性】
技术研发人员：吴昊南，杨秀梅，卜智勇，赵宇，唐亮，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：