【技术实现步骤摘要】
基于移动边缘计算的任务卸载和资源分配方法和装置
[0001]本申请涉及无线通信
,尤其涉及基于移动边缘计算的任务卸载和资源分配方法和装置。
技术介绍
[0002]在无线体域网中,部署在人体表面或植入体内的多种传感器节点可以实时监测人体的生命体征参数,然后感知数据可以通过无线通信技术发送到后台服务器进行分析,分析结果可以协助医务人员进行快速准确的诊断和治疗,从而实现一种非接触式的远程智能医疗体系。近几年,随着无线通信技术的快速发展,无线体域网作为实现智慧医疗的一项重要支撑技术,受到了社会各界广泛关注,并成为后疫情时代的一个研究热点。随着智能医疗体系的逐步完善,每天将产生海量的数据需要处理和分析,然而,无线体域网自身的计算和处理能力十分有限,远达不到智慧医疗的需求。针对无线体域网中微型传感节能量受限和数据处理能力有限的问题,研究者们提出了多种解决方法,其中能量采集技术和移动边缘计算分别可以有效地解决这两个问题。在能量采集技术中,传感节点可以从周围环境中无线接入AP节点发射的射频信号捕获能量用于自身感知和计算,并利用反向散射通信将感知信息传输到AP节点。在移动边缘计算中,边缘服务器的计算和处理数据能力远远大于传感节点,因而,传感节点可以选择在本地处理数据,也可以选择将数据卸载至边缘服务器进行快速处理。然而,受人体移动性及周围不稳定无线信道的影响,不同的卸载策略会影响数据的传输时延及整个网络数据处理效率。
技术实现思路
[0003]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[00 ...
【技术保护点】
【技术特征摘要】
1.一种基于移动边缘计算的任务卸载和资源分配方法,其特征在于,构建能量采集无线体域网系统,其中,所述能量采集无线体域网系统包括边缘服务器、无线接入AP节点、无线体域网集合,所述无线体域网集合由微型传感器节点组成,所述方法包括以下步骤:构建系统通信模型;根据所述系统通信模型构建传感器节点的能量采集模型;根据所述能量采集模型分别构建任务在本地处理模式下的第一计算效率模型和在边缘处理模式下的第二计算效率模型;根据所述第一计算效率模型和所述第二计算效率模型构建整个无线体域网的第三计算效率模型;构建深度神经网络并进行训练,得到训练好的深度神经网络;将所述传感器节点与所述无线接入AP节点之间的链路增益集合输入所述训练好的深度神经网络中,输出候选卸载决策集合;根据所述第三计算效率模型和所述候选卸载决策集合将决策问题转化为凸优化问题;分别对所述候选卸载决策集合中的卸载决策进行凸优化求解,以得到最优的卸载决策和资源分配方案。2.如权利要求1所述的方法,其特征在于,所述边缘服务器和所述AP节点之间通过有线链路相互连接,所述AP节点与无线体域网传感节点之间通过无线链路连接,一次通信过程分为能量采集阶段和数据处理阶段,所述构建系统通信模型,包括:在所述能量采集阶段,通过AP节点广播射频信号,在传感节点采用能量采集技术在规定时间内从射频信号中捕获能量;在所述数据处理阶段,在传感器节点根据最优卸载决策将数据本地处理或卸载处理,若将数据卸载处理,则根据分配的卸载时间,将数据发送至AP节点,由与AP节点相连的边缘服务器处理。3.如权利要求2所述的方法,其特征在于,所述构建传感器节点的能量采集模型,包括:定义一次通信过程时长为T,能量采集阶段占比例为b0∈(0,1),则在一次通信过程中,第i个传感器节点采集的能量为:E
i
=μPg
i
b0T其中,μ∈(0,1)表示传感器节点能量采集效率,P表示AP节点的发送功率,g
i
表示传感器节点i与AP节点之间的链路增益。4.如权利要求3所述的方法,其特征在于,所述构建任务在本地处理模式下的第一计算效率模型,包括:在所述本地处理模式下,传感器节点计算数据消耗的总能量不能超过能量采集阶段获取的能量,表示为:k
i
f
i3
t
i
≤E
i
其中,E
i
表示第i个传感器节点采集的能量,k
i
表示传感器节点i的计算能效系数,f
i
表示节点i的CPU频率,0≤t
i
≤T表示节点i的计算时间;在所述数据处理阶段,所述本地处理模式下节点计算效率表示为:
其中,C
L,i
表示节点i的计算效率,φ为传感器节点处理单位数据所需要的计算周期数,T为通信过程时长,f
i
表示节点i的CPU频率,0≤t
i
≤T表示节点i的计算时间;根据所述节点计算效率计算节点的最大计算效率为:其中,表示节点i的最大计算效率,在t
i
=T,f
i
=(E
i
/(k<...
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。