一种基于边缘计算的无人机任务卸载方法技术

本发明专利技术涉及一种基于边缘计算的无人机任务卸载方法，包括以下步骤：步骤1：端层的终端设备发布计算任务，通过DDS发布计算任务的元数据信息，主题为topicA；步骤2：云层的调度分析模块通过DDS订阅topicA，构建OMUDTCOS，得到无人机部署决策和任务计算卸载决策；步骤3：云层的调度下发模块通过DDS发布求解出的两个决策，主题分别为topicB和topicC；步骤4：边层的指令下发模块通过DDS订阅topicB和topicC，获取到无人机部署决策和任务计算卸载决策，最终由端层完成实际的无人机集群部署和终端设备任务的计算卸载。任务的计算卸载。任务的计算卸载。

【技术实现步骤摘要】
一种基于边缘计算的无人机任务卸载方法


[0001]本专利技术涉及一种卸载方法，具体涉及一种基于边缘计算的无人机任务卸载方法，属于无人机边缘计算


技术介绍

[0002]随着科技的快速发展，众多新型应用(如人脸识别、增强现实等)正在大规模普及，这些新型应用需要大规模的计算，并且对时延要求非常高，一般的移动终端设备无法提供与应用相匹配的计算能力。在这个背景下，移动边缘计算(Mobile Edge Computing, MEC)应运而生，将计算功能下沉至无线接入网，具备高带宽、低延迟等优点。
[0003]关于无人机边缘计算的部署与任务卸载决策问题，现有研究多是从单一角度考虑，即要么只优化无人机的部署，要么只优化任务卸载决策，而二者之间是紧密耦合的。因此现有研究所建立的模型现实性不足，需要引入新的模型对问题进行描述，还需考虑多任务卸载造成的信道干扰情况。其次，建立的模型较为复杂难以求解，需设计新的高效的算法将两者同时优化。最后，由于边缘计算的应用的强实时性要求，任务元数据搜集和决策下发过程的耗时需尽可能小，方法采用DDS可以很好地满足实时性这一要求。
[0004]专利技术专利：一种基于数字孪生的无人机集群轨迹优化和任务卸载方法，申请号为CN202210065422.1，提供了一种节能的无人机边缘任务计算卸载方法，包括：构建无人机集群辅助边缘计算模型；构建物理实体网络；构建物理实体网络的数字孪生网络，拟合用户设备和无人机的地理位置、资源状态信息;构建无人机轨迹、用户设备卸载决策和计算资源分配的优化模型；求解无人机轨迹和用户设备、无人机的计算资源分配策略；获取用户设备的卸载决策；获得无人机的轨迹，用户设备和无人机的计算资源最优分配策略，以及获得用户设备的任务计算最优卸载决策；该专利所使用的方法虽然制定出的任务卸载策略，能够满足用户体验质量的同时使边缘服务器节省能耗。但存在如下不足：1、多任务同时卸载至某台无人机上时，会产生信道干扰，该专利所建立的模型未考虑这一因素；2、该专利的根据第三方收集的数据建立模型，不适用于强实时性环境下的边缘计算场景；因此，迫切的需要一种新的方案解决上述技术问题。

技术实现思路

[0005]本专利技术正是针对现有技术中存在的问题，提供一种基于边缘计算的无人机任务卸载方法，本专利技术的目的是：提供一种基于边缘计算的无人机任务卸载系统及方法，研究了将无人机作为任务卸载设备进行任务的调度卸载问题，其在无人机边缘计算领域建立了一种新型的无人机计算卸载模型：即无人机部署及任务计算卸载系统优化模型(Optimization Model of UAV Deployment and Task Computation Offloading System，OMUDTCOS)，该模型同时考虑优化无人机的部署和任务卸载决策，并考虑多任务卸载传输造成的信道干扰情况，模型具有现实性。此外，系统在实际的部署过程中，端层与云层，云层与边层数据的互通均采用数据分发服务（DataDistribution Service, DDS）进行发布订阅，具有实时性高的
优点。
[0006]根据模型的特点，方法采用一种联合优化无人机部署和任务计算卸载决策的双层智能优化算法（A Two
‑
Level Intelligent Optimization Algorithm for Joint Optimization of UAV Deployment andTask Computation Offloading Decision，TLIOA）来制定无人机部署决策和任务计算卸载决策。该算法分为上下双层，下层求解无人机的任务计算卸载决策，上层求解无人机的部署决策，上下双层均采用自适应机制，能制定出更好的无人机部署决策和任务计算卸载决策。
[0007]为了实现上述目的，本专利技术的技术方案如下，一种基于边缘计算的无人机任务卸载方法， 采用无人机任务卸载系统，其中卸载系统包括云层、边层以及端层，其中，端层：包含边缘设备模块，边缘设备模块由终端设备和无人机集群组成，终端设备发布计算任务，通过DDS发布计算任务元数据信息，主题为topicA；无人机集群根据终端设备发布计算任务的特点进行编队完成任务的计算卸载；边层，包含边缘指令下发模块，边缘指令下发模块通过DDS订阅接收云层调度下发模块传送的无人机部署决策和任务计算卸载决策信息，主题分别为topicB和topicC，并将其发送给端层，由端层的无人机集群根据无人机部署决策完成编队部署，终端设备根据任务计算卸载决策将任务卸载至特定无人机上执行完成任务计算；云层：包含调度分析模块和调度下发模块，调度分析模块通过DDS订阅topicA，接收端层边缘设备模块的终端设备发布计算任务的元数据信息，建立OMUDTCOS，使用TLIOA求解出无人机部署决策和任务计算卸载决策，将求解结果发送至调度下发模块，调度下发模块通过DDS发布调度分析模块传送的无人机部署决策和任务计算卸载决策，主题分别为topicB和topicC，边层的指令下发模块订阅这两个主题。
[0008]一种基于边缘计算的无人机任务卸载方法，所述方法包括以下步骤：步骤1：端层的终端设备发布计算任务，通过DDS发布计算任务的数据信息，主题为topicA；步骤2：云层的调度分析模块通过DDS订阅topicA，实时获取到任务的元数据信息，构建OMUDTCOS，并使用TLIOA求解OMUDTCOS，得到无人机部署决策和任务计算卸载决策；步骤3：云层的调度下发模块通过DDS发布求解出的两个决策，主题分别为topicB和topicC；步骤4：边层的指令下发模块通过DDS订阅topicB和topicC，获取到无人机部署决策和任务计算卸载决策，并将两个决策传输到端层，最终由端层完成实际的无人机集群部署和终端设备任务的计算卸载。
[0009]其中，步骤1中， topicA为：topicA为：
其中totalComputationResource表示设备所发布的计算任务所需的cpu周期数，sizeOfInputData表示计算任务的计算数据量，sizeOfResults表示计算任务计算完成所产生的结果数据大小，coordinateX和coordinateY分别表示发布计算任务的计算设备当前所处位置的横纵坐标，timeMax表示该计算任务必须在timeMax时间内得到计算结果，并将计算结果传回发布计算任务的设备。
[0010]步骤2具体如下：步骤 2.1：构建场景模型，步骤 2.2：构建计算模型，步骤 2.3：构建传输模型，步骤 2.4：构建优化模型，步骤 2.5：使用TLIOA求解OMUDTCOS。
[0011]其中， 步骤 2.1：构建场景模型，具体如下：根据订阅DDS topicA获取到的计算任务元数据信息，使用计算任务六元组完成对topicA中每个计算任务数据字段的映射和数学建模，即：，表示端层终端设备发布的计算任务，其六元组中的每个元素分别对应于计算任务的totalComputationResource，sizeOf本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的无人机任务卸载方法，其特征在于，采用无人机任务卸载系统，其中卸载系统包括云层、边层以及端层，其中，端层：包含边缘设备模块，边缘设备模块由终端设备和无人机集群组成，终端设备发布计算任务，通过DDS发布计算任务元数据信息，主题为topicA；无人机集群根据终端设备发布计算任务的特点进行编队完成任务的计算卸载；边层，包含边缘指令下发模块，边缘指令下发模块通过DDS订阅接收云层调度下发模块传送的无人机部署决策和任务计算卸载决策信息，主题分别为topicB和topicC，并将其发送给端层，由端层的无人机集群根据无人机部署决策完成编队部署，终端设备根据任务计算卸载决策将任务卸载至特定无人机上执行完成任务计算；云层：包含调度分析模块和调度下发模块，调度分析模块通过DDS订阅topicA，接收端层边缘设备模块的终端设备发布计算任务的元数据信息，建立OMUDTCOS，使用TLIOA求解出无人机部署决策和任务计算卸载决策，将求解结果发送至调度下发模块，调度下发模块通过DDS发布调度分析模块传送的无人机部署决策和任务计算卸载决策，主题分别为topicB和topicC，边层的指令下发模块订阅这两个主题。2.根据权利要求1所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，所述方法包括以下步骤：步骤1：端层的终端设备发布计算任务，通过DDS发布计算任务的元数据，主题为topicA；步骤2：云层的调度分析模块通过DDS订阅topicA，实时获取到计算任务的元数据信息，构建OMUDTCOS，并使用TLIOA求解OMUDTCOS，得到无人机部署决策和任务计算卸载决策；步骤3：云层的调度下发模块通过DDS发布求解出的两个决策，主题分别为topicB和topicC；步骤4：边层的指令下发模块通过DDS订阅topicB和topicC，获取到无人机部署决策和任务计算卸载决策，并将两个决策传输到端层，最终由端层完成实际的无人机部署和终端设备任务的计算卸载。3.根据权利要求2所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤1中， topicA为：topicA为：
其中totalComputationResource表示设备所发布的计算任务所需的cpu周期数，sizeOfInputData表示计算任务的计算数据量，sizeOfResults表示计算任务计算完成所产生的结果数据大小，coordinateX和coordinateY分别表示发布计算任务的计算设备当前所处位置的横纵坐标，timeMax表示计算任务必须在timeMax时间内得到计算结果，并将计算结果传回发布计算任务的设备。4.根据权利要求3所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2具体如下：步骤 2.1：构建场景模型，步骤 2.2：构建计算模型，步骤 2.3：构建传输模型，步骤 2.4：构建优化模型，步骤 2.5：使用TLIOA求解OMUDCTOS。5.根据权利要求4所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤 2.1：构建场景模型，具体如下：根据订阅DDS topicA获取到的计算任务元数据信息，使用计算任务六元组完成对topicA中每个计算任务数据字段的映射和数学建模，即：，表示端层终端设备发布的计算任务，其六元组中的每个元素分别对应于计算任务的totalComputationResource，sizeOfInputData，sizeOfResults，coordinateX，coordinateY，timeMax信息，最终得到关于的集合，设场景中有个终端设备，每个终端设备都发布一个计算任务，对其进行编号，得到计算任务集合；设最终部署个无人机，则无人机集群表示为。6.根据权利要求5所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2.2：构建计算模型，具体如下：计算任务卸载到无人机表示计算任务由无人机进行计算并将计算结果返回至发布计算任务的终端设备；计算任务卸载到无人机，无人机的计算时间如式（1）所示，
ꢀꢀꢀ
（1）其中表示计算任务卸载到无人机所分配的计算资源，计算任务卸载到无人机的计算能耗如式（2）所示，
ꢀꢀꢀ
（2）其中为常数系数。7.根据权利要求6所述的一种基于边缘计算的无人机任务卸载方法，其特征在于，步骤2.3：构建传输模型，具体如下：a）终端设备侧：设表示终端设备和无人机之间的距离，计算公式如式（3）所示，
ꢀꢀꢀ
（3）其中和分别表示无人机的横纵坐标，为无人机的高度，为一个常数，定义计算任务计算卸载决策变量，当计算任务被卸载至无人机下计算时，否则,终端设备所发布的计算任务与无人机之间的传输速率表示如式（4）所示，（4）其中，为带宽，为终端设备与无人机之间的信道增益，与有函数关系，为设备发送计算任务计算数据时的功率，为噪声功率，为用于遍历的索引变量；计算任务被卸载至无人机下的传输时间如式（5）所示，（5）计算任务被卸载至无人机下的传输能耗如式（6）所示，
ꢀꢀ
（6）其中，表示发布计算计算任务的终端设备接收计算任务返回结果时的接收功率；b）无人机集群侧：无人机在空中的悬停时间如式（7）所示，
ꢀꢀ
（7）其中为求最大值函数，无人机的悬停能耗如式（8）所示，
ꢀꢀ
（8）其中为无人机的悬停功率，因此，无人机集群的总悬停能耗如式（9）所示，
ꢀꢀ
（9）计算卸载带来的能耗如式（10）所示，
ꢀꢀꢀ
(10)。8.根据权利要求7所述的一种基于边缘计算的无人机任务卸载方法，其特征...

【专利技术属性】
技术研发人员：汪芸，刘一川，
申请(专利权)人：东南大学，
类型：发明
国别省市：