超密集网络中计算卸载与资源优化方法技术

本发明专利技术公开了超密集网络中计算卸载与资源优化方法，该方法包括：获取超密集网络的网络基础信息，根据网络基础信息构建网络系统，并在网络系统的约束下构建优化问题；根据优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；根据全局最优粒子的位置执行计算卸载与资源优化配置。本发明专利技术能很好地实现最小化能耗和安全成本的目标。能很好地实现最小化能耗和安全成本的目标。能很好地实现最小化能耗和安全成本的目标。

【技术实现步骤摘要】
超密集网络中计算卸载与资源优化方法


[0001]本专利技术涉及无线通信
，尤其是涉及超密集网络中计算卸载与资源优化方法。

技术介绍

[0002]在随着移动网络与物联网技术的快速发展，种类繁多的应用如雨后春笋般相继涌现，如无人驾驶汽车、虚拟现实、增强现实、智慧医疗与全景视频等。这些应用常常表现为计算密集型，延迟敏感型，连接不中断与数据率高等特性。然而，限于有限的电池容量与计算资源，移动终端很难有效地满足这些特性需求。
[0003]为迎接上述挑战，移动边缘计算应运而生。它通过将用户的计算任务部分或完整地卸载至附近边缘服务以减少本身计算负荷，从而达到降低自身能耗的目的。为进一步缩短用户与边缘服务器间的距离，超密集部署的基站被广为提倡。通过部署超密集基站，超密集网络便由此形成。
[0004]但是，尽管超密集网络可以极大强化服务覆盖及降低用户端能耗，但计算卸载时会产生一些新的问题。例如，当用户计算任务卸载边缘服务器时，一些额外的能耗与时延会由此产生；其次，由于边缘服务器位于网络边缘，靠近网络攻击者，更容易受到攻击，因此用户需要付出一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超密集网络中计算卸载与资源优化方法，其特征在于，所述方法包括：步骤S1：获取超密集网络的网络基础信息，根据所述网络基础信息构建网络系统，所述网络系统包括通信模型、计算模型及安全模型，并在所述网络系统的约束下构建优化问题，所述优化问题为加权的标准化总能耗与标准化总安全成本之和最小化问题；步骤S2：根据所述优化问题得到初始解，并将初始解定义为父代种群，采用改进的保护多样性的自适应遗传算法对父代种群进行粗粒度搜索得到目标种群，并输出目标种群中所有个体的编码；步骤S3：以目标种群中所有个体的编码初始化粒子群中粒子的位置，并使用自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；步骤S4：根据全局最优粒子的位置执行计算卸载与资源优化配置。2.根据权利要求1所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S1的步骤包括：根据以下公式构建优化问题P1：其中，表示任务关联矩阵，，表示用户的任务是否卸载到基站，表示基站的索引集合，表示用户集合，表示每个用户的个任务的索引集合，表示安全密码算法选择矩阵，，表示任务是否选择密码算法，表示密码算法的索引集合，表示用户计算资源的分配矩阵，，表示用户分配给任务的计算资源量，表示基站计算资源的分配矩阵，，表示基站分配给用户的任务的计算资源量，表示用户发射功率集，，表示用户的发射功率，表示
用于调整标准总能耗与标准总安全成本的权重，表示用户总能耗，表示用户最大总能耗，表示用户总成本，表示任务因安全保护失败而产生费用，为用户的任务的处理时延，表示用户的任务的最后期限，表示用户的任务的处理时延不能超过该任务的最后期限，表示用户的任务至多关联一个基站，表示任务只能选择一个密码算法，表示用户的发射功率不能低于且不能高于它的最大发射功率，取足够小的常量值以避免“0/0”的现象，表示用户分配给自身所有任务的计算资源不能超过它的最大计算资源量，表示基站分配给所关联用户任务的计算资源不能超过它的最大计算资源量。3.根据权利要求2所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S2的步骤包括：步骤S21：初始化采用改进的保护多样性的自适应遗传算法的最大迭代次序，并将当前迭代次序设置为1；步骤S22：分别将父代种群中每个个体的编码成染色体，编码成染色体，编码成染色体，编码成染色体，编码成染色体，其中，表示由所有用户的所有任务构成的虚拟用户的索引集，表示个体中用户所关联基站的索引号，表示用户所选择密码算法的索引号，表示用户在本地的计算资源分配量，表示用户在边缘服务器的计算资源分配量，表示用户的发射功率；步骤S23：初始化父代种群，并根据以下公式构建父代种群中个体的适应度函数：其中，表示个体的适应度函数值，表示用户的任务的时延约束的惩罚因子，表示用户的计算资源约束的惩罚因子，表示基站的计算资源约束的惩罚因子；使用适应度函数计算父代种群中所有个体的适应度值，并将适应度值最高的个体作为历史最佳个体；步骤S24：判断当前迭代次序是否小于等于最大迭代次序，若当前迭代次序小于
等于最大迭代次序，则对父代种群进行选择、保护多样性的变异、自适应交叉和自适应变异的操作，以得到目标种群，若当前迭代次序大于最大迭代次序，则输出目标种群中所有个体的染色体编码。4.根据权利要求3所述的超密集网络中计算卸载与资源优化方法，其特征在于，所述步骤S24的步骤包括：步骤S241：根据锦标赛法选择策略从父代种群中随机选取两个个体，将适应度较高的个体放入目标种群中，并判断两个个体中是否有历史最佳个体，若两个个体中没有历史最佳个体，则用历史最佳个体替换目标种群中适应度值最低的个体；步骤S242：定义多样性测度，并根据多样性测度定义多样性引导的变异概率：其中，、与是预先设置的概率，与是阈值常量；步骤S243：从父代种群中剩下的个体中选取任意相邻个体和，并根据以下公式得到个体和之间的新型自适应交叉概率：其中，表示个体和之间的新型自适应交叉概率，表示自适应权重，表示个体和中适应度低的个体的适应度值，表示父代种群中剩下的个体的最小适应度值，表示父代种群中剩下的个体的平均适应度值，表示取值于区间的常量；从所述相邻个体和的染色体片段中随机选择一个交叉位置，根据所述新型自适应交叉概率对个体和从交叉点开始互换相...

【专利技术属性】
技术研发人员：周天清，王博博，聂学方，李轩，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：