一种MEC网络中非确定性AR应用请求卸载方法及系统技术方案

本发明专利技术属于移动边缘网络计算技术领域，公开了一种MEC网络中非确定性AR请求卸载方法及系统。该方法包括：创建AR应用请求，在边缘服务器部署多种AR服务；将基站中边缘服务器划分为多个虚拟计算资源槽；根据收集当前等待的AR请求信息，使用LP求解器获得分数解；考虑AR请求中的多个任务合并到单个基站中，提出近似算法获得最优解；考虑AR请求中的多个任务可处于不同基站，提出启发式算法获得最优解；根据历史信息预测AR请求的数据速率，根据预测的数据速率划分，并根据等待时延排序；本发明专利技术能有效地提高MEC中AR服务提供商的奖励，降低用户使用AR的体感时延。AR的体感时延。AR的体感时延。

【技术实现步骤摘要】
一种MEC网络中非确定性AR应用请求卸载方法及系统


[0001]本专利技术涉及移动边缘网络计算
，尤其涉及一种MEC网络中非确定性AR应用请求卸载方法及系统。

技术介绍

[0002]增强现实技术(Augmented Reality，AR)是一种利用计算机将虚拟信息与真实世界巧妙融合的技术，在即将到来的元宇宙(Metaverse)时代，它可以应用于医疗保健、教育、智能城市和娱乐等多种领域。
[0003]为了给移动用户提供交互式和沉浸式体验，大多数AR应用程序需要极高的响应能力和超低的处理延迟。移动边缘计算(Mobile Edge Computing，MEC)是一种新兴计算范式，它是指在移动网络边缘部署计算和存储资源，为移动网络提供IT服务环境和云计算能力，从而为用户提供超低延时和高带宽的网络服务解决方案。
[0004]许多研究人员研究了通过用户附近的边缘服务器为AR应用请求实现任务卸载，如“X.Chen and G.Liu.Energy
‑
efficient task offloading and reso本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种MEC网络中非确定性AR请求卸载方法，其特征在于，包括步骤如下：步骤一、创建AR应用请求；MEC网络基站的边缘服务器上部署多种AR服务，向MEC网络基站发送AR应用请求以进行连续处理；将边缘服务器划分为多个虚拟计算资源槽；虚拟计算资源槽与对应的实体边缘服务器位置相同，各虚拟计算资源槽的计算资源总和等于对应的实体边缘服务器的计算资源；设定一个AR应用请求在对应的基站上进行处理时，会出现被其他AR应用请求抢占资源的情况，允许在每个时隙内的AR应用请求之间进行相等的资源共享；步骤二、根据前几个时隙处理的AR应用请求预测当前AR应用请求的数据速率，根据预测的数据速率划分虚拟计算资源槽，并根据当前AR应用请求的等待时延排序进行分配；步骤三、边缘服务器收集步骤二中排序后的AR应用请求信息，使用LP求解器获得分数解；步骤四、当AR应用请求中的多个任务可以合并到单个基站中时，基于分数解采用近似算法获得分配最优解；步骤五、当AR应用请求中的多个任务处于不同基站时，基于步骤四的条件采用启发式算法获得分配最优解。2.根据权利要求1所述的MEC网络中非确定性AR请求卸载方法，其特征在于，所述步骤一，具体包括：在每个时隙内，为每个AR应用请求分配的最小计算资源量设置阈值C
th
；基于多臂老虎机方法，阈值C
th
通过AR应用请求的当前等待时间动态获得和调整；对当前AR应用请求的预期数据速率按大小进行递增排序，将当前AR应用请求添加到步骤三所收集的AR应用请求中，使其共享基站上的总计算资源，直到请求共享的平均计算资源低于阈值C
th
。3.根据权利要求1或2所述的MEC网络中非确定性AR请求卸载方法，其特征在于，所述步骤二，具体包括：在每一时隙内，收集基站所处理后的AR应用请求数据速率，根据历史用户AR应用请求对多任务多时间尺度长短期记忆神经网络MT2‑
LSTM进行训练，用于对多类型AR应用请求的数据速率进行预测；MT2‑
LSTM模型由多个多时间尺度长短期记忆神经网络MT
‑
LSTM模型组合，其中每一类型AR应用请求作为学习任务对应一种MT
‑
LSTM模型，MT2‑
LSTM中增设一个与其他MT
‑
LSTM模型共享参数的共享MT
‑
LSTM模型，共享用于预测不同AR应用请求任务中的学习参数；共享MT
‑
LSTM模型通过从不同的AR应用请求中学习共同的学习参数，前几个时隙处理的AR应用请求被馈送到其学习任务和共享MT
‑
LSTM模型的学习任务中；一个MT2‑
LSTM模型对应N个类型AR应用请求学习任务和一个共享学习任务，每个学习任务对应一个MT
‑
LSTM模型；在一个MT
‑
LSTM模型中，每一列为某一时刻的一个LSTM模型，LSTM模型包括三个单元，分别为输入门、遗忘门和输出门，各单元为激活状态或休眠状态；在每一时刻，输入数据x
T
至LSTM模型的激活状态单元中，根据网络结构传输到下一时刻对应的LSTM模型的激活状态单元中，最终将输出结果输入softmax函数中归一化，生成AR应用请求任务N的临时输出y
n
，然后接受来自共享MT
‑
LSTM模型中所训练出的结果，得到最终的输出用于预测每个AR应用请求的总数据量最大组数为：
g＝log2F
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，F为目前实现的AR应用请求的平均数据速率；将预测的AR应用请求数据速率按大小递增排序并划分为若干段，设置不同大小的虚拟计算资源槽，并调用启发式算法优先调度等待时延高的AR应用请求。4.根据权利要求3所述的MEC网络中非确定性AR请求卸载方法，其特征在于，所述步骤三具体包括：根据所收集用户发送的AR应用请求信息，计算基站边缘服务器剩余可用资源和AR应用请求的网络延时，其中网络延时包括AR应用...

【专利技术属性】
技术研发人员：夏秋粉，袁昭，徐子川，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：