System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及星地网络资源分配技术,特别是星地网络移动边缘计算资源分配方法,比如采用基于四元深度q网络(quadruple dqn,qdqn)或d3qn的星地网络移动边缘计算资源分配方法。
技术介绍
1、随着通信网络技术的不断发展,传统的地面通信已经无法满足无处不在的服务需求。卫星通信具有覆盖范围广、受自然灾害影响小等优势,因此,将卫星网络与地面通信网络相结合的星地网络已成为通信网络的发展趋势。
2、计算资源分配方法是星地网络中的一个重要环节。现有的星地网络移动边缘计算资源分配方法,缺少对数据传输和任务调度的联合优化,计算任务分配不均衡,资源浪费,使得数据传输的效率和计算效率都较低。
技术实现思路
1、专利技术目的,提供一种星地网络移动边缘计算资源分配方法,以解决现有技术存在的上述问题。
2、技术方案:一种星地网络移动边缘计算资源分配方法,包括以下步骤:
3、s1、获取用户的计算任务,将计算任务按照预定分配比例发送给本地、地面mec服务器和卫星mec服务器,构建星地网络计算任务卸载的系统模型;
4、s2、基于系统模型,计算本地、地面mec服务器和卫星mec服务器的服务时延和系统开销;
5、s3、根据本地、地面mec服务器和卫星mec服务器的服务时延和系统开销,计算总服务时延和总系统开销,构建星地网络计算任务卸载的优化问题;
6、s4、基于优化问题,定义星地网络计算任务卸载的状态、动作和奖励,构建星地网络计算任务
7、s5、采用qdqn算法,对深度强化学习模型进行训练,获取总回报值,重复该过程,直到收敛,执行训练好的深度强化学习模型,得出最终的计算任务分配策略,其中qdqn算法为联合运用双深度q网络、竞争网络、优先经验回放和多步学习机制的算法。
8、根据本申请的一个方面,步骤s1具体为:
9、s11、获取用户的计算任务,通过终端设备向星地网络发送计算任务请求;
10、s12、基于计算任务请求,获取星地网络的信道状态,确定本地、地面mec服务器和卫星mec服务器的分配比例;
11、s13、按照分配比例,将计算任务发送给本地、地面mec服务器和卫星mec服务器,计算用户到地面mec服务器和卫星mec服务器的传输速率;
12、s14、基于分配比例和传输速率,构建星地网络计算任务卸载的系统模型。
13、根据本申请的一个方面,步骤s2具体为:
14、s21、基于系统模型,获取分配给本地的计算任务比例,计算本地的服务时延和系统开销;
15、s22、基于系统模型,获取分配给地面mec服务器的计算任务比例和用户到地面mec服务器的传输速率,计算地面mec服务器的计算时延和传输时延,相加得到地面mec服务器的服务时延,计算地面mec服务器的传输开销和等待开销,相加得到地面mec服务器的系统开销;
16、s23、基于系统模型,获取分配给卫星mec服务器的计算任务比例和用户到卫星mec服务器的传输速率,计算卫星mec服务器的计算时延和传输时延,相加得到卫星mec服务器的服务时延,计算卫星mec服务器的传输开销和等待开销,相加得到卫星mec服务器的系统开销;
17、根据本申请的一个方面,步骤s3具体为:
18、s31、根据本地、地面mec服务器和卫星mec服务器的服务时延和系统开销,计算总服务时延和总系统开销;
19、s32、根据总服务时延和总系统开销,计算总服务时延和总系统开销的加权和,以最小化总服务时延和总系统开销的加权和为目标函数;
20、s33、基于总服务时延和总系统开销,设定最大时延门限值和最大开销门限值,将其作为约束条件;
21、s34、基于目标函数和约束条件,构建星地网络计算任务卸载的优化问题。
22、根据本申请的一个方面,步骤s4具体为:
23、s41、基于优化问题,获取计算任务的卸载情况,定义为星地网络计算任务卸载的状态;
24、s42、基于优化问题,获取计算任务的分配策略,定义为星地网络计算任务卸载的动作;
25、s43、基于优化问题,获取总服务时延和总系统开销的加权和,构建奖励收益函数,定义为星地网络计算任务卸载的奖励;
26、s44、根据星地网络计算任务卸载的状态、动作和奖励,构建星地网络计算任务卸载的深度强化学习模型。
27、根据本申请的一个方面,步骤s5具体为:
28、s51、采用优先经验回放机制获取经验数据,基于经验数据,采用多步学习机制计算估计目标值;
29、s52、采用双深度q网络机制,构建价值网络和目标网络,分别在价值网络和目标网络中,采用竞争网络机制,构建价值函数和优势函数,基于经验数据,计算输出q值;
30、s53、基于估计目标值和输出q值构建损失函数,采用随机梯度下降法最小化损失函数,计算qdqn算法的总回报值;
31、s54、判断总回报值是否达到预设的总回报阈值,若否,返回步骤s51,若是,结束训练,得到训练好的深度强化学习模型;
32、s55、执行训练好的深度强化学习模型,获取状态信息,计算得出最终的计算任务分配策略。
33、根据本申请的一个方面,步骤s2具体为:
34、本地处理的服务时延公式为:
35、tm0=um0xm/cm
36、其中tm0表示用户m本地处理的服务时延,xm表示用户m的总计算任务量,cm表示用户m本地的计算资源量,um0表示用户m本地处理的计算任务比例,um0∈[0,1];
37、本地处理的系统开销公式为:
38、esm0=δum0xm(cm)2
39、其中δ为一个常量,esm0为用户m本地处理的用户开销;
40、当卸载到地面mec服务器时,用户卸载计算任务到地面mec服务器的服务延迟公式为:
41、tmn=umnxm/cnm+ umndm/rnm
42、其中,umn表示用户m卸载到地面mec服务器n的计算任务比例,umn∈[0,1],dm表示用户m的总计算任务传输数据量,rnm表示用户m到地面mec服务器n的传输速率,cnm为地面mec服务器n给用户m分配的计算资源量具体为:
43、cnm=umnxm/(∑m=1mumnxm) ×cn
44、其中,cn为地面mec服务器n的计算资源量,用户集合为m,m={1,2,3,…,m},
45、用户卸载至地面mec服务器时的传输开销为:
46、esmn,tran=p(umndm/ rnm)
47、其中,p为用户传输功率;
48、用户卸载至地面mec服务器时的等待开销为:
49、esmn,wait=pt(umnxm/ cnm)
<本文档来自技高网...【技术保护点】
1.一种星地网络移动边缘计算资源分配方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤S1具体为:
3.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤S2具体为:
4.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤S3具体为:
5.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤S4具体为:
6.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤S5具体为:
7.根据权利要求2所述的星地网络移动边缘计算资源分配方法,其特征在于,所述步骤S11中获取用户计算任务的过程还包括:
8.根据权利要求7所述的星地网络移动边缘计算资源分配方法,其特征在于,所述步骤S14中构建星地网络计算任务卸载的系统模型,具体包括如下步骤:
9.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤S1还可以为:
10.根据权利要求1所述的
...【技术特征摘要】
1.一种星地网络移动边缘计算资源分配方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤s1具体为:
3.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤s2具体为:
4.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤s3具体为:
5.根据权利要求1所述的星地网络移动边缘计算资源分配方法,其特征在于,步骤s4具体为:
6.根据权利要求1所述的星地网络移动边缘计...
【专利技术属性】
技术研发人员:王鹤蒙,沈建华,王钦超,薛海鹏,叶玉丹,抗万生,
申请(专利权)人:中国人民解放军陆军指挥学院,
类型:发明
国别省市:
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。