【技术实现步骤摘要】
本专利技术属于5g网络边缘智能，主要用于超密集网络(ultra-densenetwork，udn)中对网络环境未知的移动设备的任务卸载方法，该方法适用于网络中边缘服务器的性能动态变化且用户的卸载任务存在持续时间约束的情况下，制定出合理的卸载任务分配决策，最大化用户的任务完成率。
技术介绍
1、随着5g技术的发展，产生了两项先进的技术：移动边缘计算(mobile edgecomputing，mec)和超密集网络(ultra-dense network，udn)。mec通过把移动用户的计算卸载到网络的边缘服务器，即把计算下沉到网络的边缘，从而降低网络的时延和能耗；udn则针对大规模物联网应用，通过集成最新的无线接入技术，在宏基站的覆盖区域内部署大量的短距离和低功耗小基站，为用户提供高吞吐量和灵活接入服务。因此，udn和mec被视为5g网络中两种不同但互补的技术。
2、在一个udn系统中，计算卸载可能发生在一个无线设备(wireless device，wd)和多个接入点(access point，ap)之间，每个ap都由mec服务器赋能用于任务处理。这个系统中，网络环境对新进入网络区域的用户来说往往是未知的。而且，wd处于移动状态，不同的时间wd可连接到的边缘服务器是不同的；其次，每个mec服务器会接收来自其它wd卸载的任务，其计算能力也是变化的；再次，由于无线网络的波动性，每个ap的网络状况也处于变化之中。这就给我们进行卸载决策带来了很大的问题。
技术实现思路
1、为了克服
2、为了实现上述过程，本专利技术提供以下的技术方案：
3、一种在未知网络环境的超密集网络最大化卸载任务完成率的在线学习方法，包括以下步骤：
4、步骤1：在超密集网络区域中随机部署a多个接入点ap，每个ap有稳定的电源供应，且都通过有线连接一个边缘服务器，网络中有一个无线移动设备wd可以与多个ap相连；
5、步骤2：wd一共产生i个任务，把每个任务i分成ni任务块，通过均值策略计算轮次t的持续时间，按照任务块大小顺序按轮次在规定的持续时间内把任务块卸载给边缘服务器计算，每一轮次卸载任务块数量不超过b；
6、步骤3：以任务块分配策略为优化变量，以最大化wd的i个任务的平均完成率为优化目标建立问题数学模型p；
7、步骤4：通过上下文多臂老虎机策略求解问题数学模型p，得到每一轮次每个任务块的边缘服务器选择概率向量；
8、步骤5：使用步骤4的边缘服务器选择概率向量构建加权二分图，根据优先级策略，确定最终任务块分配策略，按照策略卸载任务块得到计算结果，并更新知识。
9、进一步地，所述步骤3中，问题数学模型p建模为：
10、
11、其中，优化变量表示每个轮次t做出的任务块卸载决策，为总轮次；是一个指示变量，当边缘服务器a对任务块in的卸载计算时延小于任务块所在轮次的持续时间，就认为任务块in计算完成，记作反之，xi表示任务i的数据大小，表示任务块in的大小；表示是否在t轮次将任务块in卸载给边缘服务器a；[ti,ti]表示任务i的卸载轮次，其中表示第t轮次wd连接的边缘服务器。
12、再进一步的，优化问题p的约束条件为：
13、
14、
15、
16、其中si,t为每个轮次t分配任务块集合。
17、更进一步地，所述步骤4中，每个轮次t∈[ti,ti]中，采用多臂赌博机算法求解问题p的步骤为：
18、步骤4.1：将一个上下文空间φ＝[0,1]d分为(ht)d块超立方体，其中d代表φ的维度，ht代表φ被划分的粒度，为每个超立方体赋予计数属性ct(p)和估计值属性分别表示超立方体p被选中的次数和完成概率估计值。其初始值c0(p)＝0以及
19、步骤4.2：对每一任务块，观测其与所有边缘服务器组成的组合上下文，并根据上下文信息找到上下文空间φ中的超立方体
20、步骤4.3：将问题p的限制条件式(2)的整数约束松弛，即并令得到每个任务块in∈si,t的边缘服务器选择概率向量。
21、更进一步地，所述步骤5中，采用加权二分图和优先级策略进行任务块卸载的步骤为：
22、步骤5.1：构建加权二分图其中si,t和分别表示左顶点，即t轮次所有任务块、右顶点，即t轮次所有边缘服务器的集合，边初始化卸载方案
23、步骤5.2：计算每个任务块的优先级并按照优先级值的大小顺序地为中的左顶点分配右顶点，分配方法为：找到左顶点in的最大权值边(in,a)和连接的右顶点a，将in和它们添加到ω中，并从中删除in和a，每添加一个边(in,a)，就将超立方体的加1；
24、步骤5.3：循环步骤5.2直到的左顶点全部被删除，得到本轮卸载方案ω。按照ω卸载任务块给对应的边缘服务器并得到计算结果后，更新截至t轮次任务i的完成率，以及被选中超立方体的其值等于完成任务块总次数与被选中次数的比值。
25、本专利技术的有益效果主要表现在：适用于超密集网络中对网络环境未知的移动设备的任务卸载方法，在网络中边缘服务器的性能动态变化且用户的卸载任务存在持续时间约束的情况下，可以制定出合理的卸载任务分配决策，最大化用户的任务完成率。
本文档来自技高网...【技术保护点】
1.一种针对未知网络环境的超密集网络最大化卸载任务完成率的在线学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种在未知网络环境的超密集网络最大化卸载任务完成率的在线学习策略，其特征在于，所述步骤3中，问题数学模型P建模为：
3.如权利要求1或2所述的一种在未知网络环境的超密集网络最大化卸载任务完成率的在线学习策略，其特征在于，所述步骤3，优化问题P的约束条件为：
4.如权利要求1或2所述的一种在未知网络环境的超密集网络最大化卸载任务完成率的在线学习策略，其特征在于，所述步骤4中，采用多臂赌博机算法求解问题P的步骤为：
5.如权利要求1或2所述的一种在未知网络环境的超密集网络最大化卸载任务完成率的在线学习策略，其特征在于，所述步骤5中，采用加权二分图和优先级策略进行任务块卸载的步骤为：
【技术特征摘要】
1.一种针对未知网络环境的超密集网络最大化卸载任务完成率的在线学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种在未知网络环境的超密集网络最大化卸载任务完成率的在线学习策略，其特征在于，所述步骤3中，问题数学模型p建模为：
3.如权利要求1或2所述的一种在未知网络环境的超密集网络最大化卸载任务完成率的在线学习策略，其特征在于，所述步骤3，...
【专利技术属性】
技术研发人员：田贤忠，张俊先，邵宇恒，邹雨加，
申请(专利权)人：浙江工业大学，
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。