【技术实现步骤摘要】
本专利技术涉及mec网络，具体涉及一种动态mec网络中迁移决策与资源分配的联合优化方法。
技术介绍
1、在传统移动边缘计算（mobile edge computing，mec）网络中，服务器与用户通常处于相对固定的位置。然而，当用户在多个基站的服务范围内移动时，可能会导致网络性能显著降低和服务质量（quality of service，qos）大幅下降，甚至中断正在进行的边缘业务，很难保证业务的连续性。
2、在传统的无线接入网络中，移动性的一个关键解决方案是将移动用户的无线链路从一个基站切换到另一个基站，以确保连接的可靠性。在mec系统中，除了考虑用户设备之间的无线连接切换外，还需要关注服务器之间的计算任务迁移，即服务迁移。
3、服务迁移在以下几点展示了巨大的应用潜力：
4、第一，降低延迟：对延迟敏感的应用程序的交互响应将随着逻辑网络距离的增加而降低，这种退化可能比物理距离所暗示的要严重得多。跟随用户的移动性进行服务迁移能够极大地提高mec系统中的用户体验。
5、第二，用户的移动性在可能会卸载过程中引入间歇性连接，导致多个服务器之间负载不平衡，已被证明是导致卸载失败和服务降级的根本原因。当接入点过载时，将导致网络拥塞，这将成为与服务通信的主要开销部分，服务迁移在不降低qos的前提下，保证所有服务器的平均运行，尽可能地减少网络拥堵的可能。
6、第三，密集部署下的切换失败（fho）和乒乓效应（pp）问题显著增加了系统的能量消耗，因为很多能量被浪费在不必要的移交上。高效的服务
7、在以设备为目标的服务场景中优化迁移策略，是学界的一大研究方向。当前多数方案都是只优化迁移策略，也就是只考虑用户移动过程中的服务器选择问题。然而，只考虑服务器的选择不能够让系统的性能达到最优，还需要考虑其他资源的优化，如移动用户发射功率，服务器端的计算资源分配等。
技术实现思路
1、针对现有技术存在的问题，本专利技术的目的在于提供一种动态mec网络中迁移决策与资源分配的联合优化方法，其考虑了服务器选择、发射功率和服务器资源分配的优化，以实现在长期迁移代价的约束下用户的长期耗能最小。
2、为实现上述目的，本专利技术采用的技术方案是：
3、一种动态mec网络中迁移决策和资源分配的联合优化方法，其包括以下步骤：
4、步骤1、将系统中的移动用户、服务器和系统的时间分别标注为，和，目标是最小化用户端的长期能耗，根据该目标得到长期优化模型；
5、步骤2、利用李雅普诺夫lyapunov优化框架将长期优化模型转为每个时隙下的确定性优化模型；
6、步骤2.1、引入虚拟队列，用来表示到时隙结束时执行的业务迁移超过的成本，初始时虚拟队列积压为0，即；的更新方法如下：
7、
8、其中，是mec服务提供商设置的长期平均迁移代价，表示在时隙内所有用户总的服务迁移代价，计算如下：
9、
10、其中，表示用户的选择服务器从切换至服务器时所产生的迁移代价，若，则；
11、步骤2.2、分别定义二次lyapunov函数和lyapunov漂移函数如下：
12、
13、
14、步骤2.3、定义lyapunov漂移加惩罚函数如下：
15、
16、其中，为控制参数，表示期望；
17、步骤2.4、根据lyapunov理论，lyapunov漂移加惩罚函数满足以下条件：，其中，，是一个有界常数；则长期优化模型转化为每个时隙下的确定性优化模型,在每个时隙使得的上界最小，即最小化；
18、步骤3、在mec系统中求取各个时隙用户任意服务器选择下使得最小的最优发射功率和服务器资源分配；
19、步骤3.1、给定时，优化模型中的和通过步骤2.1进行计算得到，为定值，则每个服务器下的资源分配问题彼此独立；设时隙中每个服务器下的用户构成集合，则确定性优化模型转化为个并行求解的子模型，每一个子模型表示为：
20、
21、为时隙内用户的能耗，为二进制变量，用于表示移动用户的服务器选择情况，表示在时隙内用户由服务器提供服务；
22、步骤3.2、写出子模型的拉格朗日函数，约束对应的拉格朗日乘子分别为，；
23、步骤3.3、在给定拉格朗日乘子的前提下求解子模型最优；
24、具体地，给定拉格朗日乘子，然后分别对拉格朗日函数中发射功率和服务器端的资源分配求偏导，令各自的偏导为0，求得给定拉格朗日乘子下的最优资源分配，即发射功率和服务器资源分配；
25、步骤3.4、使用次梯度方法更新拉格朗日乘子，为迭代次数，、和分别为大于零的步长，更新拉格朗日乘子更新方法如下：
26、
27、表示，
28、其中，表示用户在时隙的卸载数据量，单位为bit；表示用户在时隙需要的cpu周期，单位为cycle；表示用户在时隙允许的最大延迟，单位为s；为最大发射功率，为mec服务器的最大计算频率，是平均小区干扰，是系统噪声，是时隙中用户与服务器之间的信道增益，计算如下：
29、
30、其中，是时隙中用户与服务器之间的距离，是参考损耗，是路径损耗指数；
31、步骤3.5、重复步骤3.2-3.4，直至达到最大迭代次数或者用户总能耗收敛，求得给定下的最优发射功率与服务器资源分配；
32、步骤4、使用mappo算法解决每个时隙下的最优服务器选择，使得lyapunov漂移的上界最小；
33、步骤4.1、定义状态空间与动作空间；
34、每个用户作为一个智能体所能观测到的状态空间为
35、
36、其中，表示代表时隙用户与每个服务器之间的信道状态，每个智能体的动作空间设置为
37、
38、步骤4.2、定义奖励：将每一智能体的奖励设置为：
39、
40、步骤5、通过基于mappo的强化学习算法获得每个时隙中最小化lyapunov漂移的最优服务器选择；
41、具体地，给定最大训练回合数、单个回合中最大时隙数、折扣因子、截断系数，清空经验缓冲区，采用经验共享策略，所有智能体共享同一套参数，并随机初始化actor的神经网络参数、critic的神经网络参数；
42、在每个时隙中，每个智能体基于观察到的mec系统的状态，做出各自的服务选择，当所有的动作确定后，分别根据步骤2.1和步骤3.1-3.5计算虚拟队列以及用户长期总耗能，进而根据步骤4.2中计算出相应的奖励并进入下一个状态，将放入经验缓冲区；
43、每个回合结束时对智能体进行训练，从经验缓冲区中取出一批数据，更新actor的神经网络参数、critic的神经网络参数后清空缓冲区；当训练结束时，得到使系统lyapunov漂移上界最小的最优本文档来自技高网...
【技术保护点】
1.一种动态MEC网络中迁移决策和资源分配的联合优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种动态MEC网络中迁移决策和资源分配的联合优化方法，其特征在于，所述长期优化模型如下：
3.根据权利要求1所述的一种动态MEC网络中迁移决策和资源分配的联合优化方法，其特征在于，所述优化模型具体如下：
4.根据权利要求1所述的一种动态MEC网络中迁移决策和资源分配的联合优化方法，其特征在于，子模型具体表示为：
5.根据权利要求1所述的一种动态MEC网络中迁移决策和资源分配的联合优化方法，其特征在于，所述时隙内用户的能耗由两部分组成，分别是通信能耗和等待能耗，通过下式计算，
6.根据权利要求1所述的一种动态MEC网络中迁移决策和资源分配的联合优化方法，其特征在于，所述拉格朗日函数表示如下：
7.根据权利要求1所述的一种动态MEC网络中迁移决策和资源分配的联合优化方法，其特征在于，所述步骤3.3中对拉格朗日函数中发射功率和服务器端的资源分配求偏导，令各自的偏导为0，结果如下：
【技术特征摘要】
1.一种动态mec网络中迁移决策和资源分配的联合优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种动态mec网络中迁移决策和资源分配的联合优化方法，其特征在于，所述长期优化模型如下：
3.根据权利要求1所述的一种动态mec网络中迁移决策和资源分配的联合优化方法，其特征在于，所述优化模型具体如下：
4.根据权利要求1所述的一种动态mec网络中迁移决策和资源分配的联合优化方法，其特征在于，子模型具体表示为：
5.根据权利...
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。