【技术实现步骤摘要】
本专利技术属于深度强化学习以及边缘计算任务卸载领域，具体涉及基于lstm-ddpg的移动边缘计算任务卸载方法及装置。
技术介绍
1、在5g和物联网技术高速发展的驱动下，大量时延敏感型和计算密集型的应用应运而生。然而，由于移动终端设备的不断增加，移动互联网的流量呈现指数级增长。传统的网络架构将所有任务集中在云端处理的做法，已无法缓解计算资源短缺的问题。
2、移动边缘计算的出现，为解决上述问题提供了新的技术路径。mec(multi-access/mobile edge computing，多接入移动边缘计算)这一新型的体系结构，将核心网络的计算能力分散至用户附近的边缘网络，使得移动终端可以将计算任务转移至边缘服务器。由于该方案的用户终端更靠近计算资源，与传统的云计算相比，不仅节省了云服务所需的高额成本，还显著降低了通信带来的时延和能耗。
3、然而，mec服务器的计算资源和存储容量通常是有限的，边缘侧的用户又由于自身的移动，可能会丢失与边缘服务器的连接，导致服务中断。因此，如何合理地分配计算资源，高效地做出计算卸载决策，以提高计算服务质量(quality ofservice，qos)，成为了mec的首要挑战。
技术实现思路
1、为解决现有技术的不足，实现合理且高效的卸载决策，以降低emc系统开销、提高计算服务质量的目的，本专利技术采用如下的技术方案：
2、基于lstm-ddpg的移动边缘计算任务卸载方法，包括如下步骤：
3、步骤s1：建立网
4、步骤s2：建立计算模型；基于用户本地计算执行任务的时延和能耗，得到本地计算成本；基于用户向边缘网络区域传输任务和边缘网络区域计算任务的时延和能耗，得到边缘网络区域的计算成本；使得用户能够通过选择，将任务完全置于用户本地计算或所述边缘网络区域计算，以确保计算任务的完整性；
5、步骤s3：建立移动模型；根据用户的移动性，用户有概率会从一个区域移动到另一个区域，计算用户将任务卸载到边缘网络区域计算后，边缘网络区域准备好计算结果时，用户仍然停留在原区域的概率；
6、步骤s4：建立决策问题目标函数；基于用户的本地计算成本、边缘网络区域的计算成本、用户仍然停留在原区域的概率和迁移成本，计算用户在不同的卸载决策下的总成本；根据总成本，以最小化边缘网络区域内所有用户的长期平均成本为目标，构建卸载策略；
7、步骤s5：基于区域内所有用户的总成本、边缘网络区域的性能构建状态空间，基于区域内所有用户的计算卸载决策、分配到的计算资源、分配到的信道带宽构建动作空间，使用长短时记忆网络的深度确定性策略梯度lstm-ddpg(long short-term memory networksdeep deterministic policy gradient)算法，为多接入移动边缘计算系统下的用户做出卸载决策。
8、进一步地，所述步骤s1具体包括如下步骤：
9、步骤s1.1：系统网络模型中一共有n个边缘网络区域，每个区域被定义为rj(j∈1，2，3…n)；
10、步骤s1.2：每个区域配备了一个基站bsj，一个用于为移动用户提供卸载决策和计算资源的边缘服务器esj；
11、步骤s1.3：每个区域都有m个移动用户，每个用户仅能与当前区域内的基站相关联，每个区域的用户集合为：mu＝{mui|i∈1，2，3…m}；
12、步骤s1.4：mec网络采用离散的时间模型，将时间划分为等长的秒，被下标索引；
13、步骤s1.5：系统共包含k类计算任务，总任务集合为：f＝{fk|k∈1，2，3…k}；
14、步骤s1.6：每个任务fi由一个四元组构成，为：ci表示完成该任务所需的cpu时钟周期数，di表示该任务的数据量大小，表示该任务的最大容许时延，ri表示该任务的计算结果大小。
15、进一步地，所述步骤s2具体包括如下步骤：
16、步骤s2.1：用户选择将任务完全置于本地计算或边缘网路区域计算，当ai＝0时，任务在本地执行，当ai＝1时，任务在所在区域的边缘网路区域执行；
17、步骤s2.2：在本地执行中，用户使用自身的芯片在本地执行任务，本地计算成本：
18、
19、
20、
21、其中，α和1-α分别对应任务对时延和能耗的权重系数，α∈[0，1]，ci表示完成该任务所需的芯片性能指标，表示用户的任务计算能力，表示任务在用户本地执行的时间，k表示用户本地设备的芯片结构参数，表示用户本地执行的能耗；
22、步骤s2.3：边缘网络区域中，综合考虑执行任务的时延和能耗，边缘网络区域的计算成本为：
23、
24、
25、
26、其中，α和1-α分别对应任务对时延和能耗的权重系数，α∈[0，1]，表示用户的传出任务时延，di表示任务的数据量大小，表示用户向边缘网络区域传输数据的速率，bi表示用户在当前信道下分配的带宽，表示用户的传输功率，hi表示用户的信道增益，n0表示高斯白噪声信道方差，表示用户mui在空闲时的等待功率，ticomp表示计算所需的时长。
27、进一步地，所述步骤s3具体包括如下步骤：
28、步骤s3.1：假设用户在一个边缘网络区域停留的平均时长σ符合正太分布；
29、步骤s3.2：用户停留在自身所在边缘网络区域的概率密度函数为：e表示自然对数的底数，t表示单位时间；
30、步骤s3.3：若用户将任务卸载到边缘网络区域计算后，在计算所需的时长ticomp内，用户移动到了另一个区域；由此，当边缘网络区域准备好计算结果，用户仍然停留在原区域的概率为：
31、进一步地，所述步骤s4具体包括如下步骤：
32、步骤s4.1：用户在不同的卸载决策下的总成本为：
33、
34、其中，当ai＝0时，任务在本地执行，当ai＝1时，任务在所在区域的边缘网路区域执行，表示本地计算成本，表示边缘网络区域的计算成本，i表示第i个用户，j表示第j个边缘网络区域，pistay-e表示用户仍然停留在原区域的概率，为迁移成本，表示迁移过程造成的不可忽略的成本；
35、步骤s4.2：为了以最小化区域内所有用户的长期平均成本为目标，选择合适的卸载决策，设定目标函数为：
36、
37、s.t.c1：
38、c3：0≤α≤1
39、c4：
40、c5：
41、c6：
42、其中，表示被划分的时间长度，n表示边缘网络区域总数，m表示用户总数，α表示任务对时延和能耗的权重系数，表示任务在本地执行的时间，tiedge表示任务在边缘网络区域执行的总时延，表示任务的最大容许时延，fiedge表示边缘网络区域本文档来自技高网...
【技术保护点】
1.基于LSTM-DDPG的移动边缘计算任务卸载方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于LSTM-DDPG的移动边缘计算任务卸载方法，其特征在于：所述步骤S1具体包括如下步骤：
3.根据权利要求1所述的基于LSTM-DDPG的移动边缘计算任务卸载方法，其特征在于：所述步骤S2具体包括如下步骤：
4.根据权利要求1所述的基于LSTM-DDPG的移动边缘计算任务卸载方法，其特征在于：
5.根据权利要求1所述的基于LSTM-DDPG的移动边缘计算任务卸载方法，其特征在于：
6.根据权利要求1所述的基于LSTM-DDPG的移动边缘计算任务卸载方法，其特征在于：
7.根据权利要求6所述的基于LSTM-DDPG的移动边缘计算任务卸载方法，其特征在于：
8.根据权利要求6所述的基于LSTM-DDPG的移动边缘计算任务卸载方法，其特征在于：
9.基于LSTM-DDPG的移动边缘计算任务卸载装置，包括网络模块、计算模块、移动模块、卸载策略模块和卸载决策模块，其特征在于：
【技术特征摘要】
1.基于lstm-ddpg的移动边缘计算任务卸载方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于lstm-ddpg的移动边缘计算任务卸载方法，其特征在于：所述步骤s1具体包括如下步骤：
3.根据权利要求1所述的基于lstm-ddpg的移动边缘计算任务卸载方法，其特征在于：所述步骤s2具体包括如下步骤：
4.根据权利要求1所述的基于lstm-ddpg的移动边缘计算任务卸载方法，其特征在于：
5.根据权利要求1所述的基于lstm-...
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。