【技术实现步骤摘要】
本专利技术属于移动通信，涉及基于数字孪生的用户关联、任务卸载和资源分配优化方法。
技术介绍
1、随着物联网的发展，出现了越来越多的以计算密集型和延迟敏感型为特征的新兴应用，如自动驾驶、虚拟现实、增强现实等。但由于移动设备自身的局限性，如计算资源不足，用户的服务质量得不到保证。所以为了提高用户满意度，移动边缘计算(mobile edgecomputing,mec)应运而生。mec将原来的集中式部署在云中心的计算、存储资源下沉至网络边缘，拉近了用户和网络的距离，为用户提供近距离计算、存储和大数据处理能力。然而，边缘服务器的存储容量和计算资源有限，需要设计有效的任务卸载和服务缓存方案，以最大限度提高边缘计算性能。但考虑到mec系统中的终端设备和边缘服务器异构部署的大规模场景时，由于网络规模大和动态性，设计最优任务卸载和服务缓存策略的挑战显著增加。
2、将ai技术与边缘系统融合，赋予边缘系统智能分析处理能力是解决上述问题的有效手段。深度强化学习(deep reinforcement learning,drl)是一种解决时变特征问题的新兴技术。然而，人工智能方法的有效实施依赖于智能体收集的实时信息。但在实际的边缘计算网络中，通过drl方法训练决策模块需要边缘服务器与用户和无线网络环境多次交互，以获取训练数据样本。因此，边缘服务器在训练模型过程中消耗大量能量，并且数据样本获取效率低，训练时间长。训练数据的缺失以及网络的动态变化使得网络实时状态信息难以捕捉，可能导致智能算法不够理想。
3、数字孪生(digital tw
4、综上所述，现有技术的问题包括：1、在移动边缘计算(mec)密集部署场景中，边缘服务器的资源异质性和环境状态的复杂多变性，给设计有效的任务卸载和资源分配策略带来了显著挑战；2、在实际的边缘计算网络中，通过drl方法训练决策模块在训练模型过程中消耗大量能量，并且数据样本获取效率低，训练时间长；3、训练数据的缺失以及网络的动态变化使得网络实时状态信息难以捕捉，可能导致智能算法不够理想。
技术实现思路
1、为解决以上现有问题，本专利技术采用基于数字孪生的用户关联、任务卸载和资源分配优化方法，包括：
2、s1、建立数字孪生边缘网络模型；数字孪生边缘网络模型包括：物体实体层和dt层；
3、s2、根据数字孪生边缘网络模型构建数字孪生模型、服务缓存模型以及任务卸载模型；
4、s3、根据数字孪生模型、服务缓存模型、任务卸载模型建立用户关联、任务卸载、服务缓存以及资源分配的联合优化问题；
5、s4、将用户关联、任务卸载、服务缓存以及资源分配的联合优化问题抽象为马尔可夫决策过程；
6、s5、获取dt层的实时数据，基于马尔可夫决策过程利用ddpg算法和dt层的实时数据计算最优决策；其中，dt为数字孪生，ddpg为深度确定性策略梯度算法。
7、数字孪生边缘网络模型包括：
8、物体实体层包括：一个宏基站、k个微基站n个终端设备为微基站的索引集合，为终端设备集合；bsj的最大存储容量为rj(t)，最大计算能力为fj(t)；终端用户的任务集表示为其中，ji(t)＝{di(t),ci(t),timax(t),ai(t)}，表示终端i在t时刻请求服务ai(t)对应的计算任务，di(t)表示任务的数据量大小，ci(t)表示处理任务所需的cpu周期数，timax(t)表示任务的最大时延，ai(t)表示任务对应所需的计算服务，每个终端存在m种计算服务
9、dt层构建在宏基站中，用于获取物体实体层的运行数据。
10、数字孪生模型包括：
11、终端设备i的计算频率的数字孪生：
12、
13、其中，dti(t)为终端设备i的计算频率的数字孪生，fi(t)为dt对终端设备i的真实计算频率的估计值，为终端设备i的真实计算频率与dt估计值之间的误差，θ()为数字孪生；
14、微基站bsj的计算频率的数字孪生：
15、
16、其中，dt'j(t)为bsj的计算频率的数字孪生，f'j(t)为dt对bsj的真实计算频率的估计值，为bsj的真实计算频率与dt估计值之间的误差。
17、建立服务缓存模型包括：
18、建立bsj的服务缓存决策：其中表示bsj中服务sm的缓存指示函数，表示bsj缓存计算服务sm，表示bsj不缓存计算服务sm；为每个服务sm所需存储大小，rj(t)为bsj的存储空间的大小，为微基站的索引集合，m为服务数量，为服务的集合。
19、建立任务卸载模型包括：
20、设置终端与基站的关联变量πi,j(t)、卸载变量yi,j(t)、带宽百分比αi,j(t)以及计算频率分配系数βi,j(t)；根据卸载变量yi,j(t)计算本地计算的实际执行时间tiloc(t)；根据带宽百分比αi,j(t)、卸载变量yi,j(t)计算将任务卸载到关联基站的传输时延根据计算频率分配系数βi,j(t)、卸载变量yi,j(t)计算任务卸载到关联基站处理的实际执行时间
21、根据tiloc(t)、以及关联变量πi,j(t)计算终端i的任务处理时延本文档来自技高网...
【技术保护点】
1.基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，数字孪生边缘网络模型包括：
3.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，数字孪生模型包括：
4.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，建立服务缓存模型包括：
5.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，建立任务卸载模型包括：
6.根据权利要求5所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，计算本地计算的实际执行时间Tiloc(t)包括：
7.根据权利要求5所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，计算任务卸载到基站BSj的传输时延包括：
8.根据权利要求5所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，计算任务卸载到基站BSj处理的
9.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，建立用户关联、任务卸载、服务缓存以及资源分配的联合优化问题包括：
10.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，基于马尔可夫决策过程利用DDPG算法和DT层提供的实时数据计算最优决策包括：
...【技术特征摘要】
1.基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，数字孪生边缘网络模型包括：
3.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，数字孪生模型包括：
4.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，建立服务缓存模型包括：
5.根据权利要求1所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，建立任务卸载模型包括：
6.根据权利要求5所述的基于数字孪生的用户关联、任务卸载和资源分配优化方法，其特征在于，计算本地...
【专利技术属性】
技术研发人员：李云，江源，夏士超，姚枝秀，张冬雪，
申请(专利权)人：重庆邮电大学，
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。