基于深度强化学习的卫星边缘计算任务卸载及资源分配方法组成比例

本发明专利技术公开了一种基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，包括：通过分析卫星边缘计算网络中的任务信息，采用终端‑卫星‑云三层计算架构下的部分计算卸载策略，建立卫星网络节点通信模型和动态队列积压更新模型；定义系统总能耗为目标函数，将计算卸载联合资源分配问题描述为一个混合整数非线性规划问题，将该问题建模为马尔可夫决策过程，通过深度强化学习求解满足任务确定性时延需求和资源约束下能耗最低的计算卸载和资源分配策略，采用基于深度确定性策略梯度的算法解决网络动态变化问题。本发明专利技术在满足任务确定性需求的前提下有效降低系统的总能耗，实现对任务卸载位置、卸载比例和资源分配策略的联合优化。

【技术实现步骤摘要】

本专利技术涉及无线通信领域，具体涉及一种基于深度强化学习的卫星边缘计算任务卸载及资源分配方法。

技术介绍

1、移动设备的日益增加，产生了很多延迟敏感型和计算密集型应用，近地轨道卫星(low earth orbit ,leo)网络在提供无缝覆盖和不间断的网络服务的前提下，还要为用户提供各种计算服务支持。在传统非地面网络中，用户处于沙漠、深海等偏远地区，缺乏店面网络设施的支持，用户自身的计算和存储资源有限，这时用户可以将计算任务通过卫星中继转发，卸载到云服务器上处理，但这会导致传输时延变大，难以满足用户的实时需求。受到地面多接入边缘技术的启发，将计算资源和存储能力下沉到低轨卫星，在leo卫星节点部署移动边缘计算(mobile edge computing, mec)的服务器，形成leo卫星边缘计算场景。用户可以直接将任务交给leo卫星处理，减少leo卫星和地面用户之间的星地链路传输和端到端传输时延，提高了用户的服务质量，降低了用户感知时延和用户设备能耗。

2、在卫星边缘计算中，由用户、卫星和云服务中心组成三层计算架构，星载资源有限且动态变化，缺少合本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，其特征在于，包括：

2.根据权利要求1所述的基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，其特征在于，SMEC系统以时隙模式运行，将整个卸载周期划分划分为N个长度相等的时隙，每个时隙的长度为，在每个时隙开始，每个用户都会产生计算任务并和卫星关联，用表示用户与LEO卫星连接决策集合，当时，表示用户与卫星建立连接，否则，任务生成是独立同分布的泊松过程，将每个用户产生的第个时隙产生的计算任务建模为一个三元组，，为任务输入的总数据量，为完成计算任务所需的CPU计算周期，为任务最大完成期限。>

3.根据权利...

【技术特征摘要】

1.一种基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，其特征在于，包括：

2.根据权利要求1所述的基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，其特征在于，smec系统以时隙模式运行，将整个卸载周期划分划分为n个长度相等的时隙，每个时隙的长度为，在每个时隙开始，每个用户都会产生计算任务并和卫星关联，用表示用户与leo卫星连接决策集合，当时，表示用户与卫星建立连接，否则，任务生成是独立同分布的泊松过程，将每个用户产生的第个时隙产生的计算任务建模为一个三元组，，为任务输入的总数据量，为完成计算任务所需的cpu计算周期，为任务最大完成期限。

3.根据权利要求1所述的基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，其特征在于，系统的时延包括传输时延、执行时延和传播时延，能耗包括传输能耗和执行能耗，根据香浓定理得到用户和卫星之间的传输速率，同时因为下行链路传输的数据大小远小于上行链路，只考虑上行链路的时延和能耗，构建系统时延和能耗模型。

4.根据权利要求1所述的基于深度强化学习的卫星边缘计算任务卸载及资源分配方法，其特征在于，将提出的优...

【专利技术属性】
技术研发人员：杨力，吴烨宇，黄琦龙，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：