CN113395679B - 一种无人机边缘服务器的资源和任务分配优化*** - Google Patents
一种无人机边缘服务器的资源和任务分配优化*** Download PDFInfo
- Publication number
- CN113395679B CN113395679B CN202110572660.7A CN202110572660A CN113395679B CN 113395679 B CN113395679 B CN 113395679B CN 202110572660 A CN202110572660 A CN 202110572660A CN 113395679 B CN113395679 B CN 113395679B
- Authority
- CN
- China
- Prior art keywords
- task
- module
- unmanned aerial
- aerial vehicle
- server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种无人机边缘服务器的资源和任务分配优化***,云服务器端包括任务资源分配和无人机定位模块;任务资源分配和无人机定位模块在收集需要卸载任务的请求后,以相关设备的状态信息和需要卸载的任务信息为判断依据,使用深度学习算法和进化算法来将非凸分数规划问题转化为可解形式,分解为优化卸载决策和无人机定位两个过程,根据决策结果得到任务和资源分配方案,然后将生成的任务和资源分配方案传送给指定的设备以进行任务卸载。本发明解决了现有的研究方法未综合考虑无人机信号有效覆盖范围与多层***计算资源充分利用,未能发挥出***资源的最大性能的问题。
Description
技术领域
本发明涉及机器人的技术领域,尤其涉及一种无人机边缘服务器的资源和任务分配优化***。
背景技术
近年来,随着物联网技术的进步,各种新型应用程序被广泛应用。例如增强现实,虚拟现实,自动驾驶和农业监控,这些应用的广泛使用建立在部署大量传感器和边缘设备的基础上。因此在边缘端产生了大量视频计算任务,而这些设备的计算能力却受到极大的限制。尽管可以使用云端计算资源来提供视频数据处理服务,但是大量的高清或超高清数据越来越导致数据的拥挤和网络延时,同时浪费边缘端的计算能力。为此,边缘计算(EdgeComputing)已被广泛应用到移动视频处理环境下,在计算密集型任务产生源头附近,边缘计算利用本地计算资源来执行视频处理任务,以满足这些延迟敏感型应用在计算、延迟和能耗等方面的需求。
针对移动视频数据处理,机器学习推理任务和调度策略的执行,需要针对特定计算资源,设计高效的任务调度策略,以保障视频服务的实时性和可靠性。移动边缘计算(MEC)被认为是一种新技术,可通过提供类似于云的计算方式来克服这些限制。
然而,边缘环境下存在布线难度大和网关计算力低,以及固定边缘服务器节点较难适应移动环境下资源密集型任务和时间敏感型任务的需求等问题,无法利用移动性来接近边缘端设备,从而进一步降低设备的等待时间和能耗;此外,多个边缘终端上计算任务分布不均匀造成本地计算资源无法适应任务处理需求。有限的计算资源和电能使边缘终端难以持续执行实时计算机视觉类任务。移动环境下边缘服务器的众多研究中主要考虑将边缘计算节点部署在无人机、蜂窝塔、路边单元(RSUs)以及具有网络连接的自动驾驶车辆中。其中,无人机在大量领域得到了广泛的使用,例如农业生产、自然或人为灾害监测。由于高机动性,无人飞行器(UAV)通过搭载多种计算或通信资源,被极大地扩展了计算和通信的能力。通过将无人机作中继器,可以链接两个通信通道断开的用户,这提供了一种新方法来帮助本地计算资源受限用户访问远程资源。将数据卸载到移动边缘服务器节点可以显著改善延迟性能,当通过无线网络传输数据时,增加了无线网络频谱资源的负担,数据卸载期间通信需求的急剧增加对机载网络的通信资源提出了巨大的挑战。例如有研究无人机完全自主飞行,将全部带宽用于传输视频流,自适应计算机视觉管道在边缘计算上对无人机实现动态和指定任务优化;研究表明,相对于本地计算,将计算任务卸载到边缘或是地面基站的博弈计算卸载,其任务执行的整体性能会更好,同时还保证了任务卸载时间和能源消耗的平衡。即计算任务一部分被卸载到无人机等服务器,一部分在本地处理。这些研究工作未能考虑综合利用无人机的计算能力、移动能力和基于无线信号衰减的通信能力,不能高效利用多层架构的资源。
现在针对无人机服务器的研究主要包括作为通信的数据传输中继及卸载的小型执行单元两个方面:
一方面,针对通信资源的优化。现有的研究主要集中于为处于没有通信基础设施或基础设施有限区域中的通信受限边缘设备进行数据传输和转发;借助无人机强大的移动特性收集人类难以到达环境中的有效数据;无人机群的互相通信和信息交流。虽然这些在特定领域中都对边缘设备的任务计算有一定的作用,但是仍然存在计算资源调度不充分,无人机的无线通信连接不稳定等问题。
另一方面,基于UAV边缘服务器的任务卸载和路径优化。将无人机派往任务密集执行区域,直接在无人机搭载的计算资源中进行计算任务的处理,减少边缘节点与云端服务器的通信需求,同时也可有效改善计算任务的响应时间。通过在每个时间段共同优化无人机航迹,卸载任务的比例和用户调度变量,使每个时隙中所有用户之间的目标代价和最小化。但是,在计算卸载目的地的选择和对无人机的多地面端信号覆盖范围上未能有充分的研究。
发明内容
为应对动态区域计算密集型应用,现有的研究方法未综合考虑无人机信号有效覆盖范围与多层***计算资源充分利用,未能发挥出***资源的最大性能的问题,为此,本发明提出了一种无人机边缘服务器的资源和任务分配优化***,具体方案如下:
一种无人机边缘服务器的资源和任务分配优化***,包括实现数据交互的云服务器端、移动服务器端、边缘节点端,所述云服务器端包括依次设置的接收查询模块、空间分布估计模块、任务资源分配和无人机定位模块、视频流接收模块、第一任务计算模块、执行记录模块、显示模块;
所述任务资源分配和无人机定位模块在收集需要卸载任务的请求后,以边缘节点层的所有设备和移动边缘服务器的状态信息和需要卸载的任务信息为判断依据,使用深度学习算法和进化算法来将非凸分数规划问题转化为可解形式,分解优化卸载决策和无人机定位问题,根据决策结果得到任务和资源分配方案,然后将生成的任务和资源分配方案传送给指定的设备以进行任务卸载
本发明的有益效果在于:
(1)本发明基于边缘节点,无人机移动边缘服务器和云端服务器三层架构的深度学习协同高效资源调度方法:使用配备边缘服务器的无人机在布满监控终端的场地中执行任务,综合考虑充分利用无人机的计算能力、移动能力和基于无线信号衰减的通信能力,高效利用多层架构的资源。通过对移动边缘服务器的任务卸载策略、无人机路径优化等方法,针对移动边缘环境下响应时间敏感的计算密集型任务,解决任务执行时间延迟较大和能耗较高的问题。
(2)本申请披露了基于云服务器的云计算资源、移动边缘服务器的移动边缘计算资源和边缘节点的边缘终端计算资源所组成的三层架构,基于无人机的特性公开的任务卸载策略,以实现对边缘终端、移动边缘服务器和云服务器的计算和能量资源,以及三层架构之间带宽资源的高效管理和利用。该移动服务器调度方案可以更快地服务计算密集型任务,并实现较高的资源利用率。
(3)设计一种由边缘终端、移动边缘服务器和云端服务器三层计算资源组成的***架构。移动边缘服务器由搭载了边缘服务器和无线路由器组成的无人机。
(4)基于三层架构,设计了基于机载移动边缘服务器的时间、能耗、带宽和位置模型。
(5)基于上述计算模型,设计基于时间、带宽、能耗和无人机位置等综合参数的任务卸载优化目标。
(6)针对无人机位置和任务卸载策略,提出使用深度学习技术和进化算法来将非凸分数规划问题转化为可解形式,进一步分解优化问题为卸载决策和无人机定位两个步骤。通过该方法地面设备、无人机和云端都可以及时获得最佳的任务和资源分配,无人机可以迭代获得最佳悬停位置,解决移动边缘环境下对***计算资源利用不充分,任务执行延时大,能耗高等问题。
(7)考虑节点移动性信息有限的情况,使用了一种空间分布估计技术,即高斯核密度估计技术,用于预测地面设备的位置。整个***在任务资源分配和无人机定位算法模块中用深度学习算法和进化算法结合的混合卸载算法,在Wi-Fi、4G、5G三种网络环境下,于现实世界中对四种典型目标检测应用,HAAR、DNN、MMOD和YOLOv3进行任务和资源的调度。
附图说明
图1为边缘节点层、移动边缘服务器层、云服务器层的结构示意图;
图2为云服务器层的结构图;
图3为云服务器层的工作流程图。
图4为移动边缘服务器层的结构图;
图5为移动边缘服务器层的工作流程图;
图6为边缘节点层的结构图;
图7为边缘节点层的工作流程图。
图中:
1、边缘节点端;2、移动服务器端;3、云服务器端
具体实施方式
如图1所示,一种无人机边缘服务器的资源和任务分配优化***,包括:
云服务器端3,包括云服务器,所述云服务器进行实时视频任务分析、模型的训练、调度策略的快速制定;
移动服务器端2:包括移动边缘服务器,所述移动边缘服务器利用其移动能力为计算资源不充足区域提供有效的计算卸载和通信服务;
边缘节点端1:包括边缘节点,所述边缘节点则对原始视频数据进行预处理操作、将数据传输按调度传输到指定的上层计算资源,所述上层计算资源包括云服务器和无人机搭载的移动边缘服务器。位于地面的边缘节点为移动状态。
本发明使用边缘节点,云服务器和无人机配备的移动边缘服务器搭建了一个三层协同计算卸载***。三层架构中,本地计算(位于边缘节点层)不需要向上传输数据,只需考虑具体设备执行特定应用的任务计算时间和能耗。卸载计算根据计算资源和所处位置的不同分为两层,移动边缘计算层和云计算层。移动边缘计算层中,在边缘终端的位置确定情况下,带宽通过三维空间中的欧式距离、路径损耗和香农定理计算得到。通过带宽的计算确定无人机信号覆盖范围和处于这个范围里面的地面节点,根据带宽得到相应的传输数据时间和任务计算时间;至于云计算层,由于云端电源是有线连接的,所以能耗方面只计算边缘终端的传输能耗,执行时间方面考虑云端计算时间和相应网络环境下的传输时间。任务卸载时,本地计算中所有计算在本地实现,移动边缘服务器和云服务器层卸载则都在边缘终端先进行视频的提取、编码等预处理,然后再传到服务器上进行计算。并对网络连接部分作优化,为动态适应的计算环境的变化,例如边缘设备移动离开原来位置导致的连接中断。
本申请定义一个固定的计算周期为T秒,每个周期首先由边缘节点向云端发出卸载请求和设备状态信息。
所述云服务器端3、移动服务器端2、边缘节点端1具体结构和工作步骤如下:
云服务器端3:
如图2所示,所述云服务器端3包括依次设置的
接收查询模块,用于接收***所有设备的状态和任务信息,并集中处理。
空间分布估计模块,使用高斯核密度估计技术来预测用户的移动,通过将整个区域划分为多个子区域,计算每个区域的任务量和所在位置,用于解决因地面边缘节点移动,导致***无法准确得知当前周期中地面节点的位置和任务量,本模块通过对地面用户信息的估计,无需实时请求设备状态信息和任务量就可以获得用户任务的位置和数据量,为预测地面用户,每个用户需要定期报告当前的位置。
任务资源分配和无人机定位模块,在收集需要卸载任务的请求后,以边缘节点层的所有设备和移动边缘服务器的状态信息和需要卸载的任务信息为判断依据,使用深度学习算法和进化算法来将非凸分数规划问题转化为可解形式,分解优化卸载决策和无人机定位两个过程,根据决策结果制定任务和资源分配方案,然后将生成的任务和资源分配方案传送给指定的设备以进行任务卸载。其中转化的是目标问题,将目标问题转化为容易解决的问题;并将执行时间和能耗最小化的优化问题分成两步来解决,深度学习得到任务卸载在每层的任务量,然后再由进化算法得到无人机的位置。
视频流接收模块和第一任务计算模块,在云端以设备为单位,为每个设备开一个卸载进程或是执行结果收集进程。
其中卸载进程为某个设备的任务被分配到云服务器上,给分配到云服务器上的任务分配计算资源和通信资源。
执行结果收集进程分别为某个设备的任务被分配在本地或是移动边缘服务器,则只需等待完成后收集执行期间的时间和能耗数据。
执行记录模块,在任务分配前显示各设备状态信息,执行时显示任务执行期间的设备状态和执行完成状态。接收边缘节点和移动边缘服务器的时间数据,连同云服务器的执行数据保存在日志文件中。
显示模块,把经处理标注出检测目标的视频流用OpenCV显示函数展示。
所述深度学习首先使用穷举法计算一定密度下的所有可能情况,来得到处于一种情况下的最优卸载策略,将这些数据经过整理为得到训练学习模型需要的数据样本。然后通过调整网络的神经元个数、神经元层数、学习率、动量梯度下降参数和训练集排布方式和大小,用前面的数据样本训练得到合适的神经网络和参数。最后,利用训练好的学习模型在任务分配决策制定时及时得到最佳任务和资源分配策略。通过对由穷举法得到的大量决策数据进行学习,得到一系列优化参数,并保存网络和参数。在作决策时使用这些数据可以快速由输入数据得到任务和资源分配策略。
所述进化算法由上一步可以得到由无人机边缘服务器处理和以无人机为中继传输数据到云端的任务所分配的特定设备。这些任务的卸载都需要与无人机建立通信,无人机的悬停位置就根据这些任务的信息和其所在设备的信息使用进化算法得到。具体而言,使用连续量对无人机的三维几何坐标编码,然后将所需要用到的重组和变异算子存储在一个列表中,在进化过程中可以让各个染色体矩阵独立地用列表中的重组和变异算子进行重组和变异。通过迭代执行种群个体适应度评估、个体选择、染色体交叉和变异,来搜索近似全局最优解。最后,借助大疆无人机提供的OSDK,一个用于开发无人机应用程序的开发工具包,基于OSDK开发的应用程序能够运行在机载计算机上(如Manifold 2),开发者通过调用OSDK中指定的接口能够获取无人机上的各类数据,经开发者设计的软件逻辑和算法框架,执行相应的计算和处理,生成对应的控制指令控制无人机执行相应的动作,实现自动化飞行等操作。编写自动飞行控制的程序控制无人机飞往卸载任务的目标地点,执行指定边缘节点设备上视频分析任务的计算卸载和转发。
如图3所示,所述云服务器层的工作流程如下:
SA1、接收查询模块接收边缘节点层设备的任务资源调度请求后,判断是否需要调度任务资源分配程序,如果需要,进入步骤SA2,如果不需要,接收查询模块重新接收调度请求;
SA2、空间分布估计模块计算节点任务量和位置,任务资源分配和无人机定位模块执行算法得到分配策略最佳位置,向移动边缘服务器发送任务资源分配策略和无人机最佳位置,并向边缘节点层设备发送任务分配策略;
SA3、判断是否收到足以启动任务资源分配和无人机定位模块算法的移动边缘服务器和边缘节点返回的信息,如果收到,进入步骤SA4,如果不能收到,继续执行步骤SA3;
SA4、根据分配策略为卸载到云层的任务建立处理进程,为在其他层执行的任务建立完成确认进程;
SA5、视频流接收模块接收边缘节点层传输来的视频流,经过第一任务计算模块的处理后,使用OpenCV显示函数实时显示于主屏;
SA6、当前任务完成后,接收边缘节点和移动边缘服务器记录的时间和能耗数据,并记录在日志文件中;
SA7、执行记录模块判断是否完成全部任务,如果完成则任务结束,如果没有完成任务,返回步骤SA1.
移动服务器端2
如图4所示,所述移动服务器端2包括依次设置的:
状态发送模块,将本机的状态和位置信息通过移动边缘服务器与云服务器建立的4G网络连接发送给云服务器。具体地说,边缘节点和云服务器选用三种网络模式连接,边缘节点和移动边缘服务器用Wi-Fi连接,移动边缘服务器和云服务器用4G连接。
任务和资源分配以及无人机最佳位置接收和执行模块,接收云服务器的分配和定位算法模块得到的策略,并对策略进行解析得到具体的执行信息。然后通过大疆提供的OSDK控制无人机动作,移动到分配的最佳悬停位置,以执行任务卸载和转发服务。
边缘节点视频流接收和转发模块,为卸载到无人机计算的任务和通过无人机转发到云端的任务建立数据接收和转发进程,以执行卸载和转发操作。
第二任务计算模块,将通过移动边缘服务器上的接收和转发模块接收的视频流在无人机搭载的边缘服务器上进行处理。
检测反馈模块,最后通过数据传输通道将处理的结果传到边缘节点和云服务器,实现对检测目标的实时反馈。并将执行期间的时间和能耗数据保存和上传到云端。
如图5所示,所述移动服务器端2的工作流程如下:
SB1、状态发送模块周期性向云服务器发送状态信息;
SB2、判断云服务器是否准备分配算法程序,如果准备分配,进入步骤SB3,如果不准备分配,返回执行步骤SB1;
SB3、发送***设备实时状态信息,任务和资源分配以及无人机最佳位置接收和执行模块接收云服务器发送的任务分配策略和无人机位置,然后根据任务分配策略判断是否在FES上执行,如果在FES上执行,进入步骤SB4,如果不在FES上执行,进入步骤SB5;
SB4、根据分配的端口号建立视频分析任务的进程,然后接收边缘服务器发送的视频流,处理后将结果返回边缘节点,然后进入步骤SB6;
SB5、判断边缘节点是否从无人机转发数据到云服务器,如果是,则为视频流建立从边缘节点层到云层的转发和缓冲进程,然后进入步骤SB6,如果不是,则等待其他任务完成;
SB6、当前任务完成后,检测反馈模块发送执行时间和能耗数据给边缘节点,并记录在本机日志文件中;
SB7、移动边缘服务器的检测反馈模块判断是否完成全部任务,如果完成,则移动服务器端2工作结束,否则进入步骤SB1.
边缘节点端1
如图6所示,所述边缘节点端1包括依次设置的:
状态和任务定时发送请求模块,将本机的状态和位置信息通过指定端口周期性地发送给云服务器。
任务和资源分配接收和执行模块,接收云服务器的任务分配和定位算法模块得到的策略,并对策略进行解析得到具体的执行信息。
视频流解析和传送模块,为分配到本地的计算任务解析视频流,并为卸载任务的视频流建立移动边缘服务器计算,移动边缘服务器转发和云服务器计算的传送进程。
第三任务计算模块,为分配到本地的计算任务分配计算资源以进行计算处理操作。
日志记录模块,最后,将执行期间的检测时间和能耗记录保存本地和上传到云服务器。
如图7所示,边缘节点端1的工作流程如下:
SC1、周期性向云服务器发送任务资源调度请求信息;
SC2、接收云服务器端3是否分配任务资源分配策略,如果分配,进入步骤SC3,如果不分配,返回步骤SC1;
SC3、建立本地执行和传送进程,然后接收任务资源分配策略;
SC4、根据任务分配判断是否完全在本地执行,如果完全是,进入步骤SC5,否则进入步骤SC6;
SC5、在本地执行计算任务,并根据云服务器的IP地址和端口号在完成后发送完成信息,完成任务后计算执行时间和能耗数据,发送给云服务器并在本地日志中记录,然后进入步骤SC7;
SC6、根据任务分配在本地执行指定任务量,并传送指定量的任务到云端或无人机,完成任务计算和任务卸载后分别计算执行时间和能耗数据,发送给云服务器并在本地日志中记录,然后进入步骤SC7;
SC7、判断边缘节点是否完成全部任务,如果完成则任务结束,如果没有完成任务,返回步骤SC1.
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种无人机边缘服务器的资源和任务分配优化***,包括实现数据交互的云服务器端(3)、移动服务器端(2)、边缘节点端(1),其特征在于,所述云服务器端(3)包括依次设置的接收查询模块、空间分布估计模块、任务资源分配和无人机定位模块、视频流接收模块、第一任务计算模块、执行记录模块、显示模块;
所述任务资源分配和无人机定位模块在收集需要卸载任务的请求后,以边缘节点层的所有设备和移动边缘服务器的状态信息和需要卸载的任务信息为判断依据,使用深度学习算法和进化算法来将非凸分数规划问题转化为可解形式,分解优化卸载决策和无人机定位两个过程,根据决策结果得到任务和资源分配方案,然后将生成的任务和资源分配方案传送给指定的设备以进行任务卸载;
所述云服务器端的工作流程如下:
SA1、接收查询模块接收边缘节点层设备的任务资源调度请求后,判断是否需要调度任务资源分配程序,如果需要,进入步骤SA2,如果不需要,接收查询模块重新接收调度请求;
SA2、空间分布估计模块计算节点任务量和位置,任务资源分配和无人机定位模块执行算法得到分配策略最佳位置,向移动边缘服务器发送任务资源分配策略和无人机最佳位置,并向边缘节点层设备发送任务分配策略;
SA3、判断是否收到足以启动任务资源分配和无人机定位模块算法的移动边缘服务器和边缘节点返回的信息,如果收到,进入步骤SA4,如果不能收到,继续执行步骤SA3;
SA4、根据分配策略为卸载到云层的任务建立处理进程,为在其他层执行的任务建立完成确认进程;
SA5、视频流接收模块接收边缘节点层传输来的视频流,经过第一任务计算模块的处理后,使用OpenCV显示函数实时显示于主屏;
SA6、当前任务完成后,接收边缘节点和移动边缘服务器记录的时间和能耗数据,并记录在日志文件中;
SA7、执行记录模块判断是否完成全部任务,如果完成则任务结束,如果没有完成任务,返回步骤SA1。
2.根据权利要求1所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,所述边缘节点层中的边缘节点为移动状态。
3.根据权利要求2所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,所述空间分布估计模块使用高斯核密度估计技术来预测用户的移动,通过将整个区域划分为多个子区域,计算每个区域的任务量和所在位置。
4.根据权利要求1所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,所述移动服务器端(2)包括依次设置的状态发送模块、任务和资源分配以及无人机最佳位置接收和执行模块、边缘节点视频流接收和转发模块、第二任务计算模块、检测反馈模块;
所述状态发送模块将本机的状态和位置信息通过移动边缘服务器与云服务器建立的通信连接发送给云服务器。
5.根据权利要求4所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,所述通信连接为4G无线网络/Wi-Fi/5G无线网络中的一种。
6.根据权利要求1所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,所述深度学习首先使用穷举法计算一定密度下的所有可能情况,得到处于一种情况下的最优卸载策略,将这些数据经过整理为得到训练学习模型需要的数据样本;然后通过调整网络的神经元个数、神经元层数、学习率、动量梯度下降参数和训练集排布方式和大小,用所述数据样本训练得到合适的神经网络和参数,得到训练好的学习模型;最后,利用训练好的学习模型在任务分配决策制定时及时得到最佳任务和资源分配策略。
7.根据权利要求1所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,所述移动服务器端(2)的工作流程如下:
SB1、状态发送模块周期性向云服务器发送状态信息;
SB2、判断云服务器是否准备分配算法程序,如果准备分配,进入步骤SB3,如果不准备分配,返回执行步骤SB1;
SB3、发送***设备实时状态信息,任务和资源分配以及无人机最佳位置接收和执行模块接收云服务器发送的任务分配策略和无人机位置,然后根据任务分配策略判断是否在FES上执行,如果在FES上执行,进入步骤SB4,如果不在FES上执行,进入步骤SB5;
SB4、根据分配的端口号建立视频分析任务的进程,然后接收边缘服务器发送的视频流,处理后将结果返回边缘节点,然后进入步骤SB6;
SB5、判断边缘节点是否从无人机转发数据到云服务器,如果是,则为视频流建立从边缘节点层到云层的转发和缓冲进程,然后进入步骤SB6,如果不是,则等待其他任务完成;
SB6、当前任务完成后,检测反馈模块发送执行时间和能耗数据给边缘节点,并记录在本机日志文件中;
SB7、判断是否完成全部任务,如果完成,则移动服务器端(2)工作结束,否则进入步骤SB1。
8.根据权利要求1所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,所述边缘节点端(1)包括依次设置的
状态和任务定时发送请求模块,将本机的状态和位置信息通过指定端口周期性地发送给云服务器;
任务和资源分配接收和执行模块,接收云服务器的任务分配和定位算法模块得到的策略,并对策略进行解析得到具体的执行信息;
视频流解析和传送模块,为分配到本地的计算任务解析视频流,并为卸载任务的视频流建立移动边缘服务器计算,移动边缘服务器转发和云服务器计算的传送进程;
第三任务计算模块,为分配到本地的计算任务分配计算资源以进行计算处理操作;
日志记录模块,最后,将执行期间的检测时间和能耗记录保存本地和上传到云服务器。
9.根据权利要求1所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,边缘节点端(1)的工作流程如下:
SC1、周期性向云服务器发送任务资源调度请求信息;
SC2、接收云服务器端(3)是否分配任务资源,如果分配,进入步骤SC3,如果不分配,返回步骤SC1;
SC3、建立本地执行和传送进程,然后接收任务资源分配策略;
SC4、根据任务分配判断是否完全在本地执行,如果完全是,进入步骤SC5,否则进入步骤SC6;
SC5、在本地执行计算任务,并根据云服务器的IP地址和端口号在完成后发送完成信息,完成任务后计算执行时间和能耗数据,发送给云服务器并在本地日志中记录,然后进入步骤SC7;
SC6、根据任务分配在本地执行指定任务量,并传送指定量的任务到云端和无人机,完成本地任务计算和任务卸载后分别计算执行时间和能耗数据,发送给云服务器并在本地日志中记录,然后进入步骤SC7;
SC7、判断边缘节点是否完成全部任务,如果完成则任务结束,如果没有完成任务,返回步骤SC1。
10.根据权利要求1所述的一种无人机边缘服务器的资源和任务分配优化***,其特征在于,设定固定的计算周期为T秒,每个周期首先由边缘节点层向云服务器层发出卸载请求和设备状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572660.7A CN113395679B (zh) | 2021-05-25 | 2021-05-25 | 一种无人机边缘服务器的资源和任务分配优化*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572660.7A CN113395679B (zh) | 2021-05-25 | 2021-05-25 | 一种无人机边缘服务器的资源和任务分配优化*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113395679A CN113395679A (zh) | 2021-09-14 |
CN113395679B true CN113395679B (zh) | 2022-08-05 |
Family
ID=77619114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110572660.7A Active CN113395679B (zh) | 2021-05-25 | 2021-05-25 | 一种无人机边缘服务器的资源和任务分配优化*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113395679B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113950059B (zh) * | 2021-11-25 | 2024-06-18 | 江苏科技大学 | 一种无人机中继辅助用户任务卸载的方法及*** |
CN114493164B (zh) * | 2021-12-30 | 2024-04-09 | 重庆特斯联智慧科技股份有限公司 | 基于边缘计算的机器人任务解析方法和*** |
CN114585006B (zh) * | 2022-03-16 | 2024-03-19 | 东北大学 | 基于深度学习的边缘计算任务卸载和资源分配方法 |
CN114844555B (zh) * | 2022-04-15 | 2023-06-20 | 中国电子科技集团公司第五十四研究所 | 一种面向无人机多任务执行资源受限的协同处理方法 |
CN114895701B (zh) * | 2022-04-18 | 2023-04-25 | 深圳织算科技有限公司 | 一种无人机巡检方法及*** |
CN114793339B (zh) * | 2022-04-28 | 2023-06-30 | 西安交通大学 | 一种汽车焊装车间用边缘网络节点部署方法及*** |
CN115065727B (zh) * | 2022-05-19 | 2023-08-22 | 南京邮电大学 | 一种基于边缘计算场景的任务卸载方法 |
CN115249134B (zh) * | 2022-09-23 | 2022-12-23 | 江西锦路科技开发有限公司 | 一种用于无人机的资源分配方法、装置、设备及存储介质 |
CN115865939B (zh) * | 2022-11-08 | 2024-05-10 | 燕山大学 | 一种基于边云协同决策的目标检测与追踪***及方法 |
CN115550972B (zh) * | 2022-11-30 | 2023-04-07 | 成都中星世通电子科技有限公司 | 一种电磁感知任务自动分解与资源分配方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3457664A1 (en) * | 2017-09-14 | 2019-03-20 | Deutsche Telekom AG | Method and system for finding a next edge cloud for a mobile user |
CN111585916A (zh) * | 2019-12-26 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN112579290A (zh) * | 2020-12-21 | 2021-03-30 | 湖南大学 | 一种基于无人机的地面终端设备的计算任务迁移方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11824784B2 (en) * | 2019-12-20 | 2023-11-21 | Intel Corporation | Automated platform resource management in edge computing environments |
CN111479048A (zh) * | 2020-04-22 | 2020-07-31 | 安徽大学 | 一种基于边缘计算的智能视频图像处理设备 |
CN111970323A (zh) * | 2020-07-10 | 2020-11-20 | 北京大学 | 边缘计算网络中云边多层协作的时延优化方法及装置 |
CN112104502B (zh) * | 2020-09-16 | 2021-10-12 | 云南大学 | 时敏多任务边缘计算与缓存协作卸载策略方法 |
CN112351503B (zh) * | 2020-11-05 | 2022-09-06 | 大连理工大学 | 基于任务预测的多无人机辅助边缘计算资源分配方法 |
-
2021
- 2021-05-25 CN CN202110572660.7A patent/CN113395679B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3457664A1 (en) * | 2017-09-14 | 2019-03-20 | Deutsche Telekom AG | Method and system for finding a next edge cloud for a mobile user |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN111585916A (zh) * | 2019-12-26 | 2020-08-25 | 国网辽宁省电力有限公司电力科学研究院 | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 |
CN112579290A (zh) * | 2020-12-21 | 2021-03-30 | 湖南大学 | 一种基于无人机的地面终端设备的计算任务迁移方法 |
Non-Patent Citations (3)
Title |
---|
Cooperative Computation Offloading for UAVs: A Joint Radio and Computing Resource Allocation Approach;Shichao Zhu等;《2018 IEEE International Conference on Edge Computing (EDGE)》;20180927;第74-79页 * |
MEC多服务器启发式联合任务卸载和资源分配策略;路亚;《计算机应用与软件》;20201012(第10期);第77-84页 * |
基于深度强化学习的能源互联网智能巡检任务分配机制;徐思雅等;《通信学报》;20210329;第191-204页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113395679A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113395679B (zh) | 一种无人机边缘服务器的资源和任务分配优化*** | |
CN113377125B (zh) | 用于空气污染检测的无人机*** | |
Chen et al. | When UAV swarm meets edge-cloud computing: The QoS perspective | |
Yang et al. | Offloading optimization in edge computing for deep-learning-enabled target tracking by internet of UAVs | |
CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
Huda et al. | Survey on computation offloading in UAV-Enabled mobile edge computing | |
Alsamhi et al. | Survey on artificial intelligence based techniques for emerging robotic communication | |
Wang et al. | Convergence of edge computing and deep learning: A comprehensive survey | |
CN113156992B (zh) | 面向边缘环境下无人机的三层架构协同优化方法 | |
Dong et al. | UAVs as an intelligent service: Boosting edge intelligence for air-ground integrated networks | |
Wei et al. | Reinforcement learning-empowered mobile edge computing for 6G edge intelligence | |
CN113452956B (zh) | 一种输电线路巡检任务智能分配方法及*** | |
Liu et al. | Reinforcement learning for cyber-physical systems | |
Mishra et al. | A high-end IoT devices framework to foster beyond-connectivity capabilities in 5G/B5G architecture | |
Jazayeri et al. | A latency-aware and energy-efficient computation offloading in mobile fog computing: a hidden Markov model-based approach | |
CN113254188B (zh) | 调度优化方法和装置、电子设备及存储介质 | |
Liu et al. | Swarm learning-based dynamic optimal management for traffic congestion in 6G-driven intelligent transportation system | |
Ebrahim et al. | A deep learning approach for task offloading in multi-UAV aided mobile edge computing | |
Manikanda Kumaran et al. | Cloud-based robotic system for crowd control in smart cities using hybrid intelligent generic algorithm | |
Yu et al. | Energy-aware dynamic computation offloading for video analytics in multi-UAV systems | |
Rahbari et al. | Fast and fair computation offloading management in a swarm of drones using a rating-based federated learning approach | |
Kumar et al. | A survey on nature-inspired techniques for computation offloading and service placement in emerging edge technologies | |
CN116455768A (zh) | 面向全局时延优化的云边端协同cnn推理方法及*** | |
Shah et al. | A compendium of radio resource management in UAV-assisted next generation computing paradigms | |
CN116962409B (zh) | 基于通感算与虚拟控制器智能融合的工业互联网*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |