CN113873660A - 无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配方法 - Google Patents

Abstract

无人机辅助的服务缓存边缘计算最优计算卸载决策和资源分配方法，首先，建立服务器缓存、任务时延等的约束条件；其次，利用无人机3D位置、服务器缓存的服务部署、卸载决策和资源分配等因素建立最小化能耗数学模型；最后，采用遗传算法框架对目标问题进行求解。求解过程采用双层优化方法，上层将无人机3D位置和服务缓存方案放入基因编码，下层先利用贪心的思想确定资源分配，再将问题转化为整数线性规划问题进行求解。利用求得的方案将无人机的位置和服务部署应用于无人机，将卸载策略通过无人机转发至物联网节点，计算时按照资源分配方案进行计算，达到节省能耗的目的。本发明在满足任务时延约束的情况下达到最小化能量消耗的目的。

Description

无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分 配方法

技术领域

本发明属于5G网络计算卸载技术领域，尤其涉及一种无人机辅助的服务缓存边缘计算最优计算卸载决策和资源分配方法。

背景技术

边缘计算是5G网络的核心技术之一。边缘计算中边缘服务器的部署位置会严重影响到边缘计算的性能。通过无人机实现边缘服务器的动态部署，因其简单易于部署、机动性强，能较好适应复杂环境。而无人机的3D位置也对节点的传输延迟与能耗产生较大影响，因此无人机的位置部署是一个非常重要的研究问题。另外，在5G网络中，服务缓存的概念被提出，由于边缘服务器的资源有限，服务器中仅能缓存一定数量的服务。我们将服务缓存应用于无人机辅助的MEC场景中，这使服务缓存策略更为复杂，是一个具有挑战性的问题。

发明内容

针对上述问题，本发明提供无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配方法。

本发明结合服务缓存的优势，设计了无人机辅助MEC***计算卸载模型，考虑波束宽度带来的高度和覆盖范围影响，联合优化无人机3D部署、服务器服务缓存、卸载策略和资源分配策略，实现***能耗最低的目标。

为了实现上述目的，无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配方法包括如下步骤：

步骤1：应用场景具体化。考虑K个物联网节点，N个无人机，M种服务类型的场景，其中D＝{d₁,d₂,…,d_K}表示物联网节点的集合，U＝{u₁,u₂,…,u_N}表示无人机的集合，S＝{s₁,s₂,…,s_M}表示M种不同类型的服务；所有物联网节点都部署在地面上，物联网节点的位置用

表示，无人机的位置用

表示。

步骤2：设置无人机的服务缓存约束。用β_m,n表示第m种服务是否部署在第n个无人机上，1表示部署，0表示不部署。由于无人机上服务部署有容量限制，则有

其中C为无人机上服务器服务缓存的容量限制，A＝{a₁,a₂,…,a_M}表示每种服务所需容量大小。

步骤3：设置物联网节点的卸载约束。物联网节点中的计算任务可以本地完成，也可以卸载到无人机的服务器上。用α_k,n表示物联网节点k是否连接到无人机n(n＝0时为本地计算)，1为建立连接，0为无连接。每个物联网节点最多只能连接到一个无人机。即

步骤4：设置资源分配约束。用f_k,n表示第n个无人机分配给第k个节点的计算资源，其中，f_k,0表示第k个节点的本地计算资源。由于每个无人机计算资源有限，用f_max表示无人机的最大计算资源，则有约束

步骤5：计算传输能耗。每一个物联网节点都有一个要执行的计算密集型任务,这些任务被建模为四元组W_k＝(C_k,F_k,t_k,λ_k)。四个参数依次为任务大小、处理一位任务数据所需CPU周期数、处理该任务的最大可容忍时延、任务的服务类型。若本地计算，不存在传输能耗。若卸载到无人机进行计算，则传输能耗为

其中传输速率

而

B为信道带宽，P为每个节点的发射功率，β₀为参考距离处的信道功率增益，G₀为正常数，N₀为噪声功率谱密度。

步骤6：计算计算能耗。若本地计算，计算时延为

能耗表示为E_k,0＝η₁(f_k,0)^v-1C_kF_k，其中，η₁为有效电容开关，v为正常数。若卸载计算，无人机上服务器的计算能耗为

步骤7：建模总能耗优化模型。结合步骤3-6，建立如下数学模型：

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

步骤8：染色体编码。用二进制编码对变量

和β_m,n进行编码，每一个基因片段对应无人机的3D位置部署和无人机服务器上的服务部署。

步骤9：定义遗传算法的种群大小，并随机产生初始种群，同时设置最大代数G，设定交叉变异参数pc、pm。

步骤10：计算适应度值。针对种群中的每个个体计算其适应度值以及对应的计算资源和下载策略。将步骤7中的目标问题取倒作为适应度函数进行适应度计算。本地计算时，计算资源

卸载计算时，

卸载策略可以根据下列优化问题求得：

此问题为整数线性规划问题，利用分支定界法进行求解。

步骤11：修正适应度值。若不符合服务缓存或距离约束，将适应度设为一个较小值；若无可行的卸载方案，本地计算时延也不符合要求，则以本地最大计算资源进行计算，并以其10倍能耗作为惩罚算入适应度值。将适应度值最大，也就是目标值最小的个体进行更新保存。

步骤12：个体选择。采用适应度比例算法计算选择概率，并采用基本的轮盘赌选择策略选择个体。

步骤13：交叉。染色体的交叉仅发生的等位基因上。交叉概率由参数pc控制。生成一个随机数，若大于pc，则发生交叉操作，若不大于pc，保持原基因不变。

步骤14：变异。染色体某位发生0和1的翻转，突变概率由参数pm控制。生成一个随机数，若大于pc，则发生变异操作，若不大于pc，保持原基因不变。

步骤15：重复步骤10-14，循环迭代，直到达到最大代数，输出目标值最小的个体即全局最佳解。

步骤16：方案应用。根据求得的最佳个体，将无人机的位置和服务部署应用于无人机，将卸载策略通过无人机转发至物联网节点，计算时按照资源分配方案进行计算。

步骤17：周期性更新。每隔一段时间，根据场景中节点的平均任务的变化，利用步骤5-15对步骤16的方案进行更新。

本发明利用优化无人机的3D位置以及边缘服务器中服务合理部署，在满足任务时延约束的情况下通过最优计算卸载决策和资源分配达到最小化能量消耗的目的。首先，建立服务器缓存、任务时延等的约束条件；其次，利用无人机3D位置、服务器缓存的服务部署、卸载决策和资源分配等因素建立最小化能耗数学模型；最后，采用遗传算法框架对目标问题进行求解。求解过程采用双层优化方法，上层将无人机3D位置和服务缓存方案放入基因编码，下层先利用贪心的思想确定资源分配，再将问题转化为整数线性规划问题进行求解。利用求得的方案将无人机的位置和服务部署应用于无人机，将卸载策略通过无人机转发至物联网节点，计算时按照资源分配方案进行计算，达到节省能耗的目的。

本发明的有益效果：本发明考虑在无人机辅助的服务缓存边缘计算中，联合优化无人机3D部署、服务器服务缓存、卸载策略和资源分配策略，实现***能耗最低的目标。

附图说明：

图1是本发明的无人机辅助的服务缓存边缘计算模型示意图。

图2是本发明的遗传算法框架的基因编码示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

结合图1、图2，无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配，所述方法包括如下步骤：

步骤1：应用场景具体化。如图1，考虑这样的MEC***模型，模型中由K个物联网节点和N个无人机组成。同时，将服务器部署在无人机上，服务器上可部署一定的不同类型的服务，相应的物联网节点才可以将任务卸载到无人机。用D＝{d₁,d₂,…,d_K}表示物联网节点的集合，用U＝{u₁,u₂,…,u_N}表示无人机的集合，用S＝{s₁,s₂,…,s_M}表示M种不同类型的服务；所有物联网节点都部署在地面上，物联网节点的位置用

表示，无人机的位置用

表示；对于每一个无人机，其水平位置在固定宽度的正方形场景区域中，而高度在范围[h_min,h_max]内可变。

步骤2：设置无人机上的服务的缓存约束。用β_m,n表示第m种服务是否部署在第n个无人机上，1表示部署，0表示不部署。由于无人机上服务部署有容量限制，则有

其中C为无人机上服务器服务缓存的容量限制，A＝{a₁,a₂,…,a_M}表示每种服务所需容量大小。

步骤3：设置物联网节点的卸载约束。物联网节点中的计算任务可以本地完成，也可以卸载到无人机的服务器上。用α_k,n表示物联网节点k是否连接到无人机n(n＝0时为本地计算)，1为建立连接，0为无连接。每个物联网节点最多只能连接到一个无人机。即

步骤4：设置资源分配约束。用f_k,n表示第n个无人机分配给第k个节点的计算资源，其中，f_k,0表示第k个节点的本地计算资源。由于每个无人机计算资源有限，用f_max表示无人机的最大计算资源，则有约束

步骤5：计算传输能耗。每一个物联网节点都有一个要执行的计算密集型任务,这些任务被建模为四元组W_k＝(C_k,F_k,t_k,λ_k)。四个参数依次为任务大小、处理一位任务数据所需CPU周期数、处理该任务的最大可容忍时延、任务的服务类型。若本地计算，不存在传输能耗。若卸载到无人机进行计算，则传输能耗为

其中传输速率

而

B为信道带宽，P为每个节点的发射功率，β₀为参考距离处的信道功率增益，G₀为正常数，N₀为噪声功率谱密度；

步骤6：计算计算能耗。若本地计算，计算时延为

能耗表示为E_k,0＝η₁(f_k,0)^v-1C_kF_k，其中，η₁为有效电容开关，v为正常数。若卸载计算，无人机上服务器的计算能耗为

步骤7：建模总能耗优化模型。结合步骤2-6，建立如下数学模型：

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

目标问题描述的整个无人机辅助MEC的场景中处理节点任务总共所需的***能耗。其中，参数μ用于调整服务器计算能耗所占比重，由于服务器的能量补充相对容易，考虑降低服务器能耗的重要程度。

和C7保证无人机n上缓存了服务λ_k，节点k才可以卸载。考虑波束宽度对回传的影响，

为无人机n的覆盖半径，C3保证要卸载的节点在无人机覆盖范围内。约束C4、C5为每个任务的时延限制。C6是指服务器的最大计算资源约束，卸载到同一架无人机服务器上的节点所分配的计算资源之和不能超过f_max。

步骤8：染色体编码。采用二进制编码对变量

和β_m,n进行编码，每一个基因片段对应无人机的3D位置部署和无人机服务器上的服务部署。如图2，共有N个基因片段，与无人机数量相对应，在每一个片段中，前三个变量为无人机的3D坐标，转换为二进制编码所占位数与精度相关，后续M位为服务部署，分别代表对应服务是否部署在无人机服务器上。

步骤9：定义遗传算法的种群大小，并随机产生初始种群，同时设置最大代数G，设定交叉变异参数pc、pm。

步骤10：计算适应度值。针对种群中的每个个体计算其适应度值以及对应的计算资源和下载策略。将步骤7中的目标问题取倒作为适应度函数进行适应度计算。问题中卸载策略和资源分配并未编入基因序列。根据步骤7和约束C4，本地计算时，计算资源

利用贪心思想，取

卸载计算时，总时延为

结合约束C5，有

取

卸载策略可以根据下列优化问题求得：

此问题为整数线性规划问题，利用分支定界法进行求解。

步骤11：修正适应度值。若不符合服务缓存或距离约束，将适应度设为一个较小值，若符合，根据步骤10计算资源分配矩阵，利用分支定界算法确定卸载策略，计算适应度值并返回。其中，若无可行的卸载方案，本地计算时延也不符合要求，则以本地最大计算资源进行计算，并以其10倍能耗作为惩罚算入适应度值。将适应度值最大，也就是目标值最小的个体进行更新保存。

步骤12：个体选择。采用适应度比例算法计算选择概率。在该方法中，各个个体被选择的概率和其适应度值成比例。选择方法采用基本的轮盘赌选择策略。在此方法中先按个体的选择概率产生一个轮盘，轮盘每个区的角度与个体的选择概率成比例，然后产生一个随机数，它落入轮盘的哪个区域就选择相应的个体交叉。

步骤13：交叉。染色体的交叉仅发生的等位基因上。交叉概率由参数pc控制。生成一个随机数，若大于pc，则发生交叉操作，若不大于pc，保持原基因不变。

步骤14：变异。染色体某位发生0和1的翻转，突变概率由参数pm控制。生成一个随机数，若大于pc，则发生变异操作，若不大于pc，保持原基因不变。

步骤15：重复步骤10-14，循环迭代，直到达到最大代数，输出目标值最小的个体即全局最佳解。

步骤16：方案应用。根据求得的最佳个体，将无人机的位置和服务部署应用于无人机，将卸载策略通过无人机转发至物联网节点，计算时按照资源分配方案进行计算。

步骤17：周期性更新。每隔一段时间，根据场景中节点的平均任务的变化，利用步骤5-15对步骤16的方案进行更新。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配，其特征在于，所述方法包括如下步骤：

步骤1：应用场景具体化；考虑K个物联网节点，N个无人机，M种服务类型的场景，其中D＝{d₁，d₂，…，d_K}表示物联网节点的集合，U＝{u₁，u₂，…，u_N}表示无人机的集合，S＝{s₁，s₂，…，s_M}表示M种不同类型的服务；所有物联网节点都部署在地面上，物联网节点的位置用

表示，无人机的位置用

表示；

步骤2：设置无人机的服务缓存约束；用β_m，n表示第m种服务是否部署在第n个无人机上，1表示部署，0表示不部署；由于无人机上服务部署有容量限制，则有

其中C为无人机上服务器服务缓存的容量限制，A＝{a₁，a₂，…，a_M}表示每种服务所需容量大小；

步骤3：设置物联网节点的卸载约束；物联网节点中的计算任务可以本地完成，也可以卸载到无人机的服务器上；用α_k，n表示物联网节点k是否连接到无人机n(n＝0时为本地计算)，1为建立连接，0为无连接；每个物联网节点最多只能连接到一个无人机；即

步骤4：设置资源分配约束；用f_k，n表示第n个无人机分配给第k个节点的计算资源，其中，f_k，0表示第k个节点的本地计算资源；由于每个无人机计算资源有限，用f_max表示无人机的最大计算资源，则有约束

步骤5：计算传输能耗；每一个物联网节点都有一个要执行的计算密集型任务，这些任务被建模为四元组W_k＝(C_k，F_k，t_k，λ_k)；四个参数依次为任务大小、处理一位任务数据所需CPU周期数、处理该任务的最大可容忍时延、任务的服务类型；若本地计算，不存在传输能耗；若卸载到无人机进行计算，则传输能耗为

其中传输速率

而

B为信道带宽，P为每个节点的发射功率，β₀为参考距离处的信道功率增益，G₀为正常数，N₀为噪声功率谱密度；

步骤6：计算计算能耗；若本地计算，计算时延为

能耗表示为E_k，0＝η₁(f_k，0)^{v- 1}C_kF_k，其中，η₁为有效电容开关，v为正常数；若卸载计算，无人机上服务器的计算能耗为

步骤7：建模总能耗优化模型；结合步骤3-6，建立如下数学模型：

步骤8：染色体编码；用二进制编码对变量

和β_m，n进行编码，每一个基因片段对应无人机的3D位置部署和无人机服务器上的服务部署；

步骤9：定义遗传算法的种群大小，并随机产生初始种群，同时设置最大代数G，设定交叉变异参数pc、pm；

步骤10：计算适应度值；针对种群中的每个个体计算其适应度值以及对应的计算资源和下载策略；将步骤7中的目标问题取倒作为适应度函数进行适应度计算；本地计算时，计算资源

卸载计算时，

卸载策略可以根据下列优化问题求得：

s.t.C1，C3，C6，C7.

此问题为整数线性规划问题，利用分支定界法进行求解；

步骤11：修正适应度值；若不符合服务缓存或距离约束，将适应度设为一个较小值；若无可行的卸载方案，本地计算时延也不符合要求，则以本地最大计算资源进行计算，并以其10倍能耗作为惩罚算入适应度值；将适应度值最大，也就是目标值最小的个体进行更新保存；

步骤12：个体选择；采用适应度比例算法计算选择概率，并采用基本的轮盘赌选择策略选择个体；

步骤13：交叉；染色体的交叉仅发生的等位基因上；交叉概率由参数pc控制；生成一个随机数，若大于pc，则发生交叉操作，若不大于pc，保持原基因不变；

步骤14：变异；染色体某位发生0和1的翻转，突变概率由参数pm控制；生成一个随机数，若大于pc，则发生变异操作，若不大于pc，保持原基因不变；

步骤15：重复步骤10-14，循环迭代，直到达到最大代数，输出目标值最小的个体即全局最佳解；

步骤16：方案应用；根据求得的最佳个体，将无人机的位置和服务部署应用于无人机，将卸载策略通过无人机转发至物联网节点，计算时按照资源分配方案进行计算；

步骤17：周期性更新；每隔一段时间，根据场景中节点的平均任务的变化，利用步骤5-15对步骤16的方案进行更新。

Images