CN115314903A

CN115314903A - 基于移动边缘计算的任务卸载和资源分配方法和装置

Info

Publication number: CN115314903A
Application number: CN202210707409.1A
Authority: CN
Inventors: 张荣荣; 李辉
Original assignee: Capital Normal University
Current assignee: Capital Normal University
Priority date: 2022-06-21
Filing date: 2022-06-21
Publication date: 2022-11-08

Abstract

本申请提出了一种基于移动边缘计算的任务卸载和资源分配方法，包括：构建能量采集无线体域网***和***通信模型；构建传感器节点的能量采集模型；构建任务在本地处理模式、边缘处理模型下的第一、二计算效率模型；构建整个无线体域网的第三计算效率模型；构建深度神经神经网络并进行训练，得到训练好的网络；将传感器节点与无线接入AP节点之间的链路增益集合输入训练好的网络中，输出候选卸载决策集合；根据第三计算效率模型和候选卸载决策集合将决策问题转化为凸优化问题；之后对凸优化问题求解，以得到最优的卸载决策和资源分配方案，采用上述方案的本发明能够满足不同数据的处理需求，减少数据处理时延，提高网络的计算效率。

Description

基于移动边缘计算的任务卸载和资源分配方法和装置

技术领域

本申请涉及无线通信技术领域，尤其涉及基于移动边缘计算的任务卸载和资源分配方法和装置。

背景技术

在无线体域网中，部署在人体表面或植入体内的多种传感器节点可以实时监测人体的生命体征参数，然后感知数据可以通过无线通信技术发送到后台服务器进行分析，分析结果可以协助医务人员进行快速准确的诊断和治疗，从而实现一种非接触式的远程智能医疗体系。近几年，随着无线通信技术的快速发展，无线体域网作为实现智慧医疗的一项重要支撑技术，受到了社会各界广泛关注，并成为后疫情时代的一个研究热点。随着智能医疗体系的逐步完善，每天将产生海量的数据需要处理和分析，然而，无线体域网自身的计算和处理能力十分有限，远达不到智慧医疗的需求。针对无线体域网中微型传感节能量受限和数据处理能力有限的问题，研究者们提出了多种解决方法，其中能量采集技术和移动边缘计算分别可以有效地解决这两个问题。在能量采集技术中，传感节点可以从周围环境中无线接入AP节点发射的射频信号捕获能量用于自身感知和计算，并利用反向散射通信将感知信息传输到AP节点。在移动边缘计算中，边缘服务器的计算和处理数据能力远远大于传感节点，因而，传感节点可以选择在本地处理数据，也可以选择将数据卸载至边缘服务器进行快速处理。然而，受人体移动性及周围不稳定无线信道的影响，不同的卸载策略会影响数据的传输时延及整个网络数据处理效率。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于移动边缘计算的任务卸载和资源分配方法，解决了现有方法的受人体移动性及周围不稳定无线信道的影响，不同的卸载策略会影响数据的传输时延及整个网络数据处理效率的技术问题，实现了满足不同数据的处理需求，减少数据处理时延，提高网络的计算效率。

本申请的第二个目的在于提出一种计算机设备。

为达上述目的，本申请第一方面实施例提出了一种基于移动边缘计算的任务卸载和资源分配方法，首先构建能量采集无线体域网***，其中，能量采集无线体域网***包括边缘服务器、无线接入AP节点、无线体域网集合，无线体域网集合由微型传感器节点组成，在此基础上，上述基于移动边缘计算的任务卸载和资源分配方法包括：构建***通信模型；根据***通信模型构建传感器节点的能量采集模型；根据能量采集模型分别构建任务在本地处理模式下的第一计算效率模型和在边缘处理模式下的第二计算效率模型；根据第一计算效率模型和第二计算效率模型构建整个无线体域网的第三计算效率模型；构建深度神经网络并进行训练，得到训练好的深度神经网络；将传感器节点与无线接入AP节点之间的链路增益集合输入训练好的深度神经网络中，输出候选卸载决策集合；根据第三计算效率模型和候选卸载决策集合将决策问题转化为凸优化问题；分别对候选卸载决策集合中的卸载决策进行凸优化求解，以得到最优的卸载决策和资源分配方案。

本申请实施例的基于移动边缘计算的任务卸载和资源分配方法，通过选择最优的卸载决策和资源分配方法，使得所有无线体域网的数据任务能够尽快处理，减少节点的能耗和时延，从而提高整个无线体域网的数据处理能力和通信效率。

可选地，在本申请的一个实施例中，边缘服务器和AP节点之间通过有线链路相互连接，AP节点与无线体域网传感节点之间通过无线链路连接，一次通信过程分为能量采集阶段和数据处理阶段，构建***通信模型，包括：

在能量采集阶段，通过AP节点广播射频信号，在传感节点采用能量采集技术在规定时间内从射频信号中捕获能量；

在数据处理阶段，在传感器节点根据最优卸载决策将数据本地处理或卸载处理，若将数据卸载处理，则根据分配的卸载时间，将数据发送至AP节点，由与AP节点相连的边缘服务器处理。

可选地，在本申请的一个实施例中，构建传感器节点的能量采集模型，包括：

定义一次通信过程时长为T，能量采集阶段占比例为b₀∈(0,1)，则在一次通信过程中，第i个传感器节点采集的能量为：

E_i＝μPg_ib₀T

其中，μ∈(0,1)表示传感器节点能量采集效率，P表示AP节点的发送功率，g_i表示传感器节点i与AP节点之间的链路增益。

可选地，在本申请的一个实施例中，构建任务在本地处理模式下的第一计算效率模型，包括：

在本地处理模式下，传感器节点计算数据消耗的总能量不能超过能量采集阶段获取的能量，表示为：

k_if_i ³t_i≤E_i

其中，E_i表示第i个传感器节点采集的能量，k_i表示传感器节点i的计算能效系数，f_i表示节点i的CPU频率，0≤t_i≤T表示节点i的计算时间；

在数据处理阶段，本地处理模式下节点计算效率表示为：

其中，C_L,i表示节点i的计算效率，φ为传感器节点处理单位数据所需要的计算周期数，T为通信过程时长，f_i表示节点i的CPU频率，0≤t_i≤T表示节点i的计算时间；

根据节点计算效率计算节点的最大计算效率为：

其中，

表示节点i的最大计算效率，在t_i＝T，f_i＝(E_i/(k_iT))^1/3时得到

可选地，在本申请的一个实施例中，构建任务在边缘处理模式下的第二计算效率模型，包括：

在边缘计算模式下，在数据处理阶段采用时分多路复用的方式，定义分配给节点i的时间长度占比为b_i∈(0,1)，则边缘处理模式下传感器节点的处理时间约束为：

采用无线通信技术通过传感器节点i将任务卸载至边缘服务器，根据香农公式得到节点i在b_iT时间内传输的最大数据量D_i为：

其中，B表示传感器节点与AP节点与之间的无线信道带宽，P_i表示传感器节点i的发射功率，N₀表示噪声功率；

在能量采集的无线体域网中，当传感器节点将采集到的所有能量用于任务卸载时，得到最大计算功率，进一步得到边缘处理模式下节点的最大计算效率，表示为：

其中，

表示边缘处理模式下节点i的最大计算效率，当最大计算功率为P_i＝E_i/b_iT得到

可选地，在本申请的一个实施例中，整个无线体域网的第三计算效率模型为：

其中

a_i∈{0,1}表示节点i的卸载决策，a_i＝0表示节点i在本地执行任务，a_i＝1表示节点将任务卸载到边缘服务器上执行。

可选地，在本申请的一个实施例中，构建深度神经神经网络并进行训练，得到训练好的深度神经网络，包括：

初始化深度神经网络参数集，使用ReLU函数、sigmoid函数分别作为深度神经网络的隐藏层激活函数和输出层激活函数；

使用一个容量有限的初始为空的存储器；

将凸优化问题求解的输出的最优卸载决策和输入到深度神经网络的链路增益作为一组训练样本添加至存储器的末尾；

每经过一个训练间隔，从存储器中随机提取一批训练样本训练深度神经网络；

在设定的训练次数完成后，得到训练好的深度神经网络，

其中，训练深度神经网络所采用的损失函数为：

其中，S表示随机提取的训练样本，|S|表示S的大小，

表示一对训练样本，表示矩阵的转置运算。

可选地，在本申请的一个实施例中，将传感器节点与无线接入AP节点之间的链路增益集合输入训练好的深度神经网络中，输出候选卸载决策集合，包括：

将传感器节点与AP节点之间的链路增益集合输入深度神经网络，根据深度神经网络当前的卸载策略，得到一个宽松的卸载决策集合；

使用Order-Preserving Quantization方法进行拆分处理宽松的卸载决策集合，得到候选卸载决策集合。

可选地，在本申请的一个实施例中，将候选卸载决策集合分别带入整个无线体域网的第三计算效率模型中，将决策问题转化为凸优化问题，使用Bisection-Lagrange算法进行凸优化求解，以得到最优的卸载决策和资源分配方案。

为达上述目的，本发明第二方面实施例提出了一种计算机设备，包括：处理器；用于存储所述处理器可执行指令的存储器；当所述存储器中的指令由处理器被执行时，能够执行上述基于移动边缘计算的任务卸载和资源分配方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例一所提供的一种基于移动边缘计算的任务卸载和资源分配方法的流程示意图；

图2为本申请实施例的无线体域网模型示意图；

图3为本申请实施例的基于深度神经网络的深度强化学习方法的执行流程示意图；

图4为本申请实施例的深度神经网络训练损失示意图；

图5为本申请实施例的无线体域网集合总计算效率与最优总计算效率的比值仿真示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于移动边缘计算的任务卸载和资源分配方法和装置。

本申请首先构建能量采集无线体域网***，包括无线体域网集合和移动边缘计算模块。所述移动边缘计算模块包括一个边缘服务器MES、一个AP节点，一个无线体域网集合，所述无线体域网集合包含若干传感器节点。AP节点与边缘服务器MES之间通过有线链路相互连接，AP节点与无线体域网集合之间通过无线链路相互连接。通过所述AP节点与边缘服务器MES之间相互连通有利于边缘服务器MES与无线体域网之间通信，利于任务在边缘服务器MES上卸载。通过所述AP节点与无线体域网集合之间通过无线链路相互连接有利于AP节点向无线体域网集合发送射频信号供无线体域网集合采集能量。移动边缘计算模块的边缘服务器MES与无线体域网集合之间通过AP节点连通，进而构建基于移动边缘计算的无线体域网。通过所述边缘服务器MES进行数据计算提高了基于移动边缘计算的无线体域网的计算能力。所述无线体域网集合仅能通过AP节点与边缘服务器MES进行通信。

本申请基于构建的能量采集无线体域网***进行基于移动边缘计算的任务卸载和资源分配。

图1为本申请实施例一所提供的一种基于移动边缘计算的任务卸载和资源分配方法的流程示意图。

如图1所示，该基于移动边缘计算的任务卸载和资源分配方法包括以下步骤：

步骤101，构建***通信模型；

步骤102，根据***通信模型构建传感器节点的能量采集模型；

步骤103，根据能量采集模型分别构建任务在本地处理模式下的第一计算效率模型和在边缘处理模式下的第二计算效率模型；

步骤104，根据第一计算效率模型和第二计算效率模型构建整个无线体域网的第三计算效率模型；

步骤105，构建深度神经网络并进行训练，得到训练好的深度神经网络；

步骤106，将传感器节点与无线接入AP节点之间的链路增益集合输入训练好的深度神经网络中，输出候选卸载决策集合；

步骤107，根据第三计算效率模型和候选卸载决策集合将决策问题转化为凸优化问题；

步骤108，分别对候选卸载决策集合中的卸载决策进行凸优化求解，以得到最优的卸载决策和资源分配方案。

可选地，在本申请的一个实施例中，所述的无线体域网由若干个微型传感器节点组成，用集合

表示。边缘服务器和AP节点之间通过有线链路相互连接，AP节点与无线体域网传感节点之间通过无线链路连接，

一个通信过程分为两个阶段：第一阶段为能量采集阶段；第二阶段为数据处理阶段。

构建能量采集无线体域网通信模型，包括：

在第一阶段中，AP点广播射频信号，传感节点采用能量采集技术在规定时间内从射频信号中捕获能量。第二阶段，传感节点根据最优卸载决策将数据本地处理或卸载处理。如果需要卸载，则根据分配的卸载时间，将数据发送至AP节点，由与AP节点相连的边缘服务器进行处理。

定义一次通信过程时长为T，能量采集阶段占比例为b₀∈(0,1)。则在一次通信过程中，第i个传感器节点采集的能量为：

E_i＝μPg_ib₀T (1)

其中，μ∈(0,1)表示传感器节点能量采集效率，P表示AP节点的发送功率，g_i表示传感器节点i与AP节点之间的链路增益。假设在一次通信过程中上行链路和下行链路的链路增益相同，且保持不变。不同通信过程的链路增益是变化的。

在本地计算模式下，令k_i表示传感器节点i的计算能效系数，f_i表示节点i的CPU频率，0≤t_i≤T表示节点i的计算时间，则传感器节点计算数据消耗的总能量不能超过能量采集阶段获取的能量E_i，因而

k_if_i ³t_i≤E_i (2)

令传感器节点处理单位数据所需要的计算周期数为φ，则在数据处理阶段，本地处理模式下，由节点i处理的总比特位数为f_it_i/φ节点i的计算效率表示为：

在公式(3)中中，计算效率C_L,i随着计算时间t_i单调递增，由此可知，当t_i＝T时，相应的f_i＝(E_i/(k_iT))^1/3，将t_i，f_i和(1)代入(6)可得节点i的最大计算效率为：

在边缘计算模式下，为了避免不同传感节点间卸载数据相互干扰，在数据处理阶段采用时分多路复用(TDM)方式，定义分配给节点i的时间长度占比为b_i∈(0,1)，则边缘处理模式下传感器节点的处理时间约束为：

传感器节点i将任务卸载至边缘服务器采用无线通信技术，根据香农公式可以得到节点i在b_iT时间内传输的最大数据量D_i为：

在能量采集的无线体域网中，当传感器节点将采集到的所有能量用于任务卸载时，其最大计算功率为P_i＝E_i/b_iT。由此可以得到，在边缘处理模式下，节点i的最大计算效率为：

一个无线体域网包含N个传感器节点，每个传感器节点只能选择将任务本地计算或者卸载至边缘服务器计算。则根据计算分析得到，整个无线体域网的计算效率为：

其中

a_i∈{0,1}表示节点i的卸载决策，a_i＝0表示节点i在本地执行任务，a_i＝1表示节点将任务卸载到边缘服务器上执行，同时，当a_i＝0时，

在任务卸载的过程中，传感器节点与AP节点之间的无线链路状态影响了节点卸载决策的选择，卸载决策决定了传感节点在数据处理阶段的计算时间和卸载时间，本发明的目标是最大化整个无线体域网的计算效率。

首先初始化深度神经网络参数集为θ(θ服从标准正态分布)，使用ReLU函数作为隐藏层的激活函数，sigmoid函数作为输出层激活函数；

使用一个容量有限的初始为空的存储器；

将凸优化问题求解的输出的最优卸载决策a^*与输入到深度神经网络的链路增益g_N作为一组训练样本(g_N,a^*)添加至存储器的末尾，当存储器满时，新生成的数据样本将取代存储器中最旧的训练样本；

等待设定的训练次数完成，该模型即可使用作为得到最优的卸载决策和资源分配的解决方案，而且计算速度快，减少了计算能耗。并且提高了整个无线体域网的计算效率，从而提高了无线体域网的数据处理能力和降低了网络时延，

其中，本文的深度神经网络参数θ_t采用Adam算法进行更新，训练损失函数如下所示：

其中，S表示随机提取的训练样本，|S|表示S的大小，

表示一对训练样本，表示矩阵的转置运算。

将N个传感器节点与AP节点之间的链路增益集合g_N输入深度神经网络，根据深度神经网络当前的卸载策略π_θ，得到一个宽松的卸载决策集合

使用Order-Preserving Quantization(OPQ)方法进行拆分处理宽松的卸载决策集合，得到K个N维二元候选卸载决策集合，表示为：

其中，K表示候选卸载决策的数量，a_k＝[a′_k,1,...,a′_k,i,...,a′_k,N]，a′_k,i∈{0,1}，a′_k,i＝0表示节点i的任务本地处理，a′_k,i＝1表示节点i的任务卸载至边缘服务器进行处理。

上述使用Order-Preserving Quantization(OPQ)方法进行拆分处理宽松的卸载决策集合，具体包括：

(1)将宽松的卸载决策集合

中的每个元素与0.5进行对比，得到第一个N维二元卸载决策集合a₁，其中：

其中，i＝1,...N。

(2)计算宽松的卸载决策集合

中每个元素与0.5差值的绝对值，并根据绝对值的大小，对元素

由小到大进行排序(注意：如果绝对值大小相同，则优先选择ID值较小的元素)，得到序列

根据下述公式，，将宽松的卸载决策集合

中每个元素

与

对比，特别地，k＝2,…,K，j＝k-1。因此，可以得到N个N维二元卸载决策集合。

其中，i＝1,…N。

至此，根据公式(11)和公式(12)可以得到N+1个N维二元卸载决策集合.

可选地，在本申请的一个实施例中，将候选卸载决策集合分别带入整个无线体域网的第三计算效率模型中，将决策问题转化为凸优化问题，使用Bisection-Lagrange算法进行所述凸优化求解，以得到最优的卸载决策和资源分配方案。

上述使用Bisection-Lagrange算法进行所述凸优化求解，具体包括：

将上述使用Order-Preserving Quantization(OPQ)方法进行拆分处理宽松的卸载决策集合得到的K组卸载决策集合分别带入(8)中，当a_i确定后，上述整个无线体域网的计算效率公式就成为一个凸优化问题。具体来说，当计算效率公式中的a_i确定以后，只需继续求解b₀和b_i即可，同时b₀和b_i又受制于约束条件(5)。所以可以通过解凸优化问题进行求解b₀和b_i，这里采用Bisection-Lagrange(Bi-La)算法得到最优的

步骤1：首先引入一个与约束条件相关的非负的拉格朗日乘数，拉格朗日函数可以表示为：

相应的对偶函数是：

对偶问题是：

由于确定a_i的(8)是一个凸问题，所以对偶问题通过强对偶性实现与最大化(8)相同的目标。明显地，在取得最优值时，

步骤2：首先求(13)对

的偏导数，并令其为0，经过一系列变形，可以得到如下最优的

关系：

其中λ^*分别表示最优的λ。W(x)表示Lambert-W函数，它是f(y)＝ye^y＝x的反函数，即y＝W(x)。由(15)可推断，λ^*＞0恒成立，如果不成立，那么

或者

必须成立。显然这不符合(5)。当λ^*＞0时，有

当x∈(-1/e,0)时，W(x)∈(-1,0)。(15)的分母部分恒为正。同时，W(x)在x∈(-1/e,0)上是一个单调递增函数。可以推断，具有较强链路增益(g_i)的传感器节点将被分配较长的卸载时间b_i。通过(16)变形，得：

其中

表示(16)的分母部分，

随λ单调递减，当λ→0时，

当λ→∞时，

将

代入

得到λ^*和

的关系：

鉴于

的单调性，可以推断δ(λ)在λ的区间里是一个单调递增函数。

步骤3：接下来求(13)对b₀的偏导数并令其为0，经过一系列变形，可以推断存在最优λ^*，满足：

其中G(λ)在λ＞0上是一个单调减函数。当λ→0时，G(λ)→∞，而当λ→∞时，G(λ)→-∞。所以存在唯一的λ^*＞0使得G(λ^*)＝0。

步骤4：通过Bi方法获取唯一最优的λ^*使得(19)成立，首先指定Bi方法的搜索区域

其中

表示一个足够大的值。当搜索到满足G(λ^*)＝0的λ^*时，通过公式(17)和(18)直接得到

和

最后，由于当前目标问题是凸问题，原始问题和对偶问题具有相同的最优解。

步骤5：计算完该时间段K个卸载决策集合后，得到最优的C，表示为C^*，输出相应的

作为当前通信过程的卸载决策和资源分配方案，其中a^*表示最优的卸载决策。

下面介绍本申请的实施例1：

本实施例结合附图2详细阐述了本发明“基于移动云-边缘计算的无线体域网任务卸载方法”的具体实施过程。

如图2所示的无线体域网模型的示意图中，时间段一开始，边缘服务器MES上的计算装置执行卸载决策和资源分配算法，根据每个用户节点和AP节点之间的链路增益计算出本时间段最优的卸载决测和资源分配方案，然后通过信号发送给节点让其执行。AP节点根据方案规定的时长开始向无线体域网集合中的传感器节点发送射频信号供节点采集能量到节点电池中，这些能量用于本时间段的计算任务。附着在人体表面或植入人体的传感节点将收集到的数据依据方案进行本地计算或者通过AP节点转发到边缘服务器MES上执行。边缘计算模式下的节点因为受到时分多路复用(TDM)的约束，需要等到无线电力传输结束后才能开始卸载任务到AP节点，而计算模式下的节点在时间段一开始就可以计算数据。

如图3所示，本实例公开的基于移动边缘计算的无线体域网任务卸载和资源分配方法，具体实现步骤如下：

步骤一：构建能量采集无线体域网***和通信模型。

步骤1.1：构建能量采集无线体域网***模型包括：一个边缘服务器、一个无线接入AP节点，一个无线体域网集合。所述的无线体域网由若干个微型传感器节点组成，用集合

表示。边缘服务器和AP节点之间通过有线链路相互连接，AP节点与无线体域网传感节点之间通过无线链路连接。

步骤1.2：构建能量采集无线体域网通信模型。一个通信过程分为两个阶段：第一阶段为能量采集阶段；第二阶段为数据处理阶段。在第一阶段中，AP点广播射频信号，传感节点采用能量采集技术在规定时间内从射频信号中捕获能量。第二阶段，传感节点根据最优卸载决策将数据本地处理或卸载处理。如果需要卸载，则根据分配的卸载时间，将数据发送至AP节点，由与AP节点相连的边缘服务器进行处理。

步骤二：构建传感器节点的能量采集模型。

定义一次通信过程时长为T＝1，能量采集阶段占比例为b₀∈(0,1)。则在一次通信过程中，第i个传感器节点采集的能量为：

E_i＝μPg_ib₀T (1)

其中，μ＝0.7表示传感器节点能量采集效率，P＝3W表示AP节点的发送功率，g_i表示传感器节点i与AP节点之间的链路增益。假设在一次通信过程中上行链路和下行链路的链路增益相同，且保持不变。不同通信过程的链路增益是变化的。

步骤三：构建任务本地处理模式和边缘处理模式下的计算效率模型。

步骤3.1：构建本地处理模式下传感器节点的计算效率模型。

在本地计算模式下，令k_i＝10^-26表示传感器节点i的计算能效系数，f_i表示节点i的CPU频率，0≤t_i≤T表示节点i的计算时间，则传感器节点计算数据消耗的总能量不能超过能量采集阶段获取的能量E_i，因而

k_if_i ³t_i≤E_i (2)

令φ＝100表示传感器节点处理单位数据所需要的计算周期数，则在数据处理阶段，本地处理模式下，由节点i处理的总比特位数为f_it_i/φ节点i的计算效率表示为：

在公式(3)中，计算效率C_L,i随着计算时间t_i单调递增，由此可知，当t_i＝T时，相应的f_i＝(E_i/(k_iT))^1/3，将t_i，f_i和(1)代入(6)可得节点i的最大计算效率为：

步骤3.2：构建边缘处理模式下传感器节点的计算效率模型。

其中，B＝2MHz表示传感器节点与AP节点与之间的无线信道带宽，P_i表示传感器节点i的发射功率，N₀＝10^-10W表示噪声功率。

步骤四：构建整个无线体域网的计算效率模型。

一个无线体域网包含N个传感器节点，每个传感器节点只能选择将任务本地计算或者卸载至边缘服务器计算。则根据步骤四的计算分析得到，整个无线体域网的计算效率为：

其中

步骤五：构建深度神经网络并基于其得到候选卸载决策集合a_K。

步骤5.1：在通信过程中，首先初始化深度神经网络参数集为θ(θ服从标准正态分布)，使用ReLU函数作为隐藏层的激活函数，sigmoid函数作为输出层激活函数。N个传感器节点与AP节点之间的链路增益集合g_N输入深度神经网络，根据深度神经网络当前的卸载策略π_θ，得到一个宽松的卸载决策集合

步骤5.2：使用Order-Preserving Quantization(OPQ)方法进行拆分处理

得到K个N维二元卸载决策集合，表示为：

(1)将宽松的卸载决策集合

其中i＝1,...N。

(2)计算宽松的卸载决策集合

根据公式(11)，将宽松的卸载决策集合

中每个元素

与

对比，特别地，k＝2,...,K，j＝k-1。因此，可以得到N个N维二元卸载决策集合。

其中i＝1,...N。

至此，根据公式(10)和公式(11)可以得到N+1个N维二元卸载决策集合。

步骤六：分别对a_K中的卸载决策进行凸优化求解，以此得到最优的卸载决策和资源分配方案。

步骤6.1：将步骤5.2中得到的K组卸载决策集合分别带入(8)，当a_i确定后，(8)就成为一个凸优化问题。具体来说，当(8)中的a_i确定以后，只需继续求解b₀和b即可。其中，

同时b₀和b又受制于约束条件(5)。所以可以通过解凸优化问题进行求解b₀和b，这里采用Bisection-Lagrange(Bi-La)算法得到最优的b₀和b，

首先引入一个与约束条件相关的非负的拉格朗日乘数，拉格朗日函数可以表示为：

相应的对偶函数是：

对偶问题是：

步骤6.2：首先求(13)对

关系：

其中λ^*分别表示最优的λ。W(x)表示Lambert-W函数，它是f(y)＝ye^y＝x的反函数，即y＝W(x)。λ^*＞0恒成立，如果不成立，那么

或者

必须成立。显然这不符合(5)。当λ^*＞0时，有

当x∈(-1/e,0)时，W(x)∈(-1,0)。(15)的分母部分恒为正。同时，W(x)在x∈(-1/e,0)上是一个单调递增函数。可以推断，具有较强链路增益(g_i)的传感器节点将被分配较长的卸载时间b_i。通过(15)变形，得：

其中

表示(15)的分母部分，

随λ单调递减，当λ→0时，

当λ→∞时，

将

代入

得到λ^*和

的关系：

鉴于

步骤6.3：接下来求(14)对b₀的偏导数并令其为0，经过一系列变形，可以推断存在最优λ^*，满足：

步骤6.4：通过Bi方法获取唯一最优的λ^*使得(18)成立，首先指定Bi方法的搜索区域

其中

表示一个足够大的值。当搜索到满足G(λ^*)＝0的λ^*时，通过公式(16)和(17)直接得到

和

步骤6.5：计算完该时间段K个卸载决策集合后，得到最优的C，表示为C^*，输出相应的

步骤6.6：将步骤6.5得到的解决方案用于更新深度神经网络的卸载策略。具体来说，本文采用一个容量有限的初始为空的存储器。每次通信结束，将解决决方案a^*和g_N将组合成一对训练样本(g_N,a^*)添加到存储器末尾，当存储器满时，新生成的数据样本将取代存储器中最旧的训练样本。每经过一个训练间隔，将会在存储器中随机提取一批训练样本训练深度神经网络。本文的深度神经网络参数θ采用Adam算法进行更新，学习率为0.01，训练损失函数如下所示：

其中S表示随机提取的训练样本，|S|＝128表示S的大小，

表示一对训练样本，表示矩阵的转置运算。

步骤七：等待设定的训练次数完成，该模型即可使用作为得到最优的卸载决策和资源分配的解决方案，而且计算速度快，减少了计算能耗。并且提高了整个无线体域网的计算效率，从而提高了无线体域网的数据处理能力和降低了网络时延。

从图4能看出，在用户数为10，训练次数是20000时，可以观察到，训练损失在第2000次训练后急剧收敛到0.04，这意味着我们的方法达到最优解的粒度很小。

图5是执行本专利提出的方法的出的计算效率比，可以看到类似于图4的训练损失，在第2500次训练后计算出的解决方案和最优解决方案之间的比值达到0.98，这证实了该方法的有效性。

为了实现上述实施例，本发明还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述施例所述的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。