一种基于数据压缩的无人机中继辅助计算任务卸载方法

本发明涉及无人机移动边缘计算的，尤其涉及一种基于数据压缩的无人机中继辅助计算任务卸载方法。

背景技术：

1、越来越多的计算密集型和时延敏感型移动应用逐渐进入人们的生活，如无人驾驶、人脸识别等。然而，有限的电池能量和较低的计算能力使得用户设备难以执行这些应用。移动边缘计算(mobile edge computing，mec)利用网络边缘节点为用户提供了更多可访问资源，克服了终端用户与远程云之间距离较长的问题，并摆脱了回程容量拥塞的困境。另一方面，无人机(unmanned aerial vehicle，uav)由于其灵活性高、机动性强、可靠性高等优点被广泛应用于边缘计算网络中，在地面通信基础设施不可用的区域，无人机作为空中移动中继可为远距离地面用户提供可靠的无线连接，较好地解决应急通信的难题。

2、在无人机辅助mec网络中，终端用户设备卸载任务至uav以及uav作为空中中继转发任务数据至边缘服务器进行处理，此过程往往存在任务卸载比任务计算消耗更多能量的问题，并且无人机和终端用户设备电池容量有限。

技术实现思路

1、本发明所要解决的技术问题：针对现有的无人机和终端用户设备的电池容量有限，并且终端用户设备在计算卸载时系统消耗的时延和能耗都较多的问题，本发明提供一种基于数据压缩的无人机中继辅助计算任务卸载方法，一方面采用无人机中继辅助mec网络，在有限系统资源的约束下，优化了无人机的轨迹和资源分配，另一方面采用了数据压缩技术，降低了卸载过程中的能耗。

2、本发明为解决以上技术问题而采用以下技术方案：

3、本发明提出的一种基于数据压缩的无人机中继辅助计算任务卸载方法，该方法包括以下步骤：

4、s1，构建无人机中继辅助计算任务卸载模型，所述无人机中继辅助计算任务卸载模型包括无人机、边缘服务器和若干个终端用户设备；所述的无人机与终端用户设备及边缘服务器通信环境包括终端用户设备将任务卸载至无人机及无人机转发至边缘服务器的上行链路和边缘服务器将计算结果经无人机返回给终端用户设备的下行链路；

5、s2，基于sac算法构建深度强化学习智能体，分别计算任意一个时隙内用户终端和无人机在各自卸载任务过程中所花费的能耗，统计得到多时隙多终端用户总能耗，以多时隙多终端用户总能耗最小化为目标对智能体进行训练；

6、s3，通过上行链路将采集的系统状态信息传送至训练好的智能体进行卸载决策计算，获得最优的卸载决策；所述系统状态信息包括无人机的水平位置、飞行高度、终端用户位置、终端用户卸载任务信息、终端用户计算资源、终端用户卸载功率、无人机发送功率和信道传输带宽；

7、s4，通过下行链路将最优决策发送至终端用户设备，终端用户设备根据最优卸载决策将部分卸载任务进行数据压缩和计算；同时，无人机根据最优的卸载决策结果进行移动方案调整，并重新分配无人机发送功率和信道带宽资源。

8、进一步地，所述终端用户设备包括智能手机、移动平板和智能家居。

9、进一步地，所述构建的深度强化学习智能体包括actor网络、经验缓冲区、第一critic目标网络和第二critic目标网络、第一当前critic网络和第二当前critic网络；在每个时隙中，actor网络的输入为当前系统状态s(t)，输出为相应的决策结果动作a(t)；无人机和终端用户执行当前动作a(t)后，系统生成新状态s(t+1)，并反馈动作执行结果r(t)，将(s(t),a(t),r(t),s(t+1))储存在经验缓冲区中；从经验缓冲区随机采样小批次经验样本作为训练样本，训练actor网络、第一当前critic网络和第二当前critic网络，通过缓慢跟踪第一当前critic网络和第二当前critic网络参数以更新第一critic目标网络和第二critic目标网络的参数。

10、进一步地，所述卸载决策计算公式如下：

11、

12、式中，ek[n]表示终端用户设备k在任意时隙n内的任务执行总能耗；q[n]表示无人机u在任意时隙n内的位置；dmax表示为飞行距离理论最大值；hmin表示无人机最小飞行高度；h[n]表示任意时隙n内无人机的飞行高度；hmax表示无人机最大飞行高度；eu,kr[n]表示在任意时隙n内无人机转发用户设备k卸载任务耗费的能量；efly[n]表示为任意时隙n内的飞行能耗；pu,k[n]表示任意时隙n内分配给终端用户设备k的转发功率；tk,max[n]表示终端用户设备k在任意时隙n内任务处理最大容忍时间；bk[n]表示终端用户k在任意时隙n内任务处理的带宽资源；eu,max表示系统中无人机电池容量；bmax表示系统中无人机总带宽资源；pmax表示系统中无人机总发送功率。

13、进一步地，步骤s4中，数据压缩和计算包括以下步骤：

14、s41，通过下行链路将决策结果传回终端用户设备k，终端用户设备k按照决策结果将部分卸载任务进行压缩，被压缩后的卸载任务大小计算方式如下：

15、[βkγk+(1-γk)]αkdk；

16、式中，dk表示为终端用户设备k处任务大小；αk表示为终端用户设备k处卸载比例；βk表示为终端用户设备k处压缩比例；γk表示为终端用户设备k处卸载任务中被压缩的比例；

17、s42，终端用户设备k将任务卸载至无人机，无人机转发终端用户设备k的卸载任务，同步进行本地计算和边缘计算，具体计算方式如下：

18、在任意一个时隙n内，终端用户设备k的任务执行总时延tk[n]和总能耗ek[n]分别表示为：

19、

20、ek[n]＝ek,lc[n]+ek,lr[n]+ek,off[n]；

21、式中，tk,lr[n]表示终端用户设备k压缩过程中耗费的时延；ek,lr[n]表示终端用户设备k压缩过程中耗费的能量；tk,off[n]表示卸载过程中终端用户设备k花费的时延；ek,off[n]表示卸载过程中终端用户设备k的能耗；tk,lc[n]表示终端用户设备k本地计算耗费的时延；ek,lc[n]表示终端用户设备k本地计算的能耗；表示边缘服务器处理卸载任务的时延；tu,r[n]表示在任意时隙n内无人机转发用户设备k卸载任务耗费的时延；

22、s43，将边缘计算结果通过下行链路反馈给终端用户设备。

23、本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：

24、1、本发明的基于数据压缩的无人机中继辅助计算任务卸载方法，采用一种无人机辅助边缘计算策略，通过将任务数据卸载到离数据源更近的边缘节点上，以实现低时延、高效的数据处理；采用sac算法优化了资源分配及卸载策略，改善了用户服务质量。

25、2、本发明的基于数据压缩的无人机中继辅助计算任务卸载方法，通过采用数据压缩技术，降低了任务卸载过程中的能耗，延长了uav和终端用户的电池寿命。

技术特征：

1.一种基于数据压缩的无人机中继辅助计算任务卸载方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于数据压缩的无人机中继辅助计算任务卸载方法，其特征在于，所述终端用户设备包括智能手机、移动平板和智能家居。

3.根据权利要求1所述的基于数据压缩的无人机中继辅助计算任务卸载方法，其特征在于，所述构建的深度强化学习智能体包括actor网络、经验缓冲区、第一critic目标网络和第二critic目标网络、第一当前critic网络和第二当前critic网络；在每个时隙中，actor网络的输入为当前系统状态s(t)，输出为相应的决策结果动作a(t)；无人机和终端用户执行当前动作a(t)后，系统生成新状态s(t+1)，并反馈动作执行结果r(t)，将(s(t),a(t),r(t),s(t+1))储存在经验缓冲区中；从经验缓冲区随机采样小批次经验样本作为训练样本，训练actor网络、第一当前critic网络和第二当前critic网络，通过缓慢跟踪第一当前critic网络和第二当前critic网络参数以更新第一critic目标网络和第二critic目标网络的参数。

4.根据权利要求1所述的基于数据压缩的无人机中继辅助计算任务卸载方法，其特征在于，所述卸载决策计算公式如下：

5.根据权利要求1所述的基于数据压缩的无人机中继辅助计算任务卸载方法，其特征在于，步骤s4中，数据压缩和计算包括以下步骤：

技术总结
本发明公开了一种基于数据压缩的无人机中继辅助计算任务卸载方法，首先构建无人机中继辅助计算任务卸载模型，所述模型包括无人机、边缘服务器和若干个终端用户设备；基于SAC算法构建深度强化学习智能体，以多时隙多终端用户总能耗最小化为目标对智能体进行训练；通过上行链路将采集的系统状态信息传送至训练好的智能体进行卸载决策计算，获得最优的卸载决策；再通过下行链路将最优决策发送至终端用户设备进行数据压缩和计算。本发明采用数据压缩技术在任务卸载前对原始数据进行压缩，不仅可以减少系统的时延和能耗，还可以延长无人机和终端用户设备的电池寿命。

技术研发人员：朱潇,李斌
受保护的技术使用者：南京信息工程大学
技术研发日：
技术公布日：2024/1/16