基于通信计算联合的无人机群信息低时延传输优化方法与流程

本发明涉及无线通信领域中基于通信计算联合的无人机群(unmannedaerialvehicles,uavs)回传信息低时延理论优化技术。

背景技术：

5g的快速演进，使得未来无线通信面临多种挑战，但同时也带来了更大的机遇与更广阔的应用场景。根据metis(mobileandwirelesscommunicationsenablersfortwenty-twenty(2020)informationsociety)项目联盟预测，截止2020年，仅全球移动通信流量相比2010年会提高33倍，人们对于大流量、多服务的需求，促使无线通信系统架构的变革。无人机被认为是下一代通信中重要的组成部分，相比于传统的固定式基站网络覆盖，无人机具有机动灵活等不可代替的优势，在灾难救援，地图测绘，临时通信，热点覆盖，目标追踪等方面，有着巨大的应用潜力。

现有的无人机通信技术存在很多富有挑战性且尚未解决的关键性研究问题，比如频谱资源短缺、信息传输时延大、能量供给不足等等。受限于回程链路的容量，无人机进行作业采集到的信息，回传给控制中心需要很长的时间，不能满足一些时延敏感型任务的需求。并且，当多个无人机同时回传时，互相之间的干扰问题也同样不可忽略。

为了缓解回程链路的传输压力，降低数据传输时延，在无人机侧部署移动边缘计算服务器，使无人机拥有对数据预处理的能力，是一种较为有效的方法。现有的边缘计算服务器大多部署在基站侧，基站收集自身所覆盖的用户信息，储存在缓存器中，并采用先进先出的原则在边缘计算服务器中排队进行处理。受限于基站不可移动的特点，边缘计算服务器所采集的数据有限，所应用的场景也较为受限，无法实现灵活部署，按需分配的要求。

随着无人机技术的发展，各类具有不同功能的无人机层出不穷。现有研究仅仅停留在对单个无人机信息传输的研究，没有考虑无人机群协作传输的优势，没有系统、全面的分析无人机群与群外无人机的干扰问题，也没有考虑结合不同种类无人机自身的优势而灵活组网，实现层级划分，功能互补的目标。另一方面，目前边缘计算用于地面基站的情况较多，用在无人机上的较少。缺乏针对无人机通信计算联合信息回传时延分析的科学、全面的理论模型与优化方法。

将移动边缘计算(mobileedgecomputing,mec)服务器部署在无人机侧，通过将采集到的信息预处理，去掉冗余信息，进行压缩，从而减少信息传输的时间，降低无人机无线回传链路的压力，在整体上实现信息从无人机端到控制中心的低时延传输。但是由于无人机的能源问题，导致无人机的计算能力受限。并且由于通信资源有限，导致无人机的无线回传链路压力过大，使得信息传输时延较高。此外,为保证探测精度与稳定性，采用无人机组网进行作业是一个必要的方式，同一个空间中存在的多个无人机，互相之间的干扰类型更加复杂，如何将探测到的信息在最短的时间内传给控制中心，从而让控制中心作出决策是一个急需解决的难题。

基于现有的无人机通信传输理论与边缘计算理论，本发明建立了基于通信计算联合的无人机信息回传3d空间模型，推导了一种基于无人机群的干扰复杂情况下，信息传输的通信成功概率计算方法，提出了基于无人机密度变化与计算能力变化的系统时延最优化方法，包含排队时延的局部优化与系统时延的总体优化。

技术实现要素：

本发明所要解决的技术问题包括三点：

1)提出一种通信计算联合的三维无人机信息低时延回传系统模型。

2)给出无人机信息计算回传系统中包含的四种时延，分别是等待时延、传输时延、排队时延、计算时延。

3)提出一种信息数据包排队时延的优化方法，建立系统整体时延的优化模型，并提出一种基于无人机计算能力变化的系统整体时延求解算法

本发明采用的技术方案如下：

一种基于通信计算联合的无人机群信息低时延传输优化方法，包括以下步骤：

(1)部署无人机群系统，包括底层无人机及顶层无人机，并在顶层无人机部署边缘计算服务器，无人机群建模服从密度为λm的3d-ppp分布，分布的空间为vn＝{(x,y,z)|x,y∈r,z∈[h1,h2]}，其中，x,y,z为无人机的坐标，r为无人机分布的半径，h1,h2为无人机分布的高度，顶层无人机在半径为r的球体内收集信息；

(2)计算边缘计算服务器中虚拟机的最大个数mmax：

其中d为退化因子；

(3)虚拟机个数m从1遍历到mmax，分别计算信息从底层无人机b-uav传输到顶层无人机t-uav，再由顶层无人机t-uav传输到控制中心各部分时延，包括信息的等待时延、底层无人机b-uav到顶层无人机t-uav的传输时延、顶层无人机t-uav到控制中心的传输时延、信息的排队时延以及信息的处理时延，根据各部分时延计算引入边缘计算前系统的整体时延tall-before以及引入边缘计算后系统的整体时延tall-after，如果tall-after＜tall-before，则记录tall-after，否则不记录；

(4)比较记录的tall-after，选取最小值对应的m和λm，即为优化后的虚拟机的个数m值和无人机密度λm。

其中，步骤(3)具体包括以下步骤：

(3.1)令虚拟机的个数m初始值为1；

(3.2)计算无人机密度λm和第k个底层无人机b-uav到顶层无人机t-uav的通信成功概率

无人机密度：

第k个底层无人机b-uav到顶层无人机t-uav的通信成功概率

f(h1,h2,θ1,xk)表示参数h1,h2,θ1,xk的函数：

其中，l为底层无人机b-uav到顶层无人机t-uav链路每帧的时隙数，t0为时隙的时长，e为自然常数，ρ为计算负载率，μ为每个虚拟机的计算速率，μ＝μ(m)/m，μ(m)为边缘计算服务器的总计算速率，t1为单个虚拟机的计算时间，v为顶层无人机t-uav的覆盖范围，v＝πr³，pg为数据包产生的概率pg＝1-(1-p)^l，p为底层无人机b-uav中每个时隙有任务数据包生成的概率，p0为系统中没有数据包的概率，lq为队列中的平均数据包数，n为噪声功率，α表示路径损耗指数的大小，θ1为b-t链路的接收门限，和表示有用信号的天线发送和接收增益，和表示干扰信号的天线发送和接收增益；tk为第k个底层无人机b-uav的发射功率，xk为顶层无人机t-uav所覆盖的球体内第k个底层无人机b-uav到顶层无人机t-uav的距离，xi为无人机整个分布空间vn除去顶层无人机所覆盖的球体范围内第i个底层无人机b-uav到顶层无人机t-uav的距离；

(3.3)计算信息从底层无人机b-uav传输到顶层无人机t-uav，再由顶层无人机t-uav传输到控制中心的排队时延、处理时延、等待时延和传输时延：

排队时延处理时延等待时延底层无人机b-uav到顶层无人机t-uav的传输时延引入边缘计算前顶层无人机t-uav到控制中心的链路传输时延引入边缘计算后顶层无人机t-uav到控制中心的链路传输时延

其中，θ2为顶层无人机t-uav到控制中心链路的接收门限，l为数据包大小，η为压缩比率，p为底层无人机b-uav中每个时隙有任务数据包生成的概率；

(3.4)计算系统的整体时延：

引入边缘计算前，系统的整体时延为：

引入边缘计算后，系统的整体时延为：

(3.5)比较tall-after和tall-before，如果tall-after＜tall-before，则记录tall-after，否则不记录；

(3.6)令虚拟机的个数m加1，返回步骤(3.2)，直到m达到mmax。

本发明与现有技术相比优点为：

本发明提出的基于通信计算联合的信息低时延传输理论优化方法，与现有技术相比，关注到无人机分布密度和计算能力的灵活变化与受限情况，通过对无人机数量以及无人机所部署的虚拟机个数的灵活调控，能够在最大程度上降低回程链路的压力，减小数据包的传输时延，从而实现系统总体性能的最优化。可以满足多种场景下无人机完成时延敏感型任务的需求。

附图说明

图1是本发明无人机群信息收集、计算、回传系统模型图。

图2是本发明无人机并行计算模型。

图3是本发明排队系统状态转移图。

具体实施方式

下面结合附图对本发明作进一步解释说明。

本发明涉及无线通信领域中基于通信计算联合的无人机群回传信息低时延理论优化技术。底层无人机(bottomuav,b-uav)将探测信息回传给顶层无人机(topuav,t-uav)，顶层无人机部署边缘计算服务器mecservers，将收集到的信息计算、处理，压缩信息，并通过回程链路回传给控制中心(controlcenter)。链路分为两跳，分别是b-uav到t-uav的b-t链路和t-uav到控制中心的t-c链路。

具体包括以下步骤：

(1)部署无人机群系统，包括底层无人机及顶层无人机，并在顶层无人机部署边缘计算服务器，无人机群建模服从密度为λm的3d-ppp分布，分布的空间为vn＝{(x,y,z)|x,y∈r,z∈[h1,h2]}，其中，x,y,z为无人机的坐标，r为无人机分布的半径，h1,h2为无人机分布的高度，顶层无人机会在半径为r的球体内收集信息；

本发明主要针对场景是底层无人机(bottomuavs,b-uavs)将探测信息回传给顶层无人机(topuavs,t-uavs)，顶层无人机部署边缘计算服务器，将收集到的信息计算、处理，压缩信息，并通过回程链路回传给控制中心。具体场景由图1所示。

将底层无人机群建模为服从密度为λm的3d-ppp分布。考虑实际情况，无人机分布的空间为vn＝{(x,y,z)|x,y∈r,z∈[h1,h2]}。此外，顶层无人机会在半径为r的球体内收集信息。

(2)计算边缘计算服务器中虚拟机的最大个数mmax：

其中d为退化因子；

数据包进行回传计算的模型如图2所示。多个b-uav无人机的数据包(offloadedpackets)到达t-uav后，采用先到先服务的排队规则在系统队列(systemqueue)中排队。假设一个t-uav的计算能力可以用其所具有的虚拟机数量m来表示，m个虚拟机(vms)进行并行计算(parallelcomputing)。

考虑到多个虚拟机并行计算因占有相同的物理资源，将互相产生i/o干扰，因此，并行计算速率μ(m)表示为：

m个虚拟机意味着按序到达的任务，可以通过并行计算来减少排队时延。t1为单个虚拟机的计算时间。因此，计算速率最大化可以转化成最优化m的数量来解决。上式是一个关于m的凸函数，取得最大值时m的值为：

这里d为模型的退化因子。

(3)虚拟机个数m从1遍历到mmax，分别计算信息从底层无人机b-uav传输到顶层无人机t-uav，再由顶层无人机t-uav传输到控制中心各部分时延，包括信息的等待时延、底层无人机b-uav到顶层无人机t-uav的传输时延、顶层无人机t-uav到控制中心的传输时延、信息的排队时延以及信息的处理时延，根据各部分时延计算引入边缘计算前系统的整体时延tall-before以及引入边缘计算后系统的整体时延tall-after，如果tall-after＜tall-before，则记录tall-after，否则不记录；

步骤(3)具体包括以下步骤：

(3.1)令虚拟机的个数m初始值为1；

(3.2)计算无人机密度λm和第k个底层无人机b-uav到顶层无人机t-uav的通信成功概率

无人机密度：

第k个底层无人机b-uav到顶层无人机t-uav的通信成功概率

f(h1,h2,θ1,xk)表示参数h1,h2,θ1,xk的函数：

其中，l为底层无人机b-uav到顶层无人机t-uav链路每帧的时隙数，t0为时隙的时长，e为自然常数，ρ为计算负载率，μ为每个虚拟机的计算速率，μ＝μ(m)/m，μ(m)为边缘计算服务器的总计算速率，t1为单个虚拟机的计算时间，v为顶层无人机t-uav的覆盖范围，v＝πr³，vm为整个无人机分布空间的体积，vm＝πr²(h2-h1)；pg为数据包产生的概率pg＝1-(1-p)^l，p为底层无人机b-uav中每个时隙有任务数据包生成的概率，p0为系统中没有数据包的概率，lq为队列中的平均数据包数，n为噪声功率，α表示路径损耗指数的大小，θ1为b-t链路的接收门限，和表示有用信号的天线发送和接收增益，和表示干扰信号的天线发送和接收增益；tk为第k个底层无人机b-uav的发射功率，xa为顶层无人机t-uav所覆盖的球体内的底层无人机b-uav到顶层无人机t-uav的距离的集合，xa＝{x1,x2,...,xk}，sm为整个空间vn内的底层无人机b-uav到顶层无人机t-uav的距离的集合，sm＝{x1,x2,...,xm}，xk为顶层无人机t-uav所覆盖的球体内第k个底层无人机b-uav到顶层无人机t-uav的距离，xk∈xa，k为顶层无人机t-uav所覆盖的底层无人机b-uav个数k＝λmv，m为整个空间vn内底层无人机b-uav的总个数k＝λmvm，xi为无人机整个分布空间vn除去顶层无人机所覆盖的球体范围内第i个底层无人机b-uav到顶层无人机t-uav的距离，xi∈sm\{xa}；

为了保证系统的稳定性，无人机的计算能力需要满足的前提是，数据包的到达速率小于无人机的最大计算速率。结合前文推导出无人机分布密度与传输时延的结果，数据包的到达速率可以表示为

目前为止，已知任务数据包的到达速率λ，已知边缘计算服务器的总计算能力μ(m)，假设每个虚拟机的计算能力相同，则每个虚拟机的计算能力为μ＝μ(m)/m。到达过程服从泊松分布，服务时间近似看成负指数分布，以上条件满足m/m/c的排队论要求，可以用排队论的知识，得到数据包的排队时延和处理时延。

排队系统的状态转移图如图3所示。数据包到t-uav后，进入队列尾端，当某个虚拟机空闲时。队列中的第一个数据包即到该虚拟机进行计算，计算完毕后离去，每个边缘计算服务器相互独立，服务速率为μ(m)。此时的计算负载率为：

用pn表示系统稳态时的系统中数据包个数为n个的概率，上述状态转移图描述为产生该状态的平均速率＝该状态转变为其他状态的平均速率，即：

由解得系统空闲概率，即排队系统中没有数据包的概率为：

因此，根据排队论理论，队列中的平均数据包数lq以及系统中的平均数据包数ls可以表示为：

根据little定律，数据包的排队时延tcomp-q，处理时延tcomp-p以及总的计算时延tcomp可以表示为：

排队时延的详细表达式如下：

根据定义，p0是一个关于λ单调递减的函数。定义f(λ)为公式(9)中除去p0的其他部分。采用斯特林近似公式，f(λ)可以表示为：

将f(λ)求导，并令导数为0，得：

解得：

通过求导，可以发现，在保证ρ一定的情况下，f(λ)是一个下凸函数，在区间(0,λ^*]内，函数单调递减，在(λ^*,∞)内单调递增。结合p0的单调性，可以知道，在区间(0,λ^*]内，tcomp-q的最小值取在λ^*。当λ＞λ^*时，tcomp-q的单调性难以判断，但是考虑到无人机的能源和负载问题，更大的数据包到达速率意味着需要更多的虚拟机来进行计算，同时，更多的虚拟机会互相产生干扰，从而拖慢每个数据包的处理时间，因此，(λ^*,m^*)应该为排队时延最优化的取值点。此时，相应的空间中无人机分布密度为：

处在原点处的一个典型t-uav收集信息时，会受到来自集合xa外的b-uavs干扰，用和表示有用信号的天线发送和接收增益，和表示干扰信号的天线发送和接收增益，

路径损耗定义为l＝x^-α，其中x表示b-uav与t-uav之间的距离，α表示路径损耗指数的大小。

t-uav处接收到的信干噪比(signaltointerferenceplusnoiseratio,sinr)可表示为：

这里小尺度阴影衰落信道的增益表示为h。

通信成功概率的定义是接收处的sinr大于一个门限θ的概率。

p(θ)＝p[sinr＞θ](15)

无人机通信时，基于其分布的位置和数量不同以及信道模型的变化，其干扰分析是一个难点。本发明将给出无人机之间干扰计算的表达式，并得出b-uav与t-uav通信的成功概率。令则：

上式中的是的拉普拉斯变换，其进一步推导如下：

采用ppp的概率生成函数，知：

干扰源被限制在了区域vn-vr中，因此公式(20)中的积分可以展开为：

所以，以b-uav到t-uav的其中一条链路为例，可以计算出通信成功概率为：

当t-uav在同一时间与一组b-uavs相连接时，机群总的通信成功概率为：

从公式(21)可以看出，当无人机形成机群时，整体的通信成功概率会提高。这体现出了无人机群的优势。比如，当集群中的一个节点因为能源问题或其他不可预知的因素导致中断，整体的无人机群可协助受损无人机继续保持通信，实现通信系统的稳定性和可靠性。

无人机数量的提高，会带来更多的资本性支出(capitalexpenditure,capex)和运营成本(operatingexpense,opex)。与此同时，汇聚节点会收集到大量的冗余数据，增加数据传输时延和回程链路的压力，使控制中心无法在最短的时间内根据无人机探测到的信息作出应对，造成不必要的损失。

(3.3)计算信息从底层无人机b-uav传输到顶层无人机t-uav，再由顶层无人机t-uav传输到控制中心的排队时延、处理时延、等待时延和传输时延：

排队时延处理时延等待时延底层无人机b-uav到顶层无人机t-uav的传输时延引入边缘计算前顶层无人机t-uav到控制中心的链路传输时延引入边缘计算后顶层无人机t-uav到控制中心的链路传输时延

其中，θ2为顶层无人机t-uav到控制中心链路的接收门限，l为数据包大小，η为压缩比率，p为底层无人机b-uav中每个时隙有任务数据包生成的概率；

假设无人机数据从b-t进行传输的时候，需要持续l个时隙，在b-uav中每个时隙有任务数据包生成的概率为p。b-uav具有缓存器，如果链路中有数据包传输，则新的数据包需要在缓存器中等待，每l个时隙结束后，检测缓存器中的状态，判断是否有数据包需要继续传输。将l个时隙称为一个帧，在一个帧中数据包产生的概率pg＝1-(1-p)^l。用k表示数据包产生的时隙，则：

因此，数据包在缓存器的等待时延tcomm-w,可用其数学期望表示为：

假设数据包在b-t链路传输时所用带宽是b1，一个数据包大小是l。结合推导出的通信成功概率，因此，传输一个完整数据包所需要的传输时延可以表示为：

经过边缘计算处理后的数据包，去除冗余数据，进行数据整合，相比于之前，数据包的大小会进行压缩，因此，假设压缩比率为η，则处理后数据包大小为ηl。因此，当t-uav将处理后的数据包回传给控制中心时，假设所用带宽为b2，则处理前后回传链路的传输时延，可以表示为：

(3.4)计算系统的整体时延。

引入边缘计算前，系统的整体时延为：

引入边缘计算后，系统的整体时延为：

引入边缘计算的目的是通过预处理数据压缩数据，减少信息回传时延，从而降低系统总体时延。未引入边缘计算前，系统的总体时延是：

引入边缘计算后，总时延为：

引入边缘计算模型后，数据的回传系统新增加了排队时延与处理时延，处理时延的大小主要取决于虚拟机的能力，当每个虚拟机的能力固定时，处理时延是一个定值。因此，本发明首先针对排队时延提出一种基于数据包达到速率和无人机计算能力变化的优化方法，从而将新增加的时延降至最低。

(3.5)比较tall-after和tall-before，如果tall-after＜tall-before，则记录tall-after，否则不记录；

(3.6)令虚拟机的个数m加1，返回步骤(3.2)，直到m达到mmax。

(4)比较记录的tall-after，选取最小值对应的m和λm，即为优化后的虚拟机的个数m值和无人机密度λm；

完成基于通信计算联合的无人机群信息低时延传输优化。