技术特征：
1.一种面向5g超密集网络的计算资源管理方法，其特征在于，包括：获取当前时隙的系统状态；所述系统状态包括所有用户设备的计算任务数据量和当前边缘服务器剩余计算资源总量；将所述系统状态输入至深度强化学习模型中，得到系统动作；所述系统动作包括用户设备的卸载决策和边缘服务器协作的计算资源分配策略；其中，所述卸载决策用于确定用户卸载到边缘服务器的任务数据量大小，所述边缘服务器协作的计算资源分配策略表示边缘服务器根据系统当前时隙所剩余的计算资源总量，为其服务的用户设备分配的计算资源；其中，所述深度强化学习模型的训练过程如下：步骤1，针对当前时隙的系统状态，包括所有用户设备的计算任务数据量和当前边缘服务器剩余计算资源总量，根据当前深度神经网络参数决策出系统动作，并计算得到当前状态的即时奖励，以及下一时隙边缘服务器剩余计算资源总量；步骤2，将当前时隙的系统状态、做出的动作决策、即时奖励和下一时隙的系统状态存储到经验回放池中；所述下一时隙的系统状态包括所有用户设备的计算任务数据量和下一时隙边缘服务器剩余计算资源总量；步骤3，随机从经验回放池中抽取一小批数据输入到深度神经网络中进行训练，更新深度神经网络参数，修正做出的动作决策；步骤4，当计算得到的即时奖励完成收敛时，得到每个时隙的资源管理方案，结束模型训练。2.根据权利要求1所述的面向5g超密集网络的计算资源管理方法，其特征在于，所述即时奖励为所有用户设备完成计算任务的平均时延，所完成计算任务的平均时延根据下面第一公式计算得到：其中，r(t)为完成计算任务的平均时延，为任务在用户u本地的计算时延，为用户u卸载的任务量传输至边缘服务器n的传输时延，为边缘服务器n处理用户u的卸载任务的边缘计算时延。3.根据权利要求2所述的面向5g超密集网络的计算资源管理方法，其特征在于，根据下面第二公式计算任务在用户本地的计算时延，所述第二公式为：其中，a
u，n
(t)为用户u的卸载决策，即用户u卸载到边缘服务器计算的任务量大小，s
u,n
(t)为用户u在t时隙生成的计算任务数据量，为计算单位比特任务所需的cpu周期数，为边缘服务器n服务的第u个用户单位时间的cpu周期数。4.根据权利要求2所述的面向5g超密集网络的计算资源管理方法，其特征在于，根据下面第三公式计算任务在用户本地卸载后传输至边缘服务器的传输时延，所述第三公式为：
其中，a
u,n
(t)为用户u的卸载决策，r
u,n
(t)为用户的上行传输速率。5.根据权利要求2所述的面向5g超密集网络的计算资源管理方法，其特征在于，根据下面第四公式计算任务的边缘计算时延，所述第四公式为：其中，a
u,n
(t)为用户u的卸载决策，f
u,n
(t)为边缘服务器根据系统当前时隙所剩余的计算资源总量，为用户设备分配的计算资源。6.根据权利要求1所述的面向5g超密集网络的计算资源管理方法，其特征在于，根据下面第五公式计算执行当前所述系统动作后系统所剩余的计算资源总量，所述第五公式为：其中，f(t+1)为下一时隙开始时系统所剩余的计算资源总量，f
re
(t)为当前时隙内完成计算任务所释放的计算资源，f
u,n
(t)为边缘服务器根据系统当前时隙所剩余的计算资源总量，为用户设备分配的计算资源，f(t)为当前时隙开始时系统所剩余的计算资源总量。7.一种面向5g超密集网络的计算资源管理装置，其特征在于，包括：获取模块，用于获取当前时隙的系统状态；所述系统状态包括所有用户设备的计算任务数据量和当前边缘服务器剩余计算资源总量；处理模块，用于将所述系统状态输入至深度强化学习模型中，得到系统动作；所述系统动作包括用户设备的卸载决策和边缘服务器协作的计算资源分配策略；其中，所述任务卸载策略用于确定用户卸载到边缘服务器的任务数据量大小，所述边缘服务器协作的计算资源分配策略表示边缘服务器根据系统当前时隙所剩余的计算资源总量，为其服务的用户设备分配的计算资源；其中，所述深度强化学习模型的训练过程如下：针对当前时隙的系统状态，包括所有用户设备的计算任务数据量和当前边缘服务器剩余计算资源总量，根据当前深度神经网络参数决策出系统动作，并计算得到当前状态的即时奖励，以及下一时隙边缘服务器剩余计算资源总量；将当前时隙的系统状态、做出的动作决策、即时奖励和下一时隙的系统状态存储到经验回放池中；所述下一时隙的系统状态包括所有用户设备的计算任务数据量和下一时隙边缘服务器剩余计算资源总量；随机从经验回放池中抽取一小批数据输入到深度神经网络中进行训练，更新深度神经网络参数，修正做出的动作决策；当计算得到的即时奖励完成收敛时，得到每个时隙的资源管理方案，结束模型训练。8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述面向5g超密集网络的计算资源管理方法的步骤。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机
程序被处理器执行时实现如权利要求1至6任一项所述面向5g超密集网络的计算资源管理方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述面向5g超密集网络的计算资源管理方法的步骤。
技术总结
本申请提供一种面向5G超密集网络的计算资源管理方法及装置，方法包括：获取当前时隙的系统状态；系统状态包括所有用户设备的计算任务数据量和当前边缘服务器剩余计算资源总量；将系统状态输入至深度强化学习模型中，得到系统动作；系统动作包括用户设备的卸载决策和边缘服务器协作的计算资源分配策略；卸载决策用于确定用户卸载到边缘服务器的任务数据量大小，边缘服务器协作的计算资源分配策略表示边缘服务器根据系统当前时隙所剩余的计算资源总量，为其服务的用户设备分配的计算资源。有效解决了在多服务器密集部署的超密集网络环境下的资源管理问题，最小化任务处理时延，进一步提高了用户的体验质量。进一步提高了用户的体验质量。进一步提高了用户的体验质量。
技术研发人员：陈昕 郭东超 马卓 刘智勇
受保护的技术使用者：北京信息科技大学
技术研发日：2021.08.16
技术公布日：2021/12/2