一种面向移动边缘计算的无人机计算卸载方法

1.本发明涉及移动边缘计算与物联网领域，尤其涉及无人机的计算卸载任务分割方法。


背景技术：

2.近年来，移动互联网与物联网的快速发展导致计算任务的爆炸式增长，海量的物联网终端设备如传感器、摄像头等应用在各行各业。但上述直接将任务传给云端计算极大的增加了网络的负担，并造成了网络延迟时间较长。同时为了解决终端设备受限于计算资源、存储以及能耗等挑战，移动边缘计算的概念得以提出，移动边缘服务器靠近用户，可减少延迟、提高网络运营效率、改善终端用户体验。
3.移动边缘计算技术已成为计算密集型和延迟敏感任务的有效解决方案。无人机辅助的移动边缘计算已经得到了广泛的研究，无人机可以帮助终端设备完成复杂的计算任务。移动边缘服务器靠近终端用户，为用户提供计算服务，可以减少终端设备的计算延迟，提高服务质量。移动边缘计算以节能、高效的方式提高了终端设备的计算能力，这引起了业界和学术界的广泛关注。由于无人机能够提供高质量的服务和通信覆盖，近年来得到了广泛的研究。目前，无人机辅助移动边缘计算的研究主要集中在节约系统能耗和降低系统延迟等方面。从能源消耗的角度来看，目前已有的研究包括降低终端设备的计算能耗、通信能耗，其中为了节省终端设备能耗，部分研究使用无人机安装能量发射机来为终端设备提供计算能量。从减少延迟角度来看，主要是减少任务的执行时间，来提高服务质量。


技术实现要素：

4.要解决的技术问题
5.为了避免现有技术的不足之处，本发明提出一种面向移动边缘计算的无人机计算卸载方法。
6.技术方案
7.一种面向移动边缘计算的无人机计算卸载方法，其特征在于步骤如下：
8.步骤1：对整个任务区域按照距离根据无人机的数量基于k均值方法进行划分，分为m个聚类，表示为cluster＝{δ1,
…
,δm}，然后根据每个聚类终端设备的电池容量与cpu频率来衡量每个区域的计算能力，定义为：
[0009][0010]
其中，u表示为聚类ci里的每一个终端设备，fu表示设备u的cpu频率，即每秒可计算的比特数，eu表示为表示设备u的电池容量，η1与η2为常量系数，为聚类ci的终端设备个数，计算能力强的无人机根据匹配计算能力弱的区域；
[0011]
步骤2：对所有的终端设备的计算任务进行抽象定义，定义为
[0012]
qi＝(li,ti)
[0013]
其中，i表示终端设备的序号，li表示需要被计算的任务大小，ti表示计算任务的截止日期，任务没有在截止日期完成表示任务执行失败；
[0014]
步骤3：针对无人机上各个设备的计算任务，使用双队列对计算任务进行排序，实时任务进入队列q1，其他任务进入队列q2，每次从q1取出任务执行，当队列q1为空时，q2任务进入q1，并且每个时隙对q2任务按照截止日期进行排序，使高优先级任务处于队头，为了避免任务饥饿问题，q2中任务每隔一段时间提升一级；
[0015]
步骤4：计算任务分为本地计算、无人机辅助计算、基站辅助计算，其中{0≤ρ
i1
≤1,i∈n}表示终端设备卸载给无人机的任务比例，n为整个任务区域的终端设备个数，当无人机处于基站的传输范围内，无人机将计算任务卸载给基站，卸载比例为{0≤ρ
i2
≤1,i∈n}；
[0016]
针对本地计算，本地计算时间表示为：
[0017][0018]
其中，fi
ilocal
表示本地设备的计算能力，即每秒计算的比特数；si表示终端设备执行每个比特所需的cpu周期数；本地计算能耗表示为：
[0019][0020]
对于γ表示由实际测量决定的芯片结构决定的系数；
[0021]
针对无人机计算，连接无人机的一组设备表示为：
[0022]
ni＝{i:i∈n,gi＝j}
[0023]
其中，gi＝j表示设备i连接到无人机j；
[0024]
无人机的带宽资源表示为bj；终端设备与无人机的上行链路模型为：
[0025][0026]
其中，σ2表示为高斯白噪声的功率，pi表示终端设备i的传输功率，其中表示终端设备i到无人机j的信道增益，如下：
[0027][0028]
其中，μ0表示距离1m处的信道增益，表示无人机j，ui表示终端设备i；
[0029]
设备i与无人机j传输速率为表示如下：
[0030][0031]
其中，为连接到的设备数量；针对设备将任务传到无人机的时间表示为：
[0032][0033]
传输能耗为：
[0034][0035]
无人机计算时间表示为：
[0036][0037]
其中，f
i,j
表示无人机j分配给终端设备i的计算资源，无人机执行任务总时间表示为：
[0038][0039]
无人机执行任务总能耗：
[0040][0041]
其中，α为常量系数，v0为无人机的初始飞行速度，表示无人机j的cpu功率，uj表示连接无人机j的设备数量；
[0042]
针对基站辅助移动边缘计算，基站的计算时间表示为：
[0043][0044]
其中，sc表示基站执行每比特的cpu周期数；
[0045]
基站总的任务时间表示为：
[0046][0047]
其中，tb表示无人机将终端设备i的任务卸载到基站的时间，那么总的任务执行时间即本发明的优化目标表示为：
[0048][0049]
步骤5：为了确定终端设备与无人机、无人机与基站之间的任务分割阈值，本发明设置了部分卸载方法，首先为终端设备i与无人机j之间的分割阈值，分为基于时间和基于能耗的卸载方法，基于时间表示为：
[0050][0051]
如果本地计算时间大于无人机的数据传输时间和计算时间，就将大于locali的部分卸载给无人机，基于能耗表示为：
[0052][0053]
如果能量比例将大于locali的部分卸载给无人机；无人机与基站之间的分割阈值表示为：
[0054][0055]
当无人机在基站的传输范围内，且当无人机的计算任务超过将多于的部分卸载给基站；
[0056]
步骤6：根据步骤5的部分卸载方法以及优先级队列来交叉迭代最优值。
[0057]
0≤τ≤0.5。
[0058]
η1与η2位于0到1之间。
[0059]
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0060]
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0061]
一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0062]
有益效果
[0063]
本发明提出的一种面向移动边缘计算的无人机计算卸载方法，针对移动边缘计算领域中终端设备的延迟问题来进行研究。引入无人机辅助移动边缘计算来减少总的任务执行时间，首先将终端设备划分为不同区域，并度量该区域的计算能力，实现无人机与区域的计算能力互补，并对计算任务进行优先级划分，优先执行等级高的任务，最后提出了一种部分卸载方法来确定终端设备、无人机、基站之间的三方卸载阈值，最后进行交叉迭代来确定最优解。
[0064]
1、传统的方法没有考虑计算任务的截止日期问题，本发明将计算任务按照截止日期进行优先级排序，使用优先级队列对计算任务进行排序，让高优先级任务最先执行，大大提高任务完成率。
[0065]
2、根据终端设备的电池容量与cpu频率来衡量终端设备的计算能力，使高计算能力的无人机来匹配弱计算能力的区域，实现计算能力互补，并且提出部分卸载方法，来确定终端设备与无人机、无人机与基站之间的任务分割阈值，其中无人机基于贪心的思想优化轨迹，每个时隙进行任务分割阈值确定，最终迭代最优解。
附图说明
[0066]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0067]
图1为本发明实例中面向移动边缘计算的无人机计算卸载系统模型图。
具体实施方式
[0068]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0069]
本发明为一种面向移动边缘计算的无人机计算卸载方法，利用k均值的思想对整个任务区域按照距离进行分割，然后对整个任务区域的计算能力进行度量，无人机与任务区域进行计算能力互补，使用优先级队列对计算任务的执行顺序进行排序，优先执行实时任务，最后提出了部分卸载方法确定终端设备、无人机、基站三方的计算任务分割阈值，最后对参数进行迭代，求得最优解，即最小化整个系统任务的执行时间。
[0070]
本发明共有1幅附图，请参阅图1所示，本发明的具体步骤如下：
[0071]
步骤1：对整个任务区域按照距离根据无人机的数量基于k均值方法进行划分，分为m个聚类，表示为cluster＝{c1,
…
,cm}，然后根据每个聚类终端设备的电池容量与cpu频率来衡量每个区域的计算能力，定义为：
[0072][0073]
其中，u表示为聚类ci里的每一个终端设备，fu表示设备u的cpu频率，即每秒可计算的比特数，eu表示为表示设备u的电池容量，η1与η2为常量系数，位于0到1之间。计算能力强的无人机匹配计算能力弱的区域。
[0074]
步骤2：对所有的终端设备的计算任务进行抽象定义，定义为
[0075]
qi＝(li,ti)
[0076]
其中，i表示第终端设备的序号，li表示需要被计算的任务大小，ti表示计算任务的截止日期，任务没有在截止日期完成表示任务执行失败。
[0077]
步骤3：针对无人机上各个设备的计算任务，本文使用双队列对计算任务进行排序，实时任务进入队列q1，其他任务进入队列q2，每次从q1取出任务执行，当队列q1为空时，q2任务进入q1，并且每个时隙对q2任务按照截止日期进行排序，使高优先级任务处于队头，为了避免任务饥饿问题，q2中任务每隔一段时间提升一级。
[0078]
步骤4：计算任务分为本地计算、无人机辅助计算、基站辅助计算，其中{0≤ρ
i1
≤1,i∈n}表示终端设备卸载给无人机的任务比例，当无人机处于基站的传输范围内，无人机可以将计算任务卸载给基站，卸载比例为{0≤ρ
i2
≤1,i∈n}。
[0079]
针对本地计算，本地计算时间表示为：
[0080][0081]
其中，fi
ilocal
表示本地设备的计算能力，即每秒计算的比特数。si表示终端设备执行每个比特所需的cpu周期数。本地计算能耗表示为：
[0082][0083]
对于γ表示由实际测量决定的芯片结构决定的系数。
[0084]
针对无人机计算，连接无人机的一组设备表示为：
[0085]
ni＝{i:i∈n,gi＝j}
[0086]
无人机的带宽资源表示为bjhz。终端设备与无人机的上行链路模型为：
[0087][0088]
其中，pi表示终端设备i的传输功率，其中
[0089][0090]
传输速率为：
[0091]
[0092]
其中，为连接到的设备数量。针对设备将任务传到无人机的时间表示为：
[0093][0094]
传输能耗为：
[0095][0096]
无人机计算时间表示为：
[0097][0098]
其中，f
i,j
表示无人机j分配给终端设备i的计算资源，无人机执行任务总时间表示为：
[0099][0100]
无人机执行任务总能耗：
[0101][0102]
其中，α为常量系数，v0为无人机的初始飞行速度。
[0103]
针对基站辅助移动边缘计算，基站的计算时间表示为：
[0104][0105]
基站总的任务时间表示为：
[0106][0107]
那么总的任务执行时间表示为，即本发明的优化目标：
[0108][0109]
步骤5：为了确定终端设备与无人机、无人机与基站之间的任务分割阈值，本发明设置了部分卸载方法，首先为终端设备i与无人机j之间的分割阈值，分为基于时间和基于能耗的卸载方法，基于时间表示为：
[0110][0111]
如果本地计算时间大于无人机的数据传输时间和计算时间，就将大于locali的部分卸载给无人机，基于能耗表示为：
[0112][0113]
如果能量比例将大于locali的部分卸载给无人机。无人机与基站之间的分割阈值表示为：
[0114]
[0115]
当无人机在基站的传输范围内，且当无人机的计算任务超过将多于的部分卸载给基站。
[0116]
步骤6：根据步骤5的部分卸载方法以及优先级队列来交叉迭代最优值。
[0117]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。