基于无人机协同多接入边缘计算任务卸载与资源分配方法

本公开涉及移动通信，具体涉及基于无人机协同多接入边缘计算任务卸载与资源分配方法。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、近年来，随着移动通信技术的发展喝普及，出现了在线视频、地图导航、移动支付、人脸识别等许多新的应用，随后，联网智能设备的激增导致数据爆炸式增长。与此同时，在各种传染病等突发事件中，人与人之间的面对面交流变得困难，对网络医疗、在线学习和远程工作的依赖明显增加。上述应用程序通常是延迟敏感的，需要大量的通信和计算资源。为了支持大量智能设备和及时处理大量数据，多址边缘计算，前身为移动边缘计算，已成为下一代无线网络中的关键技术。通过在通信网络的边缘侧(如地面蜂窝基础设施)部署移动边缘计算服务器，用户设备可以将数据卸载到边缘，以改善服务体验。

3、然而，目前的边缘计算系统也存在许多问题。固定位置的地面移动边缘计算服务器不能根据终端的需求进行调整。由于非视距链路，它们的信道质量可能较差，导致通信速率有限。并且，由于自然灾害造成的严重阻碍或破坏，一些用户设备可能会放弃移动边缘计算服务。最近，无人机由于其灵活部署和低成本的优势，已经成为一种有前途的技术，可以改善无线连接并在移动边缘计算网络中提供广泛的覆盖。通常，无人机辅助的移动边缘计算网络有两种技术，其中无人机充当空中中继和空中移动边缘计算服务器。此外，随着用户设备的快速增长，单个甚至多个无人机可能无法满足虚拟现实、智能交通等大量计算密集型和延迟敏感型应用的需求，无法解决服务延迟和公平性问题，即无法最大化用户设备的服务体验比。

技术实现思路

1、本公开为了解决上述问题，提出了基于无人机协同多接入边缘计算任务卸载与资源分配方法，利用无人机对计算和缓存资源进行移动边缘计算服务协作，最小化服务延迟，保证用户设备之间的服务公平性。

2、根据一些实施例，本公开采用如下技术方案：

3、基于无人机协同多接入边缘计算任务卸载与资源分配方法，包括：

4、初始化协同计算任务卸载环境，基站和所有无人机协同为用户设备提供移动边缘计算服务，获取任务集合，将任务周期划分为具有相等持续时间的多个时隙；

5、获取每个时隙内用户请求服务的计算任务的输入数据大小，根据每个用户设备在服务体验方面的需求，以最小化服务延迟同时保证用户设备之间的服务公平性为目标构建优化模型，基于dinkelbach方法和凸优化理论，简化问题模型，提出四阶段交替迭代的优化算法，将优化目标分解为无人机轨迹决策、任务卸载决策、服务缓存决策和资源分配决策四个子优化目标，利用交替求解的迭代算法进行求解计算，直至目标收敛，获取无人机协同多接入边缘计算网络中任务卸载与资源分配决策并执行。

6、进一步的，基于满意度的任务卸载决策优化包括：固定无人机轨迹、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化任务卸载决策，并定义任务卸载子问题的优化目标公式。

7、在任务卸载决策的优化过程中，定义若干无人机和任务的集合，每个用户设备在时隙开始时向其关联的无人机发送任务卸载请求，基于用户的满意度为任务选择适宜的卸载位置，在当前任务卸载决策下，计算每个用户设备对应的目标函数的值，如果满足所有用户设备的最大延迟容忍度，且未超过每个无人机的计算资源和能耗限制，那么此时的任务卸载决策是适宜的。

8、在集合中，每个任务对不同的卸载位置有不同的满意度，满意度的值与任务处理延迟和公平性有关，任务处理延迟越大且公平性越低，满意度的值越小。

9、进一步的，服务缓存决策的优化为固定无人机的轨迹、带宽资源分配决策、任务卸载决策、计算资源分配决策和辅助变量来优化服务缓存决策，并定义服务缓存决策子问题的优化公式。

10、考虑无人机的缓存空间利用率，服务缓存决策值高的任务所需的服务在无人机上缓存的优先级高，直到达到无人机的缓存空间上限。

11、进一步的，无人机轨迹的优化包括固定任务卸载决策、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化无人机轨迹，定义无人机轨迹优化子问题的公式。

12、所述无人机轨迹的优化中，将轨迹规划作为一个优化变量，由无人机在整个任务周期中每个时隙的坐标位置组成。

13、进一步的，计算资源分配决策的优化包括给定无人机轨迹、任务卸载决策、服务缓存决策和辅助变量，定义计算资源分配子问题的优化公式，所述计算资源分配子问题为凸问题，采用凸优化来获得带宽资源分配和计算资源分配的最优解。

14、进一步的，联合优化任务卸载、服务缓存、轨迹规划和资源分配，最大限度地提高服务体验比，提出一个四阶段交替迭代优化来解决原始问题，分别迭代优化任务卸载决策、服务缓存决策和无人机轨迹规划，直到目标值收敛，在四个阶段自由化迭代的每一轮之后，将dinkelbach方法的参数进行更新。

15、与现有技术相比，本公开的有益效果为：

16、本公开提出的基于无人机协同多接入边缘计算任务卸载与资源分配方法，无人机可以有效地利用计算和缓存资源进行移动边缘计算服务协作，旨在最小化服务延迟，同时保证用户设备之间的服务公平性。

17、本公开为了提高服务体验，在无人机能量预算和延迟需求约束下，考虑联合优化任务卸载、资源分配、轨迹规划和服务缓存放置，并将其表述为服务体验比最大化问题。由于原问题是一个分数结构的混合整数非凸规划问题，难以在多项式时间内求解。本公开基于dinkelbach方法和凸优化理论，简化了问题模型，提出了一种四阶段交替迭代的服务比率最大化算法来解决该问题。数值结果表明，与其他基准算法相比，本公开提出的算法可以降低服务延迟78.2％，同时提高所有用户设备之间的公平性53.0％。

技术特征：

1.基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，包括：

2.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，基于满意度的任务卸载决策优化包括：固定无人机轨迹、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化任务卸载决策，并定义任务卸载子问题的优化目标公式。

3.如权利要求2所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，在任务卸载决策的优化过程中，定义若干无人机和任务的集合，每个用户设备在时隙开始时向其关联的无人机发送任务卸载请求，基于用户的满意度为任务选择适宜的卸载位置，在当前任务卸载决策下，计算每个用户设备对应的目标函数的值，如果满足所有用户设备的最大延迟容忍度，且未超过每个无人机的计算资源和能耗限制，那么此时的任务卸载决策是适宜的。

4.如权利要求3所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，在集合中，每个任务对不同的卸载位置有不同的满意度，满意度的值与任务处理延迟和公平性有关，任务处理延迟越大且公平性越低，满意度的值越小。

5.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，所述服务缓存决策的优化为固定无人机的轨迹、带宽资源分配决策、任务卸载决策、计算资源分配决策和辅助变量来优化服务缓存决策，并定义服务缓存决策子问题的优化公式。

6.如权利要求5所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，其特征在于，考虑无人机的缓存空间利用率，服务缓存决策值高的任务所需的服务在无人机上缓存的优先级高，直到达到无人机的缓存空间上限。

7.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，无人机轨迹的优化包括固定任务卸载决策、带宽资源分配决策、服务缓存决策、计算资源分配决策和辅助变量来优化无人机轨迹，定义无人机轨迹优化子问题的公式。

8.如权利要求7所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，所述无人机轨迹的优化中，将轨迹规划作为一个优化变量，由无人机在整个任务周期中每个时隙的坐标位置组成。

9.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，计算资源分配决策的优化包括给定无人机轨迹、任务卸载决策、服务缓存决策和辅助变量，定义计算资源分配子问题的优化公式，所述计算资源分配子问题为凸问题，采用凸优化来获得带宽资源分配和计算资源分配的最优解。

10.如权利要求1所述的基于无人机协同多接入边缘计算任务卸载与资源分配方法，联合优化任务卸载、服务缓存、轨迹规划和资源分配，最大限度地提高服务体验比，提出一个四阶段交替迭代优化来解决原始问题，分别迭代优化任务卸载决策、服务缓存决策和无人机轨迹规划，直到目标值收敛，在四个阶段自由化迭代的每一轮之后，将dinkelbach方法的参数进行更新。

技术总结
本公开提供了基于无人机协同多接入边缘计算任务卸载与资源分配方法，涉及移动通信技术领域，方法包括根据每个用户设备在服务体验方面的需求，以最小化服务延迟同时保证用户设备之间的服务公平性为目标构建优化模型，基于Dinkelbach方法和凸优化理论，简化问题模型，提出四阶段交替迭代的优化算法，将优化目标分解为无人机轨迹决策、任务卸载决策、服务缓存决策和资源分配决策四个子优化目标，利用交替求解的迭代算法进行求解计算，直至目标收敛，获取无人机协同多接入边缘计算网络中任务卸载与资源分配决策并执行。本公开能够实现更低的服务延迟，同时保证所有用户设备之间更好的公平性。

技术研发人员：翟临博,高星霞,鹿泽坤,周文杰,赵景梅
受保护的技术使用者：山东师范大学
技术研发日：
技术公布日：2024/1/14