一种卫星云边协同计算的卸载方法及装置

本发明涉及物联网，尤其涉及一种卫星云边协同计算的卸载方法及装置。

背景技术：

1、物联网(internet of things, iot)在交通运输、环境监测、远程医疗、智能家居等诸多领域发挥着重要作用。然而物联网设备通常功率有限，可用于通信、计算和缓存的可用资源很少。因此，物联网设备产生的传感数据通常会转发到云或边缘计算节点进行进一步处理。目前，在服务物联网的星地融合网络(integratedsatellite terrestrialnetworks, istn)中，物联网终端通过卫星将数据转发到地面云数据中心进行处理。与卫星节点相比，地面云具有更高的计算能力和充足的能量供应，云计算中心使用并行计算，可以显著提高运算速度，从而满足各种高性能计算的需求。然而，云平台通常距离用户终端较远，导致通信时延较高。边缘计算节点部署在网络边缘，通过内容缓存和在物联网用户附近部署边缘计算服务器，可以有效降低时延，随着星载处理技术的发展，带有星载处理单元的卫星也可以看作是一个边缘计算节点，为地面用户提供计算服务。目前，如何平衡各方计算服务，从而为用户提供最佳的使用体验成为一个重要的研究目标。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种卫星云边协同计算的卸载方法及装置，解决各边缘计算节点之间如何合理分配资源、协同计算的技术问题。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供了一种卫星云边协同计算的卸载方法，包括：

4、基于终端-卫星-云的三层云边协同计算框架，构建任务在各层计算下的开销模型；

5、基于各所述开销模型，以总开销最小为优化目标，以卸载决策、cpu 工作频率和传输功率为优化变量，构建优化问题模型；

6、基于所述优化问题模型，采用模型辅助法和内点法对cpu 工作频率和传输功率进行优化求解，采用q-learning算法对卸载决策进行优化求解；

7、根据cpu 工作频率、传输功率以及卸载决策的最优求解结果，对所述任务进行卸载和计算。

8、可选的，所述终端-卫星-云的三层云边协同计算框架包括iot终端、低地球轨道卫星、地球同步轨道卫星以及云计算中心； 所述iot终端接收到的任务选择本地计算、卸载到低地球轨道卫星计算以及通过地球同步轨道卫星卸载到云计算中心计算中任一种计算方式进行计算。

9、可选的，所述构建任务在各层计算下的开销模型包括：

10、设第个iot终端接收到的任务为，分别为第个iot终端接收到的任务的大小、执行所需cpu周期数、时延需求；

11、构建第个iot终端的任务在本地计算的开销模型：

12、；

13、式中，为本地计算下的时延敏感系数，为第个iot终端的任务在本地计算的处理时延和处理能耗：

14、；

15、；

16、式中，为第个iot终端的cpu 工作频率，为电气系数；

17、构建第个iot终端的任务在低地球轨道卫星计算的开销模型：

18、；

19、式中，为低地球轨道卫星计算下的时延敏感系数，为第个iot终端的任务在低地球轨道卫星计算的处理总时延和处理总能耗：

20、；

21、；

22、式中，为第个iot终端的任务在低地球轨道卫星计算的处理时延、传播时延；为第个iot终端到低地球轨道卫星的传输时延、传输速率和传输距离；，为第个iot终端到低地球轨道卫星的信道带宽和信道增益，为第个iot终端的传输功率；为低地球轨道卫星的cpu工作频率；为光速；

23、；

24、；

25、式中，为第个iot终端到低地球轨道卫星的传输能耗，为第个iot终端的任务在低地球轨道卫星计算的处理能耗；

26、构建第个iot终端的任务在云计算中心计算的开销模型：

27、；

28、式中，为云计算中心计算下的时延敏感系数，为第个iot终端的任务在云计算中心计算的处理总时延和处理总能耗：

29、；

30、；

31、式中，为第个iot终端到地球同步轨道卫星的传输时延、传输距离和传输速率；，为第个iot终端到地球同步轨道卫星的信道带宽和信道增益；为地球同步轨道卫星到云计算中心的传输时延、传输距离和传输速率；，为地球同步轨道卫星到云计算中心的信道带宽和信道增益，为地球同步轨道卫星的传输功率；为第个iot终端的任务在云计算中心的处理时延和传播时延，为云计算中心的单核cpu工作频率，为参与计算的核心数量；

32、；

33、；

34、式中，为第个iot终端到地球同步轨道卫星的传输能耗，为地球同步轨道卫星到云计算中心的传输能耗，为第个iot终端的任务在云计算中心的处理能耗。

35、可选的，所述优化问题模型为：

36、；

37、式中，为卸载决策，，为第个iot终端选择的卸载决策，为iot终端的总数，为第个iot终端选择本地计算、卸载到低地球轨道卫星计算、通过地球同步轨道卫星卸载到云计算中心计算；为iot终端的传输功率，，为iot终端的cpu 工作频率，；为第个iot终端选择卸载决策对应的时延敏感系数、处理时延和处理能耗；

38、；

39、所述优化问题模型的约束条件为：

40、；

41、；

42、；

43、；

44、；

45、；

46、；

47、；

48、；

49、；

50、式中，为第个iot终端的任务在本地计算、在低地球轨道卫星计算的处理能耗最大值；为第个iot终端到低地球轨道卫星、第个iot终端到地球同步轨道卫星、地球同步轨道卫星到云计算中心的传输能耗；为第个iot终端的cpu 工作频率最大值和传输功率最大值，为低地球轨道卫星的cpu 工作频率最大值和地球同步轨道卫星的传输功率最大值。

51、可选的，所述采用模型辅助法和内点法对cpu 工作频率和传输功率进行优化求解包括：

52、以cpu 工作频率为优化变量，采用模型辅助法对开销模型进行最小化求解：

53、确定开销模型：

54、；

55、通过导数等于零求解开销模型的极值点：

56、；

57、通过约束条件变换可得：

58、；

59、根据约束条件的变换结果确定可行解范围的下界和上界：

60、；

61、；

62、根据下界、上界以及极值点确定开销模型的最小化求解结果：

63、；

64、以cpu 工作频率和传输功率为优化变量，采用模型辅助法和内点法对开销模型进行最小化求解：

65、通过约束条件变换可得：

66、；

67、根据约束条件的变换结果确定可行解范围的下界和上界：

68、；

69、；

70、通过约束条件变换可得：

71、；

72、根据约束条件的变换结果确定；

73、根据约束条件的变换结果确定可行解范围的下界和上界：

74、；

75、；

76、引入松弛变量，将约束条件由不等式约束变换为等式约束：

77、；

78、；

79、；

80、；

81、构建对数障碍函数，，并代入开销模型得到模型：

82、；

83、式中，为惩罚强度；

84、基于下界、上界、下界、上界以及模型进行迭代，直至达到最大的迭代次数：

85、；

86、；

87、式中，，，学习率，为修正因子，；为模型在当前解处的梯度：

88、；

89、式中，为模型与x轴、y轴方向相同的单位向量；

90、以传输功率为优化变量，采用模型辅助法和内点法对开销模型进行最小化求解：

91、通过约束条件变换可得：

92、；

93、；

94、根据约束条件的变换结果确定；

95、根据约束条件的变换结果确定可行解范围的下界和上界：

96、；

97、；

98、通过约束条件变换可得：

99、；

100、；

101、根据约束条件的变换结果确定；

102、根据约束条件的变换结果确定可行解范围的下界和上界：

103、；

104、；

105、引入松弛变量，将约束条件由不等式约束变换为等式约束：

106、；

107、；

108、；

109、；

110、构建对数障碍函数，，并代入开销模型得到模型：

111、；

112、基于下界、上界、下界、上界以及模型进行迭代，直至达到最大的迭代次数：

113、；

114、；

115、式中，，；为模型在当前解处的梯度：

116、；

117、式中，为模型与x轴、y轴方向相同的单位向量。

118、可选的，所述采用q-learning算法对卸载决策进行优化求解包括：

119、初始化学习率、折扣因子、探索因子、迭代次数；

120、设置状态总数和动作总数：

121、；

122、；

123、式中，为任务数量；

124、初始化为零矩阵：

125、；

126、式中，为函数，为创建一个大小为的零矩阵；

127、令，重复以下步骤，直至：

128、随机选择状态：

129、；

130、式中，为函数，为生成一个中的随机整数；

131、采用策略选择动作：

132、若，则；

133、若，则；

134、式中，为状态下的最大q值估计对应的动作；

135、计算奖励：

136、；

137、式中，为根据cpu 工作频率和传输功率的最优求解结果构建的开销模型；

138、更新状态和动作的q值：

139、

140、

141、；

142、式中，为状态下的最大q值估计；

143、将更新后的状态和动作的q值存入矩阵；

144、令。

145、第二方面，本发明提供了一种卫星云边协同计算的卸载装置，所述装置包括：

146、开销模型构建模块，用于基于终端-卫星-云的三层云边协同计算框架，构建任务在各层计算下的开销模型；

147、优化模型构建模块，用于基于各所述开销模型，以总开销最小为优化目标，以卸载决策、cpu 工作频率和传输功率为优化变量，构建优化问题模型；

148、模型求解模块，用于基于所述优化问题模型，采用模型辅助法和内点法对cpu 工作频率和传输功率进行优化求解，采用q-learning算法对卸载决策进行优化求解；

149、卸载计算模块，用于根据cpu 工作频率、传输功率以及卸载决策的最优求解结果，对所述任务进行卸载和计算。

150、第三方面，本发明提供了一种电子设备，包括处理器及存储介质；

151、所述存储介质用于存储指令；

152、所述处理器用于根据所述指令进行操作以执行上述方法的步骤。

153、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

154、第五方面，本发明提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。

155、与现有技术相比，本发明所达到的有益效果：

156、本发明提供的一种卫星云边协同计算的卸载方法及装置，通过构建优化问题模型，以模型辅助法和内点法优化 cpu 工作频率和传输功率，计算出每种任务情况在每种处理方式下的开销，使用 q-learning 算法确定并发多用户任务的卸载决策，根据最优解实现物联网设备联合卫星边缘计算和云计算中的资源分配。