最小化时延的FDMA无线供能边缘计算网络的任务卸载方法技术

本发明专利技术公开了最小化时延的FDMA无线供能边缘计算网络的任务卸载方法，应用于无线供能边缘计算网络系统，无线供能边缘计算网络系统包括混合接入点和I个无线设备。本发明专利技术通过构建系统的时延模型，并通过给定卸载决策、初始化混合接入点向各无线设备传输无线能量的持续时长，来训练时延模型，得到各无线设备最优的卸载决策，且最优的卸载决策对应的时延就是最小时延，整个过程仅优化混合接入点向各无线设备传输无线能量的持续时长、各无线设备的带宽分配率和各无线设备的任务卸载至边缘服务器的传输时长，进而使得模型很快收敛，卸载决策的过程高效快速。策的过程高效快速。策的过程高效快速。

【技术实现步骤摘要】
最小化时延的FDMA无线供能边缘计算网络的任务卸载方法


[0001]本专利技术属于任务卸载分配领域，具体涉及最小化时延的FDMA无线供能边缘计算网络的任务卸载方法。

技术介绍

[0002]物联网(IoT)通过将日常设备连接到互联网，改变了我们的生活和工作方式。随着各行业对物联网(IoT)需求的不断增长和技术的发展，移动边缘计算(MEC)的使用面临着一些挑战。首先，物联网设备产生的海量数据需要强大的计算能力和资源来进行高效处理。其次，物联网设备通常资源有限，因此MEC应该提供有效的资源管理和分配，以平衡工作负载并减少延迟。除此之外，在一些物联网场景中，如工业自动化和智慧城市，对延迟的要求非常严格，因此需要将MEC基础设施部署在更靠近终端设备的地方。
[0003]为了应对这些挑战，开发了无线供电移动边缘计算(WP
‑
MEC)，将无线电力传输(WPT)与MEC相结合。WP
‑
MEC可以为无线节点提供可持续的电力供应，从而在网络边缘实现节能的数据卸载和处理。WPT和MEC的集成还有助于MEC基础设施更靠近终端设备的部署，从而提高物联网应用的性能。在WP
‑
MEC网络中，任务卸载方式可以分为两大类：部分卸载和二进制卸载。部分卸载适用于应用程序由多个过程或组件组成，可以实现细粒度卸载，即将任务划分为两部分，一部分在无线设备本地计算完成，另一部分被卸载到边缘服务器上完成。而二进制卸载则适用于任务不能被分割或存在依赖关系的情况，必须在无线设备本地或卸载到边缘服务器上作为一个整体执行。二进制卸载方式需要无线设备将任务全部留在本地计算，或回传给边缘服务器处理，因此可以避免设备间通信开销过大的问题。
[0004]在实际求解WP
‑
MEC网络中的二进制卸载问题时，往往会面临0
‑
1混合整数编程(Mixed Integer Programming，MIP)的难题，这是一个NP
‑
难问题。采用传统的方式比如分支定界法、线性松弛法、动态规划法和启发式局部搜索法存在如下几个问题：复杂度高，面临大规模网络时，需要迭代相当多的次数才能达到局部最优；当网络处于无限衰落信道环境时，无线信道增益是时变的，这导致无线信道变化很大时，为了获得实时卸载策略，这些算法必须重新解决优化问题。所以传统的方法已经无法高效的求解二进制卸载问题。

技术实现思路

[0005]本专利技术的目的在于针对解决
技术介绍
中提出的问题，提出最小化时延的FDMA无线供能边缘计算网络的任务卸载方法。
[0006]为实现上述目的，本专利技术所采取的技术方案为：
[0007]本专利技术提出的最小化时延的FDMA无线供能边缘计算网络的任务卸载方法，应用于无线供能边缘计算网络系统，无线供能边缘计算网络系统包括混合接入点和I个无线设备，混合接入点包括用于执行各无线设备卸载任务的边缘服务器和用于向各无线设备传输无线能量的射频能量发射器；
[0008]最小化时延的FDMA无线供能边缘计算网络的任务卸载方法，包括：
[0009]获取各无线设备的任务量信息和各无线设备与混合接入点间的信道增益，以混合接入点向各无线设备传输无线能量的持续时长、各无线设备将任务卸载至边缘服务器的传输时间和各无线设备本地执行任务的时间，基于深度强化学习的无线供能边缘计算网络系统的时延模型T(m)如下：
[0010][0011][0012][0013][0014]β≥0(1
‑
e)
[0015]t≥0(1
‑
f)
[0016][0017]其中，I＝{1,2,3,
…
,I}表示各无线设备的集合，i表示第i个无线设备，t表示无线设备采用FDMA的方式将任务卸载到边缘服务器的传输时间，β表示混合接入点通过射频发射器向各无线设备传输无线能量的持续时长，m＝{m1,m2,m3,
…
,m
I
}表示各无线设备卸载决策的集合，m
i
表示第i个无线设备的卸载决策，且为二进制卸载决策，m
i
＝0表示无线设备将任务选择在本地服务器计算，m
i
＝1表示无线设备将任务选择卸载至边缘服务器计算，α＝{α1,α2,α3,
…
,α
I
}，i∈K表示将任务卸载至边缘服务器的各无线设备的传输带宽分配率，α
i
表示第i个无线设备的传输带宽分配率，max
z∈Z
τ
z
表示执行最慢的本地服务器计算任务的时间，k表示计算能量效率系数，φ表示本地服务器计算无线设备处理一比特任务数据所需的周期数，且φ>0，W表示所有的无线设备总的传输带宽，μ表示无线设备的能量捕获效率，且0<μ<1，h
i
表示混合接入点与第i个无线设备之间的信道增益，P表示传输无线能量的功率，n0表示噪声功率谱密度，S
i
表示第i个无线设备自身的任务量信息，r
i
表示第i个无线设备的任务传输速率，K＝{i:m
i
＝1,1≤i≤I}表示无线设备的任务卸载到边缘服务器计算的索引集合，(1
‑
b)表示α
i
满足的约束条件，(1
‑
c)确保m
i
＝1的卸载决策的无线设备将任务完全卸载至边缘服务器，(1
‑
d)确保m
i
＝0的卸载决策的无线设备本地计算可以完成所有任务；
[0018]通过给定卸载决策、初始化混合接入点向各无线设备传输无线能量的持续时长，优化混合接入点向各无线设备传输无线能量的持续时长、各无线设备的带宽分配率和各无线设备的任务卸载至边缘服务器的传输时长，来训练时延模型，直至时延模型收敛；
[0019]将各无线设备的任务量信息和信道增益输入至训练完成的时延模型中，得到各无线设备最优的卸载决策。
[0020]优选地，时延模型的约束条件(1
‑
c)通过以下步骤得到：
[0021]无线设备将任务卸载至边缘服务器的过程中，第i个无线设备的传输速率r
i
满足：
其中，
[0022][0023]第i个无线设备在t内任务的传输的比特数B
i
满足：
[0024][0025]第i个无线设备需要将任务完全卸载至边缘服务器，因此需要满足如下约束：
[0026][0027]则对于第i个无线设备m
i
＝1的卸载决策，满足如下约束满足如下约束进而得到约束条件(1
‑
c)。
[0028]优选地，无线设备的本地服务器计算任务的时间τ
i
满足：
[0029][0030]其中，Z＝{i:m
i
＝0,1≤i≤I}表示任务在本地服务器计算的索引集合。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种最小化时延的FDMA无线供能边缘计算网络的任务卸载方法，应用于无线供能边缘计算网络系统，其特征在于：所述无线供能边缘计算网络系统包括混合接入点和I个无线设备，所述混合接入点包括用于执行各无线设备卸载任务的边缘服务器和用于向各无线设备传输无线能量的射频能量发射器；所述最小化时延的FDMA无线供能边缘计算网络的任务卸载方法，包括：获取各无线设备的任务量信息和各无线设备与混合接入点间的信道增益，以混合接入点向各无线设备传输无线能量的持续时长、各无线设备将任务卸载至边缘服务器的传输时间和各无线设备本地执行任务的时间，基于深度强化学习的无线供能边缘计算网络系统的时延模型T(m)如下：时延模型T(m)如下：时延模型T(m)如下：时延模型T(m)如下：β≥0(1
‑
e)t≥0(1
‑
f)其中，I＝{1,2,3,
…
,I}表示各无线设备的集合，i表示第i个无线设备，t表示无线设备采用FDMA的方式将任务卸载到边缘服务器的传输时间，β表示混合接入点通过射频发射器向各无线设备传输无线能量的持续时长，m＝{m1,m2,m3,
…
,m
I
}表示各无线设备卸载决策的集合，m
i
表示第i个无线设备的卸载决策，且为二进制卸载决策，m
i
＝0表示无线设备将任务选择在本地服务器计算，m
i
＝1表示无线设备将任务选择卸载至边缘服务器计算，α＝{α1,α2,α3,
…
,α
I
}，i∈K表示将任务卸载至边缘服务器的各无线设备的传输带宽分配率，α
i
表示第i个无线设备的传输带宽分配率，max
z∈Z
τ
z
表示执行最慢的本地服务器计算任务的时间，k表示计算能量效率系数，φ表示本地服务器计算无线设备处理一比特任务数据所需的周期数，且φ>0，W表示所有的无线设备总的传输带宽，μ表示无线设备的能量捕获效率，且0<μ<1，h
i
表示混合接入点与第i个无线设备之间的信道增益，P表示传输无线能量的功率，n0表示噪声功率谱密度，S
i
表示第i个无线设备自身的任务量信息，r
i
表示第i个无线设备的任务传输速率，K＝{i:m
i
＝1,1≤i≤I}表示无线设备的任务卸载到边缘服务器计算的索引集合，(1
‑
b)表示α
i
满足的约束条件，(1
‑
c)确保m
i
＝1的卸载决策的无线设备将...

【专利技术属性】
技术研发人员：陈茜，张书彬，池凯凯，黄亮，魏欣晨，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：