【技术实现步骤摘要】
本专利技术涉及一种移动通信资源调度领域，具体涉及一种基于深度学习的mec资源调度方法及系统。
技术介绍
1、车辆物联网近年来在研究界获得了巨大的关注，并随着新兴设备和技术的出现而经历了显著的发展。自动驾驶这样具有严格延迟限制和高处理需求的应用，对计算和存储资源提出了重大需求。现有技术中，资源调度受到了很多关注，特别是在研究基于服务器的资源调度策略方面。这些策略涉及使用路边单元(rsus)作为通信、计算和存储能力的边缘服务器，资源的调度是在单个边缘服务器上完成的，或者基于跨多个边缘服务器的移动性的任务卸载。然而，边缘服务器的普及率是很低的以及实施边缘服务器相当昂贵，沿道路部分完全部署边缘服务器是不切实际的。移动边缘计算(mec)和车辆网络结合是满足这一需求的潜在策略。但是，复杂的信道环境和车辆的高流动性导致网络拓扑不断变化使得通信链路变得脆弱，这对做出最优决策构成了重大挑战。一个高效的资源调度过程还应确保发送到服务车辆的任务在它们之间的连接被终止之前完成，因为车辆之间的接触时间很短。同样，由于车辆用户是自私的，除非得到很好的补偿，否则可能不允许使用计算和存储资源。因此，如何设计一种有效的方法对mec资源进行调度是一个重大的挑战。
技术实现思路
1、本专利技术的目的是克服现有技术中存在的不足，提供了一种基于深度学习的mec资源调度方法及系统，该资源调度方法是通过解决将任务分配给直连服务车辆所产生的流动性问题，并利用非直连车辆在任务计算中的优势来制定的。对于直连车辆，任何给定的任务都必须
2、本专利技术首先公开了一种基于深度学习的mec资源调度方法，其具体步骤如下：
3、步骤1、根据车辆请求资源任务，建立以客户端车辆和多个服务车辆为基础的mec网络架构；
4、步骤2、在mec网络架构下，构建移动性模型、由客户端车辆和服务车辆之间的距离确定不同的通信模型，通信模型包括蜂窝通信模型和毫米波通信模型；由资源处理模式构建不同的任务模型，并根据不同的任务模型获得相应的任务执行所需时间；
5、步骤3、由任务执行所需时间以及客户端车辆和服务车辆的可连接时间之间的关系确定客户端车辆效用最小化为目标的优化函数和约束条件；
6、步骤4、将优化目标建模为马尔科夫决策过程，采用路由转发策略优化算法获得最优的资源调度策略。
7、进一步，步骤2中构建的移动性模型具体为：
8、假设每辆车以随机速度v移动，速度独立且遵循高斯分布；由于车辆速度随时间变化，从截断的高斯分布中选取以防止出现负速度，截断的高斯概率密度函数表达为：
9、
10、其中，为高斯概率密度函数；vmax＝μ+3θ是最大速度；vmin＝μ-3θ是最小速度；erf(·)是误差函数；μ为平均速度；θ为速度的标准差；
11、车辆速度在vmin<v<vmax范围内的表达式为：
12、
13、进一步，步骤2中构建的蜂窝通信模型具体为：
14、每辆车包括多个用于5g连接的天线；车辆vn和车辆vi之间的传输率可以按如下方式计算：
15、
16、其中，pt表示车辆的传输功率；h表示信道衰落系数；n0为高斯噪声功率；wcc和分别代表带宽和路径损耗；
17、路径损耗按如下方式计算：
18、
19、其中，dn,i为vn和vi之间的距离；
20、计算在时间t之前车辆vi离开其覆盖区域的剩余距离，具体计算如下：
21、
22、其中，车辆vn与车辆vi在时间t的位置分别由xn(t)、yn(t)和xi(t)、yi(t)表示；ri表示车辆vi的覆盖区域半径；
23、车辆vn在车辆vi覆盖区域内停留的时间计算为：
24、
25、其中，表示车辆vn和vi相对于它们相对方向的速度差；
26、传输率会随时间变化，表示为车辆vn和车辆vi之间的平均传输速率为：
27、
28、构建的毫米波通信模型具体为：
29、每辆车都安装了定向天线，传输前对准天线；将车辆i上的天线增益表示为转向角的函数φ，并且毫米波天线增益为：
30、
31、其中，主瓣和旁瓣的数学增益分别为和φ表示与轴线方向的偏离角度；主瓣的波束宽度由φb表示；
32、表示车辆vn和车辆vi的传输率：
33、
34、其中，定义为：
35、
36、毫米波的链路信噪比的估计值由下述公式获得：
37、
38、其中，车辆在毫米波链路中的发射功率用pi表示；噪声功率用no表示；毫米波带宽用wmm表示；路径损耗用φ表示；车辆vn和车辆vi之间的距离在车辆的毫米波覆盖下用dn,i表示；主瓣阵列增益用表示；阴影衰落用ρα表示。
39、进一步，根据客户端车辆和服务车辆之间的距离确定通信模型的具体步骤为：
40、当任务i的传输时间tk,i小于或等于车辆vn在车辆vi覆盖区域内的停留时间则判断是否在毫米波范围内；当车辆vn在车辆vi之间的距离在毫米波通信范围内，则通过毫米波模式传输，并设置当前传输速率为如果不在，则当车辆vi和下一个车辆vj之间的距离在毫米波通信范围内，则通过毫米波进行中继传输，并将当前传输速率设置为当车辆vi和下一个车辆vj之间的距离不在毫米波通信范围内，则通过蜂窝模式进行中继传输，并将当前传输速率设置为rhcc。
41、进一步，步骤2中根据资源处理模式构建不同的任务模型具体为：
42、一个执行n个任务的客户端车辆，用任务集合n＝{1,...,n}表示；m＝{1,...,m}定义可用的服务车辆集合；每个任务i∈n由d＝si,ωi表示；其中，si表示输入数据的大小；ωi表示完成任务所需的cpu周期数；客户端车辆，表示为o；任务i和的卸载变量表示为xk,i∈{0,1}；其中，xoi＝1表示任务i为本地计算；xk,i＝1表示任务i被卸载到了对应的服务车辆k。
43、进一步，不同任务模型的任务执行所需时间具体为：
44、对于本地计算，使用fn表示客户端车辆o的本地计算能力，即每秒cpu周期数；对于客户端车辆n，在附近区域内执行任务i所需的时间为：
45、
46、则计算得到本地执行的所有任务的处理时间为：
47、
48、对于车辆卸载计算，完成对给定服务车辆k的任务i所需的时间tk,i由三部分组成，分别为传输时间执行时间和输出时间
【技术保护点】
1.一种基于深度学习的MEC资源调度方法，其具体步骤如下：
2.根据权利要求1所述的一种基于深度学习的MEC资源调度方法，其特征在于，步骤2中构建的移动性模型具体为：
3.根据权利要求1所述的一种基于深度学习的MEC资源调度方法，其特征在于，步骤2中构建的蜂窝通信模型具体为：
4.根据权利要求3所述的一种基于深度学习的MEC资源调度方法，其特征在于，根据客户端车辆和服务车辆之间的距离确定通信模型的具体步骤为：
5.根据权利要求1所述的一种基于深度学习的MEC资源调度方法，其特征在于，步骤2中根据资源处理模式构建不同的任务模型具体为：
6.根据权利要求5所述的一种基于深度学习的MEC资源调度方法，其特征在于不同任务模型的任务执行所需时间具体为：
7.根据权利要求6所述的一种基于深度学习的MEC资源调度方法，其特征在于车辆卸载计算所需时间具体为：
8.根据权利要求1所述的一种基于深度学习的MEC资源调度方法，其特征在于，步骤3中客户端车辆效用最小化为目标的优化函数和约束条件具体为：
9.根
10.一种基于深度学习的MEC资源调度系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于深度学习的mec资源调度方法，其具体步骤如下：
2.根据权利要求1所述的一种基于深度学习的mec资源调度方法，其特征在于，步骤2中构建的移动性模型具体为：
3.根据权利要求1所述的一种基于深度学习的mec资源调度方法，其特征在于，步骤2中构建的蜂窝通信模型具体为：
4.根据权利要求3所述的一种基于深度学习的mec资源调度方法，其特征在于，根据客户端车辆和服务车辆之间的距离确定通信模型的具体步骤为：
5.根据权利要求1所述的一种基于深度学习的mec资源调度方法，其特征在于，步骤2中根据资源处理模式构建不同的任务模型具体为：
6.根据权利要求...
【专利技术属性】
技术研发人员：赵敏，马军伟，薛泓林，郝晓伟，霍美如，李洋，张建亮，韩超，巫健，党小燕，王慧芳，毕胜，
申请(专利权)人：国网山西省电力公司信息通信分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。