[发明专利]一种基于最优资源分配量和搜索算法的计算卸载方法

说明书

本发明涉及一种基于最优资源分配量和搜索算法的计算卸载方法。本发明将组合优化问题切分为资源分配问题和卸载决策问题两部分，首先利用任务信息与边缘服务器状态输入资源分配网络，根据任务密度，任务计算量与负载均衡作为优化函数，通过深度强化学习算法，获得假设任务在各个边缘服务器卸载计算时的最优资源分配量，融合资源分配网络输出与用户状态信息，基站信道信息，输入卸载决策网络，通过遗传算法，搜索最优化平衡时延与能耗的卸载决策，实现计算卸载。本发明在系统模型中引入时间参数，更贴近实际模型，在卸载决策部分使用最优资源分配量条件下的的搜索算法，无需迭代更新模型，提高了实时性。本发明方法具有实时性强，贴近实际等优点。

技术领域

本发明涉及一种基于最优资源分配量和搜索算法的计算卸载方法，可用于多基站多边缘服务器环境下的计算卸载。

背景技术

随着科技的快速发展，移动设备流量急剧增长。由于自身资源及计算性能有限，智能移动设备在处理计算密集型和时间敏感型应用时面临能力不足的情况。使用网络边缘节点来处理分析数据的边缘计算模式应运而生，并与传统云计算模式形成互补。然而，边缘设备往往具有轻量化的特点，如何合理利用边缘有限的计算资源便成为边缘计算亟需解决的重要问题。

计算卸载为资源受限设备运行计算密集型应用提供计算资源，加快计算速度，节省能源，将移动终端的计算任务卸载到边缘云环境中，解决了设备在资源存储、计算性能以及能效等方面存在的不足。

然而，由于边缘计算目前缺乏统一的仿真模型，导致研究者们所建立的模型大多与实际不够相符。目前的相关研究多将卸载决策与资源分配看作一个组合优化问题，是不可分割的两部分，必须先解决卸载决策问题才能解决资源分配问题。已发表的论文“无线供电的移动边缘计算网络中基于深度强化学习的在线计算卸载”，通过从经验中学习二进制决策消除了解决组合优化问题的需要，并通过自适应参数调整优化进程，但只考虑了单边缘服务器的全部卸载，且将能量与基站发送射频能量联系起来，削减了资源分配问题的难度，先进行了卸载决策而后进行资源分配。已发表的论文“基于深度强化学习的移动边缘计算轻量级任务卸载策略优化”，对DQN算法进行了改进，但将卸载决策与资源分配放在同一个MDP问题中来解决，考虑多用户多边缘服务器时状态空间过大，具有较高的计算复杂度。已发表的论文“用于移动边缘计算网络的基于深度学习的分布式卸载—移动网络和应用”，使用多个并行的DNN来高效的生成卸载决策，但多个DNN同步训练与记忆，对用户之间同步执行联动过高，且固定了用户数，新用户难以加入。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种基于最优资源分配量和搜索算法的计算卸载方法。通过更贴近实际的仿真模型，引入参数漂移，对一日的任务进行优化。改变资源分配与卸载决策的顺序，消除解决组合优化问题的需要，降低计算复杂度，实现多目标联合优化。

本发明的技术方案是：一种基于最优资源分配量和搜索算法的边缘计算计算卸载方法，其实现步骤如下：

(1)获取周围距离最近的固定数量个边缘服务器的资源占用状态与任务N信息，包括任务数据量d_n，计算任务所需CPU周期数c_n，任务到来时间t_n与m个边缘服务器剩余资源量F^left＝(f₁，f₂，...f_m)；

(2)将计算任务所需CPU周期数c_n，任务到来时间t_n与m个边缘服务器剩余资源量F^left作为资源分配网络的输入，通过深度强化学习算法获得当前环境下的最优资源分配量作为输出，奖励函数主要目标为优化负载均衡；

(3)获取用户状态信息与基站信道状态信息，包括用户剩余计算资源用户能量传输效率用户数据发送功率与各个基站信道占用情况channel；