申请/专利权人：南京信息工程大学

申请日：2024-02-02

公开（公告）日：2024-04-16

公开（公告）号：CN117714446B

主分类号：H04L67/10

分类号：H04L67/10;G06F9/50;G06N20/00;H04B7/185;H04L67/1008;H04L67/101

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明公开了一种卫星云边协同计算的卸载方法及装置，其方法包括：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；基于各开销模型，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；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；根据CPU工作频率、传输功率以及卸载决策的最优求解结果，进行卸载计算；本发明通过模型辅助法和内点法优化CPU工作频率和传输功率，使用Q‑learning算法确定并发多任务的卸载决策，根据最优解实现协同计算和计算中的资源分配。

主权项：1.一种卫星云边协同计算的卸载方法，其特征在于，包括：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；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；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；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；其中，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；所述构建任务在各层计算下的开销模型包括：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；构建第个IoT终端的任务在本地计算的开销模型： ；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： ； ；式中，为第个IoT终端的CPU工作频率，为电气系数；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： ；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： ； ；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； ； ；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；构建第个IoT终端的任务在云计算中心计算的开销模型： ；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： ； ；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； ； ；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；所述优化问题模型为： ；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； ；所述优化问题模型的约束条件为： ； ； ； ； ； ； ； ； ； ；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；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：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：确定开销模型： ；通过导数等于零求解开销模型的极值点： ；通过约束条件变换可得： ；根据约束条件的变换结果确定可行解范围的下界和上界： ； ；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： ；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：通过约束条件变换可得： ；根据约束条件的变换结果确定可行解范围的下界和上界： ； ；通过约束条件变换可得： ；根据约束条件的变换结果确定；根据约束条件的变换结果确定可行解范围的下界和上界： ； ；引入松弛变量，将约束条件由不等式约束变换为等式约束： ； ； ； ；构建对数障碍函数，，并代入开销模型得到模型： ；式中，为惩罚强度；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： ； ；式中，，，学习率，为修正因子，；为模型在当前解处的梯度： ；式中，为模型与x轴、y轴方向相同的单位向量；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：通过约束条件变换可得： ； ；根据约束条件的变换结果确定；根据约束条件的变换结果确定可行解范围的下界和上界： ； ；通过约束条件变换可得： ； ；根据约束条件的变换结果确定；根据约束条件的变换结果确定可行解范围的下界和上界： ； ；引入松弛变量，将约束条件由不等式约束变换为等式约束： ； ； ； ；构建对数障碍函数，，并代入开销模型得到模型： ；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： ； ；式中，，；为模型在当前解处的梯度： ；式中，为模型与x轴、y轴方向相同的单位向量；所述采用Q-learning算法对卸载决策进行优化求解包括：初始化学习率、折扣因子、探索因子、迭代次数；设置状态总数和动作总数： ； ；式中，为任务数量；初始化为零矩阵： ；式中，为函数，为创建一个大小为的零矩阵；令，重复以下步骤，直至：随机选择状态： ；式中，为函数，为生成一个中的随机整数；采用策略选择动作：若，则；若，则；式中，为状态下的最大Q值估计对应的动作；计算奖励： ；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；更新状态和动作的Q值： ；式中，为状态下的最大Q值估计；将更新后的状态和动作的Q值存入矩阵；令。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种卫星云边协同计算的卸载方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD