[发明专利]一种基于深度学习的无线供能边缘计算延迟优化方法

说明书

本发明公开了一种基于深度学习的无线供能边缘计算延迟优化方法，属于边缘计算领域。本发明的优化方法，包括以下步骤：1)基于节点协同传输的无线供能边缘计算，建立任务卸载到边缘服务器时延模型；2)采用分段线性化算法将边缘服务器时延模型转化为线性整数规划模型；3)进行仿真实验验证优化方法的有效性，若时延得到优化，转到步骤4)；否则，转到步骤2)；4)求解线性整数规划模型获得训练深度置信网络的数据集；5)利用生成的数据集训练DBN网络，直至错误率小于预设值，得到训练好的网络模型。解决了关于无线供能边缘计算网络的“远近”效应的问题，降低了数据卸载到边缘服务器的时延。

技术领域

本发明属于边缘计算领域，尤其是一种基于深度学习的无线供能边缘计算延迟优化方法。

背景技术

随着移动数据在全球数据总量中所占比重逐年上升，将数据处理任务迁移到云端的移动云计算已经无法满足用户的低时延和高服务质量的需求。为了解决上述需求，将云服务器迁移到更加接近用户的边缘计算应运而生。用户可以把复杂的计算任务卸载到边缘服务器上面满足自己低时延和低能耗、高服务质量的需求。随着移动终端的硬件水平不断提高以及相关通信技术的逐渐完善，用户不仅可以作为资源的需求方，而且还可以作为资源的提供方为移动边缘计算贡献自己的计算存储资源，从而成为移动边缘计算的一个重要组成部分。

目前电池作为无线设备的主要供电来源，由于其能量自身受限且特定环境下不易更换电池，使得边缘计算发展受到限制。为了解决能量受限问题，无线供能的研究越来越多，传统的太阳能、风能等能量受地区和自然影响较大，无线频谱信号能量采集由于能量可控且可预测受到了广泛研究。无线供能通信的目的是，利用无线能量为设备进行充电或支持设备通信，然而无线设备采集能量的大小会受到信道质量的影响，与供能站距离越近的无线设备采集的能量越多，其可传输的信息量就越多，相反，与供能站距离越远的无线设备采集能量越少，导致当任务需要卸载到边缘服务器时，可能由于能量不足而无法或尽快将任务传输到边缘服务器，这种现象称为“远近”效应。

发明内容

本发明的目的在于解决无线供能边缘计算网络的“远近”效应的问题，提供一种基于深度学习的无线供能边缘计算延迟优化方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于深度学习的无线供能边缘计算延迟优化方法，包括以下步骤：

1)基于节点协同传输的无线供能边缘计算，采用先获能后协同传输协议，将时间块分为下行能量传输时间和上行信息传输时间，建立下行能量传输模型和上行信息传输模型，依据上述两个模型建立任务卸载到边缘服务器时延模型；

2)采用分段线性化算法将边缘服务器时延模型转化为线性整数规划模型；

3)进行仿真实验验证优化方法的有效性，与无协同直传方式的时延做对比，若时延得到优化，转到步骤4)；否则，转到步骤2)；

4)求解线性整数规划模型获得训练深度置信网络的数据集；

5)利用生成的数据集训练DBN网络，直至错误率小于预设值，得到训练好的网络模型。

进一步的，还包括：

6)利用训练好的网络模型进行结点功率、链路选择预测，剔除多余链路。

进一步的，步骤1)中基于建立能量守恒建立下行能量传输模型，具体过程为：

用户节点i下行时间接收到的能量为E_i＝ζP₀h_Hit₀；

其中：ζ为用户节点的能量转换效率，P₀为基站的传输功率，t₀为用户节点在下行获取无线能量的时间，h_Hi为链路下行传输的功率增益；