[发明专利]时敏多任务边缘计算与缓存协作卸载策略方法

说明书

本发明涉及时敏多任务边缘计算与缓存协作卸载策略方法，方法包括无人机轨迹优化子策略、无人机资源分配优化子策略、物联网设备卸载决策子策略；使用块坐标下降方法将上述三个子策略迭代运行，最终策略收敛后得到最终值。本发明提出了基于无人机的时敏多任务移动边缘计算网络的计算和缓存卸载策略，通过综合优化无人机飞行轨迹、物联网设备与无人机传输带宽、无人机的计算资源分配、物联网设备的卸载率以及物联网设备任务类型，最大程度地降低IoT设备的总能耗，满足物联网设备对时敏任务的体验质量要求。

.技术领域

本发明属于无人机、边缘计算结合物联网领域，5G物联网背景下基于无人机的时敏多任务边缘计算与缓存协作卸载策略。

背景技术

通常移动边缘计算服务器的部署是固定的，这限制了它向更靠近物联网设备的方向发展，从而进一步降低了设备的延迟或能耗。无人机作为空中移动边缘计算节点，由于其出色的灵活性和移动性，被广泛用于监视，数据收集，救灾和公共安全领域的服务覆盖。尽管无人机赋能的移动边缘计算为物联网设备提供了远程资源，但由于无人机和物联网设备的嵌入式电池数量有限，它仍面临通信和计算设计的挑战。目前国内外针对此类现象设计多种最小化能耗策略，具体考虑满足地面节点通信吞吐量的总无人机能耗，降低设备与无人机的总和加权能耗等。但是，将耗能的工作负载卸载到无人机还会引起额外的延迟，这会严重影响物联网设备的体验质量，因此在策略设计中不可忽略。

发明内容

本发明正是针对上述技术缺陷，提供了一种5G物联网背景下基于无人机的时敏多任务边缘计算与缓存协作卸载策略。该策略综合考虑综合优化无人机飞行轨迹、物联网设备与无人机传输带宽、无人机的计算资源分配、物联网设备的卸载率以及物联网设备任务类型，结合时敏多任务多物联网设备建立数学模型，使用块坐标下降方法迭代求解无人机飞行轨迹、无人机资源分配(传输带宽、计算资源分配)、物联网设备卸载决策子策略(卸载比例和任务类型)。针对轨迹优化和资源分配，使用辅助变量将原有非凸模型转换为凸模型后使用 CVX方法求解，针对卸载决策继续使用块坐标下降方法迭代求解任务类型及卸载比例，针对任务类型这一整数型变量使用分支定界算法求解。

本发明采用如下技术方案实现。

时敏多任务边缘计算与缓存协作卸载策略方法，本发明方法包括无人机轨迹优化子策略、无人机资源分配优化子策略、物联网设备卸载决策子策略；使用块坐标下降方法将上述三个子策略迭代运行，最终策略收敛后得到最终值；

其中无人机轨迹优化子策略，用于在无人机资源分配优化子策略和物联网设备卸载决策子策略确定情况下，优化无人机飞行轨迹；

无人机资源分配优化子策略，用于无人机飞行轨迹和物联网设备卸载决策子策略固定情况下，通过转换模型使用CVX技术求解无人机每个时间片针对每个物联网设备的计算资源分配和带宽分配；

物联网设备卸载决策子策略，用于无人机飞行轨迹和无人机资源分配确定情况下，求解物联网设备每个时间片内任务卸载比例和任务类型，其中任务类型包括计算任务和缓存任务。

本发明方法包括以下步骤：

步骤一：初始化阶段：本阶段获得各物联网设备总任务量、缓存容量、计算能力、初始化物联网设备卸载决策子策略，获得无人机缓存容量、无人机计算能力，无人机初始轨迹设置、无人机资源分配；

步骤二：根据能量优化总目标，时敏多任务多物联网设备环境，物联网设备计算能力、缓存容量、无人机计算能力、缓存容量约束条件建立优化模型，并将各变量初始值带入到优化模型；

步骤三：固定无人机资源分配优化子策略和物联网设备卸载决策子策略，使用无人机轨迹优化子策略得到优化后的无人机轨迹，更新无人机轨迹；

步骤四：固定无人机飞行轨迹、物联网设备卸载决策子策略，使用无人机资源分配优化子策略优化无人机资源分配，更新无人机资源分配；