一种基于边缘计算场景下的无人机任务卸载方法和系统

本发明涉及边缘计算，尤其涉及一种基于边缘计算场景下的无人机任务卸载方法和系统。

背景技术：

1、随着移动互联网的快速发展、移动设备的广泛普及和各种新兴计算密集型应用程序的出现，数据流量正在经历爆炸性增长。在运行自动驾驶、增强现实和虚拟现实等新兴的计算密集、时延敏感型应用时，会产生大量的计算任务。然而，移动设备受限于其电池的能量以及cpu的计算能力，难以在任务截止时间之前完成处理。

2、移动边缘计算(mobile edge computing,mec)是为了解决上述挑战而提出的一种解决方案，该技术将云计算能力下沉到靠近用户的网络边缘，通过在靠近用户的基站/车辆/无人机部署服务器，为用户提供计算服务以减少用户处理任务的时延和能耗。边缘计算的卸载流程包括：输入数据的上传、边缘服务器处理计算任务以及计算结果的回传三个部分，由于在实际场景中结果的大小相比前两者过小，往往在建模过程中忽略不计。

3、无人机辅助mec网络相比传统的边缘计算网络架构具有部署灵活、移动性强、视距通信等优点，更加适合部署在紧急救援、海上通信、应急通讯等场景。然而，无人机相比固定的地面基站能量有限，无法永久的提供计算服务。当用户卸载请求到达时，无人机剩余的用于计算电量不足以支持任务计算完毕，在这种情况下极可能出现“卸载失败”的情况。以用户视角看，无人机辅助边缘计算网络存在不确定性的卸载失败的风险，其主观卸载意愿往往受到卸载失败风险的影响，而现有技术往往忽略这一卸载失败的场景以及卸载失败风险对用户卸载主观意愿的影响。

技术实现思路

1、本发明提供了一种基于边缘计算场景下的无人机任务卸载方法和系统，用于解决无人机边缘计算任务未考虑到受限于无人机的能量有限，存在任务可能无法被处理的风险，以及忽略了下载失败风险下的用户主观卸载意愿的技术问题。

2、有鉴于此，本发明第一方面提供了一种基于边缘计算场景下的无人机任务卸载方法，包括：

3、基于无人机搭载的sdn控制器获取无人机覆盖范围内的移动用户信息；

4、所述sdn控制器根据所述移动用户信息构建卸载任务模型、卸载任务决策模型、不同卸载场景下的卸载任务时延计算模型和基于前景理论的卸载任务用户满意度模型，其中，所述卸载任务决策模型包括卸载决策、缓存决策和资源分配决策，卸载决策包括无人机能量足够支持卸载任务执行的无人机卸载和无人机能量不足以支持卸载任务执行的本地卸载；

5、所述sdn控制器基于所述卸载任务模型、所述卸载任务决策模型、所述不同卸载场景下的卸载任务时延计算模型和所述基于前景理论的卸载任务用户满意度模型，构建基于所述卸载决策、所述缓存决策和所述资源分配决策的优化函数以及所述优化函数的约束条件；

6、所述sdn控制器求解所述优化函数，得到最优卸载决策、最优缓存决策和最优资源分配决策，将所述最优缓存决策和所述最优资源分配决策上送给无人机，将所述最优卸载决策通知给卸载用户，其中，所述最优缓存决策包括缓存卸载任务的输入数据和不缓存卸载任务的输入数据；

7、当所述无人机收到所述卸载用户的任务卸载请求时，查询无人机中是否缓存有所述任务卸载请求对应的卸载任务的输入数据，若是，则通知所述卸载用户无需上传所述卸载任务的输入数据，基于无人机搭载的边缘服务器直接根据所述最优资源分配决策处理所述卸载任务，否则，通知所述卸载用户上传所述卸载任务的输入数据，所述边缘服务器根据所述最优资源分配决策处理所述卸载任务，其中，所述卸载用户为在所述无人机覆盖范围内发起任务卸载请求的移动用户；

8、所述无人机将所述卸载任务的计算结果回传给所述卸载用户。

9、可选地，所述卸载任务模型为：

10、ti＝{di,wi,τi}

11、其中，ti为第i个卸载任务，di为第i个卸载任务的数据量大小，wi为第i个卸载任务的复杂度，τi为第i个卸载任务允许容忍的最大截止时间；

12、所述卸载任务决策模型为：

13、o＝{o1,o2,…,oi,…,on}

14、x＝{x1,x2,…,xi,…,xn}

15、f＝{f1f,f2f,…,fif,…,fnf}

16、其中，o为卸载任务的决策向量，oi为第i个卸载任务的卸载决策，n为卸载任务总数，x为卸载任务的缓存决策，xi为第i个卸载任务的缓存决策，f为卸载任务的资源分配决策，fif为无人机分配给第i个卸载任务的计算资源；

17、所述不同卸载场景下的卸载任务时延计算模型包括本地卸载场景下的卸载任务时延计算模型和边缘卸载场景下的卸载任务时延计算模型，所述本地卸载场景下的卸载任务时延计算模型为：

18、

19、其中，til为第i个卸载任务在本地卸载场景下的计算时延，fil为移动用户设备的计算资源；

20、所述边缘卸载场景下的卸载任务时延计算模型为：

21、tifsucc＝(1-xi)titrans+ticomp

22、tiffail＝(1-xi)titrans+til

23、tifsucc为卸载任务卸载成功时的计算时延，tiffail为卸载任务卸载失败时的计算时延，titrans为卸载任务上传到无人机的传输时间，ticomp为卸载任务在边缘服务器上的计算时间；

24、所述基于前景理论的卸载任务用户满意度模型为：

25、

26、

27、

28、

29、

30、其中，si为用户满意度，为基于前景理论的卸载时用户前景价值函数，为任务卸载成功时用户的相对盈利函数，为任务卸载失败时用户的相对损失函数，pfail为通过无人机已经接收的卸载决策数量用户感知的卸载失败的概率，∑ioi为卸载到无人机的任务个数，nmax为卸载失败的阈值。

31、可选地，所述基于卸载决策、缓存决策和资源分配决策的优化函数为：

32、

33、所述优化函数的约束条件为：

34、

35、

36、

37、

38、

39、其中，为无人机搭载的边缘服务器的最大存储容量，为无人机搭载的边缘服务器的最大计算能力，fif为无人机分配给第i个卸载任务的计算资源，pf为无人机的位置，pi为卸载用户的位置，为无人机的最大覆盖范围。

40、可选地，所述边缘服务器求解所述优化函数，包括：

41、所述边缘服务器基于块坐标下降法将所述优化函数解耦为卸载决策子问题的目标函数、缓存决策子问题的目标函数和资源分配决策子问题的目标函数分别进行求解。

42、可选地，卸载决策子问题的目标函数采用遗传算法进行求解，缓存决策子问题的目标函数采用动态规划算法进行求解，资源分配决策子问题的目标函数采用cvx求解器进行求解。

43、本发明第二方面提供了一种基于边缘计算场景下的无人机任务卸载系统，包括无人机、sdn控制器和边缘服务器；

44、所述无人机上搭载有所述sdn控制器和所述边缘服务器；

45、所述sdn控制器用于：

46、获取无人机覆盖范围内的移动用户信息；

47、根据所述移动用户信息构建卸载任务模型、卸载任务决策模型、不同卸载场景下的卸载任务时延计算模型和基于前景理论的卸载任务用户满意度模型，其中，所述卸载任务决策模型包括卸载决策、缓存决策和资源分配决策，卸载决策包括无人机能量足够支持卸载任务执行的无人机卸载和无人机能量不足以支持卸载任务执行的本地卸载；

48、基于所述卸载任务模型、所述卸载任务决策模型、所述不同卸载场景下的卸载任务时延计算模型和所述基于前景理论的卸载任务用户满意度模型，构建基于所述卸载决策、所述缓存决策和所述资源分配决策的优化函数以及所述优化函数的约束条件；

49、求解所述优化函数，得到最优卸载决策、最优缓存决策和最优资源分配决策，将所述最优缓存决策和所述最优资源分配决策上送给无人机，将所述最优卸载决策通知给卸载用户，其中，所述最优卸载决策包括无人机卸载和本地卸载，所述最优缓存决策包括缓存卸载任务的输入数据和不缓存卸载任务的输入数据；

50、所述无人机用于：

51、当所述无人机收到所述卸载用户的任务卸载请求时，查询无人机中是否缓存有所述任务卸载请求对应的卸载任务的输入数据，若是，则通知所述卸载用户无需上传所述卸载任务的输入数据，基于无人机搭载的边缘服务器直接根据所述最优资源分配决策处理所述卸载任务，否则，通知所述卸载用户上传所述卸载任务的输入数据，所述边缘服务器根据所述最优资源分配决策处理所述卸载任务，其中，所述卸载用户为在所述无人机覆盖范围内发起任务卸载请求的移动用户；

52、所述无人机将所述卸载任务的计算结果回传给所述卸载用户。

53、可选地，所述卸载任务模型为：

54、ti＝{di,wi,τi}

55、其中，ti为第i个卸载任务，di为第i个卸载任务的数据量大小，wi为第i个卸载任务的复杂度，τi为第i个卸载任务允许容忍的最大截止时间；

56、所述卸载任务决策模型为：

57、o＝{o1,o2,…,oi,…,on}

58、x＝{x1,x2,…,xi,…,xn}

59、f＝{f1f,f2f,…,fif,…,fnf}

60、其中，o为卸载任务的决策向量，oi为第i个卸载任务的卸载决策，n为卸载任务总数，x为卸载任务的缓存决策，xi为第i个卸载任务的缓存决策，f为卸载任务的资源分配决策，fif为无人机分配给第i个卸载任务的计算资源；

61、所述不同卸载场景下的卸载任务时延计算模型包括本地卸载场景下的卸载任务时延计算模型和边缘卸载场景下的卸载任务时延计算模型，所述本地卸载场景下的卸载任务时延计算模型为：

62、

63、其中，til为第i个卸载任务在本地卸载场景下的计算时延，fil为移动用户设备的计算资源；

64、所述边缘卸载场景下的卸载任务时延计算模型为：

65、tifsucc＝(1-xi)titrans+ticomp

66、tiffail＝(1-xi)titrans+til

67、tifsucc为卸载任务卸载成功时的计算时延，tiffail为卸载任务卸载失败时的计算时延，titrans为卸载任务上传到无人机的传输时间，ticomp为卸载任务在边缘服务器上的计算时间；

68、所述基于前景理论的卸载任务用户满意度模型为：

69、

70、

71、

72、

73、

74、其中，si为用户满意度，为基于前景理论的卸载时用户前景价值函数，为任务卸载成功时用户的相对盈利函数，为任务卸载失败时用户的相对损失函数，pfail为通过无人机已经接收的卸载决策数量用户感知的卸载失败的概率，∑ioi为卸载到无人机的任务个数，nmax为卸载失败的阈值。

75、可选地，所述基于卸载决策、缓存决策和资源分配决策的优化函数为：

76、

77、所述优化函数的约束条件为：

78、

79、

80、

81、

82、

83、其中，为无人机搭载的边缘服务器的最大存储容量，为无人机搭载的边缘服务器的最大计算能力，fif为无人机分配给第i个卸载任务的计算资源，pf为无人机的位置，pi为卸载用户的位置，为无人机的最大覆盖范围。

84、可选地，所述求解所述优化函数，包括：

85、基于块坐标下降法将所述优化函数解耦为卸载决策子问题的目标函数、缓存决策子问题的目标函数和资源分配决策子问题的目标函数分别进行求解。

86、可选地，卸载决策子问题的目标函数采用遗传算法进行求解，缓存决策子问题的目标函数采用动态规划算法进行求解，资源分配决策子问题的目标函数采用cvx求解器进行求解。

87、从以上技术方案可以看出，本发明提供的基于边缘计算场景下的无人机任务卸载方法具有以下优点：

88、本发明提供的基于边缘计算场景下的无人机任务卸载方法，考虑到无人机能量有限，存在卸载失败的风险的问题，构建了卸载任务模型、卸载任务决策模型、不同卸载场景下的卸载任务时延计算模型和基于前景理论的卸载任务用户满意度模型，卸载任务决策模型包括卸载决策、缓存决策和资源分配决策，卸载决策包括无人机能量足够支持卸载任务执行的无人机卸载和无人机能量不足以支持卸载任务执行的本地卸载，基于构建的模型构建了优化函数以及约束条件，求解得到最优卸载决策、最优缓存决策和最优资源分配决策，当无人机收到卸载用户的任务卸载请求时，查询无人机中是否缓存有任务卸载请求对应的卸载任务的输入数据，若是，则无需通知卸载用户上传卸载任务的输入数据，直接根据最优资源分配决策处理卸载任务，否则，通知卸载用户上传卸载任务的输入数据，根据最优资源分配决策处理卸载任务。解决了无人机边缘计算任务未考虑到受限于无人机的能量有限，存在任务可能无法被处理的风险，以及忽略了下载失败风险下的用户主观卸载意愿的技术问题。