本发明涉及无线通信,特别涉及一种无人机辅助地面设备移动边缘计算资源优化方法。
背景技术:
1、无人机作为一种机动性高的低空飞行器,可作为通信过程中的移动平台,可以获得与设备终端的无线信道,拓展无线通信的有效通信覆盖范围。在应急通信的场景中,无人机也发挥了至关重要的作用。由于在灾害场景中本地设备使用过程中会产生巨大的计算量,同时也会显著提高能量消耗,但是由于基站建设的时间成本过高且设备终端的算力有限,可能会导致设备的应用无法满足用户的需求。因此如何对设备终端的计算量进行协调分配处理,从而达到减少时延和降低能量消耗的目的,是当下急需解决的问题。
2、针对上述问题,移动边缘计算的概念被提出。mec利用分布式架构将算力部署于网络边缘,很大程度上减小了传统集中式架构的较长的处理时延。无人机自身也可安装高性能计算芯片,并可飞到用户周围。为了进一步降低边远区域的地面设备能耗,可在无人机上搭建mec服务器,进而为附近的地面设备提供计算任务卸载服务。同时,其高移动性大大减小了传统将基站作为边缘节点的建设成本且提升了mec系统的灵活性,在地面设备群发生大规模变化时,无人机可通过调整自身状态适应当下的系统,减小了建设或者调整固定基站方案下的成本。
3、随着无人机辅助下的mec分布式架构的广泛应用与无线业务的不断增长,各方对频谱的需求也在不断增长。频谱资源本身利用率低下的实际条件下,伴随着公共基础通信业务的频率资源使用需求增加的现状,结合mec设备终端数据传输量大、消耗带宽多的特点,使得能够利用的频谱资源越发紧张。
技术实现思路
1、本发明提供了一种无人机辅助地面设备移动边缘计算资源优化方法,以解决无人机辅助地面设备移动边缘系统频谱资源越发紧张的技术问题。
2、为解决上述技术问题,本发明提供了如下技术方案:
3、一方面,本发明提供了一种无人机辅助地面设备移动边缘计算资源优化方法,所述无人机辅助地面设备移动边缘计算资源优化方法包括:
4、构建无人机辅助地面设备移动边缘计算系统模型;其中,所述系统模型包括多个地面认知设备和至少一个无人机,所述无人机以固定高度悬停;
5、基于所述无人机辅助地面设备移动边缘计算系统模型,构建地面认知设备与无人机频谱资源共享模型,计算地面认知设备的上行传输速率;
6、获取地面认知设备产生的总数据量,基于地面认知设备的上行传输速率构建无人机计算排队模型,得到无人机端排队计算时延;
7、根据地面认知设备的频谱感知性能,得到无人机辅助地面设备移动边缘计算系统总损耗;在对地面认知设备发射功率约束及计算频率约束下,构建无人机辅助地面设备移动边缘计算系统总损耗的优化模型;
8、基于所述总损耗的优化模型,实现对无人机悬停位置、无人机感知时间、地面认知设备发射功率、地面认知设备计算频率、无人机计算频率和卸载比例的联合优化,最小化无人机辅助地面设备移动边缘计算系统的损耗。
9、进一步地,所述构建无人机辅助地面设备移动边缘计算系统模型,包括:
10、获取多个地面认知设备的坐标和无人机初始悬停位置;
11、计算地面认知设备与无人机间相对距离及信道参数;
12、基于获取的地面认知设备的坐标和无人机初始悬停位置,以及计算出的地面认知设备与无人机间相对距离及信道参数,构建所述系统模型。
13、进一步地,在所述地面认知设备与无人机频谱资源共享模型中,地面认知设备作为源端,无人机作为目的端;
14、在地面认知设备向作为主用户的无人机进行数据卸载过程中,地面认知设备进行频谱感知,基于csma/ca协议,机会的接入无人机空闲频段,包括:首先通过能量检测算法对于无人机的ack信号进行检测,如果未检测到ack信号,则地面认知设备以一定接入概率接入无人机的共享频段进行数据卸载。
15、进一步地,所述地面认知设备的上行传输速率的计算公式为:
16、
17、其中,表示第m个地面认知设备的上行传输速率;表示当无人机的频段未被其他用户占用时,第m个地面认知设备正确检测出频段的占用情况,并进行数据卸载工作时的接入概率;hm表示第m个地面认知设备与无人机的地对空的信道增益;表示第m个地面认知设备的发射功率;表示当无人机的频段被其他用户占用时,第m个地面认知设备未能正确检测出频段的占用情况,此时进行数据卸载工作的接入概率;hm-1表示第m-1个地面认知设备与无人机的地对空的信道增益;表示第m-1个地面认知设备的发射功率;w表示信道传输带宽;σv表示信道噪声的方差。
18、进一步地,所述无人机端排队计算时延的计算公式为:
19、
20、其中,表示无人机端排队计算时延;m表示地面认知设备数量;θm为第m个地面认知设备的卸载比例;bm为总任务的比特数;rm为单位时间内无人机接收的数据比特数;为单位时间内无人机的计算比特数,fu表示无人机计算频率;表示第m个地面认知设备在无人机端的排队计算时延;η表示为每比特计算cpu所转转数。
21、进一步地,所述根据地面认知设备的频谱感知性能,得到无人机辅助地面设备移动边缘计算系统总损耗,包括:
22、计算系统的感知时延ts,卸载时延to,计算时延公式如下:
23、
24、
25、
26、其中,表示无人机接收的数据队列的到达速率,表示第m个地面认知设备的感知时延,tom表示第m个地面认知设备的卸载时延,表示第m个地面认知设备的本地计算时延,为单位时间内第m个地面认知设备的计算比特数,表示第m个地面设备的计算频率;
27、计算系统总时延
28、计算系统的卸载能耗eo,本地计算能耗edc,无人机排队计算能耗euc,公式如下:
29、
30、
31、
32、其中,κ为无人机和地面认知设备的cpu有效电容系数,表示第m个地面认知设备的卸载能耗,tom表示第m个地面认知设备的卸载时延,表示第m个地面认知设备的本地计算能耗,表示第m个地面认知设备在无人机端的排队计算能耗,表示第m个地面认知设备的本地计算时延,表示第m个地面认知设备在无人机端的排队计算时延;
33、计算系统总能耗e=eo+edc+euc;
34、计算无人机辅助地面设备移动边缘计算系统总损耗h=β1t+β2e;其中,β1和β2分别代表时延权重和能耗权重。
35、进一步地,无人机辅助地面设备移动边缘计算系统总损耗的优化模型表示为:
36、op:
37、
38、
39、
40、
41、0<θm<1,
42、fu≤fmax,
43、
44、其中,q表示无人机悬停位置,表示地面认知设备发射功率,表示地面认知设备感知时延,表示地面认知设备计算功率,fu表示无人机计算频率,θm表示地面认知设备卸载比例,h表示无人机悬停高度,wm表示第m个地面认知设备坐标,第表示无人机距地面认知设备的最大距离,pmax为地面认知设备最大发射功率,tsmax表示最大感知时间,pdmin表示最小检测概率,fmax表示无人机最大计算频率,fd表示地面认知设备计算计算资源总和;表示无人机距第m个地面认知设备的实际距离,表示第m个地面设备的检测概率。
45、进一步地,基于所述优化模型实现对无人机悬停位置、无人机感知时间、地面认知设备发射功率、地面认知设备计算频率、无人机计算频率和卸载比例的联合优化,最小化无人机辅助地面设备移动边缘计算系统的损耗,包括:
46、将所述总损耗的优化模型分解为以无人机悬停位置和地面认知设备发射功率为自变量的第一模型、以地面认知设备的感知时延为自变量的第二模型、以地面认知设备计算频率为自变量的第三模型、以无人机计算频率为自变量的第四模型和以地面认知设备卸载比例为自变量的第五模型;其中,
47、所述第一模型如下:
48、op1:
49、
50、
51、所述第二模型如下:
52、op2:
53、
54、
55、所述第三模型如下:
56、op3:
57、
58、所述第四模型如下:
59、op4:
60、s.t.fu≤fmax,
61、所述第五模型如下:
62、op5:
63、s.t.0<θm<1
64、对所述第一模型、第二模型、第三模型、第四模型以及第五模型进行求解,实现对无人机悬停位置、无人机感知时间、地面认知设备发射功率、地面认知设备计算频率、无人机计算频率以及卸载比例的联合优化,最小化无人机辅助地面设备移动边缘计算系统的损耗,得到计算资源优化结果。
65、再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
66、又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
67、本发明提供的技术方案带来的有益效果至少包括:
68、本发明提供了一种无人机辅助地面设备移动边缘计算资源优化方法,应用于频谱稀缺情况下无人机作为主用户搭载边缘计算服务器为多个地面认知设备提供共享频谱和计算卸载服务;本方法基于地面认知设备对主用户的频谱感知性能,制定无人机辅助移动边缘计算的损耗优化模型,通过对无人机悬停位置、地面认知设备发射功率、计算频率和感知时间、无人机计算频率、卸载比例的联合优化,最小化系统损耗,有效提升了频谱利用率,并显著降低了系统损耗。