一种智能超表面辅助的端边协同计算卸载方法及系统

本发明涉及边缘计算，尤其涉及一种智能超表面辅助的端边协同计算卸载方法及系统。

背景技术：

1、随着5g和物联网的迅猛发展，终端设备，如智能手机、物联网设备等已经成为人们日常生活和工作的重要工具，这些终端设备通常需要处理大量的计算任务，包括图像处理、语音识别、数据分析等。然而，由于终端设备的计算资源有限，处理复杂任务可能会导致性能下降、时延增加和能耗过高的问题。计算卸载作为一种重要的解决方案，将计算任务从终端设备卸载到云或边缘服务器上进行处理，可以有效减轻终端设备的负担，提高计算性能和能效。然而，传统的计算卸载方法往往采用集中式的计算资源，会导致数据传输时延较长，影响用户体验，特别是在移动通信环境下，为了解决传统计算卸载方法，近年来出现了称之为智能超表面(intelligent reflecting surface，irs)的一种新型技术，智能超表面依托自身对电磁环境的重构能力，将传统的被动适应转变为主动调控信道而备受青睐，同时又具备能耗低、易部署，能够增强信号强度等特点，智能超表面和移动边缘计算结合，能提高移动边缘计算网络的覆盖和通信能力，能提升任务数据卸载能力，是一种经济、节能的方式，被认为是下一代无线通信的重要突破点。

2、有一部分研究学者提出将云的容量扩展到用户网络边缘附近，克服了集中式云计算的高延迟和低带宽缺点，另一部分研究学者提出移动用户通过无线链路将其全部或部分计算任务卸载到邻近的mec服务器，还有一部分研究学者建议如何调整智能超表面的相移，最终将用户的发射功率和时间合理分配，以及边缘服务器为最终用户的计算资源分配，然而，这可能导致比本地执行更高的延迟，并阻碍计算卸载方式的优势，尤其是对于远离边缘节点的用户。

3、有研究学者提出了一种基于全主动智能超表面辅助多用户多输入单输出(miso)下行链路通信系统，通过联合设计接入点(ap)处的波束成形和智能超表面元素的相位矢量，最大化所有用户的加权和速率，降低卸载时延，然后这种方法在实际应用中并没有带来理想性能和效果。本发明在智能超表面的引入下，可以将其应用于计算卸载过程中，克服了在计算过程中盲目选择计算和卸载方式导致比本地计算执行更高的延迟，同时考虑了边缘用户的实际通信情况，更加客观的去比较计算卸载方式。

技术实现思路

1、本发明意在提供一种智能超表面辅助的端边协同计算卸载方法及系统，以找到最佳卸载方式并进行计算处理，最大化的减轻终端设备的计算负担，降低任务上传延迟和端到端延迟，满足计算任务的低延迟要求。

2、为达到上述目的，本发明提供如下技术方案：

3、一种智能超表面辅助的端边协同计算卸载方法，包括如下步骤：

4、s101、将所述任务集中的每个任务的计算卸载策略初始化为边计算；

5、s102、基于波束赋形迭代算法确定所述智能超表面的相移策略和所述任务集中卸载策略为边计算的任务的上传速率；

6、s103、计算所述任务集中计算卸载策略为边计算的任务的任务上传延迟；

7、s104、为所述任务集中计算卸载策略为边计算的任务分配边服务器的计算资源，并确定所述任务的边计算延迟；

8、s105、对所述任务集中计算卸载策略为本地计算的任务分配本地计算资源并确定本地计算延迟；

9、s106、确定所述任务集中每个任务的端到端延迟，具体为，对于卸载策略为本地计算的任务，其端到端延迟用本地计算延迟表示；对卸载策略为边计算的任务，其端到端延迟是任务上传延迟与边计算延迟之和；

10、s107、计算所述任务集的平均端到端延迟；

11、s108、查找是否存在可更新的计算卸载策略，使得策略更新后的平均端到端延迟低于当前平均端到端延迟：是，前往步骤s109；否，则跳往步骤s111；

12、s109、将当前的计算卸载策略更新为所述可更新的策略；

13、s110、迭代次数是否达到阈值，是，前往步骤s111，否，则跳往步骤s102；

14、s111、配置资源和执行计算处理，具体为：按最新的智能超表面的相移策略配置智能超表面反射单元的相移，按最新的计算卸载策略卸载任务集中的任务，按最新的计算资源分配策略为任务集中的任务分配计算资源，执行计算处理并进行结果反馈。

15、进一步的技术方案，所述步骤s102具体包括如下步骤：

16、s201、将所述任务集中卸载策略为边计算的任务的传输增益因子初始化，公式为：

17、

18、其中mo+ml＝m，m表示系统接收到的计算任务集，mo表示所述任务集中计算卸载策略为边计算的任务集，ml表示所述任务集中卸载决策为本地计算的任务集，mo表示所述边计算任务集中第mo个计算任务，ml表示所述本地计算任务集中的第ml个任务，表示为物联网终端到智能超表面的信道增益矩阵，||x||表示x的二范数。

19、s202、将智能超表面每一反射单元的相移角用随机值初始化；

20、s203、对智能超表面中的每一反射单元更新其相移：

21、s204、确定所述任务集中卸载策略为边计算的任务的上传速率，具体为：

22、计算任务集中卸载策略为边计算的任务的任务上传速率，其公式为

23、

24、其中，mo表示边计算任务集中的第mo个任务，b表示信道带宽；

25、

26、其中，p表示所述任务对应物联网终端的发射功率，δr表示智能超表面的工作噪声，δ表示无线传输系统的高斯白噪声，ε表示系统信号放大因子。

27、进一步的技术方案，在步骤s203中，按如下步骤更新其相移：

28、s301、令n(n∈n)表示智能超表面中第n个反射单元，计算物联网终端集到所述反射单元的相移角，其公式为

29、

30、计算所述反射单元与基站的相移角，其公式为

31、

32、对所述反射单元n的相移进行更新，其公式为

33、

34、其中gn表示第n个反射单元到基站的信道增益；

35、s302、对反射系数矩阵更新，其公式为

36、

37、其中，diag(.)表示对角矩阵，ex表示对变量x求指数函数；

38、s303、对计算卸载策略为边计算的每一任务，更新其传输增益因子，具体为：对任一mo∈mo，更新其传输增益因子，其公式为

39、

40、其中，g是1×n维的智能超表面到基站的信道增益，是n×1维的物联网终端mo到智能超表面的信道增益，||x||表示x的二范数，(x)h表示x的共轭转置。

41、进一步的技术方案，所述步骤s103中，所述任务的任务上传延迟公式为

42、

43、其中，表示所述边计算任务的比特任务量。

44、进一步的技术方案，所述步骤s104中，所述边计算任务的边计算延迟为

45、

46、其中，表示边服务器的计算资源，表示分配给边缘服务器的计算处理速率。

47、进一步的技术方案，所述步骤s107中，所述任务集的平均端到端延迟为

48、

49、其中自然数m表示所述任务集中的任务数量。

50、进一步的技术方案，所述步骤s108中，所述查找可更新的计算卸载策略方法具体步骤包括：

51、s401、将拟更新的卸载任务设置为空集，将当前系统平均端到端延迟设置为拟优化的系统平均端到端延迟；

52、s402、将所述任务集中任务的端到端延迟按降序排列；

53、s403、把队列头部任务出队，将所述任务卸载策略改变，得到新的卸载策略向量，计算在所述策略下的系统平均端到端延迟；

54、s404、所述系统平均端到端延迟是否小于拟优化的系统平均端到端延迟，是，前往步骤s405，否，则跳往步骤s408；

55、s405、将所述任务标记为拟更新的卸载任务，将所述系统平均端到端延迟标记为拟优化的系统平均端到端延迟；

56、s406、判断所述队列任务是否为空，是，前往步骤s407，否，则跳往步骤s403；

57、s407、拟更新的卸载任务是否为空，是，前往步骤s408，否，则跳往步骤s409；

58、s408、不存在可更新的卸载策略；

59、s409、存在可更新的卸载策略；

60、s410、反馈结果。

61、一种智能超表面辅助的端边协同计算卸载系统，包括一台及以上物联网终端、一个智能超表面、一个智能超表面控制器、一个卸载决策控制器、一个边服务器，所述边服务器与所述物联网终端通过基站进行通信，所述基站与所述物联网终端之间直连链路被障碍物阻挡，所述智能超表面位于物联网终端与基站之间，通过智能超表面的无源反射单元增强所述物联网终端与基站之间的反射通信信号。

62、进一步的技术方案，所述物联网终端集合，用于接收到来自应用程序发布的计算任务，将所述计算任务的任务信息和本地资源信息发送给卸载决策控制器；以及获取决策结果中的任务处理指令，执行任务处理过程；所述卸载决策控制器，用于接收所述任务信息和本地资源信息后，执行计算卸载决策过程，生成卸载决策结果，并将所述决策结果发送至物联网终端集合、智能超表面控制器和边服务器；所述智能超表面控制器，用于获取所述卸载决策结果中的相移信息，配置反射单元的相移；所述边服务器，用于获取所述卸载决策结果中的边计算决策信息，执行任务处理过程，并将处理结果返回给所述物联网终端集合。

63、本技术方案的原理及有益效果：

64、与现有技术相比，本发明具有如下有益效果：

65、1、本发明公开的智能超表面辅助的端边协同计算卸载方法，在无直连链路情况下，通过在物联网终端与基站之间放置智能超表面反射阵列，优化智能超表面相移的方式加强物联网终端与基站之间的反射通信信号，改善通信系统无线传输性能，实现端边协同计算卸载。

66、2、本发明公开的智能超表面辅助的端边协同计算卸载方法通过迭代算法和联合优化计算卸载决策、智能超表面相移和端边计算资源配置的方式处理多物联网终端的计算任务，提高了端边的计算资源利用率，降低任务上传延迟和端到端延迟，满足计算任务的低延迟要求。