基于深度学习的无线供能移动边缘计算卸载方法及系统

本发明属于无线供能网络优化领域，特别涉及基于深度学习的无线供能移动边缘计算卸载方法及系统。

背景技术：

1、无线供能网络是一种通过电磁场在空气中传输能量的技术系统。这种技术消除了传统电力传输中需要的物理导线或电缆，从而提供了更多的灵活性和便利性。它的核心原理是利用电磁感应、磁共振或微波传输技术将电能从电源传送到接收端。它是在移动边缘计算网络中添加一个能量供应的模块，用以满足用户设备电池寿命有限的问题，目的是利用无线能量为设备充电或支持设备通信。无线供能网络的应用场景广泛，包括消费电子设备、电动汽车、医疗设备、工业自动化等。

2、深度学习是机器学习的一个分支，基于多层神经网络结构进行数据的自动特征提取和模式识别。它模拟人脑的神经元连接，通过大量数据的训练，能够在图像、语音、文本等领域实现高精度的预测和分类。它已应用于无线网络领域，如路由、位置估计、链路选择和负载均衡等。由于dl技术对处理复杂数据的高效率，未来越来越多的dl技术将被用于处理物联网任务。

3、现有的研究工作既关注任务卸载，也关注传输功率控制，然而，结合功率控制和任务卸载的研究没有考虑信道链路状态的影响。向边缘服务器中融合无线功率传输技术将产生“远近效应”。远离ap的用户不但获得更少的能量，而且将比那些距离ap较近的用户拥有有更长的通信距离。“远”用户比“近”用户需要更多的时间来传输数据。另外，涉及链路状态的研究还没有考虑到dl对任务卸载的影响。以往的研究通常存在计算时间长，不能满足任务处理即时性的用户需求。此外，协作设备作为用户设备的辅助加入到系统当中会直接影响任务卸载的速率及数据完整性的要求。综上所述，优化wpmec的时延性能有着重要作用。

技术实现思路

1、本发明的目的在于提供基于深度学习的无线供能移动边缘计算卸载方法及系统，以解决wpmec中的“远近效应”及在能量受限的条件下使所有任务尽快到达ap上的问题。

2、为实现上述目的，本发明采用以下技术方案：

3、第一方面，本发明提供基于深度学习的无线供能移动边缘计算卸载方法，包括：

4、向混合接入点ap采集能量然后再将需要卸载的任务直接卸载到ap上或通过设备卸载到ap上；

5、在卸载过程中构建传输约束、能量约束、链路容量约束、流量约束、量守恒约束和卸载时间约束；

6、在所有约束下构建目标函数，利用分段线性化pwl将问题转化成混合整数线性规划模型milp问题，根据bcmd近似算法求解得到问题近似解；

7、根据dloo算法预测传输功率，将问题转化为lp问题，获得可行解，计算出能量收集和数据卸载所需要的最小时间开销。

8、可选的，建立链路的单向传输约束具体包括：二进制变量bij表示上行传输过程中可行链路的状态；如果li,j在上行链路中激活信息传输，其值为1；否则，该值为0。则链路约束如下所示：

9、

10、其中bij，bji∈{0,1}，用户i和用户j在某一时间块只能进行单向传输。

11、可选的，建立能量约束：

12、un i的传输总能耗如下：

13、

14、其中pc表示传输过程中额外设备所造成的功率损耗，pi表示用户i的传输功率

15、un i在接收信息的总能耗如下：

16、

17、其中ru,i表示用户节点i通过链路lu,i接收的信息量，eelec表示接收1bit数据所需的能量；

18、要满足用户i的传输能耗和接收能耗不超过用户所获取的能量，应满足以下能量约束：

19、eri+eti≤ei.

20、其中ei表示在下行链路中，用户i向ap收集的能量。

21、可选的，用户通过链路li,j传输的信息量满足链路容量约束，如下所示：

22、cij＝wlog2(1+snrij)

23、rij≤cijtij

24、其中w表示带宽，η表示噪声功率；rij表示传输信息量。

25、可选的，在接收到需要卸载的任务数据后，每个用户必须通过自己的输出链路传输所有生成和转发的数据，流量约束条件如下：

26、

27、其中ii表示un i生成的数据量；

28、所有用户完成信息传输后，ap需要在时间块结束前完全接收全部信息，ap满足以下流量守恒约束条件：

29、∑i∈nii＝ia

30、所有用户的总数据卸载时间不小于将用户的任务卸载到ap的最小消耗时间，约束条件如下：

31、

32、可选的，目标函数是：

33、md:min t0+toff

34、

35、eri+eti≤ei.

36、rij≤cijtij

37、

38、bij∈{0,1},rij≥0,pi≥0,t0≥0,tij≥0

39、其中t0表示能量收集的时间，toff表示将用户i的任务卸载到ap的最小消耗时间，bij表示上行传输过程中可行链路的状态，eti表示用户i的传输总能耗，eri表示用户i接收信息的总能耗，ei表示用户获取的能量，cij表示用户在链路li,j上的传输速率，rij表示传输信息量，tij表示用户i的任务在链路li,j上的卸载时间，ii表示用户i生成的数据量。

40、可选的，利用pwl方法将非线性函数转换为分段线性函数，引入一个误差阈值，保证分段函数与对数函数之间的近似误差不存在过大；cij转化成如下公式：

41、

42、然后分割出链路li,j的对数函数，sij表示段数，其中第q个区间表示为q∈sij，表示第q段的斜率，如下所示：

43、

44、基于深度学习框架dloo算法预测每个用户的传输功率，将问题转换成lp问题，首先对深度信任网络dbn进行离线训练，利用训练好的dbn在线预测每个用户的传输功率；当数据集的大小增加到设定状态时，dbn模块会用新的数据集进行更新，随着观察到新的信道状态，重复这些迭代，并不断更新dbn模块，得到能量收集和数据卸载所需要的最小时间开销。

45、第二方面，本发明提供基于深度学习的无线供能移动边缘计算卸载系统，包括：

46、任务卸载模块，用于向混合接入点ap采集能量然后再将需要卸载的任务直接卸载到ap上或通过设备卸载到ap上；

47、约束构建模块，用于在卸载过程中构建传输约束、能量约束、链路容量约束、流量约束、量守恒约束和卸载时间约束；

48、目标函数构建模块，用于在所有约束下构建目标函数，利用分段线性化pwl将问题转化成混合整数线性规划模型milp问题，根据bcmd近似算法求解得到问题近似解；

49、计算输出模块，用于根据dloo算法预测传输功率，将问题转化为lp问题，获得可行解，计算出能量收集和数据卸载所需要的最小时间开销。

50、第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于深度学习的无线供能移动边缘计算卸载方法的步骤。

51、第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于深度学习的无线供能移动边缘计算卸载方法的步骤。

52、与现有技术相比，本发明有以下技术效果：

53、本发明针对wpmec网络中的“远近效应”及在任务卸载时链路选择的不合理造成的系统时延过大的问题，引入了一种节点协同传输方法，通过节点之间的数据转发，提高了“远”节点的数据卸载延迟，同时消除了中继协作模式下中继节点的部署成本。在能量约束的条件下，利用分段线性方法求解问题，以减少数据的卸载时延。利用所提出的dloo框架自动预测每个用户的传输功率，保证计算准确性的同时减少计算时延。通过结合协作设备和传输功率控制对通信链路进行联合优化，提出了基于bcmd的近似算法和基于dl的功率预测算法，实现任务卸载过程中链路的选择、传输功率的优化以达到最小化系统时延的目标。

技术特征：

1.基于深度学习的无线供能移动边缘计算卸载方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的无线供能移动边缘计算卸载方法，其特征在于，建立链路的单向传输约束具体包括：二进制变量bij表示上行传输过程中可行链路的状态；如果li,j在上行链路中激活信息传输，其值为1；否则，该值为0；则链路约束如下所示：

3.根据权利要求1所述的基于深度学习的无线供能移动边缘计算卸载方法，其特征在于，建立能量约束：

4.根据权利要求1所述的基于深度学习的无线供能移动边缘计算卸载方法，其特征在于，用户通过链路li,j传输的信息量满足链路容量约束，如下所示：

5.根据权利要求4所述的基于深度学习的无线供能移动边缘计算卸载方法，其特征在于，在接收到需要卸载的任务数据后，每个用户必须通过自己的输出链路传输所有生成和转发的数据，流量约束条件如下：

6.根据权利要求5所述的基于深度学习的无线供能移动边缘计算卸载方法，其特征在于，目标函数是：

7.根据权利要求6所述的基于深度学习的无线供能移动边缘计算卸载方法，其特征在于，利用pwl方法将非线性函数转换为分段线性函数，引入一个误差阈值，保证分段函数与对数函数之间的近似误差不存在过大；cij转化成如下公式：

8.基于深度学习的无线供能移动边缘计算卸载系统，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于深度学习的无线供能移动边缘计算卸载方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于深度学习的无线供能移动边缘计算卸载方法的步骤。

技术总结
本发明提供基于深度学习的无线供能移动边缘计算卸载方法及系统，包括：向混合接入点AP采集能量然后再将需要卸载的任务直接卸载到AP上或通过设备卸载到AP上；在卸载过程中构建传输约束、能量约束、链路容量约束、流量约束、量守恒约束和卸载时间约束；在所有约束下构建目标函数，利用分段线性化PWL将问题转化成混合整数线性规划模型MILP问题，根据BCMD近似算法求解得到问题近似解；根据DLOO算法预测传输功率，将问题转化为LP问题，获得可行解，计算出能量收集和数据卸载所需要的最小时间开销。提出了基于BCMD的近似算法和基于DL的功率预测算法，实现任务卸载过程中链路的选择、传输功率的优化以达到最小化系统时延的目标。

技术研发人员：雷鸣,李世凯,李杨,陈建芮,董蓓,朱昀,于博成,赵宇彤
受保护的技术使用者：陕西师范大学
技术研发日：
技术公布日：2024/12/5