[發明專利]一種異構IoT網絡中的邊緣計算與緩存方法及系統

有效

• 申請號: 202011467098.3
• 申請日: 2020-12-14
• 公開（公告）號: CN112689296B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 田杰;支媛;劉爽;劉倩倩
• 申請（專利權）人: 山東師范大學
• 主分類號: H04W24/02
• 分類號: H04W24/02;H04W28/14;H04W28/16
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李圣梅

本公開提供了一種異構IoT網絡中的邊緣計算與緩存方法及系統，包括以下步驟：構建基于移動邊緣計算的異構IoT網絡模型；對異構IoT網絡中不同類型的用戶分別建模分析；針對計算任務型用戶，構建上行鏈路通信模型與計算模型；針對內容請求型用戶，構建下行鏈路通信模型與緩存模型；問題建模，明確系統優化目標，最小化所有用戶的時延與能耗的加權和；采用MADDPG算法聯合優化計算卸載、資源分配和內容緩存的決策。本公開采用多智能體深度確定性策略梯度算法最小化系統時延與能耗，有效降低了網絡通信開銷，提升了網絡整體性能。

技術領域

本公開屬于無線通信技術領域，具體涉及一種異構IoT網絡中的邊緣計算與緩存方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

隨著移動通信技術的發展，第三代合作伙伴計劃(3GPP)定義的5G應用場景提供了三種計算模式：增強型移動寬帶(eMBB)，大規模機器類通信(mMTC)以及超可靠低時延通信(uRLLC)。同時，為了滿足不斷增長的物聯網(IoT)應用程序和設備的計算任務與內容請求，運營商采用云計算技術來彌補設備中計算資源與存儲容量的局限性。但是從移動設備到遠程云計算基礎架構長距離的傳輸可能會導致較大的服務延遲和傳輸能耗，并且隨著設備業務類型增多，IoT設備的并發訪問進一步加劇了高帶寬需求與頻譜資源不足之間的矛盾。因此，移動邊緣計算(Mobile Edge Computing,MEC)作為一種有效的解決方案被提出，MEC通過將計算、存儲資源部署在用戶設備附近來減輕云數據中心的負擔。

在基于MEC的IoT網絡中，IoT設備可以通過無線信道將全部或部分計算任務卸載到物理上鄰近的MEC服務器進行處理，這可以加快任務的處理速度并為設備節省能源。相較于本地計算，MEC可以克服移動設備有限的計算能力；相較于云計算，MEC可以避免將計算任務卸載到遠程云而產生的較大延遲。但是，計算卸載通過無線信道進行數據傳輸，可能導致無線信道擁塞，并且邊緣服務器計算資源有限，因此，如何合理的進行計算卸載與資源分配成為一項熱點問題。同時，IoT設備產生的內容請求有可能會重復，協作式內容緩存可以通過在移動用戶附近緩存流行內容來減輕回程壓力和內容訪問延遲。因此，研究協作式內容緩存策略對提高數據回傳速率和資源利用率至關重要。

發明人發現，針對異構IoT網絡中的MEC計算卸載、資源分配、緩存等問題，傳統的優化方法需要經過一系列的復雜操作和迭代來解決此類問題。隨著無線網絡需求的增加，傳統的優化方法面臨著巨大挑戰。例如，目標函數中的變量數量大幅度增長，大量的變量對基于數學方法的計算和內存空間提出了嚴峻的挑戰，同時無線信道在時域中的動態變化，信道狀態信息的不確定性以及計算的高復雜度等因素也會影響傳統解決方案的性能。因此為了更好的優化異構IoT網絡中的MEC計算卸載、資源分配與緩存策略，強化學習作為一種有效的解決方案被廣泛應用。深度強化學習通過與環境的反復交互，采用函數逼近的方法，可以很好地解決復雜高維狀態空間中的決策問題。

發明內容

為了解決上述問題，本公開提出了一種異構IoT網絡中的邊緣計算與緩存方法及系統，在考慮計算卸載與資源分配的同時，考慮內容緩存策略，利用深度確定性策略梯度算法的多智能體強化學習方法(MADDPG)智能地解決聯合問題，優化系統的時延與能耗，有效降低了網絡通信開銷，提升了網絡整體性能，實現了對異構IoT網絡中計算卸載、資源分配和內容緩存的聯合優化。

為了實現上述目的，本公開采用了如下的技術方案：

本公開的第一方面提供了一種異構IoT網絡中的邊緣計算與緩存方法。

一種異構IoT網絡中的邊緣計算與緩存方法，包括以下步驟：

構建基于移動邊緣計算的異構IoT網絡模型；

對異構IoT網絡中不同類型的用戶分別建模分析，針對計算任務型用戶，構建上行鏈路通信模型與計算模型，針對內容請求型用戶，構建下行鏈路通信模型與緩存模型；