[发明专利]一种减少6G数字孪生边缘计算网络任务卸载延迟的方法

说明书

本发明公开了一种减少6G数字孪生边缘计算网络任务卸载延迟的方法。主要提出一种新的数字孪生边缘计算网络，使用数字孪生估计边缘服务器的状态以提供训练数据，并将用户移动过程中的一系列卸载决策的优化问题形式化，使用Lyapunov优化方法将长期迁移成本约束简化为一个多目标动态优化问题，最终使用基于Actor‑Critic的深度学习框架解决计算卸载优化问题，训练Agent由数字孪生边缘计算网络实现。本发明实现了在保持较低系统成本的前提下，最大限度降低卸载延迟、任务失败率和迁移率。

技术领域

本发明涉及移动边缘计算领域，具体涉及一种减少6G数字孪生边缘计算网络任务卸载延迟的方法。

背景技术

第六代电信蜂窝网络(6G)通过将真实网络数字化实现无线通信和计算，致力于提供优于5G的性能。移动边缘计算(MEC)是实现6G中移动负载的重要技术。随着计算密集型和时间敏感型应用的普及使用，大量移动物联网设备将计算任务卸载到边缘服务器，造成网络时延的增长和用户任务卸载失败等问题，而在特大城市的网络边缘部署密集的计算和存储服务器将增加配置成本。因此，优化移动边缘计算卸载策略问题显得尤为重要。

现有针对移动边缘计算卸载问题的发明主要利用博弈论或机器学习方法来减轻决策负担，从而减少计算延迟和能耗。在涉及用户的移动性时，未考虑到当前卸载决策对后续决策产生的影响，无法做出一系列最优的卸载决策。且大部分决策假设在静态的MEC场景中或认为边缘服务器的状态预先知道，未考虑到用户在上传任务时所处的环境状况，忽略了边缘服务器的动态特性。同时，现有的发明更多将数字孪生(DT)应用于物流系统或工业自动化和控制系统的仿真，未将DTs应用于移动边缘卸载中且考虑DT估计值与真实值之间的偏差。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，使用数字孪生(DTs)估计边缘服务器的状态，提供一种基于深度强化学习(DRL)的移动边缘计算(MEC)动态移动卸载方案，达到在用户移动过程中累积消耗的服务迁移的代价下最小化卸载延迟的目的，并给出数字孪生边缘计算网络(DITEN)中的训练框架。

本发明是通过以下技术方案来实现：

一种减少6G数字孪生边缘计算网络任务卸载延迟的方法，包括如下步骤：

本发明的具体实施步骤如下：

步骤1，建立6G中的数字孪生边缘计算模型

本发明为了表示边缘服务器和整个MEC系统，提出了一种新的数字孪生边缘计算网络(DITEN)

表示边缘服务器i的数字孪生，f_i是边缘服务器i的估计计算性能，为可用CPU频率。用以描述真实边缘服务器与其DT之间的偏差。

D^s为MEC系统数字孪生，E^s是整个MEC系统中边缘服务器的状况，R^s是选择不同边缘服务器的估计收益。用以获得系统的估计性能值。

步骤2，建立数字孪生边缘计算网络(DITEN)的计算任务卸载模型

使用表示用户在时间t处有卸载任务，其中η_t表示以位为单位的卸载任务的大小，λ_t是完成卸载任务所需的总CPU周期数，γ_t表示任务k_t的等待时间要求。

使用表示时间t处的可用边缘服务器，表示时间t处MD的服务边缘服务器。

使用{e₁，...，e_τ}表示在用户移动性期间确定一系列服务边缘服务器(假设用户的整个旅程需要τ个时间)。