[发明专利]一种移动边缘计算环境下的工作流任务卸载方法及系统

权利要求书

1.一种移动边缘计算环境下的工作流任务卸载方法，其特征在于，包括以下步骤：

S1：获取无线设备的信息，计算信道增益值，构建信道模型；

S2：生成卸载计算模式及本地计算模式，并得到两种计算模式下的数据计算速率；

S3：构建工作流任务卸载模型并设定约束条件；

S4：构建马尔可夫决策模型，确定卸载策略函数；

卸载策略函数为：

卸载策略函数确定的步骤包括：

S41：根据每个状态下的熵确定动作方程，每个状态下的熵H为：

H(π(·|s_t+1))＝-E_alogπ(a_t|s_t)

动作方程为：

表示为R_t在s_t状态下选择a_t动作，其中β表示为学习率；

S42：由Soft Bellman Backup equation方程更新得到Q(s_t，a_t)的估计动作方程：

表示为s_t和a_t的最大奖励等于下一个动作a_t+1的奖励总和减去a_t+1动作下的熵；

S43：卸载策略函数的变换由信道增益值h决定：

根据得到估计状态方程：

根据每个状态下的熵得到估计最优动作方程：

S44：根据估计最优动作方程得到最优卸载策略函数：

根据边缘计算网络的计算率奖励函数构建马尔可夫决策模型，所述马尔可夫决策模型包括：

(S，A，R，P)

其中，S＝{s₁，s₂....s_n}代表状态空间，s_i＝{o_i}；

A＝{a₁，a₂....a_t}代表动作空间，a_t＝{h_t}表示为不同时刻的信道增益值，t表示单位为T时间帧；

R：S×A，代表奖励函数；

P代表状态转移概率；

S5：采用SAC模型求解卸载策略函数，进行工作流任务的卸载；

所述SAC模型包括SAC深度神经网络模型，求解卸载策略函数的步骤包括：

S51：通过Q-value网络对Q函数进行模拟，Q函数为每个时刻下的动作-状态对函数；

S52：通过策略网络对策略函数π进行模拟，得到策略网络；

S53：根据当前的Q值和V值得到熵H，将熵H加到当前的奖励R上，根据Soft BellmanBackup equation方程迭代更新Q值直至收敛；

S54：更新当前的策略π得到最优卸载策略，进行工作流任务的卸载。

2.根据权利要求1所述的工作流任务卸载方法，其特征在于，步骤S1中，所述无线设备的信息包括：信道增益值变化临界点时无线设备和边缘基站的参考距离、无线设备和边缘基站的实际距离以及信道能量损失系数。

3.根据权利要求2所述的工作流任务卸载方法，其特征在于，步骤S1中，根据获取的无线设备信息计算信道增益值，所述信道增益值的计算包括：

其中，h为信道增益值，d₀为信道增益值变化临界点时无线设备和边缘基站的参考距离，d无线设备和边缘基站的实际距离，α为常系数，其中α∈{0，1}，ω为信道能量损失系数。