本技術(shù)涉及邊緣計算，尤其涉及一種基于邊緣計算網(wǎng)絡的性能優(yōu)化方法及裝置、可讀存儲介質(zhì)。

背景技術(shù)：

1、邊緣計算技術(shù)是5g關(guān)鍵技術(shù)之一，其將邊緣服務器部署到網(wǎng)絡拓撲結(jié)構(gòu)中靠近物聯(lián)網(wǎng)設備的邊緣側(cè)，并為物聯(lián)網(wǎng)設備提供計算服務，能夠使計算資源的物聯(lián)網(wǎng)設備支持計算密集和超低時延需求的任務處理。

2、現(xiàn)有絕大部分關(guān)于邊緣計算網(wǎng)絡中資源分配與卸載決策的研究均集中在網(wǎng)絡短期效益優(yōu)化，可以看作是動態(tài)環(huán)境的一種特例，僅考慮網(wǎng)絡短期效益優(yōu)化，將導致網(wǎng)絡資源的不充分利用，損害邊緣計算網(wǎng)絡的長期綜合效益。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例的目的是提供一種基于邊緣計算網(wǎng)絡的性能優(yōu)化方法及裝置、可讀存儲介質(zhì)，用以解決邊緣計算網(wǎng)絡網(wǎng)絡資源不能夠充分利用的問題。

2、為了解決上述技術(shù)問題，本說明書是這樣實現(xiàn)的：

3、第一方面，提供了一種基于邊緣計算網(wǎng)絡的性能優(yōu)化方法，所述邊緣計算網(wǎng)絡包括主邊緣服務器、多個次邊緣服務器以及多個物聯(lián)網(wǎng)設備，所述方法包括：

4、確定目標時間窗口包括的多個時隙內(nèi)所述邊緣計算網(wǎng)絡的系統(tǒng)狀態(tài)，所述系統(tǒng)狀態(tài)包括各物聯(lián)網(wǎng)設備與對應邊緣服務器之間的信道增益、計算任務的輸入數(shù)據(jù)量和計算任務的計算復雜度，邊緣服務器包括主邊緣服務器和次邊緣服務器；

5、將所述目標時間窗口的各時隙內(nèi)所述邊緣計算網(wǎng)絡的系統(tǒng)狀態(tài)輸入預設策略算法，以得到各時隙對應的系統(tǒng)動作集合，所述系統(tǒng)動作集合為將各物聯(lián)網(wǎng)設備的計算任務卸載到對應邊緣服務器的決策結(jié)果的集合；

6、基于執(zhí)行各時隙對應的系統(tǒng)動作后所述邊緣計算網(wǎng)絡對應的系統(tǒng)回報和預設約束條件，對所述目標時間窗口內(nèi)所述邊緣計算網(wǎng)絡的性能進行優(yōu)化，所述系統(tǒng)回報與所述主邊緣服務器的計算壓力、多個邊緣服務器和多個物聯(lián)網(wǎng)設備的總能耗、以及各物聯(lián)網(wǎng)設備執(zhí)行對應計算任務的超時成本相關(guān)。

7、可選地，所述信道增益在同一個時隙內(nèi)不變，在不同時隙內(nèi)具有時變特性。

8、可選地，所述將各時隙內(nèi)所述邊緣計算網(wǎng)絡的系統(tǒng)狀態(tài)輸入預設策略算法，以得到各時隙對應的系統(tǒng)動作，包括：

9、將時隙t內(nèi)所述邊緣計算網(wǎng)絡對應的系統(tǒng)狀態(tài)s(t)＝{(hk,m,t,lk,t,ck,t)}輸入預設策略算法πθ[a(t)|s(t)]，其中hk,m,t表示時隙t內(nèi)第k個物聯(lián)網(wǎng)設備與第m個邊緣服務器之間的信道增益，lk,t表示表示計算任務βk,t的輸入數(shù)據(jù)量，ck,t表示計算任務βk,t的計算復雜度，θ表示所述策略算法的參數(shù)；

10、基于所述預設策略算法，將所述時隙t對應的系統(tǒng)狀態(tài)向系統(tǒng)動作映射以得到所述時隙t對應的系統(tǒng)動作a(t)。

11、可選地，所述策略算法的參數(shù)基于以下公式進行更新：

12、

13、其中，θt表示時隙t內(nèi)參數(shù)θ的估計值，α表示學習率，g表示回報，ψ[a(t)|s(t)]表示探索性行為策略，γt表示時隙t內(nèi)的收益加權(quán)系數(shù)，b[s(t)]表示與系統(tǒng)動作無關(guān)的基線。

14、可選地，所述預設約束條件包括保證所述各物聯(lián)網(wǎng)設備執(zhí)行對應計算任務不存在超時的第一約束條件、保證各時隙內(nèi)物聯(lián)網(wǎng)設備的卸載傳輸功率不超出預設功率閾值的第二約束條件、以及保證各時隙內(nèi)物聯(lián)網(wǎng)設備的cpu頻率不超出預設功頻率閾值的第三約束條件，

15、所述基于執(zhí)行各時隙對應的系統(tǒng)動作后所述邊緣計算網(wǎng)絡對應的系統(tǒng)回報和預設約束條件，對所述目標時間窗口內(nèi)所述邊緣計算網(wǎng)絡的性能進行優(yōu)化，包括：

16、在所述第一約束條件下，確定所述主邊緣服務器的計算壓力為零且各邊緣服務器執(zhí)行對應卸載的計算任務的超時成本為零；

17、在所述第二約束條件和第三約束條件下，確定所述目標時間窗口內(nèi)多個邊緣服務器和物聯(lián)網(wǎng)設備的總能耗最小值；

18、基于所述總能耗最小值，優(yōu)化所述目標時間窗口內(nèi)所述邊緣計算網(wǎng)絡的性能。

19、可選地，所述在所述第二約束條件和第三約束條件下，確定所述目標時間窗口內(nèi)多個邊緣服務器和物聯(lián)網(wǎng)設備的總能耗最小值，包括：

20、在所述第二約束條件下，基于各時隙內(nèi)物聯(lián)網(wǎng)設備的最優(yōu)卸載傳輸功率和卸載計算任務的時間確定各物聯(lián)網(wǎng)設備將計算任務卸載到對應邊緣服務器時產(chǎn)生的卸載傳輸能耗最小值；

21、在所述第三約束條件下，基于各時隙內(nèi)物聯(lián)網(wǎng)設備分配的最優(yōu)cpu頻率和執(zhí)行對應卸載的計算任務的時間確定各邊緣服務器執(zhí)行對應卸載的計算任務的計算能耗最小值；

22、基于所述卸載傳輸能耗最小值和所述計算能耗最小值，確定所述目標時間窗口內(nèi)多個邊緣服務器和物聯(lián)網(wǎng)設備的總能耗最小值。

23、可選地，所述最優(yōu)卸載傳輸功率和所述最優(yōu)cpu頻率基于kkt條件確定的閉式解分別表示為：

24、

25、

26、其中，表示時隙t內(nèi)的最優(yōu)卸載傳輸功率，μk,m,t∈{0,1}且表示時隙t內(nèi)計算任務βk,t從第k個物聯(lián)網(wǎng)設備卸載到第m個邊緣服務器的決策結(jié)果，lk,t表示表示計算任務βk,t的輸入數(shù)據(jù)量，ck,t表示計算任務βk,t的計算復雜度，δ-τk,m,t表示第m個邊緣服務器執(zhí)行第k個物聯(lián)網(wǎng)設備對應卸載的計算任務βk,t的時間；表示時隙t內(nèi)的最優(yōu)cpu頻率，表示第m個邊緣服務器接收端的信號功率，hk,m,t表示時隙t內(nèi)第k個物聯(lián)網(wǎng)設備與第m個邊緣服務器之間的信道增益；bk,m表示分配給第k個物聯(lián)網(wǎng)設備卸載計算任務βk,t的傳輸帶寬，τk,m,t表示第k個物聯(lián)網(wǎng)設備卸載計算任務βk,t到第m個邊緣服務器的時間，δ表示計算任務βk,t的時延。

27、可選地，所述時隙t對應的系統(tǒng)動作a(t)＝{μk,m,t}。

28、第二方面，提供了一種基于邊緣計算網(wǎng)絡的性能優(yōu)化裝置，包括處理器和存儲器，所述存儲器存儲可在所述處理器上運行的程序或指令，所述程序或指令被所述處理器執(zhí)行時實現(xiàn)如第一方面所述的方法的步驟。

29、第三方面，提供了一種可讀存儲介質(zhì)，該可讀存儲介質(zhì)上存儲有程序或指令，所述程序或指令被處理器執(zhí)行時實現(xiàn)如第一方面所述的方法的步驟。

30、在本技術(shù)實施例中，通過確定目標時間窗口包括的多個時隙內(nèi)所述邊緣計算網(wǎng)絡的系統(tǒng)狀態(tài)，所述系統(tǒng)狀態(tài)包括各物聯(lián)網(wǎng)設備與對應邊緣服務器之間的信道增益、計算任務的輸入數(shù)據(jù)量和計算任務的計算復雜度，邊緣服務器包括主邊緣服務器和次邊緣服務器；將所述目標時間窗口的各時隙內(nèi)所述邊緣計算網(wǎng)絡的系統(tǒng)狀態(tài)輸入預設策略算法，以得到各時隙對應的系統(tǒng)動作集合，所述系統(tǒng)動作集合為將各物聯(lián)網(wǎng)設備的計算任務卸載到對應邊緣服務器的決策結(jié)果的集合；基于執(zhí)行各時隙對應的系統(tǒng)動作后所述邊緣計算網(wǎng)絡對應的系統(tǒng)回報和預設約束條件，對所述目標時間窗口內(nèi)所述邊緣計算網(wǎng)絡的性能進行優(yōu)化，所述系統(tǒng)回報與所述主邊緣服務器的計算壓力、多個邊緣服務器和多個物聯(lián)網(wǎng)設備的總能耗、以及各物聯(lián)網(wǎng)設備執(zhí)行對應計算任務的超時成本相關(guān)，由此以邊緣計算網(wǎng)絡中的多目標因素的權(quán)衡為目標，利用強化學習對物聯(lián)網(wǎng)設備卸載計算任務的行為進行優(yōu)化，充分利用邊緣計算網(wǎng)絡的網(wǎng)絡資源，實現(xiàn)邊緣計算網(wǎng)絡系統(tǒng)動態(tài)環(huán)境下的長期綜合效益的最大化。