面向边缘环境下无人机的三层架构协同优化方法

技术领域

本发明涉及一种无人机的技术领域，特别涉及一种面向边缘环境下无人机的三层架构协同优化方法。

背景技术

万物互联时代，各类视频采集终端和视频服务被广泛应用，移动环境下视频处理技术被广泛应用到诸多研究。针对移动视频数据处理，机器学习推理任务和调度策略的执行，需要针对特定计算资源，设计高效的任务调度策略，以保障视频服务的实时性和可靠性。为此，边缘计算（Edge Computing）已被广泛应用到移动视频处理环境下，在计算密集型任务产生源头附近，边缘计算利用本地计算资源来执行视频处理任务，以满足这些延迟敏感型应用在计算、延迟和能耗等方面的需求。

然而，边缘环境下存在布线难度大和网关计算力低，以及固定边缘服务器节点较难适应移动环境下资源密集型任务和时间敏感型任务的需求等问题；此外，多个边缘终端上计算任务分布不均匀造成本地计算资源无法适应任务处理需求。有限的计算资源和电能使边缘终端难以持续执行实时计算机视觉类任务。移动环境下边缘服务器的众多研究中主要考虑将边缘计算节点部署在无人机、蜂窝塔、路边单元（RSUs）以及具有网络连接的自动驾驶车辆中。其中，无人机在大量领域得到了广泛的使用，例如农业生产、自然或人为灾害监测。鉴于易于部署和鸟瞰视野的优势，通过搭载多种计算或通信资源，无人机被极大地扩展了计算和通信的能力。尽管将数据卸载到移动边缘服务器层节点可以显著改善延迟性能，但是当通过无线网络传输数据时，增加了无线网络频谱资源的负担，数据卸载期间通信需求的急剧增加对机载网络的通信资源提出了巨大的挑战。例如有研究无人机完全自主飞行，将全部带宽用于传输视频流，自适应计算机视觉管道在边缘计算上对无人机实现动态和指定任务优化；研究表明，相对于本地计算，将计算任务卸载到边缘或是地面基站的博弈计算卸载，其任务执行的整体性能会更好，同时还保证了任务卸载时间和能源消耗的平衡。即计算任务一部分被卸载到无人机等服务器，一部分在本地处理。这些研究工作未能考虑综合利用无人机的计算能力、移动能力和基于无线信号衰减的覆盖范围通信能力，不能高效利用多层架构的资源。

现在针对无人机服务器的研究主要包括作为通信的数据传输中继及卸载的小型执行单元两个方面：

一方面，针对通信资源的优化。现有的研究主要集中于为处于没有通信基础设施或基础设施有限区域中的通信受限边缘设备进行数据传输和转发；借助无人机强大的移动特性收集人类难以到达环境中的有效数据；无人机群的互相通信和信息交流。虽然这些在特定领域中都对边缘设备的任务计算有一定的作用，但是仍然存在计算资源调度不充分，无人机的无线通信连接不稳定等问题。

另一方面，基于UAV 边缘服务器的任务卸载和路径优化。将无人机派往任务密集执行区域，直接在无人机搭载的计算资源中进行计算任务的处理，减少边缘节点层与云服务器层的通信需求，同时也可有效改善计算任务的响应时间。通过在每个时间段共同优化无人机航迹，卸载任务的比例和用户调度变量，使每个时隙中所有用户之间的目标代价和最小化。但是，在计算卸载目的地的选择和对无人机的多地面端信号覆盖范围上未能有充分的研究。

发明内容

为了解决为应对动态区域计算密集型应用，现有的研究方法未综合考虑无人机信号有效覆盖范围与多层系统计算资源充分利用，未能发挥出系统资源的最大性能，本发明提供了一种面向边缘环境下无人机的三层架构协同优化方法，具体方案如下：

一种面向边缘环境下无人机的三层架构协同优化方法，包括从底层到上层依次设置的边缘节点层、移动边缘服务器层、云服务器层；

边缘节点层在执行本地卸载时记录边缘节点层中的具体设备执行特定应用的任务的计算时间和能耗；任务卸载时，本地卸载中所有计算在边缘节点层实现，移动边缘服务器层和云服务器层卸载则都在边缘节点层中的边缘终端先进行视频的提取、编码预处理，然后再传到对应服务器上进行计算；

移动边缘服务器层在边缘节点层中的边缘终端位置确定情况下，带宽通过三维空间中的欧式距离、路径损耗和香农定理计算得到；通过带宽的计算确定无人机信号覆盖范围和最佳悬停位置，还根据带宽得到相应的传输数据时间和任务计算时间；

云服务器层计算边缘节点层中边缘终端与云服务器层的传输能耗，获得云端计算时间和相应网络环境下的传输时间。

一种面向边缘环境下无人机的三层架构协同优化方法，具体包括以下步骤：

S1、设计由边缘节点层、移动边缘服务器层、云服务器层组成的系统；

S2、根据系统架构，设计基于移动边缘服务器层的时间、能耗、带宽和位置模型；

S3、基于步骤S2的模型，设计基于时间、带宽、能耗和无人机位置综合参数的任务卸载优化目标；

S4、针对无人机位置和卸载优化目标，使用增强精英保留的多染色体遗传算法，制定边缘节点层、移动边缘服务器层、云服务器层的路径规划和任务卸载策略；

S5、分别使用穷举算法、贪婪算法和多染色体精英保留遗传算法的三种混合卸载算法，在无线网络环境下，于现实世界中对典型目标检测应用。

本发明的有益效果在于：

（1）所述云服务器层在网络带宽留有充足余量的情况下发挥强大的计算能力，进行实时视频任务分析和模型的训练和调度策略的统一生成；所述移动边缘服务器层充分利用其移动能力为计算资源不充足区域提供有效的计算卸载和通信服务；所述边缘节点层对原始视频数据进行合理的预处理操作和将数据传输按调度需要传输到指定的上层计算资源，包括云服务器层和无人机搭载的移动边缘服务器层。

使用配备边缘服务器的无人机在布满监控终端的场地中执行任务，综合考虑充分利用无人机的计算能力、移动能力和基于无线信号衰减的覆盖范围通信能力，高效利用多层架构的资源。通过对移动边缘服务器层的任务卸载策略、无人机路径优化方法，针对移动边缘环境下响应时间敏感的计算密集型任务，解决任务执行时间延迟较大和能耗较高的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为边缘节点层、移动边缘服务器层、云服务器层的结构示意图；

图2为边缘节点层的结构图；

图3为边缘节点层的工作流程图。

图4为移动边缘服务器层的结构图；

图5为移动边缘服务器层的工作流程图；

图6为云服务器层的结构图；

图7为云服务器层的工作流程图。

图中各标识的说明如下：

1、边缘节点层；11、边缘终端；101、第一状态发送模块；102、任务卸载策略接收和执行模块；103、视频流发送模块；104、第一任务计算模块；

2、移动边缘服务器层；201、第二状态发送模块；202、任务卸载分配和无人机位置接收和执行模块；203、第二视频流接收模块；204、第三任务计算模块；205、检测反馈模块

3、云服务器层；301、接收查询模块；302、任务卸载分配与无人机定位算法模块；303、第一视频流接收模块；304、第二任务计算模块；305、结果显示模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，一种基于边缘环境的无人机三层架构协同优化系统，包括从底层到上层依次设置的边缘节点层、移动边缘服务器层、云服务器层；

边缘节点层在执行本地卸载（指计算分配在边缘节点层处理的数据）时只需记录边缘节点层中的具体设备执行特定应用的任务的计算时间和能耗；任务卸载时，本地卸载中所有计算在边缘节点层实现，移动边缘服务器层和云服务器层卸载则都在边缘节点层中的边缘终端先进行视频的提取、编码预处理，然后再传到对应服务器上进行计算；

移动边缘服务器层在边缘节点层中的边缘终端位置确定情况下，带宽通过三维空间中的欧式距离、路径损耗和香农定理计算得到；通过带宽的计算确定无人机信号覆盖范围和最佳悬停位置，还根据带宽得到相应的传输数据时间和任务计算时间；

云服务器层计算边缘节点层中边缘终端与云服务器层的传输能耗，获得云端计算时间和相应网络环境下的传输时间。

以下对边缘节点层、移动边缘服务器层、云服务器层做具体描述。

如图2所示，所述边缘节点层包括依次设置的

第一状态发送模块，向云服务器层发送任务调度请求，在云服务器层为查询设备状态时，将边缘节点层的边缘终端的状态和位置信息通过指定端口发送给云服务器层，判断云服务器层是否准备分配算法程序；

任务卸载策略接收和执行模块，与云服务器层预设的端口连接，获取云服务器层的任务分配策略和位置信息；执行模块将接收到的任务分配策略和位置信息解析出来，方便接下来的模块代码使用。所述位置信息指移动边缘服务器在执行任务时的位置，由云服务器的任务分配策略和无人机定位算法模块计算得到。

视频流发送模块，根据任务分配策略选择移动边缘服务器层或者云服务器层的IP地址，然后根据分配的端口连接选择的IP地址将视频流发送到移动边缘服务器层或是云服务器层建立的任务处理进程中；

第一任务计算模块，没有被选择卸载到服务器的任务使用本地边缘节点层的计算资源进行处理。

如图3所示，所述边缘节点层的步骤为：

SA1、第一状态发送模块向云服务器层的接收查询模块发送调度请求；第一状态发送模块判断云服务器层是否准备分配算法程序，如果云服务器层准备分配算法程序，进入步骤SA2，如果云服务器层不准备分配算法程序，则重新运行步骤SA1；

SA2、第一状态发送模块向云服务器层的接收查询模块发送边缘节点层所有边缘终端的设备的实时状态信息和边缘节点层所有设备上的任务量信息；

SA3、任务卸载策略接收和执行模块接收到云服务器层任务卸载分配和无人机定位算法模块的分配策略后，根据任务分配策略判断是否在边缘节点层执行计算，当在边缘节点层执行计算时，任务卸载策略接收和执行模块与云服务器层的IP地址和端口号建立发送完成信息的进程，在完成任务后通过第一任务计算模块来计算执行时间和能耗数据，并通过第一状态发送模块发送给云服务器层，并在边缘节点层的本地日志中记录；当不在边缘节点层执行计算时，任务卸载策略接收和执行模块根据分配的IP地址和端口建立传输视频流的进程，边缘节点层的视频流发送模块将视频传输到云服务器层的第一视频流接收模块中，在云服务器层中的第二任务计算模块中计算执行时间和能耗数据，在云服务器层本地日志中记录；

SA4、判断第一任务计算模块和第二任务计算模块中任务是否完全结束，如果没结束返回步骤SA1，如果结束，进入结束状态。

如图4所示，所述移动边缘服务器层包括依次设置的

第二状态发送模块，向云服务器层发送任务调度请求，用于将本机的和位置信息通过指定端口发送给某个近距离的边缘节点层，然后由边缘节点层转发给云服务器层；

任务卸载分配和无人机位置接收和执行模块，通过在接收范围内信号指数达到设定值的边缘节点层接收来自云服务器层的卸载分配和位置信息，通过大疆提供的OSDK控制无人机运动，移动到分配的悬停位置。

第二视频接收模块，为卸载到移动边缘服务器层上的设备任务建立接收视频的进程，为设备分配好端口后，接收来自该设备的任务视频流；

第二任务计算模块，成功接收来自便边缘节点层任务的同时，开启视频分析进程，处理传来的视频数据；

检测反馈模块，通过数据传输通道处理的结果传回边缘节点层，以实现对检测目标的实时处理。

如图5所示，所述移动边缘服务器层的步骤为：

SB1、第二状态发送模块向云服务器层接收查询模块发送调度请求，第二状态发送模块判断云服务器层是否准备分配算法程序，如果云服务器层准备分配算法程序，进入步骤SB2，如果云服务器层不准备分配算法程序，则重新运行步骤SB1；

SB2、第二状态发送模块向云服务器层的接收查询模块发送移动边缘服务器层的实时状态信息；实时状态信息包括任务执行状态，位置和电量。

SB3、任务卸载分配和无人机位置接收和执行模块接收到云服务器层任务卸载分配和无人机定位算法模块的分配策略和无人机位置后，根据任务分配策略判断是否在移动边缘服务器层执行计算，当在移动边缘服务器层中计算时，任务卸载分配和无人机位置接收和执行模块根据分配的端口号建立视频分析任务的进程，第二视频流接收模块接收来自边缘节点层中视频流发送模块中的视频流，处理后将结果返回边缘节点层；当不在移动边缘服务器层中计算时，不需要作任何操作，如果在本地计算，则在本地由任务计算模块处理，如果在云端计算，则由本地的视频流发送模块发送到云服务器上。当前任务完成后，发送执行时间和能耗数据给边缘节点层，并记录在移动边缘服务器层的日志文件中；

SB4、判断是否完成全部任务，如果是，进入结束状态，如果不是，返回到步骤SB1。

如图6所示，所述云服务器层包括依次设置的

接收查询模块，用于查询边缘节点层、移动边缘服务器层、云服务器层的状态信息、接收在需要时提出的查询状态信息请求，在该实施例中，接收查询模块用于接收边缘节点层发送过来的调度请求；

任务卸载分配与无人机定位算法模块，用于在收集需要卸载任务的请求后，以三层架构中相关设备的状态信息和需要卸载的任务信息为判断依据，当不需要调度任务分配算法程序时，返回到接收查询模块；当需要调度任务分配算法程序时，使用带有精英保留的遗传算法为任务卸载计算出一个满足执行时间和能耗加权和近似最小的任务分配策略，向移动边缘服务器层发送任务分配策略和无人机位置，向边缘节点层中边缘终端发送任务分配策略；判断移动边缘服务器层和边缘节点层是否返回确认信息，如果没有返回继续确认，如果获得返回确认信息，则根据任务分配策略为卸载到云服务器层的任务建立处理进程，为在边缘节点层、移动边缘服务器层的任务建立完成确认进程；其中确认信息用ip地址判断，包括无人机的ip和边缘节点层的ip。

第一视频流接收模块，用于接收边缘节点层的视频流；用分配的通信资源根据任务分配策略分配的端口号建立进程来接收边缘节点传来的视频流，并作解码处理，方便计算模块使用；

第二任务计算模块，视频流进行处理计算，当前任务完成后，接收边缘节点层和边缘服务器记录的执行时间和能耗数据，并记录在日志文件中，并判断是否完成全部的任务，如果完成，结束，如果没有完成，则继续回到任务卸载分配与无人机定位算法模块中判断是否需要调度任务分配算法程序；

结果显示模块，在任务分配前显示各设备状态信息，执行时显示任务执行期间的设备状态和执行完成状态，同时将经处理标注出检测目标的视频流用OpenCV显示函数展示。

如图7所示，所述云服务器层的工作过程为：

SC1、接收查询模块接收边缘节点层中第一状态发送模块发过来的调度请求，接收查询模块是否需要调度任务分配算法程序，如果云服务器层需要，则进入步骤SC2，当不需要时，返回步骤SC1；

SC2、接收查询模块接收边缘节点层、移动边缘服务器层和云服务器层的实时状态信息和边缘节点层所有设备上对应的任务量信息；

SC3、任务卸载分配和无人机定位算法模块执行工作，向移动边缘服务器层发送任务分配策略和无人机位置，向边缘节点层中的边缘终端发送任务分配策略；判断移动边缘服务器层和边缘节点层是否返回确认信息，当返回时，进入步骤SC4，当不返回时，再次进入判断程序；

SC4、任务卸载分配和无人机定位算法模块根据分配策略为卸载到云服务器层的任务建立处理进程，为边缘节点层、边缘服务器执行的任务建立完全确认进程；

SC5、第一视频流接收模块接收边缘节点层的视频流，处理后使用OpenCV显示函数展示在结果显示模块上；

SC6、当前任务完成后，接收边缘节点层设备和移动边缘服务器记录的执行时间和能耗数据，并记录在云服务器层的日志文件中；

SC7、判断是否完成全部任务，如果是，进入结束状态，如果不是，返回到步骤SC1。

本发明公开了一种面向边缘环境下无人机的三层架构协同优化方法，所述三层架构包括云服务器层、移动边缘服务器层、边缘节点层，具体步骤包括：

S1、设计由边缘节点层、移动边缘服务器层、云服务器层三层计算资源组成的系统架构；

S2、根据系统架构，设计基于移动边缘服务器层的时间、能耗、带宽和位置模型；具体包括：

S21、移动边缘服务器层在边缘节点层的位置确定情况下，带宽通过三维空间中的欧式距离、路径损耗和香农定理计算得到；

S22、通过带宽的计算确定无人机信号覆盖范围和最佳悬停位置，根据带宽得到相应的传输数据时间和任务计算时间。

S3、基于步骤S2的模型，设计基于时间、带宽、能耗和无人机位置综合参数的任务卸载优化目标，制定无人机路径规划和任务卸载策略；

任务卸载时，本地卸载中所有计算在本地实现，移动边缘服务器层和云服务器层卸载则都在边缘终端先进行视频的提取、编码预处理，然后再传到服务器上进行计算，卸载步骤为：

S31、以边缘节点层中的边缘终端位置、候选任务计算量和数据量为输入变量，通过步骤S1建立的模型将卸载策略制定和无人机路径优化的计算模型提取为最小化时间和能耗归一化加权和目标优化；所述候选任务计算量和数据量指的是边缘节点层所有设备上的任务量，待处理视频流数据量。

S32、优化计算的输出为每个任务的卸载目的地选择和无人机的位置。

所述步骤S3中针对无人机位置和卸载优化目标为达到最优，使用增强精英保留的多染色体遗传算法；在该方案中，使用两种染色体编码方式，为每个设备的任务卸载策略以及无人机位置进行编码：用离散的实数0，1，2表示每个设备上的卸载选择，再以连续的实数量，范围为[0，10]，表示点的三维几何坐标。通过迭代执行种群个体适应度评估、个体选择、染色体交叉和变异，来搜索近似全局最优解。

S4、针对无人机位置和卸载优化目标，使用增强精英保留的多染色体遗传算法，制定边缘节点层、移动边缘服务器层、云服务器层的路径规划和任务卸载策略；

S5、分别使用穷举算法、贪婪算法和多染色体精英保留遗传算法的三种混合卸载算法，在Wi-Fi、4G、5G三种网络环境下，于现实世界中对四种典型目标检测应用，HAAR、DNN、MMOD和YOLOv3调度。

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。