本发明涉及网络资源管理，特别涉及一种基于预测信息的移动边缘计算资源管理方法。
背景技术：
1、物联网(iot)的普及激发了大量计算密集型和延迟敏感型应用，例如：数据孪生、智能工厂和自动驾驶等。同时，由于移动设备上部署的资源有限，这给移动设备的计算性能带来了前所未有的困难。为了解决这一问题，mec服务器是一项革命性的技术，移动设备爆炸性的本地计算需求可以卸载到附近的mec服务器来加速执行。mec服务器已应用于车载边缘计算、空天地一体化网络(sagin)等。
2、目前，多个研究领域侧重于mec服务器的资源管理系统，一些工作试图利用额外的通信和计算资源来提高mec服务器的性能。在文献[1]中，d2d通信模式被用于提高信道质量以及利用暂时空闲的计算资源，从而提高mec服务器的计算能力。然而，寻找额外的物理资源通常并不容易，而目前可用的资源甚至可能受到严重的限制。一些工作侧重于mec服务器中的延迟优化方法。在文献[2]中，马尔可夫决策过程(mdp)被用于对计算卸载问题进行建模，以处理耦合的本地队列状态信息和远程队列状态信息，从而得到时延最优的资源管理。除了传统技术之外，ml和ai正在这个新领域中寻找新的突破。在文献[1]中，通过使用长短期记忆网络(lstm)捕获并利用长期和短期信道相关性来生成准确的信道状态信息(csi)预测。在文献[2]中，进一步提出了一种基于卷积神经网络(cnn)和lstm集成的预测模型。然后基于预测信息，提出了一种用于mec服务器的计算卸载中面向减少时延的分布式贪婪算法。然而，目前的设计仍然面临着一个关键的限制因素，即分别考虑信息预测和资源管理会导致显著的性能损失：信息预测通常不与资源管理联合考虑，即信息预测的目标是产生更准确的预测，这可能并不总是与资源管理的目标相协调。
3、[1]f.tang,x.chen,t.rodrigues,m.zhao,and n.kato,“survey on digitaltwin edge networks(diten)toward 6g,”ieee open j.commun.society,vol.3,pp.1360-1381,aug.2022。
4、[2]z.kuang,z.ma,z.li and x.deng,“cooperative computation offloadingand resource allocation for delay minimization in mobile edge computing,”j.systems architecture,vol.118,no.102167,sept.2021。
技术实现思路
1、本发明的目的在于改善现有技术中所存在的不足，提供一种基于预测信息的移动边缘计算资源管理方法。
2、为了实现上述发明目的，本发明实施例提供了以下技术方案：
3、基于预测信息的移动边缘计算资源管理方法，包括以下步骤：
4、步骤1，根据过去m个时隙的信道增益预测移动设备与mec服务器之间未来l个时隙的信道增益；
5、步骤2，对移动设备和mec服务器的数据队列进行初始化；
6、步骤3，基于预测的信道增益，计算本地优先级函数、卸载优先级函数，从而获得本地计算决策、卸载决策和功率分配；
7、步骤4，使用本地计算决策、卸载决策和功率分配对移动设备和mec服务器的数据队列进行更新；重复执行步骤1、步骤3、步骤4。
8、与现有技术相比，本发明的有益效果：本发明基于预测的信道增益，合理向mec服务器卸载移动设备难以本地计算的数据，间接提高移动设备的计算能力，进而优化移动边缘计算网络(mec)中通信资源和计算资源的管理。
1.基于预测信息的移动边缘计算资源管理方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于预测信息的移动边缘计算资源管理方法，其特征在于：所述步骤1具体包括以下步骤：
3.根据权利要求2所述的基于预测信息的移动边缘计算资源管理方法，其特征在于：所述步骤2具体包括以下步骤：
4.根据权利要求3所述的基于预测信息的移动边缘计算资源管理方法，其特征在于：所述步骤3具体包括以下步骤：
5.根据权利要求4所述的基于预测信息的移动边缘计算资源管理方法，其特征在于：所述步骤4具体包括以下步骤：输入新的ai,k(t)，前一时刻的队列数据qi,k(t)，以及步骤3计算得到bh(t)、bo(t)、p(t)，对数据队列qi,k(t+1)、w(t+1)进行更新；输入新的ai,k(t+1)，前一时刻的队列数据qi,k(t+1)，以及步骤3计算得到bh(t+1)、bo(t+1)、p(t+1)，对数据队列qi,k(t+2)、w(t+2)进行更新；以此类推，直到输入新的ai,k(t+l-1)，前一时刻的队列数据qi,k(t+l-1)，以及步骤3计算得到bh(t+l-1)、bo(t+l-1)、p(t+l-1)，对数据队列qi,k(t+l)、w(t+l)进行更新。
