本发明属于移动通信，具体涉及一种面向通感一体的mec差异化服务缓存和资源分配方法。
背景技术：
1、对于未来无线网络，随着自动驾驶、智慧城市、工业物联网、智慧医疗等新型差异化无线服务发展，现有的无线网络架构和相关技术已经难以满足差异化服务对超高感知精度、超低的计算时延、超快的通信速率的需求，需要将无线通信、协同传感、算力技术融合。
2、近年来，常将集成传感和通信(integrated sensing and communications，isac，isac)技术与移动边缘计算(mobile edge computing,mec)范式结合。isac技术将感知和通信集成在同一个平台上，通过共享频谱资源实现感知和通信的双重功能，优化了频谱使用效率，减少了频谱资源的浪费，减少了系统的整体能耗。通过结合通信信号和感知信号，isac技术能够提高目标检测和定位的精度，增强了环境感知能力，满足用户对感知精度的需求。mec技术将计算资源部署在网络边缘，减少了数据传输的距离和时间，降低了处理延迟，提高了响应速度。不仅如此，mec技术能够根据用户的具体位置和需求提高定制化的服务，提高用户体验和服务质量。将isac和mec技术结合，能够很好的实现未来无线网络中用户的差异化任务需求。
3、在面向通感一体的mec网络场景中，不同无线移动接入方式在带宽、时延、可靠性等方面存在差异性，不同区域、不同属性的传感、计算单元在感知精度、处理和存储能力存在差异性，不同用户申请处理的任务类型、服务质量、用户体验、感知精度也具有显著差异性，所以研究边缘计算差异化任务，为不同类型的任务制定合适的边缘计算服务，根据差异化任务的需求和特点，充分考虑算力、感知精度、通信传输速率等多维资源的关系，制定合理的资源分配策略。此外，由于用户移动设备体积、算力、存储等十分有限，差异化任务常存在处理时延高和处理能耗高等问题。
4、目前，任务卸载、服务缓存、资源分配是能解决用户时延和能耗高的关键技术。借助缓存服务将移动应用软件存储在边缘节点，任务可以在网络边缘执行，以减少延迟。采用人工智能或机器学习算法优化任务调度和资源分配，进一步提升系统性能，降低时延和能耗。但是，随着海量设备的接入，边缘节点的计算成本、计算复杂度显著增加，计算效率降低，传统的集中式策略不能解决高复杂、高密集、大规模的场景。所以，在网络环境高度动态化和资源部署去中心化的通感边缘网络中，如何设计和实现更加动态灵活的分布式任务卸载、服务缓存和资源分配策略，以应对差异化任务需求，具有重要的研究意义。
技术实现思路
1、为了更加有效地处理面向通感一体mec去中心化网络中的差异化任务，在通信、感知、计算、存储、功率等多维资源的约束下，满足用户差异化感知精度、差异化(quality ofservice，qos)需求，最小化任务的长期处理时延和能耗，本发明提供一种面向通感一体的mec差异化服务缓存和资源分配方法。
2、具体方案包括：
3、s1.构建去中心化通感一体mec系统模型，其包括多个基站，每一基站处配置有一个mec服务器和一个isac系统，且每一基站覆盖范围内有多个用户；该系统模型在离散时隙中运行；一个isac系统包括一个isac发射机和一个isac接收机；
4、s2.根据去中心化通感一体mec系统模型，建立差异化任务模型、服务缓存模型、通感信号模型和任务卸载模型；
5、s3.根据步骤s1-s2构建的各类模型，以最小化差异化任务的处理时延和能耗为目标，建立服务缓存、任务卸载、算力资源分配和功率资源分配的联合优化问题；
6、s4.将联合优化问题转化为部分可观测的马尔可夫决策过程，并采用基于多智能体深度确定性策略的深度强化学习算法求解得到最优解。
7、本发明的有益效果：
8、本发明提出了一种面向通感一体融合的mec去中心化场景中的差异化服务缓存、任务卸载以及资源分配方法。在满足数据信息率和目标检测性能scnr的情况下，建立了一种面向通感一体融合mec差异化服务缓存、任务卸载与资源分配模型；然后，最小化差异化任务的长期处理时延和能耗为目标，建立了一个服务缓存、任务卸载、功率分配、算力分配的联合优化问题。最后将该非凸优化问题转化为马尔可夫决策过程，通过对马尔可夫决策过程中的动作、状态和即时回报的构建，并采用maddpg的深度强化学习算法，通过协同多智能体，从而做出最优的决策。大量的仿真结果表明，本发明可以实现更小的长期处理成本，验证了所提算法的有效性。
1.一种面向通感一体的mec差异化服务缓存和资源分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向通感一体的mec差异化服务缓存和资源分配方法，其特征在于，用户产生的任务被分为计算型和感知型两种类型，差异化任务模型中定义时隙t＝1,2,…,t基站m＝1,2,…,m覆盖范围内所有用户生成的任务集合为时隙t基站m下的用户km＝1,2,…,km生成的任务，m表示基站数量，t表示时隙数量，km表示基站m下的用户数量；差异化任务模型还包括一个服务缓存库其中s表示服务类型数量；其中：
3.根据权利要求1所述的一种面向通感一体的mec差异化服务缓存和资源分配方法，其特征在于，服务缓存模型中定义在时隙t基站m的服务缓存决策集合二进制变量表示时隙t中服务缓存到基站m的缓存指示函数，表示时隙t服务s被缓存在基站m处；表示时隙t服务s没有被缓存在基站m处。
4.根据权利要求1所述的一种面向通感一体的mec差异化服务缓存和资源分配方法，其特征在于，在通感信号模型中，定义在时隙t基站m的isac发射机发射的综合ofdm波形sm(t)表示为：
5.根据权利要求1所述的一种面向通感一体的mec差异化服务缓存和资源分配方法，其特征在于，任务卸载模型包括任务卸载到关联基站进行处理、任务通过关联基站卸载到邻近基站进行处理、任务卸载到远程云进行处理这三种方式；在时隙t基站m的任务卸载策略集合βm(t)＝{β1,m(t),β2,m(t),...,βkm,m(t)}，表示时隙t基站m下的用户km的任务卸载策略，表示时隙t基站m下的用户km将任务卸载到关联基站进行处理的策略，若时隙t基站m下的用户km的任务在基站m进行处理，则否则表示时隙t基站m下的用户km的任务由关联基站卸载到邻近基站进行处理的策略，若在时隙t基站m下的用户km的任务由基站m卸载到邻近基站进行处理，则否则表示时隙t基站m下的用户km将任务卸载到远程云进行处理的策略，若时隙t基站m下的用户km将任务通过基站m卸载到远程云进行处理，则否则其中
6.根据权利要求5所述的一种面向通感一体的mec差异化服务缓存和资源分配方法，其特征在于，基站m下的用户km的任务传输到基站m的通信速率表示为
7.根据权利要求1所述的一种面向通感一体的mec差异化服务缓存和资源分配方法，其特征在于，步骤s3的联合优化问题表示为：
8.根据权利要求1所述的一种面向通感一体的mec差异化服务缓存和资源分配方法，其特征在于，步骤s4采用基于多智能体深度确定性策略的深度强化学习算法求解包括：
