基于深度学习的能量高效雾计算迁移研究

发布时间：2021-10-17 02:19

　　任务计算迁移作为大数据物联网场景下有效缓解计算压力的新型模式,引起了学者们的极大关注,虽然计算迁移在一定程度上缓解了原始感知设备的计算压力,提高了数据处理速度,但它并不能动态自适应地做出迁移决策。文中基于深度学习理论对雾计算迁移的任务完成时间与能耗最小化进行了深入研究。首先构建了任务完成时间最小化雾计算迁移优化问题,提出了一个基于深度学习的雾计算迁移决策算法用于解决上述优化问题;其次,为了进一步优化雾计算迁移的能耗,构建了终端用户能耗最小化雾计算迁移优化问题,基于上述迁移决策算法求解的最优迁移决策,提出了一个最优传输功率分配求解算法用于解决上述优化问题;最后,仿真结果表明所提算法具有较快的收敛速度,并在最小化任务完成时间迁移决策的基础上有效降低了终端用户能耗。 

【文章来源】：南京邮电大学学报(自然科学版). 2020,40(02)北大核心

【文章页数】：7 页

【部分图文】：

计算迁移系统模型

根据上述优化问题,可以发现:当αn的取值集合有所差异时,用户n的任务完成时间也就有所不同,也就意味着所有用户的最终完成时间T会有所差异。为求取完成时间最小迁移决策集合,本节提出了DL-FCOD算法来解决上述优化问题,其具体求解过程如图2所示。由图2可知,该DL-FCOD算法主要包含三个部分。

图3表示DL-FCOD算法中损失值的收敛性能。其中,虚线代表学习率为0.1时损失值的收敛性能,实线代表学习率为0.2时损失值的收敛性能。可以发现,在不同学习率的情况下,损失值的收敛性能都很好,亦即本文所提DL-FCOD算法具有较快的收敛特性。图4表示用户不同任务大小下能耗的收敛性能。

【参考文献】：
期刊论文
[1]雾计算的概念、相关研究与应用[J]. 贾维嘉,周小杰.  通信学报. 2018(05)
[2]Task Offloading Decision in Fog Computing System[J]. Qiliang Zhu,Baojiang Si,Feifan Yang,You Ma.  中国通信. 2017(11)



本文编号：3440927