移动边缘网络中深度学习任务卸载方案

发布时间：2021-05-14 07:01

　　为了缓解网络带宽的压力、降低网络延迟,克服移动设备资源匮乏等问题,推动深度学习应用在移动终端的部署,提出一个基于移动边缘计算的深度学习任务卸载方案。基于深度神经网络专用加速芯片Eyeriss的架构,对深度学习任务的计算功耗进行建模,提出了一个基于混合?₁/?₂范数诱导的三阶段组稀疏波束成形（group sparse beamforming, GSBF）框架,通过对计算任务优先级的精心设计,尽可能地删除基站端冗余的计算任务,实现对整体网络功耗（包括发送功率损耗和计算功率损耗）的优化。针对该框架,提出了一个加速优化方案。仿真实验表明,在该场景下,所提出的框架在优化整体网络功耗方面具有显著优势,而加速算法可以进一步提升框架的性能。 

【文章来源】：重庆邮电大学学报(自然科学版). 2020,32(01)北大核心CSCD

【文章页数】：9 页

【文章目录】：
0 引 言
1 相关工作
2 系统建模和问题分析
    2.1 网络模型
    2.2 深度学习任务计算功耗的估计模型
    2.3 问题描述和分析
        2.3.1 问题描述
        2.3.2 问题分析
3 组稀疏波束成形算法框架
    3.1 阶段1:混合?1/?2范数稀疏诱导
    3.2 阶段2:基于优先级的计算任务选择规则
    3.3 阶段3:计算任务的迭代筛选过程
4 加速的组稀疏波束成形算法
    4.1 交替方向乘子法
    4.2 基于牛顿法的交替方向乘子算法
5 仿真与结果分析
6 结 论


【参考文献】：
期刊论文
[1]移动边缘计算任务卸载和基站关联协同决策问题研究[J]. 于博文,蒲凌君,谢玉婷,徐敬东,张建忠.  计算机研究与发展. 2018(03)
[2]融合移动边缘计算的未来5G移动通信网络[J]. 齐彦丽,周一青,刘玲,田霖,石晶林.  计算机研究与发展. 2018(03)
[3]边缘计算:万物互联时代新型计算模型[J]. 施巍松,孙辉,曹杰,张权,刘伟.  计算机研究与发展. 2017(05)



本文编号：3185207