移动边缘计算中的任务迁移策略研究

发布时间：2020-03-21 01:19

【摘要】：物联网和移动互联网的快速发展使移动通信网络面临着超高连接密度、超低时延和更高用户体验速率的挑战,拥有低时延和网络上下文感知等特点的移动边缘计算(Mobile Edge Computing,MEC)成为了5G网络应对这些挑战的核心技术之一。MEC通过将云计算服务下沉至移动接入网络侧,使传统的移动网络除了具备通信能力外,还具有计算和存储等IT服务能力。在MEC环境下,用户设备(User Equipment,UE)可以将计算密集或者时延敏感的任务以超低的传输时延迁移到MEC服务器,由MEC服务器为其分配计算资源并辅助执行任务计算,从而达到加速UE任务处理和节约能耗的目的,因此,MEC任务迁移策略成为决定MEC系统效率的关键因素之一。本文通过调研MEC任务迁移策略的研究现状和特点,结合近年来深度强化学习(Deep Reinforcement Learning,DRL)成功解决人工智能领域决策问题的经验,深入探索了如何运用DRL方法来实现单用户和多用户场景下任务的最优迁移策略,主要工作如下:(1)提出了面向单用户场景的任务迁移策略。在运行多个独立任务的单用户MEC环境中,同时考虑任务的调度顺序和迁移决策,构建了系统、任务和时延能耗模型,进一步设计了基于策略梯度强化学习的任务迁移策略,实现了任务处理时延和UE能耗联合最小化的目标。(2)提出了面向多用户场景的任务迁移策略。在低计算能力UE密集的MEC环境中,考虑MEC服务器计算资源的分配,构建马尔可夫决策过程,并设计了基于DRL的任务迁移策略,保证了时延敏感任务对MEC系统的性能需求。(3)为了验证本研究的性能效果,在Python环境下,搭建了单用户与多用户任务迁移策略的仿真实验环境,并分别进行了仿真实验。实验结果显示,相比传统方法,在单用户场景中,该策略能明显降低任务的处理时延和UE的能耗,在多用户场景下,该策略能有效降低时延敏感任务的处理时延和超时时长。通过运用DRL方法设计单用户与多用户MEC场景下的任务迁移策略,使得策略对负载动态变化有很强的适应性,能有效优化任务迁移过程中的能耗和时延,可以为未来5G网络重点部署的车联网、物联网等应用场景提供高效的计算迁移服务。
【图文】：

图 1-1 全球及中国在 2010-2030 年移动终端及物联网连接数增长趋势图[1]Fig. 1-1 Global and China's Growth Trend of Mobile Terminal and IoT Connections in2010-2030[1]1.1.2 移动边缘计算的发展历程与研究现状MEC 是在移动云计算（Mobile Cloud Computing, MCC）、局域云（LocalCloud）、小云（Cloudlet）等概念的基础上的提出的，下文将对它的发展历程进行描述。MCC 是云计算技术在移动互联网中的应用[5][6]。云计算技术允许用户以相对低廉的成本按需灵活地使用云服务提供商（如谷歌、亚马逊等）提供的基础设施（如服务器、网络和存储等）、平台（如中间件服务和操作系统等）和软件（如应用程序）服务，这样，部署在云端的移动应用程序可以以最少的管理工作或与服务提供商的交互被迅速地提供和发布[7]，而移动互联网技术为移动用户使用云计算服务提供了入口，使得用户设备可以将耗时的计算任务或需要占用大量存储的数据存储在云端，这样极大程度的减少了移动设备由于进行大负荷的计算或存

云控制器处理移动用户的请求并向其提供相应的云服务。然而，我们可以从图1-2 中看到，云端的位置距离终端用户非常远，终端用户想要使用云端提供的服务需要经过非常多的因特网节点跳转与认证才能完成，这势必会导致较长的网络传输时延，甚至有可能在网络较差时与云端失去连接，这将极大的降低时延敏感应用的使用体验。解决长时延问题的一种办法是缩短用户终端与云服务器之间的距离，，使移动终端在使用云计算服务器时不需要经过漫长的因特网核心网连接，仅经过一跳或几跳就可以实现与云计算中心的交互，这就是近端云的概念，并且由此产生了小
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN929.5;TP181

【相似文献】

相关期刊论文 前10条

1 邓伟华;;基于安全威胁预测的5G网络切片功能迁移策略[J];计算机产品与流通;2018年12期

2 张美贤;;善用迁移策略 促进有效学习[J];福建基础教育研究;2017年06期

3 文剑辉;;迁移策略对相似性化学问题解决影响的调查分析[J];嘉应学院学报;2017年02期

4 孙阳;许建潮;郭建伟;刘钢;;基于启发式算法的数据迁移策略[J];吉林建筑大学学报;2016年03期

5 熊益;;论第二外语(法语)习得中迁移策略的培养[J];考试周刊;2017年03期

6 吉向东;;从Embedded Visual C++ 4.0到Visual Studio 2005的迁移策略[J];自动化技术与应用;2009年07期

7 张丙英;黄教珍;;高职教学中迁移策略的分析与思考[J];快乐阅读;2013年01期

8 刘庆云;;例谈迁移策略在《电功率》一节教学中的运用[J];物理教学探讨;2014年05期

9 刘宁;张立杰;史一民;;数据流查询计划的并行迁移策略[J];计算机工程;2009年19期

10 张爽;;浅议迁移策略的习得[J];河南教育;2005年12期

相关会议论文 前2条

1 毕波;杨智强;王衡;汪国平;;基于多设备的任务智能迁移系统[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

2 李强;刘亚军;;一种基于任务补偿的工作流实例迁移策略[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

相关重要报纸文章 前5条

1 ;如何实施成功的云迁移策略[N];中国信息化周报;2020年

2 《中国社会工作·老龄》主编 李新涛　杭州出版集团副总经理 陈禹安;传统媒体转型中的“粉丝迁移策略”[N];中国新闻出版报;2014年

3 本报记者 逄丹;Blue Coat:搭建IPv4到IPv6的安全桥梁[N];通信产业报;2009年

4 上海建行信息技术部 戴工玖;ILM技术在银行中的应用[N];计算机世界;2007年

5 ;“改良”还是“革命”[N];网络世界;2003年

相关博士学位论文 前5条

1 喻歆;演化动态优化研究[D];中国科学技术大学;2011年

2 郑永清;云计算环境面向SaaS多租户的可伸缩数据放置研究[D];山东大学;2013年

3 马骏;移动agent迁移技术研究[D];哈尔滨工程大学;2009年

4 刘鎏;数据中心高效资源管理关键技术研究[D];电子科技大学;2016年

5 董晓健;基因表达式编程集成算法研究[D];武汉大学;2011年

相关硕士学位论文 前10条

1 孟浩;移动边缘计算中的任务迁移策略研究[D];北京工业大学;2019年

2 徐意;面向移动应用的边缘云服务迁移策略研究[D];华中科技大学;2019年

3 管茂林;MEC车联网应用的预迁移策略研究[D];重庆邮电大学;2019年

4 韦立;基于Redis自适应迁移策略的研究[D];南京邮电大学;2018年

5 龚万佳;移动云环境中多用户计算迁移策略研究[D];武汉理工大学;2017年

6 赵丹;面向5G网络的边缘计算迁移策略研究与仿真[D];北京邮电大学;2018年

7 刘甜甜;中学化学教学中知识迁移策略的研究[D];安徽师范大学;2014年

8 宁维宇;面向服务的未来互联网服务迁移策略的研究[D];北京邮电大学;2014年

9 孙阳;基于群智能算法的云数据迁移策略研究[D];长春工业大学;2016年

10 钟海;面向云计算环境的应用迁移策略及资源管理技术研究[D];云南大学;2011年

本文编号：2592503