基于移动边缘计算的任务卸载与资源分配算法研究

发布时间：2021-02-11 03:06

　　随着智能移动设备的普及和万物互联时代的到来,用户请求的数据量正在快速增长。以云计算为代表的集中处理模式已经无法满足任务的高实时性需求,移动边缘计算（Mobile Edge Computing,MEC）作为一种在靠近数据生成源处提供服务的计算模型应运而生。然而,MEC服务器的计算能力和资源不足以处理长周期的密集型任务数据,因此MEC与云计算相互补充和优化构成了云边协同计算模型。无论是在MEC环境中,还是在云边协同计算环境中,如何高效的将任务卸载到合适的计算节点上处理以及更优的分配各种资源是该领域中的重要研究方向。本文分别对MEC环境和云边协同计算环境下的任务卸载和资源分配问题进行了研究,并且基于深度强化学习方法提出了有效的解决方案,研究目的是为了减少任务响应时间和能耗。具体的研究工作概括如下:（1）针对MEC环境下的任务卸载和资源分配问题,提出一种基于深度Q学习的自适应算法。在该环境中,有多个用户设备和多个MEC服务器分布点,用户设备具有移动性并且以Poisson分布形式模拟任务的生成。提出的算法具有自学习能力,可以决定任务是否需要卸载以及为任务分配合适的计算节点,并在算法训练过程中不断... 

【文章来源】：湖南师范大学湖南省 211工程院校

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容及创新点
    1.4 本文组织结构
第2章 相关理论与技术概述
    2.1 移动边缘计算与云边协同计算
        2.1.1 基本概念
        2.1.2 应用场景
        2.1.3 任务卸载和资源分配
    2.2 深度强化学习方法
        2.2.1 马尔科夫决策过程
        2.2.2 值迭代方法
        2.2.3 Q学习算法
        2.2.4 深度Q学习算法
        2.2.5 本章小结
第3章 两层架构下的任务卸载和资源分配算法
    3.1 引言
    3.2 系统模型
        3.2.1 任务生成模型
        3.2.2 本地计算模型
        3.2.3 边缘计算模型
    3.3 评价指标和优化目标
        3.3.1 性能评价指标
        3.3.2 优化目标
    3.4 算法分析与实现
        3.4.1 算法设定
        3.4.2 算法设计
    3.5 仿真实验与性能分析
        3.5.1 参数设置与对比算法
        3.5.2 任务数据大小实验
        3.5.3 用户设备数量实验
        3.5.4 基站数量实验
    3.6 本章小结
第4章 三层架构下的任务卸载和资源分配算法
    4.1 引言
    4.2 系统模型及问题定义
        4.2.1 系统模型
        4.2.2 问题定义
    4.3 算法设计
    4.4 仿真实验与性能分析
        4.4.1 任务数量占比实验
        4.4.2 任务数据大小实验
        4.4.3 用户设备数量实验
        4.4.4 边缘服务器数量实验
    4.5 本章小结
总结与展望
参考文献
攻读学位期间的科研成果
致谢



本文编号：3028420