移动边缘计算中多约束下的任务卸载和资源分配算法

发布时间：2021-05-28 08:44

　　随着物联网和车载网的普及与应用,近用户端（数据源端）的数据呈现爆炸式的增长。为了有效地处理这些快速增长的数据,移动边缘计算作为一种新的计算模式应运而生。移动边缘计算是指将云中心的部分资源下沉到网络边缘,使得数据能够在网络边缘被处理。如何高效地卸载任务以及合理地分配资源,是目前移动边缘计算研究领域中的一个热点问题;然而现有的研究工作很少考虑到边缘数据和计算节点的安全性,只有保证数据与信息的安全,移动边缘计算才能全面发展。因此,基于数据的安全性,结合深度强化学习在多约束条件下提出了一种任务卸载和资源分配算法。实验结果表明,该任务卸载算法与几种经典算法相比,有效地提高了任务卸载成功率、任务成功执行率,降低了本地端能耗,更好地满足了用户的QoS需求。 

【文章来源】：计算机工程与科学. 2020,42(10)北大核心CSCD

【文章页数】：11 页

【文章目录】：
1 引言
2 相关工作
3 系统模型
    3.1 场景描述
    3.2 通信模型
    3.3 计算模型
        (1)本地计算模型。
        (2)边缘服务器端计算模型。
    3.4 问题描述
4 算法设计
    4.1 深度强化学习
    4.2 Double DQN算法
        (1)值函数逼近。
        (2)经验回放。
        (3)双Q网络。
    4.3 Double DQN任务卸载算法设计
        (1)状态空间。
        (2)动作空间。
        (3)奖励值函数。
5 仿真实验及性能分析
    5.1 仿真环境
    5.2 实验参数
    5.3 对比算法
    5.4 实验结果及分析
        (1) 收敛性。
        (2) 任务卸载对比实验。
        (3) 任务执行情况对比实验。
        (4) UE端能耗实验。
6 结束语


【参考文献】：
期刊论文
[1]移动边缘计算环境下的动态资源分配策略[J]. 朱新峰,张智浩,王彦凌.  计算机工程与科学. 2019(07)
[2]一种云环境下基于混合型BBO的任务调度算法[J]. 童钊,陈洪剑,陈明,梅晶,刘宏.  计算机工程与科学. 2018(05)
[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)
[4]基于马尔科夫决策过程的车载边缘计算切换策略[J]. 李波,牛力,彭紫艺,黄鑫,丁洪伟.  计算机工程与科学. 2020(05)



本文编号：3207941