基于深度学习的移动边缘计算分流算法设计与实现

发布时间：2021-08-07 22:09

　　随着无线通信技术的发展,将大量的计算任务从无线设备传输到附近的接入点或基站成为可能,这触发了有意义的云计算应用,例如在线游戏、虚拟/增强现实和实时媒体流。移动边缘计算通过在用户端部署计算服务器,避免将应用程序生成的流量回溯到远程数据中心,为用户和边缘服务器之间架起桥梁提供了一种有效的方法。它减少了执行计算任务的延迟,并为那些对延迟敏感的云计算应用程序节省了能源消耗,然而,当移动边缘网络中有多个边缘服务器和移动设备可用时,如何进行计算分流决策是一个挑战。本文针对单边缘服务器网络和多边缘服务器网络设计了基于深度学习的分流策略,主要成果如下:1.针对单边缘服务器网络,本文研究了移动边缘网络中,多个无线设备选择将其计算任务分流到一个边缘服务器。为了节约能源,保持无线设备的服务质量,将联合分流决策和带宽分配优化问题转化为混合整数规划问题。然而,该问题在计算上受到维数的限制,一般的优化工具无法有效地解决这一问题,特别是对于大规模的无线设备。本文提出了一种基于分布式深度学习的移动边缘网络分流算法,该算法利用多个并行深度神经网络生成分流决策。我们采用共享重放记忆池来存储新生成的分流决策,从而进一步训练... 

【文章来源】：浙江工业大学浙江省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

GUI布局

基于深度学习的移动边缘计算分流算法设计与实现39运行上述布局代码后将生成如图4-2所示的初始GUI界面。图4-2运用python编写的GUI界面Figure4-2.GUIinterfacewrittenbypython在点击训练按钮后将弹出如图4-3所示的训练步数设置界面。图4-3训练步数设置界面Figure4-3.Trainingstepssettinginterface4.3分流决策在GUI中的应用4.3.1最优分流决策的GUI展示在本小节中，为方便用户一次性使用本文两种模型，我们将第二章的多用户单边缘服务器场景和第三章的多用户多边缘服务器以及单云服务器场景结合到了一

基于深度学习的移动边缘计算分流算法设计与实现39运行上述布局代码后将生成如图4-2所示的初始GUI界面。图4-2运用python编写的GUI界面Figure4-2.GUIinterfacewrittenbypython在点击训练按钮后将弹出如图4-3所示的训练步数设置界面。图4-3训练步数设置界面Figure4-3.Trainingstepssettinginterface4.3分流决策在GUI中的应用4.3.1最优分流决策的GUI展示在本小节中，为方便用户一次性使用本文两种模型，我们将第二章的多用户单边缘服务器场景和第三章的多用户多边缘服务器以及单云服务器场景结合到了一

【参考文献】：
期刊论文
[1]A Deep Learning Based Energy-Efficient Computational Offloading Method in Internet of Vehicles[J]. Xiaojie Wang,Xiang Wei,Lei Wang.  中国通信. 2019(03)



本文编号：3328632