边缘计算中一种新型计算卸载方法及QoS优化研究
发布时间：2021-11-21 16:11
随着5G技术的迅速发展,智能移动设备已成为社会生活中不可或缺的重要部分,催生出了大量高质量的服务与应用,例如自动驾驶、增强现实、自然语言处理等。如今,人们对于智能应用的需求与日俱增,产生的数据流量呈指数级增长,这一趋势对用户终端设备提出了巨大的挑战。传统的云计算以集中式的计算模式为用户提供服务,以突破终端设备的能力限制。但实际场景中云计算在服务效率、隐私等方面存在很大不足,移动边缘计算模式应运而生。移动边缘计算以分布式的方式将计算与存储工作移至靠近用户的网络边缘设备处进行,以减少时间延迟与能量的消耗,提高用户体验与服务质量（Quality of Service,QoS）。任务从用户设备到网络边缘的转移过程被称为计算卸载,计算卸载是移动边缘计算中的关键问题,现有的计算卸载方法主要存在以下两点局限性:（1）在优化目标方面多是基于时间延迟与能耗的优化,未充分考虑到用户对于应用程序的实时性需求;（2）未考虑移动边缘计算系统环境的动态性,忽略了卸载决策与系统环境的交互。针对上述两点问题,本文提出了一种有效的解决方案。在多用户单小区的MEC系统环境下,建立本地计算模型与计算卸载模型。本文将提升用户...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
边缘计算网络架构
第2章相关理论和技术11有两种决策：卸载与不卸载。因此，用户的选择对于系统来说存在以下三种情况[46]：（１）不卸载。在这种情况下，所有的计算任务全部由用户设备本地执行，MEC服务器不执行任务，如图2.2的UD1。（２）全部卸载。在这种情况下，用户设备将所有的计算任务都交付给远程MEC服务器执行，本地不执行任务，如图2.2中的UD2。（３）部分卸载。在这种情况下，用户设备选择将一部分计算任务交付给远程MEC服务器执行，剩余任务由用户设备本地执行，如图2.2中的UD3。图2.2计算卸载类型计算卸载的另一个重点内容就是制定卸载规则，即在执行计算卸载决策的情况下，用户设备决定给将哪些任务交付给MEC服务器。目前大多数相关工作都针对于两个指标进行计算卸载规则的研究，即时间延迟与能耗，同时这两者也是MEC系统的重要优化目标。假设任务在用户设备本地执行的时间延迟为，将任务交付给MEC服务器得到的时间延迟为。通常包括三部分的时间延迟，将任务上传的通信延迟，任务在MEC服务器上的远程执行延迟，处理结果反馈的通信延迟，即=++。在基于时间延迟的卸载决策中，为了最小化总体完工时
第2章相关理论和技术12间，当>时，将任务卸载到MEC服务器执行，否则由用户设备本地执行。如图2.3所示。图2.3基于时间延迟的卸载决策假设任务在用户设备本地执行消耗的电池能量为EL，对任务进行计算卸载所消耗的总能量为。通常包括两部分的能耗，发送任务消耗的能量和接收处理结果消耗的能量，即=+。在基于能耗的计算卸载决策中，为了最小化电池能耗，当>时,将任务卸载到MEC服务器执行，否则由用户设备本地执行。如图2.4所示。图2.4基于能耗的卸载决策
【参考文献】：
期刊论文
[1]基于优势学习的深度Q网络[J]. 夏宗涛,秦进. 计算机工程与应用. 2019(20)
[2]移动边缘计算卸载技术综述[J]. 谢人超,廉晓飞,贾庆民,黄韬,刘韵洁. 通信学报. 2018(11)
[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)
硕士论文
[1]基于深度强化学习的移动边缘计算中的计算卸载与资源分配算法研究与实现[D]. 李季.北京邮电大学 2019
本文编号：3509819
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
边缘计算网络架构
第2章相关理论和技术11有两种决策：卸载与不卸载。因此，用户的选择对于系统来说存在以下三种情况[46]：（１）不卸载。在这种情况下，所有的计算任务全部由用户设备本地执行，MEC服务器不执行任务，如图2.2的UD1。（２）全部卸载。在这种情况下，用户设备将所有的计算任务都交付给远程MEC服务器执行，本地不执行任务，如图2.2中的UD2。（３）部分卸载。在这种情况下，用户设备选择将一部分计算任务交付给远程MEC服务器执行，剩余任务由用户设备本地执行，如图2.2中的UD3。图2.2计算卸载类型计算卸载的另一个重点内容就是制定卸载规则，即在执行计算卸载决策的情况下，用户设备决定给将哪些任务交付给MEC服务器。目前大多数相关工作都针对于两个指标进行计算卸载规则的研究，即时间延迟与能耗，同时这两者也是MEC系统的重要优化目标。假设任务在用户设备本地执行的时间延迟为，将任务交付给MEC服务器得到的时间延迟为。通常包括三部分的时间延迟，将任务上传的通信延迟，任务在MEC服务器上的远程执行延迟，处理结果反馈的通信延迟，即=++。在基于时间延迟的卸载决策中，为了最小化总体完工时
第2章相关理论和技术12间，当>时，将任务卸载到MEC服务器执行，否则由用户设备本地执行。如图2.3所示。图2.3基于时间延迟的卸载决策假设任务在用户设备本地执行消耗的电池能量为EL，对任务进行计算卸载所消耗的总能量为。通常包括两部分的能耗，发送任务消耗的能量和接收处理结果消耗的能量，即=+。在基于能耗的计算卸载决策中，为了最小化电池能耗，当>时,将任务卸载到MEC服务器执行，否则由用户设备本地执行。如图2.4所示。图2.4基于能耗的卸载决策
【参考文献】：
期刊论文
[1]基于优势学习的深度Q网络[J]. 夏宗涛,秦进. 计算机工程与应用. 2019(20)
[2]移动边缘计算卸载技术综述[J]. 谢人超,廉晓飞,贾庆民,黄韬,刘韵洁. 通信学报. 2018(11)
[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)
硕士论文
[1]基于深度强化学习的移动边缘计算中的计算卸载与资源分配算法研究与实现[D]. 李季.北京邮电大学 2019
本文编号：3509819
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3509819.html
