多用户边缘计算环境下基于深度强化学习的任务卸载技术研究

发布时间：2022-07-03 22:20

　　4G的普及带来了移动互联网时代,联网设备的主力军从个人电脑（Personal Computer,PC）逐渐转变成手机平板等移动终端。随着5G的研究与发展,物联网日益成为下一个时代浪潮,万物互联的时代即将到来。可联网的设备不再局限于手持设备,无人驾驶、智慧城市、智慧家庭、工业制造等各个领域都将蓬勃发展。但是,由于物联网设备自身的限制,它的计算能力和存储能力有限,无法满足许多延迟敏感型应用程序和计算密集型应用程序的需求。如何扩展网络边缘的联网设备的性能成为网络领域的重要挑战。移动边缘计算（Mobile Edge Computing,MEC）的模式被提出,以解决上述问题。在这种计算模式下,计算资源和存储资源被部署在移动网络的边缘,物联网设备可以通过无线信道将任务卸载到具有更强计算能力的边缘服务器上进行计算。物联网设备只需要传输数据,接收结果,解决了自身计算资源不足的问题。在关于边缘计算的所有研究中,任务卸载决策的研究是重要的一环。强化学习能够在线下训练一个智能体,训练后的智能体可以在线进行实时决策,因此特别适合边缘计算场景。已经有一些将深度强化学习应用于边缘计算中的任务卸载的研究,通过合理的... 

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪言
    1.1 背景介绍与研究意义
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 文章组织架构
第2章 移动边缘计算与深度强化学习理论
    2.1 移动边缘计算
        2.1.1 移动边缘计算中的网络架构
        2.1.2 移动边缘计算的应用场景
        2.1.3 移动边缘计算中的任务卸载
    2.2 深度强化学习
        2.2.1 深度学习
        2.2.2 强化学习
    2.3 本章小结
第3章 基于深度强化学习的单服务器计算卸载
    3.1 引言
    3.2 系统模型
        3.2.1 网络模型
        3.2.2 通信模型
        3.2.3 本地计算模型
        3.2.4 边缘服务器计算模型
    3.3 问题建模
    3.4 解决方案
        3.4.1 Q learning
        3.4.2 Deep Q Network
    3.5 实验结果与分析
        3.5.1 实验环境设置与参数设置
        3.5.2 权重参数分析
        3.5.3 收敛性能
        3.5.4 终端设备数的影响
        3.5.5 边缘服务器计算能力的影响
    3.6 本章小结
第4章 基于深度强化学习的多服务器计算卸载
    4.1 引言
    4.2 系统模型
        4.2.1 网络模型
        4.2.2 通信模型
        4.2.3 本地计算模型
        4.2.4 边缘服务器计算模型
    4.3 问题建模
    4.4 解决方案
    4.5 实验结果与分析
        4.5.1 实验环境设置与参数设置
        4.5.2 终端设备数的影响
        4.5.3 终端设备计算能力的影响
        4.5.4 边缘服务器数量的影响
        4.5.5 边缘服务器计算能力的影响
    4.6 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
指导教师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间的研究成果


【参考文献】：
期刊论文
[1]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)
[2]深度强化学习综述[J]. 刘全,翟建伟,章宗长,钟珊,周倩,章鹏,徐进.  计算机学报. 2018(01)



本文编号：3655752