数字孪生辅助MEC任务卸载和资源分配联合优化

作     者：李云 江源 王碧 梁吉申 夏士超 LI Yun;JIANG Yuan;WANG Bi;LIANG Jishen;XIA Shichao

作者机构：重庆邮电大学通信与信息工程学院重庆400065 陆军工程大学通信士官学校重庆400035 重庆邮电大学软件工程学院重庆400065 

出 版 物：《重庆邮电大学学报(自然科学版)》 (Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition))

年 卷 期：2025年第37卷第2期

页      面：222-231页

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 

基　　金：国家自然科学基金项目(62301099,62071077) 中国博士后科学基金项目(2023MD734137) 重庆市自然科学基金项目(2022NSCQ-LZX0191) 重庆市教委科学技术研究项目(KJQN202300638) 

主　　题：移动边缘计算 任务卸载 资源分配 数字孪生 深度强化学习 

摘      要：在移动边缘计算(mobile edge computing,MEC)密集部署场景中,边缘服务器的资源异质性和环境状态的复杂多变性给设计有效的任务卸载和资源分配策略带来了显著挑战。针对该问题,建立了数字孪生边缘网络(digital twin edge networks,DTEN)模型。以最小化任务的长期处理时延为优化目标,在带宽、计算和存储等多维资源约束下,提出了一种数字孪生(digital twin,DT)辅助的MEC用户关联、任务卸载、服务缓存和资源分配联合优化问题;考虑到高度动态化的网络特征,将优化问题抽象成部分可观测的马尔科夫决策过程(partially observable Markov decision process,POMDP),设计了一种基于深度强化学习(deep reinforcement learning,DRL)的任务卸载方案,利用DT中物理实体的映射数据对神经网络进行训练;考虑到DT的估计值与实际值之间存在时延偏差,讨论了时延偏差对任务处理时延的影响。大量仿真实验表明,提出的方案有效地降低了任务处理时延,提高了缓存命中率。