检索结果-内蒙古大学图书馆

计算机科学 2024年第S01期51卷 742-750页

作者：王众晓彭青蓝孙若骁徐锡峰郑万波夏云霓河南大学人工智能学院郑州475004 重庆大学计算机学院重庆400044 昆明理工大学理学院昆明650031

全球智能设备的迅速增长引发了对计算资源下沉至边缘的巨大需求,催生了边缘计算范式的出现。同时,计算资源稀缺的偏远地区用户对算力的需求又推动了在轨边缘计算(Orbit Edge Computing,OEC)概念的提出和发展。在OEC场景下,偏远地区用户... 详细信息

全球智能设备的迅速增长引发了对计算资源下沉至边缘的巨大需求,催生了边缘计算范式的出现。同时,计算资源稀缺的偏远地区用户对算力的需求又推动了在轨边缘计算(Orbit Edge Computing,OEC)概念的提出和发展。在OEC场景下,偏远地区用户可以通过星地和星间通信链路将计算任务卸载至部署在低轨卫星上的边缘服务器,以此突破地面计算通信基础设施的限制,为偏远地区的用户提供低时延和高可靠的服务。然而,OEC场景中卫星算力受有限载荷和太阳能转化效率约束,同时还存在低轨卫星绕地导致的高度动态的星地连接造成的可用时隙有限的限制,面临着计算资源稀缺和可用通信时间有限所带来的挑战。因此,需要高质高效的任务卸载决策算法来保证OEC系统的高效运行。然而,目前在OEC场景下任务卸载方法大多在处理任务时无法兼顾计算任务卸载时延与能耗,此外传统方法还缺少对任务多样性的考量。针对上述问题,提出了一种基于自适应大邻域搜索的在轨边缘计算任务卸载方法OEC-ALNS,该方法以任务类型加权的任务处理成本为优化目标,并针对性地提出了基于最小化时延的破坏算子和修复算子来进一步提升搜索效率和卸载调度质量。基于Walker Delta低轨卫星星座和真实计算任务数据的实验结果表明,与传统的OEC-TA(OEC Task Allocation)方法相比,提出的OEC-ALNS方法在多个任务集异构的OEC场景中最多能够减少42.22%的加权任务处理成本和降低42.46%的平均时延。

关键词：在轨边缘计算低轨卫星星座计算任务卸载自适应大邻域搜索

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的在轨边缘计算任务卸载研究

基于强化学习的在轨边缘计算任务卸载研究

引用

作者：刘海涛中国科学院大学

学位级别：硕士

随着卫星通信技术的发展，卫星在遥感观测和通信中继等应用场景中发挥着重要的作用。在现有通信模型中，卫星通常将来自遥感采集或地面终端的原始数据透明转发到地面站中处理。然而，在数据转发过程中，网络可能会面临传输时延高、星地... 详细信息

随着卫星通信技术的发展，卫星在遥感观测和通信中继等应用场景中发挥着重要的作用。在现有通信模型中，卫星通常将来自遥感采集或地面终端的原始数据透明转发到地面站中处理。然而，在数据转发过程中，网络可能会面临传输时延高、星地链路间歇性通断和地面站拥塞等问题。随着星上处理能力的提升，为了解决上述问题，有学者提出了在轨边缘计算(Orbital Edge Computing，OEC)架构，即飞行中的卫星在本地处理大量原始数据后，仅向地面站转发少量处理后的结果。在实际应用时，一方面考虑到支持卫星正常工作的主要能源为太阳能，且无其他持续稳定能源供应;另一方面，相比于地面站，星上处理能力还较弱。当能源储备或计算能力不足时，卫星可能无法在有效期限内处理大量原始数据。因此，如何将部分计算任务卸载到地面站或其他卫星中处理逐渐受到研究人员的关注。　　与地面网络相比，OEC网络最突出的特点是高动态性，由此导致链路信道状态和网络拓扑结构快速变化。目前，针对OEC网络中的任务卸载问题，研究人员考虑不同架构和影响因素，已提出了一些卸载决策算法。然而，大部分现有算法存在计算复杂度高、未考虑网络拓扑动态变化等问题，而且其卸载决策高度依赖于计算节点当前资源状态信息，这在实际应用时会降低网络系统性能并影响用户体验。针对已有任务卸载算法的上述不足，本文开展的主要研究工作如下:　　第一，在静态网络拓扑下，针对大部分现有卸载决策算法计算复杂度高的问题，本文提出了一种基于深度强化学习(DRL)的低复杂度任务卸载算法（DRTO）。在现有文献中，联合卸载决策和资源分配通常被建模为混合整数规划(MIP)问题，用传统优化方法求解这类问题的计算复杂度极高。DRTO借助深度神经网络模拟了从信道状态到卸载位置间的映射关系，省去了求解复杂MIP问题的步骤，并借助强化学习方法从过去的决策经历中学习卸载策略。随着卸载策略的提升，DRTO通过动态调整候选卸载位置的数量加快了决策过程。仿真实验结果表明，DRTO在不增加终端卸载开销的前提下，显著降低了算法的运行耗时。　　第二，在动态网络拓扑下，鉴于现有卸载决策算法未考虑节点可见性变化对任务卸载的影响，以及卸载决策依赖于节点当前资源状态信息，本文提出了一种基于多摇臂赌博机(MAB)模型的任务卸载算法(TOUCB)。多摇臂赌博机模型是一种较原始的强化学习方法，它描述了玩家在未知摇臂奖励信息的前提下，通过不断尝试来最大化长期收益的问题。基于多摇臂赌博机模型，TOUCB在选择卸载节点前，未知可见节点当前资源状态信息，仅依据对可见节点卸载时延的历史经验信息做出决策，这节省了大量的状态信息交换开销。当面临决策时，TOUCB综合考虑当前计算需求以及是否有新节点出现，通过平衡对新出现节点状态信息的探索和已存在节点性能的利用，以最小化平均卸载时延。仿真实验结果表明，TOUCB能在动态OEC网络中取得近似最优的平均卸载时延性能。

关键词：动态网络在轨边缘计算任务卸载强化学习多摇臂赌博机

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：