检索结果-内蒙古大学图书馆

作者：李金贺安徽理工大学

学位级别：硕士

随着移动通信技术的发展,网络直播、人脸识别、互动游戏等计算密集型、时延敏感型应用激增,为了满足处理这些应用的低延迟和低能耗需求,需要设备具有较高计算能力,这给资源有限的小型设备带来了挑战。移动边缘计算(Mobile Edge Computin... 详细信息

随着移动通信技术的发展,网络直播、人脸识别、互动游戏等计算密集型、时延敏感型应用激增,为了满足处理这些应用的低延迟和低能耗需求,需要设备具有较高计算能力,这给资源有限的小型设备带来了挑战。移动边缘计算(Mobile Edge Computing,MEC)作为解决上述挑战的解决方案,通过在移动网络边缘部署高性能的服务器,使移动设备能够将其任务卸载至MEC服务器上处理,有效减轻了设备的计算压力。然而,为了有效利用MEC服务器有限的资源,需要协调多用户之间的计算卸载与资源分配策略。因此,为了有效降低处理任务的时延和能耗,本文对多用户多MEC服务器和进一步扩展的边云协同场景中的计算卸载与资源分配问题进行了研究,主要内容如下: (1)在多用户多MEC服务器场景中,为了最大限度地减少处理任务的时延和能耗。在计算资源的约束下,提出了一种计算卸载与资源分配联合优化策略。首先,将问题解耦为计算卸载和资源分配两个子问题。然后,使用鲸鱼优化算法求解计算卸载问题,通过添加非线性收敛因子和惯性权重加快算法收敛速度;引入反馈机制,防止陷入局部最优,得到更高概率可行的卸载决策;计算资源分配问题使用拉格朗日乘子法求得每个卸载决策下的最佳计算资源分配解。最后,设计联合优化算法,通过多次迭代得到稳定的收敛解。仿真结果表明,提出的算法与WOA相比提高了48.2%的收敛速度、降低了53.1%的系统开销,与Edge、Random、GWO-WOA、ACS等算法相比,最多可减少44.6%的系统开销。 (2)在边云协同多用户多MEC服务器场景中,考虑了时变的网络和用户之间干扰的环境条件,结合任务部分卸载方式,在任务时延约束下,提出了一种计算卸载与通信、计算资源的优化策略。首先,以时延和能耗的加权和为目标,建立任务部分卸载模型。其次,通过将非凸优化问题转化为马尔可夫决策过程,设计了状态空间、动作空间、奖励函数等训练要素。然后,提出一种引入优先经验回放机制的多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient,MADDPG)算法对计算卸载与计算、带宽资源分配进行联合优化。最后,实验结果表明,所改进的算法相较于MADDPG提升了67%的收敛速度和7.8%的奖励值,与MAPPO、Edge、Cloud等算法相比,分别降低了8.7%、14.4%、28.7%的系统开销。图[29]表[6]参[72]

关键词：移动边缘计算计算卸载资源分配鲸鱼优化算法深度强化学习

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中基于服务器协作的能耗和效用优化研究

移动边缘计算中基于服务器协作的能耗和效用优化研究

引用

作者：熊晨江西师范大学

学位级别：硕士

随着智能设备数量的快速增长和时延敏感型应用的增多,云计算已无法满足这类应用的需求,同时由于移动终端上计算资源和电池容量有限,因此欧洲电信标准协会(European Telecommunications Standards Institute,ETSI)在2014年提出了移动边... 详细信息

随着智能设备数量的快速增长和时延敏感型应用的增多,云计算已无法满足这类应用的需求,同时由于移动终端上计算资源和电池容量有限,因此欧洲电信标准协会(European Telecommunications Standards Institute,ETSI)在2014年提出了移动边缘计算(Mobile Edge Computing,MEC)概念,用户可以使用位于终端附近的边缘服务器进行任务处理,这有利于降低任务时延和终端能耗。虽然网络边缘部署的大量边缘服务器为用户带来便利,但是移动终端数量的不确定性却容易导致边缘服务器负载不均衡并产生更多能耗,使得移动边缘计算中资源分配面临复杂的能耗和效用优化问题,因此,如何分配网络边缘的计算资源、优化边缘服务器能耗和效用并保证用户服务质量是移动边缘计算系统面临的重要挑战。当前,众多学者对此展开研究,但现有研究存在如下不足:(1)基于单个边缘服务器的资源分配和能耗优化研究中,未考虑该边缘服务器与其他服务器存在重合区域会导致移动终端卸载选择更为复杂,同时,随着边缘服务器数量的增加,将有更多任务卸载至云中心,容易造成网络拥塞;(2)基于多个边缘服务器的资源分配和能耗优化研究中,未考虑边缘服务器负载不均衡导致的能源浪费问题。针对上述不足,本文从以下两个方面开展研究:(1)提出一种边缘服务器协作机制,在靠近用户一定范围内的边缘服务器中有一个边缘服务器担任领导者服务器并为该范围内的所有终端处理任务,但是,当领导者服务器的计算资源不足时,则考虑将任务卸载到作为协作者服务器的其余边缘服务器上处理。该方法整合了网络边缘资源,与单个边缘服务器相比多个边缘服务器协作机制能提供更多的计算资源,减少卸载到云中心的任务数量。仿真实验表明该方法能够使得领导者服务器上的任务缓冲队列保持长期稳定。(2)提出一种边缘服务器休眠机制,系统中担任协作者的边缘服务器具有休眠和活跃两种状态,休眠状态时消耗较少能量,但活跃状态时边缘服务器会接收任务并进行处理,该机制根据领导者的状态来控制协作者的状态。文中将该休眠机制与边缘服务器协作机制相结合,并对多个边缘服务器的能耗效用进行优化。仿真实验表明该机制在优化能耗效用的同时可以保证领导者边缘服务器上任务缓冲队列长期稳定。

关键词：移动边缘计算边缘服务器协作休眠机制能耗优化效用优化

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中动态服务部署及迁移路径优化算法的设计与实现

移动边缘计算中动态服务部署及迁移路径优化算法的设计与实现

引用

作者：李迎雪北京邮电大学

学位级别：硕士

移动边缘计算中动态服务部署技术可为移动用户提供连续、无缝的通信服务,但该技术会导致额外的时延和迁移代价。为降低时延,可采取两个关键举措:一是对用户移动性提前预测;二是提高园区内基站连接负载的均衡性。为降低迁移代价,可根据... 详细信息

移动边缘计算中动态服务部署技术可为移动用户提供连续、无缝的通信服务,但该技术会导致额外的时延和迁移代价。为降低时延,可采取两个关键举措:一是对用户移动性提前预测;二是提高园区内基站连接负载的均衡性。为降低迁移代价,可根据园区内用户请求分布情况进行动态服务部署决策,计算最佳部署位置及最短迁移路径。因此如何提升用户移动性预测准确率、提高网络的负载均衡性能及降低服务迁移代价成为了动态服务部署技术研究的主要问题。针对提升用户移动性预测准确率和网络负载均衡性能问题,本文提出了基于用户移动性预测的基站选择算法,该算法包含KALMAR用户移动性预测子算法和基于基站负载预测分级的接入基站选择策略。KALMAR子算法将Kalman Filter模型与马尔可夫链模型相结合,与Kalman Filter模型和马尔可夫链模型相比分别提升了 30%和26.7%的预测准确率。基于基站负载预测分级的接入基站选择策略利用基站的历史负载信息对基站负载进行预测并分级决策。与NCRA算法相比具有更低的负载均衡因子,负载均衡性能更优。针对降低迁移代价问题,本文提出了 SMDQN算法,SMDQN算法对DQN算法中行为选择和Q-network更新步骤进行了改进,确定了最佳服务部署位置及最短迁移路径。实验显示SMDQN算法的迁移代价、迁移跳数均优于其他相关算法。本文首先介绍了研究背景及研究现状,接着进行了移动边缘计算相关技术的概述,并通过需求分析确定了本文的技术思路,接着对基于用户移动性预测的基站选择算法和动态服务部署及迁移路径优化算法进行了详细介绍,通过实验验证了这两个算法的性能在评价指标上优于其他对比方法。

关键词：移动边缘计算用户移动性预测动态服务部署迁移路径优化

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算环境下的资源优化研究

移动边缘计算环境下的资源优化研究

引用

作者：叶东东广东工业大学

学位级别：硕士

随着移动终端(例如,手机、平板、智能车辆等)在人们的生活当中越来越普及,用户对数据的传输速率和服务质量的要求呈指数增长。将数据处理任务迁移到云端的移动云计算已经无法满足用户的低时延和高服务质量的需求。为了解决上述需求,将... 详细信息

随着移动终端(例如,手机、平板、智能车辆等)在人们的生活当中越来越普及,用户对数据的传输速率和服务质量的要求呈指数增长。将数据处理任务迁移到云端的移动云计算已经无法满足用户的低时延和高服务质量的需求。为了解决上述需求,将云服务器迁移到更加接近用户的附近移动边缘计算被提出来了。用户可以把复杂的计算任务卸荷到边缘服务器上面满足自己低时延和低能耗、高服务质量的需求。随着移动终端的硬件水平不断提高以及相关通信技术的逐渐完善,用户不仅可以作为资源的需求方,而且还可以作为资源的提供方为移动边缘计算贡献自己的计算存储资源,从而成为移动边缘计算的一个重要组成部分。这种新的范式不仅灵活地丰富了边缘服务器的组建来源,同时节省了部署固定边缘服务器的成本。与此同时,用于组建边缘服务器的移动终端已经由单一的手机扩充为各式各样的终端设备,尤其利用停靠在大型停车场和路面上的大量智能网络汽车。如今,这些车辆的计算资源多数处于未开发的状况,如何优化与分配这些未被充分利用的车辆资源是个值得研究的热点问题。但是车辆的移动性、异构性、和动态的网络拓扑结构的限制给车辆资源分配带来了巨大的挑战。基于上述的热点价值和挑战,本论文主要研究了静态和动态的车辆的计算资源调度优化问题。主要包括以下几个方面:1)考虑把停车场的停靠车辆作为边缘节点,在保证停车场车辆隐私的情况下,边缘服务提供商利用契约论激励停车场的车辆贡献自己的计算资源为用户提供高质量的应用服务。通过仿真实验结果,验证了方法的安全性,同时也表明了该方案的分配方法是优于其他同类的方案。2)考虑公交车作为边缘节点,依靠公交车隐私泄露的低风险、具有相对统一的软件和硬件标准、固定的行驶路线和发车周期的优势和特点,边缘服务提供商使用斯坦伯格(Stackelberg)博弈的方法去优化公交车的计算资源的分配调度。通过计算资源分配的仿真,验证了本方法的有效性。3)考虑本地云和车辆联合作为边缘节点,使用过滤算法,筛选出愿意提供资源的私家车之后,边缘服务提供商和愿意提供资源的私家车协作为用户进行服务。在协作的模式下,我们利用双层的有序的斯坦伯格模型研究了他们的计算资源分配与调度。并通过仿真工作,验证了我们的方案对于计算资源分配是有效的,同时测试了车辆的移动速度对资源分配方案的影响。

关键词：移动边缘计算计算资源分配契约论公交车停车场

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算卸载及资源分配研究

移动边缘计算卸载及资源分配研究

引用

作者：陈军燕山大学

学位级别：博士

移动边缘计算(MobileEdgeComputing,MEC)作为一种新的计算技术，为移动终端设备提供丰富的计算资源服务，移动终端设备将计算任务以动/静态方式卸载到边缘服务器上进行处理，通过优化计算卸载决策和资源分配，从而增强网络边缘计算能力... 详细信息

移动边缘计算(MobileEdgeComputing,MEC)作为一种新的计算技术，为移动终端设备提供丰富的计算资源服务，移动终端设备将计算任务以动/静态方式卸载到边缘服务器上进行处理，通过优化计算卸载决策和资源分配，从而增强网络边缘计算能力，降低系统能耗。为了能够进一步提供可持续的MEC网络系统的计算能力，联合优化在具有能量收集技术支持下的MEC卸载决策和资源分配，实现系统能效最优及提升计算能力持续性服务成为MEC中计算卸载问题的研究热点。本文将重点研究MEC中的计算卸载决策及资源分配优化问题。　　首先，针对具有前/后传链路容量约束条件下的静态计算卸载决策及资源分配问题，建立了一个异构的多接入MEC网络系统模型。在该系统模型中，部署的无线射频拉远头(RadioRemoteHead,RRH)为用户提供无线接入，边缘节点(EdgeNode,EN)可以处理来自用户的计算请求或者将计算任务卸载到云中心处理。以最小化计算任务处理的总能耗为目标，在基于前传和后传链路的容量约束及时延等约束条件下，提出了一个联合无线资源分配和卸载决策优化模型。根据主要优化问题的非凸性特征，将主要优化问题划分为多个子问题，并相应地采用凸优化方法进行求解并得到最优解。　　其次，针对具有前/后传链路容量约束条件下的动态计算卸载决策及资源分配问题，以最小化所有用户设备的长期平均服务代价为目标，构建了基于Lyapunov优化理论的MEC动态卸载优化模型。为解决计算任务动态卸载下的优化问题，根据Lyapunov优化理论，将主问题划分成多个子问题求解，采用了二次约束二次规划问题(QuadraticalConstraintQuadraticProgramming,QCQP)和半正定松弛(SemidefiniteRelaxtion,SDR)技术求解最优卸载决策，同时提出了基于注水算法的无线资源功率分配解决方案。　　然后，针对基于全/半双工模式能量收集技术支持下的MEC系统中的资源分配和计算卸载问题，建立了一个具有能量收集技术支持的移动边缘计算网络系统。具有MEC功能的无线能量传输基站(WirelessPowerTransformBaseStation,WPTBS)以全/半双工模式为用户提供无线能量，用户利用采集的能量进行本地计算或将任务卸载到WPTBS或具有更强计算服务器的宏基站(Macrobasestation,MBS)服务器。以用户的能量消耗最小化为主要优化问题，将卸载决策、全/半双工能量采集模式和能量采集时间分配构建为一个非凸的混合整型规划问题，采用QCQP和半正定松弛SDR方法进行求解，并得到最优计算卸载决策、能量收集模式及能量收集的时间。　　最后，针对具有非线性能量收集支持的MEC网络系统进行智能化资源分配及卸载决策问题，构建了一个基于非线性能量收集技术支持的多用户多服务器的MEC计算网络系统。用户可以在时间间隔t内进行动态能量收集并存储于电池中。用户利用收集的能量进行任务的卸载或者进行本地处理，或者被丢弃。以计算任务的执行时延、能耗、任务被丢弃下的代价的加权和为主要优化问题，共同优化了计算卸载决策、资源的分配及能量的收集。基于Lyapunov优化理论构建任务计算成本最小化目标问题，基于深度强化学习方法(DeepReinforcementLearning,DRL)方法将问题转化成一个离散马尔科夫决策(MarkovDecisionProcess,MDP)过程，并根据Q-learning算法得到卸载决策和能量优化策略。

关键词：移动边缘计算计算卸载资源分配能量收集强化学习 Lyapunov理论优化

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算在车载网中的应用综述

引用

计算机应用研究 2020年第6期37卷 1615-1621页

作者：谷晓会章国安南通大学信息科学技术学院江苏南通226019

移动边缘计算(MEC)技术将IT服务环境与云计算技术在网络边缘结合以提高边缘网络的计算和存储能力,减少网络操作和服务交付时延;应用MEC的车载网络可以满足车辆对服务延时和通信可靠性的严格要求,提升车辆用户的服务质量(Qo S)。对移动... 详细信息

移动边缘计算(MEC)技术将IT服务环境与云计算技术在网络边缘结合以提高边缘网络的计算和存储能力,减少网络操作和服务交付时延;应用MEC的车载网络可以满足车辆对服务延时和通信可靠性的严格要求,提升车辆用户的服务质量(Qo S)。对移动边缘计算在车载网中的应用进行分析研究,首先概述MEC的基本概念及架构、典型应用场景;然后介绍MEC在车载网中的应用、基于软件定义网络(SDN)的车载网MEC研究现状以及车载网MEC应用实例;最后给出了车载网中部署MEC所要面临的问题和挑战,并对该领域未来的研究方向进行了展望。

关键词：车载网移动边缘计算云计算服务质量软件定义网络

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算技术及其本地分流方案

引用

电信科学 2016年第7期32卷 132-139页

作者：张建敏谢伟良杨峰义武洲云谢亮中国电信股份有限公司技术创新中心北京100031

移动边缘计算(mobile edge computing,MEC)技术通过为无线接入网提供IT和云计算能力,使得业务本地化、近距离部署成为可能,从而促使无线网络具备低时延、高带宽的传输能力,并且回传带宽需求的降低极大程度减少了运营成本。同时,MEC通过... 详细信息

移动边缘计算(mobile edge computing,MEC)技术通过为无线接入网提供IT和云计算能力,使得业务本地化、近距离部署成为可能,从而促使无线网络具备低时延、高带宽的传输能力,并且回传带宽需求的降低极大程度减少了运营成本。同时,MEC通过感知无线网络上下文信息(位置、网络负荷、无线资源利用率等)并向业务应用开放,可有效提升用户的业务体验,并且为创新型业务的研发部署提供平台。首先介绍MEC技术,细化并给出MEC平台框图。此外,针对基于MEC平台的本地分流功能,给出了详细的技术方案,并与3GPP本地分流方案LIPA/SIPTO进行对比分析。更进一步,针对MEC技术在网络应用中可能存在的问题与挑战进行了讨论,为后续研究发展提供参考。

关键词：移动边缘计算 MEC平台本地分流 LIPA/SIPTO

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中基于Stackelberg博弈的算力交易与定价

引用

计算机应用 2020年第9期40卷 2683-2690页

作者：吴雨芯蔡婷张大斌广东白云学院大数据与计算机学院广州510450 重庆邮电大学移通学院大数据与软件学院重庆401520

针对移动边缘计算中轻量级智能设备计算和存储能力有限等问题,提出一种基于Stackelberg博弈的计算卸载解决方案。首先,结合区块链技术构建基于云挖掘机制的算力交易模型——CPTP-BSG,允许移动智能设备(矿工)将密集且复杂的计算任务卸载... 详细信息

针对移动边缘计算中轻量级智能设备计算和存储能力有限等问题,提出一种基于Stackelberg博弈的计算卸载解决方案。首先,结合区块链技术构建基于云挖掘机制的算力交易模型——CPTP-BSG,允许移动智能设备(矿工)将密集且复杂的计算任务卸载到边缘服务器;其次,将矿工与边缘计算服务提供商(ESP)之间的算力交易建模为一个两阶段的Stackelberg博弈过程,并构建矿工与ESP的预期利润函数;然后,使用逆向归纳法分别在统一定价和歧视性定价策略下分析纳什均衡解的存在性和唯一性;最后,提出一种低梯度迭代算法来实现矿工和ESP的利润最大化。实验结果证明了所提算法的有效性,并且与统一定价相比,歧视性定价更符合矿工的个性化算力需求,能达到更高的算力需求总量和ESP利润。

关键词：移动边缘计算计算卸载区块链 Stackelberg博弈算力交易歧视性定价

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中资源管理问题的研究

移动边缘计算中资源管理问题的研究

引用

作者：代玥玥电子科技大学

学位级别：博士

物联网技术和无线通信技术的快速迭代更新,使得移动终端设备和数据流量迅猛增长,并且催生了一系列诸如虚拟现实、超高清视频、和智能驾驶等具有计算密集、延迟敏感特征的应用。然而,传统的集中式云计算网络架构因受限于过重的回程链路... 详细信息

物联网技术和无线通信技术的快速迭代更新,使得移动终端设备和数据流量迅猛增长,并且催生了一系列诸如虚拟现实、超高清视频、和智能驾驶等具有计算密集、延迟敏感特征的应用。然而,传统的集中式云计算网络架构因受限于过重的回程链路负载和过长的服务响应时延,无法满足海量移动终端及其新兴应用所需的低时延、高带宽、本地化处理等需求。移动边缘计算(Mobile Edge Computing,MEC)作为一种新的应用范式,提出将计算、存储、处理等功能从云服务器下沉到无线网络边缘,为移动用户提供邻近的实时计算和本地化处理能力,以减少网络延迟、提升用户体验。在移动边缘计算中,用户可将计算密集和延迟敏感型应用从本地迁移到边缘服务器,以解决自身计算资源和电池容量受限等问题。同时边缘服务器可预先缓存一部分用户所需的内容,以降低内容访问时延,提升用户体验。然而,由于移动边缘计算将计算和存储等资源引入到无线网络边缘,原有的无线网络资源分配和部署方案因不涉及计算和存储资源而不再适用。为此,本论文致力于研究如何将移动边缘计算中的计算和存储资源与无线通信相融合,进一步以异构蜂窝网络和车载边缘网络为典型无线网络场景,分别针对计算迁移与用户关联、计算迁移与资源分配、计算迁移与负载均衡、边缘缓存等典型问题进行研究。本论文主要研究内容如下:(1)异构蜂窝网络下多任务的计算迁移和用户关联方案针对异构蜂窝网络中终端设备电池容量和计算资源受限、MEC服务器密集部署、多任务间依赖关系复杂等问题,研究了针对多任务的计算迁移和用户关联方案。首先,提出了基于异构蜂窝网络的两层计算迁移模型。其次,将基于多任务间依赖关系的计算迁移和用户关联问题建模为以最小化用户和MEC服务器能耗为目标的混合整数非线性规划问题。最后,利用子问题分解和半正定规划方法设计了一种高效可行的分布式计算迁移与用户关联优化方案,该方案同时优化用户关联决策、计算资源分配、功率分配和计算迁移决策。数值结果表明,本文提出的计算迁移和用户关联优化方案能有效降低系统能耗、提升系统性能。(2)异构蜂窝网络下基于深度强化学习的计算迁移方案针对大小蜂窝并存、终端设备和基站所配备的计算资源的差异性、及应用程序具有不同的服务质量需求等问题,研究了基于深度强化学习的云-边-端协同计算迁移方案。首先,提出了异构蜂窝网络下多用户云-边-端协同网络架构。在此架构下,终端设备和大小基站都配备有计算资源,可同时支持本地计算和计算迁移。其次,定义了以最小化系统能耗为目标的计算迁移和资源分配联合优化问题。最后,基于深度强化学习,设计了一种能感知系统状态的计算迁移和资源分配联合优化算法。仿真结果表明,与本地计算和全部迁移策略相比,所提算法能显著降低系统能耗。进一步实验结果表明,深度强化学习率、折扣因子和系统终端设备数量对所提算法的性能均有一定程度的影响。(3)车载边缘网络下计算迁移和负载均衡方案针对车载应用具有低时延的需求、车辆和路边单元计算资源受限的问题,研究了车载边缘计算网络中的计算迁移和负载均衡方案。首先,将基于IEEE 802.11p协议的车路通信时间与计算时间相结合,提出了计算任务处理时延模型。其次,定义了以最大化系统效用为目标的计算迁移和负载均衡联合优化问题。最后,基于计算任务的时延约束,设计了一种低复杂度的计算迁移和负载均衡联合优化算法。该算法可同时优化迁移决策、计算资源分配和负载均衡策略。实验结果表明,所提算法具有较快的收敛速度。与现有算法相比,所提算法具有较好的性能,能显著提升系统效用。(4)车载边缘网络下高效安全的边缘缓存方案针对车辆移动端所导致的动态网络拓扑、时变的无线信道状态,以及车间信任关系薄弱等现象,研究了车载边缘计算网络中高效安全的边缘缓存方案。首先,将深度强化学习和区块链集成到车载边缘计算网络中,提出了一种基于许可区块链的分布式内容缓存框架,以期实现高效安全的边缘缓存。其次,定义了以最大化系统效用为目标的车间边缘缓存优化问题,并设计了基于深度强化学习的边缘缓存算法。最后,提出了基于效用证明(Proof-of-Utility,PoU)的一致性区块校验机制。安全分析表明,基于区块链的边缘缓存方案可实现安全的车间边缘缓存。仿真结果表明,与贪婪和随机缓存方案对比,基于深度强化学习的边缘缓存方案能显著提升系统效用,且能保证更高的缓存成功率。

关键词：移动边缘计算计算迁移资源分配边缘缓存深度强化学习

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中多约束下的任务卸载和资源分配算法

引用

计算机工程与科学 2020年第10期42卷 1869-1879页

作者：童钊叶锋刘碧篮邓小妹梅晶刘宏湖南师范大学信息科学与工程学院湖南长沙410012

随着物联网和车载网的普及与应用,近用户端(数据源端)的数据呈现爆炸式的增长。为了有效地处理这些快速增长的数据,移动边缘计算作为一种新的计算模式应运而生。移动边缘计算是指将云中心的部分资源下沉到网络边缘,使得数据能够在网络... 详细信息

随着物联网和车载网的普及与应用,近用户端(数据源端)的数据呈现爆炸式的增长。为了有效地处理这些快速增长的数据,移动边缘计算作为一种新的计算模式应运而生。移动边缘计算是指将云中心的部分资源下沉到网络边缘,使得数据能够在网络边缘被处理。如何高效地卸载任务以及合理地分配资源,是目前移动边缘计算研究领域中的一个热点问题;然而现有的研究工作很少考虑到边缘数据和计算节点的安全性,只有保证数据与信息的安全,移动边缘计算才能全面发展。因此,基于数据的安全性,结合深度强化学习在多约束条件下提出了一种任务卸载和资源分配算法。实验结果表明,该任务卸载算法与几种经典算法相比,有效地提高了任务卸载成功率、任务成功执行率,降低了本地端能耗,更好地满足了用户的QoS需求。

关键词：移动边缘计算任务卸载资源分配深度强化学习 QoS

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：