随着智能设备的普及以及通信技术的快速发展,当前的通信平台架构越来越难以满足用户们的需求。移动边缘计算(Mobile Edge Computing,MEC)通过在无线接入网靠近用户的边缘提供IT服务环境和云计算能力来大幅降低任务延迟,提高用户服务质量。设备到设备(Device to Device,D2D)通信作为5G时代的关键技术,能够将任务卸载到网络中的空闲设备,与MEC技术联合进行计算卸载,进一步提高系统资源利用率。在D2D辅助下的MEC系统研究中,常需要考虑移动设备对资源的竞争以及有限资源限制下的多智能体协同任务卸载,如何设计出高效的任务卸载策略以满足场景中用户的服务需求是其主要挑战之一。本文主要工作如下:(1)针对任务期限约束下D2D-MEC系统决策任务卸载与带宽分配来最小化平均任务延迟与丢弃率的问题,首先本文根据设备负载进行活动/空闲设备动态划分使其更加灵活;然后考虑到任务可能持续多个时间帧的事实,利用队列模型对负载进行建模;接下来根据问题序贯关系将其分为任务卸载与带宽分配两个子问题:面对任务卸载问题庞大的动作空间以及动态的网络环境,利用基于IPPO(Independent Proximal Policy Optimization)算法的多智能体强化学习算法进行求解;带宽分配问题根据设备只在新时间帧才执行任务切换的特性提出基于分组背包的动态规划算法来最小化任务预期传输时间。(2)针对能量约束下的D2D-MEC系统通过决策任务卸载与CPU频率选择以最小化平均任务延迟问题,本文引入能量采集(Energy Harvesting,EH)以及动态电压频率调整(Dynamic Voltage Frequency Scaling,DVFS)技术以应对能耗约束。面对二维离散动作空间以及动态网络环境,采用中心化训练+去中心化执行架构下的MAPPO(Multi-Agent Proximal Policy Optimization)多智能体强化学习算法进行处理以保证性能与时效性,利用双端Actor网络输出卸载策略以及CPU频率选择。(3)通过仿真实验验证了本文所提出算法的性能:①在任务期限约束下D2D-MEC系统决策任务卸载与带宽分配中,所提出算法与次优的A2C(Advantage Actor Critic)算法相比在平均延迟和丢弃率指标分别下降了11.2%和22.7%;②在电池容量约束下D2D-MEC系统决策任务卸载与CPU频率选择中,所采用的去中心化执行架构算法在平均延迟指标上与中心化执行架构相比性能上无差异,与PPO算法相比下降了84.8%,与基准算法相比至少下降了43.42%。
近年来,随着道路上汽车数量的增加和科技的快速发展,汽车正在向智能化的方向快速迈进。然而,车联网(Internet of Vehicles,IOV)中智能车辆拥有大量的移动应用程序给智能车辆带来了一些挑战即需要实时的采集信息和大量计算资源。为了应...
详细信息
近年来,随着道路上汽车数量的增加和科技的快速发展,汽车正在向智能化的方向快速迈进。然而,车联网(Internet of Vehicles,IOV)中智能车辆拥有大量的移动应用程序给智能车辆带来了一些挑战即需要实时的采集信息和大量计算资源。为了应对这些挑战,移动边缘计算(Mobile Edge Computing,MEC)通过在用户周围部署边缘服务器,为移动应用和车联网系统提供低延迟和低开销的计算服务。MEC能够很好的满足高质量的服务要求,解决在移动应用程序提供的实时性、准确性方面出现的问题。但是,当所有用户都进行任务卸载时,MEC服务器的计算能力将会受到巨大的压力。因此,有效的任务卸载决策和资源分配策略对于提高车联网系统的性能和可靠性至关重要。为解决上述问题,本文的具体研究内容和创新之处如下:(1)本文设计了一个任务卸载协同计算框架,可以将任务卸载在本地计算、卸载到配置有MEC服务器的路边单元(Road Side Unit,RSU)上计算、卸载到云端计算。并在其中引入任务卸载优先级矩阵,确定计算任务的优先卸载顺序。另外,将任务卸载的总代价即时延和能耗作为优化目标并设计改进秃鹰搜索优化算法(Improved Bald Eagle Search Optimization Algorithm,IBES)实现任务卸载。设计的IBES是将Tent混沌映射、Levy Flight机制与自适应权重引入秃鹰搜索优化算法,增加初始种群多样性、增强局部搜索和全局收敛能力。仿真结果表明,与粒子群算法、秃鹰搜索优化算法等算法相比,IBES算法具有更好的卸载性能和较低的系统代价。(2)本文将具有空闲计算资源的路边停车车辆作为任务卸载平台,提出了一种路边停车协同的移动边缘计算任务卸载策略。此策略加入路边停车作为任务卸载平台,结合本地、RSU和云服务器三种任务卸载平台进行计算任务卸载处理。并提出了一种混合算法(A Hybrid Algorithm Based On Hill-climbing Algorithm And Genetic Algorithm,HHGA),在遗传算法的基础上引入爬山算法来改善遗传算法陷入在局部最优的问题。从系统开销、时延、能耗等几个方面进行对比分析,实验结果表明与其他卸载策略相比,本文提出的策略可以有效降低系统总成本。
随着5G通信技术和互联网新兴应用的不断发展,移动设备有限的计算能力和电池能量难以满足互联网应用的计算、实时性等需求。因此,为了解决用户日益增长的网络需求和用户设备之间的矛盾,移动边缘计算(Mobile Edge Computing,MEC)应运而生。MEC可以为用户提供低时延、高能效和高可靠性的网络服务体验。通过计算卸载技术将计算任务调度到合适的MEC服务器并分配计算资源,降低用户设备计算任务的完成时延和用户设备的能耗。针对MEC有限的计算资源和用户设备受限的电量,如何设计合理的计算任务调度和资源分配策略是目前亟需解决的问题。本文对以上问题展开研究,具体研究工作如下:(1)在多用户单服务器边缘计算场景中,考虑有限的用户设备电量和计算任务排队等候服务的情况,根据通信模型和计算模型设计了系统总成本,提出了基于能量感知的任务调度和资源分配策略。仿真实验表明,提出的策略在达到用户设备预设的电量阈值之后能够优化调整任务调度和资源分配来动态调整最优解。同时,与其他算法相比,提出的算法能够有效的降低时延和能耗并且系统总成本为最小。(2)在多用户多服务器边缘计算场景中,考虑多个MEC服务器竞争为用户设备请求的计算任务提供计算服务,引入软件定义网络(Software Defined Network,SDN)控制器为用户设备的任务调度和资源分配进行高效的决策。根据MEC服务器的计算资源和用户设备计算任务请求的计算资源信息,设计了一种价格机制,提出基于DDPG的MEC服务器选择算法为用户设备的计算任务选择合适的MEC服务器。之后根据动态计算卸载算法,为用户设备的计算任务确定最佳的计算任务卸载比例。仿真实验表明,提出的定价策略可以让MEC服务器获得更多的收益并且能够降低用户设备的卸载成本。同时,与其他卸载算法相比,提出的算法能够有效的降低时延和能耗,降低效率分别达到38.69%和50.19%。
暂无评论