在移动边缘计算网络中,联合考虑用户的移动性和服务满意度,实现数字孪生(Digital Twin, DT)的有效部署是一个极大的挑战。针对该问题,提出了一种边缘网络中基于用户移动性预测的数字孪生部署策略。首先,利用双向长短期记忆网络(Bidirectional Long Short-Term Memory Network, Bi-LSTM)和注意力机制建立一种轨迹预测模型,对移动用户进行轨迹序列预测;然后,利用整数线性规划(Integer Linear Programming, ILP)对数字孪生的部署问题进行建模;最后,以最大化由信息新鲜度(Age of Information, AoI)定义的效用增益函数为优化目标,提出一种基于用户移动性预测的数字孪生部署策略算法对提出的问题进行求解。该算法根据获取到的移动用户轨迹数据,利用数字孪生部署的边际效用递减特性进行设计,以实现最优的数字孪生部署策略。仿真分析验证了所提算法在预测精度和效用增益方面的有效性,且该算法与基准算法相比显示出性能提升不低于10.7%。
针对物联网(Internet of Things,IoT)终端的移动性和服务请求的随机性所导致的IoT网络的动态变化,在物联网边缘计算网络(IoT-mobile edge computing,IoT-MEC)中对物联网服务功能链请求流(IoT-service function chain request,IoT-SFCR)...
详细信息
针对物联网(Internet of Things,IoT)终端的移动性和服务请求的随机性所导致的IoT网络的动态变化,在物联网边缘计算网络(IoT-mobile edge computing,IoT-MEC)中对物联网服务功能链请求流(IoT-service function chain request,IoT-SFCR)进行动态SFC部署是一个具有挑战性的问题。首先将IoT-MEC网络中的动态SFC部署问题分解为两个子问题,即虚拟网络功能(virtual network function,VNF)部署子问题和路由路径确定子问题。然后利用马尔可夫决策过程(Markov decision process,MDP)对其进行建模。为了使IoT-SFCRs的资源消耗成本和端到端时延的加权和最小,并考虑网络的负载均衡,接着提出了一种采用目标网络和经验重放方法的深度强化学习(deep reinforcement learning,DRL)算法,对每个到达的IoT-SFCR实现动态SFC部署。仿真结果表明,在三种典型网络类型下,与现有算法相比,该算法的SFC部署成功率提高了17%,平均奖励提高了23.8%,高效地解决了IoT-MEC网络中SFC的动态部署问题。
暂无评论