针对移动边缘计算中具有依赖关系的任务的卸载决策问题，提出一种基于深度强化学习的任务卸载调度方法，以最小化应用程序的执行时间。任务调度的过程被描述为一个马尔可夫决策过程，其调度策略由所提出的序列到序列深度神经网络表示，并通过近端策略优化（proximal policy optimization）方法进行训练。仿真实验表明，所提出的算法具有良好的收敛能力，并且在不同环境下的表现均优于所对比的六个基线算法，证明了该方法的有效性和可靠性。
2021-10-06 19:58:34
1.39MB
1
移动边缘计算(MEC，mobile edge computing)中计算卸载技术即将移动终端的计算任务卸载到边缘网络，解决了设备在资源存储、计算性能以及能效等方面存在的不足。同时相比于云计算中的计算卸载，MEC 解决了网络资源的占用、高时延和额外网络负载等问题。首先介绍了 MEC 的网络架构及其部署方案，并对不同的部署方案做了分析和对比；然后从卸载决策、资源分配和系统实现这3个方面对MEC计算卸载关键技术进行了研究；通过对5G环境及其MEC部署方案的分析提出了两种计算卸载优化方案，总结归纳了目前MEC中计算卸载技术面临的移动性管理、干扰管理以及安全性等方面的核心挑战。
2021-07-21 17:30:28
1.25MB
1
基于深度强化学习的动态计算卸载，程百川，刘丹谱，移动边缘计算在移动网络边缘提供计算资源。为了减少执行时延，计算密集型任务可以从用户设备卸载到移动边缘服务器。当考虑到任务
2021-06-21 09:50:46
320KB
1
移动边缘计算（MEC）将计算和存储资源移动到移动网络的边缘，使其能够在满足严格的延迟要求的同时在移动设备处运行要求高处理的应用。它考虑了移动计算卸载问题，其中可以调用工作流中的多个移动服务来满足其复杂需求，并决定是否卸载工作流的服务，同时考虑了组件服务之间的依赖关系，并旨在优化执行移动服务的执行时间和能耗。针对上述问题运用了基于遗传算法（GA）的卸载方法，经过设计和实施后，部分修改传统遗传算法，以满足对所述问题的特殊需求。仿真实验表明，GA算法的实验效果都优于算法Local Execution和RANDOM得到的实验结果。
2021-05-08 17:13:23
673KB
1
为实现车辆终端用户任务执行时延与处理速率、能耗的最佳均衡关系，针对车联网的边缘接入环境，提出了一种基于深度 Q 网络（DQN）的计算任务分发卸载算法。首先根据层次分析法对不同车辆终端的计算任务进行优先级划分，从而为计算任务处理速率赋予不同的权重建立关系模型；然后引入基于深度Q网络的边缘计算方法，以计算任务处理速率加权和为优化目标建立任务卸载模型；最后建立基于 DQN 的车辆终端自主最优任务卸载策略，最大化卸载决策制定模型的长期效用。仿真结果表明，相比Q学习算法，所提算法有效提高了任务执行效率。
2021-04-14 20:33:15
793KB
1
通过将任务从资源匮乏的移动设备卸载到资源丰富的云，计算卸载已成为一种扩展移动设备功能的有效方法。 在本文中，我们研究了在具有多个移动设备用户的情况下无线计算分流的能量和时间优化问题。 首先，针对以能量最小化为目标的情况，我们将多个移动设备用户之间的计算卸载决策问题公式化为具有随机访问权限的计算卸载游戏。 我们分析了游戏的结构特性，然后设计了一种算法，通过利用其有限的改进特性来实现纳什均衡。 其次，对于以时间最小化为目标的情况，我们导出了要为每个移动用户分担的任务的最佳部分。 数值结果验证了我们的理论分析。
2021-02-25 09:09:27
172KB
1