论文部分内容阅读
伴随5G技术与VR、AR等相应计算密集型应用的快速发展,用户设备的计算能力与电池能量正面临着巨大挑战。移动边缘计算(Mobile Edge Computing,MEC)作为5G演进的网络架构,通过在网络边缘提供计算与存储能力,可有效解决用户设备与应用之间对于计算能力、时延与能耗的矛盾。其中,这主要依靠以卸载决策与资源分配为主的计算卸载技术进行实现,它根据任务规模与网络可用资源信息生成有效的卸载决策方案和资源分配方案,通过将计算任务合理卸载至MEC服务器并分配资源进行任务计算,以降低系统的时延和能耗。但随着用户增长与成本限制,MEC服务器计算资源的有限性也日益凸显,因此,如何在计算资源受限的MEC服务器中设计合理的卸载决策与资源分配策略,是目前亟待解决的问题之一。为此,本文在MEC卸载环境下,增加MEC服务器计算资源有限、任务完成时间受限等真实卸载情况下的约束条件,设计有效的卸载决策与资源分配策略,从而缩短系统时延,降低终端能耗。具体研究工作总结如下:(1)针对MEC服务器计算资源受限的多用户单服务器卸载场景,对基于精英选择策略的遗传算法部分改进,提出一种卸载决策与资源分配的联合优化策略improve-eGA,以最小化系统总成本(执行时延与能耗的加权和)。通过仿真实验,相较于经典本地执行算法,improve-eGA减小了 25%的系统总成本。(2)针对MEC服务器计算资源受限的多用户多服务器卸载场景,增加任务完成时间约束,设计一种新型目标函数并对深度强化学习中的Nature DQN算法部分改进,提出一种卸载决策与资源分配的联合优化策略Based DQN,以在在满足时延约束下缩短任务完成时间并降低终端能耗。通过仿真实验,相较于经典本地执行算法,新目标函数下的Based DQN在满足时延约束下缩短了 33.51%的任务完成时间,降低了 51.51%的终端能耗。