基于深度学习的MEC系统卸载计算优化研究

作     者：苏滕敏 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：张晶

授予年度：2022年

学科分类：080904[工学-电磁场与微波技术] 12[管理学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 081001[工学-通信与信息系统] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：移动边缘计算 任务调度 低时延 安全卸载 

摘      要：随着5G的快速发展和移动设备的激增,传统的移动云计算（Mobile Cloud Computing,MCC）已经无法满足计算密集型任务低时延服务要求,同时移动设备受限于计算能力、电池量而无法带给用户满意的体验感。为了解决上述问题,移动边缘计算（Mobile Edge Computing,MEC）通过将高性能服务器部署在移动用户的附近,将强大的云计算能力转移到网络边缘,用户可就近卸载任务,从而能显著减少任务的计算延迟。然而,如何基于有限的MEC资源实现大量用户任务的低时延卸载计算仍然存在一些难题。为此,本文围绕多用户MEC系统卸载计算优化问题展开研究,探讨在功率、能耗等约束条件下提高安全数据量、降低用户时延的方法。本文的主要研究内容和成果如下:（1）研究了MEC资源受限条件下大量用户任务的低时延MEC卸载计算问题,建立了端边协同下多用户卸载和计算调度联合优化问题,提出一种基于深度强化学习（Deep Reinforcement Learning,DRL）的多用户MEC优化方案。该方案包含两个子算法:其一为任务调度算法,实现MEC服务器中计算任务优化调度;其二为SRLA卸载决策算法,解决用户端边卸载决策和边缘服务器选择。研究结果表明,本文提出的方案能够有效降低任务的总处理时延,提升有限资源对大量并发用户计算任务的服务效率。（2）研究了安全MEC场景下多用户卸载问题。建立了本地计算模型和边缘计算模型,以最大化用户安全卸载计算数据量为目标建立优化问题。在该方案中,用户的安全数据量包括本地计算量以及安全卸载到边缘服务器的任务量,通过优化用户发射功率和本地计算量来解决我们的目标函数。为了解决上述问题,本文将目标函数分为两个子问题（1）本地计算量优化子问题;（2）用户发射功率优化子问题。每个子问题通过给定另一个变量得出最优解。分别求解两个子问题,得到原问题的最优解,进而提出一种最优的部分任务安全卸载方案。研究结果验证了本文所提方案的性能,同时表明了本文方案能相比二进制卸载方案能够实现更好性能。总之,本文对MEC环境中大量用户任务的卸载计算进行了深入研究,通过优化多用户卸载顺序,有效降低了用户时延,并且通过优化发射功率和本地计算量,有效提高了在被窃听的情况下用户的安全数据量。