咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >面向智能边缘的低时延和低能耗任务分解与调度机制研究 收藏
面向智能边缘的低时延和低能耗任务分解与调度机制研究

面向智能边缘的低时延和低能耗任务分解与调度机制研究

作     者:刘炜 

作者单位:广东技术师范大学 

学位级别:硕士

导师姓名:蔡君

授予年度:2023年

学科分类:080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 

主      题:边缘计算 低延迟 资源树 计算卸载 深度强化学习 

摘      要:随着物联网技术的迅速发展和智能化设备的广泛应用,自动驾驶和工业设备协同控制等应用场景对延迟和能耗的要求越来越高。为满足延迟敏感型和能耗敏感型应用发展需求,移动边缘计算(MEC)是一种解决传统云计算局限性切实有效的解决方案。MEC可以充分利用边缘设备的计算资源,提高计算效率,减少数据传输延迟和终端设备能耗。现有的研究计算卸载相关工作存在MEC网络资源的感知效率较低,端到端的协同计算过度依赖边缘或云的参与,以及未合理分解计算任务导致无法充分利用节点计算资源等问题。本文通过构建感知MEC网络资源的大小资源树使得端侧设备能够协同计算,通过多粒度任务分解和自适应优先级调整以充分利用MEC网络资源,具体工作如下:(1)针对计算设备无法感知MEC网络计算资源和复杂环境中任务调度的问题,提出了大小资源树边缘离散设备资源管理策略和基于双深度Q网络(DDQN)的任务调度算法。MEC网络内的节点将资源信息主动上报至片区边缘服务器(ES)构建小资源树,ES将片区资源上报至域服务器构建大资源树,再通过DDQN算法将终端计算任务调度至资源树中有足够资源能够完成计算卸载的节点。实验结果表明,所提算法相比于纯DQN、DISCO和全部卸载等任务调度策略平均效用值分别提高6.31%、8.13%和13.01%,具有更低的延迟和能耗。(2)针对边缘环境中计算延迟和能耗无法得到进一步降低的瓶颈问题,提出一种基于资源感知的多粒度任务分解算法和基于模糊逻辑的自适应优先级决策算法。通过长短期记忆网络预测未来时刻节点资源剩余情况,对计算任务进行多粒度分解,提高子任务与MEC网络资源的匹配度;边缘服务器通过感知任务的紧急程度重新计算优先级,为优先级更高的计算任务自适应的分配更多计算资源。实验结果表明,所提的算法与纯DQN、DDL-CORA和全部卸载策略相比,平均效用值分别提高1.13%、1.72%和2.26%,具有更高的效用值,能够进一步降低计算任务总体延迟和能耗。本研究提出的资源管理和任务调度策略,多粒度任务分解算法和自适应优先级决策算法,有效降低了计算延迟和能耗,对新型延迟和能耗敏感性应用的发展具有重要的现实意义。

读者评论 与其他读者分享你的观点