面向多用户的MEC动态自适应卸载方法研究

作     者：苏麟 

作者单位：西北师范大学 

学位级别：硕士

导师姓名：党小超

授予年度：2023年

学科分类：08[工学] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 

主      题：移动边缘计算 深度强化学习 动态自适应 车联网 任务卸载 

摘      要：随着物联网技术的快速进步,终端用户产生的数据呈指数级增长。为有效减轻庞大数据量对云端的负担,移动边缘计算(Mobile Edge Computing,MEC)这个概念被研究者提出,在这种新型的计算模式下,系统可以在靠近移动用户的边缘侧对数据进行分析和处理,能够为用户提供高实时性的服务。现阶段关于时延敏感型任务的研究,以及如何自适应环境的动态变化,在满足不同类型用户的多样化需求方面仍面临挑战。针对上述现象,本文根据多用户的不同任务请求,提出相关的MEC任务卸载方法,并设计多组对比仿真实验证明方法的优越性。研究的主要工作如下:(1)为较好地适应动态衰落时变的无线信道,解决终端用户电量有限的问题,将无线供电传输技术(Wireless Power Transfer,WPT)与移动边缘计算相结合,构建一个多用户的WPT-MEC的任务卸载模型,无线终端用户通过在无线接入点获取能量,用于通信和计算。并提出一种基于WPT-MEC的动态自适应卸载方法,即RLDO方法,该方法主要运行在MEC服务器上,可以对用户请求的任务做出实时的决策。考虑不同因素对该方法的影响,仿真实验结果表明,RLDO方法可以很好地自适应信道状态的动态变化,从而降低执行任务过程中的时延和能耗。(2)在车联网环境下,设计一个基于多车辆用户和多MEC服务器的“云-边协同的系统任务卸载开销模型,云中心协调整个链路的计算资源和存储能力。将时延和能耗的加权和视为执行任务的总成本,并将总成本最小化问题转化为一个基于深度强化学习的优化问题,提出一种基于深度确定性策略梯度的“云-边协同的动态计算卸载方法,即ECDDPG方法,并在边缘服务层实施。仿真结果显示,ECDDPG方法在奖励值和收敛性方面的性能较好,可以降低总成本、计算时延和能耗。(3)为解决在动态环境下对车辆用户的请求如何做出快速的卸载决策、如何充分利用车辆自身的资源以及最小化任务的执行时延问题,设计一个由终端层和边缘层组成的两层车辆边缘计算模型,并提出车辆边缘计算部分任务卸载方法,即TADDPG方法,该方法主要基于深度确定性策略梯度算法,并引入双演员网络机制,采用优先级经验回放技术,通过学习和优化策略,自适应环境的变化,实现最小化时延的目标,并通过仿真实验验证了所提方法的有效性。本文针对不同的用户需求,及不同的场景下,采用不同的卸载策略,结合深度强化学习的思想,提出了关于移动边缘计算、车辆边缘计算的不同任务卸载方法,通过仿真结果表明,本文所提的方法可以通过参数化权重,在训练过程中不断地动态调整,来自适应外界环境的变化,进而有效降低执行任务产生的时延、能耗以及总成本,可以很好的满足用户多样化需求。