移动边缘网络中基于双深度Q学习的高能效资源分配方法

为了提升移动边缘网络中系统的能量使用效率,面向多任务、多终端设备、多边缘网关、多边缘服务器共存网络架构的下行通信过程,提出了一种基于双深度Q学习(DDQL)的通信、计算、存储融合资源分配方法。以任务平均能耗最小化为优化目标,设置任务时延和通信、计算、存储资源限制等约束条件,构建了对应的资源分配模型。依据模型特征,基于DDQL框架,提出了适用于通信和计算资源智能决策、存储资源按需分配的资源分配模型和算法。仿真结果表明,所提出的基于DDQL资源分配方法可以有效地解决多任务资源分配问题,具有较好的收敛性和较低的时间复杂度,在保障业务服务质量的同时,相对于基于随机算法、贪心算法、粒子群优化算法、深度Q学习等方法,降低了至少5%的任务平均能耗。

面向B5G/6G边缘网络的智能管控架构

网络管控是业务服务质量的重要保障,面向未来B5G/6G的应用场景和业务特征,分析网络管理和控制的智能化需求,重点针对B5G/6G边缘网络,提出基于人工智能的管理控制架构,具体包括边缘网络的资源模型构建方法、网络智能管理的功能范畴、人工智能计算单元的部署方法,以及意图驱动的网络资源自主调度流程等内容,最后通过一个应用场景描述架构的实现方法。