三层移动网络体系中基于DRL的卸载策略研究

在用户设备、边缘计算服务器和云服务器构成的三层移动网络体系中,如何高效地进行任务卸载是一个重要的问题。针对移动边缘计算(MEC)中多用户多服务器环境下的长时延和高能耗问题,提出一种基于深度强化学习(DRL)算法的三层移动网络架构,将卸载决策问题模型化为约束条件下的最优化问题。结合深度强化学习理论,利用改进的A3C(IA3C)算法求解。仿真结果表明:与深度Q网络(DQN)、全本地卸载算法、全边缘卸载算法相比,在设备数量、MEC计算能力和用户数据量三个方面,提出的卸载策略均能更有效地降低总成本。

基于XLNet的物联网领域命名实体识别

为了提高物联网领域实体识别能力,提出基于XLNet的命名实体识别模型。通过分析物联网实体的语义特征及需求,将物联网领域的感知单元、计算单元、执行单元、消息单元、服务单元、位置单元和观测单元抽象为实体,以此自建数据集。基于XLNet模型构建"XLNet+Bi-LSTM+Attention+CRF"命名实体识别模型,并与其他语言模型作对比分析。实验结果表明,该模型能够更好地挖掘文本信息,提高物联网领域实体识别的准确性,F1值达到了95.18%,能够较好地应用于物联网领域命名实体识别任务。