边缘计算网络中基于排队论的通信和计算资源联合优化

高可靠和低延迟是目前车联网边缘计算网络中最重要的研究方向之一。为了满足车联网网络中复杂多变的任务请求,有效并且高效地分配通信资源和计算资源,提出了一种基于任务排队论模型和边缘计算模型相结合的智能通信和计算资源分配的多目标强化学习策略。该策略将通信资源和计算资源的分配相结合,以降低由延迟和可靠性组成的系统总成本。该策略可以被分解成3种算法,首先联合计算卸载与协作算法是该策略的一个通用框架,它首先使用KNN方法为生成的任务请求选择卸载层,如边缘计算层和本地计算层;然后,当选择本地计算层执行任务时,使用称为协作车辆选择的算法来查找执行协作计算的目标车辆;最后,通信和计算资源的分配被定义为两个独立的目标,称为多目标资源分配的算法在移动边缘计算层使用强化学习来实现问题的最优解。仿真结果表明,与随机计算、全部边缘计算和全部本地计算相比,所提策略有效地降低了系统的总成本。KNN方法和随机卸载方法相比,节省了系统的总成本,强化学习算法在系统总成本的控制上也优于传统的粒子群算法。

车载边缘计算网络中基于MAB的动态任务卸载方案研究

将移动边缘计算技术应用到车载网络所形成的车载边缘计算系统,能够通过任务卸载为其他移动设备提供计算服务。然而,由于车载设备的移动性,导致了车载任务卸载环境是动态变化和不确定的,具有快速变化的网络拓扑、无线信道状态和计算负载,这些不确定性让任务卸载过程非理想化。针对这些不确定性,考虑将MEC服务器的计算资源下沉到车载设备,研究车辆之间的任务卸载,并提出了一种解决方案,使得车辆能够在未知状态信息的前提下学习周围车辆的服务性能并卸载任务。基于多臂老虎机框架,设计了一种二阶探索的强化学习算法,以最大化用户平均卸载回报,并且在一个卸载阶段结束后提出了一种服务集更新方式,以保证用户的服务质量。仿真结果表明,与现有的基于置信上限的算法相比,所提方案下的卸载回报提高了约34%。