基于元强化学习的自适应卸载方法

计算卸载是移动边缘网络中的一个关键问题,基于深度学习的算法为高效生成卸载策略提供了一种解决方法。但考虑到移动终端设备的动态性以及不同任务场景之间的转换,需要大量的训练数据和较长的训练时间重新训练神经网络模型,即这些方法对新环境的适应能力较弱。针对这些不足,提出了一种基于元强化学习(Meta Reinforcement Learning,MRL)的自适应卸载方法,先对外部模型进行预训练,处理具体任务时再基于外部模型训练内部模型。该方法能快速适应具有少量梯度更新的样本的新环境。仿真实验表明,该算法能够适应新的任务场景,效果良好。

资源约束下基于Lyapunov优化的自适应卸载算法

移动边缘计算(MEC)将计算、存储、网络资源和服务向网络边缘下沉,并允许用户在边缘服务器上处理任务。然而,在实际应用中,用户请求的任务卸载量和无线信道状态随时间不断变化,同时计算和通信资源受限也对任务卸载和资源分配任务带来了挑战。针对该问题,构建一种资源约束下面向动态环境的系统效用优化模型。该模型中各个终端设备均配备能量收集装置,充分利用外界可再生能源来支持系统处理任务。运用Lyapunov优化理论消除优化模型对不确定信息的依赖,将原依赖未知信息的目标优化问题转化为只依赖当前时间片系统信息的优化问题,使用归约法证明该优化问题为一个NP-hard问题。结合深度强化学习方法设计一种资源约束下的自适应卸载算法LyUO,该算法在系统动态信息未知的情况下实时确定近优任务卸载决策及MEC服务器通信/计算资源分配策略。仿真结果表明,LyUO算法在任务到达率和无线信道状态变化时可使系统中所有设备的任务队列保持稳定,在满足队列长期约束的同时使系统效用较基准算法提升约15%。

基于WPT-MEC的动态自适应卸载方法

针对动态衰落时变的信道状态信息,为解决多用户的任务卸载和资源优化问题,将无线电能传输(WPT,wireless power transmission)技术和移动边缘计算(MEC,mobile edge computing)结合,提出一种基于WPT-MEC的动态自适应卸载(RLDO)方法。无线电能传输技术可为无线终端用户(WEU,wirelessend-user)提供能量,有效缓解传统电池供能有限的问题。为使资源利用最大化,设计一个无线电能的MEC网络模型,无线终端用户从无线接入点(AP,accesspoint)收集的能量存储至可充电电池内,再利用此能量进行任务计算或任务卸载。该方法通过部署在MEC服务器的全连接深度神经网络(DNN,deep neural network)进行实时的卸载决策。采用完全的二元制卸载策略进行卸载决策。仿真结果表明,在面向多用户时变的无线信道环境下,该方法的计算速率仍可以保持在92%以上。与基本方法相比,在提高计算速率、降低时延和能耗方面具有较大优越性,有效降低了计算复杂度。

移动设备自适应计算卸载研究

通过卸载,移动云计算能够节省处理能量,这是最大限度降低功耗的最有效方法之一。自适应计算卸载属于局部计算卸载,它根据特定条件,将整项任务划分成更小的单元,且只有耗能大的任务单元被发送到云中进行卸载。文章分析移动云计算卸载的需求,给出移动云计算的3层架构,研究MACS(移动增强云服务)的架构,并基于3项限制条件来优化移动增强云服务。最后,文章提供5种云路径选择方法,讨论云路径选择中的带宽、价格、速度、安全性和可用性问题。

带有卸载压缩激励的云增强FiWi网络节能机制

针对云增强型光纤-无线(FiWi)网络能耗以及卸载的通信开销过大问题,该文提出一种自适应卸载压缩节能机制(ESAOC),针对不同类型的业务属性和最大的容忍时延,结合光网络单元的负载变化和无线网状网的流量情况,通过统计的方式获得不同优先级卸载数据的平均到达率,再结合各个节点的压缩时延,动态调整业务的卸载压缩比,以降低卸载的通信开销;同时,建立排队模型分析卸载业务在MEC服务器的排队时延,协同调度无线侧中继节点,进而对光网络单元和终端设备进行协同休眠调度,最大化休眠时长,提高系统能源效率。结果表明,所提方法在有效降低整个网络能耗的同时能够保证卸载业务的时延性能。