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。

边缘算力网络中智能算力感知路由分配策略研究

增强现实、自动驾驶、智慧城市、工业互联网等新型业务应用对网络算力的需求逐渐增强,然而,边缘算力网络系统面临着网络共存的问题——负载不均衡,导致一部分边缘服务器无法满足业务应用的处理需求,另一部分边缘服务器的算力资源处于空闲状态。为了高效协同地感知利用泛在、异构的算力资源,提升6G通信网络的内生感知和算力自适应能力,急需对边缘算力网络中任务路由策略以及算力资源分配进行研究。首先介绍了面向6G网络愿景的算力感知网络的演进和需求,然后构建了任务调度智能决策、存储资源和算力资源按需分配的联合优化路由控制与资源分配的智能任务调度模型,最后提出了一种基于Floyd算法的算力感知路由调度策略解决智能任务调度问题。仿真结果表明,与就近调度固定分配资源策略相比,所提的基于Floyd算法的算力感知路由调度策略可以让更多的用户受益,缩短用户业务的平均处理时延,提高边缘算力网络中存储资源和计算资源的利用率。