多服务移动边缘计算(multiple-services mobile edge computing,MSs-MEC)能根据需求自适应调整服务缓存决策,使得部署在用户侧的边缘服务器能够灵活处理不同服务类型的任务。但在实际应用中,特定类型任务的成功迁移依赖于服务环境的提...多服务移动边缘计算(multiple-services mobile edge computing,MSs-MEC)能根据需求自适应调整服务缓存决策,使得部署在用户侧的边缘服务器能够灵活处理不同服务类型的任务。但在实际应用中,特定类型任务的成功迁移依赖于服务环境的提前安装。此外,同时进行任务迁移和服务缓存可能会因时间冲突而导致计算延时。因此,针对上述相关问题,首先将任务迁移和服务缓存决策进行解耦,针对深度强化学习(deep reinforcement learning,DRL)在具有高维的混合决策空间的性能提升不明显的缺点(例如资源分配时利用率不高),将DRL与Transformer结合,通过在历史数据中学习,输出当前时隙的任务迁移决策和下一时隙的任务决策,保证任务到达边缘服务器时能立即执行。其次,为了提高资源分配问题中的资源利用率,将问题分解为连续资源分配问题和离散的任务迁移与服务缓存问题,利用凸优化技术求解资源分配最优决策。广泛的数值结果表明,与其他基线算法相比,提出的算法能有效地减少任务的平均完成时延,同时在资源利用率和稳定性方面也有优异的表现。展开更多
文摘针对一般的移动边缘计算(mobile edge computing,MEC)模式在无边缘服务器情况下资源紧张,计算需求得不到满足的问题,研究智能终端(smart terminal,ST)资源和计算任务建模方法,并设计启发式算法生成任务卸载方案。提出轻量级的计算任务-ST资源匹配模型,让ST间的任务交互不再依赖消耗资源较多的虚拟化技术。通过挑选合适的ST充当边缘节点,整合所有ST的资源及任务信息,并设计基于最佳亲本保留的分组遗传算法(grouped genetic algorithm based on best-parent preservation,GGABP),优化多个ST以相互卸载方式完成所有任务的效率。仿真结果表明,GGABP的稳定性、快速性、可拓展性均优于对比算法,所提方法能充分利用ST的资源并满足其任务卸载需求。
