CN109951897A - 一种能耗与延迟约束下的mec卸载方法 - Google Patents
一种能耗与延迟约束下的mec卸载方法 Download PDFInfo
- Publication number
- CN109951897A CN109951897A CN201910174185.0A CN201910174185A CN109951897A CN 109951897 A CN109951897 A CN 109951897A CN 201910174185 A CN201910174185 A CN 201910174185A CN 109951897 A CN109951897 A CN 109951897A
- Authority
- CN
- China
- Prior art keywords
- mec
- mobile subscriber
- energy consumption
- unloading
- subscriber equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007599 discharging Methods 0.000 title claims abstract description 15
- 238000005553 drilling Methods 0.000 claims abstract description 18
- 238000013468 resource allocation Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 241000287196 Asthenes Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 101100001671 Emericella variicolor andF gene Proteins 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Abstract
本发明涉及一种能耗与延迟约束下的MEC卸载方法,具体包括:系统建模:小区中设置有一个基站和N个移动用户设备,其中基站与MEC服务器一起部署,令每个移动用户设备都有一个计算密集型任务需要完成,且每个移动用户设备能够将所述任务卸载到MEC服务器上或在本地执行;构建本地计算模型和卸载模型,得到本地计算总成本和MEC卸载计算总成本;通过强化学习算法寻找一个最优的计算卸载和资源分配方案,即该小区所有移动用户设备的计算卸载决策和MEC服务器的计算资源分配。本发明能够在动态系统中获得最优策略,使得移动用户设备能耗减小,延迟降低,保证服务质量。
Description
技术领域
本发明涉及移动边缘计算(简称MEC)技术领域,特别是涉及一种能耗与延迟约束下的MEC卸载方法。
背景技术
5G中越来越多的计算密集型应用需要低延迟,例如交互式游戏,增强现实(AR),虚拟现实(VR)等,同时这些应用也是耗能的应用。考虑移动终端有限的电池功率和计算能力,移动用户设备(UE)难以满足这些要求。为了解决UE和应用之间的矛盾,提出移动边缘计算(MEC)作为解决方案。
MEC通过部署高性能服务器来增强移动网络边缘的计算能力。MEC服务器密集地分布在移动用户附近,移动用户设备可以通过无线信道将计算任务卸载到MEC服务器。通过计算卸载,移动用户可以减少应用程序的延迟并提高服务质量。近年来,有学者提出了使能量消耗最小化的卸载决策的一般准则,其中通信链路容易被假定为具有固定费率。由于无线通信的数据速率不是恒定的,因此又提出了使用凸优化的最优二进制计算卸载决策。但是这些方案都需要准确的信道状态信息。考虑到时域中无线信道的随机变化,这些方案不太适合动态系统。
发明内容
本发明所要解决的技术问题是提供一种能耗与延迟约束下的MEC卸载方法,能够在动态系统中获得最优策略,使得移动用户设备能耗减小,延迟降低,保证服务质量。
本发明解决其技术问题所采用的技术方案是:提供一种能耗与延迟约束下的MEC卸载方法,包括以下步骤:
(1)系统建模:小区中设置有一个基站和N个移动用户设备,其中基站与MEC服务器一起部署,令每个移动用户设备都有一个计算密集型任务需要完成,且每个移动用户设备能够将所述任务卸载到MEC服务器上或在本地执行,其中,密集型任务包含三个指标,分别为:计算所需输入的数据Di,完成计算任务所需的CPU总周期数Vi和任务完成的最大容许延迟τi;
(2)构建本地计算模型和卸载模型,得到本地计算总成本和MEC卸载计算总成本;
(3)通过强化学习算法寻找一个最优的计算卸载和资源分配方案,即该小区所有移动用户设备的计算卸载决策和MEC服务器的计算资源分配,其中,该强化学习算法的系统由智能体和环境所组成,其系统总成本和MEC剩余的计算能力被编进了系统当前状态st,智能体在当前状态下采取动作a进入下一个状态st+1,同时得到环境返回的奖励r(st,a);在智能体和环境不断交互更新下,计算卸载方案和MEC服务器计算资源分配将不断被优化直到找到最优的策略。
所述步骤(1)中同时卸载任务的多个移动用户设备会等分无线带宽用于上传数据,其中,第i个移动用户设备的上传数据速率为:W为无线信道带宽,K为执行计算卸载的移动用户设备数量,Pi是第i个移动用户设备上传数据的单位时间传输能耗,hi是第i个移动用户设备在无线信道中的信道增益,N0是高斯信道噪声。
所述步骤(1)中将αi∈{0,1}表示为第i个移动用户设备的计算卸载决策,并将卸载决策向量定义为η=[α0,α1,...,αN],如果第i个移动用户设备通过本地计算执行任务,则αi=0,否则αi=1。
所述步骤(2)中在本地执行任务时,本地计算模型为其中,Ti,l为本地执行延迟,fi,l为本地的计算能力,Ei,l为本地执行的能耗,P0为本地执行的单位时间能耗,则本地计算总成本为Ci,l=atTi,l+aeEi,l,其中,at,ae∈[0,1]且at+ae=1。
所述步骤(2)中通过卸载到MEC服务器执行任务时,首先,第i个移动用户设备需要通过无线接入网络向基站上传足够的输入数据并且基站将数据转发到MEC服务器,那么上传所需传输延迟和能耗分别为其中,ri为上传速率,Pi为此时第i个移动用户设备的单位时间能耗;然后,MEC服务器分配部分计算资源来执行计算任务,那么任务执行所需延迟和能耗为其中,fi为MEC服务器为完成计算任务分配的计算资源,Pi u为此时第i个移动用户设备的单位时间能耗;最后,MEC服务器将计算结果返回给第i个移动用户设备,由于MEC的数据下行速率十分快,此处忽略移动用户设备接收计算结果的延迟和能耗;执行计算卸载的延迟和功耗分别表示为则计算卸载的总成本为Ci,u=atTi,u+aeEi,u,其中,at,ae∈[0,1]且at+ae=1。
所述步骤(3)中强化学习方法有三个关键要素,分别为:状态,由组件t和组件c组成,t定义为整个系统的总成本,c是MEC服务器可用的计算能力;动作,由两部分组成,分别是由n个移动用户设备的计算卸载决定的[α1,α2,...,αn]和计算能力分配决定的[f1,f2,...,fN];奖励,在某个状态s下,系统执行每个可能的动作a之后,agent将获得奖励R(s,a),即时奖励定义为其中,cl是本地计算的所有任务的总和成本,c(s,a)为当前状态的实际总成本。
所述步骤(3)中强化学习法的求解过程如下:初始化强化学习中的评估网络,目标网络和记忆库,令当前系统状态为st,t初始化为1,迭代次数k初始化为1;当k小于或等于给定迭代次数K时,随机选择一个概率p;如果p小于或等于ε,则选择评估网络所输出的动作a(t),否则随机选择一个动作;采取动作a(t)后,得到奖励r(t)和下一步状态s(t+1),并将这些信息按照(s(t),a(t),r(t),s(t+1))的格式保存在记忆库中;结合目标网络的输出,计算评估网络的目标Qθ(st,a)=r(st,a)+γmaxQθ'(st+1,a'),其中,θ为评估网络中的参数,θ'为目标网络中的参数,Qθ(st,a)在状态st下采取动作a所得到的Q值,γ为奖励衰减比重;最小化误差,同时更新评估网络的参数θ;每隔S步,将评估网络的参数赋值给目标网络,同时令k=k+1,重复上述步骤直至k大于给定迭代次数K时,学习过程结束,得到最佳计算卸载决策和MEC资源分配决策。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明将所有移动用户设备的延迟和能量消耗的总成本作为优化目标,为了最小化系统的总成本,考虑共同优化卸载决策和计算资源分配,并且通过强化学习的优化方法解决MEC系统中的计算卸载问题。
附图说明
图1是系统模型图;
图2是最优决策方法流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种能耗与延迟约束下的MEC卸载方法,实行该方法能使UE能耗小,延迟低,保证服务质量,本发明基于多用户的系统模型(如图1所示),进行计算模型的建立并设计基于深度强化学习的决策方法(如图2所示),具体包括以下步骤:
(1)网络模型的建立
本方案考虑一个小小区的场景。在小区中有一个eNodeB(eNB)和N个UE。MEC服务器与eNB一起部署。该组UE表示为=1,2,....,N。我们假设每个UE都有一个计算密集型任务要完成。每个UE可以通过无线将任务卸载到MEC服务器或在本地执行。将W定义为无线信道的带宽。假设在一个小小区中只有一个eNB。同时卸载任务的多个UE会等分无线带宽用于上传数据。根据资料,UE i可实现的上传数据速率为:
其中K是执行计算卸载的UE数量,Pi是UE i上传数据的单位时间传输能耗,hi是UEi在无线信道中的信道增益,N0是高斯信道噪声。
(2)任务确立
每个UE i都具有计算密集型任务,其具有几个指标Di,τi,Vi。这里Di表示计算所需的输入数据,包括程序代码和输入参数。Vi表示完成计算任务所需的CPU总周期数。Vi反映完成任务所需的计算资源量。假设无论是由UE本地执行还是在MEC服务器上执行,Vi的大小保持不变。τi表示任务完成的最大容许延迟。每个UE应该通过本地计算或计算卸载来执行其任务。将αi∈{0,1}表示为UE i的计算卸载决策,并将卸载决策向量定义为η=[α0,α1...,αN]如果UE i通过本地计算执行其任务,则αi=0,否则αi=1。
(3)计算模型的建立
3.1)本地计算模型:如果UE i选择在本地执行其任务,我们将Ti,l定义为本地执行延迟。然后我们表示fi,l作为本地计算能力,不同UE之间的计算能力可能不同。则任务的本地执行时间和能耗分别为:
其中P0为本地执行计算任务的单位时间能耗。则本地计算总的成本为:
Ci,l=atTi,l+aeEi,l
其中at,ae∈[0,1]且at+ae=1。
3.2)计算卸载模型:如果UE i通过计算卸载选择执行任务,则整个卸载方法将分为三个步骤。首先,UE i需要通过无线接入网络向eNB上传足够的输入数据并且eNB将数据转发到MEC服务器。那么MEC服务器分配部分计算资源来执行计算任务,最后MEC服务器将执行结果返回给UE i。根据上述步骤,第一步任务上传所需传输延迟和能耗分别为:
其中ri为上传速率,Pi为此时UE的单位时间能耗。第二步,任务执行所需延迟和能耗为:
其中fi为MEC为完成计算任务分配的计算资源,且F为MEC总计算资源,Pi u为此时UE的单位时间能耗。第三步,由于MEC的数据下行速率十分快,这里选择忽略UE接收就散结果的延迟和能耗。则执行计算卸载的延迟和功耗分别表示为:
则执行计算卸载总的成本为:
Ci,u=atTi,u+aeEi,u
其中at,ae∈[0,1]且at+ae=1。最后,可以得到MEC计算卸载总成本为:
现在目标就是求Cmin的最优策略,其有如下限制条件:
αi∈{0,1};(1-αi)Ti,u+αiTi,l≤τi;
(4)强化学习建模
强化学习方法有三个关键要素,即状态,动作,奖励,针对本方案分别作出如下解释。
状态:系统状态由两个组件t,c组成。将t定义为整个系统的总成本,t=C,c是MEC服务器可用的计算能力,则根据计算可以得到
动作:在该系统中,动作由两部分组成,分别是由n个UE的计算卸载决定的[α1,α2,...,αn]和计算能力分配决定的[f1,f2,...,fN]。因此动作向量可以设计为[α1,α2,...,αn,f1,f2,...,fN]。
奖励:在某个状态s下,系统执行每个可能的动作a之后,agent将获得奖励R(s,a)。通常,奖励函数应与目标函数相关。因此,优化的目标是获得最小的总和成本并且RL的目标是获得最大的奖励,因此奖励的价值应该与总成本的大小负相关,我们将即时奖励定义为:
其中cl是本地计算的所有任务的总和成本,c(s,a)为当前状态的实际总成本。
5)强化学习求解
现在通过强化学习算法来寻找一个最优的计算卸载方案,即该小小区所有用户的计算卸载决策和MEC服务器的计算资源分配,该强化学习系统由智能体和环境所组成,整个系统的总成本和MEC剩余的计算能力都被编进了系统当前状态st,智能体在当前状态下采取动作a进入下一个状态st+1,同时得到环境返回的奖励r(st,a)。在智能体和环境不断交互更新下,计算卸载方案和服务器计算资源分配将不断被优化直到找到最优的策略。
智能体的更新方式为:
'
Qθ(st,a)=r(st,a)+γmaxQθ(st+1,a')
其中各参数定义如下:
θ:评估网络中的参数;
θ':目标网络中的参数;
st:在t时刻系统所处的状态;
Qθ(st,a):在状态st下采取动作a所得到的Q值;
r(st,a):在状态st下采取动作a所得到的奖励;
γ:奖励衰减比重;
强化学习的具体迭代过程为:
步骤5.1:初始化强化学习中的评估网络,目标网络和记忆库。当前系统状态为st,t初始化为1,迭代次数k初始化为1;
步骤5.2:当k小于或等于给定迭代次数K时,随机选择一个概率p;
步骤5.3:如果p小于或等于ε;则选择评估网络所输出的动作a(t),否则随机选择一个动作;
步骤5.4:采取动作a(t)后,得到奖励r(t)和下一步状态s(t+1),并将这些信息按照(s(t),a(t),r(t),s(t+1))的格式保存在记忆库中;
步骤5.5:结合目标网络的输出,计算评估网络的目标
y=r(st,a)+γmaxQθ′(st+1,a')
步骤5.6:最小化误差(y-Q(s(t),a(t);θ))2,同时更新评估网络的参数θ。
步骤5.7:每隔S步,将评估网络的参数赋值给目标网络,同时令k=k+1,回到步骤5.2;
步骤5.8:当k大于给定迭代次数K时,学习过程结束,得到最佳计算卸载决策和MEC资源分配决策。
Claims (7)
1.一种能耗与延迟约束下的MEC卸载方法,其特征在于,包括以下步骤:
(1)系统建模:小区中设置有一个基站和N个移动用户设备,其中基站与MEC服务器一起部署,令每个移动用户设备都有一个计算密集型任务需要完成,且每个移动用户设备能够将所述任务卸载到MEC服务器上或在本地执行,其中,密集型任务包含三个指标,分别为:计算所需输入的数据Di,完成计算任务所需的CPU总周期数Vi和任务完成的最大容许延迟τi;
(2)构建本地计算模型和卸载模型,得到本地计算总成本和MEC卸载计算总成本;
(3)通过强化学习算法寻找一个最优的计算卸载和资源分配方案,即该小区所有移动用户设备的计算卸载决策和MEC服务器的计算资源分配,其中,该强化学习算法的系统由智能体和环境所组成,其系统总成本和MEC剩余的计算能力被编进了系统当前状态st,智能体在当前状态下采取动作a进入下一个状态st+1,同时得到环境返回的奖励r(st,a);在智能体和环境不断交互更新下,计算卸载方案和MEC服务器计算资源分配将不断被优化直到找到最优的策略。
2.根据权利要求1所述的能耗与延迟约束下的MEC卸载方法,其特征在于,所述步骤(1)中同时卸载任务的多个移动用户设备会等分无线带宽用于上传数据,其中,第i个移动用户设备的上传数据速率为:W为无线信道带宽,K为执行计算卸载的移动用户设备数量,Pi是第i个移动用户设备上传数据的单位时间传输能耗,hi是第i个移动用户设备在无线信道中的信道增益,N0是高斯信道噪声。
3.根据权利要求1所述的能耗与延迟约束下的MEC卸载方法,其特征在于,所述步骤(1)中将αi∈{0,1}表示为第i个移动用户设备的计算卸载决策,并将卸载决策向量定义为η=[α0,α1,...,αN],如果第i个移动用户设备通过本地计算执行任务,则αi=0,否则αi=1。
4.根据权利要求1所述的能耗与延迟约束下的MEC卸载方法,其特征在于,所述步骤(2)中在本地执行任务时,本地计算模型为Ei,l=P0Ti,l,其中,Ti,l为本地执行延迟,fi,l为本地的计算能力,Ei,l为本地执行的能耗,P0为本地执行的单位时间能耗,则本地计算总成本为Ci,l=atTi,l+aeEi,l,其中,at,ae∈[0,1]且at+ae=1。
5.根据权利要求1所述的能耗与延迟约束下的MEC卸载方法,其特征在于,所述步骤(2)中通过卸载到MEC服务器执行任务时,首先,第i个移动用户设备需要通过无线接入网络向基站上传足够的输入数据并且基站将数据转发到MEC服务器,那么上传所需传输延迟和能耗分别为其中,ri为上传速率,Pi为此时第i个移动用户设备的单位时间能耗;然后,MEC服务器分配部分计算资源来执行计算任务,那么任务执行所需延迟和能耗为其中,fi为MEC服务器为完成计算任务分配的计算资源,Pi u为此时第i个移动用户设备的单位时间能耗;最后,MEC服务器将计算结果返回给第i个移动用户设备,由于MEC的数据下行速率十分快,此处忽略移动用户设备接收计算结果的延迟和能耗;执行计算卸载的延迟和功耗分别表示为则计算卸载的总成本为Ci,u=atTi,u+aeEi,u,其中,at,ae∈[0,1]且at+ae=1。
6.根据权利要求1所述的能耗与延迟约束下的MEC卸载方法,其特征在于,所述步骤(3)中强化学习方法有三个关键要素,分别为:状态,由组件t和组件c组成,t定义为整个系统的总成本,c是MEC服务器可用的计算能力;动作,由两部分组成,分别是由n个移动用户设备的计算卸载决定的[α1,α2,...,αn]和计算能力分配决定的[f1,f2,...,fN];奖励,在某个状态s下,系统执行每个可能的动作a之后,agent将获得奖励R(s,a),即时奖励定义为其中,cl是本地计算的所有任务的总和成本,c(s,a)为当前状态的实际总成本。
7.根据权利要求1所述的能耗与延迟约束下的MEC卸载方法,其特征在于,所述步骤(3)中强化学习法的求解过程如下:初始化强化学习中的评估网络,目标网络和记忆库,令当前系统状态为st,t初始化为1,迭代次数k初始化为1;当k小于或等于给定迭代次数K时,随机选择一个概率p;如果p小于或等于ε,则选择评估网络所输出的动作a(t),否则随机选择一个动作;采取动作a(t)后,得到奖励r(t)和下一步状态s(t+1),并将这些信息按照(s(t),a(t),r(t),s(t+1))的格式保存在记忆库中;结合目标网络的输出,计算评估网络的目标Qθ(st,a)=r(st,a)+γmaxQθ'(st+1,a'),其中,θ为评估网络中的参数,θ'为目标网络中的参数,Qθ(st,a)在状态st下采取动作a所得到的Q值,γ为奖励衰减比重;最小化误差,同时更新评估网络的参数θ;每隔S步,将评估网络的参数赋值给目标网络,同时令k=k+1,重复上述步骤直至k大于给定迭代次数K时,学习过程结束,得到最佳计算卸载决策和MEC资源分配决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910174185.0A CN109951897A (zh) | 2019-03-08 | 2019-03-08 | 一种能耗与延迟约束下的mec卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910174185.0A CN109951897A (zh) | 2019-03-08 | 2019-03-08 | 一种能耗与延迟约束下的mec卸载方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109951897A true CN109951897A (zh) | 2019-06-28 |
Family
ID=67009332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910174185.0A Pending CN109951897A (zh) | 2019-03-08 | 2019-03-08 | 一种能耗与延迟约束下的mec卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109951897A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347495A (zh) * | 2019-07-24 | 2019-10-18 | 张�成 | 一种使用深度强化学习进行移动边缘计算的任务迁移方法 |
CN110351754A (zh) * | 2019-07-15 | 2019-10-18 | 北京工业大学 | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 |
CN110418416A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 移动边缘计算系统中基于多智能体强化学习的资源分配方法 |
CN110519849A (zh) * | 2019-07-25 | 2019-11-29 | 中国矿业大学 | 一种针对移动边缘计算的通信和计算资源联合分配方法 |
CN110928678A (zh) * | 2020-01-20 | 2020-03-27 | 西北工业大学 | 一种基于移动边缘计算的区块链系统资源分配方法 |
CN111182644A (zh) * | 2019-12-24 | 2020-05-19 | 北京邮电大学 | 基于深度强化学习的联合重传urllc资源调度方法 |
CN111414252A (zh) * | 2020-03-18 | 2020-07-14 | 重庆邮电大学 | 一种基于深度强化学习的任务卸载方法 |
CN111464216A (zh) * | 2020-03-08 | 2020-07-28 | 郑州大学 | 一种基于大规模mimo的移动边缘计算时延最小化方法 |
CN111507601A (zh) * | 2020-04-12 | 2020-08-07 | 北京工业大学 | 基于深度强化学习与区块链共识的资源优化分配决策方法 |
CN111526526A (zh) * | 2020-04-03 | 2020-08-11 | 东南大学 | 基于服务混搭的移动边缘计算中的任务卸载方法 |
CN111586696A (zh) * | 2020-04-29 | 2020-08-25 | 重庆邮电大学 | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 |
CN111708620A (zh) * | 2020-05-08 | 2020-09-25 | 北京中科晶上超媒体信息技术有限公司 | 一种具有计费机制的任务卸载方法 |
CN111726826A (zh) * | 2020-05-25 | 2020-09-29 | 上海大学 | 一种基站密集型边缘计算网络中的在线任务卸载方法 |
CN111756812A (zh) * | 2020-05-29 | 2020-10-09 | 华南理工大学 | 一种能耗感知的边云协同动态卸载调度方法 |
CN111800828A (zh) * | 2020-06-28 | 2020-10-20 | 西北工业大学 | 一种超密集网络的移动边缘计算资源分配方法 |
CN112272390A (zh) * | 2020-10-20 | 2021-01-26 | 广州大学 | 基于物理层的任务卸载及带宽分配的处理方法和系统 |
CN112882815A (zh) * | 2021-03-23 | 2021-06-01 | 南京邮电大学 | 基于深度强化学习的多用户边缘计算优化调度方法 |
CN113115424A (zh) * | 2021-04-22 | 2021-07-13 | 西北工业大学 | 一种基于认知云网络的三边资源匹配方法及系统 |
CN113452625A (zh) * | 2021-06-28 | 2021-09-28 | 重庆大学 | 基于深度强化学习的卸载调度与资源分配方法 |
CN113573342A (zh) * | 2021-09-27 | 2021-10-29 | 南京邮电大学 | 一种基于工业物联网的节能计算卸载方法 |
CN113573324A (zh) * | 2021-07-06 | 2021-10-29 | 河海大学 | 工业物联网中协作式任务卸载和资源分配的联合优化方法 |
CN113645637A (zh) * | 2021-07-12 | 2021-11-12 | 中山大学 | 超密集网络任务卸载方法、装置、计算机设备和存储介质 |
CN113867843A (zh) * | 2021-10-08 | 2021-12-31 | 浙江工商大学 | 一种基于深度强化学习的移动边缘计算任务卸载方法 |
CN113950066A (zh) * | 2021-09-10 | 2022-01-18 | 西安电子科技大学 | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 |
CN114090108A (zh) * | 2021-09-16 | 2022-02-25 | 北京邮电大学 | 算力任务执行方法、装置、电子设备及存储介质 |
CN114385272A (zh) * | 2022-03-24 | 2022-04-22 | 山东省计算中心(国家超级计算济南中心) | 面向海洋任务的在线自适应计算卸载方法及系统 |
CN114466409A (zh) * | 2022-04-11 | 2022-05-10 | 清华大学 | 一种面向机器通信的数据卸载的控制方法和装置 |
CN114599041A (zh) * | 2022-01-13 | 2022-06-07 | 浙江大学 | 一种计算和通信的融合方法 |
CN116647880A (zh) * | 2023-07-26 | 2023-08-25 | 国网冀北电力有限公司 | 面向差异化电力业务的基站协作边缘计算卸载方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682443A (zh) * | 2017-10-19 | 2018-02-09 | 北京工业大学 | 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法 |
US20180183855A1 (en) * | 2016-12-28 | 2018-06-28 | Intel Corporation | Application computation offloading for mobile edge computing |
CN108920279A (zh) * | 2018-07-13 | 2018-11-30 | 哈尔滨工业大学 | 一种多用户场景下的移动边缘计算任务卸载方法 |
CN109246761A (zh) * | 2018-09-11 | 2019-01-18 | 北京工业大学 | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 |
-
2019
- 2019-03-08 CN CN201910174185.0A patent/CN109951897A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180183855A1 (en) * | 2016-12-28 | 2018-06-28 | Intel Corporation | Application computation offloading for mobile edge computing |
CN107682443A (zh) * | 2017-10-19 | 2018-02-09 | 北京工业大学 | 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法 |
CN108920279A (zh) * | 2018-07-13 | 2018-11-30 | 哈尔滨工业大学 | 一种多用户场景下的移动边缘计算任务卸载方法 |
CN109246761A (zh) * | 2018-09-11 | 2019-01-18 | 北京工业大学 | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 |
Non-Patent Citations (1)
Title |
---|
JI LI等: ""Deep Reinforcement Learning based Computation"", 《2018 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 * |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351754A (zh) * | 2019-07-15 | 2019-10-18 | 北京工业大学 | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 |
CN110347495A (zh) * | 2019-07-24 | 2019-10-18 | 张�成 | 一种使用深度强化学习进行移动边缘计算的任务迁移方法 |
CN110347495B (zh) * | 2019-07-24 | 2023-04-28 | 张�成 | 一种使用深度强化学习进行移动边缘计算的任务迁移方法 |
CN110519849A (zh) * | 2019-07-25 | 2019-11-29 | 中国矿业大学 | 一种针对移动边缘计算的通信和计算资源联合分配方法 |
CN110519849B (zh) * | 2019-07-25 | 2022-02-18 | 中国矿业大学 | 一种针对移动边缘计算的通信和计算资源联合分配方法 |
CN110418416A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 移动边缘计算系统中基于多智能体强化学习的资源分配方法 |
CN111182644A (zh) * | 2019-12-24 | 2020-05-19 | 北京邮电大学 | 基于深度强化学习的联合重传urllc资源调度方法 |
CN111182644B (zh) * | 2019-12-24 | 2022-02-08 | 北京邮电大学 | 基于深度强化学习的联合重传urllc资源调度方法 |
CN110928678A (zh) * | 2020-01-20 | 2020-03-27 | 西北工业大学 | 一种基于移动边缘计算的区块链系统资源分配方法 |
CN110928678B (zh) * | 2020-01-20 | 2022-03-04 | 西北工业大学 | 一种基于移动边缘计算的区块链系统资源分配方法 |
CN111464216B (zh) * | 2020-03-08 | 2023-02-17 | 郑州大学 | 一种基于大规模mimo的移动边缘计算时延最小化方法 |
CN111464216A (zh) * | 2020-03-08 | 2020-07-28 | 郑州大学 | 一种基于大规模mimo的移动边缘计算时延最小化方法 |
CN111414252B (zh) * | 2020-03-18 | 2022-10-18 | 重庆邮电大学 | 一种基于深度强化学习的任务卸载方法 |
CN111414252A (zh) * | 2020-03-18 | 2020-07-14 | 重庆邮电大学 | 一种基于深度强化学习的任务卸载方法 |
CN111526526B (zh) * | 2020-04-03 | 2022-12-06 | 东南大学 | 基于服务混搭的移动边缘计算中的任务卸载方法 |
CN111526526A (zh) * | 2020-04-03 | 2020-08-11 | 东南大学 | 基于服务混搭的移动边缘计算中的任务卸载方法 |
CN111507601B (zh) * | 2020-04-12 | 2022-06-07 | 北京工业大学 | 基于深度强化学习与区块链共识的资源优化分配决策方法 |
CN111507601A (zh) * | 2020-04-12 | 2020-08-07 | 北京工业大学 | 基于深度强化学习与区块链共识的资源优化分配决策方法 |
CN111586696A (zh) * | 2020-04-29 | 2020-08-25 | 重庆邮电大学 | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 |
CN111586696B (zh) * | 2020-04-29 | 2022-04-01 | 重庆邮电大学 | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 |
CN111708620B (zh) * | 2020-05-08 | 2023-04-25 | 北京中科晶上超媒体信息技术有限公司 | 一种具有计费机制的任务卸载方法 |
CN111708620A (zh) * | 2020-05-08 | 2020-09-25 | 北京中科晶上超媒体信息技术有限公司 | 一种具有计费机制的任务卸载方法 |
CN111726826A (zh) * | 2020-05-25 | 2020-09-29 | 上海大学 | 一种基站密集型边缘计算网络中的在线任务卸载方法 |
CN111726826B (zh) * | 2020-05-25 | 2024-03-19 | 上海大学 | 一种基站密集型边缘计算网络中的在线任务卸载方法 |
CN111756812A (zh) * | 2020-05-29 | 2020-10-09 | 华南理工大学 | 一种能耗感知的边云协同动态卸载调度方法 |
CN111800828B (zh) * | 2020-06-28 | 2023-07-18 | 西北工业大学 | 一种超密集网络的移动边缘计算资源分配方法 |
CN111800828A (zh) * | 2020-06-28 | 2020-10-20 | 西北工业大学 | 一种超密集网络的移动边缘计算资源分配方法 |
CN112272390A (zh) * | 2020-10-20 | 2021-01-26 | 广州大学 | 基于物理层的任务卸载及带宽分配的处理方法和系统 |
CN112272390B (zh) * | 2020-10-20 | 2023-06-20 | 广州大学 | 基于物理层的任务卸载及带宽分配的处理方法和系统 |
CN112882815B (zh) * | 2021-03-23 | 2022-10-25 | 南京邮电大学 | 基于深度强化学习的多用户边缘计算优化调度方法 |
CN112882815A (zh) * | 2021-03-23 | 2021-06-01 | 南京邮电大学 | 基于深度强化学习的多用户边缘计算优化调度方法 |
CN113115424A (zh) * | 2021-04-22 | 2021-07-13 | 西北工业大学 | 一种基于认知云网络的三边资源匹配方法及系统 |
CN113115424B (zh) * | 2021-04-22 | 2021-12-21 | 西北工业大学 | 一种基于认知云网络的三边资源匹配方法及系统 |
CN113452625A (zh) * | 2021-06-28 | 2021-09-28 | 重庆大学 | 基于深度强化学习的卸载调度与资源分配方法 |
CN113452625B (zh) * | 2021-06-28 | 2022-04-15 | 重庆大学 | 基于深度强化学习的卸载调度与资源分配方法 |
CN113573324A (zh) * | 2021-07-06 | 2021-10-29 | 河海大学 | 工业物联网中协作式任务卸载和资源分配的联合优化方法 |
CN113573324B (zh) * | 2021-07-06 | 2022-08-12 | 河海大学 | 工业物联网中协作式任务卸载和资源分配的联合优化方法 |
CN113645637A (zh) * | 2021-07-12 | 2021-11-12 | 中山大学 | 超密集网络任务卸载方法、装置、计算机设备和存储介质 |
CN113950066B (zh) * | 2021-09-10 | 2023-01-17 | 西安电子科技大学 | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 |
CN113950066A (zh) * | 2021-09-10 | 2022-01-18 | 西安电子科技大学 | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 |
CN114090108B (zh) * | 2021-09-16 | 2024-02-06 | 北京邮电大学 | 算力任务执行方法、装置、电子设备及存储介质 |
CN114090108A (zh) * | 2021-09-16 | 2022-02-25 | 北京邮电大学 | 算力任务执行方法、装置、电子设备及存储介质 |
CN113573342A (zh) * | 2021-09-27 | 2021-10-29 | 南京邮电大学 | 一种基于工业物联网的节能计算卸载方法 |
CN113867843A (zh) * | 2021-10-08 | 2021-12-31 | 浙江工商大学 | 一种基于深度强化学习的移动边缘计算任务卸载方法 |
CN113867843B (zh) * | 2021-10-08 | 2023-09-01 | 浙江工商大学 | 一种基于深度强化学习的移动边缘计算任务卸载方法 |
CN114599041A (zh) * | 2022-01-13 | 2022-06-07 | 浙江大学 | 一种计算和通信的融合方法 |
CN114599041B (zh) * | 2022-01-13 | 2023-12-05 | 浙江大学 | 一种计算和通信的融合方法 |
CN114385272B (zh) * | 2022-03-24 | 2022-07-05 | 山东省计算中心(国家超级计算济南中心) | 面向海洋任务的在线自适应计算卸载方法及系统 |
CN114385272A (zh) * | 2022-03-24 | 2022-04-22 | 山东省计算中心(国家超级计算济南中心) | 面向海洋任务的在线自适应计算卸载方法及系统 |
CN114466409B (zh) * | 2022-04-11 | 2022-08-12 | 清华大学 | 一种面向机器通信的数据卸载的控制方法和装置 |
CN114466409A (zh) * | 2022-04-11 | 2022-05-10 | 清华大学 | 一种面向机器通信的数据卸载的控制方法和装置 |
CN116647880A (zh) * | 2023-07-26 | 2023-08-25 | 国网冀北电力有限公司 | 面向差异化电力业务的基站协作边缘计算卸载方法和装置 |
CN116647880B (zh) * | 2023-07-26 | 2023-10-13 | 国网冀北电力有限公司 | 面向差异化电力业务的基站协作边缘计算卸载方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109951897A (zh) | 一种能耗与延迟约束下的mec卸载方法 | |
Kwon et al. | Multiagent DDPG-based deep learning for smart ocean federated learning IoT networks | |
CN111405568B (zh) | 基于q学习的计算卸载和资源分配方法及装置 | |
CN112105062B (zh) | 时敏条件下移动边缘计算网络能耗最小化策略方法 | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
CN110113190A (zh) | 一种移动边缘计算场景中卸载时延优化方法 | |
Diamanti et al. | Incentive mechanism and resource allocation for edge-fog networks driven by multi-dimensional contract and game theories | |
CN113543176A (zh) | 基于智能反射面辅助的移动边缘计算系统的卸载决策方法 | |
CN112118287A (zh) | 基于交替方向乘子算法与移动边缘计算的网络资源优化调度决策方法 | |
Hamidouche et al. | Collaborative artificial intelligence (AI) for user-cell association in ultra-dense cellular systems | |
CN109951873A (zh) | 一种物联网雾计算中信息不对称不确定下的任务卸载机制 | |
CN111988787B (zh) | 一种任务的网络接入和服务放置位置选择方法及系统 | |
Ai et al. | 5G heterogeneous network selection and resource allocation optimization based on cuckoo search algorithm | |
Khoramnejad et al. | On joint offloading and resource allocation: A double deep q-network approach | |
Yang et al. | Green-oriented offloading and resource allocation by reinforcement learning in MEC | |
CN115065678A (zh) | 一种基于深度强化学习的多智能设备任务卸载决策方法 | |
Marbukh | Towards fog network utility maximization (FoNUM) for managing fog computing resources | |
Yan et al. | Deep reinforcement learning based offloading for mobile edge computing with general task graph | |
Zhang et al. | Two time-scale caching placement and user association in dynamic cellular networks | |
Shang et al. | Computation offloading and resource allocation in NOMA-MEC: A deep reinforcement learning approach | |
US11140561B2 (en) | Electronic device and method for wireless communication | |
CN116489712B (zh) | 一种基于深度强化学习的移动边缘计算任务卸载方法 | |
CN117098189A (zh) | 一种基于gat混合动作多智能体强化学习的计算卸载和资源分配方法 | |
Yan et al. | Regression-based K nearest neighbours for resource allocation in network slicing | |
Zhao et al. | Matching-aided-learning resource allocation for dynamic offloading in mmWave MEC system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |