CN110557769A - 基于深度强化学习的c-ran计算卸载和资源分配方法 - Google Patents

基于深度强化学习的c-ran计算卸载和资源分配方法 Download PDF

Info

Publication number
CN110557769A
CN110557769A CN201910862681.5A CN201910862681A CN110557769A CN 110557769 A CN110557769 A CN 110557769A CN 201910862681 A CN201910862681 A CN 201910862681A CN 110557769 A CN110557769 A CN 110557769A
Authority
CN
China
Prior art keywords
task
calculation
user
reinforcement learning
deep reinforcement
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
Application number
CN201910862681.5A
Other languages
English (en)
Inventor
张军
靳晓岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201910862681.5A priority Critical patent/CN110557769A/zh
Publication of CN110557769A publication Critical patent/CN110557769A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了移动通信技术领域的一种基于深度强化学习的C‑RAN计算卸载和资源分配方法，包括以下步骤：1）首先构建深度强化学习神经网络，将其计算任务数据量大小和执行任务所需计算资源，2）将系统状态输入到深度强化学习模型中，进行神经网络训练，得到系统动作，3）用户按照卸载比例系数进行计算任务卸载，移动边缘计算服务器根据计算资源分配系数执行其计算任务，并根据奖赏函数得到该系统动作的奖赏值，根据奖赏值来进行神经网络参数的更新，4）重复上述步骤，直到奖赏值趋于稳定，完成训练过程，根据最后的系统动作进行用户计算任务卸载和MEC服务器计算资源分配，本发明可极大地降低用户服务时间和能量消耗，使得实时低能耗服务成为可能。

Description

基于深度强化学习的C-RAN计算卸载和资源分配方法
技术领域
本发明涉及一种无线接入网络资源分配方法，具体的说是一种无线接入网络计算卸载和资源分配方法，属于移动通信技术领域。
背景技术
随着5G技术的逐步推广和应用，无线接入网络(Cloud radio access network，C-RAN)体系设计需要更加智能、灵活的架构，使之充分利用5G网络的性能。C-RAN是5G一项核心技术，使各种应用服务在5G网络中具有前所未有的频谱效率和能源效率。C-RAN将基站基础设施与云计算融合在一起，利用光纤将它们与低延迟网络连接，形成一个大基带单元池。这种集中式基带处理可以大大减少覆盖同样区域的基站数量；面向协作的无线远端模块和天线可以提高系统频谱效率；基于基站虚拟化技术可以降低成本，共享处理资源，减少能源消耗。然而，由于云和终端设备之间的距离通常很大，因此云计算服务可能无法为网络中的低延迟应用提供保证。为了解决这些问题，移动边缘计算(Mobile Edge Computing，MEC)将计算资源部署到离终端更近的地方，这可以有效地提高需要密集计算和低延迟的应用程序的服务质量。
发明内容
本发明的目的是提供一种基于深度强化学习的C-RAN计算卸载和资源分配方法，在多个用户请求计算任务和C-RAN计算资源一定情况下，基于深度强化学习算法，找到最佳的计算任务卸载比例和移动边缘计算MEC服务器计算资源分配方案，来减少用户服务时延和设备能量消耗。
本发明的目的是这样实现的：一种基于深度强化学习的C-RAN计算卸载和资源分配方法，包括以下步骤：
步骤S1、构建C-RAN下的深度强化学习模型，制定计算任务，并将计算任务数据量大小和执行任务所需计算资源组合成系统状态；
步骤S2、将系统状态输入到深度强化学习模型中，进行神经网络训练，得到系统动作，即卸载比例系数和计算资源分配系数；
步骤S3、用户按照卸载比例系数进行计算任务的卸载和执行，MEC服务器根据计算资源分配系数执行其计算任务；并根据奖赏函数得到该系统动作的奖赏值，根据奖赏值大小来进行神经网络参数的更新；
步骤S4、重复步骤S1-S3直到奖赏值趋于稳定，从而完成训练过程，根据最后的系统动作进行计算的卸载和资源分配。
作为本发明的进一步限定，所述步骤S1中，第t时隙，状态空间为S，系统状态矢量st＝{z1(t),z2(t),…,zU(t),d1(t),d2(t),…,dU(t)}，其中，U表示用户数，zu,u∈U表示用户u计算任务数据量大小，du,u∈U表示执行该用户任务所需的CPU周期数，用户u计算任务为Ru＝{Du,Cu,τu}，其中，Du表示用户u的任务数据量大小，Cu表示执行该任务所需的CPU周期数，τu表示用户所能容忍的时间。
作为本发明的进一步限定，所述步骤S2中系统动作包括计算任务卸载比例系数和计算资源分配系数，分别可由A＝[α1,α2,…,αU]和f＝[f1,f2,…,fU]表示；其中，αu∈[0,1]，计算任务(1-αu)部分由用户设备执行，αu部分卸载到MEC上去执行。fu指的是MEC分配给用户u的计算资源。
作为本发明的进一步限定，所述fu需满足0≤fu≤αuF，其中，F指的是MEC服务器的最大计算能力。
作为本发明的进一步限定，所述步骤S3中计算任务的卸载和执行以及奖赏函数定义的具体步骤为：
步骤S31、用户u可达到的上行传输数据速率为：其中，B表示无线信道总带宽，K是任务卸载数量，hu表示用户u的信道增益，Pu是用户设备的发射功率，σ2是高斯白噪声的方差；
步骤S32、用户设备在本地处理计算任务的情景，任务Ru的本地处理时间成本为：用户设备耗能为：Eu,l＝zuCu，zu＝10-25(fu,l)2表示每CPU周期所消耗的能量，本地计算的总成本为：其中，和表示任务un的时间和能量成本的权重，权重满足 且
步骤S33、计算任务卸载到MEC上执行，总时间成本为：用户设备耗能成本为：总成本为：
步骤S34、奖励函数为其中，Ymax表示用户计算任务都在本地执行的时延，即计算时延最大值，是所有用户的总成本函数。
作为本发明的进一步限定，步骤S34中，Yu＝(1-αu)Yu,l+αuYu,o≤τu，其中，τu表示用户所能容忍的时间。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明基于深度强化学习，制定用户计算任务的卸载方案和MEC服务器计算资源分配策略，从而减少服务时延和用户设备能耗，提高用户服务质量。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合具体实施例和附图对本发明的技术方案做进一步的详细说明：
请参阅图1，本实施例提供基于深度强化学习的C-RAN计算卸载和资源分配方法，该方法包括以下步骤。
步骤101：制定计算任务，并将计算任务数据量大小和执行任务所需计算资源组合成系统状态作为深度神经网络的输入；
用户u计算任务制定为：Ru＝{Du,Cu,τu}；其中，Du表示用户u的任务数据量大小，Cu表示执行该任务所需的CPU周期数，τu表示用户所能容忍的时间。
步骤102：奖励函数为其中，Ymax表示用户计算任务都在本地执行的时延，即计算时延最大值，是所有用户的总成本函数，需满足Yu＝(1-αu)Yu,l+αuYu,o≤τu，其中，τu表示用户所能容忍的时间。
步骤103：第t时隙，状态空间为S，对应的系统状态矢量为st＝{z1(t),z2(t),…,zU(t),d1(t),d2(t),…,dU(t)}；其中，U表示用户数，zu,u∈U表示用户u计算任务数据量大小，du,u∈U表示执行该任务所需的CPU周期数。
步骤104：根据输入的系统状态对神经网络进行训练，得到系统动作，即卸载比例系数和计算资源分配系数；
用户u可达到的上行传输数据速率为：其中，B表示无线信道总带宽，K是任务卸载数量，hu表示用户u的信道增益，Pu是用户设备的发射功率，σ2是高斯白噪声的方差；
用户设备在本地处理计算任务的情景，任务Ru的本地处理时间成本为：用户设备耗能为：Eu,l＝zuCu，zu＝10-25(fu,l)2表示每CPU周期所消耗的能量。本地计算的总成本为：其中，和表示任务Ru的时间和能量成本的权重，权重满足 且
计算任务卸载到MEC上执行。总时间成本为：用户设备耗能成本为：总成本为：
系统动作包括计算任务卸载比例系数和计算资源分配系数，分别可由A＝[α1,α2,…,αU]和f＝[f1,f2,…,fU]表示；其中，αu∈[0,1]，计算任务(1-αu)部分由用户设备执行，αu部分卸载到MEC上去执行。fu指的是MEC分配给用户u的计算资源，同时，fu需满足0≤fu≤αuF，其中，F指的是MEC服务器的最大计算能力。
步骤105：构建神经网络，初始化的深度神经网络参数包括权重w、偏置b、学习率L、神经网络隐藏层数目。
通过以上步骤完成神经网络训练，将训练好的深度学习强化模型应用到C-RAN架构中，根据用户请求的计算任务，在移动边缘计算MEC服务器资源有限的约束下，得到最佳的计算任务卸载方案和MEC服务器计算资源分配策略，从而减少用户服务时延和设备能量消耗，提高C-RAN性能。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于深度强化学习的C-RAN计算卸载和资源分配方法，其特征在于，包括以下步骤：
步骤S1、构建C-RAN下的深度强化学习模型，制定计算任务，并将计算任务数据量大小和执行任务所需计算资源组合成系统状态；
步骤S2、将系统状态输入到深度强化学习模型中，进行神经网络训练，得到系统动作，即卸载比例系数和计算资源分配系数；
步骤S3、用户按照卸载比例系数进行计算任务的卸载和执行，MEC服务器根据计算资源分配系数执行其计算任务；并根据奖赏函数得到该系统动作的奖赏值，根据奖赏值大小来进行神经网络参数的更新；
步骤S4、重复步骤S1-S3直到奖赏值趋于稳定，从而完成训练过程，根据最后的系统动作进行计算的卸载和资源分配。
2.根据权利要求1所述的基于深度强化学习的C-RAN计算卸载和资源分配方法，其特征在于，所述步骤S1中，第t时隙，状态空间为S，系统状态矢量st＝{z1(t)，z2(t)，…，zU(t)，d1(t)，d2(t)，…，dU(t)}，其中，U表示用户数，zu，u∈U表示用户u计算任务数据量大小，du，u∈U表示执行该用户任务所需的CPU周期数，用户u计算任务为Ru＝{Du，Cu，τu}，其中，Du表示用户u的任务数据量大小，Cu表示执行该任务所需的CPU周期数，τu表示用户所能容忍的时间。
3.根据权利要求1所述的基于深度强化学习的C-RAN计算卸载和资源分配方法，其特征在于，所述步骤S2中系统动作包括计算任务卸载比例系数和计算资源分配系数，分别可由A＝[α1，α2，…，αU]和f＝[f1，f2，…，fU]表示；其中，αu∈[0，1]，计算任务(1-αu)部分由用户设备执行，αu部分卸载到MEC上去执行。fu指的是MEC分配给用户u的计算资源。
4.根据权利要求3所述的基于深度强化学习的C-RAN计算卸载和资源分配方法，其特征在于，所述fu需满足0≤fu≤αuF，其中，F指的是MEC服务器的最大计算能力。
5.根据权利要求1所述的基于深度强化学习的C-RAN计算卸载和资源分配方法，其特征在于，所述步骤S3中计算任务的卸载和执行以及奖赏函数定义的具体步骤为：
步骤S31、用户u可达到的上行传输数据速率为：其中，B表示无线信道总带宽，K是任务卸载数量，hu表示用户u的信道增益，Pu是用户设备的发射功率，σ2是高斯白噪声的方差；
步骤S32、用户设备在本地处理计算任务的情景，任务Ru的本地处理时间成本为：用户设备耗能为：Eu，l＝zuCu，zu＝10-25(fu，l)2表示每CPU周期所消耗的能量，本地计算的总成本为：其中，和表示任务un的时间和能量成本的权重，权重满足且
步骤S33、计算任务卸载到MEC上执行，总时间成本为：用户设备耗能成本为：总成本为：
步骤S34、奖励函数为其中，Ymax表示用户计算任务都在本地执行的时延，即计算时延最大值，是所有用户的总成本函数。
6.根据权利要求5所述的基于深度强化学习的C-RAN计算卸载和资源分配方法，其特征在于，步骤S34中，Yu＝(1-αu)Yu，l+αuYu，o≤τu，其中，τu表示用户所能容忍的时间。
CN201910862681.5A 2019-09-12 2019-09-12 基于深度强化学习的c-ran计算卸载和资源分配方法 Pending CN110557769A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910862681.5A CN110557769A (zh) 2019-09-12 2019-09-12 基于深度强化学习的c-ran计算卸载和资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910862681.5A CN110557769A (zh) 2019-09-12 2019-09-12 基于深度强化学习的c-ran计算卸载和资源分配方法

Publications (1)

Publication Number Publication Date
CN110557769A true CN110557769A (zh) 2019-12-10

Family

ID=68740072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910862681.5A Pending CN110557769A (zh) 2019-09-12 2019-09-12 基于深度强化学习的c-ran计算卸载和资源分配方法

Country Status (1)

Country Link
CN (1) CN110557769A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110971706A (zh) * 2019-12-17 2020-04-07 大连理工大学 Mec中近似最优化与基于强化学习的任务卸载方法
CN111401769A (zh) * 2020-03-25 2020-07-10 国网江苏省电力有限公司扬州供电分公司 一种基于深度强化学习的配电网故障智能抢修方法及装置
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111405569A (zh) * 2020-03-19 2020-07-10 三峡大学 基于深度强化学习的计算卸载和资源分配方法及装置
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
CN111465032A (zh) * 2020-03-26 2020-07-28 南京理工大学 多无线体域网环境中基于a3c算法的任务卸载方法及系统
CN111782301A (zh) * 2020-07-08 2020-10-16 北京邮电大学 卸载动作集合获取方法及装置
CN111866807A (zh) * 2020-06-22 2020-10-30 江苏大学 一种基于深度强化学习的软件定义车载任务细粒度卸载方法
CN111935825A (zh) * 2020-06-19 2020-11-13 东南大学 移动边缘计算系统中基于深度值网络的协作资源分配方法
CN112202886A (zh) * 2020-09-30 2021-01-08 广州大学 任务卸载方法、系统、装置和存储介质
CN112311849A (zh) * 2020-09-24 2021-02-02 北京中电飞华通信有限公司 基于mimo-mec的通信网络中任务处理方法
CN112367353A (zh) * 2020-10-08 2021-02-12 大连理工大学 基于多智能体强化学习的移动边缘计算卸载方法
CN112783567A (zh) * 2021-01-05 2021-05-11 中国科学院计算技术研究所 一种基于全局信息的dnn任务卸载决策方法
CN113115072A (zh) * 2021-04-09 2021-07-13 中山大学 一种基于端云协同的视频目标检测跟踪调度方法及系统
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
CN113573363A (zh) * 2021-07-27 2021-10-29 西安热工研究院有限公司 基于深度强化学习的mec计算卸载与资源分配方法
WO2021227508A1 (zh) * 2020-05-09 2021-11-18 中国科学院沈阳自动化研究所 基于深度强化学习的工业5g动态多优先级多接入方法
CN113726858A (zh) * 2021-08-12 2021-11-30 西安交通大学 一种基于强化学习的自适应ar任务卸载和资源分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JI LI, HUI GAO, TIEJUN LV, AND YUEMING LU: "Deep Reinforcement Learning based Computation Offloading and Resource Allocation for MEC", 《2018 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 *
JI LI等: "Deep Neural Network based Computational Resource Allocation for Mobile Edge Computing", 《2018 IEEE GLOBECOM WORKSHOPS (GC WKSHPS)》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110971706B (zh) * 2019-12-17 2021-07-16 大连理工大学 Mec中近似最优化与基于强化学习的任务卸载方法
CN110971706A (zh) * 2019-12-17 2020-04-07 大连理工大学 Mec中近似最优化与基于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
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
CN111405568B (zh) * 2020-03-19 2023-01-17 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111405569A (zh) * 2020-03-19 2020-07-10 三峡大学 基于深度强化学习的计算卸载和资源分配方法及装置
CN111401769A (zh) * 2020-03-25 2020-07-10 国网江苏省电力有限公司扬州供电分公司 一种基于深度强化学习的配电网故障智能抢修方法及装置
CN111465032B (zh) * 2020-03-26 2023-04-21 南京理工大学 多无线体域网环境中基于a3c算法的任务卸载方法及系统
CN111465032A (zh) * 2020-03-26 2020-07-28 南京理工大学 多无线体域网环境中基于a3c算法的任务卸载方法及系统
WO2021227508A1 (zh) * 2020-05-09 2021-11-18 中国科学院沈阳自动化研究所 基于深度强化学习的工业5g动态多优先级多接入方法
CN111935825B (zh) * 2020-06-19 2023-02-28 东南大学 移动边缘计算系统中基于深度值网络的协作资源分配方法
CN111935825A (zh) * 2020-06-19 2020-11-13 东南大学 移动边缘计算系统中基于深度值网络的协作资源分配方法
CN111866807A (zh) * 2020-06-22 2020-10-30 江苏大学 一种基于深度强化学习的软件定义车载任务细粒度卸载方法
CN111782301A (zh) * 2020-07-08 2020-10-16 北京邮电大学 卸载动作集合获取方法及装置
CN112311849A (zh) * 2020-09-24 2021-02-02 北京中电飞华通信有限公司 基于mimo-mec的通信网络中任务处理方法
CN112311849B (zh) * 2020-09-24 2023-02-10 北京中电飞华通信有限公司 基于mimo-mec的通信网络中任务处理方法
CN112202886B (zh) * 2020-09-30 2023-06-23 广州大学 任务卸载方法、系统、装置和存储介质
CN112202886A (zh) * 2020-09-30 2021-01-08 广州大学 任务卸载方法、系统、装置和存储介质
CN112367353B (zh) * 2020-10-08 2021-11-05 大连理工大学 基于多智能体强化学习的移动边缘计算卸载方法
CN112367353A (zh) * 2020-10-08 2021-02-12 大连理工大学 基于多智能体强化学习的移动边缘计算卸载方法
CN112783567A (zh) * 2021-01-05 2021-05-11 中国科学院计算技术研究所 一种基于全局信息的dnn任务卸载决策方法
CN113115072A (zh) * 2021-04-09 2021-07-13 中山大学 一种基于端云协同的视频目标检测跟踪调度方法及系统
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
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
CN113573363A (zh) * 2021-07-27 2021-10-29 西安热工研究院有限公司 基于深度强化学习的mec计算卸载与资源分配方法
CN113573363B (zh) * 2021-07-27 2024-01-23 西安热工研究院有限公司 基于深度强化学习的mec计算卸载与资源分配方法
CN113726858B (zh) * 2021-08-12 2022-08-16 西安交通大学 一种基于强化学习的自适应ar任务卸载和资源分配方法
CN113726858A (zh) * 2021-08-12 2021-11-30 西安交通大学 一种基于强化学习的自适应ar任务卸载和资源分配方法

Similar Documents

Publication Publication Date Title
CN110557769A (zh) 基于深度强化学习的c-ran计算卸载和资源分配方法
CN109814951B (zh) 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110941667B (zh) 一种移动边缘计算网络中的计算卸载方法及系统
CN110418416B (zh) 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
CN109684075B (zh) 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN111586696B (zh) 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
CN110798849A (zh) 一种超密网边缘计算的计算资源分配与任务卸载方法
CN111010684B (zh) 一种基于mec缓存服务的车联网资源分配方法
Chen et al. Delay guaranteed energy-efficient computation offloading for industrial IoT in fog computing
CN111163519A (zh) 系统收益最大化的无线体域网资源分配与任务卸载算法
CN111132191A (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
Shi et al. Toward energy-efficient federated learning over 5g+ mobile devices
CN110233755B (zh) 一种物联网中雾计算的计算资源和频谱资源分配方法
CN114265631B (zh) 一种基于联邦元学习的移动边缘计算智能卸载方法及装置
CN108777855B (zh) 应用于das的功率分配方法、装置及计算机可读存储介质
CN112491957B (zh) 一种边缘网络环境下的分布式计算卸载方法及系统
CN111193615B (zh) 一种移动边缘计算网络中的边缘计算节点选择方法
CN109639833A (zh) 一种基于无线城域网微云负载均衡的任务调度方法
CN114723057A (zh) 一种用于多接入边缘计算系统的神经网络协同推理方法
CN113727362A (zh) 一种基于深度强化学习的无线供电系统的卸载策略方法
CN111565380A (zh) 车联网中基于noma-mec混合卸载方法
CN111158893B (zh) 应用于雾计算网络的任务卸载方法、系统、设备及介质
CN114449490A (zh) 基于d2d通信的多任务联合计算卸载与资源分配方法
CN112822707B (zh) 一种计算资源有限mec中任务卸载与资源分配方法
CN112770398A (zh) 一种基于卷积神经网络的远端射频端功率控制方法

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: 20191210