CN112261674A - 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法 - Google Patents
一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法 Download PDFInfo
- Publication number
- CN112261674A CN112261674A CN202011061330.3A CN202011061330A CN112261674A CN 112261674 A CN112261674 A CN 112261674A CN 202011061330 A CN202011061330 A CN 202011061330A CN 112261674 A CN112261674 A CN 112261674A
- Authority
- CN
- China
- Prior art keywords
- internet
- things
- mec
- strategy
- block chain
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000002787 reinforcement Effects 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 6
- 238000013500 data storage Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于移动边缘计算(MEC)以及基于委托股权证明(DPoS)共识机制的区块链技术协同赋能物联网场景下利用深度强化学习(DRL)算法动态决策区块生成策略及MEC计算卸载策略，进而实现可扩展性优化的方法，包括：一种利用基于DPoS共识机制的区块链技术在物联网场景下实现应用数据的分布式存储的方法，以此获得更高的数据存储鲁棒性及安全性；一种基于MEC技术使得物联网节点能够通过基站将计算任务策略性地卸载到MEC服务器上的边缘资源协同机制；一种基于分布式训练的深度确定性策略梯度(DDPG)算法使得物联网节点能够自适应地动态决策出最优的区块生成策略以及MEC计算卸载策略，以此联合提升整体系统的可扩展性。
Description
技术领域
本发明涉及移动边缘计算(MEC)与区块链技术协同赋能的新兴物联网架构的性能优化，确切地说，基于环境状态观测所得信息，利用机器学习(ML)的方法实现在该场景下针对海量数据的分布式安全存储、高效处理及优良的系统可扩展性，属于无线通信技术领域。
背景技术
作为新兴信息技术的重要组成，物联网(IoT)在制造业、物流业、航空业等各个领域都引起了高度且广泛的关注。随着无线通信和传感器网络的技术进步，物联网场景中逐渐涉及到越来越多的智能对象，并且新兴的物联网架构支持通过在智能对象中捕获大量的原始数据，此外需要基于这些数据进一步做针对性的处理分析以支持网络管理决策、新型物联应用及网络数据交互等。于是，如何确保网络数据的安全存储以及高效处理成为了新一代物联网技术发展的新挑战。相比于传统网络架构下集中式的数据服务器，基于委托股权证明(DPoS)共识机制的区块链技术，由选出的代表节点作为区块生产者进行记账，具有高效、去中心化、高安全性及高鲁棒性等特征，更能保证数据的安全可靠存储和处理效率，但仅基于传统的区块链系统难以满足物联网的大量交易下所需的交易处理吞吐量，因此如何优化基于DPoS共识机制的区块链技术所赋能的物联网架构的可扩展性仍然是一项挑战。
针对在上述的区块链赋能的新兴物联网场景中，需基于大量资源受限的无线终端设备实现对海量的传感数据做预处理和数据分析，并且满足计算密集型的移动应用程序的体验质量(QoE)，于是引入了移动边缘计算(MEC)技术以满足日益增长的计算需求。MEC能够使边缘物联网节点将复杂的计算任务卸载到与基站(BS)关联的MEC服务器上，从而显著减少移动设备处理时延和功耗且提高了移动应用程序的QoE。然而，想要达到优良的计算卸载的总体效率要求MEC系统实现合理地、智能地分配无线电资源以及计算资源，以便高效地完成计算任务，因此如何确保MEC能够智能地进行计算卸载决策以此赋能基于区块链系统的物联网架构也是本发明关注的重点内容。
为了实现优化上述基于区块链系统的物联网的可扩展性，本发明利用MEC技术赋能于此架构，同时通过动态调整区块生成大小以及区块生成间隔以提升整体交易吞吐量；相比于传统的基于区块链的物联网架构，MEC技术与区块链技术协同赋能的物联网架构更能满足新兴物联网高吞吐量、低时延的需求，服务于例如智能家居、车联网、智能电网等场景。然而，传统基于数学模型的优化方案求解复杂度较高且动态优化建模困难，不足以高效地处理物联网架构中复杂、高维且动态的数据特征，同时如何动态确定MEC系统的最佳计算卸载策略也更具挑战。
目前，强化学习(RL)已广泛应用于模式识别、自然语言处理、无线通信系统的设计及优化等领域。因为状态空间的爆炸式增长使得传统的基于表格的学习方案变得不可行，所以传统的RL算法无法随着终端数量的增加而很好地扩展，但是利用深度神经网络(DNN)能够有效地利用函数逼近RL的Q值并且满足高可扩展性。因此，本发明基于一种连续型动作空间的深度强化学习算法，称为深度确定性策略梯度(DDPG)算法，以此实现有效地控制区块链系统的区块生成策略以及MEC计算卸载策略，在满足数据可靠存储的同时提升交易吞吐量，进而实现基于区块链系统的物联网架构的可扩展性优化。与此同时，相比于传统集中式控制决策的系统架构，由MEC赋能的物联网架构使得边缘节点能够处理大量数据的同时满足实时需求，因此允许深度强化学习的模型能够分布式地在物联网节点上进行训练，从而达到个性化、本地化动态决策的效果，以此保证性能优化策略的时效性、准确性。
发明内容
本发明针对基于DPoS共识机制的区块链技术赋能的新兴物联网场景，提出利用移动边缘计算(MEC)及深度强化学习(DRL)协同实现该场景下可扩展性优化的系统架构，即通过深度确定性策略梯度(DDPG)算法来动态决策出最优的区块生成大小、区块生成间隔以及MEC计算卸载策略，以此实现高可扩展性、高鲁棒性、低时延的新兴物联网架构，进而满足时延敏感、高交易吞吐量的新型物联网应用需求。
如前所述，为了处理所考虑的物联网架构中动态且大规模的数据特征，本发明诉诸于DRL算法解决这一挑战，具体则是采用DDPG算法，在每个终端用户处独立地训练出动态决策模型，该模型能够通过处理环境观测所得信息以及数据特征来选择最优的区块生成大小、区块生成间隔以及MEC计算卸载策略，相应该DDPG算法结构中所定义的状态空间、动作空间及奖励函数如下。
首先，状态空间的定义是基于对系统环境信息的观察及数据缓存区中待处理的计算任务大小的联合考量。对于终端用户
编号为t的区块生成间隔起始处，终端用户会接收来自基站(BS)的反馈信号，从而推测出相应的接收SINR，同时数据缓存区中会有新的计算任务增加，因此状态空间定义为：
sm,t＝[Bm(t),hm(t)] (1)
其中Bm(t)为此时的数据缓存区中待处理任务的大小，并且在t时隙到达的计算任务会计入缓存区且于下一回合开始处理；此外，本发明中考虑的基站配有N根天线并采用线性检测算法迫零(ZF)来管理多个单天线移动节点的上行链路传输，
为基于信道互易性计算所得的上行链路传输的信道矢量，可以进而用于推算上行链路传输的信噪比MEC计算任务卸载比特数。
基于终端用户m当前观测到的系统状态sm,t，经过DDPG算法处理决策出执行动作am,t，在连续动作空间中对MEC本地计算/计算卸载的功率分配及区块生成间隔设定进行优化，以此调整MEC与区块链系统的参数适应动态环境，因此动作空间定义为：
am,t＝[pl,m(t),po,m(t),Im(t)] (2)其中pl,m(t)表示分配用于本地计算的功率，po,m(t)表示分配用于计算卸载的上行链路传输功率，两者可以进而用于计算区块生成大小
Im(t)则表示区块生成间隔。其中，区块生成大小为：
其中
为取决于芯片结构的开关电容，Lm为用户m处理一个任务比特所需的CPU周期，γm为基于po,m(t)与hm(t)计算所得的信噪比。
在深度强化学习中，每个用户执行的动作都是由奖励驱动的，为了在保证区块链系统的去中心化程度、安全性、时延性能的的情况下，最大化交易吞吐量，因此奖励函数定义为：
其中x表示平均交易大小。通过DDPG算法的多次迭代并更新采用学习出的新策略
目标实现最大化整体平均交易吞吐量：
基于上述的状态空间、动作空间及奖励函数，初始化神经网络及环境网络参数后，通过DDPG算法与环境网络的多回合交互及训练优化，最终输出最优的区块生成策略及MEC计算卸载策略，以此提升整体系统的可扩展性。
附图说明
图1为区块链与MEC系统联合赋能的物联网场景架构图。
图2为基于DDPG算法的网络可扩展性优化流程图。
图3为基于DDPG算法、DQN算法、计算卸载贪婪算法、本地计算贪婪算法分别进行网络优化的性能对比仿真图。
图4为基于DDPG算法、DQN算法、计算卸载贪婪算法、本地计算贪婪算法，分别在不同的任务到达速率下的平均功耗对比仿真图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。
参见图1，先介绍本发明的应用场景：本发明主要考虑的是基于DPoS共识机制的区块链技术与MEC技术协同赋能的新兴物联网架构。在IoT网络中考虑了多种智慧联网终端与应用场景，终端设备之间能够进行数据共享，同时会将需要存储或后续处理的数据录入区块链系统部分，进而区块链系统对数据进一步计算处理、生成区块、达成共识，最终实现可信的数据分布式安全存储。此外，在区块链系统计算处理的环节中，物联网节点能够依据基于DDPG算法学习所得的MEC动态计算卸载策略，将计算密集型任务部分卸载至MEC服务器上处理，以实现更高的交易吞吐量及可扩展性。在该场景下，物联网节点能够通过本地观察所得的环境信息独立且自适应地学习出高效的区块生成策略及MEC计算卸载策略，无需系统环境的先验知识。
参见图2，介绍本发明的操作流程：初始化神经网络及环境网络参数后，每一回合区块生产者节点都会接收新的计算任务并存入数据缓存区，缓存区任务量大小则记为Bm(t)，同时获取信道信息利用信道互异性计算可得上行链路传输的信道矢量hm(t)，并最终整合为状态sm,t；基于状态信息sm,t，分布式部署于物联网节点上的DDPG架构中的Actor网络会输出动作决策am,t，包括区块生成策略及MEC计算卸载策略，并输出给环境执行，继而由环境反馈相应的奖励值；DDPG架构中的Critic网络则负责利用经验记忆库进行优化学习并计算更新优化神经网络参数；最终，经过DDPG算法与环境的多回合交互及训练优化后，输出最优的区块生成策略以及MEC计算卸载策略。
参见图3，对于四种不同的方案：基于DDPG算法优化、基于DQN算法优化、基于计算卸载的贪婪算法、及基于本地计算的贪婪算法，均进行了周期数为100且每周期内包含1000回合的训练学习，同时基于奖励函数的定义可知，其中纵轴的平均奖励值与交易吞吐量的大小成正比关系。观察仿真结果可知，基于机器学习算法的动态优化方案均优于基于贪婪算法的方案，并且基于DDPG算法的优化方案相较基于DQN算法的优化方案有一定提升，证明了基于DDPG算法优化的MEC与区块链赋能的物联网架构具有更优的可扩展性。
参见图4，为了进一步比较不同方案的性能，考虑了在1.5～4.0Mbps范围内不同的任务到达速率下，基于100个周期所得的消耗功率分别取平均值。观察仿真结果可知，在四种方案下平均功耗均会随着任务到达速率的增加而增加，但基于机器学习算法方案的功耗整体小于基于贪婪算法方案的功耗，同时基于DDPG算法的方案整体平均功耗最低，证明了基于DDPG的连续型动态决策算法的优越性。
以上所述仅为本发明的一个实例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (4)
1.针对新兴物联网架构对数据安全存储及数据高效处理的需求，利用区块链系统及移动边缘计算(MEC)技术协同赋能在实现数据可靠存储的同时优化该架构的可扩展性，并且提出了一种基于深度强化学习(DRL)算法的性能优化方法，其特征在于，所述方法包括：
结合基于委托股权证明(DPoS)共识机制的区块链技术，将物联网中所产生的数据以分布式的形式于多个物联网节点下进行存储；
基于移动边缘计算技术，允许物联网节点将部分区块链系统下的计算密集型任务卸载到MEC服务器上进行处理，进而减轻节点本地的计算任务量；
基于环境信息与缓存区业务量感知，被选为区块生成者的物联网节点能够自适应地选择区块生成策略以及MEC计算卸载策略；
利用分布式的深度确定性策略梯度(DDPG)算法进行联合优化，使得物联网节点能够准确地动态决策出高效的区块生成策略及MEC计算卸载策略，以此实现可扩展性优化。
2.根据权利要求1所述方法，其特征在于，所述区块生成策略包括：
被选为区块生产者的物联网节点，能够自适应地调整区块生成大小以及区块生成间隔。
3.根据权利要求1所述方法，其特征在于，所述MEC计算卸载策略包括：
被选为区块生产者的物联网节点，能够基于环境信息与缓存区业务量感知调整分配至MEC服务器进行处理的比特数以及留在本地进行处理的比特数，并在与区块链系统部分联合优化的问题中用于进一步推算区块生成大小。
4.根据权利要求1所述方法，其特征在于，所述基于DDPG算法的可扩展性优化方案的实施包括：
DDPG的算法模型于边缘物联网节点上独立且分布式地训练生成；
状态空间定义包括基于信道互易性所得的上行链路传输的信道矢量，以及边缘物联网节点的缓存区业务量；
动作空间定义包括分配用于边缘节点本地计算的功率、分配用于计算卸载的功率以及区块生成间隔；
奖励函数定义为该架构下的平均每秒交易吞吐量，体现整体系统的可扩展性程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011061330.3A CN112261674A (zh) | 2020-09-30 | 2020-09-30 | 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011061330.3A CN112261674A (zh) | 2020-09-30 | 2020-09-30 | 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112261674A true CN112261674A (zh) | 2021-01-22 |
Family
ID=74233567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011061330.3A Pending CN112261674A (zh) | 2020-09-30 | 2020-09-30 | 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112261674A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765278A (zh) * | 2021-01-28 | 2021-05-07 | 西华大学 | 基于区块链的无线物联网系统 |
| CN112995950A (zh) * | 2021-02-07 | 2021-06-18 | 华南理工大学 | 一种车联网中基于深度强化学习的资源联合分配方法 |
| CN113157344A (zh) * | 2021-04-30 | 2021-07-23 | 杭州电子科技大学 | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 |
| CN113406893A (zh) * | 2021-07-14 | 2021-09-17 | 南通大学 | 一种基于边缘网关的智能家居系统及其应用 |
| CN113572647A (zh) * | 2021-07-30 | 2021-10-29 | 同济大学 | 一种基于强化学习的区块链-边缘计算联合系统 |
| CN113645702A (zh) * | 2021-07-30 | 2021-11-12 | 同济大学 | 一种利用策略梯度技术优化的支持区块链的物联网系统 |
| CN113762512A (zh) * | 2021-11-10 | 2021-12-07 | 北京航空航天大学杭州创新研究院 | 分布式模型训练方法、系统及相关装置 |
| CN113852601A (zh) * | 2021-08-11 | 2021-12-28 | 杭州师范大学 | 一种基于智能合约的车联网矩阵计算安全卸载可验证方法 |
| CN114189892A (zh) * | 2021-12-15 | 2022-03-15 | 北京工业大学 | 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法 |
| CN114553889A (zh) * | 2022-04-22 | 2022-05-27 | 深圳本地宝新媒体技术有限公司 | 一种基于本地区域特性自学习的信息交流的方法及系统 |
| CN115102867A (zh) * | 2022-05-10 | 2022-09-23 | 内蒙古工业大学 | 结合深度强化学习的区块链分片系统性能优化方法 |
| CN114189892B (zh) * | 2021-12-15 | 2024-06-07 | 北京工业大学 | 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018032371A1 (zh) * | 2016-08-13 | 2018-02-22 | 深圳市樊溪电子有限公司 | 一种区块链功耗感知的PoW共识机制 |
| US20180181088A1 (en) * | 2016-12-28 | 2018-06-28 | Intel Corporation | Technologies for adaptive collaborative optimization of internet-of-things systems |
| CN109388492A (zh) * | 2018-10-09 | 2019-02-26 | 浙江工业大学 | 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法 |
| US20190251279A1 (en) * | 2018-02-13 | 2019-08-15 | Pure Storage, Inc. | Storage layer data security |
| CN110231990A (zh) * | 2019-05-22 | 2019-09-13 | 深圳供电局有限公司 | 基于二次拍卖的区块链资源优化分配方法及装置 |
| WO2020112436A1 (en) * | 2018-11-26 | 2020-06-04 | The University Of Akron | 3s-chain: smart, secure, and software-defined networking (sdn)-powered blockchain-powered networking and monitoring system |
| 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 |
| CN111556089A (zh) * | 2020-03-16 | 2020-08-18 | 西安电子科技大学 | 基于使能区块链移动边缘计算系统的资源联合优化方法 |
| CN111565420A (zh) * | 2020-04-07 | 2020-08-21 | 大连理工大学 | 一种移动区块链中智能资源分配方法 |
-
2020
- 2020-09-30 CN CN202011061330.3A patent/CN112261674A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018032371A1 (zh) * | 2016-08-13 | 2018-02-22 | 深圳市樊溪电子有限公司 | 一种区块链功耗感知的PoW共识机制 |
| US20180181088A1 (en) * | 2016-12-28 | 2018-06-28 | Intel Corporation | Technologies for adaptive collaborative optimization of internet-of-things systems |
| US20190251279A1 (en) * | 2018-02-13 | 2019-08-15 | Pure Storage, Inc. | Storage layer data security |
| CN109388492A (zh) * | 2018-10-09 | 2019-02-26 | 浙江工业大学 | 一种在多个边缘计算服务器场景下基于模拟退火的移动区块链优化算力分配方法 |
| WO2020112436A1 (en) * | 2018-11-26 | 2020-06-04 | The University Of Akron | 3s-chain: smart, secure, and software-defined networking (sdn)-powered blockchain-powered networking and monitoring system |
| CN110231990A (zh) * | 2019-05-22 | 2019-09-13 | 深圳供电局有限公司 | 基于二次拍卖的区块链资源优化分配方法及装置 |
| CN111556089A (zh) * | 2020-03-16 | 2020-08-18 | 西安电子科技大学 | 基于使能区块链移动边缘计算系统的资源联合优化方法 |
| CN111565420A (zh) * | 2020-04-07 | 2020-08-21 | 大连理工大学 | 一种移动区块链中智能资源分配方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| ANTTI MIETTINEN ET AL.: "Energy efficiency of mobile clients in cloud computing", 《HOTCLOUD》 * |
| FENGXIAN GUO ET AL.: "Adaptive Resource Allocation in Future Wireless Networks With Blockchain and Mobile Edge Computing", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 * |
| XIAOYU QIU ET AL.: "Online Deep Reinforcement Learning for Computation Offloading in Blockchain-Empowered Mobile Edge Computing", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
| 武继刚 等: "移动边缘计算中的区块链技术研究进展", 《计算机工程》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112765278A (zh) * | 2021-01-28 | 2021-05-07 | 西华大学 | 基于区块链的无线物联网系统 |
| CN112765278B (zh) * | 2021-01-28 | 2023-03-24 | 西华大学 | 基于区块链的无线物联网系统 |
| CN112995950B (zh) * | 2021-02-07 | 2022-03-29 | 华南理工大学 | 一种车联网中基于深度强化学习的资源联合分配方法 |
| CN112995950A (zh) * | 2021-02-07 | 2021-06-18 | 华南理工大学 | 一种车联网中基于深度强化学习的资源联合分配方法 |
| CN113157344A (zh) * | 2021-04-30 | 2021-07-23 | 杭州电子科技大学 | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 |
| CN113157344B (zh) * | 2021-04-30 | 2022-06-14 | 杭州电子科技大学 | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 |
| CN113406893A (zh) * | 2021-07-14 | 2021-09-17 | 南通大学 | 一种基于边缘网关的智能家居系统及其应用 |
| CN113572647A (zh) * | 2021-07-30 | 2021-10-29 | 同济大学 | 一种基于强化学习的区块链-边缘计算联合系统 |
| CN113645702B (zh) * | 2021-07-30 | 2022-06-03 | 同济大学 | 一种利用策略梯度技术优化的支持区块链的物联网系统 |
| CN113645702A (zh) * | 2021-07-30 | 2021-11-12 | 同济大学 | 一种利用策略梯度技术优化的支持区块链的物联网系统 |
| CN113852601A (zh) * | 2021-08-11 | 2021-12-28 | 杭州师范大学 | 一种基于智能合约的车联网矩阵计算安全卸载可验证方法 |
| CN113852601B (zh) * | 2021-08-11 | 2023-04-28 | 杭州师范大学 | 一种基于智能合约的车联网矩阵计算安全卸载可验证方法 |
| CN113762512A (zh) * | 2021-11-10 | 2021-12-07 | 北京航空航天大学杭州创新研究院 | 分布式模型训练方法、系统及相关装置 |
| CN114189892A (zh) * | 2021-12-15 | 2022-03-15 | 北京工业大学 | 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法 |
| CN114189892B (zh) * | 2021-12-15 | 2024-06-07 | 北京工业大学 | 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法 |
| CN114553889A (zh) * | 2022-04-22 | 2022-05-27 | 深圳本地宝新媒体技术有限公司 | 一种基于本地区域特性自学习的信息交流的方法及系统 |
| CN115102867A (zh) * | 2022-05-10 | 2022-09-23 | 内蒙古工业大学 | 结合深度强化学习的区块链分片系统性能优化方法 |
| CN115102867B (zh) * | 2022-05-10 | 2023-04-25 | 内蒙古工业大学 | 结合深度强化学习的区块链分片系统性能优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112261674A (zh) | 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法 | |
| Ali et al. | A deep learning approach for energy efficient computational offloading in mobile edge computing | |
| Bi et al. | Energy-optimized partial computation offloading in mobile-edge computing with genetic simulated-annealing-based particle swarm optimization | |
| Li et al. | NOMA-enabled cooperative computation offloading for blockchain-empowered Internet of Things: A learning approach | |
| Nath et al. | Deep reinforcement learning for dynamic computation offloading and resource allocation in cache-assisted mobile edge computing systems | |
| Nath et al. | Multi-user multi-channel computation offloading and resource allocation for mobile edge computing | |
| Sun et al. | Graph-reinforcement-learning-based task offloading for multiaccess edge computing | |
| CN114697333B (zh) | 一种能量队列均衡的边缘计算方法 | |
| CN113573363B (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
| Nath et al. | Dynamic computation offloading and resource allocation for multi-user mobile edge computing | |
| CN114205353B (zh) | 一种基于混合动作空间强化学习算法的计算卸载方法 | |
| Zhu et al. | Reliability-optimal offloading in low-latency edge computing networks: Analytical and reinforcement learning based designs | |
| Sadiki et al. | Deep reinforcement learning for the computation offloading in MIMO-based Edge Computing | |
| Zhang et al. | A resource allocation scheme for real-time energy-aware offloading in vehicular networks with mec | |
| Lu et al. | A drl-based decentralized computation offloading method: An example of an intelligent manufacturing scenario | |
| Li et al. | Deep reinforcement learning based computing offloading for MEC-assisted heterogeneous vehicular networks | |
| Xie et al. | Backscatter-aided hybrid data offloading for mobile edge computing via deep reinforcement learning | |
| Shaodong et al. | Multi-step reinforcement learning-based offloading for vehicle edge computing | |
| Gu et al. | Deep reinforcement learning-guided task reverse offloading in vehicular edge computing | |
| Iqbal et al. | Convolutional neural network-based deep Q-network (CNN-DQN) resource management in cloud radio access network | |
| Zhai et al. | Collaborative computation offloading for cost minimization in hybrid computing systems | |
| Li et al. | Deep reinforcement learning for collaborative computation offloading on internet of vehicles | |
| Sun et al. | Towards Heterogeneous Environment: Lyapunov-orientated ImpHetero Reinforcement Learning for Task Offloading | |
| Tong et al. | FedTO: Mobile-Aware Task Offloading in Multi-Base Station Collaborative MEC | |
| Chidume et al. | Intelligent user-collaborative edge device APC-based MEC 5G IoT for computational offloading and resource allocation |
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 |