基于深度强化学习的MEC计算卸载和资源分配研究

【摘要】：未来网络中大量新型应用需要更强的计算能力、更高的带宽和更低的时延。然而现有移动设备的计算资源与电池容量是受限的,无法满足上述要求。如何处理移动设备资源受限与应用对资源需求过高之间的矛盾成为现代移动网络架构演进面临的重大挑战。移动边缘计算(Mobile Edge Computing,MEC)在移动网络的边缘提供存储与计算资源,本地任务可以卸载到网络边缘的云服务器上执行,终端设备只需发送任务请求和接收计算结果,因此可以有效解决终端设备资源不足和处理时延过高的问题。考虑到无线资源与云端的计算资源是有限的,本文的研究目标是在资源受限的场景下,联合优化对任务的动态卸载与资源分配。本文的研究工作总结如下:1)针对单小区多用户场景,提出一种动态卸载与资源分配方案。文中首先建立了网络传输与计算卸载模型,以最小化所有任务执行时延为目标。其次,提出了一种基于深度强化学习的任务动态卸载与资源分配方案。仿真结果表明提出的算法在不同的用户数、计算能力以及无线信道带宽下均能获得更低的任务执行总时延。2)针对多用户多小区场景和MEC服务节点资源受限的情况,提出一种联合优化计算卸载、用户接入与资源分配的方案。文中首先建立了以最小化所有用户任务执行时延总和为目标的优化函数,进一步基于深度强化学习提出了一种用于任务动态卸载的用户接入与资源分配方案。仿真结果表明提出的算法能够在充分利用有限资源的情况下,降低网络中所有用户的任务执行总时延。