摘要
随着物联网（InternetofThings,IoT）技术的发展，人脸识别、增强现实、虚拟现实等应用越来越普遍，这些对时延敏感的应用需要大量计算并消耗较高能量。然而，目前移动终端的计算资源和电池电量有限，显著影响了用户体验质量（QualityofExperience,QoE）。移动边缘计算（MobileEdgeComputing,MEC）将资源扩展到网络边缘，成为解决这一问题的关键技术。由于系统时延和能耗的约束，如何设计符合用户需求的计算卸载和资源分配方法是MEC模式面临的关键挑战。为了应对这一挑战，本文基于MEC系统架构对计算卸载和资源分配问题进行研究，具体研究内容如下。 （1）基于缓存辅助的计算卸载和资源分配方法设计。针对MEC中的计算卸载和缓存问题，本研究设计了一种拥有内容缓存服务的多用户多服务器系统架构，为进一步减少系统总时延，联合优化缓存策略、卸载决策、传输功率和计算资源分配是亟需解决的问题。因此，为了解决联合优化问题，本研究制定缓存管理方案，提出一种基于块逐次上界最小化（BlockSuccessiveUpper-boundMinimization,BSUM）的联合优化算法。首先，通过预选取的方式对明确处理方法的任务进行筛选，缩小问题规模；其次，针对处理方法不明确的任务，根据时延增益函数确定处理顺序，并通过固定缓存、卸载和传输功率的方法，得到计算资源分配策略；最终，利用BSUM方法获得联合缓存、卸载和传输功率问题的最优解。实验结果表明，与基准算法相比，该算法减少了系统总时延，提高了缓存命中率。 （2）基于任务优先级的计算卸载和资源分配方法设计。鉴于缓存辅助的计算卸载和资源分配方法仅适用于内容缓存的场景，本文进一步研究更适合任务卸载的场景，同时针对当前MEC系统普遍存在卸载效率低的问题，设计了一种多用户多服务器系统架构。为减少系统总能耗，需解决联合卸载比例策略、传输功率和计算资源分配问题。为此，本研究制定任务优先级方案，并提出一种联合卸载比例和资源分配优化算法。首先，将该问题解耦为卸载比例问题和资源分配问题，并推导出卸载比例问题的封闭解；其次，针对传输功率和计算资源分配问题分别进行求解；最终，获得原问题的最优解。实验结果表明，与基准算法相比，该算法减少了系统总能耗，提高了卸载效率。
NETL