摘要
随着物联网和5G技术的快速发展，智能终端设备的规模呈爆炸式增长，用户对优质的服务体验和快速的数据响应需求也日益增加，以云计算为代表的集中式处理数据模式已经无法满足用户的上述需求。移动边缘计算（MobileEdgeComputing，MEC）技术的出现为该问题提供了新的解决方式，该技术在靠近数据生成源头为用户提供服务，不仅可以实现用户任务的快速响应，而且有效地降低了用户任务的计算时延和能耗。此外，考虑到MEC服务器中的计算能力和资源不足以应付大规模计算密集型任务，因此将云计算与MEC相互补充构建云边协同计算模型。无论是在MEC环境中还是在云边协同计算环境中，如何保证任务卸载到合适的计算节点以及合理的分配各类资源是该领域共同的研究重点。 本文以减少任务处理时延和能耗为优化目标，对MEC环境和云边协同计算环境下的任务卸载和资源分配方案进行了研究，并且分别基于博弈论和深度强化学习方法提出了解决方案。主要研究内容如下： （1）提出了一种基于合作博弈的任务卸载和资源分配方案。在MEC环境中，首先根据时延和能耗的权重比之和设定任务开销函数，计算在本地设备与MEC服务器上的任务开销差值；其次，通过任务开销差值来确定MEC服务器内的卸载优先级，确保开销差值大的作为高优先级任务进行卸载；在资源分配方面，采用拉格朗日乘子法对带宽资源和计算资源做动态的分配；最后，基于合作博弈理论将多个服务器中的任务进行整合调度。仿真结果表明，该方案在最大化的利用了MEC系统的资源的同时，又均衡计算能力不同的MEC服务器之间的负载。 （2）提出了一种基于深度强化学习的任务卸载和资源分配方案。云边协同计算模型相比于MEC模型增加了云计算层，因此任务可以选择本地设备、MEC服务器或者云服务器处理。在该环境中，首先考虑时延和能耗两个因素，并以最大化用户终端效益为优化目标；其次，考虑计算节点的可靠性，判断计算节点是否处于故障期；最后，在计算节点的CPU和内存资源的约束下，通过DQN算法训练决定任务是否需要卸载，并为任务分配合适的计算节点进行计算和分配资源。仿真结果表明，提出的算法能够有效的减少任务执行的时延和能耗，在保证系统高可用性的同时提高用户体验，也更加符合实际应用场景。 本文提出的基于合作博弈和深度强化学习的任务卸载和资源分配方案可以有效的降低系统时延和能耗，满足不同场景的计算需求，提高MEC和云边协同计算的应用价值。
NETL