随着物联网技术的发展和无线网络的普及，移动用户设备数量不断增加，对时延、能耗和吞吐量等性能指标有了更高需求。传统云计算集中处理模型难以满足用户的高性能要求，边缘计算技术应运而生。边缘计算将云服务下沉，在网络边缘提供计算、存储和通信能力。如何充分结合云中心和边缘计算的模型优势，合理的进行任务卸载与资源分配是目前亟需解决的问题。本文以边缘计算与云中心协同为背景，围绕如何自适应做出任务卸载决策以及解决任务相关性等问题展开研究。在现有理论基础上，综合考量计算资源、信道模型、自适应卸载决策等因素，解决云边协同网络终端任务卸载机制中时延与能耗成本最小化问题。论文的主要工作如下： (1)云边协同下基于博弈论的粗粒度任务卸载与资源调度研究 针对云边协同网络中多终端用户粗粒度任务卸载与资源调度问题进行分析，文中考虑了移动设备的异构性和信道间的干扰性，以最小化系统时延与能耗的加权和为优化目标，构建了一种多终端用户、多接入边缘服务器的系统架构，将终端用户的任务卸载决策建立为基于博弈论的任务卸载模型，并提出一种基于博弈论的改进粒子群优化算法获得任务卸载策略，该算法实现了多用户计算卸载博弈的纳什均衡。最后，通过仿真实验证明了该算法可以有效降低任务卸载过程中的系统开销。 (2)云边协同下基于深度强化学习的细粒度任务卸载研究 对云边协同网络中任务卸载机制进行进一步挖掘，针对细粒度任务划分与卸载策略问题展开研究，构建了终端任务细粒度划分模型，提出一种基于深度强化学习的细粒度计算任务卸载方法。该模型与方法综合考量计算、存储、带宽等资源与任务卸载的适配情况，解决最小化任务卸载延迟与能耗权重之和的优化问题。首先根据任务之间的依赖感知关系将终端任务构建为可并行执行的有向无环图结构，然后由边缘节点上的行动者网络做出卸载决策，将优化后的参数上传到位于云中心的全局网络，协同云中心进行网络参数的更新。多个边缘节点异步执行，通过反馈奖励及时更新卸载模型，从而对行动者-评论家网络进行调优，获得卸载决策的最优解。最后，通过实验证明所提算法具有较强鲁棒性，降低任务执行时延与能耗效果显著。 (3)云边协同任务调度方法在“智能门卫”的应用研究 疫情席卷全球为我国生产生活和经济发展带来了巨大影响，我国采用联防联控机制，网格化管理有效抑制了疫情扩散，但耗费了巨大的人力物力，也增加了防控人员的安全隐患。在云-边-端协同理论与技术框架下，基于大数据采集与人工智能预判的自动化疫情防控“智能门卫”系统，能够及时对大规模疫情数据进行分析与处理，判断用户风险等级从而做出防控手段，解放人力。本文研究的任务卸载策略能够为“智能门卫”提供一种设计思路与技术支持，构建一套响应更及时、功能更完善、运行更智能的区域网格化管理系统，为社区疫情防控降低成本起到推进作用。
NETL
