移动边缘计算的计算卸载与资源分配研究

摘要

随着无线通信技术的不断发展，以及终端的数目与种类不断增加，越来越多的数据产生于网络边缘，同时，还出现了许多复杂多样的应用场景，比如智慧城市，增强现实，超高清视频直播以及在线游戏等，这些应用都普遍存在着计算量大且时延敏感等特征。但目前，一方面，设备存在计算能力、存储能力不足且电池寿命有限等缺点，难以满足应用的复杂需求；另一方面，传统单一的云计算模型已不再适用，主要原因是由于其计算能力无法匹配爆炸式增长的边缘数据且任务传输开销过大不能满足应用的实时需求。针对上述说明的问题，人们考虑了任务在网络边缘的计算节点上执行的可能性，从而构建了移动边缘计算模型。移动边缘计算的出现，能在一定程度上提升本地数据处理能力、减少数据上传的时延、降低移动设备能耗，为这些应用提供了有效的解决方案。　　如何在网络边缘侧为复杂多样的新型应用提供高效的计算卸载策略与资源分配方案，是移动边缘计算中亟待解决的关键问题。计算卸载、资源分配是实现本地化数据处理以及资源分配的前提，其执行效率和执行成本将直接影响移动边缘计算系统的整体性能。因此，针对应用时延敏感以及计算密集度高等特点，为了提升系统性能和服务质量，本文围绕着移动边缘计算中的计算卸载和资源分配课题展开深入研究，主要研究工作如下：　　(1)针对移动边缘计算中的多小区网络环境，提出一种分层的计算卸载与资源分配的优化方法框架，即HIQCO。本文首先对多用户、多小区网络环境下的移动边缘计算系统进行建模，并分析了该模型下存在的计算卸载和资源分配问题，制定了最小化系统开销的问题模型。通过分析该优化问题的特征，将该问题转化为两个子问题，子问题一即计算卸载与信道分配子问题，子问题二即传输功率与计算资源分配子问题，然后提出一种基于免疫算法、拟凸优化技术与凸优化技术的分层优化方法框架(HIQCO)求解优化问题。最后，通过MATLAB仿真平台分析了HIQCO方案在减小系统开销方面的优势。　　(2)针对移动边缘计算中的多用户、多MEC服务器场景，提出一种联合优化计算卸载决策和MEC服务器资源的方案，即DCORA。本文首先建立了以最小化系统开销为目标的优化函数，并将原始的优化问题转化为马尔科夫决策问题，然后提出了一种基于深度Q网络(DQN)的计算卸载与资源分配方案(DCORA)。最后，实验仿真结果表明DCORA方案能够在充分利用MEC服务器有限资源的情　　况下，降低系统开销。　　综上所述，本文主要研究了移动边缘计算中的计算卸载与资源分配方案，并提出了两种解决方案来实现最小化系统开销，进而提升系统性能。在计算卸载过程中，有效地利用了移动设备、MEC服务器的计算资源，为之后对移动边缘计算中的计算卸载与资源分配的研究提供了新的思路。

目录

声明

第 1 章 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.2.3 计算卸载与资源分配的主要挑战

1.3 本文主要研究内容

1.4 本文组织结构

第 2 章 MEC 系统计算卸载与资源分配相关技术

2.1 MEC概述

2.1.1 MEC的定义及特点

2.1.2 MEC架构

2.1.3 MEC应用场景

2.2 MEC中的计算卸载与资源分配问题

2.2.1 MEC中的计算卸载问题

2.2.2 MEC中的资源分配问题

2.3 计算卸载与资源分配相关方法

2.3.1 智能优化算法

2.3.2 凸优化理论

2.3.3 拟凸优化理论

2.3.4 深度强化学习

2.4 本章小结

第 3 章 多小区 MEC 系统的计算卸载与资源分配的分层优化方法

3.1 场景描述

3.2 系统建模与问题描述

3.2.1 通信模型

3.2.2 计算模型

3.2.3 问题定义

3.2.4 问题转化

3.3 计算卸载与资源分配的分层优化方法

3.3.1 JO-CODCA子问题

3.3.2 JO-TPCRA 子问题

3.4 实验评估

3.4.1 仿真参数设置

3.4.2 HIQCO方案性能评估

3.4.3 仿真结果分析

3.5 本章小结

第4章 多服务器MEC系统的基于DQN的计算卸载与资源分配方法

4.1 场景描述

4.2 系统建模与问题描述

4.2.1 通信模型

4.2.2 计算模型

4.2.3 问题定义

4.3 基于DQN的计算卸载与资源分配方法

4.3.1 状态、动作和奖励的定义

4.3.2 算法流程

4.4 实验评估

4.4.1 仿真参数设置

4.4.2 仿真结果分析

4.5 本章小结

结 论

参考文献

附录 A 攻读学位期间所发表的学术论文目录

附录 B 攻读学位期间所参与的科研项目

致谢