移动边缘网络中深度学习任务卸载方案

摘要：

为了缓解网络带宽的压力、降低网络延迟,克服移动设备资源匮乏等问题,推动深度学习应用在移动终端的部署,提出一个基于移动边缘计算的深度学习任务卸载方案.基于深度神经网络专用加速芯片Eyeriss的架构,对深度学习任务的计算功耗进行建模,提出了一个基于混合?1/?2范数诱导的三阶段组稀疏波束成形(group sparse beamforming,GSBF)框架,通过对计算任务优先级的精心设计,尽可能地删除基站端冗余的计算任务,实现对整体网络功耗(包括发送功率损耗和计算功率损耗)的优化.针对该框架,提出了一个加速优化方案.仿真实验表明,在该场景下,所提出的框架在优化整体网络功耗方面具有显著优势,而加速算法可以进一步提升框架的性能.

关键词：移动边缘计算、深度学习、组稀疏波束成形(GSBF)、交替方向乘子法、计算任务分配

所属期刊栏目：32

分类号：TN929.5

资助基金：国家自然科学基金61601290;上海市青年科技英才扬帆计划项目16YF1407700

在线出版日期：2020-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：38-46