资源约束下基于Lyapunov优化的自适应卸载算法

摘要：

移动边缘计算(MEC)将计算、存储、网络资源和服务向网络边缘下沉,并允许用户在边缘服务器上处理任务.然而,在实际应用中,用户请求的任务卸载量和无线信道状态随时间不断变化,同时计算和通信资源受限也对任务卸载和资源分配任务带来了挑战.针对该问题,构建一种资源约束下面向动态环境的系统效用优化模型.该模型中各个终端设备均配备能量收集装置,充分利用外界可再生能源来支持系统处理任务.运用Lyapunov优化理论消除优化模型对不确定信息的依赖,将原依赖未知信息的目标优化问题转化为只依赖当前时间片系统信息的优化问题,使用归约法证明该优化问题为一个NP-hard问题.结合深度强化学习方法设计一种资源约束下的自适应卸载算法LyUO,该算法在系统动态信息未知的情况下实时确定近优任务卸载决策及MEC服务器通信/计算资源分配策略.仿真结果表明,LyUO算法在任务到达率和无线信道状态变化时可使系统中所有设备的任务队列保持稳定,在满足队列长期约束的同时使系统效用较基准算法提升约15%.

关键词：移动边缘计算、自适应卸载算法、Lyapunov优化理论、深度强化学习、系统稳定、资源分配

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;湖南省杰出青年科学基金项目;湖南省自然科学基金项目;湖南省教育厅重点项目

在线出版日期：2023-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：34-46