论文部分内容阅读
随着5G时代的到来,智能设备尤其手机和物联网设备的爆炸式增长使得用户对低时延高质量的业务如增强现实(Augmented Reality,AR)、虚拟现实(Virtual Reality,VR)和移动游戏等的需求不断提升,与此同时,这些新兴业务对计算和存储资源的需求也日益增长。移动边缘计算(Mobile Edge Computing,MEC)作为一种新的网络架构范畴,旨在利用网络边缘的基站和节点的计算、缓存资源,对边缘用户的服务请求进行响应和处理,从而缓解核心网络的压力,降低网络的能耗和前传链路的开销,同时减小任务的执行时延,弥补移动设备自身资源不足的缺陷,满足计算密集、超低时延的新兴业务对网络资源的需求。本文以降低系统能耗为目标,在三种不同的网络场景下对MEC系统进行优化。具体研究内容包括以下几个方面:1.在多用户多MEC服务器的网络中研究了卸载策略和无线资源分配的联合优化问题。算法整体采用两层优化(bi-level)思路将原问题划分成lower-level和upper-level两个子优化问题。其中,lower-level问题利用松弛变换、拉格朗日乘数法以及梯度下降等数学方法和理论对子载波和传输功率分配策略进行优化;upper-level问题在lower-level优化结果的基础上依据约束条件进行有限集上的最优搜索即可实现对卸载策略的优化。该算法在多用户多MEC服务器复杂网络场景下有效降低了系统整体能耗,尤其在相对稀疏的网络场景下,优化效果更加明显。2.在多用户多MEC服务器能量采集场景下,以系统能耗最小化为目标研究了卸载策略、无线和计算资源分配的联合优化。由于无线信道的波动性导致传输和计算过程在时间上的变化存在较大差异,传输和计算过程的资源分配优化需要在不同的时间范围尺度上进行。整个优化过程分为short-term和long-term两个阶段,在short-term阶段对无线资源分配进行优化,在long-term阶段对卸载策略和计算资源分配进行优化。该研究中提出的联合优化算法有效降低了系统能耗,充分发掘了用户多样性和MEC服务器多样性的优势,此外通过调整绿色能源MEC服务器能量价值因子可以有效提升绿色能源利用率。3.在多用户多MEC服务器的MEC系统中,研究了卸载策略、网络资源分配以及基站和MEC服务器工作机制调控策略的联合优化。考虑到资源分配与基站和MEC服务器工作状态的调控处于不同的时间范围上,因此同样采用基于混合时间范围的分阶段优化策略,在short-term阶段利用随机优化算法对卸载策略、无线和计算资源分配进行优化,在long-term阶段借助DQN(Deep Q Network)强化学习算法对通信与计算节点的工作状态调控机制进行优化。该研究有效降低了系统能耗,提升了整个网络的性能,同时维持了系统状态的稳定性。综上所述,本文主要从任务卸载策略、网络资源分配以及网络中基站和服务器节点的工作机制调控等角度在不同的网络场景下针对MEC系统进行性能优化,同时考虑了无线信道的波动性,网络资源分配和节点工作机制调控在时间范围上的差异性。针对复杂的多变量多约束非线性规划问题,采用bi-level、混合时间范围随机优化等优化思路,利用拉格朗日乘子法、梯度下降、范数转换、松弛变换以及DQN强化学习算法等对优化问题进行求解,仿真结果表明本文提出的优化策略和算法均有效实现了降低MEC系统能耗的优化目标,提升了系统的整体性能。