论文部分内容阅读
随着5G技术的迅速发展,智能移动设备已成为社会生活中不可或缺的重要部分,催生出了大量高质量的服务与应用,例如自动驾驶、增强现实、自然语言处理等。如今,人们对于智能应用的需求与日俱增,产生的数据流量呈指数级增长,这一趋势对用户终端设备提出了巨大的挑战。传统的云计算以集中式的计算模式为用户提供服务,以突破终端设备的能力限制。但实际场景中云计算在服务效率、隐私等方面存在很大不足,移动边缘计算模式应运而生。移动边缘计算以分布式的方式将计算与存储工作移至靠近用户的网络边缘设备处进行,以减少时间延迟与能量的消耗,提高用户体验与服务质量(Quality of Service,QoS)。任务从用户设备到网络边缘的转移过程被称为计算卸载,计算卸载是移动边缘计算中的关键问题,现有的计算卸载方法主要存在以下两点局限性:(1)在优化目标方面多是基于时间延迟与能耗的优化,未充分考虑到用户对于应用程序的实时性需求;(2)未考虑移动边缘计算系统环境的动态性,忽略了卸载决策与系统环境的交互。针对上述两点问题,本文提出了一种有效的解决方案。在多用户单小区的MEC系统环境下,建立本地计算模型与计算卸载模型。本文将提升用户的服务质量作为优化目标,并将应用程序的实时性作为影响用户服务质量的重要因素,结合信息年龄(Age of Information,AoI)提出任务年龄(Task of Age,AoT)的概念来表征任务的新鲜程度,并将其引入到服务质量的定义中,提出一种新的QoS评价指标。边缘计算系统是动态变化的,各实体的决策结果将影响系统的长期收益,本文将计算卸载过程建模为马尔科夫决策过程,应用深度强化学习的算法思想解决计算卸载问题,提出并实现了基于DQN算法的新型计算卸载方法,此外扩展了两种改进DQN算法,并将三种智能算法进行对比分析。实验结果表明,本文提出的新型计算卸载方法在QoS、吞吐量、节约能耗等多方面均明显优于普通的全卸载策略与随机卸载策略,证明了本文的计算卸载方法能够显著提升用户服务质量,提高系统总体效率。此外,对比三种DQN算法可知,两种改进DQN算法在学习效率、性能指标提升等方面均优于传统DQN算法,其中Dueling-DQN算法更佳。