[发明专利]MEC中近似最优化与基于强化学习的任务卸载方法

说明书

本发明属于移动边缘计算卸载技术领域，提供了一种MEC中近似最优化与基于强化学习的任务卸载方法。本发明对问题建立数学模型，将待解决问题转化为整数线性规划问题。针对此问题，本发明中提出的离线算法对问题中的整数约束条件进行松弛操作，然后对求解结果依次进行过滤、舍入操作，以得到最终解。本发明同时也给出了解决此问题的在线算法，先基于强化学习理论使用线性回归方法预测并给出卸载策略，然后在此基础上结合深度神经网络进一步给出相应的最优资源分配策略。以上方法可以在有限的资源条件下为用户制定合理的任务卸载与资源分配策略，有效减少用户设备的应用程序执行延迟以及设备能耗，在提高服务质量的同时提高整个网络的利用率。

技术领域

本发明涉及在移动边缘计算(Mobile Edge Computing，简称MEC)框架中，为任务卸载给出高效的卸载策略和资源分配策略的方法，属于移动边缘计算卸载技术领域。该方法可以在有限的计算资源、网络资源条件下为移动设备用户合理制定任务卸载策略并分配边缘云计算资源，可以有效地减少用户设备的应用任务执行延迟以及用户设备能耗，在提高用户服务质量的同时提高整个边缘网络的利用率。

背景技术

移动边缘计算(Mobile Edge Computing简称MEC)，是近些年新提出的网络模型。有别于传统的云计算网络模型，移动边缘网络并不是将网络中的计算资源集中至网络中心；恰恰相反，移动边缘网络的数据处理节点都分布在网络的边缘。比如，将高性能的公用服务器架设在移动信号基站附近，使得移动用户的设备计算请求可以在第一时间被处理。移动边缘网络充分的利用了网络边缘距离用户较近，且分布广泛、分散的特点，与传统的以云服务器为中心的网络相比，客户的需求响应更快，占用网络带宽更少，网络的整体效率更高。

随着智能设备的发展和普及，越来越多的用户应用被投入使用。其中包括一些运行在移动设备上的大型游戏、用于专业工作的影音处理软件，一些使用了虚拟现实(VR)、增强现实(AR)的娱乐应用等等，都可以被称作是计算密集型应用。这些应用不同于其他普通应用，它们对用户设备的计算能力要求很高，在运行时不但会占用较高的系统资源，也会伴随着产生更高的电量消耗。而对于移动设备来说，这两点都应该是极力避免的。

近年来移动边缘网络的出现，使得一些关于计算密集型任务的难题可以被有效解决。当用户设备开始运行计算密集型任务并处于移动边缘网络中时，设备可以选择将计算任务发送到就近的公共服务器上，这一过程称作卸载(Offloading)。服务器接收到用户设备发来的计算请求后，会在服务器上进行计算，随后将计算结果发送回用户设备。在这个过程中，用户设备的计算资源和电量均未被消耗。同时由于公共服务器的计算能力远远强于个人移动设备，用户设备的任务请求时延也被大大降低。在用户的角度看，移动边缘计算可以有效地降低设备的资源占用、能量消耗，同时提供更快的响应速度。因此，在未来的移动网络发展趋势中，移动边缘网络将会更加普及。

尽管移动边缘网络可以通过计算卸载有效提高服务质量(QoS)，但在计算卸载的过程中我们还面临着种种限制。比如，有限的计算资源和带宽资源不能确保所有人的计算请求都能在第一时间被处理完成。有限的带宽使得同一时间内发送和接收数据的用户将会是有限的。如不采取一定的策略，直接将大量的用户分配到同一个网络接入点，将会导致所有人都无法以正常的速率进行任务的提交以及计算结果的接收。同样，如果大量用户的计算任务被同时分配到一处服务器，也会导致任务长时间滞留在服务器端，在用户的角度看来，应用程序将出现长时间的未响应，这与QoS的理念完全背道而驰。因此，如何将有限的计算和带宽资源分配给大量的卸载计算任务、为用户设备请求的计算任务规划出合理的卸载策略和资源分配策略是移动边缘网络技术中的一个亟待解决的问题。

发明内容

为了有效的解决移动边缘网络中的任务卸载问题，本发明提出了一种基于基于近似最优化的离线优化方法，以及一种基于深度强化学习理论的在线优化方法，用以实现对移动边缘计算卸载过程中的卸载策略和资源分配。

本发明的技术方案：