[发明专利]基于迁移学习的移动边缘计算任务卸载方法及装置

说明书

本发明公开了基于迁移学习的移动边缘计算任务卸载方法及装置，方法包括：将边缘服务器作为代理获取当前移动边缘计算网络的用户信息与环境信息；对所述移动边缘计算网络的任务卸载问题进行建模，得到移动边缘计算系统的优化目标函数；通过马尔科夫决策过程对所述移动边缘计算系统进行表示；通过深度强化学习算法确定所述移动边缘计算系统的最优任务卸载策略；对于动态变换的所述环境信息，通过迁移学习算法对所述移动边缘计算系统的任务卸载问题进行求解，确定最优任务卸载策略。本发明能够实现更好的资源分配，有效降低边缘计算的时延与能耗并能更快得出卸载策略，提高了效率且安全性高，可广泛应用于边缘计算技术领域。

技术领域

本发明涉及边缘计算技术领域，尤其是基于迁移学习的移动边缘计算任务卸载方法及装置。

背景技术

随着移动设备和物联网设备的不断增加，计算密集型和时延敏感型的移动应用越来越多，包括交互式游戏、增强现实和认知应用。对于这些应用程序，需要大量的计算和通信资源来支持需求，而本地计算通常受到移动用户的计算能力、通信资源和电池的限制。因此，为了减少延迟和能源消耗，通过应用移动边缘计算，用户将其任务卸载到边缘服务器上进行计算卸载。虽然移动边缘计算网络可以减少延迟和能量消耗，但是存在的安全问题会影响移动边缘计算的性能，特别是在存在干扰的系统环境中，干扰环境会阻塞通信链路，从而降低移动设备和边缘服务器之间的安全数据速率。因此，使得如何提升资源利用率，实现更高效且更安全的移动边缘计算，成为亟待解决的问题。近年来，随着人工智能在边缘计算领域的应用的不断发展，强化学习已成为一种有效的寻求任务卸载策略的方法，但是实际的移动边缘计算系统环境是动态变化的，而现有的强化学习一般假设有一个固定的环境，这就需要强化学习能迅速的寻找到卸载策略。

发明内容

有鉴于此，本发明实施例提供一种高效且安全的，基于迁移学习的移动边缘计算任务卸载方法及装置。

本发明的第一方面提供了一种基于迁移学习的移动边缘计算任务卸载方法，包括：

将边缘服务器作为代理获取当前移动边缘计算网络的用户信息与环境信息；

对所述移动边缘计算网络的任务卸载问题进行建模，得到移动边缘计算系统的优化目标函数；

通过马尔科夫决策过程对所述移动边缘计算系统进行表示；

通过深度强化学习算法确定所述移动边缘计算系统的最优任务卸载策略；

对于动态变换的所述环境信息，通过迁移学习算法对所述移动边缘计算系统的任务卸载问题进行求解，确定最优任务卸载策略。

可选地，所述将边缘服务器作为代理获取当前移动边缘计算网络的用户信息与环境信息，包括：

通过边缘服务器获取移动用户本地执行计算任务算力；

通过边缘服务器获取移动用户本地执行计算任务功率；

通过边缘服务器获取移动用户任务卸载传输功率；

通过边缘服务器获取环境中对边缘服务器发射的干扰功率；

通过边缘服务器获取移动边缘计算网络中无线通信的传输带宽；

通过边缘服务器获取边缘服务器执行计算任务算力。

可选地，所述对所述移动边缘计算网络的任务卸载问题进行建模，得到移动边缘计算系统的优化目标函数，包括：

确定移动边缘计算系统中各个移动用户的本地计算时延以及本地计算能耗；

确定所述移动边缘计算系统中各个移动用户的卸载传输速率、卸载通信时延和卸载通信能耗；

确定任务在边缘服务器的边缘计算时延；