[发明专利]一种面向边缘计算的任务卸载和资源分配方法

说明书

本发明公开了一种面向边缘计算的任务卸载和资源分配方法，该方法包括中继选择、卸载决策和资源分配三个方面，用于解决物联网环境下移动用户的任务延迟和能耗问题，首先，引入虚拟骨干网架构，通过连通控制集为用户提供高效的多跳卸载服务，然后，提出了一种基于连通控制集的深度强化学习算法，利用该算法找到从移动用户到移动边缘计算服务器的最短路径，此外，基于卸载决策和资源分配之间的高度耦合关系，本发明设计了一个DLIO算法来解决卸载和资源分配的联合优化问题，以最小化系统成本为优化目标，本发明能够有效解决泛在边缘物联网系统中移动用户任务卸载和资源分配的问题。

技术领域

本发明涉及一种面向边缘计算的任务卸载和资源分配方法，属于物联网与人工智能技术领域。

背景技术

随着通用智能终端和泛在网络技术的普及，万物互联、边缘计算等一系列新的通信概念被提出，并在5G和即将到来的6G时代逐步实现。随之而来的各种新的通信服务开始出现在人们的日常生活中，包括虚拟现实、自然语言处理和自动驾驶。然而，面对大量的计算密集型和延迟敏感型任务，有限的用户计算资源与实时快速处理应用程序生成的大量数据之间的矛盾是一个不可避免的紧迫问题。

作为一种创新的网络计算范式，移动边缘计算(MEC)被广泛认为是一项有前途的技术。它可以解决前所未有的计算需求增长与高计算服务质量需求之间的困境。在普遍的MEC系统中，具有丰富计算和存储资源的服务器被部署在网络边缘，使它更接近移动用户，并且可以为移动用户提供及时的计算服务。具体而言，计算资源有限的移动用户可以通过无线通信将计算任务卸载到附近的 MEC服务器上，以减少任务的延迟和移动用户的能耗，从而提高QoS。然而，即使移动用户在面对有严格时延限制和大量运算的计算任务时，可以选择将任务卸载到MEC服务器，但MEC服务器的计算资源也不是无限的，它们可能无法为所有移动用户提供服务。此外，MEC网络中过多的卸载任务将导致服务器与用户间的通信干扰和计算拥塞，从而降低系统收益。移动用户的卸载策略决定了移动用户是否执行计算卸载以及卸载的具体位置，这与移动用户的能耗和任务的延迟密切相关。与此同时，计算卸载策略的能效在很大程度上取决于无线资源分配方案，而无线资源分配方案受干扰管理和功率控制方案的影响。因此，只考虑系统的单一性能指标是不明智的，需要对多用户泛在MEC物联网系统中的卸载和资源分配采取联合优化策略。

联合优化问题是一个混合整数非线性规划(MINP)问题，这是一个NP-hard 问题，很难用现有的数学方法直接求解。传统的数值计算方法主要包括动态规划和分支标定，但随着泛在MEC物联网规模的增加，这两种方法的计算复杂度呈指数增长。尽管很多研究都集中在泛在MEC物联网环境下的联合优化问题上，但目前还没有一种普及度高的解决方法，也没有针对泛在MEC物联网系统设计的多跳转发方案。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提出了一种面向边缘计算的任务卸载和资源分配方法，解决了泛在边缘物联网中移动设备任务智能计算卸载和资源分配的问题。

技术方案：本发明所述的一种面向边缘计算的任务卸载和资源分配方法，包括如下步骤：

步骤1：引入虚拟骨干网络架构，构建连通控制集。当一个移动用户有一个需要处理的计算任务，但自己没有足够的计算能力时，它可以选择通过CDS将全部或部分任务卸载到MEC服务器进行处理；

步骤2：利用一种基于连通控制集的深度强化学习算法寻找最短卸载路径；

步骤3：通过DLIO算法来解决卸载和资源分配的联合优化问题。

步骤4：依据总体最优智能计算方案处理任务。

其中，步骤1：引入虚拟骨干网架构，构建连通控制集，具体如下：