[发明专利]一种移动边缘计算中分配频谱资源的服务质量优化方法

说明书

本发明公开了一种移动边缘计算中分配频谱资源的服务质量优化方法，包括如下步骤：1）构建MEC系统模型；2）构建卸载通信模型；3）构建任务卸载计算模型；4）构建时延成本模型；5）构建多约束下的优化模型。这种方法考虑频谱资源分配，利用DDQN实现了更高效率的算法更新，并采用priority replay buffer改善了算法的收敛性能。

技术领域

本发明涉及移动边缘计算中任务卸载的性能优化应用领域，具体是一种移动边缘计算中分配频谱资源的服务质量优化方法。

背景技术

随着5G通信技术和人工智能的发展应用，大量的智能移动设备逐渐普及，随之而来，计算密集型的移动应用程序繁荣发展，例如在线交互游戏、人脸识别和增强/虚拟现实。这些新兴的应用程序对服务质量(QoS)有着较高的要求，这带来了比传统应用程序更高的资源消耗。然而，由于智能设备体积的限制，其性能和电池续航能力十分有限。处理复杂的任务需要很长的时间，同时也会耗费大量电量，这严重影响了智能设备的用户体验。为了解决这些问题，移动云计算提供了大量的计算和存储资源，以应对用户对高质量服务的需求和智能设备的性能不足的问题。智能设备可以通过无线网络将重负载任务上传到云计算中心进行处理，然后再将结果传回智能设备，从而部分缓解了这些问题。

移动边缘计算作为一种新兴的计算范式，极大地缓解了终端资源不足的压力。MEC通过将缓存和计算功能从云端的核心网络迁移到更接近终端设备的边缘网络，其缩短了资源中心与终端的距离。这种系统架构使得边缘服务器拥有类似云端的丰富资源，包括计算资源、通信资源和存储资源。这不仅大大地减少了应用延迟、提高实时性并降低终端设备的能耗，而且还改善了终端的计算效率和用户体验。所以，MEC的优化目标主要是为终端用户提供低延迟、高带宽和无线网络信息的实时可用性服务，以提高服务质量。尤其是一些对延迟、能耗要求严格的计算密集型应用程序，MEC可以实现这些传统云计算环境难以实现的应用程序。通过将复杂的计算任务卸载到边缘服务器，终端应用程序可以获得更多的计算资源，解决计算密集型任务对计算资源的高要求，并减少终端用户的电池损耗。现有的研究专注在单一约束下解决现在问题，但是现实的环境是复杂的，所以卸载任务必然需要考虑多种约束条件。Sun等人在Sun Y X.Adaptive learning-based task offloading forvehicular edge computing systems[J].IEEE Transactions on VehicularTechnology,2019,68(4):3061-3074.中研究了车辆和路边单元的卸载系统，考虑车辆任务卸载环境的动态性和不确P定性，设计了一种基于多臂赌博机理论的自适应学习的任务卸载算法，以最小化平均卸载延迟。Liu等人在Liu J,Mao Y Y,Zhang J,et al.Delay-Optimal Computation Task Scheduling for Mobile-Edge Computing System[C]//IEEEInternational Symposium on Information Theory(ISIT).Barcelona:IEEE,2016:1451-1455.中分析了MEC系统中卸载任务产生的平均延迟和移动设备的平均能耗，制定了一个功率有限的延迟最小化问题，然后提出了一个高效的一维搜索算法来寻找最佳的任务卸载策略。