边缘计算任务卸载计算卸载论文

边缘计算任务卸载计算卸载论文一.摘要

随着物联网技术的迅猛发展和海量设备数据的激增，边缘计算作为一种新兴的计算范式，在数据处理和响应速度方面展现出显著优势。边缘计算通过将计算任务从中心云服务器转移到网络边缘的设备上执行，有效缓解了中心服务器的压力，提高了数据处理效率。然而，边缘设备资源有限，如何在资源受限的环境下实现高效的任务卸载成为研究的关键问题。本研究以智能家居系统为案例背景，探讨了边缘计算任务卸载的计算卸载策略。通过构建边缘计算任务卸载模型，分析了不同任务卸载策略对系统性能的影响。研究发现，基于任务优先级和设备负载的动态卸载策略能够显著提高系统的响应速度和资源利用率。此外，研究还提出了一个自适应的任务卸载算法，该算法能够根据设备的实时状态和网络状况动态调整任务卸载决策。实验结果表明，与传统的固定卸载策略相比，所提出的自适应算法在平均响应时间和资源利用率方面均有显著提升。这些发现为边缘计算任务卸载提供了新的思路和方法，对于提升智能家居系统的性能具有重要意义。本研究的结论表明，通过合理的任务卸载策略和自适应算法，可以有效解决边缘计算中的资源分配问题，为未来智能家居系统的优化提供了理论依据和实践指导。

二.关键词

边缘计算；任务卸载；智能家居；资源分配；自适应算法

三.引言

随着物联网（IoT）技术的飞速发展和广泛应用，大量的传感器、智能设备和终端节点被部署在物理世界中，形成了庞大的物联网生态系统。这些设备持续不断地采集和传输数据，对数据处理和响应速度提出了极高的要求。传统的云计算模式虽然能够提供强大的计算能力和存储资源，但由于数据传输的延迟和网络带宽的限制，难以满足实时性要求高的应用场景。边缘计算作为一种新兴的计算范式，通过将计算任务从中心云服务器转移到网络边缘的设备上执行，有效解决了传统云计算模式的瓶颈问题，为实时数据处理和低延迟响应提供了新的解决方案。

边缘计算的核心思想是在靠近数据源的位置进行数据处理，从而减少数据传输的延迟和网络带宽的消耗。边缘设备通常具有计算能力、存储能力和网络连接能力，能够在本地执行计算任务，并将处理结果反馈给用户或中心云服务器。与传统的云计算模式相比，边缘计算具有以下优势：首先，边缘计算能够提供更低的延迟，因为计算任务在本地执行，无需将数据传输到中心云服务器；其次，边缘计算能够减少网络带宽的消耗，因为只有处理结果需要传输到中心云服务器，而不是原始数据；最后，边缘计算能够提高系统的可靠性和安全性，因为数据在本地处理，减少了数据传输的风险。

然而，边缘计算也面临着一些挑战。首先，边缘设备资源有限，计算能力、存储能力和网络连接能力都受到限制，难以处理复杂的计算任务；其次，边缘设备通常分布广泛，难以进行统一的管理和维护；最后，边缘计算任务的卸载策略需要根据实际情况进行动态调整，以实现资源的最优分配。因此，如何设计高效的边缘计算任务卸载策略，成为边缘计算研究的重要课题。

本研究以智能家居系统为案例背景，探讨了边缘计算任务卸载的计算卸载策略。智能家居系统由大量的智能设备组成，如智能灯泡、智能插座、智能摄像头等，这些设备持续不断地采集和传输数据，对数据处理和响应速度提出了极高的要求。智能家居系统需要实时处理这些数据，以提供智能化的服务，如智能照明、智能安防等。然而，智能家居设备通常计算能力有限，难以处理复杂的计算任务，因此需要将部分任务卸载到边缘设备或中心云服务器上执行。

本研究的主要目标是设计一种高效的边缘计算任务卸载策略，以提升智能家居系统的性能。具体而言，本研究旨在解决以下问题：如何根据任务的特性和设备的资源状况，选择合适的任务卸载策略；如何动态调整任务卸载策略，以适应不同的应用场景和系统负载；如何设计自适应的任务卸载算法，以提高系统的响应速度和资源利用率。为了解决这些问题，本研究构建了边缘计算任务卸载模型，分析了不同任务卸载策略对系统性能的影响，并提出了一个自适应的任务卸载算法。

本研究的主要假设是，通过合理的任务卸载策略和自适应算法，可以有效解决边缘计算中的资源分配问题，提升智能家居系统的性能。具体而言，本研究假设，基于任务优先级和设备负载的动态卸载策略能够显著提高系统的响应速度和资源利用率。此外，本研究还假设，自适应的任务卸载算法能够根据设备的实时状态和网络状况动态调整任务卸载决策，从而进一步提升系统性能。

本研究的主要贡献包括：首先，构建了边缘计算任务卸载模型，分析了不同任务卸载策略对系统性能的影响；其次，提出了一个自适应的任务卸载算法，该算法能够根据设备的实时状态和网络状况动态调整任务卸载决策；最后，通过实验验证了所提出的任务卸载策略和自适应算法的有效性。本研究的成果对于提升智能家居系统的性能具有重要意义，为边缘计算任务卸载提供了新的思路和方法，也为未来智能家居系统的优化提供了理论依据和实践指导。

四.文献综述

边缘计算作为云计算与物联网技术深度融合的产物，近年来受到了学术界的广泛关注。其核心思想是在靠近数据源的边缘侧进行数据处理和计算，以降低延迟、减少网络负载并提升应用响应速度。边缘计算任务卸载作为实现边缘计算潜力的关键技术之一，旨在根据任务特性、设备资源和网络状况，将计算任务从资源受限的边缘设备卸载到计算能力更强的边缘服务器或中心云服务器，从而优化系统性能。相关研究成果主要集中在任务卸载策略、资源分配算法以及系统性能评估等方面。

在任务卸载策略方面，研究者们提出了多种基于不同优化目标的卸载策略。早期的研究主要关注最小化任务完成时间，通过将计算密集型任务卸载到计算能力更强的设备上，以缩短任务处理时间。例如，Li等人提出了一种基于任务执行时间的卸载策略，该策略根据任务的执行时间和设备的计算能力，选择合适的设备进行任务卸载，有效降低了系统的平均响应时间。随着研究的深入，研究者们开始关注任务卸载的能耗优化，因为边缘设备通常采用电池供电，能耗问题成为制约其性能的重要因素。Chen等人提出了一种基于能耗优化的卸载策略，该策略通过平衡任务执行时间和能耗，选择能耗最低的卸载方案，延长了边缘设备的续航时间。此外，还有一些研究关注任务卸载的QoS保证，通过优先考虑实时性要求高的任务，确保关键任务的性能。

在资源分配算法方面，研究者们提出了多种基于不同优化算法的资源分配方法。传统的资源分配算法主要包括贪心算法、遗传算法、模拟退火算法等。贪心算法通过局部最优选择，快速找到近似最优解，但容易陷入局部最优解。遗传算法通过模拟生物进化过程，具有较强的全局搜索能力，但计算复杂度较高。模拟退火算法通过模拟固体退火过程，能够以一定概率跳出局部最优解，但需要仔细调整参数。近年来，随着技术的快速发展，深度学习、强化学习等算法也被应用于边缘计算任务卸载的资源分配中。例如，Wang等人提出了一种基于深度学习的资源分配算法，该算法通过学习历史任务数据，预测未来任务的执行时间和能耗，从而做出更合理的资源分配决策。Li等人提出了一种基于强化学习的资源分配算法，该算法通过与环境交互，学习最优的资源分配策略，能够适应动态变化的系统环境。

在系统性能评估方面，研究者们通过仿真实验和实际测试，对不同的任务卸载策略和资源分配算法进行了性能评估。评估指标主要包括任务完成时间、系统吞吐量、能耗、资源利用率等。仿真实验通常采用网络模拟器或专用仿真平台，通过设置不同的参数场景，评估不同策略的性能表现。例如，Zhao等人通过仿真实验，比较了不同卸载策略在异构边缘网络中的性能表现，发现基于任务优先级的卸载策略能够有效提升系统的吞吐量。实际测试则通过搭建实际的边缘计算平台，对不同的策略进行测试，评估其在真实环境中的性能表现。例如，Liu等人通过搭建实际的智能家居边缘计算平台，测试了不同卸载策略的性能表现，发现基于设备负载的卸载策略能够有效降低系统的平均响应时间。

尽管现有研究在边缘计算任务卸载方面取得了一定的进展，但仍存在一些研究空白和争议点。首先，现有研究大多关注单一优化目标，如最小化任务完成时间或能耗，而实际应用场景中通常需要考虑多个优化目标，如任务完成时间、能耗、QoS保证等。如何进行多目标优化，找到一个平衡点，是未来研究的重要方向。其次，现有研究大多基于静态或准静态的场景假设，而实际应用场景中系统环境是动态变化的，如何设计能够适应动态变化的卸载策略和资源分配算法，是未来研究的重要挑战。此外，现有研究大多基于理想的网络环境假设，而实际网络环境中存在网络拥塞、丢包等问题，如何设计能够应对实际网络环境的卸载策略和资源分配算法，也是未来研究的重要方向。最后，现有研究大多关注计算任务的卸载，而实际应用场景中通常需要考虑数据传输、存储等多个方面的资源分配问题，如何进行多维度资源协同优化，是未来研究的重要方向。

综上所述，边缘计算任务卸载作为实现边缘计算潜力的关键技术之一，近年来受到了学术界的广泛关注。相关研究成果主要集中在任务卸载策略、资源分配算法以及系统性能评估等方面。尽管现有研究取得了一定的进展，但仍存在一些研究空白和争议点，如多目标优化、动态场景适应、实际网络环境应对以及多维度资源协同优化等。未来研究需要在这些方面进行深入探索，以推动边缘计算技术的进一步发展。

五.正文

在本研究中，我们针对边缘计算任务卸载问题，设计并实现了一种基于任务优先级和设备负载的动态卸载策略，并提出了一种自适应的任务卸载算法。为了验证所提出策略和算法的有效性，我们构建了一个智能家居边缘计算仿真平台，并进行了大量的仿真实验。

首先，我们构建了边缘计算任务卸载模型。该模型包括边缘设备、边缘服务器和中心云服务器三个部分。边缘设备负责采集数据和执行部分计算任务，边缘服务器负责处理部分计算密集型任务，中心云服务器负责处理一些需要大量计算资源才能完成的任务。模型中每个设备的计算能力、存储能力和网络连接能力都受到限制，并且设备之间通过网络连接。任务从边缘设备产生后，根据任务特性和设备资源状况，可以选择在本地执行、卸载到边缘服务器或卸载到中心云服务器。

在任务卸载模型的基础上，我们设计了一种基于任务优先级和设备负载的动态卸载策略。该策略根据任务的优先级和设备的负载情况，选择合适的设备进行任务卸载。具体而言，对于实时性要求高的任务，优先考虑卸载到计算能力强的设备上执行；对于计算密集型任务，优先考虑卸载到边缘服务器或中心云服务器上执行。同时，为了避免设备过载，当设备的负载超过一定阈值时，将阻止新的任务卸载到该设备上，以防止设备过载导致系统性能下降。

为了进一步优化任务卸载决策，我们提出了一种自适应的任务卸载算法。该算法通过学习历史任务数据，预测未来任务的执行时间和能耗，从而做出更合理的资源分配决策。算法采用深度学习技术，通过构建一个神经网络模型，学习任务特性、设备资源和网络状况与任务执行时间和能耗之间的关系。在任务卸载时，算法根据当前任务信息和预测结果，选择最优的卸载方案。

为了验证所提出策略和算法的有效性，我们构建了一个智能家居边缘计算仿真平台。该平台包括多个边缘设备、一个边缘服务器和一个中心云服务器，通过模拟网络连接。我们使用网络模拟器模拟不同的网络环境，并设置不同的参数场景，评估不同策略的性能表现。评估指标主要包括任务完成时间、系统吞吐量、能耗和资源利用率等。

在仿真实验中，我们比较了基于任务优先级的卸载策略、基于设备负载的卸载策略以及基于能耗优化的卸载策略的性能表现。实验结果表明，基于任务优先级的卸载策略能够有效降低实时性要求高的任务的完成时间，基于设备负载的卸载策略能够有效降低系统的平均响应时间，而基于能耗优化的卸载策略能够有效延长边缘设备的续航时间。此外，我们还比较了所提出的自适应任务卸载算法与传统的固定卸载策略的性能表现。实验结果表明，所提出的自适应算法在平均响应时间和资源利用率方面均有显著提升。

为了进一步验证所提出策略和算法的有效性，我们还进行了实际测试。我们搭建了一个实际的智能家居边缘计算平台，包括多个智能设备、一个边缘服务器和一个中心云服务器。我们使用实际的智能家居设备采集数据，并使用边缘服务器和中心云服务器处理数据。我们测试了不同卸载策略的性能表现，发现基于任务优先级的卸载策略能够有效降低实时性要求高的任务的完成时间，基于设备负载的卸载策略能够有效降低系统的平均响应时间。

通过仿真实验和实际测试，我们验证了所提出策略和算法的有效性。这些结果表明，通过合理的任务卸载策略和自适应算法，可以有效解决边缘计算中的资源分配问题，提升智能家居系统的性能。具体而言，基于任务优先级和设备负载的动态卸载策略能够有效提升系统的响应速度和资源利用率，而自适应的任务卸载算法能够进一步优化资源分配，提升系统性能。

当然，本研究也存在一些不足之处。首先，仿真实验和实际测试都是在理想的环境下进行的，而实际应用场景中系统环境是动态变化的，如何设计能够适应动态变化的卸载策略和资源分配算法，是未来研究的重要方向。其次，本研究主要关注计算任务的卸载，而实际应用场景中通常需要考虑数据传输、存储等多个方面的资源分配问题，如何进行多维度资源协同优化，也是未来研究的重要方向。

综上所述，本研究针对边缘计算任务卸载问题，设计并实现了一种基于任务优先级和设备负载的动态卸载策略，并提出了一种自适应的任务卸载算法。通过仿真实验和实际测试，我们验证了所提出策略和算法的有效性。这些结果表明，通过合理的任务卸载策略和自适应算法，可以有效解决边缘计算中的资源分配问题，提升智能家居系统的性能。未来研究需要在这些方面进行深入探索，以推动边缘计算技术的进一步发展。

六.结论与展望

本研究深入探讨了边缘计算环境下的任务卸载问题，旨在通过优化任务卸载策略与资源分配机制，提升边缘计算系统的性能，特别是在满足实时性要求、降低能耗以及提高资源利用率等方面的表现。以智能家居系统为具体应用背景，研究构建了相应的边缘计算任务卸载模型，并在此基础上提出了一系列创新的解决方案，包括基于任务优先级与设备负载的动态卸载策略，以及一种自适应的任务卸载算法。通过详尽的仿真实验与实际测试，研究验证了所提方案的有效性，并对其性能进行了全面评估。研究结果表明，与传统的固定卸载策略相比，所提出的动态卸载策略能够显著减少任务的平均完成时间，有效提升系统的响应速度，特别是在处理具有高优先级实时性要求的任务时表现出色。同时，通过考虑设备的实时负载状态，该策略能够避免设备过载，保证系统的稳定运行。自适应任务卸载算法的应用进一步优化了资源分配过程，使其能够根据任务的特性和设备的实时状态动态调整卸载决策，从而在整体上实现了更高的资源利用率。能耗方面，虽然动态卸载和自适应算法在部分情况下可能增加网络传输开销，但通过合理的任务选择与卸载决策，依然能够有效控制系统的整体能耗，延长边缘设备的续航时间。实验结果和分析清晰地展示了所提方案在提升智能家居系统性能方面的潜力，为边缘计算任务卸载提供了新的思路和方法，也为未来智能家居系统的优化提供了理论依据和实践指导。

基于本研究的成果与发现，我们可以得出以下主要结论：首先，边缘计算任务卸载是提升边缘系统性能的关键技术之一，通过合理的卸载决策，可以有效平衡边缘设备与中心服务器的计算负载，提高系统的整体处理能力和响应速度。其次，基于任务优先级和设备负载的动态卸载策略能够显著提升系统的性能，特别是在处理具有不同实时性要求的任务时，能够根据任务的紧急程度和设备的处理能力，做出最优的卸载决策。再次，自适应任务卸载算法能够根据系统的实时状态动态调整卸载策略，从而进一步提升系统的性能和资源利用率。最后，通过仿真实验和实际测试，验证了所提方案的有效性，为边缘计算任务卸载提供了可行的解决方案。

针对本研究的结果，我们提出以下建议：首先，在实际应用中，应根据具体的场景需求，选择合适的任务卸载策略和资源分配算法。例如，对于实时性要求高的应用，应优先考虑基于任务优先级的卸载策略；对于能耗敏感的应用，应优先考虑基于能耗优化的卸载策略。其次，应加强对边缘计算任务卸载的理论研究，深入探讨不同卸载策略的性能特点和适用场景，为实际应用提供更科学的指导。再次，应推动边缘计算任务卸载技术的标准化和产业化进程，促进其在各个领域的应用和发展。最后，应加强对边缘计算任务卸载的安全性研究，确保数据的安全性和系统的可靠性。

展望未来，边缘计算任务卸载技术仍有许多值得深入研究和探索的方向。首先，随着物联网技术的不断发展，边缘计算将面临更加复杂的任务类型和更加庞大的设备规模，如何设计能够适应这种复杂环境的卸载策略和资源分配算法，是未来研究的重要方向。其次，随着技术的快速发展，将技术与边缘计算任务卸载相结合，有望进一步提升系统的智能化水平，实现更加智能化的资源分配和任务卸载决策。例如，可以利用深度学习技术，对任务特性、设备资源和网络状况进行更加精准的预测和分析，从而做出更加合理的卸载决策。此外，随着5G、6G等新一代通信技术的兴起，网络带宽和延迟将得到进一步提升，这将为民居计算任务卸载提供更加优质的网络环境，未来研究可以探索如何利用这些新技术，进一步提升任务卸载的效率和性能。再次，随着边缘计算应用的不断普及，数据安全和隐私保护将成为越来越重要的问题，未来研究需要加强对边缘计算任务卸载的安全性研究，确保数据的安全性和系统的可靠性。例如，可以研究如何在任务卸载过程中，对数据进行加密和认证，防止数据泄露和恶意攻击。最后，随着边缘计算与云计算、雾计算等技术的深度融合，未来研究需要探索如何进行跨层、跨域的资源协同优化，实现更加高效的任务卸载和资源利用。例如，可以研究如何将边缘计算任务卸载到云端或雾端，利用云端或雾端的强大计算能力，进一步提升系统的处理能力和响应速度。总之，边缘计算任务卸载技术具有广阔的研究前景和应用潜力，未来需要更多的研究者和实践者共同努力，推动其不断发展和进步。

七.参考文献

[1]Li,Y.,Wang,J.,&Liu,J.(2022).Asurveyonedgecomputingtaskoffloading:Taxonomy,methods,andopenissues.IEEEInternetofThingsJournal,9(6),3957-3974.

[2]Chen,J.,Liu,X.,&Zhang,C.(2021).Jointtaskschedulingandoffloadinginedgecomputing:Areinforcementlearningapproach.IEEETransactionsonIndustrialInformatics,17(4),2238-2247.

[3]Zhao,Z.,Liu,Y.,&Niyato,D.(2020).Resourceallocationforedgecomputingwithmixedservices:Adeeplearningapproach.IEEETransactionsonWirelessCommunications,19(10),6867-6882.

[4]Zhao,W.,Li,Z.,&Niu,X.(2019).Areviewonedgecomputing:Architecture,algorithms,andapplications.IEEEInternetofThingsJournal,6(4),6653-6664.

[5]Chen,Z.,Wang,H.,&Mao,S.(2020).Edgecomputing:Asurvey,someresearchissuesandfuturedirections.IEEENetwork,34(6),40-46.

[6]Liu,J.,Li,Y.,&Niu,X.(2021).Adeeplearningapproachfortaskoffloadinginedgecomputing.IEEEInternetofThingsJournal,8(6),4327-4338.

[7]Liu,X.,Chen,J.,&Zhang,C.(2022).Deepreinforcementlearningfortaskoffloadinginedgecomputing:Asurvey.IEEEInternetofThingsJournal,9(1),623-635.

[8]Li,H.,Chen,Y.,&Niyato,D.(2020).Resourceallocationinedgecomputing:Asurvey,someresearchissuesandfuturedirections.IEEECommunicationsSurveys&Tutorials,22(4),3283-3314.

[9]Wang,J.,Li,Y.,&Liu,J.(2021).Asurveyonedgecomputingtaskoffloading:Taxonomy,methods,andopenissues.IEEEInternetofThingsJournal,9(6),3957-3974.

[10]Chen,J.,Liu,X.,&Zhang,C.(2021).Jointtaskschedulingandoffloadinginedgecomputing:Areinforcementlearningapproach.IEEETransactionsonIndustrialInformatics,17(4),2238-2247.

[11]Zhao,Z.,Liu,Y.,&Niyato,D.(2020).Resourceallocationforedgecomputingwithmixedservices:Adeeplearningapproach.IEEETransactionsonWirelessCommunications,19(10),6867-6882.

[12]Zhao,W.,Li,Z.,&Niu,X.(2019).Areviewonedgecomputing:Architecture,algorithms,andapplications.IEEEInternetofThingsJournal,6(4),6653-6664.

[13]Chen,Z.,Wang,H.,&Mao,S.(2020).Edgecomputing:Asurvey,someresearchissuesandfuturedirections.IEEENetwork,34(6),40-46.

[14]Liu,J.,Li,Y.,&Niu,X.(2021).Adeeplearningapproachfortaskoffloadinginedgecomputing.IEEEInternetofThingsJournal,8(6),4327-4338.

[15]Liu,X.,Chen,J.,&Zhang,C.(2022).Deepreinforcementlearningfortaskoffloadinginedgecomputing:Asurvey.IEEEInternetofThingsJournal,9(1),623-635.

[16]Li,H.,Chen,Y.,&Niyato,D.(2020).Resourceallocationinedgecomputing:Asurvey,someresearchissuesandfuturedirections.IEEECommunicationsSurveys&Tutorials,22(4),3283-3314.

[17]Li,Y.,Wang,J.,&Liu,J.(2022).Asurveyonedgecomputingtaskoffloading:Taxonomy,methods,andopenissues.IEEEInternetofThingsJournal,9(6),3957-3974.

[18]Chen,J.,Liu,X.,&Zhang,C.(2021).Jointtaskschedulingandoffloadinginedgecomputing:Areinforcementlearningapproach.IEEETransactionsonIndustrialInformatics,17(4),2238-2247.

[19]Zhao,Z.,Liu,Y.,&Niyato,D.(2020).Resourceallocationforedgecomputingwithmixedservices:Adeeplearningapproach.IEEETransactionsonWirelessCommunications,19(10),6867-6882.

[20]Zhao,W.,Li,Z.,&Niu,X.(2019).Areviewonedgecomputing:Architecture,algorithms,andapplications.IEEEInternetofThingsJournal,6(4),6653-6664.

八.致谢

本研究能够顺利完成，离不开许多师长、同学、朋友和家人的关心与支持。首先，我要向我的导师XXX教授致以最崇高的敬意和最衷心的感谢。在本研究的整个过程中，从课题的选择、研究方案的制定到论文的撰写，XXX教授都给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣和敏锐的科研思维，深深地影响了我。每当我遇到困难时，XXX教授总是能够耐心地倾听我的想法，并提出宝贵的建议，帮助我克服难关。他不仅在学术上给予我指导，更在人生道路上给予我启迪，使我受益匪浅。在此，谨向XXX教授致以最诚挚的谢意。

其次，我要感谢实验室的各位老师和同学。在实验室的日子里，我不仅学到了专业知识，更学到了如何与人合作、如何解决实际问题。实验室的各位老师和同学都非常友好，他们在我遇到困难时给予了我无私的帮助，与他们的交流和讨论，使我开阔了思路，也使我更加热爱科研工作。特别是我的同门XXX、XXX等同学，在研究过程中，我们相互帮助、相互鼓励，共同度过了许多难忘的时光。他们的帮助和支持，使我能够顺利完成本研究。

此外，我要感谢XXX大学和XXX学院为我提供了良好的学习和研究环境。学校书馆丰富的藏书、先进的实验设备，为我的研究提供了有力的保障。学院浓厚的学术氛围，使我能够在科研的道路上不断前进。

最后，我要感谢我的家人。他们是我最坚强的后盾，他们的支持和鼓励，使我能够全身心地投入到研究中。他们的理解和包容，使我能够更好地平衡学习和生活。在此，我要向我的家人致以最衷心的感谢。

总之，本研究离不开许多人的关心与支持。在此，我要向所有帮助过我的人表示最衷心的感谢！

九.附录

附录A：实验参数设置

在本研究中，我们构建了一个智能家居边缘计算仿真平台，并进行了大量的仿真实验。为了验证所提出策略和算法的有效性，我们设置了以下实验参数：

1.设备参数：仿