CN116233926B 一种基于移动边缘计算的任务卸载及服务缓存联合优化方法 （重庆邮电大学）

一种基于移动边缘计算的任务卸载及服务种基于移动边缘计算的任务卸载及服务缓存联任务卸载及服务缓存联合优化问题；采用基于DPFL算法的分布式边缘协同卸载和服务缓存方史请求信息预测流行服务，使MEC服务器做出更2定义边缘节点集合N={1,2,…,N},每个边缘节点均部署了MEC服务器；每个边缘节点服务区域内有U个用户设备，定义用户集合l={1,2,…,U};网络中具有Q种服务类型，定义网络中的不同任务处理方式具有不同的任务处理时延和用户设备能耗；四种任务处理方式分别为：S3：根据通信模型、计算卸载模型和服务缓存模:()表示边缘节点n在时隙t是否缓存了服q表示服务q的存储空间，Cn表示边缘节点n的服务存储空间，表示服务类型集合，S4：采用基于DPFL算法的分布式边缘协同卸载和3将任务卸载及服务缓存联合优化问题描述为马尔科夫决策问题并训练DQN模型，得到得到训练好的全局模型；边缘节点从训练好的全局模型获取任务卸载策略和服务缓存策在估计网络中根据当前状态获取任务卸载策略和服务缓存策略nnW,W3,…,W,(n=1,2,…,N),将更新后的本地模型W:,上传至中央控制器；4[0002]随着全球互联网和物联网(IoT)技术的发展和融合，促使终端设备和智能应用呈[0003]在MEC系统中使用高速缓存来动态存储特定应用所需的服务已经成为了一种有效的研究提出了一种基于半定松弛的方法和交替优化的有效近似算法来解决多用户多任务存能力和计算能力，可能会引起边缘节点的缓存内容与用户的任务需求不完全匹配的问5[0009]优选的，移动边缘计算系统网络模型包括：N个边缘节点，定义边缘节点集合N=f1,2,…,N},每个边缘节点均部署了MEC服务器；每个边缘节点服务区域内有U个用户设方式下的任务处理时延和用户设备能耗构建成本最小优化目标函数；构建优化约束条件，函数和联合优化约束条件建立任务卸载及服务q表示服务q的存储空间，Cn表示边缘节点n的服务存储空间，表示服务类型集6[0022]将任务卸载及服务缓存联合优化问题描述为马尔科夫决策问题并训练DQN模型，[0032]每个客户端根据当前的服务需求训练个性化模型；根据个性化模型更新本地模7[0042]如图2所示，移动边缘计算系统网络模型包括N个边缘节点，定义边缘节点集合N=f1,2,…,N),每个边缘节点均部署了MEC服务器，使边缘节点具有一定的存储和计算能关联的服务；每个边缘节点服务区域内有U个用户设备，定义用户集合U=(1,2…,U};网络中具有Q种服务类型，定义网络中的服务类型集合为Q=f1,2,…,Q);在边缘节点n中，第i个边缘节点部署的MEC服务器进行处理。本发明主要研究上行链路的传输时延和任务计算时延。由于MEC服务器和用户设备之间的高下行传输速率，本发明忽略了计算结果的下载时q,(t)ef-1,0,1,2…,N,表示在设备ui,n中进行本地计算，n,()-n(n-l.2……w)表示8[0063]当边缘节点无法为用户提供执行任务所需的服务时，需要从云服务器获取该服的计算延迟。用卸载决策表示将设备ui,n的计算任务卸q足够的计算和存储资源来存储所有的服务。定义每个服务qeQ的q9制变量表示边缘节点n在时隙t的服务缓存决策；若边缘节点n缓存了服务qi,n，则()-1,否则，()=0;在时隙t内，边缘节点n的服务缓存决策表示为由于用户在不同时隙对任务的偏好是变化的，每个边缘节点[0070]根据不同任务处理方式下的任务处理时延和用户设备能耗构建成本最小优化目[0071]通过上述分析，可知在MEC系统中，用户的服务体验由完成任务的时延和能耗决[0090]将任务卸载及服务缓存联合优化问题描述为马尔科夫决策问题并训练DQN模型，[0105]个性化联邦学习允许设备或边缘节点在云边缘范例中的云服务器的协调下共同度ζ的正则化参数。较大的α(保证θn和ζ尽可能相似)可以从丰富的数据聚合中受益于不可)表示客户端n数据分布上的期望。[0113]客户端利用参数δ逼近并更新本地模型W,W:…,W:,(n=1,2,…,N),将更新后的本地模型w:,r上传至中央控制器。[0114]中央控制器根据接收到的多个本地模型更新全局模型，比了在分布式边缘协同卸载和服务缓存(DECM)方案在多种算法下的性能效果，包括DQN算的个性化缓存策略