markdown
移动边缘计算中的计算卸载与资源分配
移动边缘计算概述
移动边缘计算的发展背景
云计算的局限性
- 随着物联网、大数据等技术的发展，数据量呈爆炸式增长，传统的云计算模式在数据传输速率、能耗、响应延迟等方面存在问题。 云计算虽有强大的计算能力，但无法满足用户对流畅体验和高服务质量的需求。 5G技术的发展使终端设备与远程云服务器之间的数据交换更加频繁，回程网络压力增大，云计算模式难以实现毫秒级的计算和通信延迟。
移动边缘计算的兴起
- 移动边缘计算（MEC）作为提供信息技术服务的新型网络结构和计算范式，将云的功能向网络边缘端转移，以解决云计算的局限性。 MEC服务器位于靠近终端设备的网络边缘，可以减少数据传输距离，降低延迟和能耗。 MEC支持本地计算，提高数据处理效率，满足用户对低延迟和高服务质量的需求。
移动边缘计算的关键问题
计算卸载的优化
- 计算卸载问题是一个NP- hard的组合优化问题，传统的动态规划和分支定界法在小规模网络中效果良好，但在大规模网络中无法满足时延需求。 深度强化学习在处理大状态空间和动作空间的问题上具有优势，可以学习生成最佳的状态空间到动作空间映射。 基于策略的方法可以处理连续时变信道的决策问题，通过剪枝提高算法效率。
设备之间的耦合关系
- 本研究考虑了不同设备间的耦合关系，即一个设备卸载决策的输入值依赖于其他设备的决策结果。 从两个用户设备开始研究，逐步扩展到多个设备之间的耦合关系，以实现对某个区域内设备卸载决策的综合考虑。
卸载决策的组合性质及与资源分配的强耦合性
- 卸载决策的组合性质和与资源分配的强耦合性是MEC环境中的重要问题。 通过假设给出卸载决策，导出最优卸载发射功率和本地CPU频率的闭合表达式。 基于深度强化学习方法获得最优解，并证明最优卸载决策遵循单爬策略，提出降低复杂度的算法。
国内外研究现状
国内外研究现状
设备到设备（D2D）卸载
- D2D卸载通过移动设备之间的协同，提高数据传输的效率和可靠性。 例如，Lu等人提出的概率框架，Pu等人提出的D2D雾计算模型，Yu等人提出的多播任务卸载框架。
设备到边缘（D2E）卸载
- D2E卸载通过将任务卸载到边缘服务器，降低数据传输距离，减少延迟和能耗。 Zhang等人提出的在线动态任务卸载调度，Wang等人提出的部分计算卸载算法，Mao等人基于能力收割的MEC卸载策略。
设备-边缘-云（DEC）顺序卸载
- DEC顺序卸载通过设备、边缘服务器和云的协同，实现低延迟和高效率的计算卸载。 Chen等人提出的移动边缘云计算卸载，Guo等人提出的FiWi网络协作计算卸载，Sun等人提出的延迟感知工作负载卸载策略。
设备-边缘-云（DEC）混合卸载
- DEC混合卸载通过设备、边缘服务器和云的混合使用，实现更灵活的计算卸载策略。 Tran和Pompili提出的DEC混合卸载优化模型，Yahya等人提出的双层混合卸载架构，Thai等人提出的工作负载和容量优化算法。
发展趋势与挑战
发展趋势
- 移动边缘计算作为一种新兴的技术，其发展趋势包括技术的不断创新、应用场景的拓展和跨学科的融合。 例如，通过深度学习、人工智能等新技术提高计算卸载的效率和智能化水平。 利用5G、6G等新一代通信技术，实现更高速、低延迟的数据传输和处理。
面临的挑战
- 移动边缘计算在实际应用中面临着一些挑战，如资源分配的优化、安全性保障、算法的可扩展性等。 需要进一步研究高效的资源分配算法，以满足大规模网络中的计算卸载需求。 加强安全技术的研究，确保数据传输和处理的安全性。 提高算法的可扩展性，以适应不断增长的设备数量和计算任务的需求。
创新点与项目特色
创新点
考虑设备间的任务依赖关系
- 提出了一种基于深度强化学习的方法来获得最优解，证明了最优卸载决策遵循单爬策略。 提出了一种降低复杂度的强化学习算法，以获得最优卸载决策。
基于深度强化学习的方法
- 本研究考虑了两个用户设备之间的任务依赖关系，即一个设备的任务输入需要另一个设备的最终任务输出。 在考虑的任务依赖模型下，研究了优化的任务卸载策略和资源分配，以最小化能耗和任务执行时间的加权和。
研究扩展到多用户场景
- 将研究扩展到一般的多用户场景，其中一个设备的任务输入需要多个其他设备的最终任务输出。 使模型具有更强的泛化能力，更符合实际生产运用环境的需要。
技术路线、拟解决的问题及预期成果
技术路线
考虑任务依赖性的模型建立
- 首先建立一个只有两台用户设备但用户设备间强耦合的模型。 在这个基础模型之上，固定每台设备的卸载决策方案，在固定的卸载决策方案之下来考虑一个任务周期内的资源分配问题。
资源分配的闭合表达式
- 在得到发射功率和本地CPU频率的闭合表达式的基础之上，发现卸载决策遵循单爬策略。 基于单爬策略，采用深度强化学习网络对原有的模型进行进一步的优化。
研究扩展到多用户场景
- 将研究从单用户耦合拓展到多用户耦合的情景，使模型具有更强的泛化能力。
拟解决的问题
计算卸载的优化问题
- 利用深度强化学习等新技术，解决移动边缘计算中的计算卸载优化问题。 提出高效的资源分配算法，以满足大规模网络中的计算卸载需求。
设备之间的耦合关系
- 研究不同设备间的耦合关系，实现对某个区域内设备卸载决策的综合考虑。 提出基于任务依赖性的卸载策略和资源分配方法，以最小化能耗和任务执行时间的加权和。
卸载决策的组合性质及与资源分配的强耦合性
- 利用深度强化学习方法获得最优解，提出降低复杂度的算法。 研究扩展到多用户场景，使模型具有更强的泛化能力。
预期成果
理论成果
- 提出一种新的计算卸载和资源分配方法，解决移动边缘计算中的关键问题。 发表高质量学术论文，为移动边缘计算领域的发展做出贡献。
实际应用
- 研究成果可以应用于移动边缘计算的实际场景，提高计算卸载的效率和智能化水平。 与企业合作，将研究成果转化为实际的产品和服务，解决实际问题。
跨学科融合
- 推动跨学科的研究，结合计算机科学、通信工程、人工智能等多个领域的知识。 培养具有跨学科背景的研究人才，为未来的研究和发展奠定基础。
