一种基于机器学习的MEC随机任务迁移方法技术

本发明专利技术公开一种基于机器学习的随机任务迁移方法，通过将单个任务划分为N个与设备无关的可迁移组件和2个设备相关的不可迁移组件，使用马尔科夫决策过程对系统建模，利用强化学习中Q学习算法产生确定任务组件的最优迁移策略，并将任务组件数据和最优策略记录，作为训练样本，以此训练深度神经网络，随着训练样本的不断增加，神经网络学习到的能力也会越强；在神经网络准确率达到一定程度时，可以仅经过一次前向传播就能够得到随机任务的近似最优迁移策略。本发明专利技术提出的方法很好的解决了设备相关与设备无关任务随机到达时最优迁移策略的生成问题，同时可以实现在线学习。

【技术实现步骤摘要】
一种基于机器学习的MEC随机任务迁移方法
本专利技术属于移动网络
，尤其涉及一种基于机器学习的MEC随机任务迁移方法。
技术介绍
移动应用的快速更迭给使用者带来了很多新功能和新体验，但是却给移动设备有限的计算能力和电池电量带来了更大的挑战。移动边缘计算(Mobile-edgecomputing,MEC)的提出为这个问题带来了解决方案：通过在移动接入网络侧部署高性能服务器，将一部分计算任务迁移到邻近的MEC服务器上执行，可以缓解移动应用计算需求不断增大给移动设备计算能力和电池电量带来的压力，减少移动设备应用的执行时延和移动设备的能耗，极大地提升用户体验。随机任务模型是单用户MEC系统资源管理模型中的一种，该模型的特征为任务到达的时间是随机的，到达的任务由移动设备任务缓存队列缓存，等待系统的调度执行。本专利技术就是构建在该模型中的一种任务迁移方法。在随机任务模型中，主要包含移动终端设备、MEC服务器以及无线传输基站等设备。移动终端设备相关组件包括任务缓存队列，任务传输与接收单元，本地处理单元。任务缓存队列用来缓存到达但是没有处理的任务，任务传输与接收单元用来传输任务的计算信息并且接本文档来自技高网...

【技术保护点】
1.一种基于机器学习的随机任务迁移方法，其特征在于，包括：步骤1、训练阶段：随机任务到达时先暂存在缓存队列，当系统调度该任务执行时，将任务划分为2个不可迁移的设备相关的组件和N个可迁移的设备无关的组件，经过Q学习算法生成该任务的最优迁移策略，将任务组件相关信息与对应最优策略相关信息存入数据库，并且使用其训练深度神经网络；步骤2、使用阶段：随机任务到达时先暂存在缓存队列，当系统调度该任务执行时，将任务划分为2个不可迁移的设备相关的组件和N个可迁移的设备无关的组件，将可迁移组件信息输入训练完成的深度神经网络生成调度策略，与不可迁移组件一起按照调度策略调度执行任务，在线学习即任务的训练过程，当有新的...

【技术特征摘要】
1.一种基于机器学习的随机任务迁移方法，其特征在于，包括：步骤1、训练阶段：随机任务到达时先暂存在缓存队列，当系统调度该任务执行时，将任务划分为2个不可迁移的设备相关的组件和N个可迁移的设备无关的组件，经过Q学习算法生成该任务的最优迁移策略，将任务组件相关信息与对应最优策略相关信息存入数据库，并且使用其训练深度神经网络；步骤2、使用阶段：随机任务到达时先暂存在缓存队列，当系统调度该任务执行时，将任务划分为2个不可迁移的设备相关的组件和N个可迁移的设备无关的组件，将可迁移组件信息输入训练完成的深度神经网络生成调度策略，与不可迁移组件一起按照调度策略调度执行任务，在线学习即任务的训练过程，当有新的任务到达时，移动设备首先按照任务的使用流程执行任务，并且将任务数据记录，当设备空闲时，执行训练阶段流程，训练神经网络，以此提升网络性能。2.如权利要求1所述的基于机器学习的随机任务迁移方法，其特征在于，根据以上算法马尔科夫决策过程描述，Q学习算法为：Step1初始化Q(St,at)，设置情节数n＝0和情节设定值N和贪婪策略上限值epi；Step2随机初始化状态St，并使其满足组件Cj同一时间只分配给一个逻辑处理器的原则，步骤数step＝1；Step3计算状态St是否满足终止条件,如果满足终止条件，返回Step2Step4根据贪婪策略，从动作空间A中选取当前状态St的值函数Q(St,at)最大的动作ap，若Q(St,at)为最大的数...

【专利技术属性】
技术研发人员：霍如，孟浩，刘江，郭倩影，谢人超，黄韬，刘韵洁，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11