基于5G多小区深度强化学习的边缘计算迁移方法技术

本发明专利技术公开了一种基于5G多小区深度强化学习的边缘计算迁移方法。属于边缘计算领域与深度强化学习领域；具体步骤：终端制定计算迁移方案；将待计算迁移的任务参数信息，信道增益以及临近干扰小区的信息发送给小区内MEC服务器；对可被小区间迁移的MEC服务器排序；在MEC服务器处制定计算迁移策略；根据计算迁移策略，终端将任务迁移到MEC服务器计算；无法计算迁移的任务在终端处计算，并等待下次迁移。本发明专利技术用任务执行优先级函数以及负载指标函数表示迁移任务以及可被小区间迁移的MEC服务器的优先级，用深度强化学习，贪心算法以及小区间迁移三者相结合提高资源利用效率以及确保负载均衡。

【技术实现步骤摘要】
基于5G多小区深度强化学习的边缘计算迁移方法
本专利技术涉及边缘计算领域与深度强化学习领域，具体涉及一种基于5G多小区深度强化学习的边缘计算迁移方法。
技术介绍
根据CiscoVisualNetworkingIndex最新的报告，预测到2022年，每年移动数据流量的将达到1zettabyte(930exabytes)，这是2012年全球所有移动流量的近113倍。同时，全球移动通信系统协会(GSMA)也指出2020年以后全球网民数量将达到50亿。目前，终端设备产生的海量数据已经明显超过设备自身的处理能力，同时，兴起的移动应用也向着复杂化、大型化发展，如：人脸识别，虚拟现实，增强现实以及混合现实等。这些发展使得在终端设备中完成计算密集型任务变得不可行。因为对于终端设备来说，它有着资源受限，计算力不足，电池寿命不长等缺点，很难满足任务请求时延以及网络服务质量。为此，边缘计算的运用越来越受到关注，其主要是移动设备将复杂的计算任务迁移到距离更近的边缘云以确保满足时延需求。同时，随着机器学习的发展，深度强化学习也开始在各行各业中使用。如何利用深度强化学习实本文档来自技高网...

【技术保护点】
1.基于5G多小区深度强化学习的边缘计算迁移方法，其特征在于，具体步骤包括如下：/n步骤(1.1)、根据终端处待处理的任务的参数信息，终端制定计算迁移方案；/n步骤(1.2)、将待计算迁移的任务参数信息，信道增益以及临近干扰小区的信息发送给小区内MEC服务器；/n步骤(1.3)、利用执行优先级函数对待迁移的任务排序，以及使用负载指标函数对可被小区间迁移的MEC服务器排序；/n步骤(1.4)、利用深度强化学习，贪心算法以及计算的负载指标，在MEC服务器处制定计算迁移策略；/n步骤(1.5)、根据计算迁移策略，终端将任务迁移到MEC服务器计算；/n步骤(1.6)、无法计算迁移的任务在终端处计算，并...

【技术特征摘要】
1.基于5G多小区深度强化学习的边缘计算迁移方法，其特征在于，具体步骤包括如下：
步骤(1.1)、根据终端处待处理的任务的参数信息，终端制定计算迁移方案；
步骤(1.2)、将待计算迁移的任务参数信息，信道增益以及临近干扰小区的信息发送给小区内MEC服务器；
步骤(1.3)、利用执行优先级函数对待迁移的任务排序，以及使用负载指标函数对可被小区间迁移的MEC服务器排序；
步骤(1.4)、利用深度强化学习，贪心算法以及计算的负载指标，在MEC服务器处制定计算迁移策略；
步骤(1.5)、根据计算迁移策略，终端将任务迁移到MEC服务器计算；
步骤(1.6)、无法计算迁移的任务在终端处计算，并等待下次迁移。


2.根据权利要求1所述的基于5G多小区深度强化学习的边缘计算迁移方法，其特征在于，在步骤(1.2)中，所述将待计算迁移的任务参数信息，信道增益以及临近干扰小区的信息发送给小区内MEC服务器的具体操作步骤如下：
(1.2.1)、通过导频信号估计，终端得到信道增益；
(1.2.2)、将任务参数信息以及信道增益上传给小区内的MEC服务器；
(1.2.3)、干扰小区之间相互发送计算迁移信息。


3.根据权利要求1所述的基于5G多小区深度强化学习的边缘计算迁移方法，其特征在于，在步骤(1.3)中，所述利用执行优先级函数对待迁移的任务排序，以及使用负载指标函数对可被小区间迁移的MEC服务器排序的具体操作过程如下：

和分别表示是上传给小区内MEC服务器的任务的数据...

【专利技术属性】
技术研发人员：张晖，王志坤，赵海涛，孙雁飞，朱洪波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32