一种基于多模态深度强化学习的任务卸载策略优化方法技术

本发明专利技术公开了一种基于多模态深度强化学习的任务卸载策略优化方法，包括S1：建立接入点AP与边缘服务器ES的通信模型，通过通信模型构建MEC部署架构中的功耗模型和任务时延模型；S2：将边缘服务器ES的动态休眠和任务的卸载过程建模为部分可观察马尔可夫过程，并建立接入点AP与边缘服务器ES的观察空间和动作空间，环境的状态空间和整体环境奖励函数；S3：基于多模态深度强化学习，优化边缘服务器ES的动态休眠策略和任务卸载策略。本发明专利技术采用上述的一种基于多模态深度强化学习的任务卸载策略优化方法，可以在满足延迟要求的前提下提高卸载任务的数量并降低边缘服务器的能耗，最终实现系统能效的最大化。

【技术实现步骤摘要】

本专利技术涉及边缘计算网络，尤其涉及一种基于多模态深度强化学习的任务卸载策略优化方法。

技术介绍

1、随着网络中成本和能耗的增加，5g网络以解决能耗问题，实现可持续发展而受到越来越多的关注。在mec网络中，边缘节点(es)被部署在比传统云计算基础设施更靠近iiot设备的位置，这使得能够从邻近iiot设备中卸载业务(例如移动车俩、视频监控摄像头等)并减轻通信开销。因此在工业园区中，通过在mec网络中部署多个边缘计算资源，可以在实现高带宽、时延敏感、数据机密性强等业务本地处理的基础上，满足垂直行业对网络超低时延、超高带宽以及安全等方面的诉求。

2、目前，由于高数据速率应用和延迟敏感型移动应用的爆炸性增加，边缘计算网络中的能耗正在急剧增长。因此，在保证业务qos的同时，利用mec部署架构提供的灵活性来共同满足延迟和能耗需求是至关重要的。然后，由于用户的无规则移动及任务的动态生成，表现出高度的空间/时间动态特性，在动态的多用户多任务的多接入点(ap)部署环境中同时满足能耗和时延要求是一个难点。

技术实现思路

<本文档来自技高网...

【技术保护点】

1.一种基于多模态深度强化学习的任务卸载策略方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多模态深度强化学习的任务卸载策略优化方法，其特征在于，在步骤S1中，建立接入点AP与边缘服务器ES的通信模型，通过通信模型构建MEC部署架构中的功耗模型和任务时延模型，包括以下步骤：

3.根据权利要求1所述的一种基于多模态深度强化学习的任务卸载策略优化方法，其特征在于，在步骤S101中，包括以下步骤：

4.根据权利要求1所述的一种基于多模态深度强化学习的任务卸载策略优化方法，其特征在于，在步骤S102中，包括以下步骤：>

5.根据权利...

【技术特征摘要】

1.一种基于多模态深度强化学习的任务卸载策略方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多模态深度强化学习的任务卸载策略优化方法，其特征在于，在步骤s1中，建立接入点ap与边缘服务器es的通信模型，通过通信模型构建mec部署架构中的功耗模型和任务时延模型，包括以下步骤：

3.根据权利要求1所述的一种基于多模态深度强化学习的任务卸载策略优化方法，其特征在于，在步骤s101中，包括以下步骤：

4.根据权利要求1所述的一种基于多模态深度强化学习的任务卸载策略优化方法，其特...

【专利技术属性】
技术研发人员：邹赛，王清青，高鸿峰，孙养龙，
申请(专利权)人：贵州大学，
类型：发明
国别省市：