基于深度强化学习的终端多任务并行卸载方法技术

本发明专利技术提供基于深度强化学习的终端多任务并行卸载方法，涉及移动边缘计算卸载技术领域。该方法构建单服务器多终端用户的MEC卸载系统模型，获取终端用户任务列表；采用多输入多输出技术建立终端用户与边缘服务器之间的无线信道通信；采用功率动态离散分配方式为终端用户任务列表中的任务分配发射功率，并将已分配发射功率的任务通过无线信道卸载到边缘服务器，未分配发射功率的任务由终端用户执行；采用最短作业优先算法计算任务执行顺序；通过采用基于动作价值学习的Dueling DQN算法优化构建的总时延目标函数，得到最优决策神经网络，用于卸载终端用户任务列表的任务。针对单服务器多终端用户场景，通过同时卸载多个任务实现最小化任务平均时延的目标。

【技术实现步骤摘要】

本专利技术涉及移动边缘计算卸载，尤其涉及一种基于深度强化学习的终端多任务并行卸载方法。

技术介绍

1、近年来，物联网发展迅猛，数百亿的电子产品连接到互联网，传统云计算存在的高延迟、网络不稳定和低带宽问题。边缘计算，也就是在设备端产生的计算，能够大大减少在云中心模式站点下给应用程序所带来的影响。边缘计算因其分布式架构而被广泛认可，这种架构使计算资源更接近数据源，从而有效解决了云计算的问题。由于边缘计算卸载中广泛存在时延敏感型任务，譬如自动驾驶等新型应用，如何高效地处理这些任务是当前面对的最大挑战。

2、现有的解决方案是通过将终端计算任务卸载到多个边缘服务器，进一步降低计算时延，并在预定的时隙上从服务器下载结果，同时统筹资源与环境信息做出分配决策；或者引入终端直通(device-to-device，d2d)技术，终端可以将任务卸载到移动边缘计算(mobile edge computing,mec)服务器或附近支持d2d技术的设备上等。然而，上述方案大都假定单一时隙内终端只有一个任务等待卸载，但在实际应用场景中，终端设备存在大量待计算任务，时隙的累积本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习的终端多任务并行卸载方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述基于深度强化学习的终端多任务并行卸载方法，其特征在于，步骤2中所述任务列表中包括若干个任务，将t时隙终端用户Un的任务列表中第k个任务记为其中k∈{1,2,3,...,K}，K为等待卸载的最大任务数量；为第k个任务的数据量；为计算第k个任务所需的CPU周期数；n为MEC卸载系统模型内的第n个用户，n＝{1,2,3,...,N}，其中N为MEC卸载系统模型内的最大用户数量。

3.根据权利要求2所述基于深度强化学习的终端多任务并行卸载方法，其特征在于，步骤3中所述...

【技术特征摘要】

1.一种基于深度强化学习的终端多任务并行卸载方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述基于深度强化学习的终端多任务并行卸载方法，其特征在于，步骤2中所述任务列表中包括若干个任务，将t时隙终端用户un的任务列表中第k个任务记为其中k∈{1,2,3,...,k}，k为等待卸载的最大任务数量；为第k个任务的数据量；为计算第k个任务所需的cpu周期数；n为mec卸载系统模型内的第n个用户，n＝{1,2,3,...,n}，其中n为mec卸载系统模型内的最大用户数量。

3.根据权利要求2所述基于深度强化学习的终端多任务并行卸载方法，其特征在于，步骤3中所述无线信道通信的数据传输速率为：

4.根据权利要求3所述基于深度强化学习的终端多任务并行卸载方法，其特征在于，步骤4中所述为终端用户的任务列表中的任务分配发射功率的方法为：判断终端用户的任务列表中每个任务的执行方式为卸载到边缘服务器m或由终端用户执行，若该任务的执行方式为卸载到边缘服务器m，则将终端...

【专利技术属性】
技术研发人员：张林丛，高琳，魏可峰，张媛媛，赵伟男，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：