一种基于有向无环图依赖的细粒度任务卸载方法和装置制造方法及图纸

一种基于有向无环图依赖的细粒度任务卸载方法和装置，其方法包括：1)利用有向无环图对车联网环境下的复杂应用进行建模，确立了基于图中依赖关系的任务拓扑映射规则；2)以用户满意度为优化目标对细粒度的任务卸载问题进行建模，在计算卸载中，计算任务被卸载到边缘服务器，或在车辆本地执行。3)将优化问题表述为一个马尔可夫决策过程，定义状态空间、动作空间以及奖励函数；4)设计一种基于循环神经网络的S2S神经网络架构，将经过优先级排序后的DAG任务表示为一系列任务向量序列，应用深度强化学习算法对网络模型进行训练，通过迭代训练逐步优化策略，以便在实际实施中取得良好的性能。

【技术实现步骤摘要】

本专利技术涉及一种基于有向无环图依赖的细粒度任务卸载方法和装置，涉及强化学习、智慧交通等交叉。

技术介绍

1、随着车联网技术的快速发展，自动驾驶、碰撞检测和增强现实等计算密集型和时延敏感型应用不断涌现，对车辆的计算能力提出了更高要求。这一技术的兴起背后，是人们对更安全、更智能的交通方式的追求，以及对车辆性能和智能化功能的不断提升的需求。然而，计算能力不足已成为制约其发展的关键。在这个背景下，移动边缘计算作为无线网络边缘和基础设施边缘的交汇点，旨在通过云计算与物联网技术深度融合，将强大的计算和数据分析能力下沉至靠近数据源头的位置，以此实现超低延迟、超高效率的数据处理与交换。特别是在人工智能算法的支撑下，移动边缘计算将进一步发展为边缘智能，赋予无线网络边缘设备更强的智能分析与决策能力。通过发挥云和边缘服务器之间的协同学习，使得车辆可以从云端获取大数据支持，同时在边缘服务器上进行实时的数据处理和分析。通过这种方式，未来的车载应用有望获得更高效、更便捷的智能服务。

2、然而，随着这一领域的快速发展，仍然面临着一系列挑战。现有的研究大多探讨内部模块之间紧本文档来自技高网...

【技术保护点】

1.一种基于有向无环图依赖的细粒度任务卸载方法，包括如下步骤：

2.如权利要求1所述的一种基于有向无环图依赖的细粒度任务卸载方法，其特征在于，所述步骤S1包含如下步骤：

3.如权利要求1所述的一种基于有向无环图依赖的细粒度任务卸载方法，其特征在于，步骤S2包含如下步骤：

4.如权利要求1所述的一种基于有向无环图依赖的细粒度任务卸载方法，其特征在于，步骤S3包含如下步骤：

5.如权利要求1所述的一种基于有向无环图依赖的细粒度任务卸载方法，其特征在于，步骤S4包含如下步骤：

6.一种基于有向无环图依赖的细粒度任务卸载装置，其特征在于...

【技术特征摘要】

1.一种基于有向无环图依赖的细粒度任务卸载方法，包括如下步骤：

2.如权利要求1所述的一种基于有向无环图依赖的细粒度任务卸载方法，其特征在于，所述步骤s1包含如下步骤：

3.如权利要求1所述的一种基于有向无环图依赖的细粒度任务卸载方法，其特征在于，步骤s2包含如下步骤：

4.如权利要求1所述的一种基于有向无环图依赖的细粒度任务卸载方法，其特征在于，步骤s3包含如下步骤：

5.如权利要求1所述的一种基于有向无环图依赖的细粒度...

【专利技术属性】
技术研发人员：沈国江，杨筱雪，孔祥杰，张锦帆，杜嘉欣，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：