一种基于联邦深度强化学习的边缘计算任务卸载方法和系统技术方案

本发明专利技术公开了一种基于联邦深度强化学习的边缘计算任务卸载方法，首先，通过形式化描述，建模每个用户产生任务的时延和能耗等信息；其次，利用背包问题理论，建立了能耗约束下最小化能耗和最优化卸载均匀度的问题模型；然后，使用深度强化学习算法解决该问题；最后，通过联邦学习的方式，在保证能耗约束下最小化能耗和最优化卸载均匀度的前提下，保护用户隐私。本发明专利技术基于边缘服务器资源有限和分布式的特点，使用背包问题模型来对资源交互过程进行建模，在降低用户时延、能耗等开销的基础上，提高了边缘服务器资源利用率。

【技术实现步骤摘要】

本专利技术属于边缘计算，更具体地，涉及一种基于联邦深度强化学习的边缘计算任务卸载方法和系统。

技术介绍

1、随着5g技术的迅猛发展，涌现了一大批移动智能设备，而部署于其上的移动应用也日趋多元化，如人脸识别、远程医疗、无人驾驶、健康监控等。然而，由于移动设备在质量、体积和电池容量等方面的物理限制，它们往往难以满足这些复杂应用对计算能力、存储空间和通信资源的高要求。为了解决这一挑战，边缘计算应运而生。其通过在用户附近的边缘服务器上部署计算和存储资源，实现了业务处理的本地化，显著减少了需要传输到远程云中心的数据量。这种做法不仅提升了用户的体验质量，还大幅降低了网络运营成本。移动边缘计算具备低延迟、高安全性和低用户能耗等优势，因此移动边缘计算技术已经成为了5g网络的关键技术之一，受到学术界和产业界广泛关注。

2、现有的边缘计算任务卸载方法包括：第一种，基于静态启发式的方法，这类方法根据预定义的规则(如任务大小、计算需求等)来决定是否卸载任务以及卸载到哪个边缘节点；第二种，基于动态优化的方法，这类方法会根据实时数据和系统状态来调整卸载决策，如通过机器学习本文档来自技高网...

【技术保护点】

1.一种基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，第n个终端用户的待处理任务的参数包括该第n个终端用户的待处理任务的任务大小λn，以及第n个终端用户处理1bit任务所需要的CPU周期数C；第n个终端用户的终端用户参数包括该第n个终端用户的本地CPU频率fn。

3.根据权利要求1或2所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，

4.根据权利要求1至3中任意一项所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，

...

【技术特征摘要】

1.一种基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，第n个终端用户的待处理任务的参数包括该第n个终端用户的待处理任务的任务大小λn，以及第n个终端用户处理1bit任务所需要的cpu周期数c；第n个终端用户的终端用户参数包括该第n个终端用户的本地cpu频率fn。

3.根据权利要求1或2所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，

4.根据权利要求1至3中任意一项所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，

5.根据权利要求4所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，步骤(2)包括以下子步骤：

6.根据权利要求5所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，全局深度强化学习模型wi是基于q-transformer架构的全局深度强化学习模型，其是按照以下步骤训练得到的：

7.根据权利要求6所述的基于联邦深度强化学习的边缘计算任务卸载方法，其特征在于，步骤(3-6)中全局深度强化学习模型wi对来自终端用户的所有边缘服务器的状态以及待处理任务进行处理，...

【专利技术属性】
技术研发人员：童钊，肖世侦，梅晶，张跃甲，章仕彦，汪灿，夏立辉，张熙，徐靖蕾，汤震宇，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：