移动边缘计算
移动部署边缘计算4G工业车载无线路由器wifi连接GPS和校车的实时流视频i
县学校招收了75,000名学生，希望实施一种解决方案，在学生乘坐校车时为其学生提供安全的WiFi。
目的是要利用学生们花时间回家旅行，并扩大教室环境，就像他们从未离开过课桌一样，将校车时间转变为家庭作业时间。
通过在其425辆公交车队中为移动部署边缘计算4G无线路由器wifi，实现了这一目标。
该服务包括WiFi接入点，GPS和远程信息处理集成，WiFi广域网以及云配置和故障排除，所有这些都通过车载LTE路由器提供。
每辆巴士最多可容纳77名学生，边缘计算4G无线路由器wifi解决方案可为学生提供多达28,000小时的额外教学时间。
此外，公交车上可靠的WiFi连接为其他功能打开了大门，例如GPS和用于校车跟踪和监控的实时流视频。
涵盖87所学校，跨越800平方英里的区域，是县城最大的学区，预计学生人数只会增加。
最初，学校开始了一些公共汽车上的安全WiFi试点计划，以确定该技术的可行性并研究县内的LTE覆盖范围。
然后，在一次公开会议上，一位学校高中初中理事会成员在董事会前发表了演讲，探讨了WiFi计划如何提高学业成绩并降低公交车上出现的行为问题。
不幸的是，当时没有为该计划确定资金来源。
学校教育技术服务执行总监4G蜂窝路由器决定协助实现该计划的努力。
他撰写了一份专门将WiFi插入公交车的提案，提供的移动设备访问管理（MODAM）补助金。
在425辆巴士的全部车队中部署了4G蜂窝路由器，并实现了为学生提供安全可靠的WiFi接入并扩展教室的目标。
学校已经向学生提供了19,000台电脑，供学校使用，并且在未来两年内还将交付38,000台，将每名学生手中的3至12年级交给计算机。
学校需要一个强大而可靠的网络解决方案在公共汽车上提供WiFi，以便学生可以使用公共汽车上的笔记本电脑或个人设备访问学校文档。
学校还计划将诸如GPS之类的关键应用程序用于公交车监控和地图绘制，因此需要持续不断的连接以实时监控公交车。
最后，他们需要一个可以快速启动并运行的连接。
5G物联网的移动边缘计算
1 引言1.1 移动边缘计算移动边缘计算（MEC）源于计算服务平台，是一种新的网络体系结构，可缩短最终用户与计算资源之间的距离，从而为数据处理、服务供应和资源优化带来前所未有的收益，基本思想是将云计算资源从远程数据中心迁移到移动访问网络的边缘，以提高计算和存储资源的利用率。
MEC将计算资源更贴近移动用户，具有距离近、时延低和位置感知等特点。
这实现了移动服务供应的本地化，提高了它们的业务能力，减少了延迟，优化了网络性能。
MEC在当今移动通信领域有着非常广泛的应用，例如计算卸载、内容交付、移动大数据分析、边缘视频缓存、协作计算、互联汽车、医疗保健、智能电网等。
1.2 5G移动边缘计算在未来的5G应用场景中，5G网络需要利用基于云的资源池，快速高效地响应复杂多变的服务，充分满足其性能要求。
在这种情况下，灵活性是5G网络扩展网络资源和改善服务提供的关键特性。
然而，如何利用现有的移动网络架构来提供5G场景所需的灵活性是一项具有挑战性的任务。
MEC可以彻底改变资源管理、提供和优化的方式，使移动运营商转变运营模式、降低运营成本、提高盈利能力。
与传统的集中式数据中心相比，MEC部署在5G网络的边缘，MEC中的资源可以根据相关的服务和应用程序进行动态更改和优化。
此外，在MEC架构中，还可以考虑使用移动设备的计算资源来执行相关任务，全面提高系统性能。
5G网络和MEC的融合为网络运营商、服务提供商和终端用户创造了一个新的商业生态系统。
2 5G和MEC的融合网络架构本文的研究重点是5G和MEC的集成以支持IoT应用程序和服务。
为了获得这种架构，需要对现有的5G和MEC架构进行全面的分析和补充合并。
新的网络架构应能满足IoT应用程序和服务的系统性能要求。
下面我们将分别介绍5G和MEC的基本架构，研究两种架构如何互补，并在此基础上提出一种名为MEC支持的5G架构的新架构。
2.1 5G网络架构5G网络主要由三个功能平面组成，分别是接入平面、控制平面和转发平面。
基于强化学习的移动边缘计算任务卸载方法
"计算机测量与控制8&"&)8)!*!"+"%&'()*+,-+./),+'+0*1%&0*,&2"#)"F "#收稿日期 &"&)"1&('"修回日期&"&)"K !&$基金项目 国家自然科学基金面上项目*F !K K &&&!+'广州华商学院校内导师制科研项目资助*&"&)g D -D "K +$作者简介 陈"刚*!(K )+!男!硕士!副教授$王志坚*!(K "+!男!博士!教授!硕士生导师$徐胜超*!(E "+!男!硕士!副教授$引用格式 陈"刚!王志坚!徐胜超8基于强化学习的移动边缘计算任务卸载方法,Z -8计算机测量与控制!&"&)!)!*!"+")"F )!!!)!F 8文章编号 !F K !'1(E &"&) !"")"F "F ""-d % !"8!F 1&F 98;H >G 8!!R 'K F & X N 8&"&)8!"8"'F ""中图分类号 M 4)(!8'""文献标识码 ,基于强化学习的移动边缘计算任务卸载方法陈"刚 王志坚 徐胜超*广州华商学院数据科学学院!广州"1!!)""+摘要 最佳卸载策略直接影响移动计算任务卸载的时延与能耗!因此提出基于强化学习方法的移动边缘计算任务卸载方法'首先对移动设备的计算任务卸载形式展开具体分析!并基于分析结果获取计算任务卸载能量消耗%发射功率%传输速率等相关参数值!以此建立移动边缘计算任务卸载模型'最后基于建立的卸载模型结合f 5#O L S H G H _算法对计算任务实施强化学习!找出计算任务的最佳卸载策略!从而实现移动边缘计算任务的实时卸载'实验结果表明!使用强化学习方法开展移动边缘计算任务卸载时!卸载能耗低!仅为".E KZ%时延小!均不超过F:$关键词 强化学习方法'f 5#O L S H G H _算法'移动边缘'计算任务卸载'卸载模型Q L L 2&.>-+*5&>&L-&C 72+?>;+%&'()*70;:./S=./+>&03+70L &,4+'+0*J +.,070;B g \Y 6L H _!i,Y 6k b G 9G L H !$VD b O H _;b L @*D ;b @@<@T-L X LD ;G O H ;O !6I L H _?b @Ig I L :b L H _B @<<O _O !6I L H _?b @I "1!!)""!B b G H L +B C /*,.4*"d N X G A L <@T T <@L W G H _:X S L X O _=W G S O ;X <=L T T O ;X :X b O <L X O H ;=L H WO H O S _=;@H :I A N X G @H@TA @a G <O;@A N I X G H _X L :>@T T <@L W G H _8M b O S O T @S O !LA @a G <O O W _O ;@A N I X G H _X L :>@T T <@L W G H _A O X b @W a L :O W @H S O G H T @S ;O A O H X <O L S H G H _G :N S @N @:O W 8+G S :X <=!X b O :N O ;G T G ;L H L <=:G :@T X L :>@T T <@L W G H _T @S AT @SA @a G <O W O e G ;O :G :;L S S G O W@I X !L H Wa L :O W@H X b O L H L <=:G :S O :I <X :!X b O N L S L A O X O S ::I ;bL :O H O S _=;@H :I A N 5X G @H !X S L H :A G ::G @H N @7O S !L H W X S L H :A G ::G @H S L X O T @S X L :>@T T <@L W G H _L S O@a X L G H O W !X b O S O a =O :X L a <G :b G H _LA @a G <OO W _O ;@A N I X G H _XL :>@T T <@L W G H _A @W O <8+G H L <<=!a L :O W@HX b OO :X L a <G :b O W@T T <@L W G H _A @W O <L H W;@A a G H O W 7G X bX b O f 5#O L S H G H _L <_@S G X b A !S O G H T @S ;O A O H X <O L S H G H _G :L N N <G O W X @W O X O S A G H O X b O @N X G A L <@T T <@L W G H _:X S L X O _=T @S ;@A N I X G H _X L :>:!X b I :L ;b G O e G H _X b O S O L <5X G A O @T T <@L W G H _@TA @a G <O O W _O ;@A N I X G H _X L :>:8\J N O S G A O H X L <S O :I <X ::b @7X b L X7b O HI :G H _S O G H T @S ;O A O H X <O L S H G H _T @S X b OA @a G <O O W _O ;@A N I X G H _X L :>@T T <@L W 5G H _!X b O @T T <@L W G H _O H O S _=;@H :I A N X G @H G :<@7!@H <=".E KZ !L H W X b O <L X O H ;=G ::A L <<!H @A @S O X b L HF:8D +<E &,>/":X S O H _X b O H G H _<O L S H G H _A O X b @W :'f 5<O L S H G H _L <_@S G X b A 'A @a G <O O W _O ';L <;I <L X G @H X L :>I H <@L W G H _'I H <@L W G H _A @W O <F "引言近年来!物联网技术,!&-的不断发展以及16技术的出现!成功开启了新型数据革命$然而!由于物联网设备以及移动智能设备在计算领域的局限性!应用,44的增加使设备本身无法满足应用,44的计算需求!因此需要将设备上的一些计算任务卸载到具有足够计算能力的云服务器上实施计算处理!从而促使了移动云计算的发展$通常来说!云服务器多为集中形式!计算数据量会随着时间的推移发生爆炸式增长$从而出现传播时延慢的情况!由此有研究人员提出了移动边缘计算,)-!移动边缘计算能够很好地缓解了网络计算数据量大导致的信道拥堵问题$其中移动边缘计算中的任务卸载作为边缘计算的关键环节!对其开展有效的任务卸载方法研究!就成为边缘计算领域急需面对的问题$文献,'-提出基于遗传算法的可持续任务卸载决策!该算法可以使卸载任务具有可持续性$但是该方法时效性较差!具有延时性$文献,1-针对边缘计算任务卸载时信息延迟问题!将模拟退火机制引入计算任务卸载中$以优化结果为基础!改变用户卸载策略!选取合适的服务器展开卸载执行!实现移动边缘计算任务的高效卸载$但是!该方法在进行任务卸载时存在卸载延时较高的问题$文献,F-基于移动边缘计算网络多任务卸载状态!使用强化学习算法对其实施优化处理!建立边缘计算任务卸载模型$最后通过求解模型!实现移动边缘计算任务的有效卸载$该方法虽然能够完成边缘计算任务的卸载!但是在实际应用过程中存在能耗较高的问题$文献,K -针对移动边缘计算任务卸载时低能耗%低时延的卸载需求!提出一种最小化系统响应的任务卸载方案$通过设计的免疫优化算法!获取最优卸载方案!完成移动边缘计算时的任务卸载$但"投稿网址 77789:9;<=>?8;@A Copyright ©博看网. All Rights Reserved.第!"期陈"刚!等"基于强化学习的移动边缘计算任务卸载方法#)"K"#是!该方法需要经过多个步骤的计算!导致该方法存在卸载时间较长的问题$文献,E-中提出了一种基于网格筛选的大规模密度峰值聚类算法!使用网格化方法去除部分密度稀疏的点!再使用密度峰值聚类算法的决策图方法选取聚类中心$该算法可以在保证聚类准确性的基础上!有效降低计算复杂度!并适用于数据的不均匀分布情况$文献,(-中提出了一种针对结构复杂数据集的模糊聚类有效性指标$该指标使用类内平方误差和和隶属度权值得到紧致性度量策略!使用聚类中心距离最小值和各聚类中心到平均聚类中心的距离和!衍生出分离性测算方法$通过合成得到新的有效性指标/.*6D-B+!在/.*6D-B+的极值处对应的类别数可以自动得到最佳聚类数$为解决上述移动边缘计算任务卸载过程中存在的问题!本文提出基于强化学习方法的移动边缘计算任务卸载$本文的创新技术路线如下"!+针对移动设备的计算任务卸载形式进行详细分析!并获取计算任务卸载相关参数值!如能量消耗%发射功率和传输速率等$&+根据上述计算结果!建立移动边缘计算任务卸载模型$)+基于建立的卸载模型并结合f5#O L S H G H_算法!实施强化学习!从而找出最佳的移动边缘计算任务卸载策略$ '+实现移动边缘计算任务的实时卸载本文使用的强化学习方法利用f5#O L S H G H_算法!具有不依赖模型的特点!以贪婪策略为目标策略!通过迭代更新可以获得最优的学习结果$强化学习算法在移动边缘计算任务卸载中应用的创新点主要为"该算法可通过学习和反馈调整决策策略!并自适应地调整任务卸载方式!使得系统能更好地响应网络状态%设备负载等因素!具有较高的动态性%自适应性%可扩展性和精度提升效果$因此!在实际应用中!强化学习与移动边缘计算的结合可实现任务的智能调度和优化!改善边缘计算的性能和用户体验$ G"移动边缘计算任务卸载模型构建G H G"卸载方式用户在享受移动边缘计算带来的便利时!还需要面临计算任务卸载的决策问题$移动边缘计算过程的任务卸载决策主要是指用户在明确计算任务中时延%能耗各项指标后!对计算任务是否卸载至边缘服务器展开决策!该决策会直接影响用户的体验!是整个边缘计算的关键$从移动云计算整体架构来看!计算任务在卸载时通常可以分成水平和垂直两个方向$水平方向一般将框架分成)层!相同层设备和服务器可以看做移动边缘的计算中心$在水平方向上的卸载方式分成设备到设备之间通信以及服务器之间协同计算两种$而在垂直方向上!则要直接划分V\层%移动云计算中心和云计算中心层三层架构$移动边缘垂直方向卸载主要是通过任务计算能力划分计算层级!任务卸载在三个层级之间!由低计算能力逐层向高计算能力层卸载!过程如图!所示$图!"移动边缘计算任务卸载场景图从图!可知!用户在决定是否进行边缘计算任务卸载!主要基于卸载决策!其中包括任务卸载的任务量以及卸载边缘服务器的决策!移动边缘计算任务卸载,!"!!-方式如下"!+本地计算"由于移动边缘计算任务通常都是由用户自身B4V决定的!不涉及任务卸载$过程中通常由于移动边缘计算资源的可用信道!若资源计算结果未达到理想收益!则不进行计算卸载$&+全部卸载"用户资源计算任务由信道上传至移动边缘计算服务器!通过服务器展开计算信道的计,!&!)-处理$这一过程中由于信道质量稳定!计算资源充分!因此计算任务可直接通过任务卸载形式获取计算收益$)+部分卸载"该形式主要通过任务的两种计算类型来开展!计算类型为上述的本地计算形式和卸载计算形式$卸载过程中主要针对可拆分任务!利用本地计算和卸载计算结合的形式!计算资源的收益!根据计算结果将要求高的任务部分卸载至移动边缘计算服务器中!将简单的任务放入用户本地计算中!从而节省不必要的能耗$三种计算执行方式之间的关系如图&所示$图&"移动边缘计算执行方式关系图G H I"构建任务卸载模型根据对移动边缘计算卸载形式分析结果!构建用户移动边缘计算卸载网络模型!模型具体结构如图)所示$基于图)可知!移动边缘计算卸载模型是由O个移动设备以及一个具备高性能服务器的基站构建而成$在网络时隙中!设备可将制定的卸载决策M-P,*X G A OW G e G:G@H "投稿网址 77789:9;<=>?8;@ACopyright©博看网. All Rights Reserved.""计算机测量与控制"第)!卷#)"E "#图)"移动边缘计算卸载网络模型结构A I <X G N<O L ;;O ::+卸载至边缘服务器$在建立移动边缘计算任务卸载本地执行模型之前!需要进行能量消耗和执行时间的确定!以便准确建立移动边缘计算任务在本地计算设备上的执行模型$首先!对于本地执行!需要考虑移动设备的能量消耗$这包括移动设备在执行任务期间所消耗的能量!例如B 4V 运行%数据传输等过程中所需的功率$可以通过实验或者建立能耗模型来测量或预测移动设备在不同负载和操作条件下的能量消耗$其次!还需要确定移动边缘计算任务在本地执行时的执行时间$这涉及到移动设备处理任务所需的计算资源%存储资源以及网络传输延迟等因素$可以通过在移动设备上运行任务!并测量执行时间!或通过建立执行时间模型来评估任务在本地计算设备上的执行性能$通过准确测量能量消耗和执行时间!可以建立移动边缘计算任务在本地执行设备上的执行模型$这个模型将为后续的决策提供基础!帮助选择合适的卸载策略和资源分配方案!以最小化系统开销和提高任务执行效率$设定T .表示第.个设备任务上传发射功率!信道增益为L .!以此获取任务传输速率,!'!1-以及任务卸载所需时间!结果如下式所示"".*'<_!+T .L &.(*+"*!+/R .*B .2.".*B .2.'<_!+T .L &.(*+"*&+式中!("为复杂高斯噪声的方差!'为带宽!/R .为任务卸载所需时间!".为传输速率!B .为卸载决策!2.为卸载任务的大小$基于上述计算结果!设定任务的发送时隙为/.!当满足/R .-/.时!针对用户第.个设备的卸载能耗!建立移动边缘计算任务卸载模型W #S "W #S *"9L L !.//R .*)+式中!"9L L !.为计算出的任务卸载能耗$I "基于强化学习的移动边缘计算任务卸载由于上述确定的移动边缘计算任务卸载多目标组合优化问题属于Y 4难问题!因此需要采用深度强化学习中的f 5#O L S H G H _算法,!F!(-解决任务卸载以及资源分配问题$强化学习算法主要是通过不断的试错获取问题的最优解!该算法通常由状态%动作%汇报以及智能体几个元素组成$强化学习算法通常分为有模型和无模型两种算法!由于真实网络的场景环境较为复杂!无法有效建立算法模型!因此在移动边缘计算任务卸载过程中!可使用f 5#O L S H G H _算法进行卸载任务强化学习!从而实现移动边缘计算任务的卸载$I H G "基于U T J +.,070;算法的卸载计算当面临马尔可夫决策过程*P -4+问题时!f 5#O L S H 5G H _是一种基于强化学习的算法!旨在通过不断与环境交互!学习最优策略$该算法利用一个;值表格来表示在不同状态下采取不同动作的预期回报!并通过更新和选择最大;值的方式!迭代地优化策略$f 5#O L S H G H _的核心是通过探索和利用的平衡!使智能体能够学习到长期回报最大化的策略!而无需事先了解环境模型$这种算法被广泛应用于游戏智能体训练%路径规划等领域$将用户看做一个智能体!设定系统状态3的卸载决策系数为%!资源分配系数描述成M !剩余以此获取系统状态值以及动作值!过程如下式所示"3*1%!M !E 3**?5!?D 1+*'+式中!E 为任务卸载时剩余计算资源系数!?为系统动作值!5为计算任务85的卸载方案!?D 为计算任务8D 的卸载方案$由于在智能体系统中!卸载决策系数能够直接决定哪些计算任务需要卸载!哪些在本地计算执行$基于上述计算结果可知!卸载决策在执行动作后!会得到奖励"*3!%+!此时奖励函数会与目标功能关联在一起!因此可直接将目标优化问题看做最小化的系统成本开销问题!表述成$*3<@;L <,3*6!?+3<@;L <形式!其中移动边缘计算任务在本地执行的系统成本开销用3<@;L <!当前状态下Zd *B 算法的系统总开销表述成3*6!?+形式$在f 5#O L S H G H _算法中!设定智能体在!时刻的环境状态为6!基于随机选取的动作?!进入到6中获取响应的奖励值$!以此更新;表格和算法当前状态!从而获取最佳的卸载策略!过程如下式所示";*6!!?!+*;*6!!?!++#+*$!+4+A L J*6!,!!?!,!+,;*6!!?!++*1+式中!4为折扣因子!#为学习率!;*6!!?!+为获取的最佳卸载策略$I H I "权重分配基于确定的最佳卸载策略!可以构建一个层次结构模型来比较模型中不同准则层因素的重要性$这种层次结构模型将帮助明确各个因素之间的相对权重!从而对移动边缘计算任务进行更合理的决策$首先!需要确定准则层因素$这些因素可包括能源消耗%执行时间%任务负载%设备性能等与任务卸载和资源分配相关的因素$通过比较和分析这些因素!可以确定它们在决策过程中的相对重要性$接下来!根据比较结果!建立一个判断矩阵$判断矩阵是根据准则层因素之间的比较结果构建的!用于定量地表示它们的重要性$通过两两比较准则层因素!并给出其相对"投稿网址 77789:9;<=>?8;@A Copyright ©博看网. All Rights Reserved.第!"期陈"刚!等"基于强化学习的移动边缘计算任务卸载方法#)"("#重要性的比较判断!可以得到一个方阵形式的判断矩阵$然后!需要进行一致性检验来验证判断矩阵的合理性$一致性检验是为了确保判断矩阵的逻辑一致性!即判断矩阵中的比较判断是否符合一定的数学规律$通过计算一致性指标*例如一致性比例B*+!可以评估判断矩阵的一致性!以确保判断矩阵的可靠性和合理性$最终!通过计算一致性检验结果和矩阵运算!可以得到最终的移动边缘计算任务权值向量$这个权值向量代表了各个准则层因素对于最佳卸载策略的相对重要性$基于这些权值!可以进行任务卸载和资源分配的决策!选择最优的移动边缘计算策略!以达到系统开销的最小化和任务执行效果的最大化$首先设定层次模型,&"&&-层数为)层!第一层负责任务缓存价值获取!第二层为计算任务的流行度%任务数据大小以及计算量的获取层'第三层为任务层$建立辨识矩阵时!设定矩阵中第5个元素与第D个元素之间重要程度为A5!D!任务的流行度%任务数据大小以及计算量都受任务缓存价值支配!建立额定辨识矩阵表述成*A5!D形式$基于上述建立的辨识矩阵!利用评价指标算法确定矩阵的不一致程度值以及随机一致性比值概率!以此完成最终计算任务权重向量的计算!过程如下式所示"*>!#5+>&P5+>);*6!!?!+*F+式中! 表示与矩阵最大特征值对应的特征向量! 为获取的权重向量!>!%>&%>)分别为任务在度量时流行度%任务B4V周期大小以及数据量权值!;为表格!#5为85时刻横坐标值!P5为85时刻纵坐标值$当用户发出移动边缘计算任务的卸载请求时!移动边缘计算服务器会首先检测是否已将该任务的计算结果缓存起来$如果存在已缓存的计算结果!服务器将直接返回缓存结果!并根据预设算法计算卸载策略值$该策略值决定是否将移动边缘计算任务卸载到边缘设备上执行!以降低系统的总开销成本$然而!如果计算结果未被缓存!服务器将继续使用f5#O L S H G H_算法来决定最佳的卸载策略和资源分配策略!以最小化系统的开销$f5#O L S H G H_算法通过不断的学习和迭代!基于环境与动作的奖励情况!逐步优化策略!并探索可能的卸载策略和资源分配方案$通过联合优化计算移动边缘计算任务的卸载%资源分配以及任务缓存策略值!系统可以得到最优的开销成本$这种方法利用缓存和智能决策相结合!针对不同的任务和环境条件,&)&1-!实现了高效的任务卸载和资源利用!提高了系统性能和用户体验$!"仿真实验与性能分析!H G"仿真实验环境为了验证本文基于强化学习的移动边缘计算任务卸载方法的整体有效性!需要对此方法测试$分别采用基于强化学习方法的移动边缘计算任务卸载*本文方法+%基于遗传算法的可持续任务卸载决策方法*文献,'-方法+%基于免疫优化的边缘计算任务卸载*文献,K-方法+进行对比测试$测试过程中!基于计算机仿真平台建立一个虚拟大型的集中式移动边缘计算网络!仿真环境参数如表!所示$表!"仿真环境参数运行环境配置参数硬件环境B4V%H X O<**+B@S O*MP+G15('""频率&8("6g?*,P!F8"6C 软件环境操作系统i G H W@7:!"版本!E)F&8!"E&专业版位数F'a G X模拟软件语言,4-#仿真软件P L X<L aK8"设定网络中移动边缘计算服务器位于基站附近!小企业服务器随机分散在网络中!覆盖范围为)1A!其余测试参数如表&所示$表&"集中式移动边缘计算网络参数值参数内容取值信道带宽"8&Pg?用户最大发送功率&)W C A用户计算能力"8!"!6g?&周期计算任务大小'"""!&"">C客户最大容忍时延!"':移动边缘计算能力'6g?&周期背景噪声功率R!""W C A开展移动边缘计算任务卸载方法有效性检测时!设定卸载实验方案有)种!如表)所示$表)"实验方案方案名称内容方案!时延权重"8)的卸载决策方案&计算任务全部本地执行方案)计算任务全部卸载!H I"仿真结果与性能分析).&.!"时延测试选取&""个计算任务作为卸载任务目标!基于上述设定的卸载方案!分别采用基于强化学习方法的移动边缘计算任务卸载*本文方法+%基于遗传算法的可持续任务卸载决策方法*文献,'-方法+%基于免疫优化的边缘计算任务卸载*文献,K-方法+开展移动边缘计算任务卸载!检测上述)种方法在移动边缘计算任务卸载时的总时延变化情况!结果如图'所示$分析图'可知!移动边缘计算任务的数量越多!任务卸载计算时所测试出的总时延就越高$整体来看!当移动边缘计算任务都在本地执行时所测试出的总时延较小!计算任务若全部卸载!则总时延较大$本文方法在移动边缘"投稿网址 77789:9;<=>?8;@A Copyright©博看网. All Rights Reserved.""计算机测量与控制"第)!卷#)!""#图'"不同方法任务卸载总时延测试结果计算任务卸载时!测试出的总时延要优于其他方法的测试结果$其中!基于遗传算法的可持续任务卸载决策方法直接根据优化结果制定卸载策略!所以该方法在完成任务卸载时所用时延较大'基于免疫优化的边缘计算任务卸载方法在设计免疫算法时!算法本身误差较大!所以该方法在任务卸载过程中!测试出的总时延较不理想$而本文方法则使用f 5#O L S H G H _算法对卸载任务展开强化学习!在不断的试错过程中!获取计算任务的卸载策略!所以该方法在任务卸载时!测试出的总时延较为理想$).&.&"能耗及时间测试采用本文方法!文献,'-方法以及文献,K -方法开展移动边缘计算任务卸载时!对上述)种方法的卸载能耗以及卸载时间展开测试!以此验证上述)种卸载方法的卸载性能!测试结果如表'所示$分析表'可知!在开展移动边缘计算任务卸载时!随着待卸载任务数量的增加!)种方法测试出的卸载时间以及卸载能耗均出现不同程度的上升趋势$但是整体来看!本文表'"不同方法的卸载能耗%时间测试结果卸载任务数量&个测试内容不同方法测试结果本文方法文献,'-方法文献,K -方法1"个卸载时间&A :&")F &(卸载能耗&Z "8E K !8!1&8')!""个卸载时间&A :)11&11卸载能耗&Z !8)E &8(!'8F F !1"个卸载时间&A :1(K !E "卸载能耗&Z )8('18E )E 8&&&""个卸载时间&A :K E (K !"&卸载能耗&ZF 8K )(8"1!"8"K方法在测试过程中检测出的卸载时间以及任务卸载能耗都是)种方法中最好的$由此可证明!本文方法在移动边缘计算任务卸载时!卸载方法具备有效性$本文方法具有较低卸载能耗与较短卸载时间的原因在于!本文方法对任务卸载的相关参数进行精准的计算!并构建任务卸载模型$并且结合深度学习中的f 5#O L S H G H _算法对计算任务进行强"投稿网址 77789:9;<=>?8;@A Copyright ©博看网. All Rights Reserved.第!"期陈"刚!等"基于强化学习的移动边缘计算任务卸载方法#)!!"#化训练!从而获得最佳的任务卸载策略$""结束语基于强化学习的移动边缘计算任务卸载方法能够有效地优化数据处理和计算任务的分配!提高了移动边缘计算系统的性能和效率$然而!该方法也存在一些局限性$首先!由于强化学习方法需要大量的训练数据和计算资源!因此其计算成本相对较高$其次!当计算任务量较大时!强化学习可能会产生比较大的决策空间!导致计算开销增加并降低系统的性能$此外!基于强化学习的任务卸载方法也比较难以处理多目标和多约束的情况$为了解决这些问题!未来可以从以下几个方面进行改进$首先!可以采用深度强化学习等技术提高算法的学习效率和性能!并通过分布式计算等方式降低计算成本$其次!可以使用遗传算法等进化算法来处理多目标和多约束问题!提高决策效率和优化性能$此外!还可以通过引入传感器网络%边缘计算设备和物联网等技术!构建更加智能%高效和可靠的移动边缘计算系统!为实现更广泛的应用场景打下基础,&F&K-$参考文献,!-B V%\!c,Y6-!i,Y6g!O X L<8#O L S H G H_5a L:O W W O O N H O I S L<H O X7@S>G H T O S O H;O X L:>@T T<@L W G H_G HA I<X G5W O e G;O L H WA I<X G5:O S e5O S;@<<L a@S L X G e O O W_O;@A N I X G H_,Z-8M S L H:L;X G@H:@H\A O S_G H_ M O<O;@A A I H G;L X G@H:M O;b H@<@_G O:!&"&&!))*K+"''E1'1"18 ,&-\Y/\#d4\P,,C!\Y/\#d4\P g P,4!\Y/\#d4\ P[g B8M L:>@T T<@L W G H_I:G H_64V5a L:O W N L S X G;<O:7L S A@N5 X G A G?L X G@HT@Sb G_b5N O S T@S A L H;Oe O b G;I<L SO W_O;@A N I X G H_,Z-8 Z@I S H L<@T[G H_D L I WV H G e O S:G X=5B@A N I X O S L H W%H T@S A L X G@HD;G5 O H;O:!&"&&!&)*&+"!1F!F!8,)-i,Y6k!6V dB!#%VZ!O X L<8,;;I S L X O L H W N S G e L;=5N S O:O S5e G H_X L:>L<<@;L X G@H T@S O W_O;@A N I X G H_L::G:X O W A@a G<O;S@7W:O H:G H_,Z-8%\\\M S L H:L;X G@H:@HB@A N I X L X G@H L<D@;G L< D=:X O A:!&"&!!(*!+"!&"!))8,'-B g,[*,C d*M c D!P,k VP-,*[8D I:X L G H L a<OX L:>@T T5 <@L W G H_W O;G:G@HI:G H__O H O X G;L<_@S G X b AG H:O H:@S A@a G<OO W_O ;@A N I X G H_,Z-8Z@I S H L<@T[G H_D L I W V H G e O S:G X=5B@A N I X O SL H W %H T@S A L X G@HD;G O H;O:!&"&&!)'*'+"!11&!1F E8,1-张德干!李"霞!张"捷!等8基于模拟退火机制的车辆用户移动边缘计算任务卸载新方法,Z-8电子与信息学报!&"&&!''*(+")&&")&)"8,F-邝祝芳!陈清林!李林峰!等8基于深度强化学习的多用户边缘计算任务卸载调度与资源分配算法,Z-8计算机学报!&"&&!'1*'+"E!&E&'8,K-朱思峰!孙恩林!柴争义8移动边缘计算场景下基于免疫优化的任务卸载,Z-8西安电子科技大学学报!&"&&!'(*!+"!1&!F"8,E-徐"晓!丁世飞!孙统风!等8基于网格筛选的大规模密度峰值聚类算法,Z-8计算机研究与发展!&"!E!11*!!+"&'!( &'&(8,(-唐益明!丰刚永!任福继!等8面向结构复杂数据集的模糊聚类有效性指标,Z-8电子测量与仪器学报!&"!E!)&*'+"!!(!&8,!"-#V6!#%V P!i,Y6k!O X L<8*O:O L S;b@H>O=X O;b H@<@_G O: @T O W_O;@A N I X G H_G HW G:;S O X OA L H I T L;X I S G H_G H W I:X S=G H X b O O S L@T a G_W L X L,Z-8Z@I S H L<@T4b=:G;:"B@H T O S O H;OD O S G O:!&"&!!!(1&*'+"'&&'&E8,!!-[%P i D8\W_O;@A N I X G H_:O S e O SW O N<@=A O H XX O;b H G`I OT@S ;<@I W/*5a L:O WA I<X G5I:O SA O X L e O S:O;@H X O H X,Z-8[@S O LP I<5X G A O W G LD@;G O X=!&"&!!'!*E+"1F F&8,!&-6V P!#c VZ!#%k!O X L<8*O:O L S;b@HT L:X S O;@_H G X G@H@Te I<H O S L a<O X S L T T G;N L S X G;G N L H X:G HG H X O<<G_O H X;@H H O;X O We O b G;<O:@H O W_O;@A N I X G H_,Z-8Z@I S H L<@T B G S;I G X:!D=:X O A:L H WB@A5N I X O S:!&"&&!)F*!)+"(F!")8,!)-i,Y6C!#/C!D d Y6c8,b=a S G W_O H O X G;L<_@S G X b A7G X bG H X O_O S;@W G H_T@SX L:>@T T<@L W G H_G H O W_O5;<@I W;@@N O S L X G e O;@A N I X G H_,Z-8%,\Y6%H X O S H L X G@H L<Z@I S H L<@T B@A N I X O S D;G5O H;O!&"&&!'E*&)+"'(1F8,!'-M*V d Y6/M!g,-C!/,Y/Y!O XL<8d HX b O:=:X O A N O S T@S A L H;O@T A@a G<OO W_O;@A N I X G H_G H L H I N<G H>Y dP,i D Y7G X bL A I<X G L H X O H H LL;;O::N@G H X@e O S Y L>L_L A G5A+L5W G H_,Z-8%\\\&B,,Z@I S H L<@T,I X@A L X G;LD G H G;L!&"&!!'E*&)+"'(1F8,!1-[D,!*4c,
编辑丨梅雅$*****************.cn基于边缘计算的移动终端云技术研发及规模应用■中国移动通信集团海南分公司朱汉武幺夂端"五模十频”的复杂制式和2G/3G/4G多代网络共存一W引发了大量终端与网络适配的问题。
在端到端业务感知链条中，终端发挥的作用越来越大，运营商各级网元的网络管理系统已经开发得非常完善，但终端这一重要环节一直游离在外，目前业界缺少从终端用户感知角度优化网络的手段。
网络管道指标在体现客户真实感知时存在钝化情况，智能化终端的应用场景日益复杂，网络管道评测指标已不足以反映用户真实感知，运营商需要建立基于"终端用户感知、跳出网络看网络”的评估体系,把终端用户真实感知作为网络优化方向的牵引器。
针对以上变化趋势,传统的客户感知获取、通信网络评估优化也遇到新难题。
—是网络质量与网络指标偏差的矛盾。
智能化终端的应用场景日益复杂，对客户感知影响越来越大，但评测网络质量始终没有突破指标的汪洋大海，收敛真实网络质量难度变大。
二是客户感知劣化投诉与服务手段落后的矛盾。
传统通过10086客服电话、短信等方式为客户提供服务，客户口头反馈存在很强的主观性，无法准确获取问题现场，沟通效率低、投入大且客户满意度低。
三是终端质量频发与处理效率的矛盾。
终端厂家数量多、岀货量大、种类多，终端厂家“各自为政”，使终端问题解决效率低。
四是终端感知重要性与终端采集复杂度的矛盾。
终端设备受存储、能源和通信成本等限制，且终端采集存在很高难度，因为不能影响客户正常使用，所以需要找到平衡点。
移动终端云用户感知保障系统需求分析随着智能网络时代的到来，计算边缘化、网络实时感知适配成为重要特征。
运营商网管已非常完善，但缺乏高效获取庞大终端用户实际感受的能力。
为此，广东移动于2015年开始研究在终端侧进行用户感知分析的方案，通过边缘计算减少网络压力、提升效能，建设了移动终端云用户感知保障系统，基于双引擎终端感知模型，采用移动边缘计算技术在海量终端上实现多源现场数据采集，从客户侧感知移动通信网络的终端、网络和业务质量等，形成覆盖全网的用户终端感知分44编辑丨梅雅鑫*****************.cn•应用方案•Technology技术蛙厂终端云后台多维应用图1基于边缘计算的移动终端云体系用技术终介评H技术來内分京11孟'灯£启分算汰创新点三:创新离散数据聚介算法，支撐终瑞云多维应用Wf'MuU J K-mMns*Dtacm的|x域爲如昭刖.4SJ8I创新成卩q：创新网络拓扑勢能学习技术,提处理敛率。
边缘计算在通信领域中的应用
边缘计算在通信领域中的应用边缘计算是一种新兴的计算模式，它将计算资源从云端向边缘设备移动。
在通信领域中，边缘计算可以为网络带来更高的效能和更好的用户体验，使得网络更加智能、灵活和安全。
一、边缘计算的概念和应用边缘计算是一种分布式计算系统，它将计算资源移到距离数据生成或使用点更近的位置。
这样做的好处是可以节省通信资源和时间，提高计算效率和数据安全性。
边缘设备可以是智能手机、传感器、路由器、交换机等，这些设备可以处理数据、存储数据和进行分析，从而降低数据传输的负载，提高网络响应速度和稳定性。
在通信领域中，边缘计算可以应用于很多领域，比如无线网络、物联网、蜂窝网络、智慧城市等。
举例来说，为了提高视频传输的效率和质量，可以在边缘设备上进行视频编码和解码，降低传输的负载和延迟。
在物联网中，可以将物联网设备上的数据处理任务分发到即将离线的网关设备上，从而实现实时处理和分析。
二、边缘计算的优势相比于传统的云计算模式，边缘计算具有以下优势：1.降低网络传输延迟：边缘设备通常位于数据源或者数据使用者的附近，可以更快地处理数据，从而降低了网络传输的延迟。
2.减少网络流量：边缘设备可以处理、存储和分析数据，从而降低了数据传输的负载，减少了对网络的压力。
3.提高数据隐私性：边缘设备对数据的处理和分析可以在本地进行，不需要将数据传输到云端，从而提高了数据的隐私性。
4.提高可靠性和安全性：在边缘设备上进行的数据处理和分析可以在本地进行，减少了对云端系统的依赖，从而提高了系统的可靠性和安全性。
三、边缘计算在通信领域中的应用1.智能家居：智能家居系统通常涉及到很多传感器和控制设备，以及云端服务器的协同工作。
在这种场景下，边缘计算可以在本地进行数据处理和控制，减少对云端服务器的依赖。
2.视频监控：视频监控系统通常需要大量的数据传输和存储，同时需要实时的数据处理和分析。
在这种场景下，边缘计算可以在本地进行视频编解码、图像分析和人脸识别等任务，从而减少了对网络带宽和延迟的依赖。
中国移动边缘计算发展模式及策略
数字经济Digital Econom y中国移动边缘计算发展模式及策略〇撰文丨路宇浩边缘计算产业未来拥有广阔的市场空间，但目前仍处于发展起步阶段，产业模式尚未清晰。
从产业生态来看，运营商逬入边缘计算领域具有先发优势，但是仍然需要集中力量突破平台技术瓶颈才 能获取产业链中更大的市场价值。
边缘计算产业结构及概念体系边缘计算的产业结构边缘计算从部署现场到解决方案的端到端产 业生态已形成，按照产业链结构从上至下依次为解 决方案与系统集成商、应用幵发与服务商、边缘计 算平台提供商、基础资源提供商、硬件服务商、网络服务商、部署环境提供商7个层级。
从国际发展来看，云计算巨头亚马逊、微软 和谷歌都已经推出了相关边缘计算产品。
亚马逊推 出AWS Greengrass边缘组件；微软发布Azure IoT E d g e边缘侧产品；谷歌也在2018年推出 了硬件芯片Edge TPU和软件堆栈Cloud 1〇丁Edge。
在国内，阿里、腾讯、百度、华为、中兴 通讯、数梦工场等也推出了相应的边缘计算产品。
阿里推出Link IoT E d g e平台；腾讯针对边缘计 算推出了 CD N Edge;百度推出智能边缘BIE;华为在2018年推出了 IE F平台；中兴通讯推出了 边缘计算产品；数梦工场推出统一的D T资源管控 产品。
综上，边缘计算领域参与者众多，主流公司 以打造生态优势为目标，基于自身服务层级向产业 链上下两端进行拓展，目前市场主要参与者是系 统集成商、云服务商、电信运营商及O T供应商四类。
系统集成商在产业头部，具有广泛的能力，可 以集成不同生态系统公司的产品，还具有一定的全 球性属性，在边缘计算领域大多由云服务商、电信 运营商担任。
云服务商具有领先的云技术优势与应 用生态体系，同时拥有全球性资源布局与市场资源 生态，并渴望成为边缘计算主导者。
电信运营商具 有边缘基础设施优势以及不可替代的网络能力，技 术生态处于劣势，有望主导边缘生态。
边缘计算在固定移动融合服务中的网络架构与部署策略
边缘计算在固定移动融合服务中的网络架构与部署策略边缘计算是指将数据处理和存储功能下沉到网络边缘，以提高服务质量和响应速度的一种计算模式。
在固定移动融合服务中，边缘计算的网络架构和部署策略起着关键作用。
本文将解析边缘计算在固定移动融合服务中的网络架构与部署策略。
一、边缘计算的网络架构在固定移动融合服务中，边缘计算的网络架构主要包括三个层级：用户终端层、边缘计算节点层和云端数据中心层。
1. 用户终端层：用户终端设备是固定移动融合服务的发起方和接收方，包括固定网络设备（如计算机、路由器）和移动设备（如智能手机、平板电脑）。
用户终端层通过网络连接到边缘计算节点层，发起请求并接收服务响应。
2. 边缘计算节点层：边缘计算节点是位于网络边缘的小型数据中心，通常部署在靠近用户终端的地理位置上。
边缘计算节点具备一定的计算、存储和网络传输能力，可以根据用户需求快速响应服务请求。
边缘计算节点层连接用户终端层和云端数据中心层，承担用户服务的运算任务。
3. 云端数据中心层：云端数据中心是大规模的数据处理和存储中心，具备高性能的计算和存储能力。
云端数据中心辅助边缘计算节点层完成部分服务处理任务，存储和管理大量数据，提供服务的支持。
边缘计算的网络架构可以有效减少数据传输时延和网络拥塞，提升服务质量和用户体验。
二、边缘计算的部署策略在固定移动融合服务中，边缘计算的部署策略需根据具体业务需求和环境特点来制定。
以下是几种常见的部署策略。
1. 部署策略一：边缘计算节点覆盖面广泛一种常见的部署策略是在网络边缘布置大量的边缘计算节点，使其尽可能接近用户终端。
这样做可以最大程度地减少数据传输距离，缩短响应时间。
同时，分散部署可以降低单个边缘计算节点的负载，保证系统的可靠性和稳定性。
2. 部署策略二：边缘计算节点集中部署另一种部署策略是将边缘计算节点部署在特定的地理位置上，形成一个边缘计算集群。
这种部署策略适用于服务范围集中的场景，可以通过集中管理和优化资源配置，提高计算效率和服务质量。
边缘计算的实现方法
边缘计算的实现方法
边缘计算是一种将计算和数据存储移动到设备边缘的架构模式，以提高响应速度、降低延迟并提高数据安全性。
以下是实现边缘计算的一些常见方法：
1. 利用边缘设备：将计算和存储资源放置在物理设备上，例如传感器、路由器、网关、边缘服务器等。
2. 边缘云：与传统云计算相似，但是将数据中心放置在边缘位置，其目的是减少延迟、提高可靠性和保证数据隐私。
3. 分布式网络：通过将数据和处理任务分配到多个边缘设备上来实现边缘计算。
4. 软件定义网络：通过对网络进行虚拟化和自动化管理，实现对边缘设备进行动态配置和调度。
5. 利用AI和智能设备增强边缘计算的能力。
边缘计算的应用非常广泛，例如在智能家居中用于实现家庭设备的自动化控制和远程监控，在无人驾驶中用于实现实时的数据处理，以及在工业互联网中用于实现工业设备的实时监控和实时控制等。
请注意，这些只是实现边缘计算的一些常见方法，实际上还有很多其他技术和方法可以用于实现边缘计算。
根据具体的应用场景和需求，可以选择适合的方法来实现边缘计算。