CN115665869A - 基于边缘计算和有向无环图的多用户协作平台及其方法 - Google Patents
基于边缘计算和有向无环图的多用户协作平台及其方法 Download PDFInfo
- Publication number
- CN115665869A CN115665869A CN202210983474.7A CN202210983474A CN115665869A CN 115665869 A CN115665869 A CN 115665869A CN 202210983474 A CN202210983474 A CN 202210983474A CN 115665869 A CN115665869 A CN 115665869A
- Authority
- CN
- China
- Prior art keywords
- user
- decision
- energy consumption
- acquisition module
- time slot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005265 energy consumption Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000002787 reinforcement Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims description 11
- 101000591286 Homo sapiens Myocardin-related transcription factor A Proteins 0.000 claims description 7
- 102100034099 Myocardin-related transcription factor A Human genes 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/121—Wireless traffic scheduling for groups of terminals or users
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于边缘计算和有向无环图的多用户协作平台,所述协作方法是基于边缘计算平台,所述边缘计算平台包括基站、外部状态获取模块、深度强化学习决策模块和协调***,所述外部环境信息获取模块用于获取当前基站和每个用户之间的信道增益使协调***得知目前的互联网情况;所述深度强化学习决策模块用于输出多用户协作策略、卸载策略和本地计算频率策略;所述深度强化学习决策模块包括多元的神经网络单元、智能体、收敛训练单元和经验池;本发明解决了多用户合作的传输数据量动态变化、用户子任务卸载决策动态变化且每个用户的本地计算频率也进行动态可变,在时延、合作增益、能耗三者的共同考量下最优化应用性能的功能。
Description
技术领域:
本发明涉及互联网中多接入边缘计算和多用户协作领域,尤其涉及基于边缘计算和有向无环图的多用户协作平台及其方法。
背景技术:
目前,单个用户在独自完成任务时往往存在应用性能不佳的问题,例如,在无人驾驶领域,现有的单车感知因为障碍物遮挡、感知算法本身的精度局限性等问题,往往很难保证车辆的安全性。
此外,在无人机追踪目标的领域也存在着单机追踪容易跟丢目标的问题。考虑到上述问题,越来越多涉及多个移动设备运行同一应用程序的场景利用了多用户合作的思想,即用户可以通过共享子任务的中间结果来协同处理应用程序,以提高应用程序的性能,这是因为同一程序往往具有对数据需求的一致性,而共享程序运行的中间结果可以提升它们的应用性能。例如,在互联自动驾驶汽车的协同感知中,不同的车辆共享其感知信息,如从摄像机的检测结果中提取的特征数据,以提高其对目标检测精度和感知范围的感知能力。如图1所示,产生感知结果这一步依赖于特征提取的数据,车辆二在接收到车辆一和车辆三的特征数据之后,可以起到扩大感知范围的效果,以提升感知的精度,这对于复杂路况下的自动驾驶是大有益处的。
上述提到的目标感知等应用计算量很大、实时性要求高,属于典型的计算密集型、时延敏感型应用,移动设备在执行这类应用时普遍面临着计算量过大而难以保证实时性、能源储备低难以满足高能耗消耗的问题。面对这些问题,多接入边缘计算成为了行之有效的方法。多接入边缘计算解决上述问题的核心在于计算卸载,通过在移动用户附近的基站部署相对资源丰富的边缘计算平台,用户可以通过无线信道将其计算任务转移到附近的基站上,并在任务执行后接收从基站发送回的结果。相较于传统的云计算将大功率服务器放置在远离用户的地方。多接入边缘计算通过这种提供近距离服务的方式减轻了网络的通信开销,使应用的执行延迟和能耗大为降低,为高效在计算能力、能量储备有限的移动设备上执行延迟敏感型、计算密集型的应用提供了保证。
通常情况下,计算密集的应用程序由一系列相互依赖的子任务组成,其中子任务之间的依赖关系可以通过有向无环图来建模。根据有向无环图,子任务应按照规定的顺序执行,即子任务可以在接收到前面子任务的中间结果时启动。这些建模成有向无环图的应用与多接入边缘计算的计算卸载相结合,可以让卸载粒度更细,进一步促进边缘卸载对应用的性能提升。目前已经有大量的有向无环图任务卸载策略,通过将子任务的执行顺序考虑到卸载策略中,我们可以为每个子任务进行卸载决策,让移动应用程序在边缘服务器和移动设备之间完全并行地执行,从而最小化应用程序的执行延迟和移动设备的能耗,提升应用程序的整体性能。
目前研究的大部分基于有向无环图的边缘卸载机制研究工作没有考虑多用户合作,即每个用户的应用单独执行。每一个用户作为一个决策主体,为它所属的子任务根据自身所处的外部环境(网络情况、各计算节点计算资源)分别做出独立的卸载策略。因为,每个用户只考虑自身而不考虑其他用户的决策,因此决策常常在多用户的场景下难以达到最佳性能。并且这种方案并没有考虑到多用户合作从而为***提供合作增益的问题,这就导致了***难以让应用程序达到最佳性能。
而在其他的一些考虑了多用户合作的基于有向无环图的工作里,用户间的合作关系被假设为固定的。多个用户的子任务之间存在着固定的依赖关系,即不考虑计算资源和网络情况的动态变化,用户间通过固定的模式合并固定种类、固定大小的数据,这种方式极其容易造成在网络状态波动的时候引来巨大的时延,忽视了外部环境的动态性对合作效果的动态影响。同时,上述现有工作也忽视了本地计算频率的可调节性,这对于优化任务执行的能耗是非常有益的。
通过上述分析我们可知,一方面,从移动设备卸载到边缘服务器这一过程中的传输速率受当前网络状态影响,而传输速率会直接影响传输的时延和能耗,所以设计一个可以最小化时延和能耗的卸载方案是十分重要的。另一方面,因为网络带宽、计算资源等因素的影响,我们需要动态考虑是否进行多用户合作、多用户之间要传输多少数据,而非一成不变的决定合作或者不合作,因此我们的有向无环图是在动态改变的,也就是说多用户之间是否合作会影响到卸载决策、本地计算频率决策,这三者之间相互耦合。这造成了极高的计算复杂度。一旦不能快速求出近似最优解,将会大大影响应用性能。
发明内容:
本发明提供一种适应动态网络变化的的基于边缘计算和有向无环图的多用户协作平台及其应用方法,该发明采用深度强化学习技术求解计算密集型应用中每个子任务的卸载策略、用户间合作策略、本地cpu频率策略,从时延、能耗、合作增益三个方面提升***中各个应用的综合性能。
为了解决现有技术存在的问题,本发明采用如下技术方案实现的:
一种基于边缘计算和有向无环图的多用户协作平台,所述协作方法是基于边缘计算平台,所述边缘计算平台包括基站、外部状态获取模块、深度强化学习决策模块和协调***,其中:
所述外部环境信息获取模块用于获取当前基站和每个用户之间的信道增益使协调***得知目前的互联网情况;
所述深度强化学习决策模块用于输出多用户协作策略、卸载策略和本地计算频率策略;所述深度强化学习决策模块包括多元的神经网络单元、智能体、收敛训练单元和经验池;
所述多元的神经网络单元通过BSAC算法对单个用户的卸载决策、多用户合作决策、本地计算频率决策求解获得最终决策;即:
其中:α:合作增益的权重;G(t):时隙t的合作增益;dn,M(t):用户n在时隙t的应用的完成时间;β:时延的权重;en(t):用户n在时隙t的能耗;γ:能耗的权重;
所述智能体根据外部环境信息获取模块提供的网络状态空间和所述多元的神经网络单元提供的最终决策并行计算生成共享策略;
所述经验池储备外部环境信息获取模块提供当前基站和每个用户之间存储状态的历史决策信息;
所述收敛训练单元根据所述经验池提供历史决策信息和应用使用性能不断更新智能体。
为了解决现有技术问题,本发明还采用如下技术方案:
一种基于边缘计算和有向无环图的多用户协作平台进行协作,包括如下步骤:
所述深度强化学习决策模块输出多用户协作策略、卸载策略和本地计算频率策略过程:步骤2.1:通过强化学习网络使用BSAC算法构建多元神经网络输出如下最终决策:
其中:α:合作增益的权重;G(t):时隙t的合作增益;dn,M(t):用户n在时隙t的应用的完成时间;β:时延的权重;en(t):用户n在时隙t的能耗;γ:能耗的权重;
步骤2.2:所述外部环境信息获取模块根据如下状态空间S更新智能体;
步骤2.3:所述智能体根据状态空间中得到相应信息和多个神经网络同时进行计算,整合多个神经网络的结果输出当前的动作a给所述外部环境信息获取模块;
步骤2.4:所述外部环境信息获取模块不断进行决策的同时会生成一系列信息以组合形式存储T=[s′,a,r,s],将其先输入经验池中,训练多元神经网络时会从经验池中提取每条组合。训练网络将会有间隔的根据信息进行训练并更新智能体网络;其中:
s′:上一时刻状态空间信息;a:本次选择的动作;r:上一个选择动作的reward值。步骤2.5:所述所述外部环境信息获取模块通过如下公式对协调******目标更新,即:
进一步,所述时隙t的合作增益G(t)通过如下公式建立:
进一步,所述用户n在时隙t的能耗en(t)通过如下公式建立:
有益效果:
(1)本发明基于有向无环图的多用户协作策略:动态决定多用户之间不同的合作关系是否需要存在、需要传输多大的数据量,实现最优化应用性能。
(2)本发明在边缘场景下任务图的最佳卸载策略:在动态的用户任务图下,为每一个任务求得一个近似最优的卸载方案,以最优化应用性能。
(3)本发明为每一个用户确定动态的本地计算频率:动态调整每个用户本地计算的频率,以最优化应用性能。
(4)本发明提出了在多用户多接入边缘计算场景下联合进行多用户合作决策和任务卸载决策的方法,实现了最优化应用性能的功能。
(5)本发明提出了多用户合作的传输数据量是可以动态变化的,并且每个用户的本地计算频率也是动态可变的。在时延、合作增益、能耗三者的共同考量下最优化应用性能的功能。
(6)本发明提出了一种适应大决策空间的BSAC算法,在原有的SAC算法基础上将Actor部分扩展为多个神经网络进行并行决策,提升了***在大决策空间下的性能。
附图说明:
图1是本发明涉及在车辆感知中的多用户协作关系的结构示意图;
图2是本发明中基于边缘计算和有向无环图的多用户协作策略模块示意图;
图3是本发明中外部环境信息获取模块工作流程图;
图4是本发明中深度强化学习网络结构示意图。
具体实施方式
本发明中提出了,以下结合附图2~附图4对本发明专利申请的实施过程做进一步详细说明。
本发明提供一种基于边缘计算和有向无环图的多用户协作方法,所述协作方法是基于边缘计算平台,所述边缘计算平台包括基站、外部状态获取模块、深度强化学习决策模块和协调***,即如图2所示。其中:
所述外部环境信息获取模块用于获取当前基站和每个用户之间的信道增益使协调***得知目前的互联网情况;
所述深度强化学习决策模块用于输出多用户协作策略、卸载策略和本地计算频率策略;所述深度强化学习决策模块包括多元的神经网络单元、智能体、收敛训练单元和经验池,其中:
所述多元的神经网络单元通过BSAC算法对单个用户的卸载决策、多用户合作决策、本地计算频率决策求解获得最终决策;即:
其中:α:合作增益的权重;G(t):时隙t的合作增益;dn,M(t):用户n在时隙t的应用的完成时间;β:时延的权重;en(t):用户n在时隙t的能耗;γ:能耗的权重。
所述智能体根据外部环境信息获取模块提供的网络状态空间和所述多元的神经网络单元提供的最终决策并行计算生成共享策略;
所述经验池储备外部环境信息获取模块提供当前基站和每个用户之间存储状态的历史决策信息;
所述收敛训练单元根据所述经验池提供历史决策信息和应用使用性能不断更新智能体。
为了解决现有技术问题,本发明还采用如下技术方案:
一种基于边缘计算和有向无环图的多用户协作方法,包括如下步骤:
所述深度强化学习决策模块输出多用户协作策略、卸载策略和本地计算频率策略过程:步骤2.1:通过强化学习网络使用BSAC算法构建多元神经网络;本发明在构建神经多元网络时根据收敛训练单元将actor部分根据动作属性不同训练出多个单独的神经网络,并将其结果输入到一个critic网络中进行训练最终不断更新智能体,所述智能体单个用户的卸载决策、多用户合作决策、本地计算频率决策求解获得最终决策这种方式可以有效解决深度强化学习中动作空间过大带来的难以收敛的问题。最终决策如下:
其中:α:合作增益的权重;G(t):时隙t的合作增益;dn,M(t):用户n在时隙t的应用的完成时间;β:时延的权重;en(t):用户n在时隙t的能耗;γ:能耗的权重;同时:
时隙t的合作增益G(t):由于多用户合作有边际效用,即当传输的数据量过大时对应用性能的提升将很微弱,因此我们将合作增益设定为传输数据量取log10。***中时隙t的每个多用户合作的决策是当时的传输数据量为Om1,m2。
户n在时隙t的应用的完成时间dn,M(t):在任务依赖图中,最后一个子任务完成即可认为是整个应用完成,将最后一个子任务(编号为M)的完成时间作为应用n的完成时延。
用户n在时隙t的能耗en(t):由本地计算能耗和向边缘的传输能耗组成,并通过如下公式:
步骤2.2:所述外部环境信息获取模块根据如下状态空间S更新智能体;
步骤2.3:所述智能体根据状态空间中得到相应信息和多个神经网络同时进行计算,整合多个神经网络的结果输出当前的动作a给所述外部环境信息获取模块。
步骤2.4:所述外部环境信息获取模块不断进行决策的同时会生成一系列信息以组合形式存储T=[s′,a,r,s],将其先输入经验池中,训练多元神经网络时会从经验池中提取每条组合。训练网络将会有间隔的根据信息进行训练并更新智能体网络;其中:
s′:上一时刻状态空间信息;a:本次选择的动作;r:上一个选择动作的reward值。步骤2.5:所述所述外部环境信息获取模块通过如下公式对协调******目标更新,即:
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (4)
1.基于边缘计算和有向无环图的多用户协作平台,所述协作方法是基于边缘计算平台,其特征在于,所述边缘计算平台包括基站、外部状态获取模块、深度强化学习决策模块和协调***,其中:
所述外部环境信息获取模块用于获取当前基站和每个用户之间的信道增益使协调***得知目前的互联网情况;
所述深度强化学习决策模块用于输出多用户协作策略、卸载策略和本地计算频率策略;所述深度强化学习决策模块包括多元的神经网络单元、智能体、收敛训练单元和经验池;
所述多元的神经网络单元通过BSAC算法对单个用户的卸载决策、多用户合作决策、本地计算频率决策求解获得最终决策;即:
其中:α:合作增益的权重;G(t):时隙t的合作增益;dn,M(t):用户n在时隙t的应用的完成时间;β:时延的权重;en(t):用户n在时隙t的能耗;γ:能耗的权重;
所述智能体根据外部环境信息获取模块提供的网络状态空间和所述多元的神经网络单元提供的最终决策并行计算生成共享策略;
所述经验池储备外部环境信息获取模块提供当前基站和每个用户之间存储状态的历史决策信息;
所述收敛训练单元根据所述经验池提供历史决策信息和应用使用性能不断更新智能体。
2.采用权利要求1所述的多用户平台进行基于边缘计算和有向无环图的协作方法,其特征在于,包括如下步骤:
所述深度强化学习决策模块输出多用户协作策略、卸载策略和本地计算频率策略过程:
步骤2.1:通过强化学习网络使用BSAC算法构建多元神经网络输出如下最终决策:
其中:α:合作增益的权重;G(t):时隙t的合作增益;dn,M(t):用户n在时隙t的应用的完成时间;β:时延的权重;en(t):用户n在时隙t的能耗;γ:能耗的权重;
步骤2.2:所述外部环境信息获取模块根据如下状态空间S更新智能体;
步骤2.3:所述智能体根据状态空间中得到相应信息和多个神经网络同时进行计算,整合多个神经网络的结果输出当前的动作a给所述外部环境信息获取模块;
步骤2.4:所述外部环境信息获取模块不断进行决策的同时会生成一系列信息以组合形式存储T=[s′,a,r,s],将其先输入经验池中,训练多元神经网络时会从经验池中提取每条组合。训练网络将会有间隔的根据信息进行训练并更新智能体网络;其中:
s′:上一时刻状态空间信息;a:本次选择的动作;r:上一个选择动作的reward值。步骤2.5:所述所述外部环境信息获取模块通过如下公式对协调******目标更新,即:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983474.7A CN115665869A (zh) | 2022-08-16 | 2022-08-16 | 基于边缘计算和有向无环图的多用户协作平台及其方法 |
PCT/CN2023/113254 WO2024037560A1 (zh) | 2022-08-16 | 2023-08-16 | 基于边缘计算和有向无环图的多用户协作平台及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983474.7A CN115665869A (zh) | 2022-08-16 | 2022-08-16 | 基于边缘计算和有向无环图的多用户协作平台及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115665869A true CN115665869A (zh) | 2023-01-31 |
Family
ID=85023607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210983474.7A Pending CN115665869A (zh) | 2022-08-16 | 2022-08-16 | 基于边缘计算和有向无环图的多用户协作平台及其方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115665869A (zh) |
WO (1) | WO2024037560A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037560A1 (zh) * | 2022-08-16 | 2024-02-22 | 天津大学 | 基于边缘计算和有向无环图的多用户协作平台及其方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891532B (zh) * | 2024-03-15 | 2024-07-05 | 东北大学 | 一种基于注意力多指标排序的终端能效优化卸载方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111726826B (zh) * | 2020-05-25 | 2024-03-19 | 上海大学 | 一种基站密集型边缘计算网络中的在线任务卸载方法 |
CN114116047B (zh) * | 2021-11-09 | 2023-11-03 | 吉林大学 | 一种基于强化学习的车载计算密集型应用的v2i卸载方法 |
CN115665869A (zh) * | 2022-08-16 | 2023-01-31 | 天津大学 | 基于边缘计算和有向无环图的多用户协作平台及其方法 |
-
2022
- 2022-08-16 CN CN202210983474.7A patent/CN115665869A/zh active Pending
-
2023
- 2023-08-16 WO PCT/CN2023/113254 patent/WO2024037560A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037560A1 (zh) * | 2022-08-16 | 2024-02-22 | 天津大学 | 基于边缘计算和有向无环图的多用户协作平台及其方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024037560A1 (zh) | 2024-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111405568B (zh) | 基于q学习的计算卸载和资源分配方法及装置 | |
CN111405569A (zh) | 基于深度强化学习的计算卸载和资源分配方法及装置 | |
Chen et al. | Efficiency and fairness oriented dynamic task offloading in internet of vehicles | |
CN113543176B (zh) | 基于智能反射面辅助的移动边缘计算***的卸载决策方法 | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
CN115665869A (zh) | 基于边缘计算和有向无环图的多用户协作平台及其方法 | |
CN107708152B (zh) | 异构蜂窝网络的任务卸载方法 | |
CN113342409B (zh) | 多接入边缘计算***时延敏感型任务卸载决策方法及*** | |
CN113645637B (zh) | 超密集网络任务卸载方法、装置、计算机设备和存储介质 | |
CN112672382B (zh) | 混合协作计算卸载方法、装置、电子设备及存储介质 | |
Fragkos et al. | Artificial intelligence enabled distributed edge computing for Internet of Things applications | |
Jiang et al. | A Q-learning based method for energy-efficient computation offloading in mobile edge computing | |
CN114205353B (zh) | 一种基于混合动作空间强化学习算法的计算卸载方法 | |
CN115190033B (zh) | 一种基于强化学习的云边融合网络任务卸载方法 | |
CN116541106B (zh) | 计算任务卸载方法、计算设备及存储介质 | |
Yu et al. | Collaborative computation offloading for multi-access edge computing | |
CN116489712A (zh) | 一种基于深度强化学习的移动边缘计算任务卸载方法 | |
Binh et al. | Value-based reinforcement learning approaches for task offloading in delay constrained vehicular edge computing | |
Guo et al. | Energy-efficient incremental offloading of neural network computations in mobile edge computing | |
Cui et al. | Multiagent reinforcement learning-based cooperative multitype task offloading strategy for internet of vehicles in B5G/6G network | |
Han et al. | Multi-step reinforcement learning-based offloading for vehicle edge computing | |
CN111158893A (zh) | 应用于雾计算网络的任务卸载方法、***、设备及介质 | |
Hossain et al. | Edge orchestration based computation peer offloading in MEC-enabled networks: a fuzzy logic approach | |
CN116017570A (zh) | 一种基于区块链的边缘计算***资源管理方法 | |
Cui et al. | Online container scheduling for low-latency iot services in edge cluster upgrade: A reinforcement learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |