本技术提出了一种利用联邦深度强化学习优化的边缘计算任务卸载方案。该方案首先对用户任务产生的时延和能耗进行形式化建模;随后,基于背包问题理论构建能耗模型。
背景技术
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。
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,如通过机器学习模型预测任务卸载的最佳位置;第三种,基于博弈论的方法,这类方法会通过模拟用户设备和边缘服务器之间的竞争和合作来优化任务卸载。在这个框架下,每个用户设备都试图最小化自己的成本,而边缘服务器则试图最大化其资源利用率。
然而,当前边缘计算任务卸载方法都存在一些不可忽略的缺陷:
第一,现有基于静态启发式的方法通常不考虑实时变化的网络条件和节点状态,这会导致决策不够灵活和适应性差,从而影响系统性能;
第二,现有基于动态优化的方法虽然可以更好地适应环境变化,但它们可能需要较高的计算开销来进行持续的预测和决策,增加了系统的能耗和时延;移动设备在卸载任务时需要消耗能量进行数据传输,而边缘服务器在处理任务时也会消耗能量,且边缘服务器的处理能力不是无限的,如果任务卸载策略不合理,会浪费系统资源,增加等待时间,导致移动设备和边缘服务器的能耗和时延都增加,影响系统的能效比和响应速度;
第三,现有基于动态优化的方法在任务卸载决策过程中的计算复杂度高;
第四、现有基于博弈论的方法,通常较少考虑任务卸载均匀度,且其本身可能需要大量的通信和协调,增加了系统的复杂性,对系统的健壮性并不有利:从任务卸载均匀度来看,由于用户分布和任务需求的不均匀性,可能导致某些边缘服务器过载,而其他服务器则处于空闲状态。这种不均衡的资源利用会影响系统的整体性能和用户体验,且系统在面对突发流量或服务器故障时,单个服务器可能因处理过多任务而出现过载情况,无法较好地分散风险,因此损害了系统的健壮性;
第五,现有基于静态启发式的方法和基于博弈论的方法由于通常较少考虑用户隐私问题,这会导致用户的隐私受到威胁。
实现思路