Abstract
多接入边缘计算(MEC)是一个分布式计算框架,在网络边缘提供计算能力和数据存储,以节省带宽和减少延迟。然而,当过多的任务被卸载执行时,MEC系统的计算能力就会不足。为了减轻MECS的过重负担,挖掘WD的未被充分利用的资源,我们研究了混合边缘计算(HEC)网络中的计算卸载和分流问题。在本文中,我们提出了一个优化问题,以最小化总时间延迟和能源消耗的平均加权和。由于计算复杂性和维度较高,我们提出了基于深度强化学习的计算卸载和分流(DCOS)算法来解决这个问题。最后,我们验证了DCOS算法的收敛特性并评估了其时间复杂性。与其他算法相比,仿真结果显示,DCOS算法可以显著降低平均加权成本。
Introduction
为了解决资源有限的移动设备MD和时间敏感的应用之间的矛盾,多接入边缘计算(MEC)已被提出作为一个有前途的解决方案。MEC计算能力和数据存储都位于数据源附近。然而,当过多的任务被卸载执行时,MEC系统的计算能力可能不足。
为了减轻MEC服务器(MECSs)的过重负担,减少任务执行的时间延迟,可以利用终端设备未被充分利用的资源。通过将设备对设备(D2D)通信整合到MEC网络中,可以充分利用MD上的资源。X,其中设备可以卸载任务给附近的设备进行合作计算。在本文中,我们利用有线设备(WD)的未充分利用的资源,如台式电脑、笔记本电脑和视频游戏机来减轻MECS的负担。
在本文中,我们研究了混合边缘计算(HEC)网络中的计算卸载和分流问题。计算分流是指将卸载的任务按一定比例分给MECS和WD。通过计算分流,可以利用WD的未充分利用的资源来减轻MECS的过重负担,并减少任务执行的时间延迟和能量消耗。因此,我们提出了一个优化问题,以找到最佳决策变量,即计算分流比率,使总时间延迟和能源消耗的平均加权和最小。为了处理高计算复杂性和维度问题,我们提出了基于DRL的计算卸载和分流(DCOS)算法。
SYSTEM MODEL AND PROBLEM STATEMENT
A. Communication and Computing Model
网络中有 MDs, WDs and MECSs,通过光纤连接,MECSs和WDs分别与路由器和交换机连接。MDs可以将计算任务卸载到具有蜂窝通信功能的小基站。部署在路由器中的DRL代理可以控制MECSs和WDs的分流比。
是在时间段MD设备i的第j个任务。任务的特征为计算周期和数据位。计算周期的平均值记为。MD任务传输到SBS的速率为:,则无线传输延迟为:
任务从SBS传输到MECS和WD是以小数据包的形式,表示为:。是包的数量,是包的大小,是开销的大小。我们主要考虑数据包传输延迟和数据包传播延迟。当一个数据包被放到光纤链路上时,传输时间为,其中是光纤链路的带宽。为简单起见,我们假设在每个链路中是恒定的。有线网络的传输延迟是:
其中和是SBS分别到MECS和WD的平均跳数(hot counts)。我们用三个二进制变量表示计算方式:,,,分别表示任务本地计算、卸载到MECS和卸载到WD,当值为1时代表执行这种方式。
当本地计算时,本地任务计算延迟为:。其中是的计算频度。本地计算能量消耗表示为:。
远程任务计算延迟为:
分母的含义同本地计算。MDs的远程任务计算消耗即为任务的无线传输消耗:
B. Computation Offloading and Shunting Model
在HEC网络中,是设备在时间t产生的任务数,可以用任务到达率为的泊松过程来建模。我们假设,为每个MD上任务的平均到达率。所有的泊松过程叠加,卸载的任务表现为一个总的泊松过程,其到达率为:
随着泊松流的分流,任务被卸载到MECSs和WDs。泊松过程和表示分流到MECS和WD的任务数量,到达率分别为和,和表示分流到MCES和WD的任务比例。