移动边缘计算中任务卸载与动态定价方法研究.pdfVIP

摘要

摘要

随着人工智能、物联网和6G的迅猛发展，对延迟敏感及计算密集型应用的需

求日益增长。尽管移动设备的CPU性能持续提高，但其处理大规模计算任务的能

力仍然存在限制。云计算通过提供远程计算和存储服务，有效地减轻了本地资源

的负担，但其因距离而导致的延迟问题成为性能的关键限制，尤其在延迟敏感应

用中。为应对这一挑战，边缘计算及其衍生的移动边缘计算范式被提出，以缩减

任务响应时间并提升用户体验。然而，边缘服务器的有限计算能力影响了任务卸

载的效率，要求用户采取精细化卸载决策以优化系统性能。此外，边缘节点间存

在显著的负载不均衡现象，尤其在网络热点区域，这可能引致拥塞问题。

针对上述问题，本文研究了移动边缘计算环境中多边缘服务器多用户场景下

的任务卸载、资源分配和资源定价问题，并结合设备对设备通信技术，深入研究

了该技术辅助下的任务卸载与资源定价问题，具体的研究内容如下：

（1）针对移动边缘计算环境中的多服务器多用户任务卸载和资源定价问题，

本文首先设计了一种考虑边缘节点实时负载状况的价格激励机制，以激励用户向

负载较轻的边缘节点卸载任务。通过全面分析通信、计算和经济成本模型，本文

提出了一种基于多智能体深度确定性策略梯度的任务卸载算法，实现了用户卸载

决策、资源分配、功率控制和任务迁移的联合优化，旨在最小化用户包括处理时

延、能耗和经济成本在内的综合成本。同时，考虑到边缘服务器定价对任务卸载

决策的影响，本文进一步探讨了如何通过合理设定服务器计算资源的价格来最大

化服务器运营商收益，并基于此提出了基于深度确定性策略梯度的资源定价算法。

通过与基准方案的比较验证，最终证明了所提算法的有效性。

（2）考虑到设备对设备通信在提升任务卸载效率和减少通信延迟方面具有潜

力，本文进一步研究了该通信模式下的任务卸载与资源定价问题。通过深入分析

系统的通信、计算及迁移和经济成本模型，并结合价格激励机制，本文针对用户

面临的综合成本优化问题，提出了一种基于改进多智能体双延迟深度确定性策略

梯度的任务卸载算法，以解决强化学习中奖励稀疏的问题并加速最优策略的收敛。

针对该场景下边缘服务器的资源定价问题，本文提出了设备对设备通信辅助下基

于深度确定性策略梯度的资源定价算法。实验结果表明，与基准算法相比，所提

算法在性能上有显著提升。

关键词：移动边缘计算，任务卸载，动态定价，资源分配，强化学习

I

ABSTRACT

ABSTRACT

Withtherapiddevelopmentofartificialintelligence,theInternetofThings,and6G

technology,thedemandfordelay-sensitiveandcomputation-intensiveapplicationshas

beengrowingincreasingly.DespitecontinuousimprovementsintheCPUperformance

ofmobiledevices,theirabilitytohandlelarge-scalecomputationaltasksisstilllimited.

Cloudcomputingalleviatestheburdenonlocalresourcesbyofferingremotecomputing

andstorageservices.However,thelatencyissuesassociatedwithdistanceposeasig-

nificantbottlenecktoperformance,especiallyindelay-sensitiveapplications.Toaddress

thischallenge,edgecomputingandthederivedmobileedgecomputingparadigmhave

beenproposedtored