边缘计算环境下面向能耗及效益优化的任务卸载技术研究.pdfVIP

摘要

移动边缘计算（MobileEdgeComputing，MEC）模式的出现使得移动设备

（MobileDevice，MD）可以通过无线网络将计算密集型与延时敏感型的任务

卸载至演进型基站（evolvedNodeB，eNB）上执行，从而有效降低MD的能耗

与任务的延时，进而提升移动服务质量。然而，不合理的任务卸载仍会导致

MD的高能耗与任务的高延时。因此，如何制定合理的任务卸载策略以优化能

耗与延时问题，成为了MEC环境下的重要研究内容。

此外，由于MEC环境中的每个eNB只被部署了小规模的物理服务器，所

以在面对大量任务服务请求时，eNB可能出现计算资源不足的情形。边缘云计

算（Edge-CloudComputing，ECC）架构的出现使得eNB可以将任务卸载至远

程云端（RemoteCloud，RC）上执行，从而解决自身计算能力不足的问题。然

而，在eNB与RC的任务卸载过程中，存在由多种类型网络攻击所造成的数据

安全问题和由大量RC计算服务开销所造成的任务完成效益问题。因此，如何

有效部署安全服务以满足任务的安全需求，并设计合理的任务卸载策略以最大

化任务的完成效益，是ECC环境下的一个重要问题。

基于以上分析，本文针对多eNB场景的MEC环境下的能耗与延时问题和

ECC环境下的数据安全与效益问题，分别研究了面向时间约束的能耗感知任务

卸载算法和面向安全约束的效益最大化任务卸载算法。本文主要贡献如下：

1.针对多eNB场景的MEC环境下的能耗与延时问题，提出了一种基于深

度强化学习（DeepReinforcementLearning，DRL）的任务卸载算法DRL-E2D

（Energy-AwareTaskOffloadingwithDeadline），该算法能够在满足任务截止时

间的限制条件下，实现MD能耗的最小化。DRL-E2D算法在Actor-Critic框架

的基础结合了K最近邻（K-nearestNeighborhood，K-NN）算法，首先Actor

网络根据当前MEC状态输出连续型任务卸载策略，然后K-NN算法从连续型

的卸载策略中提取出离散型的策略集合，最后Critic网络对集合中的策略进行

价值评估，并将价值最高的策略作为最优任务卸载方案。大量的仿真实验结果

证明了DRL-E2D算法的可行性与有效性。

2.针对ECC环境下的数据安全与效益问题，首先设计了安全服务机制以应

对不同类型的网络攻击，并构建了新的安全开销模型以定量分析异构任务的安

全服务开销。然后在安全服务机制和安全开销模型的基础上，提出了面向安全

约束的效益最大化任务卸载算法PM（ProfitMaximization），该算法能够在满足

任务安全需求的限制条件下，实现任务完成效益的最大化。PM算法基于遗传

算法（GeneticAlgorithm，GA），在编码策略中考虑了异构任务的执行位置和执

行顺序。最后仿真实验结果证明了PM算法的可行性与有效性。

关键词：移动边缘计算，边缘云计算，任务卸载，深度强化学习，Actor-Critic

框架，K最近邻算法，遗传算法

ABSTRACT

TheemergenceofMobileEdgeComputing(MEC)allowsMobileDevice(MD)

tooffloadcomputationally-intensiveandlatency-sensitivetaskstoevolvedNodeB

(eNB)forexecutionthroughwirelessnetworksdirectly,whichreducestheenergy

consumptionandtasklatencyofMDandgainsthehigh-qualitymobileservices.

However,unreasonabletaskoffloadingstrategywillalsocausehighenergy

consumption