基于强化学习的移动边缘视频监控系统设计与优化.pdfVIP

浙江大学硕士学位论文摘要

经网络的多层网络（DQNandLayersbasedonBackPropagationNeuralNetwork，DQN+NN）

算法。仿真结果表明，提出的两种RL方法都提高了决策性能，DQN+NN算法无论是收敛

速度还是整体收益值表现上都要好于其他策略。

最后，为了支持视频、图像等识别任务的数据传输，搭建了面向视频监控的ORAN平

台。使用OpenAirInterface（OAI）搭建核心网（EvolvedPacketCore，EPC）和4G基站

（evolvedNodeB，eNB），并使用USRPB210对信号进行收发。接着对ORAN平台各部分

进行编译测试，验证了平台的连通性，并进行了数据传输速率测试。此外，通过树莓

派4B和USB摄像头连接搭建的ORAN平台实现了对视频的捕捉。通过OpenCV编程实现树

莓派实时回传监控视频，并能够展示在远程服务器终端上。

关键词：视频监控系统，MEC，RL，计算卸载，资源分配，ORAN

IV

Abstract

VideosurveillancesystemisanimportantapplicationoftheInternetofThings(IoT).The

hugeamountofIoTdataitgeneratesandtheusers’QualityofService(QoS)requirementsforlow

latencyandintelligentsystembringgreatchallengestothewholesystem.Inrecentyears,‘Edge

+AI’hasbecomeanoptiontointelligentlyaddressmassivedataprocessingandiswidelyused.

Itcandeploythecomputationabilityofthecloudtotheedgeofthevideosurveillancesystem,

whichcanwellsupportcomputation-intensiveandlatency-criticaltasks.Ontheotherhand,many

ArtificialIntelligence(AI)algorithmsarebeginningtobeappliedforimagerecognition,image

compression,computationoffloading,resourceallocation,andotherareas,usingdeepneuralnet-

workstomakeintelligentdecisionsfortasks.Inthisthesis,takingfacerecognitionapplicationas

anexample,wefirststudyhowtobuildvideosurveillancesystemsbasedonMobileEdgeComput-

ing(MEC),thendesignandoptimizethetaskcomputationoffloadingandcommunicationresource

allocationbasedontheReinforcementLearning(RL)algorithms.Then,westudyhowtobuildan

OpenRadioAccessNetwork(ORAN)videosurveillanceplatformthatsupportsvideocaptureand

datatransmission.

First,westudythedesignandoptimizationofjointdecisionalgorithmsforrecognitiontask

computationoffloadingandimagecomp