基于机器学习的MEC随机任务迁移算法

doi:10.13190/j.jbupt.2018-078

北京邮电大学学报 ›› 2019, Vol. 42 ›› Issue (2): 25-30.doi: 10.13190/j.jbupt.2018-078

基于机器学习的MEC随机任务迁移算法

孟浩¹, 霍如¹, 郭倩影¹, 黄韬^1,2, 刘韵洁^1,2

1. 北京工业大学北京未来网络科技高精尖创新中心, 北京 100124;
2. 北京邮电大学网络与交换技术国家重点实验室, 北京 100876

收稿日期:2018-04-30 出版日期:2019-04-28 发布日期:2019-04-09
通讯作者: 霍如(1988-),女,讲师,E-mail:huoru@bjut.edu.cn. E-mail:huoru@bjut.edu.cn
作者简介:孟浩(1991-),男,硕士生.
基金资助:
北京市科技新星计划项目（Z151100000315078）；国家科技重大专项项目（2018ZX03001019-003）；国家高技术研究发展计划（863计划）项目（2015AA015702）

Machine Learning-Based Stochastic Task Offloading Algorithm in Mobile-Edge Computing

MENG Hao¹, HUO Ru¹, GUO Qian-ying¹, HUANG Tao^1,2, LIU Yun-jie^1,2

1. Beijing Advanced Innovation Center for Future Internet Technology, Beijing University of Technology, Beijing 100124, China;
2. State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China

Received:2018-04-30 Online:2019-04-28 Published:2019-04-09

摘要/Abstract

摘要： 针对移动边缘计算（MEC），提出了一种基于机器学习的随机任务迁移算法，通过将任务划分为可迁移组件和不可迁移组件，结合改进的Q学习和深度学习算法生成随机任务最优迁移策略，以最小化移动设备能耗与时延的加权和.仿真结果表明，该算法的时延与能耗加权和与移动设备本地执行算法相比节约了38.1%.

关键词: 移动边缘计算, 随机任务迁移, 机器学习, 时延, 移动设备能耗

Abstract: For mobile-edge computing (MEC), a machine learning-based stochastic task offloading algorithm was proposed. By dividing the task into offloadable components and unoffloadable components, the improved Q learning and deep learning algorithm were used to generate the optimal offloading strategy of stochastic task, which minimized the weighted sum of energy consumption and time delay of the mobile devices. The simulation results show that the proposed algorithm saves the weighted sum of energy consumption and time delay by 38.1%, compared to the local execution algorithm.

Key words: mobile-edge computing, stochastic task offloading, machine learning, delay, mobile device's energy consumption

中图分类号:

TN929.53

孟浩, 霍如, 郭倩影, 黄韬, 刘韵洁. 基于机器学习的MEC随机任务迁移算法[J]. 北京邮电大学学报, 2019, 42(2): 25-30.

MENG Hao, HUO Ru, GUO Qian-ying, HUANG Tao, LIU Yun-jie. Machine Learning-Based Stochastic Task Offloading Algorithm in Mobile-Edge Computing[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2019, 42(2): 25-30.

[1]	常霄, 黄智濒, 禹旻, 杨武兵. 一种适用于航天大数据的深度决策树算法[J]. 北京邮电大学学报, 2023, 46(3): 1-6.
[2]	魏明亮耿绥燕赵雄文胡玮范静怡. 超密集网络中移动边缘计算的资源分配和任务卸载联合优化研究[J]. 北京邮电大学学报, 2023, 46(2): 50-56.
[3]	付志远施丽琴叶迎晖卢光跃. 反向散射辅助的无线供能NOMA-MEC网络中公平性优化研究[J]. 北京邮电大学学报, 2023, 46(2): 71-77.
[4]	韩书君吕素玉许晓东陶小峰韩伯骁. 智能反射面辅助的短包通信系统：时延与安全性能分析[J]. 北京邮电大学学报, 2022, 45(6): 70-77.
[5]	李松王新荣王博文孙彦景陈瑞瑞. 基于随机网络演算的车联网边缘计算性能分析[J]. 北京邮电大学学报, 2022, 45(5): 16-22.
[6]	欧阳莫微, 康桂霞, 王开亮, 王亚明. 一种放射组学分析的海马硬化自动诊断方法[J]. 北京邮电大学学报, 2022, 45(4): 51-57.
[7]	郅佳琳, 王楠, 满毅, 滕颖蕾. 面向硬件感知的边缘计算卸载和资源分配[J]. 北京邮电大学学报, 2022, 45(2): 22-28.
[8]	杜梅, 周军华, 李敦桥, 陈士钊, 魏翼飞. MEC计算卸载与资源分配联合智能优化方案[J]. 北京邮电大学学报, 2022, 45(2): 65-71.
[9]	张雨晴, 李云, 黄鸿锐, 庄宏成. 异构网络中任务卸载与资源分配联合优化算法[J]. 北京邮电大学学报, 2022, 45(2): 91-97.
[10]	郑远鹏, 张天魁, 朱光宇, 沈鸿. MEC系统中面向网络切片的3C联合资源分配算法[J]. 北京邮电大学学报, 2021, 44(5): 41-47.
[11]	牟晓惠, 李丽香. Dropout回声状态网络的网络流量预测[J]. 北京邮电大学学报, 2021, 44(5): 10-13,20.
[12]	汤永利, 李星宇, 赵宗渠, 李运峰. 面向Android支付破解应用的检测方法[J]. 北京邮电大学学报, 2021, 44(4): 95-101.
[13]	高月红, 杨昊天, 陈露, 杨鸿文, 尹宁. 基于模糊逻辑的eMBB/URLLC复用机制选择算法[J]. 北京邮电大学学报, 2021, 44(3): 15-20,34.
[14]	彭雨荷, 陈翔, 陈双武, 杨坚. 基于迁移学习的跨域异常流量检测[J]. 北京邮电大学学报, 2021, 44(2): 33-39.
[15]	任首首, 刘冰洋, 王闯, 孟锐, 刘轩. 基于网络演算理论的Damper调度机制[J]. 北京邮电大学学报, 2021, 44(2): 26-32.

基于机器学习的MEC随机任务迁移算法

Machine Learning-Based Stochastic Task Offloading Algorithm in Mobile-Edge Computing

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价