MEC环境中面向5G网络切片的计算卸载方法

作     者：张俊杰 王鹏飞 陈哲毅 于正欣 苗旺 ZHANG Junjie;WANG Pengfei;CHEN Zheyi;YU Zhengxin;MIAO Wang

作者机构：福州大学计算机与大数据学院福州350116 大数据智能教育部工程研究中心福州350002 福建省网络计算与智能信息处理重点实验室(福州大学)福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW 普利茅斯大学工程、计算机与数学学院英国普利茅斯PL48AA 

基　　金：国家自然科学基金项目(62202103)资助 中央引导地方科技发展资金项目(2022L3004)资助 福建省财政厅科研专项项目(83021094)资助 福建省科技经济融合服务平台项目(2023XRH001)资助 福厦泉国家自主创新示范区协同创新平台项目(2022FX5)资助 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2024年第45卷第9期

页      码：2285-2293页

摘      要：5G网络切片与计算卸载技术的出现,有望支持移动边缘计算(Mobile Edge Computing,MEC)系统在降低服务延迟的同时提高资源利用率,进而更好地满足不同用户的需求.然而,由于MEC系统状态的动态性与用户需求的多变性,如何有效结合网络切片与计算卸载技术仍面临着巨大的挑战.现有解决方案通常依赖于静态网络资源划分或系统先验知识,无法适应动态多变的MEC环境,造成了过度的服务延时与不合理的资源供给.为解决上述重要挑战,本文提出了一种MEC环境中面向5G网络切片的计算卸载(Computation Offloading towards Network Slicing,CONS)方法.首先,基于对历史用户请求的分析,设计了一种门控循环神经网络对未来时隙的用户请求数量进行精确预测,结合用户资源需求对网络切片进行动态调整.接着,基于网络切片资源划分的结果,设计了一种双延迟深度强化学习对计算卸载与资源分配进行决策,通过解决Q值过高估计和高方差问题,进而有效逼近动态MEC环境下的最优策略.基于真实用户通信流量数据集,大量仿真实验验证了所提的CONS方法的可行性和有效性.与其他5种基准方法相比,CONS方法能够有效地提高服务提供商的收益,且在不同场景下均展现出了更加优越的性能.

主 题 词：移动边缘计算 网络切片 计算卸载 资源分配 深度强化学习 

学科分类：08[工学] 081201[081201] 0812[工学-测绘类] 

D　O　I：10.20009/j.cnki.21-1106/TP.2023-0223

馆 藏 号：203122711...