原文传递
车联网中的智能协同卸载策略研究
| 论文题名： | 车联网中的智能协同卸载策略研究 |
| 关键词： | 车联网;任务卸载;强化学习;协同计算 |
| 摘要： | 通信和计算技术的不断进步，使得车辆表现出越来越明显的智能化趋势。车辆能够使用联网设备、传感器和计算存储功能，为道路安全和乘客舒适度做出贡献。然而，车辆执行相关的计算密集型应用需要大量的计算资源。目前车辆可用的计算资源不足以满足所有应用的服务质量(QualityofService,QoS)需求。此时，车辆用户可以由其他车辆和边缘服务器提供协助。为了合理利用上述计算资源，需要对任务卸载策略进行研究，将应用全部或部分卸载至协同处理节点。考虑到不同类型应用的内部依赖结构，以及对时延和能耗的不同需求，在高度动态的车联网无线环境中，对不同类型应用的任务卸载策略设计是一个重大的挑战。 由于边缘服务器与固定的接入点相连，边缘服务架构缺少灵活性，且车辆位置和服务请求的动态变化导致车辆与基站之间的相对速度较高，使链路持续时间较短。提出了一种基于双深度Q网络的多车辆智能协同卸载策略。该策略面向非依赖型应用，考虑利用邻近车辆的空闲计算资源进行多车辆协同的任务卸载架构，借助并行计算的优势，提供低时延的计算服务。具体来说，将任务卸载问题表述为一个序列决策问题，通过深度强化学习进行解决，包括了协作车辆的选择和任务划分比例的确定。仿真结果表明，所提策略能有效降低系统总时延。 由于资源受限的车辆用户难以满足大量应用在时延和能耗方面的差异化需求，且具有内部依赖结构的任务对卸载性能的影响，提出了一种基于分布式多智能体深度确定性策略梯度的任务卸载策略。该策略面向依赖型应用，研究了基于车-边协同计算架构的任务卸载问题，保证车辆用户对时延和能耗的QoS需求。具体来说，车辆用户作为智能体与本地环境进行交互，指导协同处理节点的选择和计算资源的分配。进一步，为了降低多智能体训练过程中频繁交互导致的计算复杂度和信令开销，设计了一种联邦学习辅助多智能体深度强化学习的架构来解决该问题。仿真结果表明，所提策略在平均系统卸载成本方面具有明显的性能优势。 |
| 作者： | 杜丽娟 |
| 专业： | 电子与通信工程 |
| 导师： | 崔亚平 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
