DRL-Based边缘计算模型将世界杯流量

文摘

近年来,全球视频流量迅速增加的数量是相当重要的卸载过程中交通视频传输,提高用户的体验。在本文中,我们提出一个新颖的流量卸载策略提供一个可行的和有效的参考以下2022年世界杯在卡塔尔举行。首先,我们目前的系统框架基于移动边缘计算(MEC)模式,支持将国际足联世界杯手机边缘服务器的流量。然后,深入强化学习(DRL)用于提供交通调度方法和减少应用程序的调度时间。与此同时,任务调度操作被认为是马尔科夫决策过程中,和近端策略优化方法用于DRL的深层神经网络训练。拟议中的流量卸载策略,我们所做的仿真基于两个真实的数据集,和实验结果表明,较小的调度时间,更高的带宽利用率,更好的体验的用户比两个基线。

1。介绍

移动互联网和物联网(物联网)近年来被开发出来1]尤其是智能城市建设过程中(2],已产生的数十亿互联网流量由于大幅越来越多的移动设备(如智能手机和可穿戴监视器)。例如,思科网络年度报告(以下简称规则)(3]表明,全球移动设备的总人数将增长从51亿年的2018人口(66%)到2023年的57亿(71%的人口)。此外,全球IP流量预计到2023年将达到5.3 ZB [4)和视频流量将占67.5%的全球IP流量由于新技术的引入和应用,如4 k / 8 k [5)和AR / VR (6)必要的产品在智能城市。正如我们所知,通常有三种视频传输,即。视频点播,旋转木马,直播7]。在移动互联网时代,越来越多的用户关注直播的应用。特别是在特殊的时间框架,属于该领域的国际化体育赛事的直播吸引大量的观众毫无疑问。例如,国际足联世界杯是著名的体育赛事的直播。有鉴于此,本文打算研究世界杯,给出了网络解决方案从流量的角度把为了提供支持以下2022年卡塔尔世界杯。

传统的视频交付策略通常依赖于技术的内容分发网络(CDN) (8,9]。换句话说,互联网内容提供商提供的丰富内容边缘用户基于CDN在推模式,中间和边缘服务器存储提前跳内容。然而,基于CDN的策略并不适合交通卸载世界杯和主要原因分析如下。世界杯的体积流量是如此大的和相应的特性表现出周期性,唐突和爆炸性。交通,CDN失败将它们传递到城域网(MAN)或访问网络(一个),这是非常接近的移动终端用户,因为CDN服务器非常昂贵和互联网内容提供商不可能部署许多CDN服务器或者一个人。作为一个可选择的解决方案的流量卸载世界杯,边缘计算(10)可以支持最接近边缘服务器缓存的内容来满足用户的需求。然而,在移动互联网时代,边缘计算的能力无法处理数十亿的移动设备。在正确的时间,移动计算边缘(MEC) [11- - - - - -13)被认为是相对合适的替代解决方案。

不同于集中的云计算模式,计算资源和存储资源在MEC部署边缘网络(如移动基站、无线热点,边缘路由器)在分布式的方式。在此基础上,计算任务在世界杯可以将流量转移到移动边缘服务器运行,大大降低了通信开销和网络应用程序的延迟。同时,互联网内容提供商所面临的压力以及核心网络可以有效地松了一口气。事实上,网络性能的改善MEC严格依赖于任务卸载决定(14]。此外,决策问题通常涉及一些必要的因素,如网络带宽、时序的应用程序,任务之间的依赖。因此,移动应用程序通常可以建成一个有向无环图(DAG)模型(15)实现细粒度的交通调度和启用多个任务的并行处理。然而,基于DAG任务调度属于np难问题(16),这表明这些启发式和近似流量卸载策略不能满足用户的需求(特别是实时需求)过程中观看世界杯。因此,它是非常迫切需要找到一个稳定而强大的方法来解决这样的问题。

我们最好的知识,深入强化学习(DRL) (17,18)备受关注的全球该领域的研究人员的人工智能(AI),集强化学习(RL)的优势19和深层神经网络(款)20.),可以获得最优决策通过自动学习基于多个交互的网络环境。具体而言,DRL有以下好处。(1)DRL可以学习模范自由地,最优决策策略,整个过程不需要环境的造型,反映出极大的灵活性。(2)DRL有较强的演讲能力和泛化能力支持巨大的状态空间的DAG-based交通调度问题。(3)DRL实验室是一个全球性的优化策略,获得最优解的概率。尽管有一些建议使用DRL MEC解决交通卸载问题,他们不能缓解网络压力,不能用于直接流量卸载的世界杯。使用上面的考虑,本文提出一种新颖的计划DRL-based MEC流量卸载(NDMT) 2022年世界杯的策略,并总结了主要贡献如下:(我)我们计算任务的优先级和DAG转移到一个任务序列根据计算优先级,在调度的过程中对任务序列被认为是马尔可夫决策过程(MDP)(2)款模型基于序列序列(s2)形式设计和用于适合MDP的调度策略,在DAG转化为任务的序列输入到款(3)近端政策优化(PPO)方法用于火车DRL款,获得高稳定性和可靠性

剩下的纸是组织如下。部分2评论和比较相关的工作。部分3介绍了NDMT的系统框架。部分4给出了问题描述在MEC流量卸载。部分5介绍了MDP的施工方法。交通调度策略提出了基于DRL部分6。部分7实验结果报告。部分8本文总结并给出了今后的研究方向。

2。相关工作

在本节中,我们审查的研究任务(交通)卸载MEC近三年来(2018 - 2020)两个方面,即:启发式方法和DRL-based方法。

2.1。启发式方法

有很多在MEC启发式流量卸载策略。例如,作者在21]研究了场景多个手机上传任务MEC服务器在一个细胞通过分配服务器资源有限和无线移动设备之间的通道。特别是,作者制定了移动设备上的节能优化问题的任务是可分的,利用选择最大的节能算法实现求解过程。在[22),作者调查了一个节能联合计算卸载,负载平衡,和传输功率控制问题,并进一步提出了一个启发式算法获得良好的交通卸载,同时保证多个服务器之间的负载均衡。在[23),一个分布式计算卸载和资源分配优化方案与MEC提出了异构网络,在一个优化问题提供最优计算卸载策略制定。在[24),基于软件定义网络的流量卸载策略(SDN)超密度网络设计最小化延迟而节约移动设备的电池寿命。这个优化问题转换成任务放置子问题和资源分配子问题,这可能会减少20%的节能任务持续时间为30%。在[25),MEC-enabled多单元的无线网络被认为是其中每个基站配备MEC服务器辅助移动用户通过任务卸载在执行计算密集型任务。它制定了涉及问题作为一个混合整数非线性程序,包括任务卸载决定,上行传输移动用户的力量,在MEC服务器和资源分配计算。此外,作者在26)共同决定驻留的应用程序的计算资源分配和设计一种新颖的深思熟虑的分解的基础上,基于逻辑的弯管机的技术分解,异质性的卸载任务的要求(不同的计算要求,延迟,等等)和有限MEC功能考虑。在[27),作者研究了任务执行时间和能量消耗之间的平衡的最终用户在不同的无线信道条件下软实时应用程序和相关的任务。它提出了一种遗传算法和约束突变为最优工作分区和引入了edge-proposing延期验收算法来解决基于偏好的匹配游戏。在[28),一个任务卸载算法,提出了利用边缘服务器的缓存功能。当任务相同的缓存类型的内容上传至边缘服务器,预设评价参数考虑到一些因素来计算任务的最佳加工位置。在[29日),每个基站集成与MEC服务器执行密集的计算任务,和迭代算法解决优化问题在一个移动用户MEC系统。在[30.),介绍了一个代理出售的计算任务,和小说框架agent-enabled任务卸载的无人驾驶飞行器辅助MEC提出了帮助用户获得高质量的经验(体验质量)。在[31日],作者解决协调的问题,无线设备的卸载决策,定期生成的计算密集型任务由于各种延迟敏感的应用程序。此外,他们还开发了一个基于博弈论模型,提出一个多项式复杂性算法计算一个平衡。在[32),作者认为是一个系统,大多数移动设备重复计算任务迁移到边缘服务器和共享的计算任务的要求内容。在其中,一个高效的李雅普诺夫在线算法,执行联合任务卸载和动态数据缓存策略计算任务或内容提出了减少所有移动设备的整体延迟。尽管这些流量卸载策略有很好的性能,但不能减少网络压力,不能用于直接交通卸载世界杯由于特殊的交通特性,即。周期性,唐突和爆炸性。

2.2。DRL-Based方法

也有一些在MEC DRL-based流量卸载策略。例如,在[33),被认为是多用户MEC系统,多个用户可以执行计算卸载MEC服务器通过无线通道。尤其是RL-based优化框架介绍了解决无线MEC的资源分配。在[34),一个基于deep-Q网络任务对MEC的卸载和资源分配算法,其中每个移动终端有多个任务卸载到边缘服务器。还设计了一个联合任务卸载决定和带宽分配优化整体出售成本降到最低的能源成本,计算成本和延误成本。在[35],DRL首次提出解决卸载问题多个服务节点的集群和多个依赖项大规模异构MEC移动任务。特别是,它使用长期短期记忆网络层和候选网络将提高deep-Q网络算法结合MEC的实际环境。在[36),作者认为MEC为代表的移动用户切片无线接入网络(RAN),多个基站的位置可以选择计算卸载。同时,双DQN-based战略计算卸载算法学习最优政策不知道先验知识的网络动力学提出了打破诅咒高维度的状态空间。在[37),一个智能卸载系统车辆边缘计算利用DRL构造,在通信和计算州被有限马尔可夫链模型。在[38],作者调查的问题延迟敏感的任务调度和资源管理在服务器端在多用户MEC的场景中,一个新的在线算法基于DRL设计减少平均减速和平均超时时间的任务队列。在[39),计算清楚调度策略在MEC,提出了一个基于支持向量机的多类分类器。虽然这些DRL-based对交通调度策略也显示良好的影响,他们总是有一些限制需要改进,如调度时间,带宽利用率和用户的体验质量。这激发了本文的研究。此外,本文也给出了一个特殊的应用场景,即。,the 2022 FIFA World Cup, which can provide a significant reference.

3所示。系统框架

NDMT本节介绍了系统框架,包括MEC-based流量卸载架构和DRL-based工作流MEC交通卸载。此外,缩略语常用摘要表中列出1。

3.1。MEC-Based流量卸载架构

在本文中,我们提出一个MEC-based流量卸载的架构,如图1,MEC服务器部署在网络(例如,一个)提供移动用户的方便和低延迟的计算服务。特别是,MEC为每个用户分配专门的硬件和软件资源和分离等资源通过使用虚拟化技术,这样的服务质量和有效地保证用户的隐私。与移动设备的用户,计算任务产生的移动应用程序(例如,世界杯交通)可以执行在当地的移动设备的中央处理单元(CPU)可以发送到MEC服务器直接或通过数据传输单元(系统)和(即由对应的服务实例。,远程流量卸载)。同时,流量卸载模块是用来制造调度决定移动设备的所有任务,包括两个功能,即。,执行调度命令。

应用程序通常包括多个计算任务,它们之间的依赖,可以帮助实现细粒度的交通调度和启用多个任务的并行处理。在这篇文章中,我们模型的移动与世界杯相关的应用程序流量DAG,用 ,在哪里组任务和吗是一组链接建设的任务。在这里,用任意的任务 ;用任意链接 。特别是, , 前体的任务吗而接班人的任务吗 ;也就是说,表演的依赖于 。在DAG任务没有任何前兆称为条目的任务,而任务没有任何继任者叫做退出任务。此外,它允许应用程序有多个条目任务和多个出口任务的并行处理。为 ,它有三个属性,即。,the input volume of traffic, the number of CPU cycles, and the output volume of traffic, denoted by , ,和分别对应的值可以通过程序分析器,就像在(40),这反映出所需的传输成本和计算成本。

如图1执行的任务有两个方面,即:,的floading performing and local performing. If将远程边缘服务器来执行,整个过程包括三个阶段,即。、任务发送、边执行,返回结果。在第一阶段,体积流量传输到远程边缘服务器。让表示上行数据的传输速度,所需的传输时间的定义如下:

然后,在执行阶段,CPU周期执行在MEC服务器对应的服务器实例。让表示虚拟服务器实例的时钟频率 ,和所需的执行时间的定义如下:

类似于第一阶段,结果返回的返回时间阶段定义如下: 在哪里是下行的传输速度。

此外,让表示时间总成本的执行通过流量卸载方式,它包括三个部分的时间成本,也就是说,

如果执行在当地的移动设备,它是不必要的上传和下载的数据对应;这也就是说,时间总成本仅取决于当地的计算开销对CPU资源的消耗。让表示时间总成本的执行在当地的移动设备,我们有 在哪里是本地CPU的时钟频率。

3.2。DRL-Based工作流MEC交通卸载

在本节中,我们描述了DRL-based工作流MEC交通卸载,如图2。整个流程包括四个主要模块,即。,MECproblem description, MDP construction, DNN-based strategy fitting, and PPO-based reinforcement training. Among them, the first module is to present the involved problem on traffic offloading, including the local scheduling and the offloading scheduling. The second module is to transfer the scheduling process with the tasks sequence as the MDP, where the priority of task is computed and regarded as the transferred attribute. In the third module, the S2S-based DNN model is used to fit the scheduling strategy. In the last module, the PPO-based DRL method is adopted to train the DNN because the PPO has the good stability and reliability.

此外,在整个工作流的过程,所有的处理单元(包括CPU、导航系统、虚拟CPU和虚拟系统)只执行并发送一个任务,这表明多个任务抢占现象是不允许的。此外,DAG-based任务调度在MEC满足以下两个功能。(1)鉴于边缘网络的带宽限制,移动设备和边缘服务器之间的传输速率(上行或下行)保持定值。(2)整个调度可以完成,直到计算结果返回给移动设备。

4所示。问题描述

首先,我们定义四个时间戳对完成的时间,即。,task sending, edge performing, result returning, and local performing, denoted by , , ,和 ,分别。如果在当地的执行设备,我们有什么 ;否则, 。特别是,前计划,要求所有前体的任务吗必须提前执行。

考虑的条件执行在当地的移动设备,让是准备好了关于调度的时间戳 ,我们有 这表明是最早的时间戳等方面情况前体所有任务完成,先驱任务的设置对吗 ,和是一个前兆的任务吗 。特别是,它可能需要为每个任务在执行CPU之前排队;因此,开始时间戳可以不等于准备时间戳。让关于调度表示开始时间戳 ,我们有 ,令人满意的

考虑的条件将远程边缘服务器来执行,让关于发送表示准备的时间戳 ,我们有 所有前体的任务吗执行在当地的移动设备或远程服务器。同样,让表示起始时的时间戳发送,我们有什么 和 。

然后,让关于执行表示准备的时间戳通过服务实例,我们有

其中,的输入流量取决于事实完成;即。,the transmission of完成为止。同样,开始执行的时间戳在虚拟CPU依靠相应的排队情况,和我们 和 ,在哪里开始时间戳的时候吗通过服务实例执行。

最后,当表演完成后,进入就绪状态的返回结果。让表示准备时间戳对返回的计算结果 ,我们有 。此外,让表示开始时间戳的计算结果返回,我们有什么 和 。

让表示所需的时间来执行应用程序(即。,all involved tasks have completed the results returning), and we have 在哪里组合的退出任务集在吗 。本文认为延迟敏感的世界杯交通;因此,主要目的是最大限度地体验质量同时最小化基于不同的调度策略。特别是,在调度的过程中,每个任务的执行方式和调度顺序应该确定。此外,我们强调任务的调度顺序在当地的移动设备和服务实例保持一致。

5。MDP建设

5.1。优先级计算

所有流量调度策略,计算每个任务的优先级是必不可少的操作。此外,基于计算的优先级,安排订单可以确定41]。对于任意的十克,其计算成本的时间可以通过(4)fd4和表达的 。基于 ,的优先级定义如下: 在哪里的优先级和后续任务的设置对吗 。很明显,(11)fd11给出了递归形式。如果是退出任务,我们有吗

然后,DAG深度优先遍历,从退出任务,和所有任务的优先级可以获得的(11)和(12)fd12。这些任务按照相应的优先级排列在降序排列,和调度的任务序列可以定义如下: 在哪里是任务的数量在DAG(或节点)。特别是,特殊的拓扑排序的结果吗 ,和最初的依赖任务可以保证按照顺序安排 。

5.2。施工方法

所有分类任务的顺序调度决策过程可以建模为一个MDP,用吗 ,在哪里 , , , , ,和状态空间、行为空间,状态转换矩阵,初始状态的概率分布,奖励功能,分别和折扣因素。

让表示的预定数量的任务 ,和当前状态空间可以表示如下: 在哪里用于描述(即调度条件。状态空间)在第一任务和用于记录任务的执行方式: 意味着 - - - - - -th任务执行卸载的方式;否则,它是在当地的移动设备来执行的。

此外,让表示计划序列对第一任务 ,我们可以构建一个预定的子图 ,用 ;在这里 , , 和 。在这种情况下,为了减少调度时间,当前任务,我们给一个奖励函数定义如下: 指的时差吗之前和之后执行的 。

此外,交通卸载决策模块图1可以被定义为一个条件概率函数,用吗 。从初始状态 ,在流量卸载决策模块完成一个动作,系统进入一个新的状态,进一步得到了相应的奖励的基础上(15)fd15到最后的任务就完成了。根据上面的语句,整个任务调度过程基于MDP描述如下: 在哪里是终止状态意味着所有任务已经完成。然后,累积奖励折扣因素考虑定义如下: 这表明折扣因素的累积奖励的最大化考虑符合总调度时间的最小化。

6。DRL-Based交通调度策略

事实上,涉及的DAG有多样性的特点和状态空间是无限大;因此,它是不可能提前获得相应的状态转换矩阵。有鉴于此,本文运用DRL寻找交通调度最优调度策略决定模块。

6.1。DNN-Based战略拟合

我们采用适合款 ,在哪里是款相关参数的设置。正如我们所知,是款的输入这是相关的但不能直接输入到款由于数据的限制功能;因此,DAG转化成的任务序列(就像 )输入到款。对于这样的序列,它由以下三个向量:包括(1)时间向量 , , ,和 ,(2)前体向量包括所有前兆指标,和(3)的继任者向量包括所有继任者索引。其中,前体/继任者向量的大小设置为一个固定值,用 。如果前体的数量/小等于接班人的任务 ,相应的位置是由−1;否则,直接忽略额外的部分。

款的输出的概率分布可执行的行动基于当前任务状态。事实上,对于当前的任务,其调度策略决策行动( )直接影响下一个任务的状态( );因此,本文利用S2S-based款结构模型,包括编码器和译码器,如图3。特别是,编码器和译码器都实现了递归神经网络(RNN)。与此同时,编码器接收这样的输入序列,最后输出隐层(s) DAG的特点。译码器初始化自己的隐层(s)通过使用编码器的输出结果。此外,译码器按顺序输入调度操作( )然后输出相应的 。上述过程可以仍然执行,直到就完成了。

6.2。PPO-Based强化训练

为了获得最优交通调度决策,DRL的培训目标可以定义如下: 这表明整个交通调度决策取决于所有调度决策的任务。在本文中,我们使用PPO (42火车这种交通调度决策,可以加速有效收敛,同时保证的可伸缩性和可靠性。

自从DAG调度的功能多样性和相关状态空间是无限大,搜索所有无进取心的人是不可能的。这样的考虑,我们不断收集计划启动后相关战略部署构建训练集DAG。然后,基于训练集,我们也可以训练交通调度策略。此外,为了获得更好的对收敛性的影响,我们缩减每个调度决策过程中获得奖励的培训;也就是说,总是保持在 。

7所示。绩效评估

7.1。设置

拟议中的NDMT由c++编程,实现和相关仿真参数设置表2。其中,网络规模是动态变化的 来 根据图的模式4因为它符合网络的部署特性将世界杯交通,步长为10。特别是对于每个规模,有2500个熟练的技艺用于培训DRL和有300个熟练的技艺被用于测试DRL;换句话说,有5∗∗2500 = 12500 300 = 1500熟练的技艺被用于训练和测试DRL,分别。TensorFlow [43DRL)是用于实现,256年编码器和译码器都有隐藏的神经元。此外,层标准化的方法(44)用于提高培训效率。

此外,研究从[35,36),分别作为两个基线,因为它们是最新的研究代表在MEC DRL-based流量卸载。其中,(35]陆等人提出的,36陈等人提出的),本文略ByLu ByCh,分别。在实验方面,首先分析了流量卸载DRL收敛。然后,三个指标,即。,scheduling time, bandwidth utilization, and QoE are used to measure the proposed NDMT’s performance.

7.2。收敛性分析

这部分验证DRL的融合基于12500熟练的技艺,在平均累积奖励被认为是评价指标。对于每一个培训,我们记录相应的培训结果。当完成一个周期内的培训,我们输入300测试熟练的技艺S2S-based款及相关流量卸载策略。然后,获得流量卸载策略是模拟和平均累积奖励可以计算。平均累积奖励和训练之间的关系如图5。我们可以观察到整个培训过程包括三个阶段,即:,rapid increasing stage, stable increasing stage, and stationary stage, and the stationary stage is reached with the need of 190 training periods. It indicates that the proposed NDMT can converge to the optimal state space and further obtain the optimal traffic scheduling decision.

7.3。安排时间

调度时间被定义为时间点之间的时间差异,当第一个任务发送,当最后的计算结果的任务是通过当地的移动设备。NDMT平均调度时间,ByLu, ByCh如图6。

我们可以观察到NDMT总是最小的平均调度时间,其次是ByLu ByCh,主要有两个原因。一方面,MDP NDMT考虑调度的过程,从而提高处理速度为每个任务S2S-DNN结构模型。另一方面,NDMT层采用归一化法,提高培训效率,从而进一步节省培训时间,争取调度时间尽可能小。两个基线,ByCh不考虑先验知识的网络动态学习最优政策和状态空间是高维度;因此,它比ByLu较大的平均调度时间。此外,我们还可以观察到平均调度时间变得越来越大,网络规模的增加,结果从两个方面。一方面,它需要更多的时间来训练熟练的技艺;另一方面,它需要太多的时间来计算多个任务。

7.4。带宽利用率

带宽利用率的比率被定义为使用带宽和网络带宽。的平均带宽利用率NDMT、ByLu ByCh图所示7。

我们可以观察到NDMT总是平均带宽利用率最高,其次是ByLu ByCh, NDMT的被认为是一个重要的好处。关于这一点,没有具体的原因。此外,我们还可以观察到的平均带宽利用率基本保持不变,即不同的网络规模,拥有强大的稳定;这是因为NDMT总能收敛到最优解(见图5)。它表明该NDMT具有巨大的参考价值以下2022年世界杯。然而,ByLu的平均带宽利用率和ByCh与网络规模的增加变得越来越低,因为nondeterminate相应的收敛。

7.5。用户体验质量

我们使用观看流畅性来衡量用户体验质量,和观看流畅性被定义为网络滞后的数量每10分钟。网络的平均数字NDMT滞后,ByLu ByCh如图8。

我们可以观察到NDMT网络滞后总是最小的平均数量,其次是ByCh ByLu,这进一步表明,用户在NDMT最好的观看体验,因为NDMT最高带宽利用率和最小响应时间。ByLu和ByCh,后者部署大量的基站将交通,因此所需的响应时间比前者相对较小;因此,ByCh比ByLu更好的用户体验质量。此外,我们还可以观察到NDMT最稳定的用户体验质量,但这两个基线没有,和类似的原因可以在上面的部分中找到。此外,实验结果还表明,用户可以享受最好的体验看下面的2022年世界杯时的个人移动设备MEC的环境下。

8。结论

在本文中,我们研究基于DRL MEC流量卸载策略。首先,我们引入该系统框架,包括MEC-based流量卸载架构和DRL-based工作流MEC交通卸载。然后,我们把问题描述,即,minimizing the total performing time for one application program. For the concrete scheduling strategy, it includes three parts. At the first part, we compute the priorities of tasks and transfer DAG into a sequence of tasks according to the computed priorities, and the scheduling process with respect to the tasks sequence is regarded as the MDP. At the second part, one S2S-based DNN model is used to fit the scheduling strategy. At the third part, the PPO method is employed to train the DNN. We do the simulation experiments based on the TensorFlow including the convergence analysis and the performance comparison. Meanwhile, the scheduling time, bandwidth utilization, and QoE of user are considered three performance evaluation metrics, and we observe that the proposed NDMT outperforms two baselines. Based on the nice experiment results, we think that the proposed NDMT can be regarded as a feasible and efficient reference for the following 2022 FIFA World Cup held in Qatar. In the future, we plan to improve NDMT from the following two aspects. At first, more datasets are collected and used to train the DNN; then, NDMT is deployed at a real network environment to further verify its performance.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. z燕,张平,A . v . Vasilakos et al .,“在信任管理物联网的一项调查显示,“网络和计算机应用》杂志上,42卷,不。3、120 - 134年,2014页。视图:出版商的网站|谷歌学术搜索
2. l . Quijano-Sanchez Cantador, m . e . Cortes-Cediel et al .,“智能城市,推荐系统”信息系统卷。92年,22页,2020页。视图:出版商的网站|谷歌学术搜索
3. 思科网络年度报告(2018 - 2023)白皮书,http://www.cisco.com/c/en/us/solutions。
4. f·帕切科、大肠Exposito和m . Gineste”框架对异构网络流量进行分类与机器学习和深度学习卫星通信的技术,”计算机网络卷。173年,21,2020页。视图:出版商的网站|谷歌学术搜索
5. y小池百合子和a .井上”高速渐变型塑料光纤及其简单互联为4 k、8 k视频传输,”光波技术杂志》,34卷,不。6,1551 - 1555年,2016页。视图:出版商的网站|谷歌学术搜索
6. s . Sukhmani m . Sadeghi m . Erol-Kantarci, a . El Saddik“边缘缓存和计算5 g的移动互联网AR / VR和触觉,”IEEE多媒体,26卷,不。1、21 - 30,2019页。视图:出版商的网站|谷歌学术搜索
7. y刘,刘,y . Wang和h .赵”视频编码和处理:一项调查,”Neurocomputing卷,408年,第344 - 331页,2020年。视图:出版商的网站|谷歌学术搜索
8. 崔,m . r . Asghar g·罗素,“Multi-CDN:对内容分发网络隐私,”IEEE可靠和安全的计算,17卷,不。5,984 - 999年,2020页。视图:出版商的网站|谷歌学术搜索
9. n . Anjum d Karamshuk、m . Shikh-Bahaei和n Sastry“peer-assisted内容分发网络,调查”计算机网络卷,116年,第95 - 79页,2017年。视图:出版商的网站|谷歌学术搜索
10. h, s . Zeadally z . Chen等人“调查计算卸载建模边计算,”网络和计算机应用》杂志上卷。169年,1-13,2020页。视图:出版商的网站|谷歌学术搜索
11. A . Shakarami m . Ghobaei-Arani, A . Shahidinejad”一项调查在移动边缘计算计算卸载方法:基于机器学习的角度来看,“计算机网络卷,182年,页1 - 15,2020。视图:出版商的网站|谷歌学术搜索
12. n .阿巴斯y, a Taherkordi, t . Skeie“移动边缘计算:一项调查,”IEEE物联网,5卷,不。1,第465 - 450页,2018。视图:出版商的网站|谷歌学术搜索
13. 毛y,你,j . Zhang k .黄和k . b . Letaief”移动边缘计算:一项调查沟通的角度来看,“IEEE通信调查和教程,19卷,不。4、2322 - 2358年,2017页。视图:出版商的网站|谷歌学术搜索
14. m .的可能性、t . Elshabrawy和m . Ashour”资源管理中使用机器学习移动边缘计算:一项调查,”《2019年国际会议上智能计算和信息系统117年,页112 -开罗,埃及,2019年12月。视图:出版商的网站|谷歌学术搜索
15. g . Madraki r·p·贾德,“重新计算最长路径的长度在摄动有向无环图,“IFAC-PapersOnLine,52卷,不。13日,1560 - 1565年,2019页。视图:出版商的网站|谷歌学术搜索
16. j·d·Ullman“非完全多项式调度问题。”计算机与系统科学杂志》上,10卷,不。3、384 - 393年,1975页。视图:出版商的网站|谷歌学术搜索
17. n . c .陈德良d·t·黄平君s锣et al .,“深度强化学习通信和网络的应用:一项调查,“IEEE通信调查和教程,21卷,不。4、3133 - 3174年,2019页。视图:出版商的网站|谷歌学术搜索
18. 程,l . Ma陆h . et al .,“进化计算求解基于搜索的数据分析问题,“人工智能审查2020年出版社。视图:出版商的网站|谷歌学术搜索
19. m . m .办法“强化学习与进化计算:一项调查在混合算法,”群与进化计算,44卷,第246 - 228页,2019年。视图:出版商的网站|谷歌学术搜索
20. z,锅,f . Chen g .长,c,和p . s . Yu”图神经网络综合调查,“IEEE神经网络和学习系统2020年出版社。视图:出版商的网站|谷歌学术搜索
21. f (s . Chen和w .邹,“贪婪算法任务卸载在移动计算系统边缘,”中国通信,15卷,不。11日,第157 - 149页,2018年。视图:出版商的网站|谷歌学术搜索
22. 李,d .翟,p . Du et al .,“节能任务卸载、负载均衡和资源分配在移动计算使物联网网络边缘,”中国科学信息科学卷,62年,页1 - 3,2019。视图:出版商的网站|谷歌学术搜索
23. j . Zhang w .夏、f .燕和l .沈”联合计算卸载和资源分配优化异构网络移动边计算,”IEEE访问》第六卷,第19337 - 19324页,2018年。视图:出版商的网站|谷歌学术搜索
24. m·陈和y,”任务卸载移动计算超密度在软件定义网络边缘,”IEEE在选定地区通讯》杂志上,36卷,不。3、587 - 597年,2018页。视图:出版商的网站|谷歌学术搜索
25. t . x Tran和d . Pompili联合任务卸载和多服务器mobile-edge计算资源分配网络,”IEEE车辆技术,卷68,不。1,第868 - 856页,2019。视图:出版商的网站|谷歌学术搜索
26. h·a·Alameddine s Sharafeddine s Sebbah s Ayoubi和c . Assi”动态任务卸载和调度的低延迟计算在多路存取的物联网服务优势,”IEEE在选定地区通讯》杂志上,37卷,不。3、668 - 682年,2019页。视图:出版商的网站|谷歌学术搜索
27. x张和Debroy,“自适应任务卸载在无线移动边缘计算”诉讼的ACM和IEEE研讨会上边缘计算华盛顿特区,页323 - 325,美国2019年。视图:出版商的网站|谷歌学术搜索
28. 方和w·曾“卸载策略计算任务基于边缘缓存机制,”程序计算和人工智能国际会议134年,页129 -开罗,埃及,2020年4月。视图:出版商的网站|谷歌学术搜索
29. 问:李g . Wang, x,“计算任务卸载最小化能耗与移动计算边缘,”课堂讲稿电气工程卷,571年,第2123 - 2117页,2020年。视图:出版商的网站|谷歌学术搜索
30. 曹y . r . Wang, a·努尔·t·a . Alamoudi和r·努尔”Agent-enabled任务卸载UAV-aided移动边计算,”计算机通信卷,149年,第331 - 324页,2020年。视图:出版商的网站|谷歌学术搜索
31. 美国Josilo和g·丹”,计算卸载的周期性任务调度移动边计算,”IEEE / ACM交易网络,28卷,不。2、667 - 680年,2020页。视图:出版商的网站|谷歌学术搜索
32. n, s .郭y董et al .,“联合任务卸载和数据缓存移动边缘计算网络,”计算机网络卷,182年,页1 - 10,2020。视图:出版商的网站|谷歌学术搜索
33. h . j . Li高,t . Lv et al .,“深基于强化学习任务卸载移动优势和资源分配计算,”机器学习的国际会议和智能通信,页33-42,杭州,中国,2018年7月。视图:谷歌学术搜索
34. l .黄x, c . Zhang l .钱和吴y,“深基于强化学习联合任务卸载和带宽分配多用户移动边计算,”数字通信和网络,5卷,不。1 - 17,2019页。视图:出版商的网站|谷歌学术搜索
35. h, c .顾f·罗,w·丁和刘x”的轻量级任务卸载策略优化移动边缘计算基于强化学习,”未来一代计算机系统卷,102年,第861 - 847页,2020年。视图:出版商的网站|谷歌学术搜索
36. 吴x, h, c, s .毛y,和m·班尼斯”优化计算卸载性能在虚拟边计算系统通过强化学习,”IEEE物联网》第六卷,没有。3、4005 - 4018年,2019页。视图:出版商的网站|谷歌学术搜索
37. z Ning, p .董,x,“深强化学习车辆边缘计算:一个智能卸载系统,”ACM智能交易系统和技术,10卷,不。6 - 24,2019页。视图:谷歌学术搜索
38. h·孟d .曹国伟r·霍et al .,“深基于强化学习对延迟敏感任务调度和资源管理算法对于多用户mobile-edge计算系统,”《数学和人工智能国际会议Chegndu中国,页66 - 70年,2019年4月。视图:谷歌学术搜索
39. 林x k . Wang, w . et al .,“意识到调度在移动计算系统,计算”无线网络25卷,1卷,2019页。视图:谷歌学术搜索
40. x律,h, c . Sengul和张平,“多用户联合任务卸载和资源优化的云,“IEEE车辆技术,卷66,不。4、3435 - 3447年,2017页。视图:出版商的网站|谷歌学术搜索
41. h . Topcuoglu s哈里里,m . Min-You吴”Performance-effective低的任务调度和异构计算,”IEEE并行和分布式系统,13卷,不。3、260 - 274年,2002页。视图:出版商的网站|谷歌学术搜索
42. l . Ma、s . Cheng和y史,“提高学习效率的头脑风暴学习通过正交优化设计,“IEEE系统,人,和控制论:系统,2020年,p . 1。视图:出版商的网站|谷歌学术搜索
43. TensorFlow,https://tensorflow.google.cn。
44. j .英航j . r . Kiros, g·e·辛顿层正常化美国纽约伊萨卡康奈尔大学,2016。

版权

版权©2020(李和新锐切。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。