[发明专利]一种针对移动边缘计算的通信和计算资源联合分配方法

说明书

一种针对移动边缘计算的通信和计算资源联合分配方法，适用于移动通信领域中使用。在移动边缘计算系统中确定用户终端所产生计算任务的执行地点，通过控制用户终端的数据传输功率减小整个系统的能耗和计算时延等综合开销；移动边缘计算服务器对接收到的用户终端的计算任务请求后进行决策，若移动边缘计算服务器接受用户终端的计算任务请求，则计算任务的输入数据先从用户终端传输至边缘计算服务器执行计算任务，此时用户终端卸等待反馈；若决策为本地执行，则移动边缘计算服务器拒绝用户终端发送的计算任务请求，用户终端本地执行计算。其智能化高，能够保证系统性能达到最优状态，同时有效降低在资源分配过程中整个系统的负载开销，使用效果好。

技术领域

本发明涉及一种通信和计算资源联合分配方法，尤其适用于移动通信领域中使用的一种针对移动边缘计算的通信和计算资源联合分配方法。

背景技术

随着移动用户终端、物联网终端的快速增长，未来移动网络中的数据流量以及计算量将成指数式增长。然而用户终端的计算能力有限，为解决这一系统瓶颈，移动边缘计算(MEC) 技术应运而生。移动边缘计算侧重在移动网络边缘提供云计算功能，将移动边缘计算服务器部署在更加靠近用户终端的位置，减少网络数据传输和完成计算任务的时延。移动边缘计算具有邻近性、低时延、高带宽等特点。然而当系统中存在多个计算服务接入点(即射频拉远单元(RRU))以及多个用户终端时，如何将用户终端与不同的射频拉远单元进行关联，从而有效的将用户终端产生的计算任务卸载至移动边缘计算服务器执行，实现系统资源利用效率的最大化，一直没有得到很好的解决。强化学习是一种智能化、无模型和低复杂度的机器学习方法，其主要工作过程为：智能体通过不断和环境进行交互并学习，最终达到最优的收敛状态。在智能体和环境的交互过程中，智能体在不同的状态下根据一定的策略选择并执行某些动作，环境响应后给出相应的奖励值，同时智能体进入下一个状态，智能体根据每一步的奖励值更新其状态，经过多次交互后最终到达收敛状态。

现有文献：J.Liu,Y.Mao,J.Zhang,and K.B.Letaief,“Delay-optimalcomputation task scheduling for mobile-edge computing systems,”in Proc.IEEEISIT,July 2016,pp.1451–1455提出了一种资源分配模型用于解决移动边缘计算中计算和通信资源联合分配的问题，但是文献[4] 只考虑了单个射频拉远单元。

文献Chen X,Jiao L,Li W,et al.Efficient Multi-User ComputationOffloading for Mobile-Edge Cloud Computing[J].IEEE/ACM Transactions onNetworking,2015,24(5):2795-2808.将上述文献的工作扩展到了多个射频拉远单元的场景中，使用了博弈论的方法，在具体执行的过程中算法复杂度较高，可能会产生较高的时延和系统综合开销，同时没有考虑最优的功率控制问题。

文献N.Li,J.Martinezortega,V.Diaz,et al,“Distributed power control forinterference-aware multi-user mobile edge computing:a game theory approach,”IEEE Access,vol.6,36105-36114, 2018指出：高效的功率控制能够极大地减缓共享信道中出现的干扰，使所有终端设备的性能有了实质性的提升，但其同样使用了博弈论方法，在面对大量终端设备的服务请求下，算法复杂度较高会使系统性能的提升出现瓶颈。

发明内容

针对现有技术的不足之处，提供一种步骤简单，使用效果好，通过在大量用户终端的场景中部署多个射频拉远单元，使用强化学习算法进行高效的计算和通信资源联合分配，同时控制用户终端的数据传输功率，降低整个系统的能耗和计算时延等综合开销的针对移动边缘计算的通信和计算资源联合分配方法。