论文部分内容阅读
随着增强/虚拟现实、车联网和自动驾驶等新兴移动应用的飞速发展,移动终端因其自身的能力限制,无法满足移动应用对计算和存储资源的需求。移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署计算、存储和网络服务,能够有效地处理网络边缘产生的移动数据,满足了移动应用对于服务质量(Quality of Service,Qo S)的要求。但是,移动数据量爆炸式增长和海量设备连接给5G网络带来了巨大挑战。超密集网络(UltraDense Network,UDN)作为5G中一项关键技术,通过密集部署低功率小基站和热点增大网络中移动设备的连接量,为移动设备提供良好的接入服务,满足了目前移动数据流量爆炸式增长和海量设备连接的需求。因而,通过在超密集网络中的微基站上部署移动边缘计算服务器(MEC-Enabled Small Cell Base Station,MEC-SBS),能够有效处理边缘数据并减少回程网络数据的传输和提高终端用户的Qo S。然而,在超密集网络中,随着MEC-SBS的密集部署,网络规模逐渐变大,加之MECSBS覆盖范围小和有限的资源,MEC-SBS上计算负载和应用服务需求容易受空间、时间和用户移动等因素影响,其上计算负载和应用服务需求动态变化且分布不均衡。如何有效地对MEC-SBS上计算负载进行调度和应用服务缓存,提高用户服务质量和计算负载处理效率是一个颇具挑战性的问题。本文的主要研究内容如下:(1)利用MEC-SBS划分协作簇方案解决了超密集网络中大规模负载调度问题,通过使用分区算法,将系统中MEC-SBS划分到多个非重叠的计算协作簇中,从而实现将大规模MEC-SBS计算负载调度问题转化成计算协作簇中的小规模MEC-SBS计算负载调度问题。各计算协作簇通过分布式并行执行方式实现簇中计算负载调度。考虑到MEC-SBS上计算负载到达信息先验未知,采用了基于深度强化学习的深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法,根据簇中MEC-SBS计算负载信息做出最优簇中计算负载调度策略,在保证MEC-SBS能量消耗的条件下,使簇中计算任务的平均服务延时最小。为了应对协作簇间计算负载不均衡问题,提出了基于负载均衡的半动态K-Means协作簇划分算法,将计算任务过载簇与其邻居簇重新划分协作簇,实现协作簇间负载均衡。(2)针对系统中MEC-SBS上应用服务需求因时间、空间和用户请求等因素影响发生变化问题,本文基于9)9)阶马尔科夫链对应用服务请求信息进行建模,设计了基于服务流行度的应用服务缓存更新算法,该算法根据前9)9)个时间槽中应用服务请求信息来计算当前时间槽中各应用服务的流行度,并求出当前时间槽中应用服务缓存,提高了系统中应用服务缓存更新的准确度和减低更新的复杂度。考虑到网络中来自同一个区域应用服务请求通常具有一定的相似性,文中提出了基于应用服务相似度的协作簇划分算法,将系统中应用服务相似度高的MEC-SBS划分到同一个协作簇中,并通过上述的基于DDPG负载调度算法,根据MEC-SBS缓存的应用服务和各类型计算任务的请求信息做出最优的负载调度策略,实现服务缓存的效用最大化。