面向未来通信系统的智能任务卸载研究.pdfVIP

摘要

摘要

为解决物联网OoT，Intemet-oι咀mgs)设各与日俱增的服务需求与其能耗、

通信能力和计算资源等受限之间的矛盾，移动边缘计算(MEC，MobileEdge

Computing)和雪天地一体网络(SAG町，Space-Air-GroundIntegratedNetworks)被

提出作为两大经典解决范式。其中，MEC的基本思想是将IoT设备生成的难以本

处理的延迟敏感型任务卸载到临近的边缘节点(EN，EdgeNode)处理，用较低的传

输时延换取极高的计算时总SAGIN则进一步用以无人机(UAV，UnmannedAerial

Vehicle)为代表的空中网络和频谱资源充裕的卫星网络来缓解地面网络的计算压

力，并弥补其覆盖死角。此外，通信与人工智能的结合将是未来第六代移动通信

技术(6G，6thGenerationMobileCommunicationTechnology)的一大趋势。基于该

研究背景，本文将聚焦于利用深度强化学习(DRL，DeepReinforcementLeaming)

技术来分别解决MEC和SAGIN场景下的智能任务卸载问题。

本文将首先研究多移动用户(MobileUser.MU)和多EN的MEC场景下的二

元任务卸载问题。其中，每个MU在生成不可分割的任务包时需要自主决定其去

留，即本地处理或卸载给某个EN处理，以最小化系统任务平均累计时延。考虑到

由MU决策独立性导致的EN未来负载不确定，本文提出使用记忆网络来弥补智

能体观测不足的问题。此外，考虑到MU计算能力受限问题，本文将利用一个独

立云端协助网络训练，并在集中式训练分布式执行(CTDE，CentralizedTraining

andDecentralizedExecu世on)框架下采用网络参数共享的方式节省训练成本。结果

部分证明了所提方法的有效性，并探究了不同环境参数对系统性能的影响。

之后，本文将研究SAGIN场景下的多UAV合作任务卸载问题。其中，每架

能源有限的UAV均采用飞行.悬停工作模式采集地面IoT设备的数据包，并决定

这些数据包卸载给EN、卫星或本地处理的比例，以最大化工作期间内的系统任务

卸载效率。本文首先将推导给定计算、通信条件和任务包整数约束下的最优任务

卸载策略。此外，考虑到各UAV操作时长不一致导致的决策时刻异步问题，本文

将在不同训练框架下提出相应异步DRL方法来解决多UAV联合轨迹设计和采集

时间分配问题。结果部分对比了不同训练框架下的系统性能，并探究了不同环境

参数对系统性能的影响。

关键词g物联网，移动边缘计算，空天地一体网络，深度强化学习

I

ABSTRACT

ABSTRACT

ToaddressthecontradictionbetweenincreasingservicedemandsofIntemet-of-Things

(IoT)devicesand也由constraintssuchasenergyconsumption,communicationcapabil-

i恼，and∞mputingresources,twom啊paradi胆shavebeenproposed:mobileedge

computing。在EC)andspa∞-a让-groundintegratednetworks(SAGIN).MECaimstoof-

floadlatency咽nsitivetasksgeneratedbyIoTdevicestonearbyedgenodes(ENs)for

processing,therebytradingofflowertransmissionlatency