文档介绍：: .
网络首发时间：2022-07-17 19:11:58
网络首发地址 国内外一些研
引用格式: 姚枝秀, 夏士超, 李云. 不确定网络环境下的任务卸载和资源分配算法. 中国科学: 信息科学, 2022, doi: /
SSI-2021-0186
Yao Z X, Xia S C, Li Y. Task offloading and resource allocation in an uncertain network (in Chinese). Sci Sin Inform,
2022, doi: -2021-0186
⃝c 2022 《中国科学》杂志社 : 不确定网络环境下的任务卸载和资源分配算法
究人员针对计算时延约束条件下能耗最小化问题进行了深入研究 [3∼7], 但都忽略了任务在 MEC 服务
器端的排队等待时延. 在实际的 MEC 网络环境中, 由于 MEC 服务器的计算、存储等资源非常有限,
通常无法快速响应海量突发的计算请求, 因此, 任务在 MEC 服务器端的排队等待时间是不可忽略的.
针对此问题, Meng 等 [8] 考虑了本地队列状态信息、MEC 服务器队列状态信息和信道状态信息, 为了
解决本地和服务器队列的强耦合问题, 作者将任务卸载过程建模为马尔科夫 (Markov) 过程, 通过优化
传输功率和本地 CPU (central processing unit) 频率, 提出了一种时延最优的任务卸载策略. Han 等 [9]
根据用户和 MEC 服务器的队列状态信息确定传输功率和 MEC 服务器计算资源的最优调度策略, 研
究了任务卸载时延约束条件下的用户功耗最小化问题. Merluzzi 等 [10] 将本地和 MEC 服务器的任务
队列的总和度量为计算时延, 提出一种传输功率和 MEC 服务器的 CPU 频率的联合优化策略, 以保证
任务队列总和稳定性的同时使得用户能耗最小化.
然而, 上述研究工作都只考虑了任务的平均计算时延, 对于一些时延敏感型应用, 如 AR/VR, 对
计算时延的要求不仅包括平均时延, 更要考虑网络中随机时延的影响 [11]. 在实际的 MEC 网络环境
中, 由于海量计算请求的随机性和突发性, MEC 服务器的排队等待时间是随机且难以预测的. 这种不
确定性因素对传统任务卸载和资源分配造成了严峻挑战. 此外, 大部分研究工作都只针对用户端能耗,
而计算资源有限的边缘节点依然面临着大量用户的访问, 随之而来的是计算资源匮乏, 以及高能耗等
问题. 因此, 如何在任务计算时延不确定的 MEC 网络环境中制定高效、绿色的任务卸载和资源分配
策略具有重要研究意义.
为解决上述问题, 本文考虑排队等待时间不确定的 MEC 网络环境, 提出一种基于随机模拟的
任务卸载和资源分配两阶段随机规划算法 SS 2SSP (stochastic simulation based two-stage stochast