-
题名一种联合边缘服务器部署与服务放置的方法
- 1
-
-
作者
张俊娜
韩超臣
陈家伟
赵晓焱
袁培燕
-
机构
河南师范大学计算机与信息工程学院
河南师范大学智慧商务与物联网技术河南省工程实验室
中山大学系统科学与工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第10期266-280,共15页
-
基金
科技创新2030—"新一代人工智能"重大项目(2022ZD0118502)
国家自然科学基金(62072159)
河南省科技攻关资助项目(232102211061,222102210011)。
-
文摘
边缘计算(EC)在靠近用户的网络边缘部署边缘服务器(ES),并将服务放置在ES上,从而可以满足用户的服务需求。独立研究ES部署和服务放置问题的成果已有很多,但两者存在高度耦合关系。考虑到EC系统的收益,有必要提供付费服务,使得EC系统处理用户服务请求时会获得相应收入。同时,EC系统处理用户服务请求时会产生时延和能耗成本,为了最大化EC系统的收益,在用户服务请求和服务价格不同的约束下,需要合适的服务放置方案来提高EC系统的收益。为此,在ES与基站之间的位置关系、ES部署和服务放置之间的耦合关系、服务副本数和服务价格等约束下,提出一种包括改进的k-means算法和多智能体强化学习算法的两步方法,使EC系统的收益最大化。首先,构建一个联合ES部署和服务放置模型,其中ES部署明确考虑了基站之间的位置关系,服务放置明确考虑了ES部署的位置,以及不同的服务请求和价格;然后,基于基站的位置关系和基站的服务请求负载,通过带约束的k-means算法,在不同约束条件下分别确定最佳的ES部署位置以及ES的协作域;最后,以最大化EC系统收益为目标,通过多智能体强化学习算法在ES上放置服务。实验结果表明,与对比方法相比,所提方法能够提高收益7%~23%。
-
关键词
边缘计算
边缘服务器部署
服务放置
K-MEANS聚类算法
多智能体强化学习算法
-
Keywords
Edge Computing(EC)
Edge Server(ES)deployment
service placement
k-means clustering algorithm
multi-agent reinforcement learning algorithm
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名边缘计算中动态服务器部署与任务卸载联合优化算法
- 2
-
-
作者
白文超
卢先领
-
机构
江南大学物联网工程学院
-
出处
《计算机应用研究》
北大核心
2025年第6期1830-1837,共8页
-
基金
国家自然科学基金资助项目(61773181)。
-
文摘
在移动边缘计算中,边缘服务器部署位置的固定性容易产生边缘服务器资源利用率不平衡的问题,从而导致任务卸载过程中时延与能耗的增加。针对该问题,提出了一种基于分层强化学习的联合优化算法。首先,将边缘服务器放置与任务卸载问题分解并转换为双马尔可夫决策过程。然后,利用深度Q网络构建上层边缘服务器部署的全局智能体模型,通过引入K-means算法为上层策略提供高质量样本加速模型收敛。利用多智能体近端策略优化算法构建下层任务卸载多智能体模型,通过引入状态归一化减少下层策略状态的特征尺度差异,提高训练稳定性,最后,通过上下层策略的交替优化达到最终的优化目标。仿真实验结果表明,所提算法能够获得最优服务器部署与任务卸载策略,相比随机策略与其他强化学习算法,该算法在模型训练效率、目标奖励和负载均衡指标方面具有更高效益。
-
关键词
边缘计算
任务卸载
边缘服务器部署
分层强化学习
-
Keywords
edge computing
task offloading
edge server deployment
hierarchical reinforcement learning
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
