多层分布式车联网边缘计算任务动态卸载策略

摘要

针对车联网计算任务动态卸载成功率和数据传输效率低的问题，基于多智能体深度强化学习设计了多层分布式车联网边缘计算任务动态卸载策略.首先融合软件定义网络和移动边缘计算设计了多层分布式车联网边缘计算系统模型，实现在不同层次上的协同调度优化，更好地满足移动车辆资源动态分配和任务实时处理的需求；之后从车辆计算任务卸载成功率和数据卸载速率两方面考虑，提出了一种多智能体深度强化学习算法框架，利用多智能体系统的协作学习，使车载边缘系统自主选择最优任务卸载决策；同时引入动作空间搜索优化和优先经验回放机制，进一步提升动作空间的有效搜索，提高任务卸载决策的稳定性和准确性；最终在以上算法框架和优化机制的基础上，设计了多层分布式车辆任务卸载决策优化算法，保证车辆能根据当前网络状态和任务大小，以最小的任务传输时间和高效的卸载成功率完成计算任务卸载.仿真结果表明，与已有的卸载方法相比，本文所提方法在计算任务卸载成功率方面提高了5%～20%，在数据传输效率方面平均提高了17.8%.

关键词

车联网 / 移动边缘计算 / 任务卸载 / 深度强化学习 / 软件定义网络

基金资助

国家自然科学基金资助项目（61862037,62262038）; 甘肃省科技计划项目（23CXGA0028）; 兰州市人才创新创业项目（2021-RC-40）