任務(wù)計算遷移作為大數(shù)據(jù)物聯(lián)網(wǎng)場景下有效緩解計算壓力的新型模式,引起了學者們的極大關(guān)注,雖然計算遷移在一定程度上緩解了原始感知設(shè)備的計算壓力,提高了數(shù)據(jù)處理速度,但它并不能動態(tài)自適應(yīng)地做出遷移決策。文中基于深度學習理論對霧計算遷移的任務(wù)完成時間與能耗最小化進行了深入研究。首先構(gòu)建了任務(wù)完成時間最小化霧計算遷移優(yōu)化問題,提出了一個基于深度學習的霧計算遷移決策算法用于解決上述優(yōu)化問題;其次,為了進一步優(yōu)化霧計算遷移的能耗,構(gòu)建了終端用戶能耗最小化霧計算遷移優(yōu)化問題,基于上述遷移決策算法求解的最優(yōu)遷移決策,提出了一個最優(yōu)傳輸功率分配求解算法用于解決上述優(yōu)化問題;最后,仿真結(jié)果表明所提算法具有較快的收斂速度,并在最小化任務(wù)完成時間遷移決策的基礎(chǔ)上有效降低了終端用戶能耗。 

【文章來源】：南京郵電大學學報(自然科學版). 2020,40(02)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

計算遷移系統(tǒng)模型

根據(jù)上述優(yōu)化問題,可以發(fā)現(xiàn):當αn的取值集合有所差異時,用戶n的任務(wù)完成時間也就有所不同,也就意味著所有用戶的最終完成時間T會有所差異。為求取完成時間最小遷移決策集合,本節(jié)提出了DL-FCOD算法來解決上述優(yōu)化問題,其具體求解過程如圖2所示。由圖2可知,該DL-FCOD算法主要包含三個部分。

圖3表示DL-FCOD算法中損失值的收斂性能。其中,虛線代表學習率為0.1時損失值的收斂性能,實線代表學習率為0.2時損失值的收斂性能�？梢园l(fā)現(xiàn),在不同學習率的情況下,損失值的收斂性能都很好,亦即本文所提DL-FCOD算法具有較快的收斂特性。圖4表示用戶不同任務(wù)大小下能耗的收斂性能。

【參考文獻】：
期刊論文
[1]霧計算的概念、相關(guān)研究與應(yīng)用[J]. 賈維嘉,周小杰.  通信學報. 2018(05)
[2]Task Offloading Decision in Fog Computing System[J]. Qiliang Zhu,Baojiang Si,Feifan Yang,You Ma.  中國通信. 2017(11)



本文編號：3440927