近年來,隨著移動終端設備數(shù)量的迅速增長,云計算網(wǎng)絡中的通信負載大幅增加,從而導致了較高的任務執(zhí)行延遲,同時,隨著移動應用的日益智能化,現(xiàn)有的智能移動設備已經(jīng)無法滿足虛擬現(xiàn)實、增強現(xiàn)實等新興移動應用的計算與延時需求,所以這些移動應用只能寄希望于新型的網(wǎng)絡架構。許多研究者提出了邊緣云計算解決方案,邊緣云服務器將遠程云端的部分任務緩存在本地,從而能夠就近地執(zhí)行智能移動設備的任務請求,減緩了網(wǎng)絡的擁塞狀況并降低了任務的執(zhí)行時間。這種基于邊緣計算的任務緩存方案能夠滿足新興移動應用的低延時需求,考慮到邊緣云服務器緩存容量的有限性,為了合理地選擇任務緩存到邊緣云服務器中,基于多臂賭博機模型提出了一種稱為UCB-AC(Upper Confidence Bound-Adaptive Caching)的自適應任務緩存策略。UCB-AC任務緩存策略不僅能夠在線學習移動用戶的任務請求模式,而且能夠根據(jù)用戶請求的任務量大小動態(tài)地調整緩存策略。通過數(shù)學方法證明了算法的累積期望學習遺憾上界值,表明UCB-AC算法能夠以有限的學習代價來降低任務的執(zhí)行延時。為了評估UCB-AC算法的有效性,采用平均任務執(zhí)行時間、期望學...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究工作
    1.4 論文組織結構
2 相關技術與理論基礎
    2.1 強化學習
    2.2 經(jīng)典多臂賭博機
    2.3 經(jīng)典多臂賭博機常用算法
    2.4 本章小結
3 自適應任務緩存策略研究
    3.1 任務緩存模型與算法選擇
    3.2 自適應任務緩存算法
    3.3 累積期望遺憾上界分析
    3.4 本章小結
4 實驗過程及結果分析
    4.1 仿真實驗環(huán)境說明
    4.2 評估指標與對比算法
    4.3 實驗設計與結果分析
    4.4 本章小結
5 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻
附錄1 攻讀學位期間發(fā)表的論文



本文編號：3803755