隨著無線通信技術(shù)的發(fā)展,將大量的計算任務(wù)從無線設(shè)備傳輸?shù)礁浇慕尤朦c或基站成為可能,這觸發(fā)了有意義的云計算應(yīng)用,例如在線游戲、虛擬/增強現(xiàn)實和實時媒體流。移動邊緣計算通過在用戶端部署計算服務(wù)器,避免將應(yīng)用程序生成的流量回溯到遠程數(shù)據(jù)中心,為用戶和邊緣服務(wù)器之間架起橋梁提供了一種有效的方法。它減少了執(zhí)行計算任務(wù)的延遲,并為那些對延遲敏感的云計算應(yīng)用程序節(jié)省了能源消耗,然而,當移動邊緣網(wǎng)絡(luò)中有多個邊緣服務(wù)器和移動設(shè)備可用時,如何進行計算分流決策是一個挑戰(zhàn)。本文針對單邊緣服務(wù)器網(wǎng)絡(luò)和多邊緣服務(wù)器網(wǎng)絡(luò)設(shè)計了基于深度學(xué)習的分流策略,主要成果如下:1.針對單邊緣服務(wù)器網(wǎng)絡(luò),本文研究了移動邊緣網(wǎng)絡(luò)中,多個無線設(shè)備選擇將其計算任務(wù)分流到一個邊緣服務(wù)器。為了節(jié)約能源,保持無線設(shè)備的服務(wù)質(zhì)量,將聯(lián)合分流決策和帶寬分配優(yōu)化問題轉(zhuǎn)化為混合整數(shù)規(guī)劃問題。然而,該問題在計算上受到維數(shù)的限制,一般的優(yōu)化工具無法有效地解決這一問題,特別是對于大規(guī)模的無線設(shè)備。本文提出了一種基于分布式深度學(xué)習的移動邊緣網(wǎng)絡(luò)分流算法,該算法利用多個并行深度神經(jīng)網(wǎng)絡(luò)生成分流決策。我們采用共享重放記憶池來存儲新生成的分流決策,從而進一步訓(xùn)練... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

GUI布局

基于深度學(xué)習的移動邊緣計算分流算法設(shè)計與實現(xiàn)39運行上述布局代碼后將生成如圖4-2所示的初始GUI界面。圖4-2運用python編寫的GUI界面Figure4-2.GUIinterfacewrittenbypython在點擊訓(xùn)練按鈕后將彈出如圖4-3所示的訓(xùn)練步數(shù)設(shè)置界面。圖4-3訓(xùn)練步數(shù)設(shè)置界面Figure4-3.Trainingstepssettinginterface4.3分流決策在GUI中的應(yīng)用4.3.1最優(yōu)分流決策的GUI展示在本小節(jié)中，為方便用戶一次性使用本文兩種模型，我們將第二章的多用戶單邊緣服務(wù)器場景和第三章的多用戶多邊緣服務(wù)器以及單云服務(wù)器場景結(jié)合到了一

基于深度學(xué)習的移動邊緣計算分流算法設(shè)計與實現(xiàn)39運行上述布局代碼后將生成如圖4-2所示的初始GUI界面。圖4-2運用python編寫的GUI界面Figure4-2.GUIinterfacewrittenbypython在點擊訓(xùn)練按鈕后將彈出如圖4-3所示的訓(xùn)練步數(shù)設(shè)置界面。圖4-3訓(xùn)練步數(shù)設(shè)置界面Figure4-3.Trainingstepssettinginterface4.3分流決策在GUI中的應(yīng)用4.3.1最優(yōu)分流決策的GUI展示在本小節(jié)中，為方便用戶一次性使用本文兩種模型，我們將第二章的多用戶單邊緣服務(wù)器場景和第三章的多用戶多邊緣服務(wù)器以及單云服務(wù)器場景結(jié)合到了一

【參考文獻】：
期刊論文
[1]A Deep Learning Based Energy-Efficient Computational Offloading Method in Internet of Vehicles[J]. Xiaojie Wang,Xiang Wei,Lei Wang.  中國通信. 2019(03)



本文編號：3328632