arrow
返回

A service cache-based dynamic collaborative task migration technology

delete2026-05-11
delete0
PRE
AI
X
Xiao Dong
R
Ren, Yongpan *
张俊娜 封面图
张俊娜 (Junna Zhang)
G
Gao, Zhitao
DOI:10.1186/s13638-026-02623-8delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
边缘网络中持续涌现的计算密集型和延迟敏感型服务推动了任务迁移技术的快速发展。然而,任务迁移面临显著的技术挑战,如复杂的应用场景和问题建模的高复杂性,尤其是在考虑用户移动性时。因此,提出了一种集成最优聚类策略和边缘预缓存的任务迁移框架,以确保在移动感知环境中的用户服务稳定性和连续性。首先,基于用户移动轨迹引入了动态合作集群和迁移预测半径的概念,然后提出了预迁移模型来确定迁移的时间和地点,重点关注两种任务场景:移动和过载。在最大可容忍延迟的约束下,推导出合作集群半径和目标服务器数量的极限值。最后,提出了一种以用户为中心的分布式多服务器合作聚类算法以及基于服务缓存的深度强化学习网络(Double Deep Q-learning Network),以有效解决最优聚类和服务缓存问题。实验结果表明,所提出的迁移选择算法与其他算法相比,迁移成本降低了16.46%,延迟减少了12.55%。
Keyword:
Mobile edge computing
Service cache
Dynamic collaborative cluster
Task migration
Deep reinforcement learning

期刊

J
Journal on Wireless Communications and Networking
IF:
0
论文数:
59
被引数:
0

机构

H
henan normal university
学者数:
1.1W
论文数: 6.2K
被引数: 6
引用论文

引用论文

Handover decision with multi-access edge computing in 6G networks: A survey
err2025-03-01
err0
errOAAI
errJahandar, Saeid; Shayea, Ibraheem; Gures, Emre; El-Saleh, Ayman A.; Ergen, Mustafa; Alnakhli, Mohammad
err分享
err收藏
Learning-driven service caching in MEC networks with bursty data traffic and uncertain delays面向突发数据流量和不确定延迟的MEC网络学习驱动服务缓存
err2024-08-01
err0
PREAI
errWenhao Ren; Zichuan Xu; Weifa Liang; Haipeng Dai; Omer F. Rana; Pan Zhou; Qiufen Xia; Haozhe Ren; Mingchu Li; Guowei Wu
err分享
err收藏
学者 查看更多内容