.png){kind=icon}
返回
Cloud-edge synergistic MEC multi-task offloading and resource allocation method based on convex optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05389-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
移动设备的普及加剧了边缘服务器的资源约束，揭示了传统移动边缘计算（MEC）在多任务卸载场景下的显著局限性。这造成了一个基本矛盾：严格的任务截止时间与固有的系统处理延迟之间，而这种矛盾在多任务MEC环境中的排队动态下进一步加剧。与仅依赖云或MEC的场景不同，协同计算范式（同时利用两种资源）使节点之间能够实现有效的互补。这种协作通过动态满足实时任务卸载和资源分配需求，提升了多任务卸载的效率。为应对MEC中任务场景的多样性和数据规模的差异，并缓解多任务排队导致的任务延迟敏感性加剧问题，本文提出了一种多任务卸载云-边缘协同计算系统模型（C3O）。该系统通过调整延迟-支付权重比例动态优化性能指标，同时保持服务质量。它还引入了基于截止时间的动态权重排队策略，并采用深度Q网络（DQN）进行卸载决策。凸优化用于平衡支付成本与延迟的加权和，该平衡作为奖励信号引导代理实现最优性能。仿真结果表明，C3O在各种MEC应用场景中表现出鲁棒性，能够有效满足多任务卸载下的动态资源分配和延迟要求。与其他方法相比，C3O将任务延迟降低7%至73%，总任务成本降低10%至78%。
Keyword:
MEC
Edge computing
Cloud collaborative
Task offloading
Resource allocation
Convex optimization
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
分享收藏Joint optimization scheme of task offloading and resource allocation based on MEC基于MEC的任务卸载与资源分配联合优化方案.png)
IF0
PREAI
分享收藏Resource allocation strategy using deep reinforcement learning in cloud-edge collaborative computing environment基于深度强化学习的云边协同计算环境中的资源分配策略
IF0
PREAI
分享收藏
分享收藏Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems移动边缘计算系统中任务卸载的深度强化学习
OAAI
OAAI分享收藏
查看更多内容