基于边缘服务器任务迁移的资源分配算法

doi:10.12068/j.issn.1005-3026.2024.12.003

东北大学学报（自然科学版） ›› 2024, Vol. 45 ›› Issue (12): 1688-1695.DOI: 10.12068/j.issn.1005-3026.2024.12.003

• 信息与控制 • 上一篇

基于边缘服务器任务迁移的资源分配算法

吴菁晶(), 张子轩

东北大学计算机科学与工程学院，辽宁沈阳 110169

收稿日期:2023-07-10 出版日期:2024-12-10 发布日期:2025-03-18
通讯作者: 吴菁晶
作者简介:吴菁晶（1981-），女，辽宁沈阳人，东北大学副教授，博士生导师.
基金资助:
国家重点研发计划项目(2021YFB3401004)

Resource Allocation Algorithm Based on Edge Server Task Migration

Jing-jing WU(), Zi-xuan ZHANG

School of Computer Science & Engineering，Northeastern University，Shenyang 110169，China.

Received:2023-07-10 Online:2024-12-10 Published:2025-03-18
Contact: Jing-jing WU

摘要/Abstract

摘要：

工业物联网设备会将无法进行本地计算的任务发送至边缘服务器进行处理，但不同设备密度下的覆盖会导致不同边缘服务器的计算任务负载不均衡，进而产生计算时延过大的问题.为了解决这个问题，提出了一种基于改进的深度确定性策略梯度（modified deep deterministic policy gradient，MDDPG）的任务迁移算法，该算法具有基于深度确定性策略梯度的优先经验重放和随机权重平均机制，以寻求最佳的迁移策略，减少任务的计算时延.实验结果表明，MDDPG算法相较于传统的算法有更好的性能.

关键词: 工业物联网, 策略梯度, 任务迁移, 优先经验重放, 随机权重平均

Abstract:

IIoT （industrial Internet of Things） devices send tasks that cannot be computed locally to edge servers for processing. However， different device densities result in imbalanced computational workloads among various edge servers， leading to significant computation latency. To solve this problem， a task migration algorithm based on modified deep deterministic policy gradient （MDDPG） is proposed. The algorithm has a mechanism of priority empirical replay and random weight averaging based on depth deterministic strategy gradient to find the best migration strategy and reduce the computation delay of the task. Experimental results show that MDDPG algorithm has a better performance than the traditional algorithms.

Key words: industrial Internet of Things, policy gradient, task migration, priority experience replay, random weight averaging

中图分类号:

TN 929.5

吴菁晶, 张子轩. 基于边缘服务器任务迁移的资源分配算法[J]. 东北大学学报（自然科学版）, 2024, 45(12): 1688-1695.

Jing-jing WU, Zi-xuan ZHANG. Resource Allocation Algorithm Based on Edge Server Task Migration[J]. Journal of Northeastern University(Natural Science), 2024, 45(12): 1688-1695.

图/表 9

图1 任务迁移网络架构图

Fig.1 Architecture diagram of task migration network

图2 DDPG算法体系结构

Fig.2 Architecture of DDPG algorithm

图3 学习率对算法收敛性能的影响

Fig.3 Impact of learning rate on convergence performance

图4 折扣因子对算法收敛性能的影响

Fig.4 Impact of discount factor on convergence performance

图5 探索率对算法收敛性能的影响

Fig.5 Impact of exploration rate on convergence performance

图6 不同算法收敛性能的比较

Fig.6 Convergence performance comparison of different algorithms

图7 任务数据量对时延的影响

Fig.7 Impact of task data size on delay

图8 服务器计算能力对时延的影响

Fig.8 Impact of computing capacity in the server on delay

图9 服务器数量对时延的影响

Fig.9 Impact of servers quantity on delay

参考文献 13

1	Zhang N， Fang X J， Wang Y，et al.Physical‑layer authentication for Internet of Things via WFRFT-based Gaussian tag embedding［J］.IEEE Internet of Things Journal，2020，7（9）：9001-9010.
2	Sisinni E， Saifullah A， Han S，et al.Industrial Internet of Things：challenges，opportunities，and directions［J］.IEEE Transactions on Industrial Informatics，2018，14（11）：4724-4734.
3	Aazam M， Zeadally S， Harras K A.Deploying fog computing in industrial Internet of Things and Industry 4.0［J］.IEEE Transactions on Industrial Informatics，2018，14（10）：4674-4682.
4	Zhang N， Wu R Y， Yuan S L，et al.RAV：relay aided vectorized secure transmission in physical layer security for Internet of Things under active attacks［J］.IEEE Internet of Things Journal，2019，6（5）：8496-8506.
5	Wu Y， Ni K J， Zhang C，et al.Noma-assisted multi‑access mobile edge computing：a joint optimization of computation offloading and time allocation［J］.IEEE Transactions on Vehicular Technology，2018，67（12）：12244-12258.
6	Kuang Z F， Li L F， Gao J，et al.Partial offloading scheduling and power allocation for mobile edge computing systems［J］.IEEE Internet of Things Journal，2019，6（4）：6774-6785.
7	He Y J， Yang M N， Guizani H M.Resource allocation based on digital twin‑enabled federated learning framework in heterogeneous cellular network［J］.IEEE Transactions on Vehicular Technology，2023，72（1）：1149-1158.
8	Liu M Y， Liu Y.Price‑based distributed offloading for mobile‑edge computing with computation capacity constraints［J］.IEEE Wireless Communications Letters，2018，7（3）：420-423.
9	Lin H， Hu J， Wang X D，et al.Towards secure data fusion in industrial IoT using transfer learning［J］.IEEE Transactions on Industrial Informatics，2021，17（10）：7114-7122.
10	Zhou Z Y， Liao H J， Gu B，et al.Resource sharing and task offloading in IoT fog computing：a contract‑learning approach［J］.IEEE Transactions on Emerging Topics in Computational Intelligence，2020，4（3）：227-240.
11	Chai R， Song X， Chen Q B.Joint task offloading，CNN layer scheduling，and resource allocation in cooperative computing system［J］.IEEE Systems Journal，2020，14（4）：5350-5361.
12	Zhang D Y， Tan L， Ren J，et al.Near‑optimal and truthful online auction for computation offloading in green edge‑computing systems［J］.IEEE Transactions on Mobile Computing，2019，19（4）：880-893.
13	Ang C W， Tham C K.Analysis and optimization of service availability in a HA cluster with load‑dependent machine availability［J］.IEEE Transactions on Parallel and Distributed Systems，2007，18（9）：1307-1319.

[1]	尉健一，吴菁晶. 基于边缘计算的工业物联网中资源分配算法[J]. 东北大学学报（自然科学版）, 2023, 44(8): 1072-1078.
[2]	徐久强，路佳熹，李鹤群，赵海. 基于SDN的工业物联网组播通信框架研究[J]. 东北大学学报（自然科学版）, 2023, 44(2): 192-198.

基于边缘服务器任务迁移的资源分配算法

Resource Allocation Algorithm Based on Edge Server Task Migration

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 13

相关文章 2

编辑推荐

Metrics

本文评价