下一代异构蜂窝网络中面向移动边缘计算架构的计算迁移技术研究

The developments of artificial intelligence and deep learning offer promising opportunities to mobile users with growing number of various wireless applications, while at the same time impose a great challenge to the end devices due to their limited storage, computational capability, and battery life. This project targets at the novel designs of mobile edge computing architecture for 5G heterogeneous cellular networks, thereby feeding end users with ubiquitous computing offloading services with ultra-low latency. Our research particularly focuses on the issues of computing migration and resource management related to mobile edge computing, drawing upon dynamic programming, Markov decision process theory, game theory, stochastic geometry theory, and contract theory. Novel designs will include development of Lyapunov algorithm tailed for the scenarios with dynamic task and energy queues, online reinforcement learning algorithm for Markov process, matching-and-auction based gaming, and reverse-selection-contract based incentive mechanism. The novel concepts and design methodologies will enhance the throughput of task executing, reduce the computational latency, as well as achieve the optimum resource management. The research results are expected to bring about theoretical breakthrough for the realization of mobile edge computing in the next generation of networks, and facilitate the applications of artificial intelligence and machine learning in future mobile systems.

人工智能和深度学习的发展给移动用户带来越来越多的网络智能应用，但同时也给终端设备在存储容量，计算能力，以及电池寿命等方面带来巨大挑战。本项目着眼于5G异构网络中的移动边缘计算架构设计，通过提供无处不在的低延迟计算服务，给用户带来全新的网络体验。本项目将重点研究移动边缘计算中的计算迁移和资源管理优化，涉及到分布式动态规划、马尔可夫决策论、博弈论、随机几何理论以及契约理论，将提出新颖的李雅普诺夫动态优化算法、在线增强学习算法、基于匹配和拍卖的多方博弈均衡、以及基于逆向选择合同的激励机制。全新的网络设计理念和设计框架将会显著的降低计算延迟、提高计算吞吐量，实现资源的最优配置。研究成果将为融入移动边缘计算架构的下一代异构蜂窝网络带来全新的理论突破，有力的推动基于人工智能和机器学习的网络应用和服务在未来移动通信系统中的实现。

本课题基于边缘计算中的计算任务迁移问题，就分布式动态优化、基于在线强化学习的马尔可夫决策等算法的设计与实现、基于匹配和拍卖的博弈均衡系统以及基于随机几何的契约激励机制的设计与构建等四方面内容展开研究。在分布式动态优化方面，首次提出了一种基于扰动李雅普诺夫优化的动态最大吞吐量算法，通过优化通信、计算和能量资源的分配，在计算任务和能量队列稳定约束下最大化边缘计算系统的吞吐量。其次，在联邦学习场景中，构建多智能体多臂赌博机框架，提出改进的匈牙利算法和贪婪匹配来解决该框架中的匹配问题。前者可以获得高复杂度的最优解，而后者可以在性能损失较小的情况下降低匹配的复杂度。在基于在线强化学习的马尔可夫决策等算法的设计与实现方面，考虑由无人机与多个用户终端组成的移动边缘计算网络，将无人机的动态轨迹规划建模为马尔可夫决策过程，利用对偶深度Q网络这一在线增强学习算法来构建基于用户服务质量的动作选择策略，提高网络性能。在基于匹配和拍卖的博弈均衡系统设计中，首先在结合边缘计算的小蜂窝网络中提出了两层匹配算法，以较小的复杂度近似社会福利最优，并实现了竞争均衡与负载均衡。其次，在区块链辅助的边缘计算市场中，结合智能合约设计了基于匹配与双边拍卖的资源交易机制，所提出的交易机制较传统机制提高了社会福利。特别的，改进后的双边拍卖机制，在实现个体理性、收支平衡以及平均激励相容的基础上提高了拍卖效率。最后，在基于随机几何的契约激励机制的设计与构建方面，针对商业化缓存系统中资源分配问题，结合随机几何理论推导出移动用户从小基站的存储中获得其需要的视频的概率，并基于契约理论帮助网络服务提供商为用户设计最优契约，实现了服务的合理定价。

内容获取失败，请点击重试