3.论文学习——移动边缘网络中的任务卸载机制

来源

QoE-Based Cooperative Task Offloading with Deep Reinforcement Learning in Mobile Edge Networks

简介

是论文中的一块，原文proposed task offloading mechansim for MENs(mobile edge networks)。由于与VFC有挺多的相通之处，特此学习。

正文

该机制分为三步：

1. 任务优先级设立
2. 重复任务删除
3. 任务安排

Task Priority Assignment

本文使用的是一种多级反馈任务队列，分为高优先级，中优先级，和低优先级。若一个任务有hard deadline并且对实时性要求较高，则优先级最高；若是soft deadline，则中等；否则，低优先级。一般来说，高优先级的任务是被用户单元或者边缘服务器完成，中优先级被边缘服务器或云主机完成，低优先级任务大多对资源和CPU有严格要求，因此发送到云主机。

Redundant Task Elimination

不同的用户连接在同一个设备上的时候，可能会使用同一类型的应用，从而导致类似且冗余的任务。如下图所示，可以构建一个基于任务相似性的虚拟函数图。如果两个用户之间的任务相似度高于某个给定门槛，就用实线连接，否则用虚线。这样，就能形成一些“域”（domain），我们的目标是最小化“域”之间的任务相似度。此外，还有权值w，代表了每一个用户在每个域内的交流和计算能力，这个权值只有在用户离开或进入域时才发生改变。所有用户都有权值w，我们就能选出最佳的用户了。
这些域被分为两类。一类域中拥有充足的资源，且相互的任务集合有低相似度。这一类的域可以快速地完成内部任务，因为同一任务只需要执行一次，多个域可以并行地完成所有任务。另一类域的计算资源不足，因此需要将任务发送给边缘服务器、云主机、又或者第一类域。
按照这种方法消除冗余任务，能充分利用以往的闲置单元，提升系统响应速度。

Task Scheduling

消除冗余任务之后，服务器就能快速调度任务，降低系统时延，这一步叫作任务调度。需要强调的是，我们这里所调度的任务只是有hard deadline的高优先级任务，以及可以被分派给边缘服务器的中优先级任务。如下图所示，同一域中的用户和边缘服务器相互合作，在基于DRL算法的基础上无缝完成任务调度目标。

调度步骤大概如下所示：

1. 调度任务之前，各个域选出一个用户领导者。
2. 领导者收集其他用户的需求，收集信息。
3. 边缘服务器和领导者根据容量和负载，接受或拒绝用户需求，并生成每个域的匹配列表(matching list)。
4. 通知各用户任务结果，并重复第二步，直到所有用户都至少被划分到一张匹配列表上。

总结

大概就是这样，模型值得参考。