典型文献
车联网中基于DDQN的边云协作任务卸载机制
文献摘要：
面对车载终端数据计算量的爆炸式增长,计算卸载是缓解车辆资源不足的有效手段.相比于单独研究云计算或边缘计算,让两者相互协作可以实现优势互补,提高系统的整体服务质量.在车联网中,制定适应环境动态性的卸载决策存在较大困难,其中任务的紧急程度也是一个不容忽视的因素.构建一个基于软件定义网络的边云协作任务卸载架构,并设计任务优先级的度量标准,将动态环境中的任务卸载决策问题建模为马尔可夫决策过程,从而最大化由时延和成本构成的任务平均效用.为了求解任务卸载决策,提出基于双深度Q网络的任务卸载决策算法以及基于优先级的资源分配方案,并设计一种卸载比例计算方法,以保障卸载的任务量能够在通信时间内上传完成的同时最小化任务处理时延.实验结果表明,相比于全部本地、全部卸载和平均分配资源3种固定的卸载算法,该算法时延和效用性能提高了2倍以上,在车辆数目适中的情况下,任务的完成比例可以稳定保持在100％.
文献关键词：
车联网;边云协作;任务卸载;深度强化学习;优先级;资源分配
中图分类号：
作者姓名：
于晶;鲁凌云;李翔
作者机构：
北京交通大学 计算机与信息技术学院,北京 100044;北京交通大学 软件学院,北京 100044
文献出处：
引用格式：
[1]于晶;鲁凌云;李翔-.车联网中基于DDQN的边云协作任务卸载机制)[J].计算机工程,2022(12):156-164
A类：
边云协作
B类：
车联网,DDQN,协作任务,任务卸载,车载终端,数据计算,计算量,爆炸式,计算卸载,边缘计算,相互协作,优势互补,适应环境,环境动态性,卸载决策,紧急程度,软件定义网络,设计任务,任务优先级,度量标准,动态环境,决策问题,马尔可夫决策过程,时延,成本构成,解任,决策算法,资源分配,分配方案,比例计算,任务量,任务处理,平均分配,分配资源,效用性,性能提高,辆数,适中,完成比,深度强化学习
AB值：
0.409348
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
