邻域感知的分布式智能边缘计算卸载和资源分配算法 | 重庆邮电大学李云、夏士超等

RTE基础设施 • 来源：中国科学信息科学 • 2023年10月11日下午2:20 • 技术文章

研究意义

随着大量计算密集型和时延敏感型任务的出现，利用移动边缘计算（mobile edge computing， MEC）来提高用户体验并降低系统能耗成为研究热点。然而，在密集部署的MEC网络场景下，无线网络状态复杂的空间相关性和动态性给卸载方案的制定带来了严峻挑战。但现有的研究忽略MEC网络中潜在的空间相关性，如用户可达到的上行传输速率不仅取决于本基站的无线资源分配策略，还与区间干扰有关，且距离越近的基站区间干扰越大。因此，在制定计算卸载和资源分配策略时，应更加关注相邻基站的无线网络状态信息。

本文工作

针对上述挑战，本文提出了一种基于图注意力网络的混合动作多智能体强化学习算法(graph attention network-based hybrid-action multi-agent reinforcement learning，Gat-HMARL)。该算法将基站看作演员-评论家网络网络的智能体，综合考虑MEC系统的处理时延和能耗，对卸载决策、上行传输资源和计算资源进行联合优化，Gat-HMARL算法架构如下图所示。

本文的主要贡献包括以下几点：

(1) 提出了一个多基站多用户 MEC 场景下卸载决策、信道分配、功率分配和计算资源分配的联合优化问题，旨在时延约束下最小化系统的能耗。

(2) 考虑到分布式部署且部分可观测的MEC环境，将联合优化问题转化为分布式部分可观测马尔可夫决策过程（decentralized partial observable markov decision process，Dec-POMDP），并提出Gat-HMARL算法对其求解。Gat-HMARL在评论家网络中引入图注意力网络（graph attention network， GAT），使基站有选择性地关注邻域内其它基站的无线网络状态信息，挖掘 MEC 网络潜在的空间相关性，从而学习更优的计算卸载和资源分配策略。

(3) 通过仿真验证了Gat-HMARL算法在多基站多用户的MEC网络场景下的计算性能。相较于基准算法，Gat-HMARL能够在时延条件下实现更低的系统能耗，同时显著提高任务的完成率。

实验结果

将Gat-HMARL的性能与基准方法在收敛性、奖励值、能耗和任务完成率上进行对比，以验证算法的有效性。

在完美CSI和非完美CSI条件下，对不同算法的收敛性能进行对比。