动态任务软件缓存辅助的多接入边缘计算计算卸载

在多接入边缘计算（MEC）中，大多数现有任务软件缓存工作聚焦于在网络边缘静态缓存数据，由于实际中用户请求时变，这可能难以保持高复用性。为此，本工作考虑在 MEC 服务器上进行动态任务软件缓存以辅助用户任务执行。具体而言，我们构建了一个联合任务软件缓存更新（TSCU）与计算卸载（COMO）问题，以在保障时延约束的同时最小化用户能耗，其中考虑了 MEC 服务器有限的缓存大小与计算能力，以及用户时变的任务需求。该问题被证明是非确定性多项式时间困难的，因此我们依据其时间相关性将其转化为两个子问题，即实时 COMO 问题与基于马尔可夫决策过程的 TSCU 问题。我们首先将 COMO 问题建模为多用户博弈，并提出一种去中心化算法来求解其纳什均衡解。随后我们提出一种基于双深度 Q 网络（DDQN）的方法来求解 TSCU 策略。为降低计算复杂度与收敛时间，我们对 DDQN 中的深度神经网络（DNN）进行了一种新设计，称为状态编码与动作聚合（SCAA）。在 SCAA-DNN 中，我们在输入层引入丢弃机制以编码用户活动状态。此外，在输出层我们设计了一种双层架构来动态聚合缓存动作，从而能够解决巨大的状态-动作空间问题。仿真结果表明，所提方案优于现有方案，节省超过 12% 的能耗，并以更少的训练回合收敛。