英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
面向智能任务的边缘卸载
摘要
随着物联网的蓬勃发展和海量智能MDs在日常生活中的涌现，资源饥渴的物联网应用与资源受限的MDs之间的冲突日益凸显。为了应对计算密集型应用和大数据，MCC结合人工智能是一个可行的解决方案。然而，考虑到MCC的传输时延较长，以及大多数物联网应用对超低时延的要求，传统的人工智能MCC组合方式在物联网时代已经不再适用。将云计算能力迁移到边缘，并将人工智能与之集成，被认为是一个很有前途的范例，从而产生了所谓的边缘智能。任务卸载作为边缘计算的关键技术，能够有效地提高MDs的计算效率和能量效率。然而，现有的任务转移研究大多集中在固定的场景，无法应对不同的情况，用户隐私保护也被忽视。为此，我们将机器学习引入到边缘任务卸载中，设计了一种智能任务卸载方案。大量的数值结果表明，与传统的卸载方案相比，该方案不仅具有良好的适应性和安全性，而且具有较高的预测精度和较低的处理延迟。
介绍
物联网(IoT)的出现和快速发展，通过智能交通、智能制造、智能保安、智能家居等新兴产业，让我们的生活变得更加便捷、高效。随着这一发展趋势，各种带有传感器的智能设备在日常生活中得到了广泛的应用，如智能摄像头、智能可穿戴设备、智能家电、智能手机等。人们注意到，大多数新的物联网应用是计算密集型和延迟敏感的。然而，移动设备(MDs)的计算资源和电池寿命由于其轻量化的物理尺寸而受到限制。资源密集型物联网应用与资源受限的MDs之间大矛盾严重制约着未来物联网的发展。
移动云计算(MCC)被认为是一种可行的解决方案，它在资源丰富的中心云上计算、存储和管理用户生成的数据。为了应对云中的大数据，MCC采用了机器学习策略[1,2]。然而，从MDs到远程中心云的数据传输所带来的长时间的传输延迟和较差的可靠性是不容忽视的。为了解决这个问题，移动边缘计算(MEC)被认为是一个很有前途的解决方案。此外，随着对延迟敏感和任务关键型应用数量的不断增加，传统的物联网计算架构难以满足低延迟需求，边缘设备只收集数据，计算和智能功能集中在云上。为了进一步减少中心云的计算负担，赋予边缘数据存储、数据处理和决策的能力，提出了人工智能与MEC相结合的策略，从而产生了所谓的边缘智能(edge intelligence, EI)。然而，考虑到这些轻量级边缘服务器有限的计算资源，许多经典的机器学习算法由于计算量大而不适用于MEC。因此，选择合适的机器学习算法与边缘计算进行良好的融合，将给未来EI和IoT的发展带来前所未有的挑战。
通过将部分计算任务转移到部署在MDs附近的边缘服务器上，可以显著降低计算任务的处理延迟和MDs的能耗。在过去的几年里，许多关于移动边缘计算卸载(MECO)的研究工作已经出现[4,5]。现有的贪心近似和博弈论等方案大多达到了特定的优化目标，并在一定的场景下表现良好[6,7]。然而，这些方案不能在不同的场景中使用，而且大多数方案的卸载效率较低。一旦计算任务的特性(MDs的数量、输入数据的大小等)发生变化，就必须通过重新运行整个方案来获得新的卸载配置文件。此外，传统的方法适用于相对稳定的网络，但不适用于具有不断变化的MDs的动态系统。鉴于机器学习技术的良好适应性，将机器学习引入MECO是解决上述局限性的可行方案。
近年来，人们提出了机器学习(ML)与MECO相结合的方案，如基于深度学习的卸载[8]和基于强化学习的卸载[9]。但值得注意的是，这些方案在很长一段时间内都倾向于在特定场景中不断学习和调整，对不同场景的适应能力较差。此外，这些方案没有很好地保证数据安全，大量的用户敏感信息长期存储在边缘服务器上，并不断与其他边缘服务器交换，增加了用户隐私被攻击的风险。相比之下，作为ML的一个重要分支的监督学习，则是基于历史数据开发推断模型来预测输出值。值得注意的是，在MECO中使用训练监督学习模型的过程中，只需要少数几个MDs和计算任务的必要特征来进行任务卸载决策。特别是在卸载过程中，MDs的隐私和敏感信息不会被边缘服务器请求和存储。此外，用于卸载服务的必要用户信息在边缘服务器之间的交换更少，数据很快存储在边缘或等待队列中。因此，可以有效地提高可靠性和用户隐私。为此，我们将机器学习引入到任务卸载中，设计了一种智能任务卸载方案，该方案可以在不同的场景下生成相应的卸载决策概要。
本文的其余部分组织如下。我们首先讨论EI，并介绍其应用场景和面临的挑战。然后以EI中的任务卸载问题为例，提出了一种基于边缘的智能任务卸载方案。然后，我们给出了一些数值结果来验证我们提出的方案的性能，并对本文进行了总结。
情报在边缘
边缘情报
近年来，物联网的快速发展逐渐改变了我们的生活。大量智能设备进入我们的生活，各种智能应用应运而生。智能设备和传感器受其物理尺寸的限制，常常受到以下资源的限制，如存储、计算、电池容量等。此外，在智能交通、矿产勘探、油气钻探等物联网/工业物联网(IIoT)应用中产生的大量数据成为另一个需要解决的问题。例如，在一个采矿项目中，每天可以生成超过1pb的数据，而一辆自动驾驶汽车的数百个传感器每小时可以生成大约4tb的数据。一般来说，云计算通过采用人工智能技术为我们提供了一个可行的解决方案。然而，对于大多数物联网场景，特别是一些关键任务物联网/物联网应用，如自动化制造、自主驾驶、挖掘、智能医疗等，云计算模型不再适用于物联网生成的数据量，受到网络带宽、延迟、可靠性等的限制。边缘计算将数据处理从云转移到边缘，被认为是解决这些问题的解决方案，这就产生了所谓的EI[10]。如图1所示，EI引入了从云到边缘的获取、存储和处理数据的范式转换。
需要指出的是，机器学习技术大多需要大量的计算资源和较长的训练时间，以处理大量的数据。然而，边缘计算技术是使用轻量级计算能力的分布式边缘服务器/节点设计的，这使得它们与大多数机器学习技术的集成变得不切实际。表1总结了不同机器学习方法的优势和EI的局限性。从表中可以看出，由于边缘计算能力弱，存储空间小，大部分机器学习技术无法在EI中实现。因此，EI更适合处理数据预处理、数据过滤、数据缓存、轻量级计算等任务。
图1. 边缘智力
应用场景和开放挑战
随着边缘计算和人工智能的不断成熟，为EI的发展和应用带来了许多机遇，我们可以想象出许多EI可以应用的场景。
智能制造：智能制造通过采用传感、人工智能、虚拟现实/增强现实、云/边缘计算等技术，在工业制造过程中实现分析、推理、判断、构思、决策等智能活动，是制造业自动化的发展趋势。面对各种传感器收集的大量数据,以及实时监控和快速决策需要,边缘计算收集、预处理、实时和分析一些关键数据,因此,它可以通过使用AI智能决策技术在发送数据到云中心之前。
智能城市：自2010年IBM提出智慧城市的愿景以来，世界各国并没有停止建设智慧城市的步伐。如今，大量的智能边缘设备，如传感器、智能相机、智能灯杆等被广泛部署，服务于我们的城市生活。然而，面对来自边缘设备的海量数据通信和处理，以及各种对延迟敏感的应用需求，云计算模型无法胜任这一任务。对关键任务数据进行处理，并在接近边缘的位置进行智能决策，有望成为实现快速响应、智慧城市管理等的解决方案。
智能连接车辆：传感、云/边缘计算和人工智能等技术的快速发展和融合，正在推动传统汽车向智能互联汽车(ICVs)[11]的演进。与传统车辆相比，ICVs通过采用多种车载传感器、控制器和通信单元，不仅可以与外围设备(即车载通信系统)进行通信，还可以与车载通信系统进行通信。，其他车辆，路边单位，司机/乘客等)，还实现了防撞避让，智能路线选择，自动驾驶等。考虑到云计算的时延长、可靠性低，传统的云计算 AI模式不再适用。EI被认为是解决这些问题的可行方案，要求边缘服务器/节点智能处理实时信息并给出反馈决策，以满足ICVs的超低延迟要求。
可见，EI的应用非常广泛，符合物联网时代的关键技术。与此同时，我们也注意到在EI中仍有许多挑战需要解决。
集成架构：随着EI的逐渐成熟，有必要设计新的系统架构来与现有的系统模块兼容，支持未来系统的逐步实现和扩展，满足设备管理、集成和持久性机制。
机器学习的实现：考虑分布式边缘计算服务器/节点及其有限的计算能力、选择合适的机器学习技术并对其进行集中/分布式实现成为了另一个挑战，需要很好地满足超低延迟、低能耗和隐私保护的要求。
卸载分配：通过将EI引入到卸载分配中，可以解决现有卸载策略的许多限制，如边缘服务器上的数据预处理、在动态环境条件下快速变化的场景中优化卸载性能以及不断的新用户加入。然而，选择一种合适的机器学习算法将其与边缘计算相结合已经成为一个很大的挑战，而这方面的工作很少。
安全与隐私：与云上的集中存储不同，边缘计算采用分布式数据存储/缓存来处理大数据。因此，必须开发新的分布式身份验证和验证机制，以确保边缘服务器/节点的数据完整性和可信度。
表1. 具有边缘智能的多种机器学习技术的优势和局限性。
智能任务在边缘卸载
计算任务卸载作为边缘计算中的一项关键技术，近年来受到了许多研究者的关注[13,14]，采用贪心近似、博弈论[15]等技术提出了许多任务卸载方案。然而，人们注意到这些方案在适应性方面大多存在缺陷。特别是，它们是为具有确定优化目标(能源消耗或处理延迟)的特定场景设计的，如果我们更改到具有不同资源需求的其他场景，则必须重新设计新方案。此外，即使应用程序场景是固定的，如果MDs的数量和它们的任务发生变化，我们也必须重新运行该方案，为所有MDs的任务提供新的最优卸载配置文件。针对这些问题，我们将机器学习引入到计算任务卸载中，并针对机器学习的良好适应性，开发了一种智能任务卸载方案。
问题定义
如图2所示，我们在本文中考虑一个5G异构网络(HetNet)场景，其中N个MDs分布在一个宏基站(MBS)和一个短波低功耗小单元(SC)的覆盖范围内。SC部署在MBS的覆盖区域上，可以是一个飞秒电池、一个picocell或一个WiFi接入点(AP)，等等。每个MD通过双连通性/协调多点(CoMP)技术，可以同时与MBS和SC通信。为了向MDs提供边缘计算服务，一个或多个边缘服务器通过专用光纤连接到MBS/SC。
不失一般性,我们假设每个医学博士有一个计算任务需要处理,我可以描述和任务Ti MD在三个项目,也就是说,Ti = {mi, ci, timax}, mi是输入数据大小,ci表示任务所需的计算能力(CPU周期)钛、和timax完成Ti的最大容许处理时间。受任务Ti最大允许处理延迟的限制，它最多有三种卸载策略可供选择。特别是,我们采用李isin;{0,1,1}代表MD我卸载决定它的任务,在李= 0意味着MD我选择执行其任务的CPU,李肇星分别= -1/1表示,医学博士,我决定将其任务到边缘服务器连接到MBS / SC和执行它。通过采用不同的任务卸载决策组合，MDs的能耗和任务的总体处理时间会有所不同。本文的目标是为所有的MDs任务找到一个最优的卸载决策概要，从而在满足任务的最大允许处理延迟的情况下，最小化MDs的能耗或任务的总体处理时间。这个问题可以简单地定义如下。
定义1:具有处理时间约束的最优卸载(OOTC)：给定的初始信息,比如MDs和边缘服务器的计算能力,MDs的计算任务和传输能量,通过无线网络上行数据速率,OOTC的问题是找到一个最优的卸载决定配置文件的所有任务,满足任务的最大容许处理时间。
在这里，由于应用程序场景中的资源需求，优化目标可以是MDs的总体能耗、任务的总体处理延迟或两者的负载开销。
图2.边缘任务卸载
结论
为了解决OOTC问题，近年来分别采用贪心近似、博弈论等方法提出了几种解决方案。然而，正如上面所讨论的，大多数现有的作品缺乏适应性。因此，我们将机器学习引入到任务转移决策中，并开发了一种基于学习的任务转移策略。作为在表1中，考虑到现有机器学习技术的局限性，我们提出了一种基于监督决策树的基于卸载决策历史数据的卸载方案(DTOS)。
作为树结构，决策树由内部节点和叶节点组成，其中内部节点表示特征或属性，叶节点表示类。在DTOS中，我们采用之前的最优枚举卸载方案和博弈论卸载方案[7]的运行结果作为数据集，这些结果已经得到验证，以获得最优/接近最优的卸载决策概要。具体来说,四个参数,即MDs的数量,输入数据的大小,为完成任务所需的CPU周期,和任务的处理时间约束,确定作为样本的特性,也就是说,Ai = {N, mi, ci, timax}(0 lt;我le;N),之前获得卸载决策是用作标记的结果。
DTOS采用决策树分类，从根节点开始，测试样本的所有特征，并根据测试结果将样本分配给它们的子节点。递归地测试样本并将其分配给子节点，直到到达叶节点，然后将样本分配给叶节点的类。DTOS的细节在算法1中简要描述。
典型的决策树算法有ID3、C4.5、CART等。然而，考虑到任务卸载过程的连续性，这里不使用ID3方法，因为它只能处理离散属性的值。C4.5算法是ID3算法的增强和扩展版本，它使用信息增益率作为划分属性的基础。C4.5并不直接选择信息增益最大的候选分区属性，而是从候选属性中选择信息增益高于平均水平的属性，即信息增益率最高的属性。采用C4.5选择最佳分区属性的细节在过程1中进行了简要描述。
此外，还有一种常用的决策树算法CART，它引入了二分法和单变量分割。其中，CART每次选择基尼指数最小的特征作为决策树的分割节点，其中基尼指数反映了数据集D中两个随机样本的分类标记不一致的概率。因此，基尼系
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[236269]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
