AI赋能的端边云协同计算系统中在线任务卸载和资源分配算法研究

20250109

信息传输、软件和信息技术服务业

北京市自然科学基金青年项目

北京市科学技术委员会;中关村科技园区管理委员会

课题针对端边云协同计算平台下的协作节点推荐策略、任务卸载激励机制和在线任务卸载策略三个方面开展研究，提出了基于图神经网络的协作节点推荐算法、基于深度强化学习的任选卸载激励算法及联合推荐和激励的在线任务卸载算法，并设计实现了基于区块链的边缘节点数据共享和计算平台。 图神经网络推荐算法优化了在线任务卸载策略响应时延：课题在多终端设备多边缘协作的边缘计算场景下构建任务请求数据样本集，构建由终端设备集和协作节点集交互产生的任务请求交互信息集，同时协作节点、终端设备和任务分别有各自的特征属性信息。依据终端设备的任务请求为其分配协作节点，三者间的历史交互信息构建终端设备和协作节点的任务请求交互图。然后基于改进的图神经网络推荐算法为任务推荐Top-K卸载目标，降低深度强化学习求解过程的动作解空间的规模。进而基于深度强化学习计算出具有最小能耗的动作解组合。基于图神经网络推荐算法被成功应用到解决任务卸载策略，相比传统使用优化理论解决低复杂度的任务卸载问题和仅使用深度强化学习解决任务卸载问题，基于推荐机制对在线任务卸载在策略响应时延方面进行了优化，为后续大规模计算任务的调度问题提供了技术支持。 联合推荐和激励机制的在线任务卸载为端边云协同计算提供了新的策略求解思路：联合优化协作节点选择和任务卸载是混合整数的非线性非凸优化问题，是 NP 难问题，求解复杂度高。在云计算、边缘计算中多采用启发式、群智能和聚类分类等方案进行策略的求解，以上方案在小规模设备请求下还能满足策略求解，但对端边云系统下大规模任务卸载策略的求解还有很大不足。本课题提出的联合基于图神经网络推荐机制和基于深度强化学习的激励机制的在线任务卸载策略，通过降低动作空间规模，激励终端设备承担微基站的角色，将人工智能算法应用到在线任务卸载研究中，实现AI赋能的智能协同计算平台。本课题提出的联合推荐和激励机制的在线任务卸载算法为端边云协同计算提供了新的卸载策略求解思路。 基于区块链的安全多方计算平台为端边云协同计算平台构建提供了借鉴：针对物联网边缘节点的常规数据在符合安全准则的条件下高效流通的问题，基于边缘计算架构，提出一种基于区块链和布隆过滤器的边缘节点数据共享方法。同时，针对物联网边缘节点的隐私数据安全流通的问题，基于边缘计算架构，提出一种基于区块链的边缘节点安全多方计算平台，提高进行安全多方计算的计算节点的计算效率。本课题提出的基于区块链的数据共享和安全多方计算平台，不仅实现了边缘节点数据的隐私保护，还保证了计算节点任务的高效计算，为端边云协同计算平台的搭建提供了理论和技术支撑，具有较强的借鉴意义。