基于D2D通信的移动边缘计算资源优化决策研究

With the rapid development of strategic emerging industries, such as artificial intelligence and the Internet of things, wireless networks need to provide adequate communication capacity, and the next-generation wireless networks need to achieve the goal of providing sufficient computing power. Mobile Edge Computing (MEC) and Device-to-Device (D2D) are expected to achieve this goal. The project integrates D2D into MEC, then a D2D-MEC network framework is formed. The framework can provide users with a variety of computing offloading modes and communication access modes, however, this chanced to become a problem that need to be solved under this framework. Based on these considerations, the project aims to study the optimal resource decision-making method under the D2D-MEC framework: 1) Formulate a proactive MEC server deployment decision that considers the laws of user behaviors. 2) Designing a computing offloading decision that considers both the computing offloading mode selection and the computing resource allocation by using deep reinforcement learning method. 3) Based on the optimization modeling and matching theory, formulate a joint optimization decision that considers the offloading decision, spectrum resource allocation and communication mode selection by using heuristic algorithm. The project research results will bring improvement of the overall network performance and provide theoretical and technical support for the practical application of D2D-MEC network framework.

人工智能、物联网等战略性新兴产业的蓬勃发展，不仅要求无线网络提供高效的通信能力，具备足够强大的计算能力也是未来网络必须实现的目标。移动边缘计算（Mobile Edge Computing, MEC）和终端直通（Device-to-Device, D2D）的提出有望完成该目标。本项目将两者融合形成D2D-MEC网络架构，此架构能为用户提供多种计算卸载和通信接入模式，但这恰巧又成为了此架构需解决的问题。为此本项目旨在研究该架构下的资源优化决策方法：1）制定用户行为规律指引的前瞻性的MEC服务器布署决策：2）利用深度强化学习方法设计出联合考虑计算卸载方式选择和计算资源分配的计算卸载决策；3）以最优化建模和匹配理论为基础，利用启发式算法来制定综合考虑计算卸载决策、频谱资源分配和通信模式选择的联合优化决策。项目研究成果将会带来网络整体性能的提升，为D2D-MEC网络架构的实际应用提供理论和技术支撑。

D2D通信低时延、高能效等特性使其非常适合应用于MEC网络来进行计算任务卸载，本项目将D2D通信融入MEC网络形成D2D-MEC网络架构，此架构基于D2D通信可以为用户提供多种计算卸载和通信方式，但有限的通信频谱、计算和能量资源使得这更多的选择恰巧又成为了此架构需要解决的核心问题。为此本项目研究了该架构下，计算卸载和多种资源分配的优化决策方法。主要研究工作包括：1）指引边缘服务器部署的用户行为规律预测方法。从D2D-MEC网络架构下边缘服务器部署可以更加灵活的角度出发，通过深入分析社会和信息空间中用户的历史行为特性，设计了内嵌深度学习图神经网络和狄利克雷过程的社会物联网模型对用户偏好行为特性进行预测，根据预测结果可提前优化边缘服务器的部署和缓存决策。2）计算卸载和计算资源的联合优化决策方法。D2D-MEC网络架构多了一种D2D卸载方式使计算任务D2D卸载到相邻设备处，考虑到设备和MEC服务器计算资源的有限性，利用协作强化学习、压缩因子粒子群算法设计了多种卸载方式的计算卸载和计算资源联合优化决策方法，最小化系统开销并提升用户体验。3）计算卸载决策、计算资源分配和频谱资源分配的联合优化决策方法。基于D2D通信，针对多设备多任务场景，深入分析频谱资源共享对计算卸载和计算资源分配的影响，通过交替方向乘子法和匹配理论设计最优化算法，实现了计算卸载决策、计算和频谱资源分配的联合优化，提升网络整体性能。4）频谱和功率资源的联合优化决策方法。通过对D2D-MEC网络频谱拥堵时多个计算任务同时基于D2D通信卸载产生严重同频干扰的问题建模，利用匹配理论和博弈论设计了多D2D通信卸载的频谱和功率资源联合优化决策方法，提高用户通信质量和数据速率。项目研究成果实现了网络整体性能的提升，对6G和物联网等智能网络的应用研究具有重要意义。