本文档属于类型a：单篇原创研究报告。以下是针对该研究的学术报告：

作者及发表信息

本研究由Kai Peng（IEEE高级会员）、Chengfang Ling、Shangguang Wang（IEEE高级会员）和Victor C.M. Leung（IEEE终身会士）合作完成。作者单位包括华侨大学工程学院、南京大学软件新技术国家重点实验室、北京邮电大学网络与交换技术国家重点实验室、深圳大学计算机与软件工程学院以及加拿大不列颠哥伦比亚大学电气与计算机工程系。论文发表于《IEEE Transactions on Mobile Computing》2025年11月刊（第24卷第11期），标题为《An Online Computation Offloading Approach with Dual Stability Guarantee for Heterogeneous Tasks in MEC-Enabled IIoT》。

学术背景

研究领域：本研究属于工业物联网（IIoT, Industrial Internet of Things）与移动边缘计算（MEC, Mobile Edge Computing）的交叉领域，聚焦于计算卸载（Computation Offloading）的实时性与稳定性优化问题。

研究动机：随着工业5.0（Industry 5.0）的发展，IIoT面临数据处理压力激增、资源受限等挑战。传统IIoT系统难以满足低延迟和高稳定性的工业需求，而现有MEC研究多忽略任务和服务器异构性（Heterogeneity），且缺乏对系统稳定性的双重保障机制。

研究目标：提出一种名为OCoDSG（Online Computation Offloading with Dual Stability Guarantee）的在线计算卸载方法，通过Lyapunov优化和深度强化学习（DRL, Deep Reinforcement Learning）技术，实现延迟、能耗和网络抖动的多目标优化，同时保障队列稳定性与系统稳定性。

研究流程与方法

1. 系统建模

• 模型框架：构建了基于MEC的IIoT任务卸载框架，包含异构边缘服务器（ES）、IIoT设备和云服务器。任务按优先级分类（紧急、普通、可等待），并通过计算能力网络（Computing Power Network）动态协调资源分配。
  
• 关键参数：任务优先级（( t{p{i3}} )）由任务类型、数据量和截止时间加权计算（公式2）；卸载策略（( to_{i3} )）包括本地执行、边缘卸载或云卸载（公式3）。
  

2. 双重稳定性保障机制

• Lyapunov队列优化：为每个IIoT设备构建虚拟任务队列，通过Lyapunov函数（公式6-7）优化队列稳定性，避免系统拥塞。
  
• 网络抖动测量：将网络抖动（Jitter）作为第三优化目标（公式15），通过动态调整卸载策略降低延迟波动。
  

3. 基于D3QN的在线卸载算法

• 算法设计：采用Dueling Double Deep Q-Network（D3QN）算法，结合高斯噪声（Gaussian Noise）增强探索能力（公式26-27）。状态空间包含任务、服务器和设备信息（公式18），奖励函数整合延迟、能耗、抖动和任务优先级（公式19）。
  
• 训练流程：通过经验回放（Experience Replay）和双网络（评估网络与目标网络）更新策略（算法1），目标函数为最小化总延迟、Lyapunov漂移与能耗的加权和（公式16）。
  

4. 实验验证

• 仿真数据集：设置8-16台边缘服务器和500项任务，对比DQN、Double DQN、Dueling DQN和D3QN基线方法。
  
• 真实数据集：采用ECW数据集（797台边缘服务器的720小时带宽数据），模拟5000项任务和100台服务器的场景。
  

主要结果

1. 性能优化：

   • 在仿真实验中，OCoDSG相比基线方法降低延迟7%、能耗6%，网络抖动减少4%，超时任务数控制在5项以内（图5）。
     
   • 真实场景下，延迟优化4%-15%，能耗降低2.5%-9%，超时任务减少57%（图6）。
     

2. 稳定性提升：

   • Lyapunov优化使队列长度波动降低30%，网络抖动标准差从12ms降至8ms（表IV）。
     
   • 高斯噪声的引入使算法收敛速度提升20%（图4）。
     

3. 异构性适配：

   • 任务优先级机制使高优先级任务的完成率提高35%，边缘服务器资源利用率达92%。
     

结论与价值

科学价值：
1. 首次在IIoT中提出双重稳定性保障机制，将Lyapunov优化与网络抖动测量结合，为动态环境下的MEC研究提供新范式。
2. 设计了基于噪声D3QN的在线卸载算法，解决了传统DRL收敛慢和探索不足的问题。

应用价值：
1. 可部署于智能制造、车联网等高实时性要求的工业场景，提升边缘计算效率。
2. 开源算法框架为后续研究提供基准工具。

研究亮点

1. 创新方法：首次将高斯噪声引入D3QN参数空间，增强算法鲁棒性。
   
2. 多目标优化：同时优化延迟、能耗和抖动，突破传统MEC研究的单目标局限。
   
3. 工业适配性：通过任务优先级和异构服务器建模，更贴合实际IIoT场景。
   

其他价值

实验部分公开了仿真参数（表III）和真实数据集（表V），支持结果可复现性。未来工作拟结合多智能体DRL（Multi-Agent DRL）和卫星边缘计算（Satellite Edge Computing）进一步扩展应用场景。

（报告总字数：约1800字）