智能场景下异构任务边缘卸载与资源优化策略的学术报告

一、作者与发表信息
本研究的通讯作者为北京工业大学计算机学院软件工程系的张孝波（Xiaobo Zhang）、李达（Da Li）、黄玲（Ling Huang）和张勤黄（Zhangqin Huang，通讯作者，邮箱：zhuang@bjut.edu.cn）。研究团队隶属于北京工业大学物联网软件与系统工程技术研究中心。该成果发表于期刊 Transactions on Emerging Telecommunications Technologies 2025年9月刊，文章标题为《Heterogeneous Task Edge Offloading and Resource Optimization Strategy for Intelligent Scenarios》，研究得到中国国家发展和改革委员会（NDRC）的资助。

二、学术背景与研究目标
科学领域：本研究属于移动边缘计算（Mobile Edge Computing, MEC）与物联网（Internet of Things, IoT）的交叉领域，聚焦于智能交通、城市感知等场景中的实时任务处理问题。
研究背景：随着智能场景中延迟敏感型（如机器学习异常检测）和计算密集型任务的增长，边缘计算系统面临动态资源分配与异构任务调度的双重挑战。传统边缘服务器因资源有限且任务需求差异大（如延迟阈值、能耗模式等），易出现负载不均、任务超时等问题。
研究目标：提出一种多边缘服务器协同的异构任务卸载与资源优化策略，通过任务优先级调度和深度强化学习算法，实现负载均衡并最小化任务处理延迟。

三、研究流程与方法
1. 系统架构设计
- 分层模型：构建四层架构（终端设备层、MEC服务层、MEC控制层、云服务层），支持终端设备、边缘服务器与云中心的动态协作。终端设备可部分处理本地任务或通过MEC控制器全局卸载。
- 资源池化机制：通过MEC控制器集中管理区域内的服务器资源，形成共享资源池，支持跨服务器任务调度。

1. 任务卸载与交互流程

   • 控制指令流：终端生成任务后，向最近的MEC服务器发送请求（含任务大小、计算资源需求、最大延迟等），MEC控制器基于全局资源状态制定卸载决策（目标服务器与资源分配）。
     
   • 数据流：分两种场景：（1）固定终端就近卸载；（2）移动终端通过服务器间有线链路中转。任务结果返回时，根据终端位置动态选择路径（同一区域、跨区域或跨控制器）。
     

2. 任务调度机制

   • 时间组与评分算法：
     
     • 动态分组：根据服务器任务积压量（φₘ(t)）和到达率（λₘ(t)）调整时间组容量（ψₘ(t)），避免单次排序任务过多。
       
     • 优先级评分：结合任务传输等级（PPPP机制）、延迟敏感度（分4级）和归一化到达时间（tᵢⁿᵒʳ），计算综合评分ωᵢ = e⁻ᵗⁱⁿᵒʳ − ln(Pᵢ + Dₑᵢ)，按评分降序调度。
       

3. 资源优化算法（基于DQN）

   • 状态空间：包括服务器负载（ξ）、资源块可用性（mₚₘ∈{0,1}）及任务参数（Iᵢ, Dᵢ, Oᵢ, Tᵢᵐᵃˣ）。
     
   • 动作空间：选择目标服务器（αₘ∈{0,1}）和资源块分配（βₚₘ∈{0,1}）。
     
   • 奖励函数：以任务延迟倒数为核心，超时任务施加惩罚（Tᵢᵐᵃˣ − Tᵢ）。
     
   • 训练机制：采用双神经网络（策略网络与目标网络）和经验回放，通过Adam优化器更新参数。
     

四、主要结果与逻辑关联
1. 算法收敛性：在学习率λ=0.01时，DQN算法收敛最快，奖励值提升11.52%（对比λ=0.1）和14.86%（对比λ=0.001），验证了优化目标的可行性。
2. 服务器协作性能：与独立服务模式相比，协作机制降低平均任务延迟30%以上，超时率减少5%，证明资源共享可显著提升效率。
3. 任务优先级性能：相较于JSCO（公平调度）和OTOSA（最近卸载），本策略对高延迟敏感任务（Type 1-2）的超时率降低28.25%，且对低敏感任务（Type 3-4）的延迟优化12.64%，体现分组评分的优势。
4. 负载均衡：在任务到达率55 tasks/s时，负载方差比随机策略降低45.82%，优于JSCO（31.28%）和OTOSA（14.65%）。

五、结论与价值
科学价值：
- 提出首个融合时间组动态调整与DQN资源优化的边缘计算框架，解决了异构任务调度中优先级冲突与资源碎片化问题。
- 通过MEC控制器全局视角，实现了多服务器负载均衡的理论突破。
应用价值：
- 可部署于智能交通实时监控、工业物联网等场景，支持毫秒级延迟要求的任务（如自动驾驶异常检测）。
- 实验显示，在任务规模8MB、计算量400 cycles/bit时，Type 1任务平均延迟控制在18ms内，满足5G超低延迟需求。

六、研究亮点
1. 创新方法：
- 时间组容量动态公式ψₘ(t) = ⌊logₑ(ψₘᵐᵃˣ × λₘ(t)/φₘ(t))⌋，首次引入对数函数平衡排序效率与公平性。
- DQN奖励函数设计融合延迟倒数与超时惩罚，优于传统Q-learning的单一目标优化。
2. 场景特殊性：
- 覆盖终端移动性（通过距离𝑑ₖₘ影响信道增益ℎₖₘ）与任务异构性（4类延迟等级），更贴近实际边缘环境。

七、其他价值
- 开源仿真参数（表2）为后续研究提供基准，如终端功率𝑃ₖ∈[0.1,0.5]W、资源块大小𝑓ᵣᵦ=2×10⁹ cycles/s等。
- 提出的控制-数据平面分离架构（SDN思想）可扩展至其他分布式计算场景。