文件大小：1.13M
摘要：针对移动边缘计算中边缘服务器是否可信的安全性问题，以及基于深度强化学习的任务卸载方案存在收敛慢、波动大的难题，提出了一种基于信任感知和深度强化学习算法PER-SAC（Prioritized Experience Replay Soft Actor Critic）的任务卸载方案。首先，构建基于客观信息熵和历史卸载次数组合赋权的多源反馈信任融合模型，用于聚合信任反馈信息，评估边缘服务器的可信度。然后，利用基于优先级经验采样的PER-SAC算法，将基站作为智能体，负责计算任务的卸载决策。实验结果表明：该方案相较于TASACO、SRTO-DDPG和I-PPO方案，具有更优的性能和更好的收敛性，其累积奖励、时延和能耗指标均为最优，且其收敛速度更快、波动幅度更小。在多个测试场景下，相较于TASACO方案能耗性能最少提升5.8%，最大提升32.2%，时延性能最少提升8.5%，最大提升21.3%。
文章目录
0 概述
1 系统模型
1.1 边缘网络模型
1.2 计算模型
1.2.1 本地计算模型
1.2.2 任务卸载模型
1.3 多源反馈信任融合模型
2 基于深度强化学习的可信任务卸载
2.1 问题描述
2.2 问题建模
2.3优先经验回放
2.4算法设计
2.4.1 状态空间
2.4.2 动作空间
2.4.3 奖励函数
3 仿真实验和结果分析
3.1 实验设置
3.1.1 实验参数
3.1.2 对比实验
3.1.3 性能指标
3.2 实验结果分析
3.2.1 算法收敛性能
3.2.2 多源反馈信任融合模型性能评估
3.2.3 任务卸载性能评估
4 结束语
