科研之友
微信
新浪微博
Facebook
分享链接
摘要
移动边缘计算 (Mobile Edge Computing，MEC) 为车联网 (Internet-of-Vehicles，IoV) 应用提供了低延迟、高带宽的服务。针对车辆移动过程中服务质量 (Quality-of-Service，QoS) 下降的问题，提出了一种新型的基于凸优化使能深度强化学习的服务迁移 (Service Migration via convex-optimization-enabled deep Reinforcement learning，SeMiR) 方法。在SeMiR方法中，将优化问题分解为两个子问题并分别求解；针对服务迁移子问题，设计了一种基于改进深度强化学习的服务迁移方法，以探索最优迁移策略；针对资源分配子问题，设计了一种基于凸优化的资源分配方法，以推导给定迁移决策下每台MEC服务器的最优资源分配，从而支持服务迁移的性能提升。基于真实城市车辆轨迹数据集和小规模测试床，大量实验结果表明：与基准方法相比，SeMiR方法能够有效提升车辆的QoS，并且在各种场景下均展现出更加优越的性能。
- 单位
