面向移动边缘计算的流行度预测双时间尺度联合模型缓存、任务卸载与资源分配

《Computer Communications》:Popularity-predictive two-timescale joint model caching, task offloading, and resource allocation for mobile edge computing

【字体: 大 中 小 】 时间:2026年09月29日 来源:Computer Communications 4.2

编辑推荐:

   •双时间尺度框架联合优化缓存、卸载和资源分配。•基于时间卷积网络(TCN)的流行度预测实现了主动的边缘模型缓存。•MAPPO 学习周期级缓存和时隙级卸载决策。•凸优化高效处理连续资源分配。•仿真验证了相较于代表性基线方案更低的时延和能耗。引言随着人工智能(AI)应用在移动设备

  
  • •
    双时间尺度框架联合优化缓存、卸载和资源分配。
  • •
    基于时间卷积网络(TCN)的流行度预测实现了主动的边缘模型缓存。
  • •
    MAPPO 学习周期级缓存和时隙级卸载决策。
  • •
    凸优化高效处理连续资源分配。
  • •
    仿真验证了相较于代表性基线方案更低的时延和能耗。

引言

随着人工智能(AI)应用在移动设备和物联网(IoT)设备上的快速普及,延迟敏感的推理服务(包括智能导航、语音交互、增强现实和视觉识别)日益普遍 [1]、[2]。这些应用通常依赖深度神经网络(DNN)来支持实时感知与决策。然而,资源受限的终端设备往往缺乏足够的计算能力,且能耗预算有限,难以实现高效推理。将推理任务完全卸载到远程云中心虽可提供丰富的计算资源,但可能引入较大的传输时延、加剧网络拥塞并损害服务可靠性,尤其在大量服务请求同时到达时 [3]。
为缓解上述限制,AI 赋能的移动边缘计算(MEC)作为一种有前景的范式应运而生,它在网络边缘处理 AI 任务,从而减少对远程云中心的依赖并缩短服务响应时间 [4]。因此,近期研究已联合优化 AI 赋能 MEC 系统中的任务卸载以及通信与计算资源分配,以降低服务时延和能耗 [5]、[6]、[7]。然而,AI 推理服务提出了额外的模型可用性要求:只有当所需模型已缓存于边缘服务器(ES)时,推理任务才能在边缘服务器上执行 [8]、[9]。模型缓存通过预先在 ES 上部署 AI 模型来满足这一要求。但由于边缘存储有限,无法同时缓存所有模型,因此存储约束下的模型缓存放置问题至关重要 [10]。此外,联合考虑模型缓存、任务卸载和资源分配可以进一步提升系统性能,但也带来了诸多挑战。
第一个挑战源于模型缓存、任务卸载和资源分配之间固有的耦合关系。模型缓存决定了各 ES 上的模型可用性,从而限制了推理任务的可行执行位置。当请求的模型未缓存在本地 ES 时,相应任务可能需要重定向到邻近 ES 或云中心,从而改变传输路径。任务卸载进一步决定了边缘节点与云节点之间的工作负载分布,而带宽和 CPU 频率分配直接影响任务传输和执行过程中产生的时延和能耗 [11]。因此,单独优化任一组件可能导致资源利用效率低下和时延—能耗性能次优。
另一个关键挑战在于模型缓存、任务卸载和资源分配的异构时间尺度。由于模型流行度在相对较长的时间尺度上演化,频繁的缓存更新可能产生不必要的开销,因此模型缓存更适合周期级更新。相比之下,任务卸载和资源分配必须在细粒度的时隙级进行调整,以应对瞬时的任务到达、信道变化和工作负载波动。这些不同的更新需求使得联合问题非常适合双时间尺度建模 [12]。此外,AI 赋能 MEC 系统中的模型请求模式通常是非平稳的,在不同缓存周期间表现出时间相关性和热点迁移 [13]。缺乏预测指导的缓存决策可能无法跟踪需求演化,从而降低缓存命中率 [14]。在所考虑的 MEC 系统中,缓存未命中可能触发跨 ES 或云端卸载,进而增加任务时延和用户设备能耗。
多智能体强化学习(MARL)为部分可观测条件下的协作决策提供了通用框架 [15]。相应地,在所考虑的多 ES MEC 系统中,每个 ES 被建模为基于其本地观测做出去中心化决策的智能体。然而,该问题将二值的模型缓存和任务卸载决策与连续的带宽和 CPU 频率分配耦合在一起。联合学习这些变量将产生高维混合动作空间。先前的工作在单 ES 场景下将学习—优化分解方法应用于类似的混合决策问题 [16],而我们的问题额外需要跨异构时间尺度的多 ES 协调。
基于上述观察,本文研究多 ES AI 赋能 MEC 系统中模型缓存、任务卸载和资源分配的联合优化问题,目标是最小化任务完成时延和用户设备能耗。我们建立了包含周期级模型缓存以及时隙级任务卸载和资源分配的双时间尺度问题,同时区分缓存决策与有效缓存状态。为降低求解复杂度,模型缓存和任务卸载子问题被建模为多智能体马尔可夫决策过程(MDP),并通过所提出的 P2T-MAPPO 算法求解,而资源分配子问题则通过凸优化求解。P2T-MAPPO 采用基于 MAPPO [17] 的双头策略网络(actor),并使用时间卷积网络(TCN)[18] 从近期请求序列预测下一周期的模型流行度,作为缓存决策的辅助信息。
本文的主要贡献总结如下。
  • 1.
    我们建立了多 ES 双时间尺度联合优化问题,包含周期级模型缓存以及时隙级任务卸载和通信及计算资源分配。区分缓存决策与有效缓存状态可以更真实地反映所选缓存配置何时变得可用于任务执行。
  • 2.
    为降低联合优化问题的求解复杂度,我们将其分解为两个子问题:模型缓存和任务卸载子问题被建模为多智能体 MDP 并使用 MARL 求解,而资源分配子问题则通过凸优化求解。
  • 3.
    为解决基于 MDP 的离散决策子问题,我们提出了 P2T-MAPPO 算法。该算法采用双头策略网络分别处理周期级缓存和时隙级卸载,并使用 TCN 从近期请求序列预测下一周期模型流行度,作为缓存决策的辅助信息。
  • 4.
    我们在各种网络配置下进行了广泛的仿真实验。结果表明,所提出的 P2T-MAPPO 算法相较于代表性基线方案,能够持续降低平均任务完成时延和用户设备能耗。
本文其余部分组织如下。第 2 节综述相关工作。第 3 节介绍系统模型和问题建模。第 4 节将原始问题分解为两个子问题。第 5 节介绍所提出的 P2T-MAPPO 算法。第 6 节给出并讨论仿真结果。最后,第 7 节总结全文并展望未来工作。

各节摘要

相关工作

本节综述了 AI 赋能 MEC 系统中任务卸载、资源分配和缓存机制的相关工作。
任务卸载是 MEC 的基础,因为它决定了计算任务的执行位置,从而影响服务时延和用户设备能耗。随着智能服务的兴起,任务卸载研究已从传统的计算卸载扩展到面向 AI 推理的决策。Zhou 等人 [19] 研究了生成

系统模型与问题建模

本节介绍了所考虑的 AI 赋能 MEC 系统,并对模型缓存、任务卸载以及通信和计算资源分配的联合优化问题进行建模。为方便参考,系统模型及后续优化框架中使用的主要符号汇总于表 1。

问题简化

为降低问题 (28) 的复杂度,该问题同时涉及离散变量和连续变量,我们将其分解为离散决策子问题和连续资源分配子问题。具体而言,涉及模型缓存和任务卸载的离散决策过程被建模为马尔可夫决策过程(MDP),而与上行带宽分配、下行带宽分配和计算频率分配相关的连续变量则

P2T-MAPPO 算法

本节介绍 P2T-MAPPO,一种面向模型缓存和任务卸载决策的预测驱动双时间尺度多智能体强化学习算法。如图 3 所示,P2T-MAPPO 遵循集中训练与去中心化执行(CTDE)范式。它结合了基于 TCN 的模型流行度预测、参数共享的去中心化双头策略网络,以及仅在训练阶段使用的集中评论家(critic)。通信和计算资源分配则由

仿真结果

本节通过仿真评估所提出的 P2T-MAPPO 算法的收敛性和性能,并将其与各种系统设置下的代表性基线方案进行比较。

结论

本文研究了多 ES AI 赋能 MEC 系统中模型缓存、任务卸载和资源分配的联合优化问题。我们建立了双时间尺度优化问题,并提出了 P2T-MAPPO 算法以学习周期级模型缓存和时隙级任务卸载决策,利用基于 TCN 的下一周期流行度预测作为辅助信息。在获得离散的决策后,连续的通信和计算资源通过闭式

CRediT 作者贡献声明

Zhai Junjie(翟俊杰):初稿撰写、方法论、概念化。Wang Gaocai(王高才):审阅与编辑、验证。

资金支持

本工作由广西壮族自治区自然科学基金(项目编号 2025GXNSFAA069236)和中国国家自然科学基金(项目编号 62062007)资助。

利益冲突声明

作者声明不存在已知的、可能影响本文所报告工作的经济利益或个人关系方面的利益冲突。
Zhai Junjie(翟俊杰)|Wang Gaocai(王高才)
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号