南京邮电大学学报(自然科学版)

作者：汤蓓,郑忆敏,陈思光,吴蒙

单位：南京邮电大学 江苏省宽带无线通信和物联网重点实验室，江苏南京210003南京邮电大学 江苏省宽带无线通信和物联网重点实验室，江苏南京210003南京邮电大学 江苏省宽带无线通信和物联网重点实验室，江苏南京210003；南京邮电大学 江苏省通信与网络技术工程研究中心，江苏南京210003南京邮电大学 江苏省宽带无线通信和物联网重点实验室，江苏南京210003

关键词：雾计算；计算迁移；深度学习；能量高效

基金：国家自然科学基金（61971235，61771258）、江苏省“六大人才高峰”高层次人才项目（XYDXXJS 044）、江苏省“333高层次人才培养工程”、南京邮电大学‘1311’人才计划、中国博士后科学基金（面上一等资助）（2018M630590）、南京邮电大学国家自然科学基金孵化项目（NY217057，NY218058）和江苏省通信与网络技术工程研究中心开放课题重点项目（JSGCZX17011）资助项目

任务计算迁移作为大数据物联网场景下有效缓解计算压力的新型模式，引起了学者们的极大关注，虽然计算迁移在一定程度上缓解了原始感知设备的计算压力，提高了数据处理速度，但它并不能动态自适应地做出迁移决策。文中基于深度学习理论对雾计算迁移的任务完成时间与能耗最小化进行了深入研究。首先构建了任务完成时间最小化雾计算迁移优化问题，提出了一个基于深度学习的雾计算迁移决策算法用于解决上述优化问题；其次，为了进一步优化雾计算迁移的能耗，构建了终端用户能耗最小化雾计算迁移优化问题，基于上述迁移决策算法求解的最优迁移决策，提出了一个最优传输功率分配求解算法用于解决上述优化问题；最后，仿真结果表明所提算法具有较快的收敛速度，并在最小化任务完成时间迁移决策的基础上有效降低了终端用户能耗。

来源：2020年第2期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2020年第2期