公开(公告)号：CN119621238A

公开(公告)日：2025-03-14

申请号：CN202411698917.3

申请日：2024-11-26

Applicant: 福州大学

Inventor： 陈哲毅 ,  曾旺 ,  梁杰 ,  池梦莉

IPC: G06F9/455 ,  G06F9/48 ,  G06F9/50 ,  G06F9/54

Abstract: 本发明涉及一种面向SEC环境的镜像缓存与资源分配方法，包括：DRL智能体根据所有用户的相关信息，包括SEC节点镜像，任务数据量，任务计算量，任务要求函数类型，生成镜像缓存和任务调度决策；SEC控制器根据任务调度决策，向各个边缘节点下达任务调度的决策，完成任务的调度；边缘节点根据任务调度决策以及队列负载，基于凸优化为现有机器上正在运行的容器分配计算资源并支持其并行运行；边缘节点在完成用户任务后，根据SEC控制器发出的镜像缓存决策，缓存本地对应的镜像；在镜像缓存和资源分配过程中，记录各个时隙的状态、采取的动作、获得的奖励以及转入的新状态，DRL智能体生成相应的镜像缓存和资源分配决策。该方法有利于在保证QoS的同时降低ESP成本。

公开(公告)号：CN117835327A

公开(公告)日：2024-04-05

申请号：CN202410002268.2

申请日：2024-01-02

Applicant: 福州大学

Inventor： 陈哲毅 ,  黄一帆 ,  曾旺

IPC: H04W28/084 ,  G06N3/092 ,  G06N7/01 ,  H04W72/53

Abstract: 本发明提供一种移动边缘计算中基于Actor‑Critic深度强化学习的任务调度方法，首先对所提出的移动边缘计算中的任务调度问题进行形式化定义。其次提出一种结合深度强化学习和掩码机制的任务调度方法。最后实现了所提出的系统环境和调度方法，并进行了大量的实验对方法的有效性进行证明。实验结果显示，本发明方法能应对面对动态多变的MEC环境，逼近最优的任务调度策略，有效地提高服务质量。

公开(公告)号：CN117202265A

公开(公告)日：2023-12-08

申请号：CN202311287891.9

申请日：2023-10-08

Applicant: 福州大学

Inventor： 陈哲毅 ,  黄思进 ,  刘浩 ,  文佳 ,  曾旺

IPC: H04W28/084 ,  H04W4/40 ,  H04L67/10

Abstract: 本发明提出一种边缘环境下基于DQN的服务迁移方法。以探索最优服务迁移策略。其中，所提出的DQNSM方法通过设置经验回放池和目标网络以达到更快的收敛速度和更好的收敛效果。基于城市实际车辆轨迹数据集，大量仿真实验验证了本发明所提出的DQNSM方法的可行性和有效性。与4种基准方法相比，DQNSM能快速做出服务迁移决策，在不同的MEC环境参数设置下，均能取得最好的效果。