在车辆边缘计算中，利用SA-DDQN-DDPG算法进行DNN任务的联合服务迁移与资源分配

《ACM Transactions on Intelligent Systems and Technology》：Joint Service Migration and Resource Allocation for DNN tasks using SA-DDQN-DDPG in Vehicular Edge Computing

边缘计算与AI结合面临DNN执行资源消耗大、车辆移动导致回传延迟影响QoE问题。本文提出基于自注意力机制的双深度Q网络与确定性策略梯度融合的SA-DDQN-DDPG算法，通过马尔可夫决策过程优化服务迁移和资源分配，平均任务完成延迟降低40.41%。

　　

摘要

随着车载边缘计算（VEC）和人工智能（AI）的快速发展，车载边缘智能的出现满足了实时车辆智能应用的需求。然而，深度神经网络（DNN）的运行需要大量的数据输入，这导致了执行DNN任务时需要大量的计算资源。这也给DNN任务的部署和边缘服务器的资源分配带来了了一定的负担。此外，由于车辆在VEC中的高移动性，车载边缘智能任务的回传延迟增加，影响了车辆的体验质量（QoE）。我们提出了一种服务迁移和资源分配的联合优化策略，旨在最小化平均任务完成延迟。该策略综合考虑了服务迁移行动和边缘服务器资源分配，被证明是一个混合整数非线性规划（MINLP）问题，因此我们将其表述为一个马尔可夫决策过程（MDP）。为了解决这个问题，我们提出了一种基于自注意力机制的双深度Q网络和深度确定性策略梯度算法（SA-DDQN-DDPG）的服务迁移算法，以获得最优的系统服务迁移策略。实验结果表明，所提出的SA-DDQN-DDPG算法在减少延迟方面表现出良好的性能。与始终使用DQN和DDQN相比，平均迁移延迟分别降低了40.41%、20.7%和14.50%。