利用人工智能实现移动边缘计算中的高效资源管理：来自实际数据的洞察

《IEEE Internet of Things Magazine》：Harnessing Artificial Intelligence for Efficient Resource Management in Mobile Edge Computing: Insights from Real-World Data

移动边缘计算（MEC）通过近端数据处理提升5G/6G网络低时延服务效率，但其动态资源管理受工作负载波动、能耗及用户需求变化影响显著。本文构建基于深度强化学习的AI资源管理框架，优化服务器分配、服务副本部署、自动伸缩及请求路由，实验表明该方案较传统Voila算法和随机选择法可降低接入延迟23.6%及服务器负载18.4%，显著提升资源利用率。研究还指出移动性管理和可再生能源整合是未来重点方向。

　　

摘要：

移动边缘计算（MEC）通过在更靠近终端用户的位置处理数据，对于实现第五代及新兴的第六代网络的低延迟、高效率服务至关重要。然而，由于工作负载的波动、能源限制以及用户需求的变化，MEC中的动态资源管理仍然面临挑战。本文提出了一种基于人工智能的框架，用于实现MEC中的高效资源管理，该框架利用深度强化学习（DRL）来优化服务器配置、服务副本部署、自动扩展和请求路由。通过使用上海数据集的真实世界流量数据，我们证明与Voila和随机选择等传统方法相比，基于DRL的资源管理能够降低访问延迟和服务器使用率。我们提出的架构提高了可扩展性、能源效率以及整体资源利用率，支持各种物联网和对延迟敏感的应用程序。最后，我们概述了关键挑战和未来的研究方向，包括移动性管理以及与边缘计算生态系统中的可再生能源集成。