编辑推荐：
针对现有 MEC 系统忽略用户多样性、移动性及 UEE 优化问题，研究人员开展移动感知多用户异构 MEC 系统的能效计算卸载研究，提出 TD3-BT 算法。结果表明其性能优于基准算法，为 MEC 系统优化提供新方案。
随着物联网（IoT）设备的爆发式增长与计算密集型应用的普及，传统移动云计算（MCC）在任务延迟和能耗方面的瓶颈日益凸显。多接入边缘计算（MEC）通过将计算资源下沉至网络边缘，成为解决这一问题的关键技术。然而，现有 MEC 系统的计算卸载方法普遍面临四大挑战：一是假设用户类型单一或稳定，忽视用户多样性带来的个性化安全需求与移动性对资源竞争的影响；二是仅关注服务器主动能耗，忽略占峰值负载 50%-60% 的空闲能耗，导致效用能效（UEE）下降；三是系统建模常忽略任务到达的相关性或排队过程，造成性能指标估计偏差；四是传统优化算法难以适应动态网络环境，基于深度强化学习（DRL）的方法又大多忽视任务到达的内在关联。
为突破上述困境，燕山大学的研究人员开展了移动感知多用户异构 MEC 系统的能效计算卸载研究。团队提出一种融合自适应睡眠机制与异构服务器的计算卸载架构，并设计 TD3-BT（带突发流量的双延迟深度确定性策略梯度）算法，旨在平衡系统延迟与 UEE，相关成果发表在《Expert Systems with Applications》。
研究采用的关键技术方法包括：
- 异构架构设计：将边缘 / 云服务器划分为私有节点（为 VIP 用户提供安全计算服务）与公共节点（为普通及 VIP 用户提供基础服务），公共节点引入自适应睡眠机制管理空闲能耗。
- 马尔可夫到达过程（MAP）建模：通过扩展泊松过程捕获任务到达的相关性，构建包含本地执行与卸载计算的系统模型，并利用矩阵几何解法分析稳态性能指标。
- 深度强化学习算法：在 DRL 框架下开发 TD3-BT 算法，以单时隙内的性能指标估计为奖励函数基础，实现多用户动态卸载决策优化。
研究结果
1. 异构架构与睡眠机制的有效性
通过 MAP 建模分析发现，任务到达的相关性系数对系统延迟与 UEE 影响显著。当相关性增强时，传统独立到达假设会低估延迟约 20%-35%。引入自适应睡眠机制后，公共边缘节点的 UEE 提升 15%-25%，验证了架构在空闲能耗管理中的作用。
2. TD3-BT 算法的性能优势
在不同卸载场景下，TD3-BT 与基准算法（如 TD3-PT、DDPG）对比显示：
- 系统延迟：较 TD3-PT 降低 12%-20%，尤其在高移动性场景中优势更明显，表明其对动态网络环境的适应性。
- UEE 优化：在相同负载下，基于异构架构的 TD3-BT 比传统架构的 UEE 提高 18%-28%，证明架构与算法的协同效应。
- 收敛速度：TD3-BT 的奖励函数收敛速度比 DDPG 快 30%-40%，体现出双延迟策略在稳定性上的优势。
3. 多用户个性化需求的满足
通过将用户划分为普通与 VIP 类别，私有节点为 VIP 用户提供专属安全通道，其任务平均延迟控制在 50ms 以内，较公共节点降低 40%，满足高优先级用户的实时性与安全性需求。
结论与意义
本研究构建了兼顾用户多样性、移动性与能效的 MEC 系统框架，通过异构架构设计与 TD3-BT 算法，有效解决了现有 MEC 系统在动态环境下的卸载决策低效与能耗浪费问题。实验表明，所提方案在系统延迟、UEE 及多用户适配性方面均优于传统方法，为物联网时代海量异构设备的高效计算卸载提供了新范式。未来研究可进一步拓展至车联网、智慧城市等动态场景，探索跨层资源协同优化策略，推动 MEC 技术向更复杂的实际应用落地。
