移动边缘计算系统中多实时工作流的动态任务卸载优化研究

针对移动边缘计算(MEC)系统中随机到达的多工作流任务因拓扑复杂性和资源异构性导致的延迟敏感性问题，研究者提出基于在线强化学习(OnRLO)的动态多工作流卸载(DMWO)框架，通过实时多工作流分区(RMP)算法和自适应任务执行(ATE)方法，显著降低总延迟2%-31%，为AR、应急响应等实时应用提供高效调度方案。

　　

随着增强现实(AR)、应急响应等实时应用的普及，移动边缘计算(Mobile Edge Computing, MEC)成为解决计算密集型/延迟敏感任务的关键技术。然而，移动设备(MD)提交的带期限约束工作流面临三大挑战：动态系统中传统强化学习(RL)适应性差、离线训练依赖性强、多工作流资源竞争导致延迟累积。例如视频处理工作流中，视频音频分离(计算密集型)与就绪通知(延迟敏感)任务的混合需求，使得异构MEC服务器与移动终端间的任务卸载决策极具复杂性。

针对这一难题，国内研究人员提出创新性解决方案。他们发现现有RL方法因静态工作流假设和简单探索-利用权衡机制，难以应对随机到达的多工作流场景。为此开发了动态多工作流卸载(DMWO)框架，其核心是通过实时多工作流分区(RMP)算法动态划分任务拓扑，结合在线强化学习(OnRLO)算法实现增量Q值调整。该框架通过四种自适应任务执行(ATE)方法优化异构资源分配，在《Expert Systems with Applications》发表的研究中展现出显著优势。

关键技术包含：1) 建立含K个MEC服务器和D个MD的系统模型，通过虚拟机(VM)集群_v^k实现资源抽象；2) 设计实时状态监测机制捕捉工作流到达率与服务器负载；3) 开发基于DAG(有向无环图)的RMP算法保持任务前驱约束；4) 采用ε-贪婪策略平衡探索与利用，通过即时任务执行反馈更新Q值矩阵。

研究结果方面：
系统模型：构建包含异构服务器_k和移动设备_d的联合MEC-MD架构，量化传输速率R_k,k'与计算能力f_k的影响。
Proposed Algorithms：DMWO框架通过五层组件实现闭环优化，其中ATE方法将关键路径任务优先卸载至低延迟服务器。
Performance Evaluation：在AR/视频处理等场景测试显示，OnRLO较传统RL降低总延迟达31%，且计算开销集中在可并行的RMP阶段。

该研究突破性地将在线学习引入动态工作流调度，其创新点在于：1) 通过实时状态重构解决拓扑随机性问题；2) 利用执行反馈动态调整价值估计；3) 实现计算复杂度与响应速度的平衡。这项工作为5G时代实时应用提供理论基础，未来可扩展至车联网等更复杂边缘计算场景。