移动边缘计算中多用户计算卸载在线策略研究开题报告

1. 本选题研究的目的及意义

随着移动设备的普及和物联网技术的快速发展，移动应用对计算资源的需求呈指数级增长。

然而，移动设备通常受限于电池容量和计算能力，难以满足日益增长的计算需求。

为了解决这一矛盾，移动边缘计算（mobileedgecomputing，mec）应运而生，作为一种新兴的计算范式，它将计算资源和服务部署在网络边缘，为移动设备提供低延迟、高带宽的计算服务。

2. 本选题国内外研究状况综述

近年来，移动边缘计算（mec）已成为学术界和工业界的研究热点，计算卸载作为mec的关键技术之一，其研究取得了显著进展。

1. 国内研究现状

国内学者在mec计算卸载领域展开了广泛的研究。

3. 本选题研究的主要内容及写作提纲

本研究将针对移动边缘计算中多用户计算卸载在线策略的关键问题展开深入研究，主要内容包括以下几个方面：1.多用户mec环境下的计算卸载模型:首先，对多用户mec环境进行分析，考虑用户的异构性、任务的随机到达特性以及边缘服务器的资源限制等因素，建立一个能够准确描述多用户mec环境的计算卸载模型。

2.基于在线学习的计算卸载策略:针对传统离线策略无法适应动态mec环境的问题，研究基于在线学习的计算卸载策略。

探索强化学习等在线学习算法在计算卸载问题中的应用，设计能够根据环境变化动态调整卸载策略的在线学习算法。

4. 研究的方法与步骤

本研究将采用理论分析、算法设计、仿真实验等方法，逐步展开研究工作。

1.理论分析：深入研究多用户mec环境下的计算卸载问题，构建合理的计算卸载模型，并对在线策略的设计进行理论分析。

2.算法设计：基于在线学习和上下文感知的思想，设计高效的多用户计算卸载在线策略。

5. 研究的创新点

本研究的创新点主要体现在以下几个方面：1.在线学习与上下文感知的结合:将在线学习和上下文感知两种方法结合起来，设计更加智能、高效的多用户计算卸载在线策略。

在线学习算法能够使卸载策略适应动态变化的mec环境，而上下文感知机制则可以进一步提高卸载决策的精度。

2.面向多用户mec环境的算法设计:针对多用户mec环境的特点，例如用户的异构性、任务的随机到达特性以及边缘服务器的资源限制等，设计更加实用的计算卸载策略。

6. 计划与进度安排

第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。

第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲

第三阶段（2024.2~2024.3）查询资料，学习相关论文

7. 参考文献（20个中文5个英文）

1. 陈云,黄韬,张鹏,等.移动边缘计算中任务卸载研究综述[j].软件学报,2018,29(01):28-47.

2. 魏亮,杜欣,陶丹,等.移动边缘计算环境下任务卸载方法综述[j].计算机学报,2019,42(11):2578-2598.

3. 焦阳,徐宝文,沈沛意.移动边缘计算中任务卸载机制研究综述[j].计算机研究与发展,2018,55(05):913-927.