高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

工业物联网中数字孪生辅助任务卸载算法

唐伦 单贞贞 文明艳 李荔 陈前斌

唐伦, 单贞贞, 文明艳, 李荔, 陈前斌. 工业物联网中数字孪生辅助任务卸载算法[J]. 电子与信息学报, 2024, 46(4): 1296-1305. doi: 10.11999/JEIT230317
引用本文: 唐伦, 单贞贞, 文明艳, 李荔, 陈前斌. 工业物联网中数字孪生辅助任务卸载算法[J]. 电子与信息学报, 2024, 46(4): 1296-1305. doi: 10.11999/JEIT230317
TANG Lun, SHAN Zhenzhen, WEN Mingyan, LI Li, CHEN Qianbin. Digital Twin-assisted Task Offloading Algorithms for the Industrial Internet of Things[J]. Journal of Electronics & Information Technology, 2024, 46(4): 1296-1305. doi: 10.11999/JEIT230317
Citation: TANG Lun, SHAN Zhenzhen, WEN Mingyan, LI Li, CHEN Qianbin. Digital Twin-assisted Task Offloading Algorithms for the Industrial Internet of Things[J]. Journal of Electronics & Information Technology, 2024, 46(4): 1296-1305. doi: 10.11999/JEIT230317

工业物联网中数字孪生辅助任务卸载算法

doi: 10.11999/JEIT230317
基金项目: 国家自然科学基金(62071078),重庆市教委科学技术研究项目(KJZD-M201800601),川渝联合实施重点研发项目(2021YFQ0053),贵州省教育厅自然科学研究项目(黔教合KY字[2021]236)
详细信息
    作者简介:

    唐伦:男,教授,博士生导师,研究方向为新一代无线通信网络、异构蜂窝网络、软件定义无线网络、数字孪生边缘网络等

    单贞贞:女,硕士生,研究方向为边缘智能协同计算、联邦学习效率优化、资源协同优化等

    文明艳:女,硕士生,研究方向为移动边缘计算辅助智能驾驶技术、联邦学习效率优化等

    李荔:女,讲师,博士生,研究方向为网络切片、机器学习等

    陈前斌:男,教授,博士生导师,研究方向为个人通信、多媒体信息处理与传输、下一代移动通信网络、异构蜂窝网络等

    通讯作者:

    单贞贞 2804117551@qq.com

  • 中图分类号: TN929.5

Digital Twin-assisted Task Offloading Algorithms for the Industrial Internet of Things

Funds: The National Natural Science Foundation of China (62071078), The Science and Technology Research Program of Chongqing Municipal Education Commission (KJZD-M201800601), Sichuan and Chongqing Key R&D Projects (2021YFQ0053), The Natural Science Project of Guizhou Provincial Department of Education (QJHKYZ[2021]236)
  • 摘要: 针对工业物联网(IIoT)设备资源有限和边缘服务器资源动态变化导致的任务协同计算效率低等问题,该文提出一种工业物联网中数字孪生(DT)辅助任务卸载算法。首先,该算法构建了云-边-端3层数字孪生辅助任务卸载框架,在所创建的数字孪生层中生成近似最佳的任务卸载策略。其次,在任务计算时间和能量的约束下,从时延的角度研究了计算卸载过程中用户关联和任务划分的联合优化问题,建立了最小化任务卸载时间和服务失败惩罚的优化模型。最后,提出一种基于深度多智能体参数化Q网络(DMAPQN)的用户关联和任务划分算法,通过每个智能体不断地探索和学习,以获取近似最佳的用户关联和任务划分策略,并将该策略下发至物理实体网络中执行。仿真结果表明,所提任务卸载算法有效降低了任务协同计算时间,同时为每个计算任务提供近似最佳的卸载策略。
  • 图  1  数字孪生辅助任务卸载的应用场景

    图  2  不同学习率下的累积奖励对比

    图  3  有无DT辅助的计算时间对比

    图  4  不同数据偏差率对计算时间误差的影响

    图  5  不同卸载方案下的计算时间对比

    图  6  设备数量对最佳任务划分比例的影响

    图  7  任务数据量对最佳任务划分比例的影响

    1  基于DMAPQN的用户关联和任务划分算法

     输入:价值网络和策略网络的学习率$ \{ {\alpha _{k,1}},{\alpha _n},{\beta _{k,2}},{\beta _n}\} $;探索概率$ \phi $;全局学习回合数$ {J_{{\text{max}}}} $;概率分布$ \psi $;一个mini-batch中小批量数
     据$ I $;采样数据学习回合数$ {I_{{\text{max}}}} $
     初始化:经验回放池$ \varUpsilon $,初始化全局价值函数$ Q_{{\text{tot}}}^{{\text{sum}}} $,随机初始化各个智能体中的网络参数,随机初始化全局网络参数$ {\theta _{{\text{tot}}}} $和$ {\omega _{{\text{tot}}}} $;
     输出:用户关联和任务划分策略$ {{\boldsymbol{\pi}} ^*} $
     (1) for $ j = 1,2,\cdots ,{J_{\max }} $ do
     (2)  for $ n = 1,2,\cdots ,N $ do
     (3)   for $ k = 1,2,\cdots ,K $ do
     (4)    根据式(29)计算连续动作$ {x_{{u_{k,n}}}} \leftarrow {x_{{u_{k,n}}}}({{\boldsymbol{s}}_{k,n}},{\theta _{k,n}},{\theta _{{\text{tot}},n}}) $
     (5)    根据$ \phi $-贪婪策略选择动作$ {{\boldsymbol{a}}_{k,n}} = \{ {u_{k,n}},{x_{{u_{k,n}}}}\} $,选择原则为
             $ {{\boldsymbol{a}}}_{k,n}=\left\{\begin{array}{l}来自分布\psi \text{ }的一个样本,概率\varphi \\ \{{u}_{k,n},{x}_{{u}_{k,n}}\},\;{u}_{k,n}=\mathrm{arg}\underset{{u}_{k,n}\in [{U}_{k,n}]}{\mathrm{max}}{Q}_{k,n}({{\boldsymbol{s}}}_{k,n},{u}_{k,n},{x}_{{u}_{k,n}};{\omega }_{k,n},{{\boldsymbol{\omega}} }_{n})\text{ },概率1-\varphi \end{array} \right.$
     (6)    执行动作$ {{\boldsymbol{a}}_{k,n}} $,获取奖励$ {r_{k,n}} $,并观察下一个环境状态$ {{\boldsymbol{s}}_{k,n + 1}} $
     (7)    将本次经验元组$ {\varUpsilon _{k,n}} = [{{\boldsymbol{s}}_{k,n}},{{\boldsymbol{a}}_{k,n}},{r_{k,n}},{{\boldsymbol{s}}_{k,n + 1}}] $存储至经验回放池中
     (8)    从回放池中随机抽取经验样本$ [{{\boldsymbol{s}}_{k,i}},{{\boldsymbol{a}}_{k,i}},{r_{k,i}},{{\boldsymbol{s}}_{k,i + 1}}],i \in I $
     (9)    根据式(30)计算目标函数值$ {y_{k,i}} $
     (10)    使用数据$ \{ {y_{k,i}},{{\boldsymbol{s}}_{k,i}},{{\boldsymbol{a}}_{k,i}}\} ,i \in I $计算随机梯度$ {\nabla _\theta }\ell _n^\varTheta ({\theta _{k,n}}) $和$ {\nabla_\omega }\ell _n^Q{\text{(}}{\omega _{k,n}}{\text{)}} $
     (11)   根据式(31)和式(32),计算确定性策略网络和价值网络的损失函数
     (12)    根据式(33)和式(34),更新价值网络和策略网络的参数
     (13)    将本地价值函数$ {Q_{k,n}} $值上传至全局混合网络
     (14)    if $ i > {I_{\max }} $then
     (15)     根据式(37)计算全局混合网络$ Q_{{\text{tot}}}^{{\text{sum}}} $值
     (16)     根据式(38)和式(39)更新全局混合网络的参数
     (17)     全局混合网络将全局网络参数下发至各个智能体中
     (18)    end if
     (19)  end for
     (20) end for
     (21) end for
    下载: 导出CSV
  • [1] WU Yiwen, ZHANG Ke, and ZHANG Yan. Digital twin networks: A survey[J]. IEEE Internet of Things Journal, 2021, 8(18): 13789–13804. doi: 10.1109/JIOT.2021.3079510.
    [2] ZHAO Liang, HAN Guangjie, LI Zhuhui, et al. Intelligent digital twin-based software-defined vehicular networks[J]. IEEE Network, 2020, 34(5): 178–184. doi: 10.1109/MNET.011.1900587.
    [3] LIU Tong, TANG Lun, WANG Weili, et al. Digital-twin-assisted task offloading based on edge collaboration in the digital twin edge network[J]. IEEE Internet of Things Journal, 2022, 9(2): 1427–1444. doi: 10.1109/JIOT.2021.3086961.
    [4] LI Bin, LIU Yufeng, TAN Ling, et al. Digital twin assisted task offloading for aerial edge computing and networks[J]. IEEE Transactions on Vehicular Technology, 2022, 71(10): 10863–10877. doi: 10.1109/TVT.2022.3182647.
    [5] DAI Yueyue, ZHANG Ke, MAHARJAN S, et al. Deep reinforcement learning for stochastic computation offloading in digital twin networks[J]. IEEE Transactions on Industrial Informatics, 2021, 17(7): 4968–4977. doi: 10.1109/TII.2020.3016320.
    [6] YE Qiaoyang, RONG Beiyu, CHEN Yudong, et al. User association for load balancing in heterogeneous cellular networks[J]. IEEE Transactions on Wireless Communications, 2013, 12(6): 2706–2716. doi: 10.1109/TWC. 2013.040413.120676.
    [7] DO-DUY T, VAN HUYNH D, DOBRE O A, et al. Digital twin-aided intelligent offloading with edge selection in mobile edge computing[J]. IEEE Wireless Communications Letters, 2022, 11(4): 806–810. doi: 10.1109/LWC.2022.3146207.
    [8] LI Mushu, GAO Jie, ZHAO Lian, et al. Deep reinforcement learning for collaborative edge computing in vehicular networks[J]. IEEE Transactions on Cognitive Communications and Networking, 2020, 6(4): 1122–1135. doi: 10.1109/TCCN.2020.3003036.
    [9] VAN HUYNH D, VAN-DINH NGUYEN, SHARMA V, et al. Digital twin empowered ultra-reliable and low-latency communications-based edge networks in industrial IoT environment[C]. ICC 2022 - IEEE International Conference on Communications, Seoul, Republic of, Korea, 2022: 5651–5656. doi: 10.1109/ICC45855.2022.9838860.
    [10] HU Han, WANG Qun, HU R Q, et al. Mobility-aware offloading and resource allocation in a MEC-enabled IoT network with energy harvesting[J]. IEEE Internet of Things Journal, 2021, 8(24): 17541–17556. doi: 10.1109/JIOT.2021.3081983.
    [11] LI Changxiang, WANG Hong, and SONG Rongfang. Intelligent offloading for NOMA-assisted MEC via dual connectivity[J]. IEEE Internet of Things Journal, 2021, 8(4): 2802–2813. doi: 10.1109/JIOT.2020.3020542.
    [12] HEYDARI J, GANAPATHY V, and SHAH M. Dynamic task offloading in multi-agent mobile edge computing networks[C]. 2019 IEEE Global Communications Conference (GLOBECOM), Waikoloa, HI, USA, 2019: 1–6. doi: 10.1109/GLOBECOM38437.2019.9013115.
    [13] LIU Zening, YANG Yang, WANG Kunlun, et al. Post: Parallel offloading of splittable tasks in heterogeneous fog networks[J]. IEEE Internet of Things Journal, 2020, 7(4): 3170–3183. doi: 10.1109/JIOT.2020.2965566.
    [14] FU Haotian, TANG Hongyao, HAO Jianye, et al. Deep multi-agent reinforcement learning with discrete-continuous hybrid action spaces[C]. The Twenty-Eighth International Joint Conference on Artificial Intelligence, Macao, China, 2019: 2329–2335. doi: 10.24963/IJCAI.2019/323.
    [15] XIONG Jiechao, WANG Qing, YANG Zhouran, et al. Parametrized deep Q-networks learning: Reinforcement learning with discrete-continuous hybrid action space[EB/OL].https://arxiv.org/abs/1810.06394, 2018.
    [16] SALEEM U, LIU Y, JANGSHER S, et al. Latency minimization for D2D-enabled partial computation offloading in mobile edge computing[J]. IEEE Transactions on Vehicular Technology, 2020, 69(4): 4472–4486. doi: 10.1109/TVT.2020.2978027.
    [17] MOURAD A, TOUT H, WAHAB O A, et al. Ad hoc vehicular fog enabling cooperative low-latency intrusion detection[J]. IEEE Internet of Things Journal, 2021, 8(2): 829–843. doi: 10.1109/JIOT.2020.3008488.
  • 加载中
图(7) / 表(1)
计量
  • 文章访问数:  461
  • HTML全文浏览量:  180
  • PDF下载量:  68
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-04-26
  • 修回日期:  2024-02-28
  • 网络出版日期:  2024-03-08
  • 刊出日期:  2024-04-24

目录

    /

    返回文章
    返回