深度神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的數(shù)據(jù)分析功能而被廣泛使用在移動智能應(yīng)用中,然而其計算任務(wù)的復(fù)雜性給計算能力與電池容量均有限的終端設(shè)備帶來了巨大的挑戰(zhàn)。若將深度神經(jīng)網(wǎng)絡(luò)中的計算任務(wù)完全卸載到云端,則會產(chǎn)生較高數(shù)據(jù)傳輸時延。移動邊緣計算因其低時延、分布式、位置感知的優(yōu)勢能有效解決深度神經(jīng)網(wǎng)絡(luò)的時延和能耗問題。為了在保證用戶時間約束的同時,充分優(yōu)化終端設(shè)備能耗,建立了移動邊緣計算環(huán)境中深度神經(jīng)網(wǎng)絡(luò)計算任務(wù)卸載的時間和能耗評價模型,基于該模型提出了移動邊緣計算環(huán)境中基于能耗優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)計算任務(wù)卸載策略。該策略以神經(jīng)網(wǎng)絡(luò)層為單位,將深度神經(jīng)網(wǎng)絡(luò)中的計算任務(wù)進(jìn)行拆分,在計算任務(wù)卸載時,對移動邊緣計算環(huán)境中多重計算資源進(jìn)行綜合考慮。最后,提出了移動邊緣環(huán)境中基于多重資源任務(wù)卸載的粒子群調(diào)度算法,該算法能在滿足時間約束的同時,充分優(yōu)化終端設(shè)備能耗。實驗表明,與已有的3種任務(wù)卸載策略相比,新策略對應(yīng)的粒子群調(diào)度算法所得適應(yīng)度值最優(yōu),滿足時間約束下,終端設(shè)備的能耗值最低。

【文章頁數(shù)】：9 頁

【文章目錄】：
1 問題的提出
2 相關(guān)工作
3 移動邊緣計算中深度神經(jīng)網(wǎng)絡(luò)計算任務(wù)卸載模型
    3.1 基于DNNs結(jié)構(gòu)的計算任務(wù)模型和負(fù)載模型
        3.1.1 基于DNNs結(jié)構(gòu)的計算任務(wù)模型
        3.1.2 負(fù)載模型
    3.2 任務(wù)卸載時間與能耗模型
        3.2.1 任務(wù)卸載時間模型
        3.2.2 任務(wù)卸載能耗模型
4 基于多重資源任務(wù)卸載的粒子群調(diào)度算法
    4.1 適應(yīng)度函數(shù)
    4.2 算法描述
5 實驗分析
    5.1 實驗環(huán)境及參數(shù)設(shè)置
    5.2 實驗結(jié)果與分析
        5.2.1 適應(yīng)度值的比較
        5.2.2 能耗和時間的比較
6 結(jié)束語



本文編號：4005460