16、基于深度强化学习的NOMA辅助多任务多接入移动边缘计算研究

基于深度强化学习的NOMA辅助多任务多接入移动边缘计算研究

1. 核心方案概述

提出了基于深度强化学习（DRL）的非正交多址接入（NOMA）辅助多任务多接入移动边缘计算（MA - MEC）方案。该方案主要聚焦于降低无线设备完成任务的总能耗，从静态和时变信道两种场景展开研究。

2. 静态信道场景优化

在静态信道场景下，构建了多接入多任务计算卸载、NOMA传输以及计算资源分配的联合优化问题。目标是最小化无线设备完成任务的总能耗。由于该问题是非凸优化问题，利用问题的分层结构，提出了分层算法来求解。

3. 时变信道场景应对

针对时变信道场景，提出了基于DRL的在线算法。该算法能够在时变信道条件下高效学习接近最优的卸载方案，避免了为每个信道状态求解联合优化问题，提升了方案的实用性和效率。

4. 未来研究方向

未来有多个值得深入研究的方向，具体如下：
|研究方向|具体内容|
| ---- | ---- |
|多用户多任务卸载|当前主要考虑单无线设备的多任务卸载，实际中存在多个无线设备同时进行多任务卸载的情况。可采用混合NOMA - FDMA传输方案，FDMA用于不同无线设备使用分配的正交子信道同时进行卸载传输，NOMA用于每个无线设备将卸载的工作负载同时卸载到不同的边缘计算服务器（ECS）。但需考虑不同无线设备FDMA传输的信道带宽分配，以及不同ECS处理不同无线设备卸载工作负载的计算单元分配，以确保无线设备间的公平性。|
|计算卸载安全|当前考虑的是理想的计算卸载场景，实际中存在安全问题。由于无线信道的开放性，恶意用户可能收集无线设备卸载传输的信号并暴力破解任