买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜重庆邮电大学申请的专利一种基于移动边缘计算的任务卸载及服务缓存联合优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116233926B 。

龙图腾网通过国家知识产权局官网在2025-05-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310144930.3，技术领域涉及：H04W28/08；该发明授权一种基于移动边缘计算的任务卸载及服务缓存联合优化方法是由李云;余小莉;夏士超;姚枝秀设计研发完成，并于2023-02-21向国家知识产权局提交的专利申请。

本一种基于移动边缘计算的任务卸载及服务缓存联合优化方法在说明书摘要公布了：本发明属于移动通信技术领域，具体涉及一种基于移动边缘计算的任务卸载及服务缓存联合优化方法；该方法包括：构建移动边缘计算系统网络模型；基于移动边缘计算系统网络模型构建通信模型、计算卸载模型和服务缓存模型；根据通信模型、计算卸载模型和服务缓存模型建立任务卸载及服务缓存联合优化问题；采用基于DPFL算法的分布式边缘协同卸载和服务缓存方法求解任务卸载及服务缓存联合优化问题，得到任务卸载策略和服务缓存策略；考虑到用户对应用偏好的差异，利用个性化联邦学习算法基于历史请求信息预测流行服务，使MEC服务器做出更优的决策，可实现低任务处理时延和设备能耗，以及高缓存命中率。

本发明授权一种基于移动边缘计算的任务卸载及服务缓存联合优化方法在权利要求书中公布了：1.一种基于移动边缘计算的任务卸载及服务缓存联合优化方法，其特征在于，包括：S1：构建移动边缘计算系统网络模型；移动边缘计算系统网络模型包括：N个边缘节点，定义边缘节点集合每个边缘节点均部署了MEC服务器；每个边缘节点服务区域内有U个用户设备，定义用户集合网络中具有Q种服务类型，定义网络中的服务类型集合为在边缘节点n中，第i个用户设备ui,n的任务为μi,nt＝gi,nt,qi,nt,ρi,nt,τi,nt，其中gi,nt为计算任务大小，qi,nt是任务所需的服务，ρi,nt是处理任务每字节所需要的CPU周期数，τi,nt表示完成该任务所能容忍的最大时延；边缘节点下所有用户的任务表示为μnt＝{μ1,nt,μ2,nt,…,μU,nt}；S2：基于移动边缘计算系统网络模型构建通信模型、计算卸载模型和服务缓存模型；通信模型包括：任务通过无线上行链路信道从用户设备发送到边缘节点，并由该边缘节点部署的MEC服务器进行处理；计算卸载模型包括：任一边缘节点具有四种计算任务处理方式，不同任务处理方式具有不同的任务处理时延和用户设备能耗；四种任务处理方式分别为：本地计算、卸载到关联节点进行处理、通过关联节点将卸载的任务转发到相邻节点进行处理、卸载到云端进行处理；服务缓存模型包括：采用二进制变量表示边缘节点n在时隙t的服务缓存决策；若边缘节点n缓存了服务qi,n，则否则，在时隙t内，边缘节点n的服务缓存决策表示为S3：根据通信模型、计算卸载模型和服务缓存模型建立任务卸载及服务缓存联合优化问题；建立任务卸载及服务缓存联合优化问题的过程包括：根据不同任务处理方式下的任务处理时延和用户设备能耗构建成本最小优化目标函数；构建优化约束条件，包括任务处理时延约束、服务存储容量约束和任务卸载决策约束；根据成本最小优化目标函数和联合优化约束条件建立任务卸载及服务缓存联合优化问题；任务卸载及服务缓存联合优化问题表示为： 其中，Φnt表示在时隙t内，边缘节点n下完成所有用户计算任务的总成本，表示边缘节点n在时隙t的服务缓存决策，表示边缘节点n在时隙t的卸载决策，Ti,nt表示边缘节点n在时隙t的任务处理时延，τi,nt表示边缘节点n在时隙t的任务处理最大容忍时延，表示边缘节点集合，表示用户设备集合，表示边缘节点n在时隙t是否缓存了服务q，cq表示服务q的存储空间，Cn表示边缘节点n的服务存储空间，表示服务类型集合，表示边缘节点n下的用户设备i在时隙t的卸载决策，N表示边缘节点数量；S4：采用基于DPFL算法的分布式边缘协同卸载和服务缓存方法求解任务卸载及服务缓存联合优化问题，得到任务卸载策略和服务缓存策略；求解任务卸载及服务缓存联合优化问题的过程包括：将任务卸载及服务缓存联合优化问题描述为马尔科夫决策问题并训练DQN模型，得到训练好的DQN模型；将DQN模型作为全局模型，采用个性化联邦学习训练模型训练全局模型，得到训练好的全局模型；边缘节点从训练好的全局模型获取任务卸载策略和服务缓存策略；训练DQN模型的过程包括：将边缘节点作为DQN代理，初始化代理的状态、动作和奖励，初始化估计网络和目标网络；在估计网络中根据当前状态获取任务卸载策略和服务缓存策略，根据任务卸载策略和服务缓存策略执行动作并更新奖励，进入下一状态；根据当前状态、下一状态、动作和奖励生成经验，采样多条经验训练估计网络和目标网络，得到训练好的估计网络和目标网络；更新奖励的公式为： 其中，Rnt表示奖励值，χnt表示边缘节点n存储的服务是否超过总容量，U表示用户设备数量，βi,nt表示任务处理时延是否满足终端需求，Φnt表示在时隙t内，边缘节点n下完成所有用户计算任务的总成本；个性化联邦学习训练模型训练全局模型的过程包括：将边缘节点作为客户端，云服务器作为中央控制器；在一个决策周期内，多个客户端从中央控制器下载全局模型和服务缓存策略，将下载的全局模型作为本地模型；每个客户端根据当前的服务需求训练个性化模型θn，表示为： 其中，表示d维实数集，ynθn表示客户端n数据分布上的期望，ζ表示全局模型，α表示控制个性化模型强度ζ的正则化参数；客户端利用参数δ逼近并更新本地模型将更新后的本地模型上传至中央控制器；中央控制器根据多个本地模型更新全局模型，得到训练好的全局模型，表示为： 其中，客户端下载更新后的全局模型Wt+1，σ表示用于更新全局模型的参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。