计算机应用研究

作者：王丽艳,郑先锋,杜娅荣,

单位：1.重庆移通学院大数据与计算机科学学院,重庆401520；2.公共大数据安全技术重庆市重点实验室,重庆401420；3.中国联合网络通信有限公司湖南省分公司,长沙410013；

关键词：物联网,移动边缘计算,服务功能链,深度强化学习,

基金：重庆市教育科学规划课题(K22YG224266)；；

针对物联网（Internet of Things，IoT）终端的移动性和服务请求的随机性所导致的IoT网络的动态变化，在物联网边缘计算网络（IoT-mobile edge computing，IoT-MEC）中对物联网服务功能链请求流（IoT-service function chain request，IoT-SFCR）进行动态SFC部署是一个具有挑战性的问题。首先将IoT-MEC网络中的动态SFC部署问题分解为两个子问题，即虚拟网络功能（virtual network function，VNF）部署子问题和路由路径确定子问题。然后利用马尔可夫决策过程（Markov decision process，MDP）对其进行建模。为了使IoT-SFCRs的资源消耗成本和端到端时延的加权和最小，并考虑网络的负载均衡，接着提出了一种采用目标网络和经验重放方法的深度强化学习（deep reinforcement learning，DRL）算法，对每个到达的IoT-SFCR实现动态SFC部署。仿真结果表明，在三种典型网络类型下，与现有算法相比，该算法的SFC部署成功率提高了17%，平均奖励提高了23.8%，高效地解决了IoT-MEC网络中SFC的动态部署问题。

来源：2025年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第2期