物联网是由传感、通信和计算组成的互联网络,已成为近年来研究的热点。由于大量智能设备和应用的接入,对物联网资源分配带来巨大的挑战。边缘网络在靠近数据产生和消费的边缘节点处为终端和物联网应用提供资源和服务,能够降低时延、提升服务质量和用户满意度。本文研究了边缘网络中频谱、计算和存储资源分配与任务调度方法,具体研究内容主要包括以下4个方面:·实时要求较高以及由于资源不足导致的无法获得资源的情况。当前基于现场博弈的资源交易方案增加了资源接入的时延和价格波动导致的不公平性,为此,提出基于未来博弈的资源交易方案:将博弈的协商过程以远期合同的形式提前进行,同时交易双方自定义自己的交易失败风险,并以此约束合同兑现过程中的不确定性。该方案能够提高资源交易的效率以及交易的公平性。·静态环境下和动态环境下计算资源分配问题。静态环境下研究了协作计算资源分配,通过将任务重新分配给具有协作节点,优化边缘网络的任务时延和能耗;动态环境下研究了边缘服务器的计算资源分配,针对任务属性的多样性和评价指标,设计基于深度确定性策略梯度的物联网边缘计算资源分配策略。该方法根据任务发布者对任务执行时间的满意度为指标设计奖励函数,能够有效地挖掘任务本身的特征,获得任务任意属性下的优化资源分配。·边缘服务器多虚拟机下任务的调度问题。由于越来越多的智能设备连接到互联网,产生了大量的计算密集型的任务,而这些设备本身由于硬件限制,无法满足时延要求,因此这些任务被上传到边缘服务器处理。由于边缘服务器资源有限,任务调度也就极为关键,而传统的基于模型的方法要建立理想的数学模型,与实际情况不符,为此提出基于深度强化学习的任务调度方法。为了应用深度强化学习,我们将任务调度建模为马尔科夫决策问题,并提出一种新的调度机制,能够降低动作空间的维度和神经网络训练的复杂度,提高了任务完成的满意度以及完成率。·边缘网络瞬态数据的缓存问题。瞬态数据具有时效性,过期后即没有价值。对于静态数据例如多媒体数据的缓存并不能直接应用到瞬态数据缓存中。由于边缘缓存空间有限,存满需要替换。为此,我们利用深度强化学习瞬态数据缓存替换策略,将瞬态数据的间戳和新鲜度属性作为状态向量的一部分输入神经网络。在不需要获取缓存数据的流行度和用户偏好的条件下,直接得到缓存策略。与传统的缓存替换策略相比,能提高传感器节点的能耗和缓存命中率。