5G MEC边缘智能架构研究

作为边缘计算与人工智能融合驱动的新模式,边缘智能已然渗透到各个行业。5G MEC作为运营商新型网络边缘的锚点,需要借助边缘智能来充分释放网络边缘价值。文章初步探讨网络边缘智能化需求,提出一种基于5G MEC的边缘智能优化架构,扩展了面向异构计算的弹性AI加速服务和自适应云边智能协同调度能力,从而实现了MEC平台运营智能化和AI能力服务化。     

移动边缘计算发展与应用研究

对MEC的概念、体系架构、产业发展方向等内容进行了介绍,讨论了云边协同一些典型的应用场景,并对MEC技术发展存在的问题和未来的推进策略进行了阐述。     

基于边缘智能2.0的工业互联网平台架构及应用

边缘智能是人工智能(AI)技术与边缘计算的结合,能满足行业数字化在实时业务、数据优化和应用智能等方面的关键需求。文章开创性地提出了边缘智能2.0的概念,以此为基础设计并搭建了基于开源框架的工业互联网平台,并引入了云网融合、云边协同与边边协作的理念,达到云、网、边、端4位一体的协同。将边缘智能应用到表面贴装技术(SMT)生产线,通过数据建模与分析和优化制程参数,以实现制造企业的降本减存与提质增效。     

基于云、网、边融合的边缘计算新方案:算力网络

边缘计算已经成为5G时代重要的创新型业务模式,尤其是其低时延特性,被认为是传统方案所不具备的,因此边缘计算能够提供更多的服务能力且具有更为广泛的应用场景。但边缘计算与处于中心位置的云计算之间的算力协同成为新的技术难题,即需要在边缘计算、云计算以及网络之间实现云网协同、云边协同,甚至边边协同,才能实现资源利用的最优化。在研究边缘计算算力分配和调度需求的基础上,提出了基于云、网、边深度融合的算力网络方案,并针对AI类应用给出了一个典型实施系统,该方案能够有效应对未来业务对计算、存储、网络甚至算法资源的多级部署以及在各级节点之间的灵活调度。     

一种基于5G的边云协同平台接口设计

在5G+新基建的移动互联网时代,一切依托于5G技术、移动通信网络、边缘技术等业务或行业,均获得了新的生机。文章基于5G技术,借助MEC网元,充分利用5G的高可靠性、低时延、高带宽等特性,构建了集边缘云和核心云于一体的5G边云协同平台。文章所给出的接口设计,主要应用于5G边云协同平台的内部通信,该平台服务于车联网、飞联网和物联网等,为5G自动驾驶提供支撑服务。     

算力时代融合边缘云建设思路探讨

随着算力网络的发展,融合边缘云需求进一步加强,建设强大的融合边缘云服务,不仅可以满足各类客户需求,还可以增强边缘云市场竞争力,实现云网融合和云边协同发展,落实国家数字经济战略。本文通过分析融合边缘云的需求,提出将计算、存储、CDN、安全和AI等能力融合到边缘云的思路,通过复用现有资源池带宽和基础设施资源,根据实际需求和应用场景分级分类规划布局,统一架构并按需进行模块化建设等方案举措,满足客户敏捷连接、实时业务、数据优化、应用智能、安全和隐私保护等多种关键需求。     

基于云边协同的工业互联网实践

当前,工业互联网、边缘计算以及5G技术取得了迅猛发展和广泛应用。为促进工业互联网实现良好发展,有必要以云边协同为基础,构建工业互联网平台,并强化工业互联网云边协同实践。浅析了传统工业应用形态和云边协同的内涵,探究了基于云边协同的工业互联网框架设计和实践要点,以期为基于云边协同的工业互联网实践提供借鉴。     

MEC技术在视频监控领域的应用

随着移动通信技术和人工智能技术的共同发展,视频监控领域出现了越来越多的移动化巡查设备,由此产生的海量的监控数据,必然给移动网络带来巨大的传输压力,在移动网络边缘部署MEC服务器,将可能是解决这个问题的一种方案。介绍了视频监控智能化、移动化的进程,分析了视频监控"云边协同"的发展现状,重点研究了MEC技术以及MEC技术如何与视频监控业务相结合。     

基于深度强化学习的云边协同计算迁移研究

基于单一边缘节点计算、存储资源的有限性及大数据场景对高效计算服务的需求,本文提出了一种基于深度强化学习的云边协同计算迁移机制.具体地,基于计算资源、带宽和迁移决策的综合性考量,构建了一个最小化所有用户任务执行延迟与能耗权重和的优化问题.基于该优化问题提出了一个异步云边协同的深度强化学习算法,该算法充分利用了云边双方的计算能力,可有效满足大数据场景对高效计算服务的需求;同时,面向边缘云中边缘节点所处环境的多样及动态变化性,该算法能自适应地调整迁移策略以实现系统总成本的最小化.最后,大量的仿真结果表明本文所提出的算法具有收敛速度快、鲁棒性高等特点,并能够以最低的计算成本获得近似贪心算法的最优迁移决策.     

车联网云边协同计算场景下的多目标优化卸载决策

车联网场景下的计算任务对时延非常敏感,需要云边协同计算来满足这类需求。针对车联网云边协同计算场景下如何高效地进行服务卸载并同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配问题,设计了基于云边协同的车辆计算网络架构,在该架构下,车载终端、云服务器和边缘服务器都可以提供计算服务;通过对缓存任务进行分类并将缓存策略引入车联网场景,依次设计了缓存模型、时延模型、能耗模型、服务质量模型以及多目标优化问题模型;给出了一种基于改进的多目标优化免疫算法的卸载决策方案。最后,通过对比实验验证了所提卸载决策方案的有效性。