基于边缘计算的电力系统通信网络构建

为克服电力系统传统云计算模式网络拥堵的问题,在现有的电力系统通信网基础上,引入边缘计算技术。在分析国内电力系统大数据计算量的基础上,讨论了现有电力系统通信网体系架构的优化途径。构建了基于docker技术的云边协同电力系统通信网络总体模型。将协同运行机制应用于系统中的各级设备。根据电力系统通信网络模型的特点,以多无人机巡检任务为应用场景,研究了基于合作型协同进化的任务协作机制的全局优化方案。提出了边缘计算服务器延时模型。讨论了基于时延和资源分配综合最优的计算卸载策略。构建了资源分配目标函数。在保证各节点总延时最小的前提下,实现了资源分配差异度最小。     

基于移动边缘计算的资源分配策略

为进一步探究移动互联网的资源分配问题,文中基于无线互联网通信工况恶劣的特殊情形构建了仿真模型,并结合实际情况,以支持移动边缘计算的服务器为基础,引入基于深度域不变性残差计算的长短期记忆网络（DR-LSTM）,从互联网设备任务卸载的角度着手设计了资源分配策略和主要算法流程。通过仿真实验结果可知,基于移动边缘计算的资源分配策略在性能上存在一定的优势,具有潜在的应用价值。     

车联网中基于MEC的V2X协同缓存和资源分配

针对车联网的多媒体业务快速增长,大量的数据交换为移动网络带来沉重负担的问题,构建了一种车联网中基于移动边缘计算的V2X协同缓存和资源分配框架。提出了V2X协同缓存与资源分配机制,实现网络内计算、缓存和通信资源的有效分配;利用图着色模型为卸载用户分配信道;采用拉格朗日乘子法对功率与计算资源进行分配。仿真结果表明,在不同的系统参数下,所提机制可以有效降低系统开销,减少任务完成时延。     

5G移动网络下通信资源分配算法

传统的通信资源分配方法具有局限性,在当前5G移动网络条件下,通信过程中的信息传输速率不能满足通信频谱的资源利用率要求,为此,文章提出5G移动网络下通信资源分配算法。在研究边缘网络的基础上,建立5G移动网络的边缘计算模型,将数据传输端进行分层处理,包括计算云层、边缘层以及终端层三个层级,拉近云计算服务器与用户个体之间的数据传输距离。根据模型建立边缘计算的资源分配框架,计算无线链路的数据传输速率,避免陷入局部最优解。同时,将终端层用户进行分簇处理,避免数据传输过程中的同频干扰,提升资源分配效率。在此基础上,基于A3A算法构建簇间的通信资源分配模型,并使用最优化理论对所建立的资源分配算法模型进行优化,实现5G移动网络下通信资源分配算法设计。最后,通过实验对比传统D2D算法与设计的分配算法,结果表明,该算法能够适应5G移动网络环境,保证通信服务过程中信息传输速率的稳定,能够实现通信资源的高效分配。     

基于机器视觉的通信网络数据可靠度计算方法

传统通信网络数据可靠度计算方法存在分组丢失率、封包投递率与标准数据相差较大的问题,为此,提出了基于机器视觉的通信网络数据可靠度计算方法.根据机器视觉通信原理构建了通信网络数据可靠度数学模型,评估通信网络数据的可靠度,评估过程中构建通信网络数据可靠度评估模型,采用了蒙特卡罗技术将评估模型和可靠度数学模型相结合,计算通信网...     

SDH技术在电力通信网中的典型应用

SDH技术在现有的电力系统通信网起着重要的作用。文中通过分析SDH通信的基本原理,重点阐述了SDH技术在电力系统通信中的应用问题,在分析SDH技术原理基础上,重点从网络层次结构设计,用户接入设备的设计,业务实现等多个方面进行分析研究,并提出了相应的解决方案,构建电力系统通信网路。     

基于云边协同算力调度的高效边缘卸载研究

为了满足车载边缘计算网络(Vehicular Edge Computing,VEC)中低时延、高可靠、高传输速率等极致性能需求,亟需突破现有传统车联网中通信感知计算相互割裂的现状,基于云边端一体化与智能协同等算力网络技术设计一种高效的任务卸载策略成为解决方案。为此,提出一种云边协同智能驱动车载边缘算力网络架构,通过结合实时计算负载与网络状态条件,充分利用云中心、聚合服务器和MEC服务器的异构计算能力,权衡用户任务卸载策略,实现网络资源的全面协作和智能管理。考虑到计算型任务对时延和能耗的需求,将计算卸载策略建模为在通信与计算资源约束下的最小化长期系统成本的优化问题,并将其转化为马尔可夫决策过程(Markov Decision Process,MDP)。最后,鉴于车载网络的动态和随机特性,提出一种基于云边协同的深度Q网络(Cloud-Edge Collaborative Deep Q-Network,CEC-DQN)的高效计算卸载策略来解决MDP问题。仿真结果表明,与传统单点边缘服务器卸载或随机卸载算法相比,所提出的算法具有较高的性能提升,可有效解决多层次算力网络中节点算力分配不足、不均衡的问题。     

低轨卫星协作边缘计算任务迁移和资源分配算法

研究了基于星间链路的低轨卫星协作边缘计算任务迁移和资源分配问题,为偏远地区用户提供边缘计算服务.采用部分任务迁移机制,以地面用户加权总能耗最小化为目标建立优化问题,提出了一种低轨卫星协作边缘计算的任务迁移和资源分配算法,基于优化问题的非凸性,将其分解为任务迁移子问题和资源分配子问题,分别采用标准凸优化方法和拉格朗日对偶...     

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。     

6G联邦边缘学习新范式：基于任务导向的资源管理策略

综述了面向6G的联邦边缘学习技术,能够充分利用分布在网络边缘的丰富数据使之服务于人工智能模型训练,以联邦边缘学习为代表的边缘智能技术应运而生,其中无线资源管理策略将以最优化任务学习性能为导向,例如优化模型训练时间、学习收敛性等,从而实现从通信导向到任务导向的设计范式变革。首先,概述了联邦边缘学习基本概念、典型应用场景及其在无线资源管理中的关键问题。然后,以联邦边缘学习中带宽资源分配和用户调度策略为典型的资源管理案例,深入阐述了基于任务导向的设计范式思想。最后,对联邦边缘学习的未来潜在研究方向进行了展望,包括与无线空中计算、通信感知一体化等全新技术的融合赋能。     

面向MTC应用的计算资源柔性分配

基于机器类通信(MTC)业务的速率需求和计算需求,研究了对移动通信网络计算资源分配方法,给出了计算资源分配模型,提出了一种基于组合优化的计算资源分配算法来解决计算资源受限的问题。仿真结果表明提出的次优化算法与传统的轮询方式相比可以获得约10%的增益。     

无人机辅助反向散射通信计算任务卸载与资源分配

针对边缘计算网络中用户能量短缺问题，该文提出一种无人机(UAV)辅助的反向散射通信网络计算任务卸载和资源分配方案。首先，通过联合考虑飞行轨迹、用户的计算频率、任务卸载比例、无人机及用户的发射功率、反向散射时间分配以及主动通信时间分配，构建最小化无人机总能耗优化问题。其次，利用交替优化算法，将原非凸问题分解为两个子问题，并通过连续凸逼近方法将原问题转化为凸问题进行求解。仿真结果表明，所提算法使得无人机能耗显著减少，且具有良好的收敛性。     

基于NOMA的超密集MEC网络任务卸载和资源分配方案

为了提高移动边缘计算(mobile edge computing,MEC)网络的频谱效率,满足大量用户的服务需求,建立了基于非正交多址接入(non-orthogonal multiple access,NOMA)的超密集MEC系统模型。为了解决多个用户同时卸载带来的严重通信干扰等问题,以高效利用边缘服务器资源,提出了一种联合任务卸载和资源分配的优化方案,在满足用户服务质量的前提下最小化系统总能耗。该方案联合考虑了卸载决策、功率控制、计算资源和子信道资源分配。仿真结果表明,与其他卸载方案相比,所提方案可以在满足用户服务质量的前提下有效降低系统能耗。     

从公众通信网向公众计算通信网演进

当今,以电信网基础设施为主干网络,利用互联网协议提供广泛的网络互联,已成为通信网络发展的必由之路。而方兴未艾的云计算技术也为人们提供了一种新的服务模式。通信技术正逐步趋向于计算技术与应用发展,计算技术与应用正朝向网络与服务提供方向发展,通信技术和计算技术正在真正走向融合。电信运营商纷纷提出成为综合信息服务提供商的战略,对于云计算技术的应用,不仅需要利用其促进通信网络技术和业务平台、支撑系统的升级换代,更需要应用其构建提供综合信息服务运营基础设施及支撑能力。本文首先回顾了公众通信网和计算的发展过程,之后提出了公众计算通信网的概念,阐述了公众通信网向PCCN发展的必然趋势,重点讨论了PCCN的架构、实体以及关键技术。     

移动边缘计算中智能服务编排和算网资源分配联合优化方法

为了解决边缘网络环境中由于业务差异化、网络环境高度动态化以及算网资源部署去中心化造成的网络服务缓存和算网资源分配效率低等问题,研究并建立了一种去中心化的移动边缘计算服务编排和计算卸载模型;并在算力、存储、带宽等多维资源约束下,以最小化任务处理时延为目标,将服务缓存和算网资源分配联合优化问题抽象为部分可观测马尔可夫决策过程;考虑到服务请求时间依赖性及其与服务缓存间的耦合关系,引入长短时记忆网络来捕获时间相关的网络状态信息,进而提出基于循环多智能体深度强化学习的分布式服务编排和资源分配算法以自主决策服务缓存和算网资源分配策略。仿真结果表明,所提算法在缓存命中率、任务处理时延等方面具有显著的性能提升。     

移动边缘计算技术在未来移动通信网络中的应用

未来移动通信网络为用户提供高速、快捷、稳定的通信服务,满足不同场景下的通信需求。为了提升通信质效,降低能耗,管控移动通信网络的构建成本,电信运营商以及技术团队,投入大量资源用于技术研发与更新。移动边缘计算技术作为一种全新的机制,其能够在网络边缘进行数据的存储与交互,极大地满足了未来移动通信网络对于低延时、低能耗的要求。文章从多个角度出发,全面探讨移动边缘计算技术在未来移动通信网络中应用的基本方法,以期为后续相关研究以及实践工作的开展提供参考。     

面向自动驾驶的边缘计算技术研究综述

边缘计算在自动驾驶的环境感知和数据处理方面有着极其重要的应用。自动驾驶汽车可以通过从边缘节点获得环境信息来扩大自身的感知范围,也可以向边缘节点卸载计算任务以解决计算资源不足的问题。相比于云计算,边缘计算避免了长距离数据传输所导致的高时延,能给自动驾驶车辆提供更快速的响应,并且降低了主干网络的负载。基于此,首先介绍了基于边缘计算的自动驾驶汽车协同感知和任务卸载技术及相关挑战性问题,然后对协同感知和任务卸载技术的研究现状进行了分析总结,最后讨论了该领域有待进一步研究的问题。     

终端通信接入网网络资源分配策略研究

论文在不改变现有国家电网通信网中各种体制网络结构的前提下,通过增加网络融合网关和终端接入网关两种功能实体,提出了一种双通信代理机制的异构网协同融合传输方案,并由此设计实现了基于时延的负载感知的异构网络资源分配算法,实现了多业务综合接入及多网络动态协同环境下的网络资源分配技术。数据分析表明该算法在平均时延、网络开销及丢包率等方面优于均匀分配算法、定时反馈的负载感知流量分配算法。     

语义通信中基于深度双Q网络的多维资源联合分配算法

5G技术的不断发展，带来了网络中数据量的爆发式升高与越来越多的涉及图像视频的语义理解任务，无疑对通信、计算和缓存资源造成了极大的压力。为更好地满足视频语义理解任务的资源需求，缓解资源紧缺现象，研究了语义通信中基于深度双Q网络的多维资源联合分配算法。首先，基于车联网场景，改进了现有的联合资源分配算法，引入缓存资源构建了新的面向语义的多维资源联合分配模型；其次，针对其动态时变的特性，搭建了深度双Q网络求解最优资源分配策略；最后，仿真验证了所提多维资源联合分配算法的性能优势。     

基于终端能耗和系统时延最小化的边缘计算卸载及资源分配机制

通过移动边缘计算下移云端的应用功能和处理能力支撑计算密集或时延敏感任务的执行成为当前的发展趋势。但面对众多移动终端用户时,如何有效利用计算资源有限的边缘节点来保障终端用户服务质量(QoS)成为关键问题。为此,该文融合边缘云与远端云构建了一种分层的边缘云计算架构,以此架构为基础,以最小化移动设备能耗和任务执行时间为目标,将问题形式化描述为资源约束下的最小化能耗和时延加权和的凸优化问题,并提出基于乘子法的计算卸载及资源分配机制解决该问题。实验结果表明,在计算任务量很大的情况下,提出的计算卸载及资源分配机制能够有效降低移动终端能耗,并在任务执行时延方面较局部计算与计算卸载机制分别降低最高60%与10%,提高系统性能。