移动边缘计算的计算卸载技术分析研究

计算卸载作为移动边缘计算的关键技术之一,对于提升移动边缘计算实现节能、降低时延和改善用户体验等方面,起到关键的作用.本文围绕移动边缘计算的计算卸载技术进行分析研究,首先介绍了计算卸载概念和主要特征;并就移动边缘计算的计算卸载实施步骤和计算卸载系统分类进行阐述;然后针对计算卸载关键技术中的3个重点研究问题进行了详细分析;最后,对研究工作进行总结.     

移动边缘计算的计算卸载技术分析研究

计算卸载作为移动边缘计算的关键技术之一,对于提升移动边缘计算实现节能、降低时延和改善用户体验等方面,起到关键的作用.本文围绕移动边缘计算的计算卸载技术进行分析研究,首先介绍了计算卸载概念和主要特征;并就移动边缘计算的计算卸载实施步骤和计算卸载系统分类进行阐述;然后针对计算卸载关键技术中的3个重点研究问题进行了详细分析;最后,对研究工作进行总结.     

基于移动路径预测的车载边缘计算卸载切换策略研究

车载云计算环境中的计算卸载存在回程网络延迟高、远程云端负载大等问题,车载边缘计算利用边缘服务器靠近车载终端,就近提供云计算服务的特点,在一定程度上解决了上述问题。但由于汽车运动造成的通信环境动态变化进而导致任务完成时间增加,为此该文提出一种基于移动路径可预测的计算卸载切换策略MPOHS,即在车辆移动路径可预测情况下,引入基于最小完成时间的计算切换策略,以降低车辆移动性对计算卸载的影响。实验结果表明,相对于现有研究,该文所提算法能够在减少平均任务完成时间的同时,减少切换次数和切换时间开销,有效降低汽车运动对计算卸载的影响。     

基于联盟链的可靠边缘计算任务卸载方法

随着移动终端尤其是工业互联网技术的快速发展,终端设备密集分布,无线带宽有限,经常导致业务过程中的集中式云资源调度,难以满足远程终端应用对低时延和低成本计算的需求.着眼于本地服务器联动云数据中心,边缘计算为这类移动应用提供了一种敏捷的计算服务模式.虽然边缘计算的敏捷服务模式能够有效缩短移动应用的时延并降低对应的通信成本,但在边缘计算环境下,异构资源之间的任务卸载经常会导致一些潜在的数据安全隐患和服务质量受损.针对上述应用挑战和技术发展趋势,本文提出了一种基于联盟链的可靠边缘计算任务卸载方法 .该方法利用联盟链进行身份校验和卸载结果反馈,以任务的完成时间、卸载成本与资源可靠度作为评价标准,设计了一种基于遗传算法的卸载策略,支持卸载决策时任务卸载的可靠性评估.实验结果表明,本文方法能在满足时延约束的前提下提高任务卸载的可靠性,为移动智能应用提供了一种有效的数据安全保障方法.     

车载边缘计算中多任务部分卸载方案研究

现有车载应用设备对时延有更严苛的要求,车载边缘计算(VEC)能够充分利用网络边缘设备,如路边单元(RSU)进行协作处理,可有效地降低时延。现有研究多假设RSU计算资源充足,可提供无限的服务,但实际其计算资源会随着所需处理任务数量的增加而受限,对时延敏感的车载应用造成限制。该文针对此问题,提出一种车载边缘计算中多任务部分卸载方案,该方案在充分利用RSU的计算资源条件下,考虑邻近车辆的剩余可用计算资源,以最小化总任务处理时延。首先在时延限制和资源约束下分配各任务在本地、RSU和邻近车辆的最优卸载决策变量比例,其次以最小处理时延为目的在一跳通信范围内选择合适的空闲车辆作为处理部分任务的邻近车辆。仿真结果表明所提车载边缘计算中多任务部分卸载方案相较现有方案能较好地降低时延。     

移动边缘计算卸载技术综述

移动边缘计算(Mobile Edge Computing,MEC)将云服务器的计算资源扩展到更靠近用户一侧的网络边缘,使得用户可以将任务卸载到边缘服务器,从而克服原先云计算中将任务卸载到云服务器所带来的高时延问题。首先介绍了移动边缘计算的基本概念、基本框架和应用场景,然后围绕卸载决策、联合资源分配的卸载决策分别从单MEC服务器和多MEC服务器两种场景总结了任务卸载技术的研究现状,最后结合当前MEC卸载技术中存在的不足展望了未来MEC卸载技术的研究。     

基于匹配理论的电力物联网边缘服务器选择机制

移动边缘计算利用部署在用户附近基站或具有空闲资源的路侧单元、车辆和MEC服务器作为网络的边缘,为设备提供所需的服务以及云端计算能力,以减少网络操作和服务交付的时延。文章将移动设备和MEC服务器的任务分配问题描述为一对一的匹配博弈,解决了移动边缘计算中的任务卸载问题。文章提出的算法具有良好的扩展性,并且能够降低总体能耗,使任务卸载时延最小化。     

基于深度强化学习的边缘视频任务卸载策略

随着物联网的发展以及智能设备的普及,视频处理技术已广泛应用于生活中。自动驾驶、产品质检等应用场景对视频处理技术的实时性需求逐步提高,移动边缘计算为计算能力不足和能源受限的设备提供计算资源以执行时延敏感性任务,为实时视频处理提供了新的计算架构。本文搭建了一个视频计算卸载场景,并以视频检测为任务,以系统时延为优化目标,建立了计算卸载模型和马尔可夫决策模型;考虑到计算卸载场景的复杂动态因素,如带宽波动、设备数量、任务大小等,以最小化系统时延为目标,提出了一种基于深度强化学习的计算卸载策略进行求解。实验表明,与其他基线方案相比,该卸载策略能够适应较复杂卸载场景,有效降低系统时延。     

车载边缘计算中任务卸载和服务缓存的联合智能优化

针对车载环境下有限的网络资源和大量用户需求之间的矛盾,提出了智能驱动的车载边缘计算网络架构,以实现网络资源的全面协同和智能管理。基于该架构,设计了任务卸载和服务缓存的联合优化机制,对用户任务卸载以及计算和缓存资源的调度进行了建模。鉴于车载网络的动态、随机和时变的特性,利用异步分布式强化学习算法,给出了最优的卸载决策和资源管理方案。实验结果表明,与其他算法相比,所提算法取得了明显的性能提升。     

车载边缘计算研究综述

随着计算密集和时延敏感型车辆应用的爆炸式增长,集中式云架构产生了高工作负载和任务时延阻塞。为了保证服务质量,车载边缘计算应运而生,这种计算模式将计算能力和存储资源,推移到离数据源更近的边缘服务器或边缘网关等边缘节点上,通过在边缘节点进行实时数据处理和决策,可以显著地减少数据传输时延。首先介绍了车载边缘计算的基本概念,接着对现有研究进行了梳理分类,最后讨论了对车载边缘计算的展望和未来研究方向。