基于区块链的雾网络中的任务卸载优化方案研究

当前物联网(IoT)应用的快速增长对用户设备的计算能力是一个巨大的挑战。雾计算(FC)网络可为用户设备提供近距离、快速的计算服务,为资源紧张,计算能力有限的用户设备提供了解决方案。该文提出一个基于区块链的雾网络模型,该模型中用户设备可以将计算密集型任务卸载到计算能力强的节点处理。为最小化任务处理时延和能耗,引入两种任务卸载模型,即设备到设备(D2D)协作群组任务卸载和雾节点(FNs)任务卸载。此外,针对雾计算网络任务卸载过程的数据安全问题,引入区块链技术构建去中心化分布式账本,防止恶意节点修改交易信息,实现数据安全可靠传输。为降低共识机制时延和能耗,提出了改进的基于投票的委托权益证明(DPoS)共识机制,得票数超过阈值的FNs组成验证集,验证集中的FN轮流作为管理者生成新区块。最后,以最小化网络成本为目标,联合优化任务卸载决策、传输速率分配和计算资源分配,提出任务卸载决策和资源分配(TODRA)算法进行求解,并通过仿真实验验证了该算法的有效性。     

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。     

基于云雾混合计算的车联网联合资源分配算法

针对车联网业务的低时延、低功耗需求及海量设备计算卸载引起的网络拥塞问题,该文提出一种在云雾混合网络架构下的联合计算卸载、计算资源和无线资源分配算法(JODRAA)。首先,该算法考虑将云计算与雾计算结合,以最大时延作为约束,建立最小化系统能耗和资源成本的资源优化模型。其次,将原问题转化为标准二次约束二次规划(QCQP)问题,并设计一种低复杂度的联合卸载决策和计算资源分配算法。进一步,针对海量设备计算卸载引起的网络拥塞问题,建立卸载用户接入请求队列的上溢概率估计模型,提出一种基于在线测量的雾节点时频资源配置算法。最后,借助分式规划理论和拉格朗日对偶分解方法得到迭代的带宽和功率分配策略。仿真结果表明,该文算法可以在满足时延需求的前提下,最小化系统能耗和资源成本。     

虚拟网络映射高效节能运输模型及算法

网络虚拟化使得智能能量感知网络部署成为可能,已有研究忽略了节点映射能耗最优化。本文把节点映射能耗优化问题转化为生产地与销售地之间物资运输代价最优化问题,建立高效节能节点映射运输模型。根据最大元素法,提出了混合一阶段与两阶段映射算法,在链路映射的约束下找到节点分配最小能耗代价最优解;利用主动休眠策略,提出了基于运输模型的主动休眠虚拟网络映射节能算法;利用节点可重复映射技术,提出了基于运输模型的节点可重复映射算法,进一步提高了底层网络资源休眠数量。仿真结果验证了本文所提算法能够显著降低系统能耗,适合大规模高效节能虚拟网络映射。     

基于深度强化学习的计算卸载与资源分配策略

为了扩大车载边缘网络的覆盖范围及其计算能力，提出了一种适用于空天地融合车载网的计算卸载架构。考虑计算任务的时延和能耗约束，以及空天地融合车载网的频谱、计算和存储约束，将计算卸载决策和资源分配的联合优化问题建模为一个混合整数非线性规划问题。基于强化学习方法，将原问题转换成一个马尔可夫过程，提出了一种深度强化学习算法以求解该问题，所提算法具有较好的收敛性。仿真结果表明，所提算法在任务时延和成功率方面优于其他算法。     

基于稀疏密集阵传输机制的WSN数据传输汇聚算法

为了改善无线传感网(WSN)的数据传输汇聚能力,提出了基于稀疏密集阵传输机制的WSN数据传输汇聚算法。引入核生成函数,设计了一种新的传输矩阵,将簇头节点与sink节点之间连通程度及负载程度进行量化,以提升簇头节点传输效果的评估能力;采用特征向量按列排序并结合卷积算法降低簇头节点传输值,以有效减少簇头节点负载;采用树分解模式搜寻可用哈密尔顿回路,构建了基于路径分解优化机制的汇聚稳定方法;通过使用哈密尔顿寻址来优化叶子节点与根节点之间的数据链路,以增强簇头节点覆盖能力与提高数据传输过程的稳定性能。仿真实验表明,与当前常用的基于阈值筛选模糊分簇的WSN数据稳定汇聚算法和面向医疗应用的无线传感器网络多径数据传输方法相比,所提算法具有更为集中的传输报文集中度,以及更高的传输链路抖动控制能力和网络汇聚带宽。     

基于混合粒子群算法的计算卸载成本优化

为了满足用户日益增长的计算密集型和时延敏感型服务需求,同时最小化计算任务的处理成本,在时延约束下,该文针对超密集异构边缘计算网络,构建了有关任务卸载、无线资源管理、计算资源块分配的联合优化问题。考虑到所规划的问题具有非线性和混合整数的形式,且为满足约束条件及提升算法收敛速率,通过改进分层自适应搜索(HAS)算法设计了混合粒子群优化 (HPSO)算法来求解所提出的问题。仿真结果表明,HPSO算法明显优于现有算法,能有效降低任务处理成本。     

基于Hilbert空间填充曲线的WSN移动汇聚节点轨迹设计

针对无线传感器网络(WSN)中部分节点不能被访问而导致数据丢失率和能耗较高的问题,提出了利用Hilbert空间填充曲线的WSN移动汇聚节点轨迹设计方法。首先,利用依赖于网络大小的Hilbert曲线分析移动汇聚节点的轨迹;然后,基于节点密度计算Hilbert曲线的阶次以确定汇聚节点轨迹的维度;最后,利用NS-2仿真评估该方法在网络覆盖和可扩展方面的有效性。仿真结果表明,随着网络中节点数的增加,移动节点覆盖率降低,提出的基于密度的Hilbert曲线在网络覆盖、数据包投递率和平均能耗方面均优于基于尺寸的Hilbert曲线。     

基于雾计算的智能工厂实时任务调度架构

针对传统的基于云的任务调度架构中没有充分利用智能工厂的资源,以及远距离传输导致高传输时延的问题,提出了一种基于雾计算的实时任务调度架构。设计了一种基于雾计算的智能工厂网络架构;考虑到工厂任务的时延敏感性和优先级特性,提出了一种基于动态优先级的任务调度模型,该模型被雾节点用来调度和执行等待队列中的任务;基于提出的网络架构和任务调度模型,提出了一种任务卸载策略,该策略可以被用于解决智能工厂中的资源利用问题。仿真结果证明了提出的实时任务调度架构在智能工厂中应用的可行性和有效性。     

面向无线传感器网络信息年龄的多无人机轨迹优化算法

由于无线传感器网络(WSN)中传感器的传输功率有限,同时可能与基站(BS)传输距离较远,造成无法及时交付数据,数据新鲜度过低,影响时延敏感型业务决策质量。因此,采用无人机(UAV)辅助收集传感器数据,成为提升无线传感器网络数据新鲜度的有效手段。该文通过信息年龄(AoI)性能指标评估无线传感器网络数据新鲜度,并基于集中式训练分布式执行框架的多智能体近端策略优化(MAPPO)方法研究了无人机轨迹优化算法。通过联合优化所有无人机的飞行轨迹,实现地面节点平均加权信息年龄的最小化。仿真结果验证了所提多无人机路径规划算法在降低无线传感器网络信息年龄方面的有效性。     

基于速率约束的OFDM中继链路能效最优资源分配策略

该文研究解码转发(DF)模式的OFDM中继链路的能效最大化资源分配问题。与现有典型的固定速率最小化发射功率或无约束最大化能效算法不同,该文考虑电路功率消耗的前提下,将问题建模为以最大化系统能效为目标,同时考虑用户最小速率需求、源节点S和中继节点R各自总发射功率约束下的联合子载波配对和最优功率分配问题。证明了速率和功率联合约束条件下中继链路全局能效最优解的唯一性,在此基础上提出一种低复杂度联合最优资源分配策略。仿真结果表明,该文所提方案能够在最小速率和S/R节点最大发射功率约束下自适应分配功率资源,实现系统能效最优,并能够降低链路的中断概率。     

移动Ad Hoc云中任务卸载的联合优化策略

为了降低移动Ad Hoc云中客户端卸载计算密集型任务过程中产生的计算能耗、传输能耗和任务时延,该文提出了一种联合优化算法。该算法首先基于计算能耗、通信能耗及任务时延进行建模;然后进行预估计,以选择更优的代理终端,并由此降低总的系统能耗与任务时延。仿真结果表明,相对于传统云算法,该算法在系统能耗和任务时延两方面均有显著提升。     

DDPG-based intelligent rechargeable fog computation offloading for IoT

In view of the existing computation offloading research on fog computing network scenarios, most scenarios focus on reducing energy consumption and delay and lack the joint consideration of smart device rechargeability. This paper proposes a deep deterministic policy gradient-based intelligent rechargeable fog computation offloading mechanism that is combined with simultaneous wireless information and power transfer technology. Specifically, an optimization problem that minimizes the total energy consumption for completing all tasks in a multiuser scenario is formulated, and the joint optimization of the task offloading ratio, uplink channel bandwidth, power split ratio and computing resource allocation is fully considered. Based on the above nonconvex optimization problem with a continuous action space, a communication, computation and energy harvesting co-aware intelligent computation offloading algorithm is developed. It can achieve the optimal energy consumption and delay, and similar to a double deep Q-network, an inverting gradient updating-based dual actor-critic neural network design can improve the convergence and stability of the training process. Finally, the simulation results validate that the proposed mechanism can converge quickly and can effectively reduce the energy consumption with the lowest task delay.

     

超密集网络中基于移动边缘计算的任务卸载和资源优化

移动边缘计算(MEC)通过在无线网络边缘为用户提供计算能力,来提高用户的体验质量。然而,MEC的计算卸载仍面临着许多问题。该文针对超密集组网(UDN)的MEC场景下的计算卸载,考虑系统总能耗,提出卸载决策和资源分配的联合优化问题。首先采用坐标下降法制定了卸载决定的优化方案。同时,在满足用户时延约束下采用基于改进的匈牙利算法和贪婪算法来进行子信道分配。然后,将能耗最小化问题转化为功率最小化问题,并将其转化为一个凸优化问题得到用户最优的发送功率。仿真结果表明,所提出的卸载方案可以在满足用户不同时延的要求下最小化系统能耗,有效地提升了系统性能。     

Bounded end-to-end delay with Transmission Power Control techniques for rechargeable wireless sensor networks

Due to sporadic availability of energy, a fundamental problem in rechargeable wireless sensor networks is nodes have to adjust their duty cycles continuously. On the other hand, the energy harvested from surrounding environment usually is not enough to power sensor nodes continually. Therefore, the nodes have to operate in a very low duty cycle. These unique characteristics cause packet delivery latency is critical in Rechargeable WSNs. At the same time, energy storage device of a node is always limited. Hence, the node cannot be always beneficial to conserve energy when a network can harvest excessive energy from the environment. In this work, we introduce a scheme by improving transmission power of nodes to bound E2E delay. We provide an algorithm for finding the minimal sleep latency from a node to a sink by increasing minimal h number of nodes whose transmission power improved. For bounding E2E delay from source node to the sink, we propose an E2E delay maintenance solution. Through extensive simulation and experiments, we demonstrate our delay bound maintenance scheme is efficient to provide E2E delay guarantees in rechargeable wireless sensor networks.     

协同边缘网络中智能计算卸载与资源优化算法

针对具有依赖关系的计算密集型应用任务面临的卸载决策难题，提出了一种基于优先级的深度优先搜索调度策略。考虑到用户能量受限和移动性，构建了一种联合用户下行能量捕获和上行计算任务卸载的网络模型，并在此基础上建立了端到端优化目标函数。结合任务优先级及时延约束，利用深度强化学习自学习的优势，将任务卸载决策问题建模为马尔科夫模型，并设计了基于任务相关性的Dueling Double DQN(D3QN)算法对问题进行求解。仿真数据表明，所提算法较其他算法能够满足更多用户的时延要求，并能减少9%～10%的任务执行时延。     

基于边缘云计算的光纤无线网络优化设计

为了提升网络边缘数据处理能力,满足终端大带宽和低时延的要求,构建了基于边缘基础设施的云计算平台,设计了具有动态带宽调整的光纤网络模型。提出了一种基于边缘云计算的时序优化算法,并将其应用于光纤无线网络。通过OPNET软件仿真分析了时序优化算法的传输时延均值,结果显示,优化后最大时延为43.1 ms,仅为传统方法的34.2%。实验对局域网内多个终端之间的数据通信进行分析,讨论了三种算法的传输能效、光纤信道利用率及传输能耗。实验结果显示,采用时序优化算法的测试结果具有明显改善,其传输能效提升了近1倍,边缘云数据传输时延均值信道利用率提升了约6.2%,网络传输能耗均值最优。该光纤无线网络模型及其优化算法在传输时延、信道利用率以及网络能耗方面具有明显提升。其在提升光纤通信链路选择及边缘端数据交互中具有一定的优势。