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.     

5G助无人驾驶汽车发展进入快车道

<正>无人驾驶汽车是智能汽车的终极形态,在计算和通信等方面有着非常严苛的技术要求。无人驾驶汽车产生及所需的数据量巨大,需要超高速率、超低时延的传输,而当前在用的通信系统根本无法满足其超高带宽需求。虽然近年来信息通信新技术日新月异,但通信网络的"落后"还是严重阻     

面向5G的多接入边缘计算(MEC)在系统建构中的重点技术应用

移动多接入边缘计算(MEC)技术能够实现网络边缘迁移,此主要是利用计算存储与业务服务等能力实现的,并且还能够部署其中的应用、服务、内容,使部署的分布式、本地化、近距离性能得到提高,有效满足5G增强移动带宽、低时延高可靠性的场景业务需求,并且连接大规模机器通信类的终端。     

浅谈5G下的MEC演进

随着5G时代到来,应用也在悄然改变,成本要求应用本地化,带宽要求内容分布化,时延要求计算边缘化,移动核心网集中式部署不能满足新业务需求,网随流动,内容/应用/计算向边缘迁移驱动MEC发展,MEC是集网络连接、算力资源、云和应用能力为一体的智能信息节点,为客户提供就近智能服务。     

MEC系统中基于多智能体深度增强学习的协作式任务卸载和资源分配

移动边缘计算(MEC)通过将计算任务卸载到MEC服务器上,在缓解智能移动设备计算负载的同时,可以降低服务时延。然而目前在MEC系统中,关于任务卸载和资源分配仍然存在以下问题：1)边缘节点间缺乏协作;2)计算任务到达与实际环境中动态变化的特征不匹配;3)协作式任务卸载和资源分配动态联合优化问题。为解决上述问题,文章在协作式MEC架构的基础上,提出了一种基于多智能体的深度确定性策略梯度算法(MADDPG)的任务卸载和资源分配算法,最小化系统中所有用户的长期平均成本。仿真结果表明,该算法可以有效降低系统的时延及能耗。     

一种基于车边云协同的车联网计算卸载策略

随着智能交通的快速发展和车联网中数据流量爆炸式的增长,汽车终端请求卸载的任务对时延和带宽有了更加严苛的要求。在现有的云计算服务模式中,车辆可以访问云服务器来获得强大的计算、存储和网络资源,但缺点是通信传输时延较大,仅依靠云计算可能会导致过度的延迟。为了更加合理利用资源、减小时延、优化卸载策略,提出了一种基于粒子群优化算法的“车-边-云”协同卸载方案。首先通过接入点附近的软件定义网络（Software Define Network,SDN)控制器根据终端用户附近边缘节点、本地终端和云计算节点的计算资源和容量情况得出最优的卸载策略,充分利用本地、移动边缘计算（Mobile Edge Computing,MEC）设备、云端的计算资源,然后通过粒子群优化算法得出“车-边-云”各计算节点的卸载系数,即最优卸载策略。实验结果表明,相比于其他卸载策略,所提的卸载机制对时延优化效果明显,提高了计算资源的利用率。     

5G+警用无人机在智慧安防领域的应用研究

5G作为新一代的移动通信技术,不但具备更高速率、更低时延、更大连接及更高可靠性特性,还推动了人工智能和移动边缘计算技术的发展。凭借5G网络的大带宽、低时延、广连接等特点,结合人工智能、边缘计算等技术,5G警用无人机实现了与指挥调度系统的无缝集成,以及与前端各类安全防控场景的精准对接。5G技术与警用无人机技术的结合,有力推动了警用无人机在智慧安防领域的创新应用,实现智能监控、智能预警、自动化应对和大数据分析,以构建起立体化智慧安防体系,更好地实现预警和快速响应,为警务工作的开展提供必要的技术手段。     

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。     

基于5G移动网络中边缘计算与计算迁移模型的研究

随着通信技术和移动互联网的高速发展,移动通信已进入了5G时代。但数据的蓬勃发展也让网络面临大带宽、低时延、广连接、高可靠度、高安全性等挑战。面对这些挑战,移动边缘计算(mobile edge computing,MEC)孕育而生了,MEC架构提供了分流、计算、业务感知、计算迁移的能力,并将相应能力下沉至网络边缘。文章首先介绍了边缘计算在5G网络中的基本架构和最新的研究成果。其次,基于MEC平台下的任务迁移是未来必然的发展趋势,分析了MEC环境下任务迁移的过程、算法、优势等。最后提出了目前边缘计算发展所面临的问题及挑战。     

边缘计算环境中基于复制的任务加速机制

随着边缘计算的快速发展,边缘往往需要处理大量的任务,一些边缘集群超载,导致慢任务的产生.文章首次基于多臂赌博机的算法应用于边缘计算环境的任务复制问题.以往的工作通常是将任务从过载边缘复制到空闲边缘,以减少排队和计算时延来换取传输时延.在作出复制决策之前,无法预测被复制到不同边缘的任务的完成时延,这影响了任务复制机制的性能.因此,将多臂赌博机应用于任务复制问题,并对边缘计算性能和链路带宽的随机性进行了描述.文章提出了一种边缘计算环境中基于复制的任务加速机制,证明了该任务加速机制是次线性的.最后,对所提出的任务加速机制的时延性能和服务可靠性进行了仿真评估.与SINGLE和RANDOM相比,此任务加速机制将平均作业完成时间分别提高了56.4％和77.6％.     

基于移动边缘计算的V2X任务卸载方案

移动边缘计算(MEC)通过在移动网络边缘提供IT服务环境和云计算能力带来高带宽、低时延优势,从而在下一代移动网络的研究中引起了广泛的关注。该文研究车载网络中车辆卸载请求任务时搜寻服务节点为其服务的匹配问题,构建一个基于MEC的卸载框架,任务既可以卸载到MEC服务器以车辆到基础设施(V2I)形式通信,也可以卸载到邻近车辆进行车辆到车辆(V2V)通信。考虑到资源有限性、异构性,任务多样性,建模该框架为组合拍卖模式,提出一种多轮顺序组合拍卖机制,由层次分析法(AHP)排序、任务投标、获胜者决策3个阶段组成。仿真结果表明,所提机制可以在时延和容量约束下,使请求车辆效益提高的同时最大化服务节点的效益。     

车辆网络多平台卸载智能资源分配算法

为了降低计算任务的时延和系统的成本,移动边缘计算(MEC)被用于车辆网络,以进一步改善车辆服务。该文在考虑计算资源的情况下对车辆网络时延问题进行研究,提出一种多平台卸载智能资源分配算法,对计算资源进行分配,以提高下一代车辆网络的性能。该算法首先使用K临近(KNN)算法对计算任务的卸载平台(云计算、移动边缘计算、本地计算)进行选择,然后在考虑非本地计算资源分配和系统复杂性的情况下,使用强化学习方法,以有效解决使用移动边缘计算的车辆网络中的资源分配问题。仿真结果表明,与任务全部卸载到本地或MEC服务器等基准算法相比,提出的多平台卸载智能资源分配算法实现了时延成本的显著降低,平均可节省系统总成本达80%。     

移动边缘计算中基于联邦学习的视频请求预测和协作缓存策略

随着互联网社交平台的崛起和移动智能终端设备的普及,自媒体短视频、直播等视频业务蓬勃发展,人们对高质量视频服务的需求也急剧上升。与此同时,连接到核心网络的大量智能设备增加了回程链路的负载,传统的云计算难以满足用户对视频服务的低延迟要求。移动边缘计算(MEC)通过在网络边缘部署具有计算和存储能力的边缘节点,通过在更靠近用户的边缘侧提高计算和存储服务,降低了数据传输时延进而缓解了网络阻塞。因此,基于MEC架构,该文充分利用网络边缘资源,提出了基于联邦学习的视频请求预测和视频协作缓存策略。通过利用多个边缘节点对提出的深度请求预测模型(DRPN)视频请求预测模型进行联邦训练,预测视频未来的请求情况,然后量化缓存内容所带来的时延收益并协作地以最大化该时延收益为目的进行缓存决策。该文分析了真实数据集MovieLens,模拟了视频请求缓存场景并进行实验。仿真结果表明,相比于其他策略,所提策略不仅能有效降低用户等待时延,在有限的缓存空间中提高内容多样性,从而提高缓存命中率,降低缓存成本,还能降低整个系统的通信成本。     

车载边缘计算卸载技术研究综述

通过将移动边缘计算技术应用在车联网,车载边缘计算技术可为车载用户提供低时延、高带宽、高可靠性的应用服务.首先详细介绍了车载边缘计算卸载技术的背景、意义以及本文的贡献.其次,分别概述了车载边缘计算卸载技术的网络架构、主要挑战以及应用场景.然后,从移动分析、卸载模式、资源协作和管理等多个维度全面综述了车载边缘计算卸载技术的研究工作.最后,对车载边缘计算卸载技术的未来研究进行了展望,可对该领域深入的研究提供有价值的参考.     

5G环境的边缘计算安全

5G是移动通信史的最大的变革,推动形成了"云网一体化"的服务模式,促进了个人应用向行业应用的转变,形成了移动互联向万物互联的转变.物联设备呈现多源异构型,并将任务卸载到边缘计算平台;海量移动设备接入,应用快速发展,流量将呈现爆发增长;超高速率与超低时延的应用场景需要常态化安全监测保障;流量分散在边缘,海量数据回传云端需要大量的带宽资源和传输成本.     

面向5G网络的MEC部署方案

移动/多接入边缘计算( MEC)技术通过将计算存储能力与业务服务能力向网络边缘迁移,使应用、服务和内容可以实现本地化、近距离、分布式部署,从而在一定程度上解决了 5G 增强移动宽带、低时延高可靠以及大规模机器通信类终端连接等场景的业务需求。本文在分析 MEC 技术在LTE网络中的应用方案以及对于 5G 网络的价值与意义的基础上,给出了 5G MEC 部署方案以及MEC关键技术的方案。     

结合应用场景的智慧园区MEC部署实践

现如今互联网设备接入量愈发增大,同时对于服务提供商提供的各种高带宽、低时延、复杂应用和场景的需求逐步增多,MEC的相关研究再次回到大家视野并逐渐由传统移动边缘计算向技术和能力要求更高的多接入边缘计算发展。从5G环境下各场景的业务进展为出发点,结合实际业务需求和现有资源利用,提出了更加合理的MEC部署方案。     

初识5G移动边缘计算MEC

2016年4月,3GPP系统架构项目组(SA2)正式将移动边缘计算MEC(Mobile Edge Computing)纳入到5G移动通信网络架构的关键技术之中。移动边缘计算可以将集中部署在数据中心的应用服务和功能分散部署到移动网络的边缘,在移动网络边缘提供IT资源和CT资源,从而解决传输时延、网络拥堵等问题,这为5G移动网络业务和服务的创新带来无限可能。     

轨道交通移动边缘计算网络安全综述

在环境复杂、乘客密集、高速移动的轨道交通场景中引入移动边缘计算（MEC）技术可满足其对低时延、移动性和海量连接等的需求。然而，MEC在改善轨道交通通信网络性能的同时也带来了安全挑战。首先对轨道交通通信网络和MEC进行了概述；然后讨论了MEC在轨道交通中的价值和轨道交通移动边缘计算网络的架构；接着分析了轨道交通移动边缘计算网络面临的安全威胁并提出了防护方案；最后提出了一些开放性问题，希望对后续的研究提供思路。     

基于服务覆盖的无蜂窝边缘智能网络部署方法

为实现未来网络绿色低碳发展，以精准的按需服务提高网络运营和部署效率，将服务覆盖作为网络覆盖能力的新度量。深入挖掘无蜂窝网络部署灵活的优势，可以使每个覆盖单元达到最佳服务覆盖，从而实现系统性能的差异化优化。结合无蜂窝边缘智能网络的通信链路质量对移动边缘计算（MEC）服务器计算和下载的时延、卸载概率的影响，采用连续凸逼近算法，引入松弛变量和辅助变量将接入点（AP）和MEC联合部署混合整数非线性规划问题转化为连续的凸优化问题进行求解。仿真结果证明，基于服务覆盖的网络部署方法提升了现有网络能量效率，并显著减少用户的计算时延和系统的能耗。