基于深度强化学习的边云协同串行任务卸载算法

在移动边缘计算任务卸载问题中,传统卸载算法仅考虑移动设备和边缘服务器计算资源,在资源利用、系统效能上存在一定的局限性。该文基于RainbowDQN算法,考虑了延迟、能耗成本和服务质量保证等因素,提出了一种边缘云协同串行任务卸载算法(ECWS-RDQN)。该算法通过对串行任务的权重分配,实现了网络边缘和云端协同的串行任务动态分配处理,为不同的用户设备应用提供近似最优的任务分配卸载策略。实验表明,ECWS-RDQN算法比传统方案有更好的系统效能,提升了应用的服务质量。     

基于DRL的MEC任务卸载与资源调度算法

为提高多接入边缘计算（MEC）任务卸载效率,提出了一个任务卸载和异构资源调度的联合优化模型.考虑异构的通信资源和计算资源,联合最小化用户的设备能耗、任务执行时延和付费,并利用深度强化学习（DRL）算法对该模型求最优的任务卸载算法.仿真结果表明,该优化算法比银行家算法的设备能耗、时延和付费的综合指标提升了27.6%.     

面向移动边缘计算的动态规划算法研究

移动边缘计算可以将用户任务卸载至边缘服务器，以减少移动设备的能耗与时延。通过研究边缘计算场景，提出了一种自适应动态规划算法，以优化用户的卸载决策。所提算法采用创新的比特流填表方式以节省计算时间，同时在满足时间约束的条件下减小能耗与时延。结果表明，该算法可在满足应用程序执行时间约束的前提下找到近似最优解，同时在不损失计算效率的前提下处理较大的卸载问题。     

智慧医疗场景下考虑终端移动性的任务卸载策略

针对工作流任务、边缘服务器无线信号覆盖范围、智慧医疗场景以及终端移动路径,分别构建模型进行描述,根据移动终端的实时位置和移动速率构建基于移动路径的工作流任务执行时间及能耗模型. 根据边缘服务器的无线通信模型,引入任务执行延迟和任务迁移2种情况以保障服务的连续性和执行时间限制. 从全局角度综合考虑任务在云端、边缘服务器和本地的执行效益,设计工作流任务优先级划分算法和边缘服务器卸载优化算法,并使用遗传算法设计基于最佳移动路径的工作流任务卸载决策及调度算法,在可选路径中搜索满足用户响应时间约束,且移动端能耗最低的最佳路径和相应的任务卸载、调度方案. 仿真结果说明：该算法能够合理地分配计算资源,在用户响应时间约束下充分降低移动终端能耗,相较未考虑终端移动性的卸载算法,移动端能耗降低了19.8%.     

移动边缘计算中的时延和能耗均衡优化算法

为了提升移动边缘计算（MEC）网络中的任务卸载效用,提出了一种基于任务卸载增益最大化的时延和能耗均衡优化算法.通过分析通信资源和计算资源对时延和能耗这2种性能指标的制约关系,将原问题分解为联合发射功率子信道分配子问题和MEC计算频率分配子问题.通过Karush-Kuhn-Tucker条件,导出了最优的MEC计算频率闭式解.此外,提出了一种基于二分法的发射功率分配算法和基于匈牙利二部图匹配的子信道分配算法.仿真结果表明,提出的算法相比传统算法可以显著提升用户的任务卸载效用.     

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法（AHP）将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。     

缓存辅助边缘计算的卸载决策与资源优化

提出一种缓存辅助边缘计算的卸载决策制定与资源优化方案,以进一步降低移动边缘计算（MEC）系统中终端设备的能量消耗.首先,建立该优化问题为最小化用户在任务执行时最坏情况下的能耗值,并将这一混合整数规划问题转化为非凸的二次约束二次规划（QCQP）模型,使用半定松弛及随机概率映射方法获得缓存辅助下的预选卸载集合;其次,分别采用拉格朗日对偶分解法和二分法求得性能约束下的最优传输功率及边缘计算资源分配,从而通过对比该集合中的设备能耗得到理想的卸载决策集合与资源分配方案.实验数值结果表明,所提方案能够有效降低用户能量消耗,提升边缘计算系统的服务性能.     

面向多用户的移动边缘计算任务分级处理卸载机制

在信道资源受限情况下，最小化卸载过程中的时延和能耗是改善基于无线携能通信的多用户移动边缘计算(MEC)网络卸载性能的关键因素之一。通过规划计算任务的卸载比重和链路传输过程中的信道分配，提出一种多任务分级处理机制(MHPM),以实现计算卸载过程中信道资源的合理调度。同时，根据移动终端设备在MEC卸载过程中的平均时间消耗和能量消耗，构建了约束多目标优化问题的数学模型，并结合MHPM和约束非主导的排序遗传算法Ⅱ求解该模型，从而实现了设备时延与能耗之间的有效均衡。仿真实验结果表明，采用MHPM可以降低设备在卸载过程中的平均时间消耗和能量消耗，而利用约束多目标优化算法可以得到目标函数的最优解。     

无人机认知边缘计算资源分配与轨迹优化方案

为了缓解移动边缘计算(Mobile Edge Computing, MEC)网络任务卸载中面临的频谱资源稀缺问题,研究了一种无人机辅助的认知MEC网络架构。将认知无线电技术与边缘计算相结合,在同一个频段内存在多个主用户的情况下,利用无人机搭载的边缘计算服务器为次用户提供计算服务,以进一步提高边缘计算网络的频谱利用率。以最小化次用户和无人机的加权总能耗为目标,在主用户干扰温度约束、次用户任务完成约束以及无人机的轨迹约束下对次用户的中央处理器(Central Processing Unit, CPU)频率、卸载功率以及无人机轨迹建立了联合优化问题。利用连续凸近似(Successive Convex Approximation, SCA)方法对所建立的非凸问题进行3阶段交替求解。仿真结果验证了所提算法的有效性。     

异构蜂窝网络中基于雾节点协作贡献度的计算卸载算法

通过雾计算可将基于云的服务拓展至无线网络边缘和多种场景。针对密集异构蜂窝网络雾计算系统中的协作计算卸载问题，提出一种基于雾节点协作贡献度的计算卸载算法。首先，对协作可行性、协作公平性和协作稳定性进行了建模设计；其次，定义了协作贡献度和协作贡献比系数；然后，结合雾节点的剩余计算容量阈值和协作贡献度阈值，在满足任务可容忍的最大时延约束下，提出以任务执行能耗和用户支付成本的加权和最小化为目标的优化问题，使用外部罚函数法和方向加速法(Powell法)得到最优卸载决策。仿真结果表明，所提算法在各种任务参数和时延约束下能够有效降低执行任务的总开销，并且能够在协作可行性、协作公平性之间进行权衡处理。     

Optimal Micro-Task Scheduling for Multi-Hop D2D-Enabled Mobile Edge Computing

基于多跳D2D通信的移动边缘计算网络最优子任务调度算法

高林,张钦宇

（哈尔滨工业大学（深圳） 电子与信息工程学院,广东 深圳 518055）

中文说明：

互联网的快速发展和5G/6G时代的来临带来了海量数据,给云端数据中心造成了巨大的数据流和计算压力。移动边缘计算通过利用网络边缘端和移动端的海量设备资源,可有效缓解日益激增的数据和计算压力。本文研究一个基于移动端设备资源共享的移动边缘计算场景,其中邻近移动设备通过多跳D2D通信相互连接并进行资源共享。本文主要研究上述场景中的子任务分割和调度问题,即每个任务根据其功能和资源需求分割为多个顺序的子任务（如数据下载子任务、数据处理子任务、数据上传子任务）,并为不同子任务调度不同的资源。本文主要关注子任务最优调度问题,建立了一个任务失败概率和能量消耗联合最小化的复杂优化问题,并提出了线性松弛方案将其转换为实际可解的整数规划问题。仿真结果验证本文所提最优调度方案在系统总代价和任务失败概率两个方面的性能均优于其他方案（如任务不分割调度方案和资源不共享方案）。

关键词：移动边缘计算、子任务调度、多跳D2D通信

     

Collaborative offloading of overloaded MEC servers in ultra-dense heterogeneous networks

Mobile Edge Computing (MEC) can perform computational task offloading with the help of edge servers, and is no longer limited by the power of mobile terminals (MTs). When the edge server is overloaded, it often chooses to queue, postpone or reject the MT’s offloading request. QoS (Quality of Service) of users will deteriorate greatly due to service disruption and extended waiting, but the existing research work does not consider how the MEC-BS can relieve load pressure at this time. In this paper, we study how to enhance the computing offloading service of the MEC-BS by offloading the task of the overloaded base station to the other MEC-BS in the same collaboration space. Combining the penalty function with the two-step quasi-newton method, an optimization algorithm is proposed to minimize the joint utility function including the total delay and energy consumption of the edge computing network. Empirical factors are used to adjust the optimization deviation according to the different needs of the optimization target for time delay or energy efficiency. Simulation results show that the proposed scheme is better than two other schemes in improving the system performance and convergence speed.     

Edge offloading strategy for the multi-base station game in ultra-dense networks

Mobile edge computing provides powerful computing capabilities for the wireless network to enrich the user experience.However,in the current mobile edge computing network,the problems of small coverage density and hotspot overload of the central node should be skillfully overcome.The combination of the ultra-dense network and mobile edge computing can provide a feasible solution for addressing the above problems.A distributed edge computing architecture for ultra-dense networks is designed,and a multi-base station game offloading algorithm is proposed to minimize the system overhead.In the proposed algorithm,the lagrange multiplier method is used to solve the problem of computing resource allocation,and then the matching game theory is exploited to obtain the optimal offloading strategy,so that the mutual benefits of both users and mobile edge computing servers are maximized.Simulation results show that compared with the random and greedy offloading algorithms,the proposed algorithm achieves a significant reduction in the system overhead,with the average overhead saving being up to 28.66%.     

面向时延敏感业务的服务功能链部署

服务卸载和雾/边缘计算为解决云网络的延迟提供了新的范例。然而,目前关于服务卸载的研究大多考虑将正在运行的计算服务从手机或云网络卸载到雾/边缘计算网络。但是,在卸载的过程中,它会消耗额外的资源并影响用户的体验。因此,该文在部署服务功能链(SFC)时,考虑通过有效的在线博弈决策,将每条服务功能链的部分虚拟网络功能(VNF)卸载并部署到雾/边缘网络中,从而满足用户的时延要求。该文提出了一种基于服务卸载和在线博弈的最小化时延的服务功能链部署算法(DSFCD-SOOG),将有效的在线博弈和服务卸载决策相结合,在云雾计算网络中部署服务功能链,以减少服务功能链的端到端时延。最后,该文验证了DSFCD-SOOG算法在服务功能链部署中的资源效率、时间效率和阻塞率方面的优越性。     

负载均衡优先的改进优先级表调度算法

针对当前云计算环境下DAG任务调度时存在的负载失衡、任务调度效率不高的问题,提出了一种负载均衡优先的改进优先级表调度算法(LS-IPLB).算法将云计算集群中虚拟机的状态参数变化抽象成空间中的参数向量变化,给出实时衡量云计算集群的负载均衡性方法,并作为虚拟机选择权值的重要参数.同时以任务执行代价、任务的出度和任务间的通信代价作为参数计算任务优先级,并在任务调度时采用任务复制策略进一步优化调度过程.结果表明,LS-IPLB算法能有效缩短DAG任务图的完成时间,并实现了良好的负载均衡性.     

云计算下区分服务的演化博弈调度算法

提出了一种基于区分服务的云计算演化博弈调度算法.算法中云任务方通过偏好类型参与对资源的竞争,虚拟机资源方依据其计算型、存储型、带宽型等各类服务评分高低竞争任务,构成一个混合博弈,然后再依据任务调度信息和用户反馈的评分不断演化改进虚拟机资源及其所属种群的各项服务评价,最终得到博弈的均衡.仿真实验结果表明,该算法是有效、可行的,能根据任务类型的差异分配不同特性的虚拟机资源,再依据用户对各项服务的评价,确保不同类别的用户任务的服务质量.     

基于QoS约束的计算能力调度算法研究

云计算具有很强的商业性特点,以为用户提供高质量的服务为目标。针对云计算对服务质量QoS的需求问题以及云计算原有计算能力调度算法没有考虑用户多样性的缺点,提出了基于QoS约束的计算能力调度算法。该算法可以在保证为用户提供模拟的独立计算能力基础上,根据QoS参数生成的向量进行资源与任务的匹配,区分用户的不同服务质量需求,为用户提供符合其需求的资源。