MEC中资源分配与卸载决策联合优化策略

针对移动边缘计算(MEC)中用户任务处理时延与能耗过高的问题,提出了“云-边-端”三层MEC计算卸载结构下的资源分配与卸载决策联合优化策略。首先,考虑系统时延与能耗,将优化问题规划为系统总增益(任务处理时延与能耗相对减少的加权和)最大化问题;其次,为用户任务设置优先级,并根据任务数据量初始化卸载决策方案;然后,采用均衡传输性能的信道分配算法为卸载任务分配信道资源,对于卸载至同一边缘服务器上的任务以最大化资源收益为目标进行资源竞争,实现计算资源最优配置;最后,基于博弈论证明优化问题为关于卸载决策的势函数,即存在纳什均衡,并利用迭代增益值比较法得到了纳什均衡下的卸载决策方案。仿真结果表明,所提联合优化策略在满足用户处理时延要求的情况下最大化系统总增益,有效地提高了计算卸载的性能。     

车联网中自适应联合计算卸载资源分配算法

为降低车联网(C-V2 X)中计算任务的时延与能耗,提出一种自适应的联合计算卸载资源分配算法.考虑多因素,多平台(本地计算、云计算、移动边缘计算(MEC)、空闲车辆计算)卸载,将计算卸载决策和资源分配建模为多约束优化问题.在粒子群算法基础上,提出粒子矩阵编码方式,联合优化车辆卸载决策、各平台任务卸载比例、MEC资源分配.提出粒子修正算法,结合罚函数法,解决多约束优化问题.仿真结果表明,与其它算法相比,该算法能在满足最大容忍时延的同时,最小化系统总成本.     

移动边缘计算中计算卸载与资源分配联合优化策略

为了在移动边缘计算(MEC)中最大限度地减少处理用户任务的时延和能耗,改善用户体验,以最小化用户的完成时间和能耗的加权和为目标,在计算资源的约束下研究了多用户、多MEC服务器中的计算卸载问题。针对此问题,考虑卸载决策和资源分配之间存在的依赖关系,首先将原问题解耦为卸载决策和计算资源分配2个子问题。然后,使用鲸鱼优化算法求解卸载决策问题,通过添加非线性收敛因子和惯性权重加快收敛速度;引入反馈机制,防止陷入局部最优,得到更高概率可行的卸载决策;对于资源分配问题使用拉格朗日乘子法得到每个卸载决策下的最佳计算资源分配解。最后,通过多次迭代得到稳定的收敛解。仿真实验结果表明,与其他基准方案相比,最多减少了44.6%的系统开销。     

车载边缘计算中基于深度强化学习的协同计算卸载方案

车载边缘计算(Vehicular Edge Computing,VEC)是一种可实现车联网低时延和高可靠性的关键技术,用户将计算任务卸载到移动边缘计算(Mobile Edge Computing,MEC)服务器上,不仅可以解决车载终端计算能力不足的问题,而且可以减少能耗,降低车联网通信服务的时延。然而,高速公路场景下车辆移动性与边缘服务器静态部署的矛盾给计算卸载的可靠性带来了挑战。针对高速公路环境的特点,研究了临近车辆提供计算服务的可能性。通过联合MEC服务器和车辆的计算资源,设计并实现了一个基于深度强化学习的协同计算卸载方案,以实现在满足任务时延约束的前提下最小化所有任务时延的目标。仿真实验结果表明,相比于没有车辆协同的方案,所提方案可以有效降低时延和计算卸载失败率。     

基于软件定义网络和移动边缘计算的车联网高效任务卸载方案

随着车联网(IoV)中车辆和智能应用数目的增加使计算密集型任务激增,传统架构难以满足用户需求。为解决车联网计算资源不足且分配不均匀、应用时延需求无法满足、任务能耗成本较高的问题,结合移动边缘计算(MEC)和软件定义网络(SDN),设计了一种从宏基站到MEC服务器到车辆的车联网架构中的高效任务卸载方案,并提出一种改进的低复杂度非支配排序遗传算法,优化任务卸载成本和MEC服务器的负载均衡率。实验仿真结果表明,相比于随机卸载,NO-MEC卸载,NO-I卸载,传统NSGA、NSGA-Ⅱ卸载,GA卸载,Q-learning卸载,DQN卸载方案,所提方案有着更低的卸载成本,更优的负载均衡率,得到近似最高的系统效用,能够给车联网中的车辆用户带来更优质的网络服务。     

车联网中基于麻雀搜索算法的计算卸载策略

针对车联网场景下的边缘计算系统中MEC服务器负载不均衡，紧急任务无法得到优先处理的问题，提出一种基于麻雀搜索算法的计算卸载策略(COSSA)。以最小化VEC系统的任务计算时延和MEC资源服务费为目标建立数学模型，利用层次分析法根据任务的属性为每个需要卸载任务分配优先级，运用麻雀搜索算法根据目标函数找出最优的卸载决策，实现服务器负载均衡。实验结果表明，与Random、ALP和OMP策略相比，COSSA策略可以有效地降低系统开销、均衡MEC服务器负载。     

车联网中基于DDQN的边云协作任务卸载机制

面对车载终端数据计算量的爆炸式增长,计算卸载是缓解车辆资源不足的有效手段。相比于单独研究云计算或边缘计算,让两者相互协作可以实现优势互补,提高系统的整体服务质量。在车联网中,制定适应环境动态性的卸载决策存在较大困难,其中任务的紧急程度也是一个不容忽视的因素。构建一个基于软件定义网络的边云协作任务卸载架构,并设计任务优先级的度量标准,将动态环境中的任务卸载决策问题建模为马尔可夫决策过程,从而最大化由时延和成本构成的任务平均效用。为了求解任务卸载决策,提出基于双深度Q网络的任务卸载决策算法以及基于优先级的资源分配方案,并设计一种卸载比例计算方法,以保障卸载的任务量能够在通信时间内上传完成的同时最小化任务处理时延。实验结果表明,相比于全部本地、全部卸载和平均分配资源3种固定的卸载算法,该算法时延和效用性能提高了2倍以上,在车辆数目适中的情况下,任务的完成比例可以稳定保持在100%。     

移动边缘计算中基于Lyapunov的任务卸载与资源分配算法

移动边缘计算（MEC）通过将计算和存储资源部署在无线网络边缘,使得用户终端可将计算任务卸载到边缘服务器进行处理,从而缓解终端设备资源受限与高性能任务处理需求之间的冲突。但随着任务卸载规模的不断增加,执行任务所产生的功耗急剧上升,严重影响了MEC系统的收益。建立任务队列动态调度模型,以队列上溢概率为约束构建最大化系统平均收益的资源优化模型。考虑到资源优化问题为不同时隙下的耦合问题,运用Lyapunov优化理论设计一种基于单时隙的资源分配算法,将优化问题转化为用户本地计算资源分配、功率和带宽资源分配以及MEC服务器计算资源分配3个子问题并分别进行求解。仿真结果表明,该算法在满足用户QoS需求的同时能够有效提高MEC系统的时间平均收益。     

车载边缘计算中基于信誉值的计算卸载方法研究*

将移动边缘计算（Mobile edge computing, MEC）引入车载自组网形成车载边缘计算,从而使服务提供商直接利用MEC服务器在网络边缘服务用户,以提升用户体验质量和丰富用户满意度。随后,研究在车载边缘计算环境下车辆用户的计算卸载问题。针对此问题,提出相应的系统模型与使用讨价还价博弈方法以解决MEC服务器如何根据不同的任务要求与车辆信誉值分配自身的计算资源以执行不同的卸载任务。最后,通过实验仿真,验证了方案的有效性和可靠性。算资源以执行不同的卸载任务。最后,通过实验仿真,验证了方案的有效性和可靠性。     

基于DDPG的边缘计算任务卸载和服务缓存算法

当计算任务被转移到移动边缘计算（MEC）服务器上时,通过服务缓存能够降低获取和初始化服务应用程序的实时时延和带宽成本。此外,体验质量是驱动卸载决策的关键因素,有效利用有限的计算资源能够提升用户满意度。考虑一个边缘服务器帮助移动用户执行一系列计算任务的场景,建立混合整数非线性规划问题,提出一种基于深度确定性策略梯度（DDPG）的算法来联合优化服务缓存位置、计算卸载决策和资源分配,从而提高用户对服务的体验质量,最大化用户使用计算资源所节约的成本。仿真结果表明,该算法在提高用户体验质量和节约成本方面较使用无缓存策略、随机选择策略和无缓存随机选择策略的算法性能更优。     

车联网中改进粒子群算法的任务卸载策略

当前,多数车联网任务卸载工作仅考虑时延因素将任务卸载至边缘服务器执行(LOCAL-MEC),但是,车载单元仍有一定的计算能力可以利用.针对上述问题,研究了任务卸载的总代价即时延和能耗两个目标,提出一个将车辆自身的计算单元、附近车辆的计算单元与边缘服务器协同计算的任务卸载模型.该模型既考虑了任务的优先关系,又同时考虑了系统的时延和能耗.通过借鉴模拟退火算法思想并引入压缩因子改进粒子群算法来实现任务卸载.实验结果表明:与其他任务卸载策略相比,提出的任务卸载策略优化效果明显,TPSO算法的总代价为传统粒子群算法的53.8％、LOCAL-MEC策略的27.1％、DCOS(distributed computation offloading scheme)算法的78％,并且适用于多种现实场景.     

面向效用最大化的数据中心动态资源分配

传统数据中心的负载均衡只追求资源利用的最大化,而忽略了不同类型任务对完成时间的需求是不同的,使得系统总体服务质量无法达到最佳.针对不同任务的需求差异,引入时间效用函数以表征不同类型任务的完成时间与服务质量的关系,并形式化定义了面向效用最大化的动态资源分配问题.由于该问题是NP难的,设计了一个利用任务优先关系的调度机制,其主要思想为将原问题分解为若干同构的小规模子问题,并利用任务间的优先关系,决策为哪个任务优先分配资源.通过理论分析可以证明,当并行的任务的完成时间满足一定的序列性质时,该算法可以取得全局最优解.实验显示,该算法产生的收益是常用的先进先出公平调度机制产生收益1.5倍到2倍,并且比当前最新的算法2DFQ(多租户二维公平排队算法)的总效用高约17％.     

基于李雅普诺夫随机优化的车辆边缘计算资源管理

针对车辆边缘计算系统中的计算资源管理问题,提出一种基于李雅普诺夫随机优化的计算卸载与资源分配方案.构建在保证任务量及长期能耗约束下的车辆用户服务时延最小化优化问题,利用李雅普诺夫随机优化理论将优化问题分解.在本地计算资源分配子问题中,通过求解线性问题的方法,得到最优本地计算CPU频率;在计算卸载子问题中,利用数值优化求...     

基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略

无人机搭载深度神经网络进行自主电力巡检时由于受到设备本身计算能力、电池容量、深度神经网络计算负载的限制,无法独立处理巡检任务中产生的海量图像数据。为解决该问题,提出了一种基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略,该策略将系统成本最小化问题分解为深度神经网络计算任务协同分割和边缘服务器选择两个子问题。针对协同分割子问题,基于深度神经网络计算任务的执行流程提出了一种错时传输方法,通过改进混合粒子群算法求解多无人机任务协同分割层。针对边缘服务器选择子问题,定义无人机与边缘服务器各自偏好函数,根据偏好函数通过匹配理论建立两者间的稳定匹配,得到边缘服务器选择策略。仿真结果表明,与其他卸载策略相比,所提策略能有效降低无人机能耗和计算任务处理时延,促进边缘服务器负载均衡。     

Wi-Fi网络下多AP协作边缘计算资源分配策略

近年来, AR/VR、在线游戏、4K/8K超高清视频等计算密集且时延敏感型应用不断涌现, 而部分移动设备受自身硬件条件的限制, 无法在时延要求内完成此类应用的计算, 且运行此类应用会带来巨大的能耗, 降低移动设备的续航能力. 为了解决这一问题, 本文提出了一种Wi-Fi网络多AP (access point)协作场景下边缘计算卸载和资源分配方案. 首先, 通过遗传算法确定用户的任务卸载决策. 随后, 利用匈牙利算法为进行任务卸载的用户分配通信资源. 最后, 根据任务处理时延限制, 为进行任务卸载的用户分配边缘服务器计算资源, 使其满足任务处理时延限制要求. 仿真结果表明, 所提出的任务卸载与资源分配方案能够在满足任务处理时延限制的前提下有效降低移动设备的能耗.     

基于深度强化学习的双层无人机边缘卸载策略

移动边缘计算(mobile edge computing, MEC)已逐渐成为有效缓解数据过载问题的手段, 而在高人流密集的场景中, 固定在基站上的边缘服务器可能会因网络过载而无法提供有效的服务. 考虑到时延敏感型的通信需求, 双层无人机(unmanned aerial vehicle, UAV)的高机动性和易部署性成为任务计算卸载的理想选择, 其中配备计算资源的顶层无人机(top-UAV, T-UAV)可以为抓拍现场画面的底层UAV (bottom-UAV, B-UAV)提供卸载服务. B-UAV搭载拍摄装置, 可以选择本地计算或将部分任务卸载给T-UAV进行计算. 文中构建了双层UAV辅助的MEC系统模型, 并提出了一种DDPG-CPER (deep deterministic policy gradient offloading algorithm based on composite prioritized experience replay)新型计算卸载算法. 该算法综合考虑了决策变量的连续性以及在T-UAV资源调度和机动性等约束条件下优化了任务执行时延, 提高了处理效率和响应速度, 以保证现场观众对比赛的实时观看体验. 仿真实验结果表明, 所提算法表现出了比DDPG等基线算法更快的收敛速度, 能够显著降低处理延迟.     

车辆边缘计算环境下任务卸载研究综述

计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战,将任务卸载到传统的云平台会有较大的传输延迟,而移动边缘计算专注于将计算资源转移到网络的边缘,为移动设备提供高性能、低延迟的服务,因此可作为处理计算密集和延迟敏感的任务的一种有效方法.同时,鉴于城市地区拥有大量智能网联车辆,将闲置的车辆计算资源充分利用起来可以提供巨大的资源和价值,因此在车联网场景下,结合移动边缘计算产生了新的计算模式——车辆边缘计算.近年来,智能网联车辆数量的增长和新兴车辆应用的出现促进了对车辆边缘计算环境下任务卸载的研究,本文对现有车辆边缘计算环境下任务卸载研究进展进行综述,首先,从计算模型、任务模型和通信模型三个方面对系统模型进行梳理、比较和分析.然后介绍了最小化卸载延迟、最小化能量消耗和应用结果质量三种常见的优化目标,并按照集中式和分布式两种不同的决策方式对现有的研究进行了详细的归类和比较.此外,本文还介绍了几种常用的实验工具,包括SUMO、Veins和VeinsLTE.最后,本文围绕卸载决策算法复杂度、安全与隐私保护和车辆移动性等方面对车辆边缘计算任务卸载目前面临的挑战进行了总结,并展望了车辆边缘计算环境下任务卸载未来的发展方向与前景.