基于多领导者Stackelberg博弈的分层联邦学习激励机制设计

分层联邦学习中隐私安全与资源消耗等问题的存在降低了参与者的积极性。为鼓励足够多的参与者积极参与学习任务，并针对多移动设备与多边缘服务器之间的决策问题，提出基于多领导者Stackelberg博弈的激励机制。首先，通过量化移动设备的成本效用与边缘服务器的支付报酬，构建效用函数并定义最优化问题；其次，将移动设备之间的交互建模为演化博弈，将边缘服务器之间的交互建模为非合作博弈。为求解最优边缘服务器选择和定价策略，提出多轮迭代边缘服务器选择算法（MIES）和梯度迭代定价算法（GIPA），前者用于求解移动设备之间的演化博弈均衡解，后者用于求解边缘服务器之间的定价竞争问题。实验结果表明，所提算法GIPA与最优定价预测策略（OPPS）、历史最优定价策略（HOPS）和随机定价策略（RPS）相比，可使边缘服务器的平均效用分别提高4.06%、10.08%和31.39%。     

一种基于深度强化学习与概率性能感知的边缘计算环境多工作流卸载方法

移动边缘计算是一种新兴的分布式和泛在计算模式,其将计算密集型和时延敏感型任务转移到附近的边缘服务器,有效缓解了移动终端资源不足的问题,显著减小了用户与计算处理节点之间的通信传输开销。然而,如果多个用户同时提出计算密集型任务请求,特别是流程化的工作流任务请求,边缘计算环境往往难以有效地进行响应,并会造成任务拥塞。另外,受任务负载、电力供给、通信能力的实时变化等不利因素的影响,边缘服务器本身的性能总是处于波动和变化中,从而为保证任务执行效能和用户感知服务效率带来了挑战。针对上述问题,文中提出了一种基于深度Q网络(DQN)与概率性能感知机制的边缘计算环境多工作流调度方法。首先对边缘云服务器的历史性能数据进行概率分析,然后利用获得的性能概率分布数据驱动DQN模型,不断迭代优化,生成多工作流的卸载策略。在实验验证环节,基于边缘服务器位置数据集、性能测试数据和多个科学工作流模板,在反映不同系统负载水平的多个场景下进行了模拟实验。实验结果表明,所提方法在多工作流执行效率方面明显优于传统方法。     

基于网联车多跳传输的移动边缘计算卸载

提出了一种基于网联车多跳传输的移动边缘计算卸载策略,通过对车辆未来行驶轨迹的预测,有效发现车辆网络实时最佳多跳传输路径,以保证在时延要求内成功将计算任务卸载至MEC服务器。仿真实验结果表明,较传统的移动卸载策略,平均任务时延更低,任务成功率更高,各方面性能均优于传统的边缘计算卸载策略。其中,任务卸载成功率平均提升了10.06%,任务时延平均降低了8.62%。     

移动边缘计算中的协同计算卸载策略

针对单边缘服务器卸载时导致异地边缘服务器空闲状态下资源浪费问题,在远程云与多个边缘服务器联合卸载的方案下,提出一种基于改进混合粒子群算法的边缘云协同计算卸载策略（cross reorganization PSO,CRPSO）。该卸载策略中以最小化系统总代价（时延和能耗的加权和）为目标建立模型,在粒子群算法中利用适应度对粒子进行优劣分组,通过引入遗传算法中的交叉思想对劣势组的粒子进行取优,由两层筛选机制优化原始种群中粒子,经过算法迭代实现任务的最优卸载策略。仿真结果表明,与Local-MEC算法、ECPSO算法和GCPSO算法相比,所提出的CRPSO算法的系统总代价最小,优化效果明显。     

边缘计算中协作计算卸载与动态任务调度

在边缘计算场景中,通过将部分待执行任务卸载到边缘服务器执行能够达到降低移动设备的负载、提升移动应用性能和减少设备开销的目的.对于时延敏感任务,只有在截止期限内完成才具有实际意义.但是边缘服务器的资源往往有限,当同时接收来自多个设备的数据传输及处理任务时,可能造成任务长时间的排队等待,导致部分任务因超时而执行失败,因此无法兼顾多个设备的性能目标.鉴于此,在计算卸载的基础上优化边缘服务器端的任务调度顺序.一方面,将时延感知的任务调度建模为一个长期优化问题,并使用基于组合多臂赌博机的在线学习方法动态调整服务器的调度顺序.另一方面,由于不同的任务执行顺序会改变任务卸载性能提升程度,因而影响任务卸载决策的有效性.为了增加卸载策略的鲁棒性,采用了带有扰动回报的深度Q学习方法决定任务执行位置.仿真算例证明了该策略可在平衡多个用户目标的同时减少系统的整体开销.     

基于深度强化学习的云边协同DNN推理

现有基于云边协同的深度神经网络（DNN）推理仅涉及边缘设备同构情况下的静态划分策略,未考虑网络传输速率、边缘设备资源、云服务器负载等变化对DNN推理计算最佳划分点的影响,以及异构边缘设备集群间DNN推理任务的最佳卸载策略。针对以上问题,提出基于深度强化学习的自适应DNN推理计算划分和任务卸载算法。以最小化DNN推理时延为优化目标,建立自适应DNN推理计算划分和任务卸载的数学模型。通过定义状态、动作空间和奖励,将DNN推理计算划分和任务卸载组合优化问题转换为马尔可夫决策过程下的最优策略问题。利用深度强化学习方法,从经验池中学习动态环境下边缘设备与云服务器间DNN推理计算划分和异构边缘集群间任务卸载的近似最优策略。实验结果表明,与经典DNN推理算法相比,该算法在异构动态环境下的DNN推理时延约平均降低了28.83%,能更好地满足DNN推理的低时延需求。     

云边环境下基于博弈论的两阶段任务迁移策略

移动边缘计算（MEC）为计算密集型应用和资源受限的移动设备之间的冲突提供了有效解决办法,但大多关于MEC迁移的研究仅考虑移动设备与MEC服务器之间的资源分配,忽略了云计算中心的巨大计算资源。为了充分利用云和MEC资源,提出一种云边协作的任务迁移策略。首先,将云边服务器的任务迁移问题转化为博弈问题;然后,证明该博弈中纳什均衡（NE）的存在以及唯一性,并获得博弈问题的解决方案;最后,提出了一种基于博弈论的两阶段任务迁移算法来求解任务迁移问题,并通过性能指标对该算法的性能进行了评估。仿真结果表明,采用所提算法所产生的总开销分别比本地执行、云中心服务器执行和MEC服务器执行的总开销降低了72.8%、47.9%和2.65%,数值结果证实了所提策略可以实现更高的能源效率和更低的任务迁移开销,并且随着移动设备数量的增加可以很好地扩展规模。     

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。     

基于博弈论和启发式算法的超密集网络边缘计算卸载

超密集网络与边缘计算相结合时,高密度的基站分布可能会对同一用户重复覆盖,该用户选择不同基站进行卸载将会对系统性能产生不同影响,由此引出卸载对象选取问题。同时边缘计算可以将部分任务卸载到边缘服务器进行处理,选择合适的卸载比例能够显著降低所需的时延和能耗,由此引出卸载比例选取问题。提出一种超密集网络环境中基于博弈论和启发式算法的边缘计算卸载策略。针对卸载对象选取问题,根据边缘服务器到用户之间的距离和工作负载定义偏好度指标,各用户根据偏好度进行博弈后选择卸载对象,并对用户进行分组,将原问题分解为若干个并行的子问题。针对卸载比例选取问题,基于萤火虫群优化算法对各用户的卸载比例进行优化,得到适当的卸载比例。与全本地处理（ALP）策略、全卸载策略（AOS）和基于粒子群优化（PSO）算法的卸载策略进行对比,实验结果表明,ALP和AOS策略在总能耗和平均时延上具有一定的局限性,相比基于PSO的卸载策略,所提策略的时延降低22%,能耗降低20%,可以有效减少系统损失。     

基于深度强化学习的边云协同任务卸载策略

为降低应用程序执行的时延和能耗,针对移动边缘计算环境,提出一种边云协同场景下基于深度强化学习的任务卸载策略。通过建立边云协同架构下的网络模型、通信模型及计算模型,以最小化时延和能耗为系统目标,设计基于深度强化学习的DQN卸载策略,将每个用户产生的任务独立高效地放置在本地、服务器或者云端进行计算,并将计算结果与其它方法进行比较。实验结果表明,相较其它基线算法,该方法能更有效减少任务执行的开销,得到更优的卸载策略。     

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。     

基于博弈论的多服务器多用户视频分析任务卸载算法

在过去的近10年中,人工智能相关的服务和应用大规模出现,它们要求高算力、高带宽和低时延.边缘计算目前被认为是这些应用最适合的计算模式,尤其是视频分析相关应用.研究多服务器多用户异构视频分析任务卸载问题,其中用户选择合适的边缘服务器,并将他们的原始视频数据上传至服务器进行视频分析.为了有效处理众多用户对有限网络资源的竞争和共享,并且能够获得稳定的网络资源分配局面,即每个用户不会单方面地改变自己的任务卸载决策,该多服务器多用户异构视频分析任务卸载问题被建模为一个多玩家的博弈问题.基于最小化整体时延的优化目标,先后研究非分布式视频分析场景和分布式视频分析场景两种情形,分别提出基于博弈论的潜在最优服务器选择算法和视频单元分配算法.通过严格的数学证明,两种情形下提出的算法均可以达到纳什均衡,同时保证较低的整体时延.最后,基于真实数据集的大量实验表明,所提方法比其他现有算法降低了平均26.3%的整体时延.     

基于移动边缘计算的任务卸载优化

随着智慧物联体系的发展,物联网中应用程序的种类与数量不断增加.在移动边缘计算(mobile edge computing, MEC)中,通过允许移动用户将任务卸载至附近MEC服务器以加快移动应用程序的速度.本文通过考虑不同任务属性、用户的移动性和时间延迟约束模拟移动边缘场景.根据用户移动轨迹,将目标建模为寻找满足时延约束条件且在卸载过程中产生最小能耗MEC服务器优化模型,并提出一种最小能耗卸载算法求解该问题的最优解.仿真结果表明,在约束条件下,提出的算法可以找到在用户移动轨迹中产生最小能耗的MEC服务器,并显著降低任务卸载过程的能耗与时延,提高应用程序服务质量.     

协同移动边缘计算分层资源配置机制

针对车联网（IoV）中存在大量的车辆卸载任务计算需求,而本地端边缘服务器运算能力有限的问题,提出一种移动边缘计算分层协同资源配置机制（HRAM）。所提算法以多层式的架构合理分配与有效利用移动边缘计算（MEC）服务器的运算资源,减少不同MEC服务器之间的数据多跳转发时延,并优化卸载任务请求时延。首先构建IoV边缘计算系统模型、通信模型、决策模型和计算模型;然后利用层次分析法（AHP）进行多因素综合考虑以确定卸载任务迁移的目标服务器;最后提出动态权值的任务路由策略,调用整体网络的通信能力以缩短卸载任务的请求时延。仿真实验结果表明,HRAM算法相较于任务卸载单层式资源分配（RATAOS）算法和任务卸载多层式资源分配（RATOM）算法,分别降低了40.16%和19.01%的卸载任务请求时延;且所提算法在满足卸载任务最大可容忍时延的前提下,能够满足更多卸载任务的计算需求。     

面向车联网的多智能体强化学习边云协同卸载

车联网边缘计算是实现车联网系统低时延和高可靠性的关键技术,但现有方法普遍存在场景趋同和系统建模局限的问题,同时包含复杂的训练过程并面临维灾风险。通过结合云计算技术,提出一种基于多智能体强化学习的边云协同卸载方案。依据随机几何理论计算卸载节点覆盖概率,对车辆节点与卸载对象进行预配对。利用线性Q函数分解方法反映每个智能体多效用因子与任务决策间的映射关系,通过云端协同机制将智能体决策记录作为经验上传到云端,并在云端将训练更完备的神经网络反馈到边缘节点。仿真结果表明,该方案在功耗和延时方面性能优于单一固定边缘的计算策略,且算法复杂度较低,能够有效提升边云协同卸载能力,实现低时延、高可靠的任务卸载。