停车边缘计算：车载自组织网络中基于路边停车的任务卸载

为解决车载自组织网络(Vehicle Ad Hoc Neteorks, VANETs)中基础设施建设的不足以及路侧单元(Roadside Uints, RSUs)通信范围受限的问题,提出停车边缘计算的思想,把拥有大量闲置计算资源的路边停放车辆组织成停车簇,令停车簇充当天然边缘计算节点,在RSUs或边缘计算服务器缺失情况下,及时执行周围移动车辆的卸载任务.分析了任务的完成时间,为最大化成功完成的任务数量,设计改进的SAC(Sampling-and-Classification, SAC)算法实现执行任务的停放车辆选择和资源的分配.基于真实城市道路停车调查的模拟实验结果证明,与其他几种任务调度策略相比,本文所提策略具有较高的任务完成率和卸载率.     

面向5G车联网场景的移动任务动态卸载策略研究

由于车辆自身的高速移动性和资源有限性等特征,使得采用传统通信和计算手段的车联网场景无法满足用户日益增长的数据计算需求和体验质量需求。采用5G和边缘计算技术构建的新型车联网架构可以满足以上需求,但由于网络结构的变化,需设计适合新场景下的车辆任务通信和计算策略。针对5G车联网场景下的移动车辆任务动态卸载问题进行研究,提出了对应的动态任务分配策略和卸载调度低时延算法。车辆会根据提出的策略和算法将未完成的计算任务卸载到相应的 MEC 服务器或车辆上,并且计算结果将通过边缘服务器之间的联合通信或直接从被选择接受卸载任务的附近空闲车辆上直接返回给车主。仿真结果表明,所提出的策略和算法在优化卸载延迟方面具有良好的性能,并提高了用户体验质量。     

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.     

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。     

基于合约设计的移动边缘计算任务卸载策略研究

移动边缘计算将边缘服务器部署到无线局域网侧,将部分计算密集任务卸载到边缘云服务器,从而缩短计算服务与移动设备的距离,降低数据传输成本.考虑移动边缘计算(MEC)环境下的计算任务分配问题,通过探索用户体验敏感度的异质性,建立CPU运算周期数-数据量-价格的三元组合约模型,提出基于合约理论的计算任务分配策略,以最大化云服务商的利润为目标,同时保证移动用户的非负效益.分别讨论完整信息场景下和统计信息场景下的最优合约设计策略.仿真结果验证了所提出方案可以有效实现计算任务的卸载.     

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%。     

基于主动缓存的云边端协同卸载策略

为避免移动边缘计算中任务的重复计算,进一步提升系统性能,缩减应用程序完成时间,提出基于主动缓存的云边端协同卸载策略(CEECO).在边缘服务器和云端主动缓存计算任务的执行结果,在此基础上基于线性回归模型进行任务预测,得到不同的云边端卸载执行策略.仿真结果表明,该算法相对传统卸载策略总完成时间更少,能够满足不同任务情况下对时延的要求.     

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。     

服务缓存约束下优化用户设备执行成本的任务卸载策略

边缘计算通过在网络边缘侧提供更优的计算和存储能力,能够有效降低用户设备的执行时延和能耗。随着应用程序对计算和存储资源的需求越来越大,任务卸载作为消除用户设备固有限制的一种有效手段,成为了主要的研究热点之一。然而,在已有的任务卸载研究中,常常忽略不同类型的任务对服务需求的多样性以及边缘服务器服务缓存有限的情形,从而导致不可行的卸载决策。因此,在服务缓存约束下,研究了能够使得用户设备执行成本最优的任务卸载问题。首先设计了云服务器、边缘服务器和本地设备的协同卸载模型,用于平衡边缘服务器的负载问题,同时借助云服务器弥补边缘服务器有限的服务缓存能力。然后,提出了适用于云边端协同的任务卸载算法,优化用户设备的执行成本。当任务被卸载时,先采用改进的贪婪算法选择最佳的边缘服务器,再通过比较任务在不同位置上的执行成本,来确定任务的卸载决策。实验结果表明,所提算法相比对比算法能够有效降低用户设备的执行成本。     

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.     

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。     

面向非正交多址的车联网中资源优化方案

为了解决车辆端计算能力不足、任务处理时延大、能源消耗多、无线资源缺乏等问题,该文考虑利用非正交多址技术进行任务上传和数据包下载的车辆边缘计算系统,对系统的卸载决策、缓存决策、计算和缓存资源的分配进行联合优化.由于车辆需要在动态网络环境下实时确定任务卸载和缓存策略,提出了一个以移动边缘计算服务器平均能耗最小化为目标的随机...     

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。     

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。     

基于边缘计算的新型任务卸载与资源分配策略

针对移动边缘计算（MEC）中密集型任务卸载时，系统开销较大和延时抖动明显的问题，提出一种新型资源分配策略。首先在系统时延约束下，分析了系统任务执行开销与终端设备的资源分配机制；其次建立了基于计算卸载和任务分配的联合凸优化目标；最后采用拉格朗日乘子法进行迭代更新得到最优解。仿真结果表明，所提任务卸载与资源分配方案在保证用户服务质量的同时降低了任务执行开销，并有效提升了MEC系统性能。     

基于移动边缘计算的蜂窝工业物联网数据流量卸载方法

蜂窝工业物联网数据流量卸载因移动终端设备资源受限，需要的能耗较大。为此，设计一种基于移动边缘计算的蜂窝工业物联网数据流量卸载方法。按照拓扑结构，划分应用程序，确定计算顺序，将计算卸载任务分配至移动终端设备和移动边缘计算服务器，利用粒子群算法优化计算卸载，输出最优卸载策略和最低能耗值。经实验分析，通过与利用分层卸载方法和基于光纤-无线网络的协同计算卸载方法的结果进行对比，验证所提出卸载方法对节省能耗的有效性。     

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。     

边缘计算的物联网深度学习及任务卸载调度策略

为解决物联网深度学习模型的网络性能和隐私问题,提出一种边缘计算的物联网深度学习应用及任务卸载策略,以优化网络性能,保护数据上传中的用户隐私。深度学习的多层结构适用于边缘计算,边缘节点上传缩减的中间数据,因此减少了从物联网设备到云服务器的网络流量。考虑到边缘节点有限的服务能力,提出一种边缘计算环境中最大化任务数量的卸载调度策略,优化边缘计算的物联网深度应用性能。实验结果表明,该策略能够在边缘计算环境中执行多个深度学习任务,并且性能优于其他物联网深度学习优化解决方案。     

基于深度强化学习的车辆边缘计算任务卸载方法

车辆边缘计算允许车辆将计算任务卸载到边缘服务器，从而满足车辆爆炸式增长的计算资源需求。但是如何进行卸载决策与计算资源分配仍然是亟待解决的关键问题。并且，运动车辆在连续时间内进行任务卸载很少被提及，尤其对车辆任务到达随机性考虑不足。针对上述问题，建立动态车辆边缘计算模型，描述为7状态2动作空间的Markov决策过程，并建立一个分布式深度强化学习模型来解决问题。另外，针对离散—连续混合决策问题导致的效果欠佳，将输入层与一阶决策网络嵌套，提出一种分阶决策的深度强化学习算法。仿真结果表明，所提算法相较于对比算法，在能耗上保持了较低水平，并且在任务完成率、时延和奖励方面都具备明显优势，这为车辆边缘计算中的卸载决策与计算资源分配问题提供了一种有效的解决方案。     

基于多重指标拍卖机制的车联网任务卸载策略

在5G移动边缘计算(MEC)的车联网场景中, 针对车辆任务卸载目标的选择问题, 设计了一种基于任务优先级的服务器选择方案. 综合考虑时间、能耗、成本等因素对卸载位置选择的影响, 提出了基于多重指标拍卖博弈的解决方法. 通过多重指标拍卖机制, 选择最优的MEC服务器为车辆提供任务卸载服务, 实现车辆与RSU协作的贝叶斯纳什均衡. 仿真结果表明, 该方案能在保障车辆任务卸载时间和能耗的约束条件下, 降低任务卸载的总费用, 满足多个性能指标.