基于边缘计算与区块链的车载计算资源智能调度研究

随着车联网(IoV)的快速发展及部署,用户对网络服务质量的要求也随之提高。车联网数据计算作为网络服务的重要内容之一,越来越受到关注。移动边缘计算(MEC)作为一种允许车辆将计算任务卸载到车联网系统边缘服务器的技术,能够有效降低计算时延,提升数据处理效率。然而,车联网的数据流量日益增加,导致边缘计算设备的需求量大幅提高且存在数据安全可靠性问题。对此,本文面向车联网中移动车辆计算卸载的场景,提出一种基于区块链的停放车辆辅助计算的系统模型。通过联合考虑服务器计算资源、车辆机动性等条件,利用深度强化学习(DRL)对计算卸载和资源分配策略进行优化,减少系统能耗和数据传输时延,并提高区块链系统的交易吞吐量。仿真结果表明,本文所提优化方法可以有效提升系统性能,同时具有良好的收敛性能和稳定性。     

基于Echarts的碳排放监测平台设计

阐述基于Echarts的碳排放监测平台设计，平台以JAVA语言为基础，采用SSM框架、Restful架构、MySQL数据库技术，对单位采集的各类能源及相应的碳排放量数据进行处理分析，最终以Echarts图、表格等图形化的方式对统计数据进行可视化展示，从而实现碳排放实时监测的目的。     

深度强化学习与移动通信资源管理：算法、进展与展望

深度强化学习(deep reinforcement learning, DRL)将深度学习从高维数据提取低维特征的能力与强化学习的决策能力相结合，是移动通信资源管理与优化的高效算法之一.在引入DRL相关算法概念与原理的基础上，重点对DRL在网络切片、云计算、雾计算、移动边缘计算等通信技术与场景中的资源管理与优化效果进行综述与分析，结合DRL在移动通信资源管理的算法原理与研究进展，论述了DRL面临的问题与挑战，并提出相应解决思路.最后，展望了DRL在移动通信资源管理领域的发展趋势和主要研究方向.     

面向Kafka共识消息传输的负载均衡算法

Kafka是一种高吞吐量消息中间件,但该算法存在负载均衡导致消费者消息处理效率下降的问题。本文提出一种改进的Kafka负载均衡算法,其中协调者基于消费者和分区的对应关系,根据不同的负载均衡场景优化调整消费者数目,按照业务负载倒序的方式更新消费者和分区的对应关系,优先处理负载较大的业务分区,提高消息传输效率,并且搭建Fabric联盟链验证分析算法的性能。实验结果表明,本算法在中央处理器(CPU)资源消耗比其他算法低5%的情况下,共识速度提升了2%～7%,并且在6个Kafka节点中3个宕机的情况下仍然能共识上链,提升了Kafka负载均衡算法的效率和稳定性。     

基于Hawkes过程的车联网协同缓存及资源分配

随着网络流量呈指数级增长，能够访问多媒体内容的智能汽车也面临巨大的流量压力，为此提出了一种基于Hawkes过程更新内容流行度的车联网协同缓存及资源分配框架.研究了在路边单元和智能车辆中的协同缓存及资源分配策略，同时，考虑到内容缓存的更新周期远大于信道条件的变化周期，提出了双时间尺度模型.首先，使用基于Hawkes过程的方法，考虑内容请求的新鲜度和时效性，根据历史内容请求记录更新流行度；然后，对路边单元和车辆协作缓存策略的数据传输吞吐量和缓存能耗进行建模，以最大化边缘设备的缓存效益为目标，并利用深度强化学习求解优化问题.仿真结果表明，所提出策略相比其他策略可以得到更高的效益.