车载边缘计算中任务卸载和服务缓存的联合智能优化

针对车载环境下有限的网络资源和大量用户需求之间的矛盾,提出了智能驱动的车载边缘计算网络架构,以实现网络资源的全面协同和智能管理.基于该架构,设计了任务卸载和服务缓存的联合优化机制,对用户任务卸载以及计算和缓存资源的调度进行了建模.鉴于车载网络的动态、随机和时变的特性,利用异步分布式强化学习算法,给出了最优的卸载决策和资...     

基于图协同过滤模型的D2D协作缓存策略

针对设备到设备（D2D）缓存中基站信号覆盖范围有限导致的难以获得足够数据来预测用户偏好的问题,提出了一种基于图协同过滤模型的D2D协作缓存策略。首先,构建图协同过滤模型,通过多层图卷积神经网络捕捉用户-内容交互图中的高阶连通信息,并利用多层感知机学习用户和内容之间的非线性关系来预测用户偏好。其次,为了最小化平均访问时延,综合考虑用户偏好和缓存时延收益,将缓存内容放置问题建模为马尔可夫决策过程模型,设计基于深度强化学习的协作缓存算法进行求解。仿真实验表明,与现有的缓存策略相比,所提缓存策略在不同的内容种类、用户密度和D2D通信距离参数下均取得了最优的性能效果。     

CoLoRCache:智慧协同网络中的协作缓存机制

介绍一种有效支持缓存协作的未来网络体系架构:智慧协同网络,然后提出了一种高效的协作缓存机制,称为Co Lo RCache。Co Lo RCache的主要目标是减小缓存冗余和建立缓存共享机制。我们通过仿真结果来验证Co Lo RCache。仿真数据表明,相比较于其他缓存机制,Co Lo RCache能够产生更高的缓存命中率和有着最小的请求命中距离。     

基于位置预测的智慧公路边缘任务协同机制

近年来智慧公路为用户提供了道路监测、辅助驾驶等新型服务,但随之而来的是数据流量爆炸式的增长,这对网络的承载能力带来了极大的考验。随着5G和移动边缘计算技术的成熟,海量任务不必集中在云端处理,边缘侧的协同处理成为一种较好的选择。为了在车辆高速移动场景下为用户提供高效可靠的服务,该文提出一种基于位置预测的智慧公路边缘任务协同(CETLP)机制。首先,结合智慧公路场景下车辆运动特点,建立面向时延和负载均衡的边缘任务协同模型。进而,针对任务时延最小化以及网络负载均衡等目标,提出一种基于深度强化学习的边缘任务协同算法,对海量任务的协同策略进行求解。仿真结果表明,所提机制能够在保证网络负载均衡的情况下降低服务时延。     

一种新型分布式代理缓存系统—双层集群缓存

为了提高代理系统的整体性能,基于内部网络用户访问时间的局部性和相似性,并结合现有的分布式缓存系统,本文提出了一种新型的分布式代理缓存系统——双层缓存集群.双层缓存集群系统分为网内集群缓存层和代理集群缓存层,采用双层代理缓存结构,充分利用现有内部网络资源,分散了代理的负担.降低了代理之间的通信开销,还增强了缓存资源的利用...     

车联网云边协同计算场景下的多目标优化卸载决策

车联网场景下的计算任务对时延非常敏感,需要云边协同计算来满足这类需求。针对车联网云边协同计算场景下如何高效地进行服务卸载并同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配问题,设计了基于云边协同的车辆计算网络架构,在该架构下,车载终端、云服务器和边缘服务器都可以提供计算服务;通过对缓存任务进行分类并将缓存策略引入车联网场景,依次设计了缓存模型、时延模型、能耗模型、服务质量模型以及多目标优化问题模型;给出了一种基于改进的多目标优化免疫算法的卸载决策方案。最后,通过对比实验验证了所提卸载决策方案的有效性。     

多源协作的传输控制机制

多路径传输控制协议（Multipath Transmission Control Protocol,MPTCP）是传输控制协议的一种扩展,实现端到端动态地利用多个地址建立多条传输路径,从而提高网络传输质量和可靠性.但是,MPTCP仍存在局限,能够解决端到端已确定的多路径调度问题,但难以实现不同端以及变化端间的路径协作.智慧协同网络是一种新型的未来网络体系,其核心思想是通过网络组件的智慧协作,最大限度优化利用网络资源,提高网络工作效率.本论文提出了基于智慧协同网络的多源协作传输控制机制,实现了传输控制协议从单源多路径向多源多路径的突破.具体来说,首先刻画了一种智慧协同网络的多源协作传输架构,引入子源协作传输方法,并详细介绍了多源协作机制的理论模型、报文格式以及子源协作管理的核心工作流程.通过仿真实验验证,多源协作传输控制机制能够将拥塞窗口平均利用率从51%提升至96%,并提高网络利用率和吞吐量.     

移动边缘计算中基于联邦学习的视频请求预测和协作缓存策略

随着互联网社交平台的崛起和移动智能终端设备的普及,自媒体短视频、直播等视频业务蓬勃发展,人们对高质量视频服务的需求也急剧上升。与此同时,连接到核心网络的大量智能设备增加了回程链路的负载,传统的云计算难以满足用户对视频服务的低延迟要求。移动边缘计算(MEC)通过在网络边缘部署具有计算和存储能力的边缘节点,通过在更靠近用户的边缘侧提高计算和存储服务,降低了数据传输时延进而缓解了网络阻塞。因此,基于MEC架构,该文充分利用网络边缘资源,提出了基于联邦学习的视频请求预测和视频协作缓存策略。通过利用多个边缘节点对提出的深度请求预测模型(DRPN)视频请求预测模型进行联邦训练,预测视频未来的请求情况,然后量化缓存内容所带来的时延收益并协作地以最大化该时延收益为目的进行缓存决策。该文分析了真实数据集MovieLens,模拟了视频请求缓存场景并进行实验。仿真结果表明,相比于其他策略,所提策略不仅能有效降低用户等待时延,在有限的缓存空间中提高内容多样性,从而提高缓存命中率,降低缓存成本,还能降低整个系统的通信成本。     

内容中心网络中基于内容迁移的协作缓存机制

内容中心网络(CCN)是为了适应未来网络通信模式的转变,提供对可扩展和高效内容获取的原生支持而提出一种新型的网络体系架构,内容缓存机制是其研究的关键问题之一。现有机制在缓存节点的选择时往往过于集中,缓存负载分布严重不均,大大降低了网络资源利用率以及系统的缓存性能。该文提出一种基于缓存迁移的协作缓存机制,首先在缓存节点选择时考虑节点的中心性保证内容尽可能缓存在位置更重要的节点。同时,在缓存压力过大时,通过可用缓存空间大小、缓存替换率以及网络连接的稳定性等信息选择合适的邻居节点进行缓存内容的转移,充分利用邻居资源实现负载分担。仿真结果表明该机制能有效地改善缓存负载在节点上分布的均衡性,提高缓存命中率和缓存资源利用率并降低平均接入代价。     

基于可重构路由器上缓存的流媒体协作分发策略

提出一种新颖的基于可重构路由器上缓存的协作分发策略来加速流媒体。通过网络存储即多个边缘路由器节点对热点视频数据进行合作缓存,就近为用户提供服务,从而使得流媒体服务器的性能要求尤其是带宽需求得到巨大的降低,骨干网传输的流量也明显减少,同时用户响应延迟也得到明显的改善。此外,实现了一个原型系统来评价基于路由器上缓存的流媒体协作分发策略的性能,结果表明该方案相比于现有的方案在改善网络性能以及用户体验方面取得很大的提升。     

网络缓存协作的实现方法

介绍了网络缓存发展的趋势:网络缓存协作。说明了网络缓存协作所要解决的问题,列举了网络 缓存协作的几种模型及相应的有代表性的协议,介绍了解决代理裁剪的几种方案。     

NDN中基于蚁群替换算法的邻居协作缓存管理策略

为提高NDN(命名数据网络)中的缓存利用率,提出了一种基于蚁群替换算法的邻居协作缓存管理(ACNCM)策略。首先将单节点的缓存替换问题,建模为0/1背包问题,并根据缓存数据的大小、使用频率以及邻居副本深度等信息定义本地存储内容的缓存价值,提出基于蚁群算法的缓存替换算法。然后利用邻域协作的思想,通过路由节点之间定期交换自身节点的缓存信息,对单个节点替换出去的缓存内容,选择邻居节点完成协作式缓存管理。实验结果表明,ACNCM策略在缓存命中率、网络开销和平均响应时延方面均优于现有方法。     

无线传感器网络中可靠的数据协作传输机制

对基于协作通信的数据传输问题进行了研究,设计了一种适应于无线传感器网络的RBC网络编码方法,提出了一种数据协作传输策略,分析了端到端的中断概率,评估了中继选择过程的有效性,开发了一种ACK-less的基于协作策略的数据传输方法,理论分析和仿真实验表明,所提出的协作数据传输机制,能够更加有效地使用网络资源.     

车联网中基于信息年龄价值的边缘缓存策略

随着第五代移动通信（5G）技术的快速发展,车联网（Internet of Vehicles,IoV）已成为5G的重要应用场景之一.针对IoV应用对即时性内容缓存的迫切需求,本文研究了支持动态内容缓存的移动边缘缓存方案以确保动态内容的时效性,该方案允许车辆从边缘缓存接入点（Caching-enabled Access Point,CAP）获得具有新鲜度约束的缓存内容.此外,本文基于协作缓存,利用概率论建立了CAP缓存刷新和交付的随机模型.同时,以基于信息年龄（Age of Information,AoI）的缓存命中率为IoV缓存的服务质量（Quality of Service,QoS）指标,建立了系统缓存命中的价值模型.为确保缓存内容的有效性,本文在分层切片框架中考虑了两种具有不同AoI要求的车辆内容请求.最后,本文提出了一个基于协作内容放置的系统内容缓存命中价值最大化的优化问题,这是一个NP-hard多目标多维多选择背包问题.因此,本文将其划分为若干个相互独立的优化问题并设计了一种基于内容年龄价值的最大增量算法进行求解.仿真结果表明,本文采用的CAP协作内容放置策略的性能优于其他传统方...     

基于强化学习的多层卫星网络边缘安全决策方法

多层卫星网络凭借其全球覆盖、高机动性、强抗毁性等优势,成为学术界和产业界的关注热点。然而,多层异构卫星网络如何依靠卫星节点的自主判决能力,发挥网络边缘场景中针对感知数据包含加解密和压缩在内的处理以及回传方面的任务协作相关问题亟待解决。鉴于此,确立了包含低轨卫星的多层卫星网络边缘模型,并提出了一种基于深度强化学习的数据压缩与加密回传决策方法,旨在以确保数据安全为前提,以低传输时延为目标,实现任务卫星在多层卫星网络架构中的边缘决策。仿真和分析表明,所提方法具备合理性和可行性,能够快速地实现收敛,且相比于多个启发式方法具备更优异的性能。     

数据新鲜度驱动的协作式无人机联邦学习智能决策优化研究

联邦学习是6G关键技术之一,其可以在保护数据隐私的前提下,利用跨设备的数据训练一个可用且安全的共享模型。然而,大部分终端设备由于处理能力有限,无法支持复杂的机器学习模型训练过程。在异构网络融合环境下移动边缘计算(MEC)框架中,多个无人机(UAVs)作为空中边缘服务器以协作的方式灵活地在目标区域内移动,并且及时收集新鲜数据进行联邦学习本地训练以确保数据学习的实时性。该文综合考虑数据新鲜程度、通信代价和模型质量等多个因素,对无人机飞行轨迹、与终端设备的通信决策以及无人机之间的协同工作方式进行综合优化。进一步,该文使用基于优先级的可分解多智能体深度强化学习算法解决多无人机联邦学习的连续在线决策问题,以实现高效的协作和控制。通过采用多个真实数据集进行仿真实验,仿真结果验证了所提出的算法在不同的数据分布以及快速变化的动态环境下都能取得优越的性能。     

NDN中边缘计算与缓存的联合优化

命名数据网络（NDN）基于内容名称进行路由,且节点配备一定的缓存能力,故在架构上更易与边缘计算结合。首先,提出一个在NDN中实现网络、计算和缓存动态协调的综合框架。其次,针对不同区域内容流行度的差异性,提出基于矩阵分解的局部内容流行度预测算法;以最大化系统运营收益为目标,利用深度强化学习解决计算和缓存资源分配以及缓存放置策略的联合优化问题。最后,在ndn SIM中构建仿真环境,实验证明所提方案在提高缓存命中率、降低平均时延和远程服务器负载等方面具有明显优势。     

基于离散多目标优化粒子群算法的多移动代理协作规划

无线传感器网络中多移动代理协作能快速高效地完成感知数据汇聚任务,但是随着移动代理访问数据源节点数的增加,移动代理携带的数据分组会逐渐增大,导致传感器节点能量负载不均衡,部分数据源节点能耗过快,网络生存期缩短。目前,针对该问题所设计的能耗均衡算法,多以降低多移动代理总能耗为目标,却未充分考虑部分数据源节点能量消耗过快对网络生存期造成的影响。提出离散多目标优化粒子群算法,以网络的总能耗和移动代理负载均衡作为适应度函数,在多移动代理协作路径规划中寻求近似最优解。通过仿真实验验证,所提出的多移动代理协作路径规划,在网络总能耗和网络生存期方面的性能优于同类其他算法。     

流媒体代理缓存技术研究

代理缓存是降低流媒体点播系统数据传输代价的一项关键技术,但目前现有的缓存方案,由于受到代理本身缓存空间大小和代理与客户端缺少协作的限制,效率不是很高.针对纯代理缓存系统的不足,文章提出了一种采用代理与客户端缓存协作的方式来弥补以上的不足.通过整合客户端的缓存空间来扩充系统总的缓存空间,依靠代理服务器实现资源的部署与协调.仿真结果显示,对比纯代理缓存系统,由于客户端缓存空间的加入,能显著减少主干网的带宽消耗,降低流媒体数据传输代价.     

移动边缘计算中智能服务编排和算网资源分配联合优化方法

为了解决边缘网络环境中由于业务差异化、网络环境高度动态化以及算网资源部署去中心化造成的网络服务缓存和算网资源分配效率低等问题,研究并建立了一种去中心化的移动边缘计算服务编排和计算卸载模型;并在算力、存储、带宽等多维资源约束下,以最小化任务处理时延为目标,将服务缓存和算网资源分配联合优化问题抽象为部分可观测马尔可夫决策过程;考虑到服务请求时间依赖性及其与服务缓存间的耦合关系,引入长短时记忆网络来捕获时间相关的网络状态信息,进而提出基于循环多智能体深度强化学习的分布式服务编排和资源分配算法以自主决策服务缓存和算网资源分配策略。仿真结果表明,所提算法在缓存命中率、任务处理时延等方面具有显著的性能提升。