移动边缘计算中数据缓存和计算迁移的智能优化技术

移动边缘计算的研究与分析需要从计算迁移和数据缓存的角度出发,针对运行状态及数据存储等方面进行综合优化,从而达到提升数据缓存和计算迁移水平的目的.在进行研究与分析时,充分利用移动边缘计算可以降低用户请求的延迟性,优化移动边缘网络的部署,这对实现移动终端数量与业务的综合管理及控制效果等方面有积极作用.     

移动边缘计算中基于图到序列深度强化学习的复杂任务部署策略

借助于移动边缘计算（MEC）和网络虚拟化技术,可使移动端将执行各类复杂应用所需的算力、存储和传输等资源需求就近卸载至边缘服务节点,从而获得更高效的服务体验。面向边缘服务商,研究其在进行复杂任务部署时所面临的能耗优化决策问题。首先将复杂任务部署于多个边缘服务节点的问题建模为混合整数规划（MIP）模型,然后提出了一种融合图到序列的深度强化学习（DRL）求解策略。该策略通过基于图的编码器设计提取并学习子任务间潜在的依赖关系,从而根据边缘服务节点的可用资源状态及使用率自动发现任务部署的通用模式,最终快速获得能耗优化的部署策略。在不同的网络规模中,将所提策略与具代表性的基准策略进行了全面对比。实验结果表明,所提策略在任务部署错误率、MEC系统总功耗和算法求解效率等方面均显著优于基准策略。     

任务迁移的移动边缘计算系统中资源分配和任务卸载策略

针对在任务卸载时由于设备的移动而导致任务迁移这一问题,将任务卸载过程建模为马尔科夫决策过程,并通过优化资源分配和任务卸载策略,解决基于联合时延和能耗的损耗函数最小的优化问题。首先将问题转化为最小化损耗函数之和,并在决策前对每个任务的传输功率采用二分法进行优化,然后基于获得的传输功率提出一种QLBA（Q-learning Based Algorithm）来完成卸载决策。仿真结果证实所提方案优于传统算法。     

协同边缘网络中智能计算卸载与资源优化算法

针对具有依赖关系的计算密集型应用任务面临的卸载决策难题,提出了一种基于优先级的深度优先搜索调度策略。考虑到用户能量受限和移动性,构建了一种联合用户下行能量捕获和上行计算任务卸载的网络模型,并在此基础上建立了端到端优化目标函数。结合任务优先级及时延约束,利用深度强化学习自学习的优势,将任务卸载决策问题建模为马尔科夫模型,并设计了基于任务相关性的Dueling Double DQN(D3QN)算法对问题进行求解。仿真数据表明,所提算法较其他算法能够满足更多用户的时延要求,并能减少9%～10%的任务执行时延。     

移动边缘计算中的联合优化迁移决策和资源分配

移动边缘迁移计算中,边缘服务器之间的协作能为用户提供更高效的服务。本文对正交频分复用上行无线通信系统,基于移动边缘计算技术的任务迁移的子载波选择、用户发射功率和迁移量的联合优化问题进行了研究。在公平性原则下,本文考虑最小化迁移计算的最大时延问题,并提出了一种非凸问题的拉格朗日对偶法解决方案。首先将min-max问题转化为最小化问题,再用泰勒级数将其近似为一个凸问题,最后用拉格朗日对偶法求解。本文还给出特殊情况下的简便算法,适用于低信噪比的通信环境下。仿真结果证实了本算法的收敛性和实用性。      

移动边缘计算卸载技术综述

移动边缘计算(Mobile Edge Computing,MEC)将云服务器的计算资源扩展到更靠近用户一侧的网络边缘,使得用户可以将任务卸载到边缘服务器,从而克服原先云计算中将任务卸载到云服务器所带来的高时延问题。首先介绍了移动边缘计算的基本概念、基本框架和应用场景,然后围绕卸载决策、联合资源分配的卸载决策分别从单MEC服务器和多MEC服务器两种场景总结了任务卸载技术的研究现状,最后结合当前MEC卸载技术中存在的不足展望了未来MEC卸载技术的研究。     

基于边缘计算技术的智能无人系统

智能无人系统是信息化战争中夺取信息优势、实施精确打击、完成特殊作战任务的重要手段之一,是未来军事力量的倍增器。如何应用新兴技术提升智能无人系统在未来作战场景的有效性是当前重要的研究方向之一。介绍了智能无人系统的相关背景,引入边缘计算技术以及其应用在智能无人系统中的优势,对边缘计算技术在智能无人系统中的问题进行建模及算法求解,最后通过仿真实验验证了算法的有效性。     

数字孪生使能的智能超表面边缘计算网络任务卸载

针对新兴的计算密集型应用对移动用户高计算性能需求问题,该文提出一种数字孪生(DT)结合智能反射面(RIS)辅助的移动边缘计算(MEC)任务卸载方案。首先,在满足用户传输功率、用户和资源设备能耗、计算资源限制条件下,通过联合优化用户卸载决策、用户传输功率、RIS 相移、波束成形矢量、计算资源分配,建立一个系统能耗最小化问题;其次,将该非凸组合优化问题分解为3个子问题,使用深度双Q网络(DDQN)方法确定用户卸载策略;然后对每个训练时间步进行一次求解,基于交替迭代方法得到问题的优化解。仿真结果表明,基于DDQN的算法训练速度较快,有效降低了系统总能耗。     

边缘智能:研究进展及挑战

近年来,物联网的普及让数以亿计的移动设备连接到互联网上,在网络边缘产生了海量的数据,使得一种全新的计算范式——边缘计算兴起。同时,得益于深度学习算法和摩尔定律的突破,使得人工智能的发展再一次迎来了高潮。在这一趋势下,将边缘计算与人工智能相结合是必然的,由此产生的新的交叉研究——边缘智能引起了许多学者的广泛关注。在该综述中,边缘智能被分为基于边缘计算的人工智能和基于人工智能的边缘计算(即AI on edge和AI for edge)两部分。AI on edge侧重于研究如何在边缘计算平台上进行人工智能模型的构建,主要包括模型训练和模型推理两部分;AI for edge侧重于借助先进的人工智能技术,为边缘计算中的关键问题提供更优的解决方案,主要包括任务卸载和边缘缓存两部分。该综述从一个广阔的视角对边缘智能的研究进行了归纳总结,为涉足该领域的相关学者提供了一个详细的背景知识。     

基于5G移动网络中边缘计算与计算迁移模型的研究

随着通信技术和移动互联网的高速发展,移动通信已进入了5G时代。但数据的蓬勃发展也让网络面临大带宽、低时延、广连接、高可靠度、高安全性等挑战。面对这些挑战,移动边缘计算(mobile edge computing,MEC)孕育而生了,MEC架构提供了分流、计算、业务感知、计算迁移的能力,并将相应能力下沉至网络边缘。文章首先介绍了边缘计算在5G网络中的基本架构和最新的研究成果。其次,基于MEC平台下的任务迁移是未来必然的发展趋势,分析了MEC环境下任务迁移的过程、算法、优势等。最后提出了目前边缘计算发展所面临的问题及挑战。     

移动边缘计算发展与应用研究

对MEC的概念、体系架构、产业发展方向等内容进行了介绍,讨论了云边协同一些典型的应用场景,并对MEC技术发展存在的问题和未来的推进策略进行了阐述。     

基于深度强化学习的边缘视频任务卸载策略

随着物联网的发展以及智能设备的普及,视频处理技术已广泛应用于生活中。自动驾驶、产品质检等应用场景对视频处理技术的实时性需求逐步提高,移动边缘计算为计算能力不足和能源受限的设备提供计算资源以执行时延敏感性任务,为实时视频处理提供了新的计算架构。本文搭建了一个视频计算卸载场景,并以视频检测为任务,以系统时延为优化目标,建立了计算卸载模型和马尔可夫决策模型;考虑到计算卸载场景的复杂动态因素,如带宽波动、设备数量、任务大小等,以最小化系统时延为目标,提出了一种基于深度强化学习的计算卸载策略进行求解。实验表明,与其他基线方案相比,该卸载策略能够适应较复杂卸载场景,有效降低系统时延。     

移动边缘计算安全研究

移动边缘计算具有靠近用户、业务本地处理、灵活路由等特点,成为满足5G低时延业务需求的关键技术之一。由于移动边缘计算靠近用户、处于相对不安全的环境、核心网控制能力减弱等,存在非授权访问、敏感数据泄露、(D)DoS攻击等安全风险。本文在介绍边缘计算概念、应用场景的基础上,分析移动边缘计算的安全威胁、安全防护框架、安全防护方案,并展望后续研究方向。     

移动边缘计算中基于内容流行度的深度强化学习缓存机制

随着5G商用的推进,涌现出大量依赖高速率、低时延的新应用,混合现实(Mixed Reality,MR)就是其中之一.考虑到从中心云传输服务内容到MR设备会带来很大时延和能耗问题,引入移动边缘计算(Mobile Edge Compu?ting,MEC)技术,通过在MEC服务器上缓存用户的预渲染环境帧,以减少延迟和能耗.针...     

移动边缘计算中的资源管理

通过对移动边缘计算(MEC)网络的基本原理、应用场景,以及通信和计算的研究模型的阐述,提出了针对单用户和多用户MEC系统的绿色节能频谱和计算资源综合管理方案。通过分析当前MEC技术的局限和挑战,认为MEC和人工智能技术的有机结合,能够有效提高未来网络的计算性能。     

基于深度强化学习的云边协同计算迁移研究

基于单一边缘节点计算、存储资源的有限性及大数据场景对高效计算服务的需求,本文提出了一种基于深度强化学习的云边协同计算迁移机制.具体地,基于计算资源、带宽和迁移决策的综合性考量,构建了一个最小化所有用户任务执行延迟与能耗权重和的优化问题.基于该优化问题提出了一个异步云边协同的深度强化学习算法,该算法充分利用了云边双方的计...     

基于强化学习的移动边缘计算资源分配方法

当前的移动边缘计算资源分配结构多为单向形式,资源分配效率较低,导致资源分配比下降,文中设计了一种基于强化学习的移动边缘计算资源分配方法,并通过实验验证了其有效性。根据当前的测试需求,首先部署了资源采集节点,然后采用多阶的方式,提升整体的资源分配效率,构建多阶迁移资源分配结构,最后设计了移动边缘计算强化学习资源分配模型,采用动态化辅助协作处理的方式来实现资源分配。测试结果表明,对于选定的5个测试周期,经过3个分配组的测定及比对,最终得出的资源分配比均可以达到5.5以上,这说明在强化学习技术的辅助下,文中设计的移动边缘计算资源分配方法更加灵活、多变,针对性较强,具有实际的应用价值。     

SDCN中基于深度强化学习的移动边缘计算任务卸载算法研究

随着网络技术的不断发展,基于Fat-Tree的网络拓扑结构分布式网络控制模式逐渐显露出其局限性,软件定义数据中心网络（software-defined data center network,SDCN）技术作为Fat-Tree网络拓扑的改进技术,受到越来越多研究者的关注。首先搭建了一个SDCN中的边缘计算架构和基于移动边缘计算（mobileedge computing,MEC）平台三层服务架构的任务卸载模型,结合移动边缘计算平台的实际应用场景,利用同策略经验回放和熵正则改进传统的深度Q网络（deep Q-leaning network,DQN）算法,优化了MEC平台的任务卸载策略,并设计了实验对基于同策略经验回放和熵正则的改进深度Q网络算法（improved DQN algorithm based on same strategy empirical playback and entropy regularization,RSS2E-DQN）和其他3种算法在负载均衡、能耗、时延、网络使用量几个方面进行对比分析,验证了改进算法在上述4个方面具有更优越的性能。     

智能边缘计算网络关键技术研究

针对大范围移动场景下的计算和网络需求,介绍了边缘计算和5G网络的特征,分析了当前边缘计算和网络面临的问题,提出了“MEC-云”智能预加载、网随端动的UPF智能预切换、边随网动的“MEC-MEC”智能预切换等关键技术,基于这些关键技术能从端到端满足大范围移动场景下的低时延业务要求。最后结合大数据和人工智能(Artificial Intelligence,AI)的特点,提出了智能边缘计算网络技术的发展落实需要产业链协同合作的建议。     

基于深度强化学习的无人机辅助移动边缘计算系统能耗优化

近年来,部署搭载有移动边缘计算(MEC)服务器的无人机(UAVs)为地面用户提供计算资源已成为一种新兴的技术。针对无人机辅助多用户移动边缘计算系统,该文构建了以最小化用户平均能耗为目标的模型,联合优化无人机的飞行轨迹和用户计算策略的调度。通过深度强化学习(DRL)求解能耗优化问题,提出基于柔性参与者-评论者(SAC)的优化算法。该算法应用最大熵的思想来探索最优策略并使用高效迭代更新获得最优策略,通过保留所有高回报值的策略,增强算法的探索能力,提高训练过程的收敛速度。仿真结果表明与已有算法相比,所提算法能有效降低用户的平均能耗,并具有很好的稳定性和收敛性。