一种改进的自适应全双工中继系统中继策略

提出了一种基于源节点到中继节点(SR)信噪比门限和中继节点最小自干扰的全双工中继策略,并在此基础上与SR最大信噪比的全双工中继策略相结合,构建了一种改进的自适应全双工中继系统。在对等功率分配条件下使用DF协议转发时对自适应全双工中继系统的中断概率进行了分析,结果表明 与自适应半双工中继策略相比,提出的自适应全双工中继系统的中断概率更低。与基于SR最大信噪比的全双工中继策略相比,一般情况下,当SR信噪比系数较大时,自干扰信号也较强,此时所提自适应全双工中继系统采用基于SR门限和最小自干扰的中继策略,中断概率较低;而在自干扰信号较小的情况下,该自适应全双工中继系统将采用基于最大SR信噪比的全双工中继系统的中继策略,能维持较好的中断性能。     

边缘环境下计算密集型应用的卸载技术研究

移动边缘计算（Mobile Edge Computing,MEC）中的计算卸载技术通过将终端设备的计算任务卸载到网络边缘处,以解决云计算中心时延长、能耗大和负载高等问题。介绍了MEC的概念、目前主流的MEC网络架构和部署方案。从卸载决策方面对MEC环境下计算密集型应用的卸载技术进行了详细研究,从最小化时延、最小化能耗、权衡时延和能耗及最大化收益为优化目标的4种计算卸载方案进行了分析和对比,并总结出各自的关键研究点。通过分析5G环境下MEC卸载技术的发展趋势,介绍了支持5G的IIoT-MEC网络部署架构,在此基础上分析了基于深度强化学习的轻量级任务卸载策略和基于D2D协作的MEC卸载策略。总结和归纳了目前MEC中计算卸载技术所面临的卸载决策、干扰管理、移动性管理等方面的核心挑战。     

考虑中继时延的协作中继选择方法

针对数据业务可能在中继节点处排队等待发送,不能有效满足业务对时延要求的问题,在译码转发协作通信系统中建立了考虑中继时延的中继选择模型,提出了一种能有效降低数据业务在中继节点处的中继时延的中继选择方法,并进行了性能分析。首先推导了中继时延的概率密度函数,在此基础上通过进一步推导获得了基于所提方法的系统平均容量和中断概率。仿真结果与解析结果高度一致,并且表明：所提中继选择方法在保证传输速率前提下,可有效降低业务在中继节点处的平均时延,提高系统整体性能。     

无人机辅助移动边缘计算中的任务卸载算法

无人机（UAV）灵活机动、易于部署，可以辅助移动边缘计算（MEC）帮助无线系统提高覆盖范围和通信质量，但UAV辅助MEC系统研究中存在计算延迟需求和资源管理等挑战。针对UAV为地面多个终端设备提供辅助计算服务的时延问题，提出一种基于双延迟深度确定性策略梯度（TD3）的时延最小化任务卸载算法（TD3-TOADM）。首先，将优化问题建模为在能量约束下的最小化最大计算时延的问题；其次，通过TD3-TOADM联合优化终端设备调度、UAV轨迹和任务卸载比来最小化最大计算时延。仿真实验分析结果表明，与分别基于演员-评论家（AC）、深度Q网络（DQN）以及深度确定性策略梯度（DDPG）的任务卸载算法相比，TD3-TOADM得到的计算时延减小了8.2%以上。可见TD3-TOADM能获得低时延的最优卸载策略，具有较好的收敛性和鲁棒性。     

铁路5G移动通信系统边缘计算安全研究

边缘计算作为智能铁路5G网络的关键技术,将数据缓存能力、流量转发能力与应用服务能力下沉到网络边缘,有效契合智能铁路的低时延、大带宽、海量连接需求,以支持智能轨道交通应用。然而,由于其在物理位置、业务类型等多方面发生了变化,且铁路场景外部环境复杂、高度动态性、可信度低,使智能铁路业务的边缘节点面临新的安全挑战。结合5G边缘计算安全的研究现状,基于终端、边缘网络、边缘节点和边缘应用四个方面分析铁路5G边缘计算面临的安全威胁,在细化安全需求和挑战、标准进展的基础上,综述和总结可适用于铁路MEC安全的研究方法和评价指标,结合铁路5G边缘计算特点,提出铁路MEC端到端安全服务方案和未来智能铁路MEC安全研究的发展方向。     

D2D通信系统中中继辅助的资源分配算法研究

在D2D(Device-to-Device)通信中引入中继节点可以延伸蜂窝覆盖范围,提高系统性能。在中继辅助的D2D通信中,中继节点的选择是关键。提出了一种中继辅助的资源分配算法,讨论了中继节点的选择问题,同时根据社交关系因素和距离因素来选择最优中继。该方案保证了通信链路的QoS(Quality of Service),并且使得系统吞吐量达到最大。仿真结果表明,距离和社交关系因素都对D2D通信产生很大影响,同时考虑两个因素比单纯考虑社交关系因素或者距离因素性能提高很多。     

MIMO系统中的最优中继选择方案

研究多输入多输出中继系统中基于放大转发协议的最优中继选择方案,推导出中断概率和平均信道容量的闭式表达式,并对不同中继节点数时的中断概率和平均信道容量进行仿真。结果表明,该方案可以有效降低系统中断概率,且随着中继节点数的增多,系统平均信道容量优于直接传输方案。     

基于混合译码放大转发的最优中继选择方案

为在较低误码率的基础上延长网络寿命,提出基于混合译码放大转发(AF)中继策略的最优中继选择方案。通过构造基于目的节点接收信噪比和网络寿命中继选择的联合优化函数,实现最优中继的选择。设定中继节点的接收信噪比门限,根据信噪比门限值,将所有的中继节点分为AF和译码转发2种中继策略转发类型,分别计算2种类型的中继节点在目的节点的接收信噪比,根据中继选择的联合优化函数合理选择最优中继。仿真结果表明,在相同条件下,与基于AF的中继选择方案相比,该方案不仅在误码率性能方面有明显改善,而且可以延长网络寿命,提升系统性能。     

无线能量收集协作系统的节能中继选择方法

在无线能量收集协作通信系统中,针对中继处可能出现的能量瓶颈,提出优化源节点和中继的传输功率的节能中继选择方法。利用源节点与中继之间发射功率的比例关系计算源节点的发射功率,选择信道容量最大的中继链路进行数据转发,并考虑源节点与中继的发射功率约束。在此基础上,推导系统的平均信道容量和中断性能。仿真结果表明,该方法可显著提高系统能量效率,节约源节点的能量消耗。     

多中继放大转发协作通信中的中继数量与位置的联合优化

本文研究了基于单用户下行遍历容量的多中继放大转发模型中中继数量与位置的联合优化问题.首先建立了单用户蜂窝中继小区协作通信模型,提出了位置-数量遍历容量.然后建立了问题优化模型,分析了位置-数量遍历容量与中继数量、中继节点位置的关系:位置-数量遍历容量随中继数量增大而增加;当中继数量给定时,位置-数量遍历容量随中继节点位置距离增大先增加后减少.最后提出了先依据容量随中继数量提升百分比的门限确定中继数量,再确定中继节点位置的方法.     

计算资源受限的移动边缘计算服务器收益优化策略

移动边缘计算（MEC）服务器通过向用户提供计算资源获得收益。对MEC服务器而言,如何在计算资源受限的情况下提高自身收益至关重要,为此提出一种通过优化计算任务执行次序提高MEC服务器收益的策略。首先,将MEC服务器收益最大化问题建模为以任务执行次序为优化变量的优化问题;然后提出了一种基于分支定界法的算法求解任务执行次序。仿真结果表明,采用所提算法获得的MEC服务器平均收益分别比大任务优先（LTF）算法、低延迟任务优先（LLTF）算法和先到先服务（FCFS）算法提高了11%、14%和21%。在保证卸载用户服务质量（QoS）同时,所提策略可以显著提高服务器的收益。     

Optimal sequential relay-remote selection and computation offloading in mobile edge computing

The Journal of Supercomputing - In this paper, we investigate a MEC relay-assisted system with multiple relay nodes (RNs) and multiple remote servers (RSs), where both the selections of best RN and...     

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。     

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。     

基于软件定义网络和移动边缘计算的车联网高效任务卸载方案

随着车联网(IoV)中车辆和智能应用数目的增加使计算密集型任务激增,传统架构难以满足用户需求。为解决车联网计算资源不足且分配不均匀、应用时延需求无法满足、任务能耗成本较高的问题,结合移动边缘计算(MEC)和软件定义网络(SDN),设计了一种从宏基站到MEC服务器到车辆的车联网架构中的高效任务卸载方案,并提出一种改进的低复杂度非支配排序遗传算法,优化任务卸载成本和MEC服务器的负载均衡率。实验仿真结果表明,相比于随机卸载,NO-MEC卸载,NO-I卸载,传统NSGA、NSGA-Ⅱ卸载,GA卸载,Q-learning卸载,DQN卸载方案,所提方案有着更低的卸载成本,更优的负载均衡率,得到近似最高的系统效用,能够给车联网中的车辆用户带来更优质的网络服务。     

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。     

面向海洋节能边缘计算的任务卸载研究

针对海洋通信网络能源不稳定、时延较长的问题,提出一种混合能量供应的边缘计算卸载方案。对于能量供应问题,移动边缘计算(MEC)服务器集成混合电源和混合接入点,混合电源利用可再生能源为MEC服务器供应能量,采用电力电网作为其补充能源,保证边缘计算系统的可靠运行,船舶用户通过混合接入点广播的射频(RF)信号收集能量。针对任务卸载优化问题,以能耗-时延权衡优化为目标,联合能量收集方法制定任务卸载比例、本地计算能力和发射功率的优化方案,最后利用降维优化算法,将目标函数简化为关于任务卸载比例的一维多约束问题,并利用改进的鲸鱼优化算法获得最优的执行总代价。利用边缘云模拟器EdgeCloudSim仿真的结果表明,所提方案较具有能量收集的资源分配方案和基本海上通信网络优化的方案执行成本分别降低了13.4%和9.6%。     

Energy-aware allocation for delay-sensitive multitask in mobile edge computing

With lower network latency and powerful hardware, mobile edge computing (MEC) is effective for computation-intensive and delay-sensitive tasks. The rising energy and low-latency demands of mobile applications for MEC pose challenges to task allocation. In this work, we consider computation offloading in MEC that is composed of a set of mobile devices, each with multiple tasks to offload to a nearby MEC server, with both single and multiple access points (APs). With multiple APs deployed, each mobile device can directly communicate with one or more APs, and their tasks can offload to different MEC servers that are within direct communication range. By considering binary computation offloading mode and limited subchannels, we formulate the multitask allocation problem as an integer programming problem, with the objective of minimizing the total energy consumption of all mobile devices while meeting deadline requirements. To solve this complicated problem, we propose efficient algorithms for single and multiple APs, and analyze related properties, including the approximation ratio and complexity. Experiments show that the algorithm can find high-quality solutions in a short time.

     

去蜂窝大规模MIMO辅助的移动边缘计算系统计算任务卸载与分配策略

面向B5G和6G的新兴网络架构和技术服务需求,将去蜂窝大规模多输入多输出（cell-free massive MIMO,CF-mMIMO）赋能于移动边缘计算（MEC）,有助于处理分布式物联网中的计算密集型和延迟敏感型任务。针对CF-mMIMO辅助的MEC系统,在能量限制下意在最大限度地减少完成不同任务类型的计算任务的延迟。为解决以上目标,设计了一种基于本地设备（user equipment,UE）、多接入点（access point,AP）和中心处理器的云-边-端协作的任务卸载策略。具体地,首先根据每个UE和AP服务的不同数据类型,利用凸优化和图匹配方法交替迭代,进行卸载关联和任务比例的优化;然后在回传链路的限制下,提出一种改进的二进制鲸鱼优化算法,将未分配终端和关联接入点任务进一步卸载至处理高效的云端。所提算法相较于蚁群优化算法、混合灰狼优化算法等其他的元启发式效果更优,在离散的卸载优化问题上表现较好,可以为分布式网络提供良好的卸载优化策略并大幅度降低整体网络的平均时延。     

移动边缘计算中基于粒子群优化的计算卸载策略

计算卸载作为移动边缘计算（MEC）中降低时延与能耗的手段之一,通过合理的卸载决策能够降低工业成本。针对工业生产线中部署MEC服务器后时延变长和能耗增高的问题,提出了一种基于粒子群优化（PSO）算法的计算卸载策略PSAO。首先,将实际问题建模为时延模型与能耗模型。由于是针对时延敏感型的应用,因此将模型转化为在能耗约束条件下的最小化时延问题,使用惩罚函数来平衡时延与能耗。其次,根据PSO算法优化后得到计算卸载决策向量,通过集中控制的方式使每一个计算任务合理分配到对应的MEC服务器。最后,通过仿真实验,对比分析了本地卸载策略、MEC基准卸载策略、基于人工鱼群算法（AFSA）的卸载策略以及PSAO的时延数据,PSAO的平均总时延远远低于其他三种卸载策略,PSAO比原来系统总代价降低了20%。实验结果表明,PSAO策略能够降低MEC中的时延,均衡MEC服务器的负载。