无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配

边缘计算中利用无人机作为边缘节点进行动态部署,能够适应复杂的环境,大大提升边缘计算系统的性能.本文提出利用无人机辅助的服务缓存边缘计算最优计算卸载和资源分配策略.此策略在确定无人机3D位置和边缘服务器中服务的部署,以实现在时延约束下最小化能耗的目的.具体来说,首先,建立本地计算模型和MEC计算模型,计算出任务的处理时延和能耗;其次,在服务缓存、时延约束等条件下,建立最小化能耗的数学模型;最后,采用遗传算法框架对目标问题进行求解.求解过程采用双层优化方法,外层层将无人机3D位置和服务缓存方案放入基因编码,内层先利用贪心的思想确定资源分配,再将问题转化为整数线性规划问题进行求解.通过仿真证明了本文所提出算法的可行性和优越性.     

基于改进MADDPG的UAV轨迹和计算卸载联合优化算法

在地震、台风、洪水、泥石流等造成严重破坏的灾区,无人机(unmanned aerial vehicle, UAV)可以作为空中边缘服务器为地面移动终端提供服务,由于单无人机有限的计算和存储能力,难以实时满足复杂的计算密集型任务.本文首先研究了一个多无人机辅助移动边缘计算模型,并构建了数学模型;然后建立部分可观察马尔可夫决策过程,提出了基于复合优先经验回放采样方法的MADDPG算法(composite priority multi-agent deep deterministic policy gradient, CoP-MADDPG)对无人机的时延能耗以及飞行轨迹进行联合优化;最后,仿真实验结果表明,本文所提出算法的总奖励收敛速度和收敛值均优于其他基准算法,且可为90%左右的地面移动终端提供服务,证明了本文算法的有效性与实用性.     

基于移动边缘计算环境下的服务缓存和任务调度联合优化算法

在移动边缘计算中,在资源有限的边缘设备上对服务缓存和任务执行进行合理的决策能够大幅度地提高卸载效率和减少应用程序的处理时延。针对边缘计算环境下服务缓存与任务卸载决策问题,建立网络模型和服务缓存模型,定义关联的边缘设备、协作的边缘设备任务执行时延及远端云数据传输和任务执行的时延,提出一种联合优化算法来求解任务执行时延约束条件下的服务缓存决策最优解。该算法采用粒子群优化Particle Swarm Optimization（PSO）,将移动用户的任务按照整数编码,优化任务处理时延适应度和粒子速度更新,缩短任务延迟时间。仿真实验结果表明,联合优化算法取得相比其他策略完成时间更少且能适应大规模任务调度的效果。     

面向多边缘设备协作的任务卸载和服务缓存在线联合优化机制

移动边缘计算通过在边缘设备上部署通信、计算、存储等资源,有效克服传统云计算存在的传输距离较长、响应时延过慢等问题,满足新兴的计算密集型和时延敏感型应用的服务需求.然而,移动边缘计算中存在边缘设备资源有限且多边缘设备间负载不均衡的问题.为了解决上述问题,多边缘设备协作成为一种必然趋势.然而,多边缘设备协作面临任务卸载与服务缓存相互耦合、边缘设备的任务负载及资源状态随时空双维变化等两大挑战,极大增加了求解难度.针对上述挑战,提出一种面向多边缘设备协作的任务卸载和服务缓存在线联合优化机制,将任务卸载和服务缓存联合优化问题解耦为服务缓存和任务卸载2个子问题.针对服务缓存子问题,提出基于情景感知组合多臂赌博机的协作服务缓存算法;针对任务卸载子问题,设计基于偏好的双边匹配算法.仿真实验表明所提算法能够有效降低任务整体执行时延,同时实现边缘设备间负载均衡.     

基于强化学习的移动边缘计算任务卸载方法

最佳卸载策略直接影响移动计算任务卸载的时延与能耗,因此提出基于强化学习方法的移动边缘计算任务卸载方法。首先对移动设备的计算任务卸载形式展开具体分析,并基于分析结果获取计算任务卸载能量消耗、发射功率、传输速率等相关参数值,以此建立移动边缘计算任务卸载模型。最后基于建立的卸载模型结合Q-Learning算法对计算任务实施强化学习,找出计算任务的最佳卸载策略,从而实现移动边缘计算任务的实时卸载。实验结果表明,使用强化学习方法开展移动边缘计算任务卸载时,卸载能耗低、时延小。     

空-天-地一体化移动边缘计算系统的部署优化和计算卸载

空-天-地一体化的通信技术作为一种新兴的架构，能够有效提高地面终端的网络服务质量，近年来引起了广泛关注。文中研究了一种空-天-地一体化的移动边缘计算系统，其中多台无人机为地面设备提供低延迟的边缘计算服务，近地轨道卫星为地面设备提供无处不在的云计算服务。由于无人机的部署位置和计算任务的卸载方案是影响系统性能的关键因素，因此需要对无人机的部署位置、地面设备与无人机之间的连接关系以及计算任务的卸载比例进行联合优化，实现系统内系统平均任务响应时延最小化。并且，由于形式化定义的联合优化问题是一个混合非线性规划问题，因此设计了一种双层优化算法，在该算法的上层，提出了一种结合了遗传算法算子的粒子群优化算法来优化无人机的部署位置，并在算法的下层采用贪心算法来实现对计算任务卸载方案的优化。大量的数值仿真实验验证了所提算法的可行性和有效性。结果表明，与其他基准算法相比，所提算法能有效降低系统的任务平均响应时延。     

基于延迟接受的多用户任务卸载策略

随着人工智能的应用对计算资源的要求越来越高,移动设备由于计算能力和存储能量有限而无法处理这类有实时性需求的计算密集型应用.移动边缘计算(Mobile Edge Computing,MEC)可以在无线网络边缘提供计算卸载服务,达到缩短时延和节约能源的目的.针对多用户依赖任务卸载问题,在综合考虑时延与能耗的基础上建立用户依...     

无人机边缘计算中的资源管理优化研究综述

移动边缘计算将云计算的服务资源移向更靠近终端的边缘,满足了密集计算和低时延需求。地面网络在复杂地形、设备故障等场景中面临挑战,通过无人机辅助,可提升移动边缘计算网络部署的灵活性和鲁棒性。无人机具有成本低廉、操控便捷、机动灵活等优点,但也由于受体积、重量等限制,其功率、通信、计算等资源往往很有限,并且当多无人机协同工作时,其资源的异构性和动态性特征逐步显现,因此,如何高效利用其资源成为研究的热点。从综述的角度,梳理了无人机边缘计算网络中推广应用时面临的问题与挑战,分析总结在功率控制、信道分配、计算服务资源管理以及资源联合优化等方面的研究现状,并分类总结对比了资源管理可行的优化解决方法,最后对资源管理优化的未来发展趋势进行分析和展望。     

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。     

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。