基于缓存优化的移动边缘计算资源分配策略

移动边缘计算研究中,边缘服务器通过缓存任务数据可以有效节约计算资源,但如何分配缓存资源解决边缘服务器的竞争关系,以及能耗和效益问题,达到系统性能最优是一个NP难问题。为此提出基于缓存优化的在线势博弈资源分配策略OPSCO(online potential-game strategy based on cache optimization),采用新的缓存替换策略CASCU(cache allocation strategy based on cache utility),最大化缓存的效用。通过优化边缘服务器的效益指示函数,将缓存替换代价等因素与李雅普诺夫优化、势博弈以及EWA(exponential weighting algorithm)算法结合,对边缘服务器的竞争关系建模,进行势博弈相关证明和分析。仿真结果表明,OPSCO相比于其他资源分配策略,可以明显提升任务完成率和缓存效用,并降低设备能耗和时间开销,解决了移动边缘计算在线缓存场景中的资源分配以及数据缓存问题。     

面向非正交多址的车联网中资源优化方案

为了解决车辆端计算能力不足、任务处理时延大、能源消耗多、无线资源缺乏等问题,该文考虑利用非正交多址技术进行任务上传和数据包下载的车辆边缘计算系统,对系统的卸载决策、缓存决策、计算和缓存资源的分配进行联合优化.由于车辆需要在动态网络环境下实时确定任务卸载和缓存策略,提出了一个以移动边缘计算服务器平均能耗最小化为目标的随机...     

基于李雅普诺夫随机优化的车辆边缘计算资源管理

针对车辆边缘计算系统中的计算资源管理问题,提出一种基于李雅普诺夫随机优化的计算卸载与资源分配方案.构建在保证任务量及长期能耗约束下的车辆用户服务时延最小化优化问题,利用李雅普诺夫随机优化理论将优化问题分解.在本地计算资源分配子问题中,通过求解线性问题的方法,得到最优本地计算CPU频率;在计算卸载子问题中,利用数值优化求...     

边缘计算中面向数据流的实时任务调度算法

近年来,随着物联网(Internet of Things, IoT)技术的发展,其应用场景呈爆炸式增长,这类应用一般具有时延敏感性和资源受限性。如何在有限的资源环境下实现任务的实时分配是当前的一个研究热点,而将这些有限的计算资源动态分配给实时任务,一般来说是一个NP-hard的组合优化问题。为解决此问题,设计了一种基于李雅普诺夫优化的实时调度算法,在保持虚拟队列稳定的情况下优化长期平均总能耗和总效用。首先在计算资源和通信资源约束下建立联合总能耗和加权总效用的优化模型,该模型包含两层虚拟缓冲队列,通过端到端(Device-to-Device, D2D)的调度方式进行任务卸载;然后基于李雅普诺夫优化,将长期平均总能耗和总效用的联合优化问题转化为一系列实时优化问题,为此还设计了一种基于贪心的设备匹配算法。数值实验的结果显示,该算法的效果比随机法所能达到的最好情况提升了8.6%,并且在不同连接概率下其效果逼近穷举法。     

面向空地协同移动边缘计算的服务布置策略

无人机辅助的移动边缘计算被认为是在下一代移动通信网络中能高效灵活处理时延敏感的计算密集型任务的潜力技术之一.本文研究了基于无人机的空地协同移动边缘计算的服务布置问题,具体而言,如何在满足任务时延需求和其他资源约束的情况下,通过联合优化无人机和地面基站的服务布置、无人机航迹、任务卸载和计算资源分配,以最小化所有用户的总能...     

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QoS的组合服务优化选择问题建模与求解

提出了一种支持Web服务动态组合的框架,并在此基础上对Web服务组合中的服务优化选择问题建模,根据用户设置的QoS约束条件,将服务优化选择问题分成3类,并分别给出了相应的服务选择算法。实验证明算法在保证一定优度的同时亦具有良好的时间性能。     

面向组合服务收益优化的动态服务选择方法

服务组合是面向服务计算环境中实现价值增值的有效途径.现有研究多关注于顾客价值的提高,而对提供服务组合方案的服务提供者或代理商的价值缺乏充分考虑.一方面,在服务级别协议下,超过约定级别的质量不会给提供者带来额外收益,也不能有效提升顾客价值,因此是没有必要的;另一方面,服务本身及其交付环境的不确定性导致服务质量也具有一定的不确定性,使得实际服务可能无法达到约定的服务级别,甚至完全失效.对此基于服务级别协议对服务收益和策略进行分析,给出面向收益优化的服务选择模型,并将阶段估计与即时反馈相结合,对需求进行贪婪调度,最终基于模拟退火算法实现组合服务的优化选择.实验结果表明,与传统方法相比,该方法不仅能够获取更多的服务收益,而且在不同需求分布下均具有更高的效率.     

移动边缘计算环境下服务工作流的计算卸载

移动边缘计算（MEC）将计算和存储资源移动到移动网络的边缘，使其能够在满足严格的延迟要求的同时在移动设备处运行要求高处理的应用。它考虑了移动计算卸载问题，其中可以调用工作流中的多个移动服务来满足其复杂需求，并决定是否卸载工作流的服务，同时考虑了组件服务之间的依赖关系，并旨在优化执行移动服务的执行时间和能耗。针对上述问题运用了基于遗传算法（GA）的卸载方法，经过设计和实施后，部分修改传统遗传算法，以满足对所述问题的特殊需求。仿真实验表明，GA算法的实验效果都优于算法Local Execution和RANDOM得到的实验结果。     

移动计算环境下的个人化服务发布和组装

随着移动计算技术的发展,移动设备用户可以服务的方式共享移动设备及其周围设备的计算能力和计算资源.然而,移动设备的私有性、资源受限性以及移动性等特征使得这种基于移动设备提供的个人化服务在发布和组装方面存在着一些特殊问题,例如用户隐私、移动设备资源消耗、网络环境变化引起的失效问题等.针对以上这些问题,提出一种移动计算环境下的个人化服务发布和组装方法.该方法在个人化服务发布过程中引入了服务意愿的概念,并在服务选择过程中综合考虑了服务意愿和服务效用.此外,还提出了资源感知的心跳机制来定期更新服务选择所依赖的设备及服务状态信息,从而解决由于网络环境变化等引起的服务失效问题.基于该方法,提出了一个基于JADE和OSGi的实现框架.通过一个案例分析,验证了所提出的实现框架的有效性以及在移动计算环境下考虑服务意愿的合理性.     

On Cost Aware Cloudlet Placement for Mobile Edge Computing

As accessing computing resources from the remote cloud inherently incurs high end-to-end (E2E) delay for mobile users, cloudlets, which are deployed at the edge of a network, can potentially mitigate this problem. Although some research works focus on allocating workloads among cloudlets, the cloudlet placement aiming to minimize the deployment cost (i.e., consisting of both the cloudlet cost and average E2E delay cost) has not been addressed effectively so far. The locations and number of cloudlets have a crucial impact on both the cloudlet cost in the network and average E2E delay of users. Therefore, in this paper, we propose the Cost Aware cloudlet PlAcement in moBiLe Edge computing (CAPABLE) strategy, where both the cloudlet cost and average E2E delay are considered in the cloudlet placement. To solve this problem, a Lagrangian heuristic algorithm is developed to achieve the suboptimal solution. After cloudlets are placed in the network, we also design a workload allocation scheme to minimize the E2E delay between users and their cloudlets by considering the user mobility. The performance of CAPABLE has been validated by extensive simulations.      

移动边缘计算中基于内容动态刷新的能耗优化

随着移动互联网的飞速发展与相关技术的不断提升,社交类应用已成为现下主流应用之一.同时,手机应用的功能也越来越丰富,其能耗需求以及信息处理能力也越来越大.针对移动社交平台忽略网络状态、频繁刷新内容(文字、图片、视频等)造成的高能耗以及运算能力问题,提出一种边缘计算模式下基于Markov决策过程(Markov decision process, MDP)的能耗优化模型.该模型考虑不同环境的网络状态,根据手机当前电量以及用户刷新频率,通过本地移动边缘计算层完成数据处理,在Markov决策过程生成的决策表中选择最优策略,动态选择最佳的网络接入以及刷新下载最佳的图片格式.该模型不仅减少刷新时间,而且能够降低移动平台的能耗.实验结果表明:相比于使用单一网络的图片刷新模式,在保证不减少用户刷新次数的前提下,该能耗优化模型降低能耗约12.1%.     

移动边缘网络中联邦学习效率优化综述

联邦学习(federated learning)将模型训练任务部署在移动边缘设备,参与者只需将训练后的本地模型发送到服务器参与全局聚合而无须发送原始数据,提高了数据隐私性.然而,解决效率问题是联邦学习落地的关键.影响效率的主要因素包括设备与服务器之间的通信消耗、模型收敛速率以及移动边缘网络中存在的安全与隐私风险.在充分调研后,首先将联邦学习的效率优化归纳为通信、训练与安全隐私保护3类.具体来说,从边缘协调与模型压缩的角度讨论分析了通信优化方案;从设备选择、资源协调、聚合控制与数据优化4个方面讨论分析了训练优化方案;从安全与隐私的角度讨论分析了联邦学习的保护机制.其次,通过对比相关技术的创新点与贡献,总结了现有方案的优点与不足,探讨了联邦学习所面临的新挑战.最后,基于边缘计算的思想提出了边缘化的联邦学习解决方案,在数据优化、自适应学习、激励机制和隐私保护等方面给出了创新理念与未来展望.     

移动边缘网络中计算迁移与内容缓存研究综述

随着移动设备数量的爆炸性增长以及许多新兴应用的出现,移动网络的流量呈指数级增长.传统的集中式网络架构由于回程链路负载过重、时延较长,无法满足移动用户的需求.因此,提出了将网络能力从核心网开放至边缘网的新体系结构,即移动边缘计算（MEC）.移动边缘计算能够在移动蜂窝网络的边缘提供轻量级的云计算和存储能力.对移动边缘计算相关的最新研究成果进行了详尽的回顾：首先,概述了移动边缘计算的发展历程、关键问题和支撑技术;然后,针对MEC架构、计算迁移、边缘缓存和服务编排这4个关键研究问题进行了全面的综述,并讨论了增强现实、虚拟现实、动态内容交付、车联网和物联网等移动边缘计算中的典型应用案例;最后,从移动边缘计算功能增强、服务质量保障和安全可用性这3个方面展望了移动边缘计算的开放式研究挑战和未来的发展趋势.     

支持服务关联的组合服务选择方法研究

在面向服务的应用中,服务集成商通过选择已有服务并对这些服务进行组合,为其消费者提供增值(value-added)服务.然而,现有的组合服务选择模型中,各可选服务被认为是相互独立的,可选服务的服务质量独立于其他服务.而在实际的面向服务应用中,可选服务的服务质量往往依赖于其他可选服务,现有组合服务选择方法无法应对这种普遍存在的场景.文中提出了一个支持服务关联关系的QoS描述模型,用于刻画可选服务的服务质量对其他可选服务的依赖关系,并给出该QoS描述的自动生成方法.在此基础上,提出了支持服务关联的组合服务选择方法,包括基于整数规划求解最优解的组合服务选择方法和基于启发求解次优解的组合服务选择方法.通过实例分析,体现了文中方法具有良好的适用性.对比实验结果表明,文中基于整数规划方法获取的组合服务QoS明显优于同类方法;并且,文中基于启发式方法能够高效地获取较优组合服务QoS.     

基于能耗与延迟优化的移动边缘计算任务卸载模型及算法

随着移动边缘计算的兴起,如何处理边缘计算任务卸载成为研究热点问题之一。针对多任务-多边缘服务器的场景,本文首先提出一种基于能量延迟优化的移动边缘计算任务卸载模型,该模型考虑边缘设备的剩余电量,使用时延、能耗加权因子计算边缘设备的总开销,具有延长设备使用时间、减少任务卸载时延和能耗的优点。进一步提出一种基于改进遗传算法的移动边缘计算任务卸载算法,将求解最优卸载决策的问题转化为求解种群最优解的问题。对比仿真实验结果表明,本文提出的任务卸载模型和算法能够有效求解任务卸载问题,改进后的任务卸载算法求解更精确,能够避免局部最优解,利于寻找最优任务卸载决策。     

基于移动边缘计算的任务卸载优化

随着智慧物联体系的发展,物联网中应用程序的种类与数量不断增加.在移动边缘计算(mobile edge computing, MEC)中,通过允许移动用户将任务卸载至附近MEC服务器以加快移动应用程序的速度.本文通过考虑不同任务属性、用户的移动性和时间延迟约束模拟移动边缘场景.根据用户移动轨迹,将目标建模为寻找满足时延约束条件且在卸载过程中产生最小能耗MEC服务器优化模型,并提出一种最小能耗卸载算法求解该问题的最优解.仿真结果表明,在约束条件下,提出的算法可以找到在用户移动轨迹中产生最小能耗的MEC服务器,并显著降低任务卸载过程的能耗与时延,提高应用程序服务质量.