基于车辆边缘计算的用户能耗最小化资源分配研究

考虑车辆时变信道对资源分配策略的影响,构建在保证任务QoS要求下的车载用户终端能量消耗最小化问题。利用车辆信道可预测特性以及李雅普诺夫随机优化理论将原问题分解为计算资源分配和无线资源分配两个子问题。由于计算资源分配子问题是单变量优化问题,因此可以直接得到解决方案。而对于无线资源分配子问题,通过将其转换为单变量优化问题进行求解。基于两个子问题的结果,提出一种联合无线与计算资源分配算法。仿真结果显示,当数据包平均到达速率从20个/时隙增加到40个/时隙时,该算法能耗相较于传统的贪婪算法能耗降低了48.85%。     

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法（AHP）将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。     

MEC计算卸载与资源分配联合智能优化方案

移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。     

VEC中多边缘节点协作卸载与资源分配算法

针对车载边缘计算(VEC)中任务计算成本高和边缘节点负载不均衡的问题,将软件定义网络(SDN)与多边缘计算相结合,构建了“端-多边-云”3层软件定义车载边缘计算模型,并提出了一种新的协作卸载和资源分配算法。使用SDN控制器从全局角度获取网络信息,对任务卸载和资源分配进行统一调度。将改进的k-means算法用于确定任务的初始卸载决策,将任务分别分配到本地簇、边缘节点簇和云服务器簇中。此外,利用深度Q网络算法获得了边缘节点簇中任务最优的卸载决策、卸载比例和资源分配策略。仿真实验结果表明,相较于对比算法,用所提算法使任务的计算成本降低了18.6%以上,提高了22.9%以上的边缘节点资源利用率,并实现了边缘节点间的负载均衡。     

无人机认知边缘计算资源分配与轨迹优化方案

为了缓解移动边缘计算(Mobile Edge Computing,MEC)网络任务卸载中面临的频谱资源稀缺问题,研究了一种无人机辅助的认知M EC网络架构.将认知无线电技术与边缘计算相结合,在同一个频段内存在多个主用户的情况下,利用无人机搭载的边缘计算服务器为次用户提供计算服务,以进一步提高边缘计算网络的频谱利用率.以...     

面向普适环境的两阶段资源分配模型

普适计算以用户为中心,具有不可见计算的特点,普适环境下的资源分配需要解决面向不确定性用户任务分配动态资源的问题。文章提出一个两阶段的普适资源分配模型来解决该问题,包括用户级资源分配和资源级适应性调整。其中,用户级资源分配阶段实现从用户随机任务序列到语义资源的映射和分配,资源级适应性调整实现从物理资源到语义资源的映射和适应性调整。以上两阶段相结合可以提供面向用户动态任务的、概率意义保障的资源分配。实验验证了所提方法的有效性。     

面向硬件感知的边缘计算卸载和资源分配

传统的边缘计算卸载研究并未涉及计算机硬件实现的细节,计算模型建模粗糙,优化方案精准度低。为此,提出了基于硬件实现的多用户多边缘服务器计算卸载和资源分配联合优化方案,充分考虑了计算过程硬件实现的细节,从计算机指令执行粒度出发,综合计算机输入/输出瓶颈和内存功能模块的能耗,重新建立联合优化模型,并在满足卸载任务时延要求的前提下最小化系统能耗。 此外,为解决动作空间高维的问题,采用了基于深度确定性策略梯度的混合在线二部匹配算法。仿真结果表明,计算过程中的内存能耗不可忽略,且所提出的优化算法能够有效学习最优策略,对降低系统能耗具有显著作用。     

基于Hawkes过程的车联网协同缓存及资源分配

随着网络流量呈指数级增长,能够访问多媒体内容的智能汽车也面临巨大的流量压力,为此提出了一种基于Hawkes过程更新内容流行度的车联网协同缓存及资源分配框架.研究了在路边单元和智能车辆中的协同缓存及资源分配策略,同时,考虑到内容缓存的更新周期远大于信道条件的变化周期,提出了双时间尺度模型.首先,使用基于Hawkes过程的方法,考虑内容请求的新鲜度和时效性,根据历史内容请求记录更新流行度;然后,对路边单元和车辆协作缓存策略的数据传输吞吐量和缓存能耗进行建模,以最大化边缘设备的缓存效益为目标,并利用深度强化学习求解优化问题.仿真结果表明,所提出策略相比其他策略可以得到更高的效益.     

一种基于安全多方计算的边缘学习协议

提出一种基于椭圆曲线的安全多方计算协议,旨在解决边缘学习中边缘设备算力和能耗受限难以通过强加密传输抵御网络攻击的问题。该协议采用椭圆曲线加密算法,在同等安全条件下具有较低的计算复杂度,实现了一种在加密状态下矩阵内积的计算方法。该协议主要应用于边缘学习中的云边缘协作计算,以提高其安全性。实验结果表明,与联邦学习和差分隐私等方法相比,该协议具有更低的计算复杂度和计算时间,同时能够保证边缘学习场景下的隐私和准确性。     

基于化学反应优化算法的边缘计算任务卸载策略

针对边缘计算环境中单用户多任务应用,通过分析服务缓存和任务执行过程,建立任务计算卸载系统模型,确定卸载目标,并将问题细化为服务缓存和任务卸载两个子问题,其中服务缓存问题被抽象为0-1背包问题,利用化学反应优化（CRO）算法得到其最优缓存策略;任务卸载问题转化为最优化问题,设计一种改进化学反应优化（ICRO）算法来得到其近似最优卸载决策。实验结果表明：ICRO算法比CRO算法的平均优化效果增强了5.0%左右,系统时延和设备能耗分别是极端情况下的33.3%、53.8%;无论服务器缓存空间是否充足,CRO算法总是能制定出合理的缓存方案,使服务缓存比例保持在一个合理的范围之内;ICRO算法比CRO算法的优化能力更强,它不仅可以明显降低系统总成本,还具有良好的全局搜索能力和可移植性,可以满足用户多样化需求,使用户获得更好的服务体验。     

云计算下保障公平性的多资源分配算法

针对云计算平台多资源分配公平性问题,文中在DRF算法基础上,提出了云计算动态资源需求公平分配模型,并提出了基于信誉因子的增强公平性分配算法．算法引入信誉因子,对云中计算节点资源使用情况进行实时评估,对恶意长时间侵占资源行为进行惩罚性分配,刺激节点在任务结束后释放占用资源,确保了平台中其他节点资源配额不受影响．与现有方案相比,基于信誉的增强公平性分配算法在保证分配公平的前提下,增强了对公平性的保障,有效地确保了云计算平台资源调度的公平性、可靠性．     

基于合同网的多agent任务分配分布式优化算法

针对合同网下的多agent系统,基于集合覆盖理论提出了一种解决子任务分配的严格启发式搜索算法;并分析了该算法的收敛性及渐进时间复杂度;证明了其搜索结果的上确界．该算法具有分布性,搜索空间缩减快,适合于中小型的多agent系统的子任务分配．     

经济理论在分布式资源分配中的建模方法分析

利用经济理论解决分布式资源分配问题一直是研究热点,如何兼顾分布式计算和经济理论特点来建立模型的问题很少作过系统的分析.通过详细分析分布式环境和经济市场环境的异同,指出资源分配问题中资源、任务、个体和价格是建模过程中容易忽略分布式基本特征的核心要素,给出了如何解决相应问题的建议;利用新兴古典经济学中的分析框架对分布式资源分配问题进行了经济性分析,给出了应用经济理论解决资源分配问题的建模方法并举例验证.     

基于模仿学习的变刚度人机协作搬运控制

针对人-机器人协作搬运,现有的控制策略难以同时保证搬运过程的柔顺性和搬运终点位置的精确性,而且对不同搬运任务适应性不够. 基于模仿学习提出变刚度协作搬运控制策略. 使用任务参数化的高斯混合模型(TP-GMM)对多次搬运示教数据进行编码,学习不同搬运工况下的搬运轨迹概率模型;结合导纳控制建立机械臂末端变刚度交互模型,实现柔性搬运操作,并基于交互力阈值实现不同搬运任务的切换;搭建协作搬运平台进行实验验证. 实验结果表明,提出的策略在实现柔性协作搬运的同时将特定搬运任务的终点位置精度提高到1.9 mm,且保证了特定搬运任务中机械臂末端在期望区域内运动以及搬运任务的切换.     

基于图卷积模仿学习的分布式群集控制

针对受限通信条件下机器人群集协同控制问题,提出基于图卷积模仿学习的分布式群集控制策略. 该策略旨在实现群集内避障、速度一致性的基础上,提高群集鲁棒性,提升避免群集分裂的成功率. 提出基于熵评价的群集鲁棒性量化评价指标,建立节点和链路重要性的均衡分布与群集鲁棒性的联系. 提出重要度相关图卷积网络,用于实现受限通信条件下非欧氏数据的特征提取和加权聚合. 采用图卷积模仿学习方法,根据提升群集鲁棒性的要求设计集中式专家策略,通过对集中式专家策略的模仿,得到分布式群集协同控制策略. 设计仿真实验,证明所得的分布式策略基于受限通信条件实现了接近集中式的专家策略的控制效果.     

Research and experiment on multi-user computational offloading based on mobile edge computing

The fundamental problem of multi-user computation offloading for Mobile Edge Computing is investigated in heterogeneous overlay networks where each user can connect and offload its computing workloads to multiple heterogeneous wireless access points in parallel. The problem of average user overhead minimization with the delay constraint is formulated to obtain the optimal strategy of workload partition and heterogeneous resource allocation. A successive convex approximation (SCA) based algorithm is finally developed, which addresses the problem of non-convex optimization by iteratively solving a sequence of separable strongly convex problems. Numerical results are presented to prove that the proposed offloading mechanism can effectively reduce the service latency and energy consumption of users compared with the conventional non-cooperative approach.     

基于多用户空间相关性的MIMO-OFDM下行链路资源分配

针对多用户MIMO-OFDM下行链路,满足各用户速率及误比特率需求的最小化系统功率问题,提出按用户空间相关性分组的子载波独占方式与共享方式相结合的资源分配算法。空间高度相关的用户分在一组,组内按比例公平原则以独占方式分配子载波;组间以收发结合的基于零空间交集的分组迫零算法实现子载波共享;用户以贪婪算法独立分配比特功率。仿真结果验证所提算法不仅系统总功率小于独占方式及基本迫零共享方式,而且频谱利用率高于独占方式、所需天线数小于基本迫零共享方式。     

基于混合业务的OFDMA系统资源分配

针对存在混合业务的OFDMA系统的子载波和功率分配问题,提出了一种基于折衷因子的次优资源分配算法,在系统总发送功率的限制下使得系统的吞吐量最大,同时保证实时业务用户的QoS要求和非实时业务用户资源分配的比例公平.该算法将自适应资源分配与自适应调制相结合,并加入了比特调整和优化处理,对实时业务用户和非实时业务用户间的资源利用进行了有效的折衷.分析和仿真结果表明,SRATF算法在不增加复杂度的前提下减少了运行时间,保证了非实时业务用户间的公平性.