车联网中基于NOMA-MEC的卸载策略研究

随着车联网(IoV)的迅猛发展,请求进行任务卸载的汽车终端用户也逐渐增长,而基于移动边缘计算(MEC)的通信网络能够有效地解决任务卸载在上行传输时延较高的挑战,但是该网络模型同时也面临着信道资源不足的问题。该文引入的非正交多址(NOMA)技术相较于正交多址(OMA)能够在相同的信道资源条件下为更多的用户提供任务卸载,同时考虑到任务卸载过程中多方面的影响因子,提出了混合NOMA-MEC卸载策略。该文设计了一种基于深度学习网络(DQN)的博弈算法,帮助车辆用户进行信道选择,并通过神经网络多次迭代学习,为用户提供最优的功率分配策略。仿真结果表明,该文所提出的混合NOMA-MEC卸载策略能够有效地优化多用户卸载的时延以及能耗,最大限度保证用户效益。     

车联网中一种基于软件定义网络与移动边缘计算的卸载策略

在新兴的车联网络中,汽车终端请求卸载的任务对网络带宽、卸载时延等有着更加严苛的需求,而新型通信网络研究中移动边缘计算(MEC)的提出更好地解决了这一挑战。该文着重解决的是汽车终端进行任务卸载时卸载对象的匹配问题。文中引入了软件定义车载网络(SDN-V)对全局变量统一调度,实现了资源控制管理、设备信息采集以及任务信息分析。基于用户任务的差异化性质,定义了重要度的模型,在此基础上,通过设计任务卸载优先级机制算法,实现任务优先级划分。针对多目标优化模型,采用乘子法对非凸优化模型进行求解。仿真结果表明,与其他卸载策略相比,该文所提卸载机制对时延和能耗优化效果明显,能够最大程度地保证用户的效益。

     

一种基于车边云协同的车联网计算卸载策略

随着智能交通的快速发展和车联网中数据流量爆炸式的增长,汽车终端请求卸载的任务对时延和带宽有了更加严苛的要求。在现有的云计算服务模式中,车辆可以访问云服务器来获得强大的计算、存储和网络资源,但缺点是通信传输时延较大,仅依靠云计算可能会导致过度的延迟。为了更加合理利用资源、减小时延、优化卸载策略,提出了一种基于粒子群优化算法的“车-边-云”协同卸载方案。首先通过接入点附近的软件定义网络（Software Define Network,SDN)控制器根据终端用户附近边缘节点、本地终端和云计算节点的计算资源和容量情况得出最优的卸载策略,充分利用本地、移动边缘计算（Mobile Edge Computing,MEC）设备、云端的计算资源,然后通过粒子群优化算法得出“车-边-云”各计算节点的卸载系数,即最优卸载策略。实验结果表明,相比于其他卸载策略,所提的卸载机制对时延优化效果明显,提高了计算资源的利用率。     

车联网中基于MEC和任务优先级的智能卸载策略研究

在移动边缘计算和云计算共同组成的车联网中,为了保障驾驶员和路人的安全,需要满足车辆任务的高可靠低时延要求.一种基于MEC和任务优先级的智能卸载策略以降低由时延所组成的系统总成本,该策略使用KNN算法,根据任务优先级对任务卸载位置进行选择.仿真结果表明,该资源分配策略能有效减少系统总成本.     

基于NOMA的超密集MEC网络任务卸载和资源分配方案

为了提高移动边缘计算(mobile edge computing,MEC)网络的频谱效率,满足大量用户的服务需求,建立了基于非正交多址接入(non-orthogonal multiple access,NOMA)的超密集MEC系统模型。为了解决多个用户同时卸载带来的严重通信干扰等问题,以高效利用边缘服务器资源,提出了一种联合任务卸载和资源分配的优化方案,在满足用户服务质量的前提下最小化系统总能耗。该方案联合考虑了卸载决策、功率控制、计算资源和子信道资源分配。仿真结果表明,与其他卸载方案相比,所提方案可以在满足用户服务质量的前提下有效降低系统能耗。     

NOMA-MEC系统中基于改进遗传算法的协作式计算卸载与资源管理

为平衡网络负载与充分利用网络资源,针对超密集异构的多用户和多任务边缘计算网络,在用户时延约束下,该文构造了协作式计算任务卸载与无线资源管理的联合优化问题以最小化系统能耗。问题建模时,为应对基站超密集部署导致的严重干扰问题,该文采用了频带划分机制,并引入了非正交多址技术(NOMA)以提升上行频谱利用率。鉴于该目标优化问题具备非线性混合整数的形式,根据多样性引导变异的自适应遗传算法(AGADGM),设计出了协作式计算卸载与资源分配算法。仿真结果表明,在严格满足时延约束条件下,该算法能获取较其他算法更低的系统能耗。     

车联网中基于移动边缘计算的内容感知分类卸载算法研究

随着智能交通的快速发展,车辆终端产生大量需要实时处理的数据消息,而在有限资源上的竞争将会增加消息处理的时延,且对终端设备造成很大的能量消耗。针对时延和能量损耗的均衡关系,该文提出一种基于移动边缘计算(MEC)的内容感知分类卸载算法。首先根据层次分析法对安全消息进行优先级划分,然后建立时延和能量损耗的最优任务卸载模型,通过给时延和能量损耗赋予不同的权重系数构造关系模型,并利用拉格朗日松弛法将非凸问题转化为凸问题,从而结合次梯度投影法和贪婪算法得到问题的可行解。性能评估结果表明,该算法在一定程度上改善了消息处理时延和能量损耗。     

基于移动云服务的车联网任务卸载策略

针对车联网数据卸载策略在选择边缘服务器时忽略负载均衡的问题,提出一种基于移动云服务的车联网任务卸载策略。该策略基于一种新型网络架构,采用强化学习实现卸载任务指派,将任务卸载的问题转化为车联网服务收益的问题,以通信资源和计算资源构建约束条件,结合整个计算资源系统任务处理时延最低和系统可靠性的要求,寻找可用的服务器节点,实现对卸载任务的最优指派。实验仿真表明,所提出的方法能够减少系统的负载率和任务完成时间,降低了最大链路带宽占用率,从而提升了任务卸载的效率。     

车载边缘计算卸载技术研究综述

通过将移动边缘计算技术应用在车联网,车载边缘计算技术可为车载用户提供低时延、高带宽、高可靠性的应用服务.首先详细介绍了车载边缘计算卸载技术的背景、意义以及本文的贡献.其次,分别概述了车载边缘计算卸载技术的网络架构、主要挑战以及应用场景.然后,从移动分析、卸载模式、资源协作和管理等多个维度全面综述了车载边缘计算卸载技术的...     

基于模拟退火机制的车辆用户移动边缘计算任务卸载新方法

在车联网(IOV)环境中,如果将车辆的计算任务都放置在云平台执行,无法满足对于信息处理的实时性,考虑移动边缘计算技术以及任务卸载策略,将用户的计算任务卸载到靠近设备边缘的服务器去执行。但是在密集的环境下,如果所有的任务都卸载到附近的边缘服务器去执行,同样会给边缘服务器带来巨大的负载。该文提出基于模拟退火机制的车辆用户移动边缘计算任务卸载新方法,通过定义用户的任务计算卸载效用,综合考虑时耗和能耗,结合模拟退火机制,根据当前道路的密集程度对系统卸载效用进行优化,改变用户的卸载决策,选择在本地执行或者卸载到边缘服务器上执行,使得在给定的环境下的所有用户都能得到满足低时延高质量的服务。仿真结果表明,该算法在减少用户任务计算时间的同时降低了能量消耗。     

基于非正交多址接入的移动边缘计算安全节能联合资源分配

为提高基于非正交多址接入(NOMA)的移动边缘计算(MEC)系统中计算任务部分卸载时的安全性,该文在存在窃听者情况下研究MEC网络的物理层安全,采用保密中断概率来衡量计算卸载的保密性能,考虑发射功率约束、本地任务计算约束和保密中断概率约束,同时引入能耗权重因子以平衡传输能耗和计算能耗,最终实现系统能耗加权和最小。在满足两个用户优先级情况下,为降低系统开销,提出一种联合任务卸载和资源分配机制,通过基于二分搜索的迭代优化算法寻求问题变换后的最优解,并获得最优的任务卸载和功率分配。仿真结果表明,所提算法可有效降低系统能耗。     

基于强化学习的非正交多址接入和移动边缘计算联合系统信息年龄更新

物联网发展对信息时效性的需求越来越高,信息新鲜度变得至关重要。为了维持信息新鲜度,在非正交多址接入(NOMA)和移动边缘计算(MEC)的联合系统中,对多设备单边缘计算服务器的传输场景进行了研究。在该场景中,如何分配卸载任务量和卸载功率以最小化平均更新代价是一个具有挑战性的问题。该文考虑到现实中的信道状态变化情况,基于多代理深度确定性策略梯度(MADDPG)算法,考虑信息新鲜度影响,建立了最小化平均更新代价的优化问题,提出一种寻找最优的卸载因子和卸载功率决策。仿真结果表明,采用部分卸载的方式可以有效地降低平均更新代价,利用MADDPG算法可以进一步优化卸载功率,经比较,MADDPG算法在降低平均更新代价方面优于其他方案,并且适当地减少设备数量在降低平均更新代价方面效果更好。     

基于k-匿名的隐私保护计算卸载方法

针对移动边缘计算(MEC)中用户的卸载任务及卸载频率可能使用户被攻击者锁定的问题,该文提出一种基于k-匿名的隐私保护计算卸载方法。首先,该方法基于用户间卸载任务及其卸载频率的差异性,提出隐私约束并建立基于卸载频率的隐私保护计算卸载模型;然后,提出基于模拟退火的隐私保护计算卸载算法(PCOSA)求得最优的k-匿名分组结果和组内各任务的隐私约束频率;最后,在卸载过程中改变用户原始卸载频率满足隐私约束,最小化终端能耗。仿真结果表明,PCOSA算法能找出用户所处MEC节点下与用户卸载表现最相近的k个用户形成匿名集,有效保护了所有用户隐私。     

基于Lyapunov优化的隐私感知计算卸载方法

移动边缘计算(MEC)中计算卸载决策可能暴露用户特征,导致用户被锁定。针对此问题,该文提出一种基于Lyapunov优化的隐私感知计算卸载方法。首先,该方法定义卸载任务中的隐私量,并引入隐私限制使各MEC节点上卸载任务的累积隐私量尽可能小;然后,提出假任务机制权衡终端能耗和隐私保护的关系,当系统因隐私限制无法正常执行计算卸载时,在MEC节点生成虚假的卸载任务以降低累积隐私量;最后,建立隐私感知计算卸载模型,并基于Lyapunov优化原理求解。仿真结果表明,基于Lyapunov优化的隐私感知卸载算法(LPOA)能使用户的累积隐私量稳定在0附近,且总卸载频率与不考虑隐私的决策一致,有效保护了用户隐私,同时保持了较低的平均能耗。

     

基于NOMA的移动边缘计算系统公平能效调度算法

将移动边缘计算技术(MEC)与非正交多址技术(NOMA)结合,同时考虑公平性,该文研究了采用NOMA上行部分卸载的MEC系统公平能效问题。首先将基于公平函数的用户速率与功耗比值定义为公平能效函数,随后提出了两种公平能效调度准则下的能效调度算法,即最大化最小速率准则下DK-SCA算法及最大化系统能效准则下DK-SCALE算法,通过算法实现分别得到两种公平能效调度准则下用户最佳本地CPU处理频率及最佳传输功率。最后通过仿真表明,与基准方案相比,所提基于NOMA的部分卸载方案能够有效地将本地计算和基于NOMA的边缘卸载结合,达到最佳的公平能效性能。     

面向空天地异构网络的边缘计算部分任务卸载策略

空天地异构网络作为一种新型网络构架,是未来6G实现泛在连接的关键支撑。该文提出一种面向空天地异构网络(SAGIN)的移动边缘计算部分任务卸载方案。首先,分析了低轨(LEO)卫星的覆盖时间。其次,联合考虑用户与无人机(UAV)匹配关联因子、任务分配、带宽分配、无人机计算资源分配以及无人机轨迹,旨在建立一个能耗最小化问题。最后,采用交替迭代优化算法,将原非凸问题分解为3个子问题,并利用变量替换和连续凸逼近方法将问题转化为凸问题进行求解。仿真结果表明,所提算法具有良好的收敛性能,并有效地降低系统能耗。     

超密集网络中基于移动边缘计算的任务卸载和资源优化

移动边缘计算(MEC)通过在无线网络边缘为用户提供计算能力,来提高用户的体验质量。然而,MEC的计算卸载仍面临着许多问题。该文针对超密集组网(UDN)的MEC场景下的计算卸载,考虑系统总能耗,提出卸载决策和资源分配的联合优化问题。首先采用坐标下降法制定了卸载决定的优化方案。同时,在满足用户时延约束下采用基于改进的匈牙利算法和贪婪算法来进行子信道分配。然后,将能耗最小化问题转化为功率最小化问题,并将其转化为一个凸优化问题得到用户最优的发送功率。仿真结果表明,所提出的卸载方案可以在满足用户不同时延的要求下最小化系统能耗,有效地提升了系统性能。