具有时延QoS保证的OFDM中继系统子载波配对与功率分配算法

 本文研究具有直接通信链路的OFDM解码转发(Decode-and-Forward,DF)中继系统的子载波配对与功率分配算法,目标是在满足业务时延QoS要求的前提下最大化系统容量.利用有效容量模型,首先把OFDM DF中继系统的子载波配对与功率分配问题形成为混合整数规划问题,然后把其转化为连续松弛凸规划问题,利用凸优化方法得到原问题的最优解,从而提出了一种联合最优的子载波配对与功率分配迭代算法.理论推导结果和仿真结果表明,最优子载波配对与功率分配不仅取决于子载波的信道增益,还取决于业务的时延QoS要求.与已有算法相比,本文算法获得的有效容量最大.     

低轨卫星协作边缘计算任务迁移和资源分配算法

研究了基于星间链路的低轨卫星协作边缘计算任务迁移和资源分配问题,为偏远地区用户提供边缘计算服务.采用部分任务迁移机制,以地面用户加权总能耗最小化为目标建立优化问题,提出了一种低轨卫星协作边缘计算的任务迁移和资源分配算法,基于优化问题的非凸性,将其分解为任务迁移子问题和资源分配子问题,分别采用标准凸优化方法和拉格朗日对偶...     

移动边缘计算中的联合优化迁移决策和资源分配

移动边缘迁移计算中,边缘服务器之间的协作能为用户提供更高效的服务。本文对正交频分复用上行无线通信系统,基于移动边缘计算技术的任务迁移的子载波选择、用户发射功率和迁移量的联合优化问题进行了研究。在公平性原则下,本文考虑最小化迁移计算的最大时延问题,并提出了一种非凸问题的拉格朗日对偶法解决方案。首先将min-max问题转化为最小化问题,再用泰勒级数将其近似为一个凸问题,最后用拉格朗日对偶法求解。本文还给出特殊情况下的简便算法,适用于低信噪比的通信环境下。仿真结果证实了本算法的收敛性和实用性。      

OFDMA中继网络基于效用的资源分配

研究半双工正交频分复用（OFDMA）中继网络的资源分配。解决动态子信道分配,自适应功率分配,传输策略选择和中继选择的联合优化问题。为了公平利用中继用户的资源,把中继用户所能帮助的最大子信道数和每个子信道的功率设为常量。在此基础上,提出贪婪算法以最大化总效用。当算法每次分配资源时,把资源分配给潜在效用增长最大的用户。仿真结果表明所提算法与固定的资源分配策略相比,能更高效地利用资源,并且改善了用户间的公平性。     

基于功率的双向AF MIMO中继系统收发器设计

针对多用户对双向放大转发多输入多输出中继系统中用户和中继的收发器联合设计问题,基于节省功率的目的,提出了在满足每个用户均方误差约束的条件下最小化用户和中继总功率的优化问题。由于所形成的优化问题是非凸的,难以求得全局最优解,因此将原问题分解为3个便于处理的子问题,对这3个子问题分别进行求解,在此基础上提出了一种基于交替优化的迭代算法去求解原问题。仿真结果表明,所提算法相较于其他算法可以有效地节省用户和中继的总功率。     

无人机中继通信的轨迹与资源分配优化方法

为提高地面用户的传输速率以及保证公平性，在基站覆盖不到的偏远地区可利用无人机进行辅助中继通信。首先将无人机的轨迹控制与频谱资源分配建模成一个混合整数非线性规划问题；然后基于块坐标下降法，将联合优化问题解耦成信道分配、发射功率和飞行轨迹三个子问题以降低复杂度；最后提出基于继承的子信道迭代分配算法求解信道分配子问题，采用凸优化和连续凸近似法分别求解功率优化及飞行轨迹优化子问题。仿真结果表明，所提算法在保证地面用户公平性的同时，具有比基准策略更高的最小平均速率。     

基于不完美CSI的D2D通信网络鲁棒能效资源分配算法

针对设备到设备(D2D)直连通信网络传统最优资源分配算法在随机信道时延、信道估计误差影响下鲁棒性弱的问题,该文在考虑参数不确定性影响的条件下,提出D2D用户总能效最大的鲁棒资源分配算法。考虑干扰功率门限、用户最小速率需求、最大传输功率和子信道分配约束,建立了下垫式频谱共享模式下多用户D2D网络资源分配模型。基于有界信道不确定性模型,利用最坏准则方法将原非凸鲁棒资源分配问题转换为确定性的凸优化问题。然后利用拉格朗日对偶理论求得资源分配的解析解。仿真结果表明所提出的算法具有很好的鲁棒性。     

基于不完美CSI的D2D通信网络鲁棒能效资源分配算法

针对设备到设备(D2D)直连通信网络传统最优资源分配算法在随机信道时延、信道估计误差影响下鲁棒性弱的问题,该文在考虑参数不确定性影响的条件下,提出D2D用户总能效最大的鲁棒资源分配算法.考虑干扰功率门限、用户最小速率需求、最大传输功率和子信道分配约束,建立了下垫式频谱共享模式下多用户D2D网络资源分配模型.基于有界信道不确定性模型,利用最坏准则方法将原非凸鲁棒资源分配问题转换为确定性的凸优化问题.然后利用拉格朗日对偶理论求得资源分配的解析解.仿真结果表明所提出的算法具有很好的鲁棒性.     

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。     

无人机辅助反向散射通信计算任务卸载与资源分配

针对边缘计算网络中用户能量短缺问题，该文提出一种无人机(UAV)辅助的反向散射通信网络计算任务卸载和资源分配方案。首先，通过联合考虑飞行轨迹、用户的计算频率、任务卸载比例、无人机及用户的发射功率、反向散射时间分配以及主动通信时间分配，构建最小化无人机总能耗优化问题。其次，利用交替优化算法，将原非凸问题分解为两个子问题，并通过连续凸逼近方法将原问题转化为凸问题进行求解。仿真结果表明，所提算法使得无人机能耗显著减少，且具有良好的收敛性。     

数字孪生使能的智能超表面边缘计算网络任务卸载

针对新兴的计算密集型应用对移动用户高计算性能需求问题,该文提出一种数字孪生(DT)结合智能反射面(RIS)辅助的移动边缘计算(MEC)任务卸载方案。首先,在满足用户传输功率、用户和资源设备能耗、计算资源限制条件下,通过联合优化用户卸载决策、用户传输功率、RIS相移、波束成形矢量、计算资源分配,建立一个系统能耗最小化问题;其次,将该非凸组合优化问题分解为3个子问题,使用深度双Q网络(DDQN)方法确定用户卸载策略;然后对每个训练时间步进行一次求解,基于交替迭代方法得到问题的优化解。仿真结果表明,基于DDQN的算法训练速度较快,有效降低了系统总能耗。     

一种面向随机计算卸载的两层无人机能耗优化方法

当物联网设备(Internet of Things Device,IoTD)面临随机到达且复杂度高的计算任务时,因自身计算资源和能力所限,无法进行实时高效的处理。为了应对此类问题,设计了一种两层无人机辅助的移动边缘计算(Mobile Edge Computing,MEC)模型。在该模型中,考虑到IoTD处理随机计算任务时的局限性,引入多架配备MEC服务器的下层无人机和单架上层无人机进行协同处理。为了实现系统能耗最优化,提出了一种资源优化和多无人机位置部署方案,根据计算任务到达的随机性,应用李雅普诺夫优化方法将能耗最小化问题转化为一个确定性问题,应用差分进化(Differential Evolution,DE)算法进行多次变异、交叉和选择取得无人机的优化部署方案;采用深度确定性策略梯度(Depth Deterministic policy Gradient,DDPG)算法对带宽分配、计算资源分配、传输功率分配和任务卸载分配进行联合优化。实验结果表明,该算法相较于对比算法系统能耗降低35%,充分验证了其可行性和有效性。     

A novel data size-aware offloading technique for resource provisioning in mobile cloud computing

Mobile device users are involved in social networking, gaming, learning, and even some office work, so the end users expect mobile devices with high-response computing capacities, storage, and high battery power consumption. The data-intensive applications, such as text search, online gaming, and face recognition usage, have tremendously increased. With such high complex applications, there are many issues in mobile devices, namely, fast battery draining, limited power, low storage capacity, and increased energy consumption. The novelty of this work is to strike a balance between time and energy consumption of mobile devices while using data-intensive applications by finding the optimal offloading decisions. This paper proposes a novel efficient Data Size-Aware Offloading Model (DSAOM) for data-intensive applications and to predict the appropriate resource provider for dynamic resource allocation in mobile cloud computing. Based on the data size, the tasks are separated and gradually allocated to the appropriate resource providers for execution. The task is placed into the appropriate resource provider by considering the availability services in the fog nodes or the cloud. The tasks are split into smaller portions for execution in the neighbor fog nodes. To execute the task in the remote side, the offloading decision is made by using the min-cut algorithm by considering the monetary cost of the mobile device. This proposed system achieves low-latency time 13.2% and low response time 14.1% and minimizes 24% of the energy consumption over the existing model. Finally, according to experimental findings, this framework efficiently lowers energy use and improves performance for data-intensive demanding application activities, and the task offloading strategy is effective for intensive offloading requests.     

多小区蜂窝网络中计算卸载与资源分配联合优化算法

本文在多基站和远端云构成的多层计算卸载场景中,提出了一种多小区蜂窝网络中基站选择、计算卸载与资源分配联合优化算法.该算法考虑多基站重叠覆盖用户的基站选择,在边缘服务器计算资源约束条件下,构建了能耗与时延加权和的最小化问题,这是NP-hard问题.本文首先对单用户多基站计算卸载问题,采用拉格朗日乘子法对其进行求解;然后针...     

Cooperative Subcarrier Allocation and Power Allocation in the Downlink of an Amplify-and-Forward OFDM Relaying System

The increasing use of relays in wireless communication systems is a driving force to explore innovative techniques that can improve the quality of service as well as enhance the coverage in wireless systems. In this article, we propose a two-step approach for subcarrier allocation and power allocation in the downlink of an OFDM-based amplify-and forward relaying system. In the first step, the total power is allocated to mobile users and relays based on the optimum power ratio derived for the single-relay system. In the second step, subcarriers are assigned to the users based on cooperative subcarrier allocation algorithms. Compared to the non-cooperative algorithm with flat power allocation, the total throughput is shown to improve by applying the two-step cooperative subcarrier allocation and power allocation algorithms.     

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。     

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。     

基于云雾混合计算的车联网联合资源分配算法

针对车联网业务的低时延、低功耗需求及海量设备计算卸载引起的网络拥塞问题,该文提出一种在云雾混合网络架构下的联合计算卸载、计算资源和无线资源分配算法(JODRAA)。首先,该算法考虑将云计算与雾计算结合,以最大时延作为约束,建立最小化系统能耗和资源成本的资源优化模型。其次,将原问题转化为标准二次约束二次规划(QCQP)问题,并设计一种低复杂度的联合卸载决策和计算资源分配算法。进一步,针对海量设备计算卸载引起的网络拥塞问题,建立卸载用户接入请求队列的上溢概率估计模型,提出一种基于在线测量的雾节点时频资源配置算法。最后,借助分式规划理论和拉格朗日对偶分解方法得到迭代的带宽和功率分配策略。仿真结果表明,该文算法可以在满足时延需求的前提下,最小化系统能耗和资源成本。     

基于区块链的雾网络中的任务卸载优化方案研究

当前物联网(IoT)应用的快速增长对用户设备的计算能力是一个巨大的挑战。雾计算(FC)网络可为用户设备提供近距离、快速的计算服务,为资源紧张,计算能力有限的用户设备提供了解决方案。该文提出一个基于区块链的雾网络模型,该模型中用户设备可以将计算密集型任务卸载到计算能力强的节点处理。为最小化任务处理时延和能耗,引入两种任务卸载模型,即设备到设备(D2D)协作群组任务卸载和雾节点(FNs)任务卸载。此外,针对雾计算网络任务卸载过程的数据安全问题,引入区块链技术构建去中心化分布式账本,防止恶意节点修改交易信息,实现数据安全可靠传输。为降低共识机制时延和能耗,提出了改进的基于投票的委托权益证明(DPoS)共识机制,得票数超过阈值的FNs组成验证集,验证集中的FN轮流作为管理者生成新区块。最后,以最小化网络成本为目标,联合优化任务卸载决策、传输速率分配和计算资源分配,提出任务卸载决策和资源分配(TODRA)算法进行求解,并通过仿真实验验证了该算法的有效性。