移动边缘计算卸载技术综述

移动边缘计算(Mobile Edge Computing,MEC)将云服务器的计算资源扩展到更靠近用户一侧的网络边缘,使得用户可以将任务卸载到边缘服务器,从而克服原先云计算中将任务卸载到云服务器所带来的高时延问题。首先介绍了移动边缘计算的基本概念、基本框架和应用场景,然后围绕卸载决策、联合资源分配的卸载决策分别从单MEC服务器和多MEC服务器两种场景总结了任务卸载技术的研究现状,最后结合当前MEC卸载技术中存在的不足展望了未来MEC卸载技术的研究。     

MEC系统中基于多智能体深度增强学习的协作式任务卸载和资源分配

移动边缘计算(MEC)通过将计算任务卸载到MEC服务器上,在缓解智能移动设备计算负载的同时,可以降低服务时延。然而目前在MEC系统中,关于任务卸载和资源分配仍然存在以下问题：1)边缘节点间缺乏协作;2)计算任务到达与实际环境中动态变化的特征不匹配;3)协作式任务卸载和资源分配动态联合优化问题。为解决上述问题,文章在协作式MEC架构的基础上,提出了一种基于多智能体的深度确定性策略梯度算法(MADDPG)的任务卸载和资源分配算法,最小化系统中所有用户的长期平均成本。仿真结果表明,该算法可以有效降低系统的时延及能耗。     

车辆网络多平台卸载智能资源分配算法

为了降低计算任务的时延和系统的成本,移动边缘计算(MEC)被用于车辆网络,以进一步改善车辆服务。该文在考虑计算资源的情况下对车辆网络时延问题进行研究,提出一种多平台卸载智能资源分配算法,对计算资源进行分配,以提高下一代车辆网络的性能。该算法首先使用K临近(KNN)算法对计算任务的卸载平台(云计算、移动边缘计算、本地计算)进行选择,然后在考虑非本地计算资源分配和系统复杂性的情况下,使用强化学习方法,以有效解决使用移动边缘计算的车辆网络中的资源分配问题。仿真结果表明,与任务全部卸载到本地或MEC服务器等基准算法相比,提出的多平台卸载智能资源分配算法实现了时延成本的显著降低,平均可节省系统总成本达80%。

     

基于移动边缘计算的V2X任务卸载方案

移动边缘计算(MEC)通过在移动网络边缘提供IT服务环境和云计算能力带来高带宽、低时延优势,从而在下一代移动网络的研究中引起了广泛的关注。该文研究车载网络中车辆卸载请求任务时搜寻服务节点为其服务的匹配问题,构建一个基于MEC的卸载框架,任务既可以卸载到MEC服务器以车辆到基础设施(V2I)形式通信,也可以卸载到邻近车辆进行车辆到车辆(V2V)通信。考虑到资源有限性、异构性,任务多样性,建模该框架为组合拍卖模式,提出一种多轮顺序组合拍卖机制,由层次分析法(AHP)排序、任务投标、获胜者决策3个阶段组成。仿真结果表明,所提机制可以在时延和容量约束下,使请求车辆效益提高的同时最大化服务节点的效益。     

面向移动边缘计算网络的计算卸载策略分析

随着移动设备和互联网的普及,近年来人们对计算能力和网络资源的需求显著增加。为了降低网络延迟、提高用户体验,移动边缘计算（MEC）应运而生,将云计算与边缘计算相结合成为解决方案。MEC通过将计算资源移动到靠近终端用户的位置来实现这一目的。然而,随着移动设备数量和生成数据量的增加,对MEC网络中的计算资源分配进行优化。其中计算卸载是一种实现方式,它将资源密集型任务从移动设备转移到MEC服务器,以便更高效地处理。故此,本文主要分析了适用于MEC网络的不同计算卸载策略,以期为后续的相关研究和工作开展提供帮助。     

移动边缘计算中资源分配和定价方法综述

移动边缘计算（mobile edge computing,MEC）通过将计算任务卸载至边缘服务器，降低网络负荷，减少传输时延，提升用户服务体验。因此，MEC受到了广泛关注，并成为5G的关键技术。资源分配作为MEC的主要问题，在提升能量效率、缩短任务时延和节约成本方面具有非常重大的研究意义。首先，介绍了MEC的基本概念、参考架构和技术优势；然后，从技术层面和经济层面归纳总结了MEC中最新的资源分配和定价策略；最后，讨论了MEC资源分配和定价策略中可能存在的问题与挑战，并提出了一些可行的解决方案，为后续研究发展提供参考。     

移动边缘计算中分布式异构任务卸载算法

随着物联网(IoT)迅速发展,移动边缘计算(MEC)在提供高性能、低延迟计算服务方面的作用日益明显。然而,在面向IoT业务的MEC(MEC-IoT)时变环境中,不同边缘设备和应用业务在时延和能耗等方面具有显著的异构性,对高效的任务卸载及资源分配构成严峻挑战。针对上述问题,该文提出一种动态的分布式异构任务卸载算法(D2HM),该算法利用分布式博弈机制并结合李雅普诺夫优化理论,设计了一种资源的动态报价机制,并实现了对不同业务类型差异化控制和计算资源的弹性按需分配,仿真结果表明,所提的算法可以满足异构任务的多样化计算需求,并在保证网络稳定性的前提下降低系统的平均时延。

     

移动边缘网络中基于用户移动的服务功能链迁移策略

移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署服务器,提供计算和存储资源,可为用户提供超低时延和高带宽业务。网络功能虚拟化(Network Function Virtualization,NFV)与MEC技术相结合,可在MEC服务器上提供服务功能链(Service Function Chain,SFC),提升用户的业务体验。为了保证移动用户的服务质量,需要在用户跨基站移动时将SFC迁移到合适的边缘服务器上。主要以最小化用户服务的端到端时延和运行成本为目标,提出了MEC网络中具有资源容量约束的SFC迁移策略,以实现移动用户业务的无缝迁移。仿真结果表明,与现有方案相比,该策略具有更好的有效性和高效性。     

基于服务覆盖的无蜂窝边缘智能网络部署方法

为实现未来网络绿色低碳发展，以精准的按需服务提高网络运营和部署效率，将服务覆盖作为网络覆盖能力的新度量。深入挖掘无蜂窝网络部署灵活的优势，可以使每个覆盖单元达到最佳服务覆盖，从而实现系统性能的差异化优化。结合无蜂窝边缘智能网络的通信链路质量对移动边缘计算（MEC）服务器计算和下载的时延、卸载概率的影响，采用连续凸逼近算法，引入松弛变量和辅助变量将接入点（AP）和MEC联合部署混合整数非线性规划问题转化为连续的凸优化问题进行求解。仿真结果证明，基于服务覆盖的网络部署方法提升了现有网络能量效率，并显著减少用户的计算时延和系统的能耗。     

一种基于加权K-means的边缘服务器部署方案

随着5G时代的到来,移动边缘计算（MEC）在移动网络的RAN侧提供计算、资源存储和IT服务等系统功能,实现高带宽、低时延的业务支撑和本地管理。从长远角度来看,边缘服务器的合理部署可以提高MEC的服务质量,节省运营商的成本,降低网络资源的浪费。为此,文中提出一种加权K-means算法来优化边缘服务器的部署问题。所提方案根据基站侧的日统计流量计算不同区域范围内移动终端的权值,通过目标方程和约束进行算法设计。在实验阶段,分别通过加权K-means算法、传统K-means算法和随机选择的方法得到边缘服务器的部署位置。在不考虑传输链路异常等情况下,基于不同服务器个数和测试时段,分别计算移动设备与边缘服务器的响应时延。评估结果表明,在相同的移动终端分布和资源分配的条件下,相较于传统K-means算法和随机选择方法,所提方案能够提供更好的部署位置,减少设备的响应时延。     

基于深度强化学习的多用户计算卸载优化模型和算法

在移动边缘计算(MEC)密集部署场景中,边缘服务器负载的不确定性容易造成边缘服务器过载,从而导致计算卸载过程中时延和能耗显著增加。针对该问题,该文提出一种多用户计算卸载优化模型和基于深度确定性策略梯度(DDPG)的计算卸载算法。首先,考虑时延和能耗的均衡优化建立效用函数,以最大化系统效用作为优化目标,将计算卸载问题转化为混合整数非线性规划问题。然后,针对该问题状态空间大、动作空间中离散和连续型变量共存,对DDPG深度强化学习算法进行离散化改进,基于此提出一种多用户计算卸载优化方法。最后,使用该方法求解非线性规划问题。仿真实验结果表明,与已有算法相比,所提方法能有效降低边缘服务器过载概率,并具有很好的稳定性。     

基于云边协同算力调度的高效边缘卸载研究

为了满足车载边缘计算网络(Vehicular Edge Computing,VEC)中低时延、高可靠、高传输速率等极致性能需求,亟需突破现有传统车联网中通信感知计算相互割裂的现状,基于云边端一体化与智能协同等算力网络技术设计一种高效的任务卸载策略成为解决方案。为此,提出一种云边协同智能驱动车载边缘算力网络架构,通过结合实时计算负载与网络状态条件,充分利用云中心、聚合服务器和MEC服务器的异构计算能力,权衡用户任务卸载策略,实现网络资源的全面协作和智能管理。考虑到计算型任务对时延和能耗的需求,将计算卸载策略建模为在通信与计算资源约束下的最小化长期系统成本的优化问题,并将其转化为马尔可夫决策过程(Markov Decision Process,MDP)。最后,鉴于车载网络的动态和随机特性,提出一种基于云边协同的深度Q网络(Cloud-Edge Collaborative Deep Q-Network,CEC-DQN)的高效计算卸载策略来解决MDP问题。仿真结果表明,与传统单点边缘服务器卸载或随机卸载算法相比,所提出的算法具有较高的性能提升,可有效解决多层次算力网络中节点算力分配不足、不均衡的问题。     

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。     

一种主从MEC服务器协作卸载与资源分配方案

移动边缘计算(Mobile Edge Computing,MEC)通过将云计算能力下沉至用户侧,提高了用户的任务执行能力.但在热点小区中,MEC服务器存在计算资源有限的问题.为了减少热点小区内任务执行总代价,提出了一种基于主从MEC系统的任务联合卸载方案.首先,方案随机生成卸载集,然后将卸载集内的任务分配至目标MEC服...     

多接入边缘计算赋能的AI质检系统任务实时调度策略

AI质检是智能制造的重要环节,其设备在进行产品质量检测时会产生大量计算密集型和时延敏感型任务。由于设备计算能力不足,执行检测任务时延较大,极大影响生产效率。多接入边缘计算(MEC)通过将任务卸载至边缘服务器为设备提供就近算力,提升任务执行效率。然而,系统中存在信道变化和任 务随机到达等动态因素,极大影响卸载效率,给任务调度带来了挑战。该文面向多接入边缘计算赋能的AI质检任务调度系统,研究了联合任务调度与资源分配的长期时延最小化问题。由于该问题状态空间大、动作空间包含连续变量,该文提出运用深度确定性策略梯度(DDPG)进行实时任务调度算法设计。所设计算法可基于系统实时状态信息给出最优决策。仿真结果表明,与基准算法相比,该文所提算法具有更好的性能表现和更小的任务执行时延。     

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。     

面向工业控制业务的计算与通信资源分配

MEC(mobile edge computing,移动边缘计算)是一种将移动用户的计算任务卸载到基站端计算服务器的技术,可以减小移动设备功耗并大幅提升其计算能力,因此可以处理工业制造中的大量设备控制业务。针对多用户MISO无线工业控制系统中的工业控制业务处理,系统将移动设备的控制业务数据上传至MEC服务器并完成计算,通过URLLC(ultrareliable low-latency communication,超高可靠低时延通信)回传控制指令,以完成设备控制。在控制业务时延约束下,建立了系统总能耗最小化优化问题,并提出了使用SCA(successive convex approximation,连续凸近似)、二次变换方法（quadratic transformation）与内点法的波束成形、带宽分配子问题求解算法。在推导得到计算任务分配、计算资源分配子问题的闭式最优解后,提出了迭代求解四个子问题的优化算法。仿真结果证明所提算法在降低系统总能耗方面是有效的。     

基于多接入边缘计算的任务卸载和资源分配策略研究

随着移动通信技术和工业互联网的飞速发展,移动设备端日渐庞大的数量和复杂的应用对大量计算密集和低时延提出了要求,也因此引出了基于多接入边缘计算的任务卸载概念。这种任务卸载方式能够有效地利用边缘云服务器资源,将复杂的计算任务卸载至邻近的低消耗边缘服务器,提高任务计算效率和更高的服务质量。提出了一种基于拓扑结构的任务卸载策略和边缘资源分配策略,旨在解决边缘计算场景中,任务卸载效率低、资源利用率不足等问题。     

车联网云边协同计算场景下的多目标优化卸载决策

车联网场景下的计算任务对时延非常敏感,需要云边协同计算来满足这类需求。针对车联网云边协同计算场景下如何高效地进行服务卸载并同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配问题,设计了基于云边协同的车辆计算网络架构,在该架构下,车载终端、云服务器和边缘服务器都可以提供计算服务;通过对缓存任务进行分类并将缓存策略引入车联网场景,依次设计了缓存模型、时延模型、能耗模型、服务质量模型以及多目标优化问题模型;给出了一种基于改进的多目标优化免疫算法的卸载决策方案。最后,通过对比实验验证了所提卸载决策方案的有效性。     

一种面向移动边缘计算的多用户细粒度任务卸载调度方法

在移动边缘计算中(Mobile Edge Computing,MEC),任务卸载可以有效地解决移动设备资源受限的问题,但是将全部任务都卸载到边缘服务器并非最优.本文提出一种面向移动边缘计算的多用户细粒度任务卸载调度新方法,把计算任务看作一个有向无环图(Directed Acyclic Graph,DAG),对节点的执行位置和调度顺序进行了优化决策.考虑系统的延迟把计算卸载看作一个约束多目标优化问题(Constrained Multi-object Optimization Problem,CMOP),提出了一个改进的NSGA-Ⅱ算法来解决CMOP.所提出的算法能够实现本地和边缘的并行处理从而减少延迟.实验结果表明,算法能够在实际应用程序中做出最优决策.