低轨卫星网络基于Stackelberg博弈的任务卸载策略

针对单一卫星在过顶时间内难以完成复杂的任务计算问题,提出了一种应用于真实低轨卫星网络场景的星地边缘计算任务卸载方法。地面用户根据星地链路的连通条件建立与LEO卫星的任务协同计算关系,并基于Stackelberg博弈模型,构建双方关于任务时延的收益函数,采用分布式迭代算法求解满足纳什均衡下的任务卸载最优策略,从而优化任务时延。仿真结果表明,提出的Stackelberg博弈星地边缘计算方法与云计算及单一卫星计算相比,任务处理时延分别降低88%和46%;同时相比于任务卸载的传统算法,文中提出方法也具有明显的时延优势,证明了提出方法在任务卸载计算方面的有效性。     

基于KM算法的分布式无线节点任务分配方法

单个节点无法满足各种新颖的应用程序对时延或能耗的要求,为此提出了一种分布式无线节点任务协同分配方法,通过利用周围节点的空闲资源,来降低所有节点处理任务的总时延或总能耗.首先根据层次分析法（AHP）综合任务的多维属性,如计算负载、最晚完成时间等,确定任务执行的优先级;然后建立时延和能耗的优化模型,并将其转化为二分图最大权值的匹配问题,采用Kuhn Munkras （KM）算法求解得到任务分配的最优解,实现终端节点在网络边缘高效地协同执行任务.仿真结果表明,该算法能够有效地降低任务处理的时延和能耗.     

面向6G边缘网络的云边协同计算任务调度算法

提出了一种分布式的第6代移动通信系统（6G）云边协同计算架构,设计了基于近似雅可比交替方向乘子法的云边协同计算任务的调度算法.将云边协同计算任务的调度问题建模为综合考虑时延、能耗、带宽成本及服务质量损失等因素的系统开销最小化问题,并通过高效的分布式并行计算方式进行求解.仿真实验结果表明,该算法可在保障用户服务质量的同时降低网络运营成本的开销,收敛速度快,执行效率高.     

异构蜂窝网络中基于雾节点协作贡献度的计算卸载算法

通过雾计算可将基于云的服务拓展至无线网络边缘和多种场景。针对密集异构蜂窝网络雾计算系统中的协作计算卸载问题，提出一种基于雾节点协作贡献度的计算卸载算法。首先，对协作可行性、协作公平性和协作稳定性进行了建模设计；其次，定义了协作贡献度和协作贡献比系数；然后，结合雾节点的剩余计算容量阈值和协作贡献度阈值，在满足任务可容忍的最大时延约束下，提出以任务执行能耗和用户支付成本的加权和最小化为目标的优化问题，使用外部罚函数法和方向加速法(Powell法)得到最优卸载决策。仿真结果表明，所提算法在各种任务参数和时延约束下能够有效降低执行任务的总开销，并且能够在协作可行性、协作公平性之间进行权衡处理。     

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。     

智慧社区边缘计算场景下基于免疫算法的卸载决策优化

边缘计算通过将云计算中心的计算和存储资源下沉至距离用户更近的网络边缘,用户可将任务卸载至边缘计算节点执行,以获得更低的任务时延和能耗.针对智慧社区场景下的任务卸载决策问题,构建了联合优化任务时延和能耗的卸载决策优化模型;在免疫算法中引入交叉操作,并对克隆算子、变异算子进行了改进,给出了一种基于改进免疫算法的任务卸载方案,并对该模型进行仿真实验.结果表明：该方案优于基于粒子群优化算法方案、基于遗传算法方案和基于免疫算法的卸载方案,可以有效降低任务时延和能耗.     

采用压缩感知与智能优化的大规模WSNs移动稀疏数据收集

针对大规模无线传感网数据处理网络流量大、任务时延高的缺陷,提出了一种基于自适应块压缩感知与离散弹性碰撞优化算法的移动节点数据收集方案。首先,通过分析网络分块与节点部署之间的关系,提出自适应块压缩感知数据采集策略,实现传感器节点基于自适应网络块压缩感知数据采集;设计移动节点数据采集路径规划策略和多移动节点协同计算机制,通过采用适应度值约束变换处理技术和并行离散弹性碰撞优化算法,达到均衡网络节点能耗和降低数据处理任务时延的目的。最后,仿真结果表明,该数据收集方案能够有效实现大规模传感网数据高效处理,而且降低了网络流量和网络任务时延,更好均衡了网络节点能耗。     

视频传感器网络基于位置的任务分配算法

为了解决目标跟踪视频传感器网络(VSNs)实时性、有限能量和处理能力的问题,提出基于位置的任务分配算法.采用有向无环图来描述周期的目标跟踪任务,根据跟踪目标、传感器节点和汇聚节点的位置坐标形成合作处理簇,优化簇内节点的任务分配.调节合作处理簇的最大跳数和任务完成时限2个参数进行仿真实验,结果表明,算法能够根据参数动态地组织传感器节点并行计算,提高网络处理能力.在性能上不仅满足任务实时性要求,而且比分布式计算架构节约28%的能量消耗.     

面向QoS需求的分簇自组织网络路由算法

基于分布式分簇的网络管理架构,网络节点可以被划分成多个管理域,并由相应区域的簇首进行协同管理。为实现分布式网络场景中,业务差异化的服务质量（QoS）需求与多维度网络资源之间的高效按需匹配,提出了一种基于强化学习的路由调度算法,以降低端到端的时延和防止网络拥塞为目标,优化调度路径。所提算法可以通过簇首集中式和节点分布式2种方式实现,可以解决分布式环境下全局资源信息不完备的问题,有效保证跳变环境下网络的健壮性。将100个节点划分为4个管理域进行仿真验证。仿真结果表明,所提算法可以有效地降低业务的平均时延,并且在业务拒绝率、网络资源利用率方面均优于传统方法。     

网络卫星在轨分布式协同任务调度方法

针对网络条件下卫星执行多目标观测任务的自主调度问题,本文设计了一种"Sandwich"空间信息网络体系架构,通过网络传输延时仿真分析,其传输时延为毫秒级别,略优于传统中继方式,该网络传输效能适合多任务需求下实施在轨分布式协同计算;在此基础上,提出了一种分布式断链重连算法,可突破单星计算资源限制,提高在轨计算能力。仿真结果表明:相比单星计算,可有效缩短任务调度约一半时间;利用树莓派和无线网络搭建了分布式调度演示系统,完成了该算法的工程实现。该方法可满足组网状态下面向多任务的各类对地观测、天基探测类卫星的空间在轨自主任务规划调度需求,为空间信息网络的进一步研究和应用奠定技术基础。     

云数据库中等宽直方图的分布式并行构造方法

直方图能够直观的表示数据分布状况,在数据库查询优化中起着重要作用。为了更高效的利用计算集群中计算资源构建直方图,基于关系型云数据库提出一种直方图的分布式并行构造方法。集群中应用请求节点通过对经RPC协议传输的工作节点最值数据比较得到数据库表的全局最大值、最小值,依次将全局最值信息传送至集群中相关工作节点,使各工作节点能够在本地构建范围相同的等宽直方图,最后应用请求节点依据多个工作节点的直方图信息数据进行合并。算法利用分布式并行思想实现了关系型云数据库中直方图的构建,将计算任务划分成多个小任务并行执行,与基于MapReduce架构的直方图构建方法相比,该方法中不需要传输数据库表数据,解决了大数据环境下直方图构建过程中的网络传输量问题。     

面向时延敏感业务的服务功能链部署

服务卸载和雾/边缘计算为解决云网络的延迟提供了新的范例。然而,目前关于服务卸载的研究大多考虑将正在运行的计算服务从手机或云网络卸载到雾/边缘计算网络。但是,在卸载的过程中,它会消耗额外的资源并影响用户的体验。因此,该文在部署服务功能链(SFC)时,考虑通过有效的在线博弈决策,将每条服务功能链的部分虚拟网络功能(VNF)卸载并部署到雾/边缘网络中,从而满足用户的时延要求。该文提出了一种基于服务卸载和在线博弈的最小化时延的服务功能链部署算法(DSFCD-SOOG),将有效的在线博弈和服务卸载决策相结合,在云雾计算网络中部署服务功能链,以减少服务功能链的端到端时延。最后,该文验证了DSFCD-SOOG算法在服务功能链部署中的资源效率、时间效率和阻塞率方面的优越性。     

基于模糊聚类的云计算集群资源调度算法

针对现有的云计算集群资源调度算法具有的负载不均衡和在线动态适应能力不强的缺点,提出了一种基于模糊聚类的云计算动态集群资源调度算法。首先,构建了云计算环境下的资源调度模型。然后采用模糊聚类对云计算集群资源进行聚类,根据节点与所有聚类中心的距离判断是否需要增减聚类数量。当新任务到来时,自动计算其到各个聚类中心的距离,将具有最小聚类距离的聚类中心分配给该任务。在Cloudsim环境下进行仿真试验,结果表明该方法能有效地实现云计算集群资源的动态调度,且较其它方法相比,具有反应实时和负载均衡的优点,是一种适合云计算环境的可行任务调度方法。     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.     

基于云计算的分布式数据挖掘平台架构

针对互联网上数量众多的网站带宽资源长期浪费或突发资源短缺、响应时间长、服务器宕机、网站受到黑客攻击等问题,提出了基于＂云＂的分布式web安全系统及基于云计算的分布式数据挖掘平台架构,并在此基础上提出了一种新型的分布式数据挖掘模式,利用云计算技术,可以方便地通过网络获取强大的计算能力和存储能力,将消耗大量资源的复杂计算通过网络路由优化和资源约束自适应策略分布到多节点上进行,然后通过组合不同数据站点上的局部数据模型,最终得到全局数据模型。     

基于深度强化学习的边云协同串行任务卸载算法

在移动边缘计算任务卸载问题中,传统卸载算法仅考虑移动设备和边缘服务器计算资源,在资源利用、系统效能上存在一定的局限性.该文基于RainbowDQN算法,考虑了延迟、能耗成本和服务质量保证等因素,提出了一种边缘云协同串行任务卸载算法(ECWS-RDQN).该算法通过对串行任务的权重分配,实现了网络边缘和云端协同的串行任务...     

面向车辆边缘计算的任务合作卸载

随着物联网技术和人工智能技术的飞速发展，车辆边缘计算越来越引起人们的注意。车辆如何有效地利用车辆周边的各种通信、计算和缓存资源，结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元，已经成为目前车联网研究的热点。由于车辆应用设备有限的计算资源，车辆用户的任务计算需求无法满足，需要充分利用车辆周边的计算资源来计算任务。本文研究了车辆边缘计算中任务的合作卸载机制，以最小化车辆任务的计算时延。首先，设计了任务合作卸载的三层系统架构，考虑了车辆周边停泊车辆的计算资源以及路边单元的计算资源，组成云服务器层、停泊车辆合作集群层和路边单元合作集群层的三层架构。通过路边单元合作集群和停泊车辆合作集群的合作卸载，充分利用系统的空闲计算资源，进一步提高了系统的资源利用率。然后，基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分，并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后，通过将本文算法和其他算法方案的进行实验对比，仿真结果表明，本文算法在系统时延和系统吞吐量方面具有更好的性能表现，可以降低23%的系统时延，并且能提升28%的系统吞吐量。     

一种招投标机制的多星自主协同任务规划方法

针对多星自主协同遥感背景下非预期任务的快速响应问题,考虑到星上计算资源有限、计算能力较弱等特点,为寻找一种满足星上自主任务规划能力需求的优化算法,提升遥感卫星星群在非预期情况下的快速响应能力,通过多星自主协同规划问题建模、算法设计和仿真分析等模型及算法研究,提出了一种基于招投标机制的自主任务规划方法.该方法首先针对多星自主协同任务规划问题,构建了星上自主任务规划的数学模型,进而在问题求解过程中将一次完整的任务规划合理分解为招标、投标和评标3个过程,并详细设计了求解流程及相应的约束检验规则,由此得到基于招投标机制的多星自主协同任务规划求解算法.该方法与常用智能优化方法相比,能够显著降低计算量,更加适应星上紧张的计算资源约束.通过仿真算例结果表明,针对典型的非预期任务,算法平均仿真运行时间约为1 s,能够在40 s内完成对非预期任务的响应,并且充分保证了原规划任务的完成率,基于此验证了该方法的有效性与正确性.     

云计算和自由视点视频相结合的实时监控系统

为有效解决系统计算资源以及存储能力的局限问题,提出一种基于云计算和自由视点技术相结合并且用于3D实时显示的移动视频监控方案.该方案通过使用随机接入云计算技术获取视频信息,并对采集到的视频进行分布式处理与传输,然后获取自由视点的成像,进而绘制3D视频.提出的方案可以使用户通过便携式移动设备自主选择观看角度,获取3D视频.该体系结构实现了云计算技术、自由视点技术以及2D转3D视频等多种技术的整合.基于云计算的三维图像和传输系统是一种提高视觉效果并且可用于事故现场的全新系统.