工业物联网中基于SMDP的协同卸载方案

为解决工业物联网(IIoT)场景中计算资源紧缺的问题,在IIoT中引入边缘计算技术,充分利用并合理分配多接入边缘计算(MEC)服务器有限的计算能力解决IIoT中部分计算任务。首先通过分析IIoT中工业设备进行服务请求和小区范围内的MEC服务器接受服务请求这一过程,构建了多MEC协同计算卸载模型;其次,基于模型中需要分析复杂的系统环境信息并进行序列决策的特点,将系统时延和能耗总收益最大化的资源分配问题构建为半马尔可夫决策过程(SMDP);然后依据边缘网络中的通信传输时延和MEC计算资源构建折扣奖励函数,利用贝尔曼方程分析系统状态并得到状态值函数;最后根据状态值函数和折扣奖励,通过SMDP的状态值迭代获得最佳卸载和资源分配方案。仿真结果表明,所提方案优化了系统拒绝服务率以及系统效益。     

邻域感知的分布式智能边缘计算卸载和资源分配算法

随着大量计算密集型和时延敏感型任务的出现,利用移动边缘计算(mobile edge computing,MEC)来提高用户体验并降低系统能耗已成为研究热点.然而,在密集部署的MEC网络场景下,无线网络状态复杂的空间相关性和动态性给卸载方案的制定带来了严峻挑战.本文针对多基站多用户MEC网络场景,研究了一种智能协作的计算卸载和资源分配算法.首先,提出了卸载决策、信道分配、传输功率分配和计算资源分配的联合优化问题,旨在用户时延约束下最小化系统的能耗.其次,由于该问题是一个混合整数非线性规划问题,本文提出了一种基于图注意力网络的混合动作多智能体强化学习算法(graph attention network-based hybrid-action multi-agent reinforcement learning, Gat-HMARL),将基站作为智能体并配置该算法. Gat-HMARL算法通过图注意力网络捕捉无线网络状态之间潜在的空间相关性,使基站有选择性地关注邻域中其他基站的无线网络状态信息,从而学习更优的计算卸载和资源分配策略.最后,仿真结果表明Gat-HMARL与基准算法相比在性能上有...     

面向IoT的两级多接入边缘计算节能卸载策略

多接入边缘计算（multi-access edge computing,MEC）技术将计算和存储资源下沉到网络边缘,可大幅提高物联网（Internet of things,IoT）系统的计算能力和实时性。然而,MEC往往面临计算需求增长和能量受限的约束,高效的计算卸载及能耗优化机制是MEC技术中重要的研究领域。为保证计算效率的同时最大程度提升计算过程中的能效,提出了两级边缘节点（edge nodes,ENs）中继网络模型,并设计了一种计算资源及信道资源联合优化的最优能耗卸载策略算法（optimal energy consumption algorithm,OECA）。将MEC中的能效建模为0-1背包问题;以最小化系统总体能耗为目标,系统自适应地选择计算模式和分配无线信道资源;在Python环境下仿真验证了算法性能。仿真结果表明,相比于基于有向无环图的卸载策略算法（directed acyclic graph algorithm,DAGA）,OECA可将网络容量提升18.3%,能耗缩减13.1%。     

支持MEC的天地一体化网络下任务卸载和资源分配

针对天地一体化网络(Integrated Satellite-Terrestrial Network, ISTN)高动态、时延敏感的特性,用户服务质量(Quality of Service, QoS)保障成为新的研究重点。为此,在天地一体化网络场景下使用移动边缘计算(Mobile Edge Computing, MEC)技术,在低轨道(LEO)卫星上部署MEC服务器,通过排队理论分析场景的时延成本,提出任务卸载和资源分配的联合优化方案。为最小化用户与LEO卫星的传输时延,基于凸优化理论给每个用户分配最优的带宽资源。基于整数规划在多项式时间内给出接近全局最优的任务卸载决策。仿真结果表明提出算法与低复杂度的启发式算法相比,减少了20%的总时延成本,验证了ISTN(Integrated Satellite-Terrestrial Network)下通过MEC技术保障地面用户QoS的可行性和有效性。     

矿用5G网络切片技术研究

网络切片是5G网络的一项重要技术,现有矿用5G研究主要集中于系统架构及应用场景,缺乏对切片技术具体实现方案的研究。针对该问题,通过分析矿用5G网络的基本结构及智能矿山的应用需求,提出利用FlexE的通道化功能实现传输网的资源分配及业务隔离,从而在同一网络基础设施上构建多个按需定制的专用逻辑网络,即网络切片。根据当前矿用信息通信系统及智能矿山应用情况,提出矿用5G网络基础切片划分+基于带宽权重的传输资源分配方法,将网络划分为低时延业务、大带宽业务、工业环网业务、特定业务（无人化协同控制）及预留业务5类切片,并通过进一步的虚拟专用网（VPN）划分方法,设计差异化的带宽权重,以确保充足的传输资源,避免信道拥塞。根据不同业务对时延、带宽的要求,定义具体的5G QoS标志符（5QI）,并根据5QI进行业务映射及隔离,为各类业务提供所需的服务级别。在实验室条件下,对矿用5G网络系统的业务调度时间和端到端时延2项指标进行测试,结果表明：网络切片与传统的尽力而为服务模型相比,能够实现更加高效的业务调度,在高负载的场景下,平均调度时间减少了10.9%;在同一业务切片内,矿用5G网络的平均端到端时延为10...     

边缘环境下计算密集型应用的卸载技术研究

移动边缘计算（Mobile Edge Computing,MEC）中的计算卸载技术通过将终端设备的计算任务卸载到网络边缘处,以解决云计算中心时延长、能耗大和负载高等问题。介绍了MEC的概念、目前主流的MEC网络架构和部署方案。从卸载决策方面对MEC环境下计算密集型应用的卸载技术进行了详细研究,从最小化时延、最小化能耗、权衡时延和能耗及最大化收益为优化目标的4种计算卸载方案进行了分析和对比,并总结出各自的关键研究点。通过分析5G环境下MEC卸载技术的发展趋势,介绍了支持5G的IIoT-MEC网络部署架构,在此基础上分析了基于深度强化学习的轻量级任务卸载策略和基于D2D协作的MEC卸载策略。总结和归纳了目前MEC中计算卸载技术所面临的卸载决策、干扰管理、移动性管理等方面的核心挑战。     

MEC中资源分配与卸载决策联合优化策略

针对移动边缘计算(MEC)中用户任务处理时延与能耗过高的问题,提出了"云-边-端"三层MEC计算卸载结构下的资源分配与卸载决策联合优化策略.首先,考虑系统时延与能耗,将优化问题规划为系统总增益(任务处理时延与能耗相对减少的加权和)最大化问题;其次,为用户任务设置优先级,并根据任务数据量初始化卸载决策方案;然后,采用均衡...     

基于终端直通通信的多用户计算卸载资源优化决策

随着计算密集和时延敏感类应用的激增,移动边缘计算（MEC）被提出应用在网络边缘为用户提供计算服务。针对基站（BS）端边缘服务器计算资源有限以及网络边缘用户远距离计算卸载的时延较长等问题,提出了基于终端直通（D2D）通信的多用户计算卸载资源优化决策,将D2D融入MEC网络使用户以D2D方式直接卸载任务到相邻用户处执行,从而能够进一步降低卸载时延和能耗。首先,以最小化包括时延和能耗的系统计算总开销为优化目标,建模多用户计算卸载和多用户计算资源分配的联合优化问题;然后,将求解该问题看作是一个D2D配对过程,并提出基于稳定匹配的低复杂度的多用户计算卸载资源优化决策算法;最后,迭代求解D2D卸载的优化分配决策。通过理论证明分析了所提算法的稳定性、最优性和复杂度等特性。仿真结果表明,所提算法相较于随机匹配算法能够有效降低10%~33%的系统计算总开销,并且其性能非常接近最优的穷举搜索算法。可见,所提基于D2D卸载的决策有利于改善时延和能耗开销性能。     

一种去中心化的在线边缘任务调度与资源分配方法

创新移动应用迅速发展和5G通讯技术的成熟落地引发了终端用户对计算资源下沉至边缘的巨大需求,从而推动了多接入边缘计算(Multi-access Edge Computing,MEC)概念的提出和发展.在MEC环境中,用户可以将移动任务卸载到周围部署的边缘服务器上来加速移动应用.尽管边缘服务器可以在近用户端提供低时延、高响应性的服务,但其仍面临计算资源有限和用户请求多样带来的挑战,因此需要效率高、实时性强的任务调度与资源分配策略来合理地利用边缘资源.然而,目前针对MEC环境下任务调度和资源分配的方法大多基于中心化架构,并以批处理的方式对某个时间段到达任务进行统一调度与资源分配,因此在面对异构复杂的MEC资源网络和高时延敏感用户需求时具有一定的局限性,此外传统方法还缺少对任务多样性和优先级的考量.针对上述问题,本文提出了一种去中心化的在线任务调度与资源分配方法D-TSRA,该方法以任务优先级加权的卸载响应时间为评价指标,由实时任务调度策略、边缘资源分配策略、和运行时任务迁移策略组成.基于真实边缘环境下数据集的实验表明本文所提出的D-TSRA方法与传统任务调度与资源分配方法相比最多能够减少34...     

MEC中卸载决策与资源分配的深度强化学习方法

在移动边缘计算（MEC）服务器计算资源有限且计算任务具有时延约束的情况下,为缩短任务完成时间并降低终端能耗,提出针对卸载决策与资源分配的联合优化方法。在多用户多服务器MEC环境下设计一种新的目标函数以构建数学模型,结合深度强化学习理论提出改进的Nature Deep Q-learning算法Based DQN。实验结果表明,在不同目标函数中,Based DQN算法的优化效果优于全部本地卸载算法、随机卸载与分配算法、最小完成时间算法和多平台卸载智能资源分配算法,且在新目标函数下优势更为突出,验证了所提优化方法的有效性。     

移动边缘计算不确定性任务持续卸载及资源分配方法

移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.     

MEC联合资源分配与计算卸载的效益

针对资源受限的移动边缘计算(MEC)卸载问题,提出一种基于遗传算法优化的卸载决策与计算资源分配方法(GAO).建立联合时延、能耗以及卸载费用的系统卸载效益模型,提出最小资源分配阈值;引入改进的遗传算法求解效益最大化问题,针对该问题提出一种两段式的染色体结构和遗传算子.进行仿真实验,对比分析随机卸载决策与平均计算资源分配...     

超密集网络中基于多基站博弈均衡的分布式无线资源管理算法

移动边缘计算和超密集网络技术在扩大移动设备计算能力和增加网络容量方面有明显的优势.然而,在两者融合的场景下,如何有效降低基站之间的同信道干扰,减少任务传输的时延和能耗是一个重要研究课题.本文设计了一个基于多基站博弈均衡的分布式无线资源管理算法.将小基站之间的无线资源管理问题转化为博弈问题,提出一种基于奖励驱动的策略选择算法.基站通过迭代不断更新其策略的选择概率,最终优化子信道分配和发射功率的调控.仿真结果表明,我们的算法在提高信道利用率和降低任务处理的时延和能耗方面具有优势.     

5G动态异构场景下无线回程优化算法

为解决面向5G动态异构场景的无线回程问题,提出一种考虑时延抖动的无线回程优化算法。对5G动态异构场景下的时延和时延抖动问题进行了系统的分析,建立了优化指标,进一步构建了基本回程模型。在此基础上,考虑时延优化需求,引入时延约束构建改进模型1;考虑网络超载情况,松弛信道个数分配变量构建改进模型2,进而提出相应分层算法进行快速求解。仿真结果表明,与三类已有无线回程优化算法相比,所提算法具有更优的时延抖动性能。     

移动边缘计算中基于粒子群优化的计算卸载策略

计算卸载作为移动边缘计算（MEC）中降低时延与能耗的手段之一,通过合理的卸载决策能够降低工业成本。针对工业生产线中部署MEC服务器后时延变长和能耗增高的问题,提出了一种基于粒子群优化（PSO）算法的计算卸载策略PSAO。首先,将实际问题建模为时延模型与能耗模型。由于是针对时延敏感型的应用,因此将模型转化为在能耗约束条件下的最小化时延问题,使用惩罚函数来平衡时延与能耗。其次,根据PSO算法优化后得到计算卸载决策向量,通过集中控制的方式使每一个计算任务合理分配到对应的MEC服务器。最后,通过仿真实验,对比分析了本地卸载策略、MEC基准卸载策略、基于人工鱼群算法（AFSA）的卸载策略以及PSAO的时延数据,PSAO的平均总时延远远低于其他三种卸载策略,PSAO比原来系统总代价降低了20%。实验结果表明,PSAO策略能够降低MEC中的时延,均衡MEC服务器的负载。     

基于深度强化学习的任务卸载和资源分配优化

移动边缘计算(MEC)可以在网络边缘为用户提供就近的存储和计算服务,从而为移动用户带来低能耗、低时延的优势。该文针对基于超密集网络(UDN)的多用户多MEC场景,从用户侧出发,以最小化用户计算总开销为目的,解决用户在卸载过程中的卸载决策和上传传输功率优化以及MEC计算资源分配问题。具体而言,考虑到该问题是一个具有NP-hard性质的MINLP问题,该文将该问题分解为两个子问题并通过两个阶段的方式进行求解。首先在第一个阶段设计了一种基于深度强化学习(DQN)的任务卸载决策来解决任务卸载子问题,然后在第二个阶段分别使用KKT条件以及黄金分割算法解决MEC计算资源分配和上行传输功率的优化问题。仿真结果表明,所提方案在保证用户时延约束的前提下,有效降低了用户的计算开销,提升了系统性能。     

一种基于移动边缘计算与波束赋形的任务分配算法

本文主要关注通信技术中两项较为热门的研究,分别是移动边缘计算(MEC)和天线波束赋形。MEC技术将信息一部分处理从云端移动到网络的边缘节点完成,混合波束赋形技术能通过码本控制波束相位,形成高增益的定向窄波束,以此获取更小的发射功率。本文针对MEC部分建立了一个马尔科夫链模型来模拟信息决策分配的过程,然后加入波束赋形的天线模型,将MEC算法的任务分配时延和能耗,与天线模型中的时延和能耗结合起来,并通过这个模型计算数学表达式,来得到能使得时延和能耗都较低的任务分配方案。     

面向5G/Beyond 5G的移动边缘缓存优化技术综述

随着移动设备和新兴移动应用的广泛使用,移动网络中流量的指数级增长所引发的网络拥塞、时延较大、用户体验质量差等问题无法满足移动用户的需求。边缘缓存技术通过对网络热点内容的复用,能极大缓解无线网络的传输压力;同时,该技术减少用户请求的网络时延,进而改善用户的网络体验,已经成为面向5G/Beyond 5G的移动边缘计算（MEC）中的关键性技术之一。围绕移动边缘缓存技术,首先介绍了移动边缘缓存的应用场景、主要特性、执行过程和评价指标;其次,对以低时延高能效、低时延高命中率及最大化收益为优化目标的边缘缓存策略进行了分析和对比,并总结出各自的关键研究点;然后,阐述了支持5G的MEC服务器的部署,并在此基础上分析了5G网络中的绿色移动感知缓存策略和5G异构蜂窝网络中的缓存策略;最后,从安全、移动感知缓存、基于强化学习的边缘缓存、基于联邦学习的边缘缓存以及Beyond 5G/6G网络的边缘缓存等几个方面讨论了边缘缓存策略的研究挑战和未来发展方向。     

基于边缘计算的新型任务卸载与资源分配策略

针对移动边缘计算（MEC）中密集型任务卸载时，系统开销较大和延时抖动明显的问题，提出一种新型资源分配策略。首先在系统时延约束下，分析了系统任务执行开销与终端设备的资源分配机制；其次建立了基于计算卸载和任务分配的联合凸优化目标；最后采用拉格朗日乘子法进行迭代更新得到最优解。仿真结果表明，所提任务卸载与资源分配方案在保证用户服务质量的同时降低了任务执行开销，并有效提升了MEC系统性能。     

Wi-Fi网络下多AP协作边缘计算资源分配策略

近年来, AR/VR、在线游戏、4K/8K超高清视频等计算密集且时延敏感型应用不断涌现,而部分移动设备受自身硬件条件的限制,无法在时延要求内完成此类应用的计算,且运行此类应用会带来巨大的能耗,降低移动设备的续航能力.为了解决这一问题,本文提出了一种Wi-Fi网络多AP (access point)协作场景下边缘计算卸载和资源分配方案.首先,通过遗传算法确定用户的任务卸载决策.随后,利用匈牙利算法为进行任务卸载的用户分配通信资源.最后,根据任务处理时延限制,为进行任务卸载的用户分配边缘服务器计算资源,使其满足任务处理时延限制要求.仿真结果表明,所提出的任务卸载与资源分配方案能够在满足任务处理时延限制的前提下有效降低移动设备的能耗.