雾计算辅助的无线体域网任务卸载方法

基于无线体域网（Wireless Body Area Network,WBAN）的智慧医疗在取得广泛关注的同时也面临诸多挑战,传统方法引入云计算解决体域网网关设备（HUB）资源受限问题,但实时性差。采用低时延的雾计算辅助的方法对体域网生理数据进行处理,提出了一种雾计算目标节点优化选择及任务卸载方法。该方法充分考虑紧急任务的实时性需求,采用抢占式任务调度及有效的资源分配方式降低紧急任务的总时延。同时该方法根据任务紧急与否自适应调整目标节点的评价尺度,在紧急情况下,以时延及任务负载最小为优化目标,在非紧急情况下,以时延及可靠性为优化目标以确定目标任务卸载目标节点。仿真结果表明,该方法可以有效提升系统的实时性,保证系统的可靠性,尤其是可以在很大程度上降低紧急任务处理时延,满足紧急任务的低时延需求。     

基于雾计算的能耗最小化公平计算迁移研究

针对现有雾计算网络的迁移优化研究主要集中在降低任务计算时延及能量消耗上,缺乏融合考虑雾节点选择的公平性,该文提出了一种面向雾计算网络的能耗最小化公平计算迁移机制.具体地,构建了一个最小化所有任务完成总能耗的优化问题,充分考虑了任务迁移比、传输功率和雾节点选择的联合优化;基于上述优化问题,提出一种任务迁移候选目的节点集生...     

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.     

基于雾计算的计算资源分配方案

雾计算可以为用户提供近距离的数据存储、计算和其他服务，因此雾计算中的任务调度和资源分配已经成为一个新的研究热点。考虑终端用户和雾设备通常处于一种相对开放的状态，扩展了雾计算的体系结构，提出一种开放式雾计算环境中基于稳定匹配的计算资源分配方案，利用雾网络中动态的计算资源协同为用户提供计算服务并收取计算收益，同时终端用户向雾服务器提交任务请求并支付一定的费用。基于稳定匹配的思想，利用子任务的优先级列表、子任务和计算服务设备的偏好列表解决子任务与计算服务设备的分配问题，保证任务的完成时间和计算服务设备的收益。通过实验对方案性能进行了分析，实验结果表明该方案的资源分配时间相对稳定，且在执行雾计算任务时延以及任务违规率上都优于SGA算法和ACOSA算法。     

一种基于深度强化学习与概率性能感知的边缘计算环境多工作流卸载方法

移动边缘计算是一种新兴的分布式和泛在计算模式,其将计算密集型和时延敏感型任务转移到附近的边缘服务器,有效缓解了移动终端资源不足的问题,显著减小了用户与计算处理节点之间的通信传输开销.然而,如果多个用户同时提出计算密集型任务请求,特别是流程化的工作流任务请求,边缘计算环境往往难以有效地进行响应,并会造成任务拥塞.另外,受...     

基于延迟接受的多用户任务卸载策略

随着人工智能的应用对计算资源的要求越来越高,移动设备由于计算能力和存储能量有限而无法处理这类有实时性需求的计算密集型应用.移动边缘计算(Mobile Edge Computing,MEC)可以在无线网络边缘提供计算卸载服务,达到缩短时延和节约能源的目的.针对多用户依赖任务卸载问题,在综合考虑时延与能耗的基础上建立用户依...     

物联网的边界计算模型：雾计算

在物联网和云计算带来技术变革和带动产业发展的过程中,由于网络接入设备激增,而网络带宽有限的情况下,思科公司推出了雾计算的概念。首先探讨雾计算的特征和应用模式,然后分析雾计算的＂雾节点＂与云计算的＂云节点＂以及物联网的＂物节点＂的互操作方法,并总结了雾计算的用例,最后给出了前景展望。     

基于雾计算的智能医疗三方认证与密钥协商协议

在智能医疗中,将云计算技术与物联网技术结合,可有效解决大规模医疗数据的实时访问问题.然而,数据上传到远程云服务器,将带来额外的通信开销与传输时延.借助雾计算技术,以终端设备作为雾节点,辅助云服务器在本地完成数据存储与访问,能够实现数据访问的低延迟与高移动性.如何保障基于雾计算的智能医疗环境的安全性成为近期研究热点.面向基于雾计算的智能医疗场景,设计认证协议的挑战在于:一方面,医疗数据是高度敏感的隐私数据,与病人身体健康密切相关,若用户身份泄漏或者数据遭到非法篡改将导致严重后果;另一方面,用户设备和雾节点往往资源受限,认证协议在保护用户隐私的同时,需要实现用户、雾节点、云服务器之间的三方数据安全传输.对智能医疗领域两个具有代表性的认证方案进行安全分析,指出Hajian等人的协议无法抵抗验证表丢失攻击、拒绝服务攻击、仿冒攻击、设备捕获攻击、会话密钥泄漏攻击;指出Wu等人的协议无法抵抗离线口令猜测攻击、仿冒攻击.提出一个基于雾计算的智能医疗三方认证与密钥协商协议,采用随机预言机模型下安全归约、BAN逻辑证明和启发式分析,证明所提方案能实现双向认证与会话密钥协商,并且对已知攻击是安全的;与同类...     

物联网低时延云雾混合网络负载均衡策略

为减少Io T中负载均衡时带来的服务时延,提出一种面向Io T的低时延云雾混合网络架构及其负载均衡策略.构建云雾混合网络,将物联网设备的有限功能要求应用程序合理分配到云和雾计算中;将物联网服务请求的均衡建模成一个优化问题,最小化服务请求的总时延,设计相应的约束条件;利用改进的蝙蝠算法(B A)求解云雾网络负载均衡优化问题,将每个边缘终端分配到距离最近的雾设备上,合理分配云雾计算资源,实现服务总时延最小.基于离散事件仿真器构建仿真模型对所提策略进行实验测试,结果表明相比于其它策略,所提策略的总时延降低了20％ 以上.     

基于移动计算的车联网位置隐私问题探究

论文探讨了车联网车的位置隐私问题,通过联网系统模型建立以及假名分发方案的求证与仿真,就车辆假名提出了相应的管理框架,并制定了以位置隐私保护为目的的假名方案,基于此进行了假名更换是否具有安全性的评估工作。而所有的研究都建立在雾计算概念基础上。当前,雾计算技术正处于萌芽阶段,从技术层面来说,雾计算有着比云计算更强的优势,比如可以覆盖更广的空间、时延也更低,传感器网络具有丰富的节点,所以可以连接更多的边缘网络设备,上述优势都可以作为车联网假名管理强有力的技术支持。由此可知,论文所进行的研究与互联网“去中心化”的特点相吻合。从论文研究的仿真效果来看,假名管理全部包含在假名雾的模块之中,车辆通信成本大为降低,车辆的网络安全问题也得到了有效解决。因此,车辆的隐私问题可以随机数序列在科学研究和工程技术等方面得到了广泛的应用,其作用越来越重要。     

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...     

一种基于遗传算法的多边缘协同计算卸载方案

边缘计算(Edge Computing,EC)作为云计算的补充,在处理lOT设备产生的计算任务时可以保证计算的延时符合系统的要求.针对在传统卸载场景中,由于计算任务到达存在空窗期导致异地边缘云存在空闲状态,造成异地边缘云利用不充分的问题,文中提出了一种基于遗传算法的多边缘与云端协同计算卸载模型(Genetic Algo...     

基于负载均衡的VEC服务器联合计算任务卸载方案

在车载边缘计算(Vehicular Edge Computing,VEC)网络中,车辆计算资源受限导致无法处理海量的计算任务,需要将车载应用产生的计算任务卸载到VEC服务器上进行处理.但车辆的移动性和区域部署的差异性易导致VEC服务器负载不均衡,造成了计算卸载效率和资源利用率降低.为解决该问题,提出一种计算卸载和资源分...     

基于能耗与延迟优化的移动边缘计算任务卸载模型及算法

随着移动边缘计算的兴起,如何处理边缘计算任务卸载成为研究热点问题之一。针对多任务-多边缘服务器的场景,本文首先提出一种基于能量延迟优化的移动边缘计算任务卸载模型,该模型考虑边缘设备的剩余电量,使用时延、能耗加权因子计算边缘设备的总开销,具有延长设备使用时间、减少任务卸载时延和能耗的优点。进一步提出一种基于改进遗传算法的移动边缘计算任务卸载算法,将求解最优卸载决策的问题转化为求解种群最优解的问题。对比仿真实验结果表明,本文提出的任务卸载模型和算法能够有效求解任务卸载问题,改进后的任务卸载算法求解更精确,能够避免局部最优解,利于寻找最优任务卸载决策。     

面向优先级任务的移动边缘计算资源分配方法

目前移动边缘计算中的资源分配方法,多数按照任务请求计算卸载的时间顺序分配计算资源,未考虑实际应用中任务存在优先级的问题。针对此类情况下的计算需求,提出一种面向优先级任务的资源分配方法。根据任务平均处理价值赋予其相应的优先级,对不同优先级的任务进行计算资源加权分配,在保证高优先级任务获取充足计算资源的同时,减少完成所有任务计算的总时间及能耗,从而提高服务质量。仿真结果表明,与平均分配、按任务数据量分配和本地计算方法相比,该方法的计算时延分别降低83.76%、15.05%和99.42%,能耗分别降低84.78%、17.37%和87.69%。     

Resource provisioning in collaborative fog computing for multiple delay-sensitive users

Fog computing is an emerging paradigm that supplies storage, computation, and networking resources between traditional cloud data centers and end devices. This article focuses on the resource provisioning problem in collaborative fog computing for multiple delay-sensitive users. Our goal is to implement a resource provisioning strategy for network operators to minimize the total monetary cost by considering the deadline and capacity constraints. Two scenarios are considered: unlimited-processor fog nodes (UPFN) and limited-processor fog nodes (LPFN). In either scenario, we prove that the resource provisioning problem is NP-hard. First, we consider the UPFN scenario that the processors of fog nodes are unlimited and users' requests can be ideally processed in parallel. Two algorithms are proposed which greedily delete fog nodes based on the local or global collaborative influences until there is no feasible provisioning to guarantee the deadline of users. Then we extend the resource provisioning problem to a more realistic and complicated scenario LPFN in which the scheduling delay cannot be ignored. Two types of tasks are considered. One is the arbitrarily divided tasks, and a near-optimal solution bounded by has been found. m is the number of fog nodes, and is the upper bound on the Lipschitz constant of the delay function. Another one is the application-driven tasks, and we propose a heuristic algorithm. Extensive experiments validate the efficiency of the proposed algorithms.     

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。     

多无人机协同直播场景下自适应任务卸载决策

针对多无人机协同执行任务过程中计算量大和能耗高的问题,基于计算卸载原理以及博弈理论,提出一种多无人机自适应任务卸载方案.在方案中首先对系统进行建模,构造出多节点相互制约的移动卸载模型;其次,根据卸载模型分别构建无人机执行任务时的时延与能耗计算方法,通过综合考虑延时和能耗两方面因素,生成系统全局代价函数;然后,设计出基于博弈理论和纳什均衡的自适应任务卸载算法,通过卸载算法与权重的分配实现最优计算节点的选取,实现整个直播系统的代价最小,从而平衡无人机计算时延与能量消耗;最后,与现有卸载模型相比,所提出的方案在任务执行过程中具有较强的移动性,能耗更低且时效性更高.仿真结果验证了所提出理论的有效性,具有现实意义.     

车联网中基于DDQN的边云协作任务卸载机制

面对车载终端数据计算量的爆炸式增长,计算卸载是缓解车辆资源不足的有效手段。相比于单独研究云计算或边缘计算,让两者相互协作可以实现优势互补,提高系统的整体服务质量。在车联网中,制定适应环境动态性的卸载决策存在较大困难,其中任务的紧急程度也是一个不容忽视的因素。构建一个基于软件定义网络的边云协作任务卸载架构,并设计任务优先级的度量标准,将动态环境中的任务卸载决策问题建模为马尔可夫决策过程,从而最大化由时延和成本构成的任务平均效用。为了求解任务卸载决策,提出基于双深度Q网络的任务卸载决策算法以及基于优先级的资源分配方案,并设计一种卸载比例计算方法,以保障卸载的任务量能够在通信时间内上传完成的同时最小化任务处理时延。实验结果表明,相比于全部本地、全部卸载和平均分配资源3种固定的卸载算法,该算法时延和效用性能提高了2倍以上,在车辆数目适中的情况下,任务的完成比例可以稳定保持在100%。