车辆边缘计算环境下任务卸载研究综述

计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战,将任务卸载到传统的云平台会有较大的传输延迟,而移动边缘计算专注于将计算资源转移到网络的边缘,为移动设备提供高性能、低延迟的服务,因此可作为处理计算密集和延迟敏感的任务的一种有效方法.同时,鉴于城市地区拥有大量智能网联车辆,将闲置的车辆计算资源充分利用起来可以提供巨大的资源和价值,因此在车联网场景下,结合移动边缘计算产生了新的计算模式——车辆边缘计算.近年来,智能网联车辆数量的增长和新兴车辆应用的出现促进了对车辆边缘计算环境下任务卸载的研究,本文对现有车辆边缘计算环境下任务卸载研究进展进行综述,首先,从计算模型、任务模型和通信模型三个方面对系统模型进行梳理、比较和分析.然后介绍了最小化卸载延迟、最小化能量消耗和应用结果质量三种常见的优化目标,并按照集中式和分布式两种不同的决策方式对现有的研究进行了详细的归类和比较.此外,本文还介绍了几种常用的实验工具,包括SUMO、Veins和VeinsLTE.最后,本文围绕卸载决策算法复杂度、安全与隐私保护和车辆移动性等方面对车辆边缘计算任务卸载目前面临的挑战进行了总结,并展望了车辆边缘计算环境下任务卸载未来的发展方向与前景.     

基于延迟敏感应用的边云协同方案

智能设备存在着存储能力以及计算能力不足的问题,导致无法满足计算密集型和延迟敏感型应用的服务质量要求。边缘计算和云计算被认为是解决智能设备局限性的有效方法。为了有效利用边云资源,并在延迟和服务失败概率方面提供良好的服务质量,首先提出了一种三层计算系统框架,然后考虑到边缘服务器的异构性和任务的延迟敏感性,在边缘层提出了一种高效的资源调度策略。三层计算系统框架可以根据应用程序的延迟敏感性提供计算资源和传输时延,保证了边缘资源的有效利用以及任务的实时性。仿真结果验证了所提资源调度策略的有效性,并表明该调度算法优于现有传统方法。     

面向多边缘设备协作的任务卸载和服务缓存在线联合优化机制

移动边缘计算通过在边缘设备上部署通信、计算、存储等资源,有效克服传统云计算存在的传输距离较长、响应时延过慢等问题,满足新兴的计算密集型和时延敏感型应用的服务需求.然而,移动边缘计算中存在边缘设备资源有限且多边缘设备间负载不均衡的问题.为了解决上述问题,多边缘设备协作成为一种必然趋势.然而,多边缘设备协作面临任务卸载与服...     

移动边缘计算中资源受限的串行任务卸载策略

云计算和移动互联网的不断融合，促进了移动云计算的产生和发展，但是其难以满足终端应用对带宽和延迟的需求.移动边缘计算在靠近用户的网络边缘提供计算和存储能力，通过计算卸载，将终端任务迁移至边缘服务器上面执行，能够有效降低应用延迟和节约终端能耗.然而，目前针对移动边缘环境任务卸载的主要工作大多考虑单个移动终端和边缘服务器资源无限的场景，这在实际应用中存在一定的局限性.因此，针对边缘服务器资源受限下的任务卸载问题，提出了一种面向多用户的串行任务动态卸载策略（multi-user serial task dynamic offloading strategy，简称MSTDOS）.该策略以应用的完成时间和移动终端的能量消耗作为评价指标，遵循先来先服务的原则，采用化学反应优化算法求解，充分考虑多用户请求对服务器资源的竞争关系，动态调整选择策略，为应用做出近似最优的卸载决策.仿真结果表明，MSTDOS策略比已有算法能够取得更好的应用性能.     

边缘计算中任务卸载研究综述

近年来,随着移动智能设备的普及以及5G等无线通信技术的发展,边缘计算作为一种新兴的计算模式被提出,作为传统的云计算模式的扩展与补充.边缘计算的基本思想是将移动设备上产生的计算任务从卸载到云端转变为卸载到网络边缘端,从而满足实时在线游戏、增强现实等计算密集型应用对低延迟的要求.边缘计算中的计算任务卸载是一个关键的研究问题...     

移动边缘计算中基于Stackelberg博弈的卸载和定价算法

移动边缘计算(Mobile Edge Computing,MEC)能够将计算密集型任务传输到MEC服务器上执行,相比移动云计算,延迟更低。然而MEC服务器的计算资源有限,需要设计合理的移动边缘计算卸载和定价策略。为此,针对计算资源有限的MEC服务器与多用户设备的场景进行了研究,其中每个用户设备都有一个可分割的任务并且可以选择卸载到MEC服务器上执行的卸载量,同时考虑到了任务的本地执行部分和卸载执行部分不能同时开始执行的情形。首先,根据用户设备卸载量和服务器定价的关系建立Stackelberg博弈;然后证明博弈存在纳什均衡,并采用差分进化算法寻找服务器定价的最佳策略;最后迭代求出用户设备的最优卸载量和MEC服务器的最优定价。仿真实验结果表明,所提出的算法可以提高服务器的利润和用户的效用,从而实现双赢。     

面向移动边缘的组合服务选择及优化

移动边缘计算作为新型的计算范式,为降低网络延迟、能耗开销提供了新的思路.其将中心云的强大算力下沉至网络边缘,使得用户能够将计算任务卸载至物理位置更近的边缘服务器执行,从而节省经由核心网的时延与能耗开销.然而,由于移动边缘计算技术通常受到计算资源、网络传输带宽、设备电量等因素的制约,如何在有限的资源中获取最大的利用率成为...     

面向非正交多址的车联网中资源优化方案

为了解决车辆端计算能力不足、任务处理时延大、能源消耗多、无线资源缺乏等问题,该文考虑利用非正交多址技术进行任务上传和数据包下载的车辆边缘计算系统,对系统的卸载决策、缓存决策、计算和缓存资源的分配进行联合优化.由于车辆需要在动态网络环境下实时确定任务卸载和缓存策略,提出了一个以移动边缘计算服务器平均能耗最小化为目标的随机...     

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.     

面向边缘设备的高能效深度学习任务调度策略

近年来,深度学习在图像和自然语言处理等诸多领域表现出色,与深度学习相关的各类移动应用发展迅速,但由于移动网络状态的不稳定性及网络带宽的限制,基于云计算的深度模型任务可能出现较大响应延迟,严重影响用户体验.与此同时,深度模型对设备的计算及存储能力有较高的要求,无法直接在资源受限的移动设备中进行部署.因此,亟须设计一种新的计算模式,使得基于深度模型的移动应用能够满足用户对快速响应、低能耗及高准确率的期望.本文提出一种面向边缘设备的深度模型分类任务调度策略,该策略通过协同移动设备与边缘服务器,充分利用智能移动终端的便捷性和边缘服务器强大的计算能力,综合考虑分类任务的复杂度和用户期望,完成深度模型在移动设备和边缘服务器中的动态部署,并对推理任务进行动态调度,从而提升任务执行效率,降低深度学习模型推理开销.本文以基于卷积神经网络的图像识别应用为例,实验结果表明,在移动环境中,相比于准确率最高的深度模型,本文提出的高能效调度策略的推理能耗可降低93.2%、推理时间降低91.6%,同时准确率提升3.88%.