基于雾计算的智能无人机通信系统：架构与关键技术

无人机通信系统具有强视距、易部署等优势,是第六代移动通信系统（6G）的重要组成部分。另一方面,雾计算技术通过将算力部署至网络边缘,能够有效支撑多种新兴智能服务的性能需求。在无人机通信系统中结合雾计算,有望进一步增加容量、降低时延及提升服务质量,但二者如何结合,学界和业界尚未有明确方案。为此,提出了一种基于雾计算的智能无人机通信系统架构,并讨论了支持该架构的理论基础和关键赋能技术,最后展望了基于雾计算的智能无人机通信系统的未来发展方向及挑战。     

基于5G边缘计算的智能电网高性价比任务调度

针对智能电网环境中电力数据量庞大且对处理时效性要求高的问题,将5G边缘计算引入智能电网系统.研究了基于5G边缘计算的智能电网任务调度问题,在满足电网任务完成需求的同时,最大限度地降低成本.基于此提出了一种基于贪心策略的启发式任务调度算法,通过与两种算法在包括输入任务数、传输数据大小和延迟要求等参数下的比较,验证了所提算...     

基于雾计算的物联网架构研究

物联网是一种能将物体连接至互联网使其更加智能的技术.但是物联网设备产生的大数据难以处理,网络架构的可扩展性差,以及用户的安全隐私容易泄露等问题都限制了物联网的发展.为了解决这些问题,通过分析雾计算所具有的优势提出基于雾计算的物联网架构.基于该架构,同时考虑到用户的安全隐私问题,又提出分层的网络架构.最后对文章进行总结和展望.     

云边端架构下边缘智能计算关键问题综述：计算优化与计算卸载

近年来,随着入网设备数量与数据体量的急剧增加,以云计算为代表的中心式计算模式的缺点越来越显露出来。边缘计算,即让计算尽量靠近数据源,以减少数据传输时间和网络延迟,作为云计算的补充,已经成为学术界和工业界关注的焦点。该文面向边缘计算中应用较广的实例架构—云边端架构,以及边缘计算的典型应用—边缘智能计算,讨论云边端架构下边缘智能计算的两大关键问题：计算优化和计算卸载。首先分析和梳理了云边端架构下边缘智能计算优化的应用与研究现状。然后讨论了云边端架构下计算卸载的研究思路和现状。最后,总结提出了目前云边端架构下边缘智能计算业务所面临的挑战和未来研究趋势。     

智能工厂中风险敏感的边缘计算任务卸载策略研究

本文围绕智能工厂中关键性任务的边缘计算开展研究.考虑边缘计算中由于信道的不确定性及计算资源受限可能出现的高时延风险,首先通过使用条件风险价值(Conditional Value at Risk, CVaR)完成时延分布尾部信息的刻画,通过利用CVaR的凸性和平移等价性,给出了时延CVaR的上界.进一步,通过对边缘服务器的选择与计算资源分配,完成了机器设备处理计算任务的平均时延与CVaR上界的联合优化.通过仿真实验,验证了算法模型对高时延分布刻画的有效性.从仿真结果可知,所提策略不仅提高了计算的可靠性,同时降低了时延的高风险值.     

基于雾计算的智能电表用户虚拟环隐私保护方案

作为智能电网的基础组件,智能电表(SMS)可以定期向电力公司报告用户的详细用电量数据。但是智能电表也带来了一些安全问题,比如用户隐私泄露。该文提出了一种基于虚拟环的隐私保护方案,可以提供用电数据和用户身份的隐私,使攻击者无法知道匹配电力数据与用户身份的关系。在所提方案中,智能电表可以利用其虚拟环成员身份对其真实身份进行匿名化,并利用非对称加密和Paillier同态系统对其获得的用电量数据生成密文数据;然后智能电表将密文数据发送给其连接的雾节点,雾节点定期采集其管理的智能电表的密文数据。同时,雾节点对这些智能电表的虚拟环身份进行验证,然后将收集到的密文数据聚合并发送给控制中心;最后控制中心对聚合后的密文进行解密,得到用电量数据。实验结果表明所提方案在计算和通信成本上具有一定的优势。     

基于区块链的雾网络中的任务卸载优化方案研究

当前物联网(IoT)应用的快速增长对用户设备的计算能力是一个巨大的挑战。雾计算(FC)网络可为用户设备提供近距离、快速的计算服务,为资源紧张,计算能力有限的用户设备提供了解决方案。该文提出一个基于区块链的雾网络模型,该模型中用户设备可以将计算密集型任务卸载到计算能力强的节点处理。为最小化任务处理时延和能耗,引入两种任务卸载模型,即设备到设备(D2D)协作群组任务卸载和雾节点(FNs)任务卸载。此外,针对雾计算网络任务卸载过程的数据安全问题,引入区块链技术构建去中心化分布式账本,防止恶意节点修改交易信息,实现数据安全可靠传输。为降低共识机制时延和能耗,提出了改进的基于投票的委托权益证明(DPoS)共识机制,得票数超过阈值的FNs组成验证集,验证集中的FN轮流作为管理者生成新区块。最后,以最小化网络成本为目标,联合优化任务卸载决策、传输速率分配和计算资源分配,提出任务卸载决策和资源分配(TODRA)算法进行求解,并通过仿真实验验证了该算法的有效性。     

智能环境下基于雾计算的推理节点优化分配研究

智能环境传统的规则推理机制中,网关内布置的推理机从各种传感器中获取推理所需数据并与规则库相匹配,承担整个推理工作.本文利用Rete算法将规则构建为推理网络,并结合雾计算的概念将Rete推理节点分配至环境内配置的智能节点中协同推理以减轻网关负载,由此推理节点的分配成为关键,分配不合理将导致资源利用不平衡及响应延迟.本文利用活动影响下规则触发的规律设计了活动聚类算法CoA（Clustering of Activities）对活动聚类后分别建立其推理网络,计算出智能节点之间的最短路径后将结果代入针对其层次延迟性而设计的分配算法AAoRN（Allocation Algorithm of Rete Inference Nodes）,从而将推理节点最优分配至各个智能节点.理论分析和实验结果表明,本文机制在有效利用智能节点资源的同时降低了大致55%的延迟.     

多功能相控阵雷达实时任务调度研究

针对多功能相控阵雷达资源调度问题,建立了合理的雷达任务模型并提出一种新的调度算法.在雷达任务模型中将每一类驻留请求合并为一种任务,这样可以为调度处理提供最大的灵活性,同时基于此任务模型分析了调度器的时间负载.所提出的调度算法综合考虑了任务的工作方式优先级和截止期两个参数,可以较好地适应不同的负载情况.给出了算法的具体实现步骤,并以截止期错失率作为评估指标进行了仿真验证.仿真结果表明,本文所提出的调度算法能够有效降低任务的截止期错失率,对调度性能有明显的改善.     

Sustainable Green Fog Computing for Smart Agriculture

Wireless Personal Communications - Medical Body Area Networks or MBANs are gaining popularity in healthcare circles because of the convenience they provide to patients and caregivers and assist in...     

基于 DSPC6678多核平台的实时任务调度架构设计分析

分析了数字信号处理器（DSP） C6678的多核模式,设计了一种基于C6678高速多核DSP硬件平台的实时任务调度软件架构,实现了实时任务调度。通过实际测试,整体设计满足了设计指标。     

Task Classification and Scheduling Based on K-Means Clustering for Edge Computing

Wireless Personal Communications - The rapid evolution of Internet of Things and cloud computing have endorsed a novel computing paradigm called edge computing. Here tasks are processed by edge...     

一种云计算环境下任务调度策略

文章提出的问题是在云计算环境下任务调度策略。该策略的目标是将任务分配到计算单元上达到任务完成总时间最少和资源充分利用。基于此目标文章提出利用遗传算法对任务完成时间进行优化,并为处于空闲状态计算单元动态调整任务分配以改善资源利用率。利用CloudSim仿真平台验证该方法的有效性。     

A Hybrid Task Scheduling Algorithm Based on Task Clustering

Mobile Networks and Applications - Based on the problem of task communication overhead being higher than the task execution time has a direct negative impact on the makespan of task scheduling in...     

Efficient Task Scheduling for Many Task Computing with Resource Attribute Selection

Many Task Computing（MTC）is a new class of computing paradigm in which the aggregate number of tasks,quantity of computing,and volumes of data may be extremely large.With the advent of Cloud computing and big data era,scheduling and executing large-scale computing tasks efficiently and allocating resources to tasks reasonably are becoming a quite challenging problem.To improve both task execution and resource utilization efficiency,we present a task scheduling algorithm with resource attribute selection,which can select the optimal node to execute a task according to its resource requirements and the fitness between the resource node and the task.Experiment results show that there is significant improvement in execution throughput and resource utilization compared with the other three algorithms and four scheduling frameworks.In the scheduling algorithm comparison,the throughput is 77%higher than Min-Min algorithm and the resource utilization can reach 91%.In the scheduling framework comparison,the throughput（with work-stealing）is at least 30%higher than the other frameworks and the resource utilization reaches 94%.The scheduling algorithm can make a good model for practical MTC applications.     

一种实时集群的任务双层调动算法

实时集群能够满足实时系统不断增长的应用需求,拥有广阔的发展前景.本文在深入分析了实时集群系统调度特性的基础上,提出了一种双层调度模型,将实时集群的调度问题分解为节点与集群两个层次,大大降低了解决问题的难度.依照此模型,本文还给出了实时集群系统调度的完整解决方案,并得到了仿真实验的验证.