基于联邦元学习的安全移动边缘计算卸载框架

移动边缘计算(MEC)技术通过卸载部分计算任务到边缘服务器,可将第5代网络(5G)、云计算、大数据和人工智能等技术延伸到物联网终端。针对如何高效卸载计算任务和保障边缘数据隐私安全2个关键问题,在综述计算卸载性能优化研究基础上,本文提出了一种融合联邦学习和元学习的计算卸载应用框架,通过对计算任务的计算卸载以及计算资源的联合优化,从而实现系统加权时延和最小。在不泄露用户数据隐私的前提下,联合多个边缘服务器共同训练一个全局模型,并实现边缘服务器个性化计算卸载应用。在新的计算任务场景下,全局模型的网络参数仅用少量训练样本就能快速收敛。实验测试结果表明,本文提出的基于联邦元学习的计算卸载框架可适应未来边缘计算应用的隐私安全需求。     

移动边缘计算增强的超密集网络上行传输性能分析与基站配置设计

在引入移动边缘计算(MEC)技术的超密集网络(UDN)中,网络性能受无线传输链路质量和基站计算资源部署的共同影响。本文以小型基站接收干扰信号的统计特性分析为基础,对UDN与MEC结合场景的上行空间遍历容量进行分析,并根据空间业务强度和小基站计算服务排队系统的稳定性约束关系,进行小基站配置设计。首先,采用空间泊松点过程对干扰源用户分布进行建模,同时考虑无线信道的多天线与小尺度衰落特性,以小基站部署密度为变量分析上行用户信干比的统计特性及变化规律;然后,根据排队论计算空间业务强度与MEC服务器计算能力之间的约束关系;最后,采用数值仿真验证了信干比与基站密度关系分析的正确性,得出了空间遍历容量的收敛趋势,并给出了小基站与MEC服务器配置设计的例子。     

车联网中基于服务的虚拟网络功能放置算法

为满足车联网中海量数据的采集、传输以及对这些数据的快速处理的需求,可采用移动边缘计算(MEC)技术.本文考虑移动边缘计算中基站连接方式和物理资源的特点,对边缘服务器的部署问题进行了分析,以部署成本和网络时延为优化目标,划分基站集群,并使用整数线性规划(ILP)建立模型.为了获得运行效率更高的边缘服务器部署方案,本文使用...     

结合先验知识的多智能体博弈对抗研究

无实时奖励的复杂对抗环境是目前深度强化学习(DRL)领域的研究热点,面对此类环境,纯粹使用深度强化学习算法会导致智能体训练无法快速收敛以及对抗效果不佳等问题。基于此,本文提出了一种基于先验知识与深度强化学习相结合的智能博弈流程框架,设计了数据处理、增强机制以及动作决策3个模块,通过威胁评估、任务调度和损失比率3种增强机制来提升智能体在复杂对抗环境下的收敛速度和对抗效果。在数据堡垒(DC)平台上进行仿真,实验结果验证了本文所提出的智能博弈流程框架训练的智能体相较于单纯基于深度强化学习的智能体拥有更快的收敛速度以及更高的胜率。     

移动边缘计算网络中基于DQN的能效性卸载决策及无线资源分配

本文研究多种移动设备、单个移动边缘计算(Mobile Edge Computing,MEC)服务器网络场景下,移动设备计算任务的动态卸载决策及资源分配问题.在移动设备的计算任务队列稳定与时延限制、及最大发射功率约束等条件下,建立以系统长期平均能耗最小化为优化目标,实现任务卸载决策、计算资源分配、无线信道及发射功率分配的...     

基于区块链的命名数据网络内容毒化攻击抵御机制

本文提出了一种基于区块链内容毒化攻击抵御机制(BlockIKB)。该机制在边缘路由器上引入区块链数据库,存储内容名字和发布者公钥摘要的绑定信息,在内容获取过程中,用户可以就近从边缘路由器获取发布者的公钥摘要,路由器根据公钥摘要验证内容,从而抵御毒化内容。与已有机制相比,本文机制能够抵御内容毒化攻击。构建了分布式数据库,避免了用户集中获取公钥摘要导致的拥塞问题;提供了就近公钥摘要获取服务,提升了内容获取效率。安全分析证明该机制能够抵御内容毒化攻击,实验结果表明,该机制能够减轻服务器负载,提升内容获取效率。     

基于区块链的智能微网结算系统

新能源的普及和高速发展是时代所趋,基于区块链的智慧能源互联网是多能源融合、信息物理融合和多市场融合的产物,将深刻影响未来的能源生产、传输、存储和消费等环节,促进产能用能的高效化和清洁化。区块链技术在重构能源体系方面有着先天优势,该文分析并选取适用于电能结算的区块链技术,摒弃传统比特币及以太坊的共识算法Po W,采用EOS区块链最新一代DPo S石墨烯共识算法,进行智能微网结算系统的构建,并现场组建智能微网,以此探索"智慧能源+区块链"发展的新模式。     

区块链技术应用于物联网:发展与展望

近年来,随着数字货币的日益兴起和商业应用,区块链技术越来越受到政府部门、工业界以及学术界的关注和认可。与此同时,移动通信网络的快速发展和广泛覆盖,促使物联网(IoT)逐渐走入日常生活,极大程度地提升了工作效率与生活品质。然而,物联网场景中仍存在能效性低、数据传输安全性差等问题,使用区块链技术可有助于促进物联网更好地发展和普及。本文对区块链技术在物联网中的应用进行了系统性综述,首先介绍了背景知识和相关研究,其次提出了区块链的基础架构模型,并且详细阐述了区块链技术应用于物联网各场景的发展现状以及相关特征,最后讨论了一些挑战及未来发展趋势。     

中国智能设计发展——量子计算人工智能区块链语境下量子创新与元设计方法

在包豪斯设计发展百年之际，创新设计面临着大数据、万联网、人工智能等技术力量的倒逼，设计方法亟需进行转型，创新设计充满机遇及挑战，基于新材料、新信息、新能源、新生产方式的创新设计思维陷入发展瓶颈期。本文通过剖析量子创新的内涵，提出量子创新指导人工智能元设计的方法，探讨量子思维在创新设计方法的战略指导作用。从武器容器二元多重创新的量子波粒二象性、活数据活产品活生态的量子亦生亦死设计评价、六感感知认知量子全息交感系统设计大交互设计的角度，探讨在量子计算、人工智能、区块链等新型生产工具、生产力和生产关系之下的元设计方法。     

基于区块链人才社区的大学生就业平台

随着技术的不断更新,区块链技术在各国中盛行,各国对区块链非常重视,该文设计了基于区块链人才社区大学生就业平台设计,从区块链概述、就业平台设计需求分析、就业平台系统架构和相关技术等方面进行研究,探究基于区块链人才社区的大学生就业平台共识机制等。结果表明,该设计主要利用密码学和哈希函数为所有交易和数据更新提供了一个不可篡改的证据链。该设计主要目的在于培养和提升学生就业能力,秉承企业和学生的需求,通过P2P网络、数据区块等进行平台设计,进而加强对就业问题的指导。     

NDP-Ledger:面向区块链应用的通用高通量加速架构

区块链技术由于去中心化及不可篡改等特性,广泛应用于数字货币、支付交易等领域,其算法对计算能力和存储访问能力有较高要求,导致传统冯诺依曼结构在面向区块链应用时能效比较低。3D堆叠存储器因可以缓解冯诺依曼结构的访存瓶颈,成为了热门研究方向之一。本文基于3D堆叠存储器技术及数据流执行模式,提出了一种面向区块链应用的高通量近数据处理(NDP)架构,NDP-Ledger。本文深入分析和论证了区块链应用的计算特征及3D堆叠存储技术在区块链应用中的适应性问题,并基于数据流执行模式设计了一种通用的高并发区块链加速体系结构,使区块链加速器在满足通用性的前提下提高处理性能。模拟评估结果表明,本文提出的区块链通用加速器结构,在典型区块链应用处理方面的性能优于主流的CPU和GPU。     

雾计算辅助车联网中面向视频直播业务的资源分配研究

提出一种车辆雾计算网络中视频直播业务的资源分配方法,通过联合优化比特率选择、用户调度和频谱资源分配,以实现在最大化视频质量的同时降低时延和视频抖动.为了降低时延和视频抖动,在效用函数的设计中将时延和比特率切换作为惩罚因子.由于网络的动态变化特性和可用的频谱资源,将上述优化问题建模为马尔可夫决策过程,采用Soft Actor-Critic深度强化学习算法获得最优资源分配策略.仿真结果证明,所提方法比现有强化学习算法具有更好的探索能力和收敛性能.     

面向电力物联网URLLC业务的智能网络切片管理方法

基于5G通信技术的电力物联网正在如火如荼地建设,随之产生的是用电信息采集、输变电状态监测以及精准负荷控制等新型电力物联网业务。为了满足这些业务对5G网络的超低时延和超高可靠性的需求,提出一种面向电力物联网URLLC(ultra reliable low latency communication)业务的智能网络切片管理方法。该方法综合运用5G切片和移动边缘计算(mobile edge computing,MEC)技术,建立电力业务传输和计算的时延、能耗以及可靠性模型,并通过DQN(deep Q network)算法对切片资源进行优化。仿真实验表明,所提出的智能网络切片管理方法的可靠性高于98%,且优于经典的基于坐标块下降方法和资源平均分配方法。     

基于区块链技术的二次供水泵房智能化运行研究

由于现行方法在二次供水泵房智能化运行中应用效果不佳,不仅泵房停水时间较长,而且能耗较高,无法达到预期的智能化运行效果。为此该文进行了基于区块链技术的二次供水泵房智能化运行研究。利用数据采集器采集二次供水泵房运行数据,并对数据进行标准化处理,然后利用区块链技术进行数据消冗、降维处理,并将其存储到区块中,再利用泵房运行数据对泵房运行进行优化,以此实现基于区块链技术的二次供水泵房智能化运行。经试验证明,应用该文设计方法后,泵房停水时长与总运行时长占比低于0.01%,能耗低于4kW·h,该文设计方法在二次供水泵房智能化运行方面具有良好的应用前景。     

无线网络中基于深度强化学习的资源分配研究

由于用户设备的多样性,直播视频必须转换为不同的格式.且由于无线网络环境的动态特性,为用户提供高质量和严格的时延要求的实时视频是一个很大的挑战.本文提出了一种联合优化用户调度、视频质量选择和资源分配的方案,以达到在视频直播业务中最大化视频质量的同时尽可能减少播放延迟的目标.通过深度Actor-Critic强化学习算法进行仿真.仿真结果表明,本文提出的方案可以提高用户视频体验质量(QoE),并且相比于策略梯度算法(PG),本文算法学习速度更快.     

车联网中基于SVC视频传输业务的资源分配研究

随着移动通信技术的高速发展,车联网中高清视频传输将变得可能,考虑到车联网网络信道环境的动态特性,提供高质量低时延的视频是一个重大挑战.本文研究车联网中SVC视频传输的资源分配问题,通过解决联合优化用户调度,频谱资源分配和视频层选择等问题,以达到最大化视频质量并且尽可能减少播放卡顿的目标.将其建模为马尔科夫决策过程(MDP),使用能够同时处理离散和连续动作的Actor Critic算法来解决.仿真结果表明,本方案能有效实现优化目标,提高车辆用户视频体验质量(QoE),且相比策略梯度算法(PG)和深度Q-learning算法(DQN),本文算法的学习速度更快.     

基于QoS约束与Min-Min算法的网格资源调度研究

随着网格技术的不断发展,网格的应用也越来越广,对网格资源管理系统的要求也随之增大。将基于QoS约束对Min-Min算法进行改进并进行仿真实验,力图使基于QoS的网格资源管理系统更加优越。     

基于CNN同心邻域极值的多车道智能交通系统图像多车牌区域的边缘检测

针对现有智能交通系统（ITS）多车牌定位识别算法漏检率高、处理速度慢等问题,在研究细胞神经网络（CNN）理论的基础上,提出了一种基于CNN同心邻域极值（CNE）的ITS图像多车牌区域边缘检测算法,简称CNECNN算法。该算法只需计算CNN中同心邻域内极大值与极小值函数差的二阶微分零交叉点,即可获得图像的边缘。此外,该算法利用CNN稳态能量函数惩罚约束机制优化粒子群适应度函数,在解空间中搜索参数全局最优解以获得CNN邻域极值模板参数。该算法为并行算法,具有运算量小,易于大规模集成电路实现,能够克服早熟收敛等优点。实验结果表明,与传统边缘检测算子和CNN通用机（CNNUM）固定模板参数算法相比,该算法漏检度降低了12.9%。     

基于深度强化学习的柔性作业车间节能调度研究

针对当前柔性作业车间节能调度研究无法充分利用历史生产数据,且对复杂、动态、多变的车间生产环境适应性不足的问题,引入深度强化学习思想,利用具有代表性的深度Q网络（deep Q-network, DQN）求解柔性作业车间节能调度问题。将柔性作业车间节能调度问题转化为强化学习对应的马尔科夫决策过程。进而,提炼表征车间生产状态特征的状态值作为神经网络输入,通过神经网络拟合状态值函数,输出复合调度动作规则实现对工件以及加工机器的选择,并利用动作规则与奖励函数协同优化能耗。在3个不同规模的案例上与非支配排序遗传算法、超启发式遗传算法、改进狼群算法等典型智能优化方法进行求解效果对比。结果表明,DQN算法有较强的搜索能力,且最优解分布情况与提出的柔性作业车间节能调度模型聚焦能耗目标相一致,从而验证了所用DQN方法的有效性。     

基于改进人工势场与强化学习融合算法的路径规划研究

首先,针对DQN算法存在迭代次数过多、训练速度过慢以及APF算法具有某些局限性等问题,该文基于人工势场（APF）算法和深度强化学习（DQN）算法对DQN算法进行改进。其次,将改进后的APF算法与DQN算法进行融合,提出了改进人工势场与强化学习融合算法（APF-DQN）。最后,通过大量试验验证了该文提出的APF-DQN算法的有效性。