基于边缘计算的泵闸站数据处理任务分发机制研究

传统泵闸站系统采用的“端-主站”信息传输及处理体系容易导致网络堵塞以及时延的增加,而边缘计算可将泵闸站中大量实时的数据处理任务在终端或边缘端进行处理。分析了基于边缘计算的泵闸站数据处理任务分发机制,将其建模为混合整数非线性规划问题。为求解该问题,首先使用拉格朗日乘子法得到给定任务分发决策下的最佳计算资源分配,然后利用樽海鞘群算法（Salp Swarm Algorithm,SSA）得到优化计算资源下的任务分发决策,通过不断迭代寻找最优解。仿真结果表明,与其他算法相比,所提算法能有效减少任务处理总时延,提高泵闸站整体的性能。     

基于云雾混合计算的车联网联合资源分配算法

针对车联网业务的低时延、低功耗需求及海量设备计算卸载引起的网络拥塞问题,该文提出一种在云雾混合网络架构下的联合计算卸载、计算资源和无线资源分配算法(JODRAA)。首先,该算法考虑将云计算与雾计算结合,以最大时延作为约束,建立最小化系统能耗和资源成本的资源优化模型。其次,将原问题转化为标准二次约束二次规划(QCQP)问题,并设计一种低复杂度的联合卸载决策和计算资源分配算法。进一步,针对海量设备计算卸载引起的网络拥塞问题,建立卸载用户接入请求队列的上溢概率估计模型,提出一种基于在线测量的雾节点时频资源配置算法。最后,借助分式规划理论和拉格朗日对偶分解方法得到迭代的带宽和功率分配策略。仿真结果表明,该文算法可以在满足时延需求的前提下,最小化系统能耗和资源成本。

     

车辆网络多平台卸载智能资源分配算法

为了降低计算任务的时延和系统的成本,移动边缘计算(MEC)被用于车辆网络,以进一步改善车辆服务。该文在考虑计算资源的情况下对车辆网络时延问题进行研究,提出一种多平台卸载智能资源分配算法,对计算资源进行分配,以提高下一代车辆网络的性能。该算法首先使用K临近(KNN)算法对计算任务的卸载平台(云计算、移动边缘计算、本地计算)进行选择,然后在考虑非本地计算资源分配和系统复杂性的情况下,使用强化学习方法,以有效解决使用移动边缘计算的车辆网络中的资源分配问题。仿真结果表明,与任务全部卸载到本地或MEC服务器等基准算法相比,提出的多平台卸载智能资源分配算法实现了时延成本的显著降低,平均可节省系统总成本达80%。

     

基于深度强化学习的计算卸载与资源分配策略

为了扩大车载边缘网络的覆盖范围及其计算能力，提出了一种适用于空天地融合车载网的计算卸载架构。考虑计算任务的时延和能耗约束，以及空天地融合车载网的频谱、计算和存储约束，将计算卸载决策和资源分配的联合优化问题建模为一个混合整数非线性规划问题。基于强化学习方法，将原问题转换成一个马尔可夫过程，提出了一种深度强化学习算法以求解该问题，所提算法具有较好的收敛性。仿真结果表明，所提算法在任务时延和成功率方面优于其他算法。     

面向6G通感算融合的多粒度资源分配算法

面向6G通信-感知-计算(通感算)融合的发展需求,亟需突破其资源高效分配算法。提出一种面向6G通感算融合的多粒度资源分配算法,该算法根据感知的网络状态以及基站自身状态,在多时间粒度上调整资源分配策略时间。首先,该算法将通信、感知、计算资源联合优化问题建模为多时间粒度上的最大化效用函数问题;其次,采用决斗深度Q网络(Dueling Deep Q-network, Dueling DQN)算法关注重要状态,忽视不重要状态,可以较快地找到最佳动作;最后在所搭建的实验平台中,将所提算法与多种资源分配算法进行对比,提高网络频谱效率,并降低传输时延、处理时延和资源分配动作执行的成本。     

移动边缘计算中分布式异构任务卸载算法

随着物联网(IoT)迅速发展,移动边缘计算(MEC)在提供高性能、低延迟计算服务方面的作用日益明显。然而,在面向IoT业务的MEC(MEC-IoT)时变环境中,不同边缘设备和应用业务在时延和能耗等方面具有显著的异构性,对高效的任务卸载及资源分配构成严峻挑战。针对上述问题,该文提出一种动态的分布式异构任务卸载算法(D2HM),该算法利用分布式博弈机制并结合李雅普诺夫优化理论,设计了一种资源的动态报价机制,并实现了对不同业务类型差异化控制和计算资源的弹性按需分配,仿真结果表明,所提的算法可以满足异构任务的多样化计算需求,并在保证网络稳定性的前提下降低系统的平均时延。

     

基于迁移演员-评论家学习的服务功能链部署算法

针对5G网络切片环境下由于业务请求的随机性和未知性导致的资源分配不合理从而引起的系统高时延问题,该文提出了一种基于迁移演员-评论家(A-C)学习的服务功能链(SFC)部署算法(TACA)。首先,该算法建立基于虚拟网络功能放置、计算资源、链路带宽资源和前传网络资源联合分配的端到端时延最小化模型,并将其转化为离散时间马尔可夫决策过程(MDP)。而后,在该MDP中采用A-C学习算法与环境进行不断交互动态调整SFC部署策略,优化端到端时延。进一步,为了实现并加速该A-C算法在其他相似目标任务中(如业务请求到达率普遍更高)的收敛过程,采用迁移A-C学习算法实现利用源任务学习的SFC部署知识快速寻找目标任务中的部署策略。仿真结果表明,该文所提算法能够减小且稳定SFC业务数据包的队列积压,优化系统端到端时延,并提高资源利用率。     

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。     

服务工作流的混合粒子群调度算法

服务工作流的时间-费用优化是一个基本且难以求解的问题.目前求解该问题的分层算法将工作流任务的截止时间限定在固定的时间窗口内,限制了算法的搜索范围,通过引入粒子随机极值扰动、位置回退、交叉繁殖等算子,将搜索范围扩大到整个解空间以大大提高获得最优解的概率;改进适合连续优化问题的有效粒子群算法,提出适合离散优化问题的混合粒子群(HPSO)算法.模拟实验结果表明HPSO将目前最好算法的性能平均提高了12.82%,对120个活动的工作流实例仅需要6.5s的时间.     

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.     

协同边缘网络中智能计算卸载与资源优化算法

针对具有依赖关系的计算密集型应用任务面临的卸载决策难题,提出了一种基于优先级的深度优先搜索调度策略。考虑到用户能量受限和移动性,构建了一种联合用户下行能量捕获和上行计算任务卸载的网络模型,并在此基础上建立了端到端优化目标函数。结合任务优先级及时延约束,利用深度强化学习自学习的优势,将任务卸载决策问题建模为马尔科夫模型,并设计了基于任务相关性的Dueling Double DQN(D3QN)算法对问题进行求解。仿真数据表明,所提算法较其他算法能够满足更多用户的时延要求,并能减少9%～10%的任务执行时延。     

基于二次规划的任务卸载决策和资源分配方法

主要研究移动用户均有多个独立任务的多用户移动云计算系统,这些移动用户将任务卸载到云端时共享通信资源。如何对所有用户的任务卸载决策和通信资源分配进行联合优化,以便使所有用户的能耗、计算量和延时降到最低是目前研究的难点。将该问题建模为NP难度的非凸的具有二次约束的二次规划(QCQP)问题,提出一种高效的近似算法进行求解,通过单独的半正定松驰(SDR)处理后,确定二元卸载决策和通信资源最优分配。采用代表最小系统成本的性能下界作为性能基准进行仿真实验,结果表明,本文算法在多种参数配置下的性能均接近最优性能。     

NOMA-MEC系统中基于改进遗传算法的协作式计算卸载与资源管理

为平衡网络负载与充分利用网络资源,针对超密集异构的多用户和多任务边缘计算网络,在用户时延约束下,该文构造了协作式计算任务卸载与无线资源管理的联合优化问题以最小化系统能耗。问题建模时,为应对基站超密集部署导致的严重干扰问题,该文采用了频带划分机制,并引入了非正交多址技术(NOMA)以提升上行频谱利用率。鉴于该目标优化问题具备非线性混合整数的形式,根据多样性引导变异的自适应遗传算法(AGADGM),设计出了协作式计算卸载与资源分配算法。仿真结果表明,在严格满足时延约束条件下,该算法能获取较其他算法更低的系统能耗。     

数字孪生使能的智能超表面边缘计算网络任务卸载

针对新兴的计算密集型应用对移动用户高计算性能需求问题,该文提出一种数字孪生(DT)结合智能反射面(RIS)辅助的移动边缘计算(MEC)任务卸载方案。首先,在满足用户传输功率、用户和资源设备能耗、计算资源限制条件下,通过联合优化用户卸载决策、用户传输功率、RIS 相移、波束成形矢量、计算资源分配,建立一个系统能耗最小化问题;其次,将该非凸组合优化问题分解为3个子问题,使用深度双Q网络(DDQN)方法确定用户卸载策略;然后对每个训练时间步进行一次求解,基于交替迭代方法得到问题的优化解。仿真结果表明,基于DDQN的算法训练速度较快,有效降低了系统总能耗。     

超密集网络中基于移动边缘计算的任务卸载和资源优化

移动边缘计算(MEC)通过在无线网络边缘为用户提供计算能力,来提高用户的体验质量。然而,MEC的计算卸载仍面临着许多问题。该文针对超密集组网(UDN)的MEC场景下的计算卸载,考虑系统总能耗,提出卸载决策和资源分配的联合优化问题。首先采用坐标下降法制定了卸载决定的优化方案。同时,在满足用户时延约束下采用基于改进的匈牙利算法和贪婪算法来进行子信道分配。然后,将能耗最小化问题转化为功率最小化问题,并将其转化为一个凸优化问题得到用户最优的发送功率。仿真结果表明,所提出的卸载方案可以在满足用户不同时延的要求下最小化系统能耗,有效地提升了系统性能。

     

多小区蜂窝网络中计算卸载与资源分配联合优化算法

本文在多基站和远端云构成的多层计算卸载场景中,提出了一种多小区蜂窝网络中基站选择、计算卸载与资源分配联合优化算法.该算法考虑多基站重叠覆盖用户的基站选择,在边缘服务器计算资源约束条件下,构建了能耗与时延加权和的最小化问题,这是NP-hard问题.本文首先对单用户多基站计算卸载问题,采用拉格朗日乘子法对其进行求解;然后针...     

User association and resource allocation in green mobile edge networks using deep reinforcement learning

In order to meet the emerging requirements for high computational complexity, low delay and energy consumption of the 5th generation wireless systems (5G) network, ultra-dense networks (UDNs) combined with multi-access edge computing ( MEC) can further improve network capacity and computing capability. In addition, the integration of green energy can effectively reduce the on-grid energy consumption of system and realize green computation. This paper studies the joint optimization of user association (UA) and resource allocation (RA) in MEC enabled UDNs under the green energy supply pattern, users need to perceive the green energy status of base stations (BSs) and choose the one with abundant resources to associate. To minimize the computation cost for all users, the optimization problem is formulated as a mixed integer nonlinear programming (MINLP) which is NP-hard. In order to solve the problem, a deep reinforcement learning ( DRL)-based association and optimized allocation (DAOA) scheme is designed to solve it in two stages. The simulation results show that the proposed scheme has good performance in terms of computationcost and time out ratio, as well achieve load balancing potentially.     

Dynamic computation offloading in time-varying environment forultra-dense networks: a stochastic game approach

To meet the demands of large-scale user access with computation-intensive and delay-sensitive applications, combining ultra-dense networks (UDNs) and mobile edge computing (MEC)are considered as important solutions. In the MEC enabled UDNs, one of the most important issues is computation offloading. Although a number of work have been done toward this issue, the problem of dynamic computation offloading in time-varying environment, especially the dynamic computation offloading problem for multi-user, has not been fully considered. Therefore, in order to fill this gap, the dynamic computation offloading problem in time-varying environment for multi-user is considered in this paper. By considering the dynamic changes of channel state and users queue state, the dynamic computation offloading problem for multi-user is formulated as a stochastic game, which aims to optimize the delay and packet loss rate of users. To find the optimal solution of the formulated optimization problem, Nash Q-learning (NQLN) algorithm is proposed which can be quickly converged to a Nash equilibrium solution. Finally, extensive simulation results are presented to demonstrate the superiority of NQLN algorithm. It is shown that NQLN algorithm has better optimization performance than the benchmark schemes.     

Cross-Layer Collaborative In-Network Processing in Multihop Wireless Sensor Networks

Emerging wireless sensor network (WSN) applications demand considerable computation capacity for in-network processing. To achieve the required processing capacity, cross-layer collaborative in-network processing among sensors emerges as a promising solution: sensors do not only process information at the application layer, but also synchronize their communication activities to exchange partially processed data for parallel processing. However, scheduling computation and communication events is a challenging problem in WSNs due to limited resource availability and shared communication medium. In this work, an application-independent task mapping and scheduling solution in multihop homogeneous WSNs, multihop task mapping and scheduling (MTMS), is presented that provides real-time guarantees. Using our proposed application model, the multihop channel model, and the communication scheduling algorithm, computation tasks and associated communication events are scheduled simultaneously. The dynamic voltage scaling (DVS) algorithm is presented to further optimize energy consumption. Simulation results show significant performance improvements compared with existing mechanisms in terms of minimizing energy consumption subject to delay constraints     

无人机辅助反向散射通信计算任务卸载与资源分配

针对边缘计算网络中用户能量短缺问题,该文提出一种无人机(UAV)辅助的反向散射通信网络计算任务卸载和资源分配方案。首先,通过联合考虑飞行轨迹、用户的计算频率、任务卸载比例、无人机及用户的发射功率、反向散射时间分配以及主动通信时间分配,构建最小化无人机总能耗优化问题。其次,利用交替优化算法,将原非凸问题分解为两个子问题,并通过连续凸逼近方法将原问题转化为凸问题进行求解。仿真结果表明,所提算法使得无人机能耗显著减少,且具有良好的收敛性。