基于谱聚类的边缘服务器放置算法

随着物联网(IoT)和5G技术的快速发展，移动边缘计算以其低访问延迟、低带宽成本和低能源消耗的优点引起了工业界和学术界的广泛关注。在移动边缘计算中，边缘服务器为移动端用户的请求提供服务，其放置位置对边缘计算性能和用户体验具有重要影响。目前边缘服务器的放置算法只考虑基站的地理位置，而缺乏对基站连接的用户数目因素的考虑。因此在实际用户分布不均的情况下，现有算法得到的服务器放置位置导致用户平均访问延迟较大。为了更好地解决上述问题，提出了基于谱聚类的延迟最小化边缘服务器放置算法LAMP。该算法在考虑边缘服务器放置位置时，不仅考虑了基站的地理位置，而且考虑了不同基站连接的用户数目这一重要参数，能够有效地降低用户的平均访问时延，同时实现边缘服务器的工作负载均衡。在仿真实验中，使用了上海电信的真实基站数据集来测试LAMP算法的性能。大量的实验结果表明，在用户访问延迟方面，LAMP算法的性能比传统的K-means算法提高了37.9%。在负载均衡方面，LAMP算法的性能与K-means算法相比最大可提高82.85%。LAMP算法在降低访问延迟和平衡边缘服务器工作负载方面均表现出了优越的性能。     

基于冗余任务消减的边缘应用性能优化

在增强现实应用中，距离较近的多个用户请求很可能是相似或者相同的，从而导致同样的计算任务被重复执行。针对该问题，设计基于冗余任务消减的计算任务缓存系统。通过在边缘节点设计任务缓存，使边缘服务器以自组织方式维护全局缓存。对客户端请求时延、用户轨迹、节点部署和总时延进行建模，基于此研究基站上边缘服务器的计算资源部署问题，在给定总的部署代价下优化平均请求时延，并将该问题转化为整数非线性规划问题，设计针对中小规模场景的IDM算法和针对大规模场景的LDM算法。实验结果表明：IDM算法的平均时延与参考最优解仅相差5.85%，对最优解具有较好的逼近效果；LDM算法在牺牲9.20%平均时延的情况下，相比于IDM算法运行时间缩短98.15%，大幅减少了运行开销。     

基于改进深度强化学习的边缘计算服务卸载算法

在边缘计算（EC）网络中,针对边缘节点计算资源和存储空间有限的问题,提出一种基于改进深度强化学习（DRL）的边缘计算服务卸载（ECSO）算法,以降低节点处理时延和提高服务性能。具体来说,将边缘节点服务卸载问题转化为资源受限的马尔可夫决策过程（MDP）,利用DRL算法解决边缘节点的请求状态转移概率难以精确预测的问题;考虑到边缘节点执行缓存服务的状态动作空间过大,定义新的动作行为替代原有动作,并依据提出的动作筛选算法得到最优动作集合,以改进计算动作行为奖励值的过程,进而大幅度降低动作空间大小,提高算法训练的效率以及收益。仿真实验结果表明,对比原深度Q网络（DQN）算法、邻近策略优化（PPO）算法以及传统的最流行（MP）算法,ECSO算法的总奖励值分别提升了7.0%、12.7%和65.6%,边缘节点服务卸载时延分别降低了13.0%、18.8%和66.4%,验证了算法的有效性,说明ECSO能有效提升边缘计算服务的卸载性能。     

支持MEC的天地一体化网络下任务卸载和资源分配

针对天地一体化网络(Integrated Satellite-Terrestrial Network, ISTN)高动态、时延敏感的特性,用户服务质量(Quality of Service, QoS)保障成为新的研究重点。为此,在天地一体化网络场景下使用移动边缘计算(Mobile Edge Computing, MEC)技术,在低轨道(LEO)卫星上部署MEC服务器,通过排队理论分析场景的时延成本,提出任务卸载和资源分配的联合优化方案。为最小化用户与LEO卫星的传输时延,基于凸优化理论给每个用户分配最优的带宽资源。基于整数规划在多项式时间内给出接近全局最优的任务卸载决策。仿真结果表明提出算法与低复杂度的启发式算法相比,减少了20%的总时延成本,验证了ISTN(Integrated Satellite-Terrestrial Network)下通过MEC技术保障地面用户QoS的可行性和有效性。     

基于改进虚拟力算法的无人机边缘节点部署北大核心

无人机边缘节点结合了无人机的移动性和边缘计算的源端处理优势,可以在基础设施薄弱区域中提供计算、传输和存储服务。其中,如何对多个无人机边缘节点进行合理部署,避免提供服务时承载不均造成的缓存资源浪费,是提升服务质量的关键挑战。本文首先对初始状态下的无人机边缘节点的理想部署进行了分析,确定相应的最小无人机边缘节点数。接着通过改进虚拟力算法对单个无人机边缘节点的最佳部署进行调整,将虚拟力定义为无人机边缘节点间的分子力和节点与地面设备间万有引力的合力,使用排斥、吸引、盘旋这3个准则来调整每个时隙中无人机边缘节点的分布,在满足边缘缓存限制的同时使无人机边缘节点的区域覆盖率达到最大。最后与传统的虚拟力算法进行了比较,仿真结果表明,上述算法能够动态地维持对地面设备的覆盖率,降低边缘计算的服务时延。     

一种最小化时延多边缘节点卸载均衡策略研究

边缘服务器和通信网络的接入点(例如基站)集成部署构成边缘节点,可以在网络的边缘同时实现通信和计算的功能.边缘计算作为一种介于本地计算与云计算中间的一种新型计算范式,一方面缓解了中心云的负载压力,另一方面因为更靠近用户,有效减少了设备卸载计算产生的传输时延.在边缘计算中,边缘节点的计算资源相比于计算资源丰富的中心云是有限的;另一方面,在不同区域的边缘节点服务于不同的群体,其负载量的差距是是悬殊的,有的过载,有的过于空闲.为解决边缘节点中服务器的负载均衡问题,本文考虑通过软件定义网络(Software Defined Network, SDN)监控网络中的数据流量,调控热点区域的数据以多跳的方式卸载到周边的节点执行计算任务,实现热点区域降热减少执行任务时延的目的.同时,本文提出了基于量子粒子群算法的边缘节点卸载算法和一种基于启发式算法的边缘节点负载均衡算法来求解此问题.最后通过仿真实验验证了我们所提出方案的有效性.     

基于DDPG的边缘计算任务卸载和服务缓存算法

当计算任务被转移到移动边缘计算（MEC）服务器上时,通过服务缓存能够降低获取和初始化服务应用程序的实时时延和带宽成本。此外,体验质量是驱动卸载决策的关键因素,有效利用有限的计算资源能够提升用户满意度。考虑一个边缘服务器帮助移动用户执行一系列计算任务的场景,建立混合整数非线性规划问题,提出一种基于深度确定性策略梯度（DDPG）的算法来联合优化服务缓存位置、计算卸载决策和资源分配,从而提高用户对服务的体验质量,最大化用户使用计算资源所节约的成本。仿真结果表明,该算法在提高用户体验质量和节约成本方面较使用无缓存策略、随机选择策略和无缓存随机选择策略的算法性能更优。     

具有边缘缓存机制的混合启发式任务卸载算法

边缘计算因其与用户物理距离短、响应速度快等特点,被认为是可以解决未来大规模网络计算资源不足等问题的关键技术之一。在多进多出的边缘计算环境下,通过将部分服务缓存到边缘节点可以降低用户请求任务的执行时间。但以往工作或假设边缘节点具有无限的缓存空间,或忽略当前缓存列表和缓存替换机制对任务卸载的影响,导致卸载决策失效或任务执行时间变长。面向具有缓存机制的边缘计算环境,提出一种基于整数编码的混合启发式任务卸载算法IPSO＿GA,将任务卸载问题建模为一个混合整数非线性规划问题。结合粒子群优化和遗传算法,使各粒子通过交配运算和变异运算不断寻优,在合理的时间复杂度内搜索任务卸载决策。实验结果表明,与随机算法、贪心算法、平均算法等经典算法和目前较新算法相比,IPSO＿GA算法在设备数量居中环境中的任务执行时间减少了58%～298%,能适用于设备数量多、计算密集的边缘计算环境。     

天地一体化智能网络智能节点部署策略

针对传统卫星网络中,由于低轨卫星节点计算能力不足,导致大量计算任务需要传输到高轨卫星计算或转发,进而产生巨大传输时延的问题,本文利用移动边缘计算技术,结合天地一体化智能网络架构,提出了一种基于人工蜂群的智能卫星节点优化部署算法.该算法通过迭代,结合网络分簇算法,选出边缘服务有效覆盖率最高的智能卫星节点部署策略.从而使得...     

边缘计算中改进ELM的高效入侵检测算法

边缘计算将云计算扩展到网络边缘,在解决了云计算时延高、移动性差和位置感知弱等缺陷的同时也带来了诸多安全问题;针对边缘计算网络开放性、异构型和节点资源受限等特点,研究设计具有6层结构的通用边缘计算入侵检测系统,并在此模型架构上提出了一个边缘计算入侵检测方案,基于该方案提出了一种适用于边缘计算部署的改进极限学习机的入侵检测算法TSS-ELM,TSS-ELM增加了云服务器训练样本筛选环节来优化机器学习中的外权,从而对边缘节点数据实现高效的入侵检测;仿真实验结果和分析表明,该算法在准确性、时间依赖性、鲁棒性和误报率方面与其他现有算法相比具有更优异的性能.     

面向智慧教室的无线传感网边缘节点智能部署方法

摘 要: 为降低部署后的通信时延,提高智慧教室的数据发送与网络使用效率,提出面向智慧教室的无线传感网边缘节点智能部署方法。以智慧教室场景中良好的通信、最大限度降低部署边缘节点成本为优化目标,构建边缘节点智能部署的目标函数。针对目标函数设定流量约束条件、无线传感网数据流约束条件、节点计算能力约束条件。自适应调整粒子群优化算法的惯性权重、粒子更新速度、Pareto最优解保存策略,设计多目标改进粒子群优化算法求解目标函数,实现面向智慧教室的无线传感网边缘节点智能部署。测试结果表明,该方法的时延较低,网络计算能力较高,保证了智慧教室无线传感网通信和传输质量。     

无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配

边缘计算中利用无人机作为边缘节点进行动态部署,能够适应复杂的环境,大大提升边缘计算系统的性能.本文提出利用无人机辅助的服务缓存边缘计算最优计算卸载和资源分配策略.此策略在确定无人机3D位置和边缘服务器中服务的部署,以实现在时延约束下最小化能耗的目的.具体来说,首先,建立本地计算模型和MEC计算模型,计算出任务的处理时延和能耗;其次,在服务缓存、时延约束等条件下,建立最小化能耗的数学模型;最后,采用遗传算法框架对目标问题进行求解.求解过程采用双层优化方法,外层层将无人机3D位置和服务缓存方案放入基因编码,内层先利用贪心的思想确定资源分配,再将问题转化为整数线性规划问题进行求解.通过仿真证明了本文所提出算法的可行性和优越性.     

无人机辅助移动边缘计算中的任务卸载算法

无人机（UAV）灵活机动、易于部署，可以辅助移动边缘计算（MEC）帮助无线系统提高覆盖范围和通信质量，但UAV辅助MEC系统研究中存在计算延迟需求和资源管理等挑战。针对UAV为地面多个终端设备提供辅助计算服务的时延问题，提出一种基于双延迟深度确定性策略梯度（TD3）的时延最小化任务卸载算法（TD3-TOADM）。首先，将优化问题建模为在能量约束下的最小化最大计算时延的问题；其次，通过TD3-TOADM联合优化终端设备调度、UAV轨迹和任务卸载比来最小化最大计算时延。仿真实验分析结果表明，与分别基于演员-评论家（AC）、深度Q网络（DQN）以及深度确定性策略梯度（DDPG）的任务卸载算法相比，TD3-TOADM得到的计算时延减小了8.2%以上。可见TD3-TOADM能获得低时延的最优卸载策略，具有较好的收敛性和鲁棒性。     

兼顾个性化需求的云边协作两级内容缓存研究

针对用户访问移动短视频响应时延过长、不能满足个性化需求等问题,基于短视频的时延敏感性、个性化需求等特点,综合考虑短视频的内容流行度和用户偏好,提出一种云边协作环境下的两级内容缓存方案。根据用户对短视频偏好的平均值表征边缘节点的偏好值,进而计算边缘节点的相似度,综合考虑边缘节点之间的物理距离和相似度对节点协作的影响,建立边缘节点的协作节点集。基于长尾理论提出一种两级内容缓存策略,将每个边缘节点分为流行内容缓存区和用户偏好内容缓存区两部分,流行内容缓存区采取主动缓存策略,针对用户偏好内容缓存区的缓存内容,综合分析用户访问请求在不同响应方式下的延迟,并以最小化整体内容请求延迟为目标,设计一种基于改进离散蛙跳算法的边缘协作缓存方案。实验结果表明,在同一数据集上与RC、BEP等缓存方案相比,该方案的用户请求命中率提高近40%,并能够降低回程链路负载,减少用户请求延迟,满足时延敏感性特点及90%的用户个性化需求。     

车载边缘计算中基于深度强化学习的协同计算卸载方案

车载边缘计算(Vehicular Edge Computing,VEC)是一种可实现车联网低时延和高可靠性的关键技术,用户将计算任务卸载到移动边缘计算(Mobile Edge Computing,MEC)服务器上,不仅可以解决车载终端计算能力不足的问题,而且可以减少能耗,降低车联网通信服务的时延。然而,高速公路场景下车辆移动性与边缘服务器静态部署的矛盾给计算卸载的可靠性带来了挑战。针对高速公路环境的特点,研究了临近车辆提供计算服务的可能性。通过联合MEC服务器和车辆的计算资源,设计并实现了一个基于深度强化学习的协同计算卸载方案,以实现在满足任务时延约束的前提下最小化所有任务时延的目标。仿真实验结果表明,相比于没有车辆协同的方案,所提方案可以有效降低时延和计算卸载失败率。     

基于深度强化学习的移动边缘计算资源分配策略

边缘计算作为云计算技术的延伸，可通过增强边缘网络计算能力为用户提供低时延高质量服务。边缘计算中，需要将服务部署于资源受限的边缘服务器，并根据需求合理分配计算资源，以提高边缘服务器的资源利用率。因此，提出基于深度强化学习的服务资源分配方法，利用反正切函数两次映射建立计算资源分配函数，并基于真实数据集进行仿真实验。实验结果表明，该方法能够在保证低时延的情况下，合理分配计算资源。     

服务缓存约束下优化用户设备执行成本的任务卸载策略

边缘计算通过在网络边缘侧提供更优的计算和存储能力,能够有效降低用户设备的执行时延和能耗。随着应用程序对计算和存储资源的需求越来越大,任务卸载作为消除用户设备固有限制的一种有效手段,成为了主要的研究热点之一。然而,在已有的任务卸载研究中,常常忽略不同类型的任务对服务需求的多样性以及边缘服务器服务缓存有限的情形,从而导致不可行的卸载决策。因此,在服务缓存约束下,研究了能够使得用户设备执行成本最优的任务卸载问题。首先设计了云服务器、边缘服务器和本地设备的协同卸载模型,用于平衡边缘服务器的负载问题,同时借助云服务器弥补边缘服务器有限的服务缓存能力。然后,提出了适用于云边端协同的任务卸载算法,优化用户设备的执行成本。当任务被卸载时,先采用改进的贪婪算法选择最佳的边缘服务器,再通过比较任务在不同位置上的执行成本,来确定任务的卸载决策。实验结果表明,所提算法相比对比算法能够有效降低用户设备的执行成本。     

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。     

移动边缘计算中收益最大化的缓存协作策略

移动边缘计算（MEC）通过将资源部署在用户的近邻区域,可以减少移动设备的能耗,降低用户获取服务的时延;然而,大多数有关缓存方面的研究忽略了用户所请求服务的地域差异特性。通过研究区域所请求内容的特点和内容的动态性特性,提出一种收益最大化的缓存协作策略。首先,考虑用户偏好的区域性特征,将基站分为若干协作域,使每一个区域内的基站服务偏好相同的用户;然后,根据自回归移动平均（ARIMA）模型和内容的相似度预测每个区域的内容的流行度;最后,将缓存协作问题转化为收益最大化问题,根据存放内容所获得的收益,使用贪心算法解决移动边缘环境中缓存的内容的放置和替换问题。仿真实验表明,与基于MEC分组的协作缓存算法（GHCC）相比,所提算法在缓存命中率方面提高了28%,且平均传输时延低于GHCC。可见,所提算法可以有效提高缓存命中率,减少平均传输时延。     

空-天-地一体化移动边缘计算系统的部署优化和计算卸载

空-天-地一体化的通信技术作为一种新兴的架构，能够有效提高地面终端的网络服务质量，近年来引起了广泛关注。文中研究了一种空-天-地一体化的移动边缘计算系统，其中多台无人机为地面设备提供低延迟的边缘计算服务，近地轨道卫星为地面设备提供无处不在的云计算服务。由于无人机的部署位置和计算任务的卸载方案是影响系统性能的关键因素，因此需要对无人机的部署位置、地面设备与无人机之间的连接关系以及计算任务的卸载比例进行联合优化，实现系统内系统平均任务响应时延最小化。并且，由于形式化定义的联合优化问题是一个混合非线性规划问题，因此设计了一种双层优化算法，在该算法的上层，提出了一种结合了遗传算法算子的粒子群优化算法来优化无人机的部署位置，并在算法的下层采用贪心算法来实现对计算任务卸载方案的优化。大量的数值仿真实验验证了所提算法的可行性和有效性。结果表明，与其他基准算法相比，所提算法能有效降低系统的任务平均响应时延。