基于缓存优化的移动边缘计算资源分配策略

移动边缘计算研究中,边缘服务器通过缓存任务数据可以有效节约计算资源,但如何分配缓存资源解决边缘服务器的竞争关系,以及能耗和效益问题,达到系统性能最优是一个NP难问题。为此提出基于缓存优化的在线势博弈资源分配策略OPSCO(online potential-game strategy based on cache optimization),采用新的缓存替换策略CASCU(cache allocation strategy based on cache utility),最大化缓存的效用。通过优化边缘服务器的效益指示函数,将缓存替换代价等因素与李雅普诺夫优化、势博弈以及EWA(exponential weighting algorithm)算法结合,对边缘服务器的竞争关系建模,进行势博弈相关证明和分析。仿真结果表明,OPSCO相比于其他资源分配策略,可以明显提升任务完成率和缓存效用,并降低设备能耗和时间开销,解决了移动边缘计算在线缓存场景中的资源分配以及数据缓存问题。     

面向集能型中继窄带物联网的非正交多址接入和多维网络资源优化

随着窄带物联网技术的蓬勃发展,窄带物联网设备越来越多,但是严重的同频干扰和信号衰减,导致边缘窄带物联网设备的服务质量难以得到保证.针对此问题,提出了集能型中继非正交多址接入窄带物联网.基于该网络模型,建立了以窄带物联网设备数据速率比例公平性为优化目标的传输功率、数据调度以及时隙调度多维资源分配模型,以在优化网络性能的同...     

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...     

基于NOMA的移动边缘计算网络优化方案

移动边缘计算(MEC)使智能终端能够将部分计算负载转移到位于基站子系统的边缘服务器上,以解决物联网络大量数据处理问题。通过研究非正交多址(NOMA)的多址MEC,提出了一种终端-边缘服务器资源分配方案,通过NOMA方式传输,智能终端可以将计算工作负载卸载到不同的边缘服务器,从而减少完成智能终端的计算工作负载的总延迟。该方案目标是优化资源成本最小,该系统成本考虑终端卸载的计算工作量和边缘服务器的计算资源使用成本的总延迟。通过单个终端的最优卸载解决方案数值结果验证了方案的有效性。     

面向移动边缘计算车联网中车辆假名管理方案

移动边缘计算(mobile edge computing, MEC)技术将计算和存储资源下沉到网络边缘,为车联网带来了高实时性和可靠性的服务.然而,MEC技术也面临各种安全威胁,攻击者可控制边缘数据中心导致车辆假名信息的泄露,威胁车辆的身份隐私.针对该问题,提出一种面向移动边缘计算车联网中的车辆假名管理方案,使其实现高效更新假名信息、边缘云层安全存储假名信息以及假名的可追踪.该方案使用边缘化、实时性高的边缘云代替中心云对车辆身份进行认证,提高了身份认证效率,进而实现高效的假名更新;对假名信息进行同态加密,保证了假名信息存储的安全性而不影响边缘云层对假名的管理;车辆的每个假名表都关联一个相应的查找词,系统的最高权威机构可由假名表密文计算出查找词,以揭露恶意车辆的真实身份,实现假名的可追踪.然后通过可证明安全理论证明了方案在选择明文攻击下具有不可区分性,并对方案中车辆身份的匿名性、消息的完整性与不可否认性进行了安全性分析,满足了车联网中对车辆身份隐私保护的安全需求.最后对方案中身份认证、假名请求以及同态加密性能等方面进行了效率分析及仿真,结果表明该方案满足车联网低时延通信的需求,并在认证效率上优于现有方案.     

基于NOMA-MEC的车联网任务卸载、迁移与缓存策略

在移动边缘计算(MEC)与非正交多路接入(NOMA)技术相结合的车联网系统中,针对用户处理计算密集型和时延敏感型任务时面临的高时延问题,提出了一种基于博弈论和Q学习的任务卸载、迁移与缓存优化策略.首先,对基于NOMA-MEC的车联网任务卸载时延、迁移时延与缓存时延进行建模;其次,采用合作博弈算法获得最优用户分组,以实现...     

基于李雅普诺夫随机优化的车辆边缘计算资源管理

针对车辆边缘计算系统中的计算资源管理问题,提出一种基于李雅普诺夫随机优化的计算卸载与资源分配方案.构建在保证任务量及长期能耗约束下的车辆用户服务时延最小化优化问题,利用李雅普诺夫随机优化理论将优化问题分解.在本地计算资源分配子问题中,通过求解线性问题的方法,得到最优本地计算CPU频率;在计算卸载子问题中,利用数值优化求...     

基于用户序列相位旋转的非正交多址接入方案

为解决非正交多址接入(NOMA)下行链路中因配对用户间的数据干扰导致系统误码率过高的问题,提出一种基于配对用户数据相关性的NOMA方案。发射端根据配对用户数据序列的非相关性估计用户序列的相位旋转角度,设计阈值自适应选择的信号处理方法,将用户比特序列的相位旋转标记以及叠加信号通过高斯信道下发至用户,并在接收端使用下行控制信息携带的旋转标记选择解码方法。仿真结果表明,该方案可降低星座图上叠加信号星座点之间的相互干扰,在增加较少运算量的情况下有效提高系统误码率性能和用户公平性。     

软件定义车联网中缓存辅助的NOMA功率分配方案研究

由于对丰富多媒体服务的需求日益增长,车联网需要提供海量的设备连接以满足高频谱效率和低延迟的需求。软件定义网络（SDN）、缓存和非正交多址接入（NOMA）被认为是有效解决这些关键挑战的潜在技术。针对软件定义车联网,提出了一种缓存辅助的NOMA功率分配方案。首先,针对车联网中车辆总是处于高速运动状态的特点,提出了一种新的簇头选择算法,到达的道路交通将借助SDN进行预测,实现自适应车辆分簇。其次,引入了缓存辅助的NOMA方案,每个车辆在文件缓存阶段使用NOMA原理缓存和请求文件。再次,针对双Nakagami-m衰落条件下的两个簇头车辆通信场景,提出了一种最优功率分配策略,将优化问题公式化为找到每辆车的最佳功率曲线,从而最大化地在每辆车上成功解码目标文件的概率。最后,数值仿真和理论分析表明,所提缓存辅助NOMA功率分配方案,性能明显优于传统的NOMA和缓存辅助的OMA。     

MEC中资源分配与卸载决策联合优化策略

针对移动边缘计算(MEC)中用户任务处理时延与能耗过高的问题,提出了"云-边-端"三层MEC计算卸载结构下的资源分配与卸载决策联合优化策略.首先,考虑系统时延与能耗,将优化问题规划为系统总增益(任务处理时延与能耗相对减少的加权和)最大化问题;其次,为用户任务设置优先级,并根据任务数据量初始化卸载决策方案;然后,采用均衡...     

Internet无线接入网络中应用智能天线的多址协议及性能分析

该文研究将智能天线应用于Internet无线接入网络的中心接入点(CAP)。提出了基于轮询的自适应波束形成多址接入协议(PB-ABFMA)．该协议中,CAP接收或发送数据分组前,由CAP引导用户节点发送训练序列,CAP的智能天线据此计算出与用户节点对应的权矢量．CAP以轮询及动态TDMA方式为各节点安排发送时隙。采用微时隙为处于空闲状态的节点保持连接以降低时延．设计了一种简单有效的竞争接入算法,保证新用户能快速接入信道．针对Internet中主要的“请求一回应”(request-reply)式业务,分析了协议的信道利用率与平均“请求一回应”时延．结果表明,PB-ABFMA协议能有效支持智能天线应用并具有较高的信道利用率与良好的时延性能。     

车联网中协作数据分发方案研究

在车联网中,车辆可通过无线通信从路侧单元(RSU)下载文件数据,但由于车辆移动性高、RSU部署间距大及传输范围有限,使得车辆可下载数据量受到较大影响.为此,提出一种协作数据分发方案.利用双向车辆和RSU的资源可用性对目标车辆进行辅助下载,使得目标车辆在未覆盖RSU的盲区(DA)内仍能获取所需文件数据,在此基础上,考虑资...     

动态物联网环境下的联盟学习计算卸载优化

智能城市、智慧工厂等对物联网设备（Internet of Things，IoT）的性能和连接性提出了挑战。边缘计算的出现弥补了这些能力受限的设备，通过将密集的计算任务从它们迁移到边缘节点（Edge Node，EN），物联网设备能够在节约更多能耗的同时，仍保持服务质量。计算卸载决策涉及协作和复杂的资源管理，应该根据动态工作负载和网络环境实时确定计算卸载决策。采用模拟实验的方法，通过在物联网设备和边缘节点上都部署深度强化学习代理来最大化长期效用，并引入联盟学习来分布式训练深度强化学习代理。首先构建支持边缘计算的物联网系统，IoT从EN处下载已有模型进行训练，密集型计算任务卸载至EN进行训练；IoT上传更新的参数至EN，EN聚合该参数与EN处的模型得到新的模型；云端可在EN处获得新的模型并聚合，IoT也可以从EN获得更新的参数应用在设备上。经过多次迭代，该IoT能获得接近集中式训练的性能，并且降低了物联网设备和边缘节点之间的传输成本，实验证实了决策方案和联盟学习在动态物联网环境中的有效性。     

基于LTE-V2X的车联网资源分配算法

在车联网中的LTE-V2X系统中,资源分配包括集中式和分布式2种方式,针对分布式方式下SPS资源分配算法存在的半双工错误、隐藏终端错误和资源块冲突等问题,提出一种高速公路场景中基于行车方向的改进SPS算法.根据高速公路行车方向的特点,将资源池划分为2个子资源池,以减少相反方向车辆用户之间的潜在干扰.使每个资源块携带位置...     

A mobile edge computing-based applications execution framework for Internet of Vehicles

Mobile edge computing (MEC) is a promising technology for the Internet of Vehicles, especially in terms of application offloading and resource allocation. Most existing offloading schemes are sub-optimal, since these offloading strategies consider an application as a whole. In comparison, in this paper we propose an application-centric framework and build a finer-grained offloading scheme based on application partitioning. In our framework, each application is modelled as a directed acyclic graph, where each node represents a subtask and each edge represents the data flow dependency between a pair of subtasks. Both vehicles and MEC server within the communication range can be used as candidate offloading nodes. Then, the offloading involves assigning these computing nodes to subtasks. In addition, the proposed offloading scheme deal with the delay constraint of each subtask. The experimental evaluation show that, compared to existing non-partitioning offloading schemes, this proposed one effectively improves the performance of the application in terms of execution time and throughput.     

车联网中视频内容理解任务的计算卸载决策研究

视频数据能够为车辆的智能网联化提供丰富的信息,为了更好地提取视频内容并使卸载后的视频中包含更多的有效信息,在时延约束条件下,设计一种内容驱动的计算卸载指导方式并提出基于改进蒙特卡洛树搜索的计算卸载决策算法。在车辆端通过关键帧提取来对视频内容进行预处理,以有效分析视频内容理解任务的重要性,使得更重要的任务能够获得更多的计算资源。采用基于强化学习的启发式搜索算法完成计算卸载决策,并引入深度神经网络预训练先验转移概率,从而优化算法的收敛速度并降低计算复杂度。实验结果表明,该算法能够在时延约束下有效降低能耗并提升视频内容理解精度,相比基于Q-learning、基于模拟退火的算法,其收敛速度更快,计算复杂度更低,在700 ms时延约束下系统总效用达到37%。