基于边缘计算的电力系统通信网络构建

为克服电力系统传统云计算模式网络拥堵的问题,在现有的电力系统通信网基础上,引入边缘计算技术。在分析国内电力系统大数据计算量的基础上,讨论了现有电力系统通信网体系架构的优化途径。构建了基于docker技术的云边协同电力系统通信网络总体模型。将协同运行机制应用于系统中的各级设备。根据电力系统通信网络模型的特点,以多无人机巡检任务为应用场景,研究了基于合作型协同进化的任务协作机制的全局优化方案。提出了边缘计算服务器延时模型。讨论了基于时延和资源分配综合最优的计算卸载策略。构建了资源分配目标函数。在保证各节点总延时最小的前提下,实现了资源分配差异度最小。     

基于边缘计算的电力系统通信网络构建

为克服电力系统传统云计算模式网络拥堵的问题,在现有的电力系统通信网基础上,引入边缘计算技术。在分析国内电力系统大数据计算量的基础上,讨论了现有电力系统通信网体系架构的优化途径。构建了基于docker技术的云边协同电力系统通信网络总体模型。将协同运行机制应用于系统中的各级设备。根据电力系统通信网络模型的特点,以多无人机巡检任务为应用场景,研究了基于合作型协同进化的任务协作机制的全局优化方案。提出了边缘计算服务器延时模型。讨论了基于时延和资源分配综合最优的计算卸载策略。构建了资源分配目标函数。在保证各节点总延时最小的前提下,实现了资源分配差异度最小。     

基于云边协同算力调度的高效边缘卸载研究

为了满足车载边缘计算网络(Vehicular Edge Computing,VEC)中低时延、高可靠、高传输速率等极致性能需求,亟需突破现有传统车联网中通信感知计算相互割裂的现状,基于云边端一体化与智能协同等算力网络技术设计一种高效的任务卸载策略成为解决方案。为此,提出一种云边协同智能驱动车载边缘算力网络架构,通过结合实时计算负载与网络状态条件,充分利用云中心、聚合服务器和MEC服务器的异构计算能力,权衡用户任务卸载策略,实现网络资源的全面协作和智能管理。考虑到计算型任务对时延和能耗的需求,将计算卸载策略建模为在通信与计算资源约束下的最小化长期系统成本的优化问题,并将其转化为马尔可夫决策过程(Markov Decision Process,MDP)。最后,鉴于车载网络的动态和随机特性,提出一种基于云边协同的深度Q网络(Cloud-Edge Collaborative Deep Q-Network,CEC-DQN)的高效计算卸载策略来解决MDP问题。仿真结果表明,与传统单点边缘服务器卸载或随机卸载算法相比,所提出的算法具有较高的性能提升,可有效解决多层次算力网络中节点算力分配不足、不均衡的问题。     

5G边云协同分布式网络架构下任务卸载模型

自动驾驶、增强现实等5G新兴的应用对网络时延和可靠性提出更高的挑战,针对边缘协同框架负载均衡问题,提出一种大规模边云协同分布式网络架构下的任务卸载模型.该模型以最低能耗为目标,根据任务特性与现有网络资源、计算资源和存储资源自适应优化任务卸载决策,通过整合边缘计算与云计算处理能力的优势,保证时延敏感型任务的质量,提高整个...     

车联网场景下移动边缘计算协作式资源分配策略

为了有效利用边缘云的计算资源,尽可能降低任务卸载时的平均等待时延,提出了一种满足边缘计算服务器容限阈值和任务卸载成功率约束条件下的多个边缘计算服务器相互协作的资源分配方案,通过单位时间总代价指标优化边缘计算服务器个数.将此方案建模为一个整数优化问题,之后设计了一种最小代价算法求解此优化问题,得到约束条件下的单位时间总代价以及任务平均等待时延.仿真结果表明,与已有方案相比,所提方案降低了单位时间总代价和任务卸载平均等待时延.     

车载边缘计算中任务卸载和服务缓存的联合智能优化

针对车载环境下有限的网络资源和大量用户需求之间的矛盾,提出了智能驱动的车载边缘计算网络架构,以实现网络资源的全面协同和智能管理.基于该架构,设计了任务卸载和服务缓存的联合优化机制,对用户任务卸载以及计算和缓存资源的调度进行了建模.鉴于车载网络的动态、随机和时变的特性,利用异步分布式强化学习算法,给出了最优的卸载决策和资...     

基于移动云服务的车联网任务卸载策略

针对车联网数据卸载策略在选择边缘服务器时忽略负载均衡的问题,提出一种基于移动云服务的车联网任务卸载策略。该策略基于一种新型网络架构,采用强化学习实现卸载任务指派,将任务卸载的问题转化为车联网服务收益的问题,以通信资源和计算资源构建约束条件,结合整个计算资源系统任务处理时延最低和系统可靠性的要求,寻找可用的服务器节点,实现对卸载任务的最优指派。实验仿真表明,所提出的方法能够减少系统的负载率和任务完成时间,降低了最大链路带宽占用率,从而提升了任务卸载的效率。     

基于模拟退火机制的车辆用户移动边缘计算任务卸载新方法

在车联网(IOV)环境中,如果将车辆的计算任务都放置在云平台执行,无法满足对于信息处理的实时性,考虑移动边缘计算技术以及任务卸载策略,将用户的计算任务卸载到靠近设备边缘的服务器去执行。但是在密集的环境下,如果所有的任务都卸载到附近的边缘服务器去执行,同样会给边缘服务器带来巨大的负载。该文提出基于模拟退火机制的车辆用户移动边缘计算任务卸载新方法,通过定义用户的任务计算卸载效用,综合考虑时耗和能耗,结合模拟退火机制,根据当前道路的密集程度对系统卸载效用进行优化,改变用户的卸载决策,选择在本地执行或者卸载到边缘服务器上执行,使得在给定的环境下的所有用户都能得到满足低时延高质量的服务。仿真结果表明,该算法在减少用户任务计算时间的同时降低了能量消耗。     

移动边缘计算卸载技术综述

移动边缘计算(Mobile Edge Computing,MEC)将云服务器的计算资源扩展到更靠近用户一侧的网络边缘,使得用户可以将任务卸载到边缘服务器,从而克服原先云计算中将任务卸载到云服务器所带来的高时延问题。首先介绍了移动边缘计算的基本概念、基本框架和应用场景,然后围绕卸载决策、联合资源分配的卸载决策分别从单MEC服务器和多MEC服务器两种场景总结了任务卸载技术的研究现状,最后结合当前MEC卸载技术中存在的不足展望了未来MEC卸载技术的研究。     

一种基于车边云协同的车联网计算卸载策略

随着智能交通的快速发展和车联网中数据流量爆炸式的增长,汽车终端请求卸载的任务对时延和带宽有了更加严苛的要求。在现有的云计算服务模式中,车辆可以访问云服务器来获得强大的计算、存储和网络资源,但缺点是通信传输时延较大,仅依靠云计算可能会导致过度的延迟。为了更加合理利用资源、减小时延、优化卸载策略,提出了一种基于粒子群优化算法的“车-边-云”协同卸载方案。首先通过接入点附近的软件定义网络（Software Define Network,SDN)控制器根据终端用户附近边缘节点、本地终端和云计算节点的计算资源和容量情况得出最优的卸载策略,充分利用本地、移动边缘计算（Mobile Edge Computing,MEC）设备、云端的计算资源,然后通过粒子群优化算法得出“车-边-云”各计算节点的卸载系数,即最优卸载策略。实验结果表明,相比于其他卸载策略,所提的卸载机制对时延优化效果明显,提高了计算资源的利用率。     

基于深度强化学习的云边协同计算迁移研究

基于单一边缘节点计算、存储资源的有限性及大数据场景对高效计算服务的需求,本文提出了一种基于深度强化学习的云边协同计算迁移机制.具体地,基于计算资源、带宽和迁移决策的综合性考量,构建了一个最小化所有用户任务执行延迟与能耗权重和的优化问题.基于该优化问题提出了一个异步云边协同的深度强化学习算法,该算法充分利用了云边双方的计...     

基于深度强化学习的边缘视频任务卸载策略

随着物联网的发展以及智能设备的普及,视频处理技术已广泛应用于生活中。自动驾驶、产品质检等应用场景对视频处理技术的实时性需求逐步提高,移动边缘计算为计算能力不足和能源受限的设备提供计算资源以执行时延敏感性任务,为实时视频处理提供了新的计算架构。本文搭建了一个视频计算卸载场景,并以视频检测为任务,以系统时延为优化目标,建立了计算卸载模型和马尔可夫决策模型;考虑到计算卸载场景的复杂动态因素,如带宽波动、设备数量、任务大小等,以最小化系统时延为目标,提出了一种基于深度强化学习的计算卸载策略进行求解。实验表明,与其他基线方案相比,该卸载策略能够适应较复杂卸载场景,有效降低系统时延。     

MEC的云边协同分析

在业界云边协同应用场景和云边协同通用参考框架基础上提出移动边缘计算(MEC)云边协同参考架构,分析了狭义MEC与广义MEC的云边协同不同点,具体给出MEC边缘网络服务、边缘运营管理、云边平台服务、云边业务应用4大类的协同,为运营商的5G MEC云边协同发展提供参考。     

一种边云协同开发框架技术

在5G+移动互联网时代,云边协同开发框架的意义在于实现云端和边缘计算资源的协同工作,以提供更灵活、高效和全面的服务。云边协同架构将云计算和边缘计算紧密结合,通过有效地协同利用云端和边缘资源,形成一个统一的服务体系,实现资源的动态分配和任务的智能调度。基于中国移动的5G新基建,文章提出了一种基于5G边缘计算技术的云边协同开发框架及实现方法,为移动场景下的边缘计算应用提供切实可行的落地方案。     

基于云边协同的射线检测智能评定系统方案研究

传统工业无损检测存在数据分散、管理困难及利用率低等问题,文章针对智能评定场景需求,对比云计算、边缘计算及云边协同三种方案差异,提出一种基于“端-边-云”协同的智能工业物联网架构,并针对该协同方案的关键协同技术进行实践与分析,为射线检测智能评定场景下的云边协同技术的实现奠定基础。     

基于联盟链的可靠边缘计算任务卸载方法

随着移动终端尤其是工业互联网技术的快速发展,终端设备密集分布,无线带宽有限,经常导致业务过程中的集中式云资源调度,难以满足远程终端应用对低时延和低成本计算的需求.着眼于本地服务器联动云数据中心,边缘计算为这类移动应用提供了一种敏捷的计算服务模式.虽然边缘计算的敏捷服务模式能够有效缩短移动应用的时延并降低对应的通信成本,但在边缘计算环境下,异构资源之间的任务卸载经常会导致一些潜在的数据安全隐患和服务质量受损.针对上述应用挑战和技术发展趋势,本文提出了一种基于联盟链的可靠边缘计算任务卸载方法 .该方法利用联盟链进行身份校验和卸载结果反馈,以任务的完成时间、卸载成本与资源可靠度作为评价标准,设计了一种基于遗传算法的卸载策略,支持卸载决策时任务卸载的可靠性评估.实验结果表明,本文方法能在满足时延约束的前提下提高任务卸载的可靠性,为移动智能应用提供了一种有效的数据安全保障方法.     

移动边缘计算中智能服务编排和算网资源分配联合优化方法

为了解决边缘网络环境中由于业务差异化、网络环境高度动态化以及算网资源部署去中心化造成的网络服务缓存和算网资源分配效率低等问题,研究并建立了一种去中心化的移动边缘计算服务编排和计算卸载模型;并在算力、存储、带宽等多维资源约束下,以最小化任务处理时延为目标,将服务缓存和算网资源分配联合优化问题抽象为部分可观测马尔可夫决策过程;考虑到服务请求时间依赖性及其与服务缓存间的耦合关系,引入长短时记忆网络来捕获时间相关的网络状态信息,进而提出基于循环多智能体深度强化学习的分布式服务编排和资源分配算法以自主决策服务缓存和算网资源分配策略。仿真结果表明,所提算法在缓存命中率、任务处理时延等方面具有显著的性能提升。     

基于日志可观测的云——边协同微服务部署优化

依托微服务、容器化等云原生能力,数字化业务可拆分成细粒度的微服务模块,通过云边协同的方式优化微服务部署模式。一般来说,边缘计算可通过将计算资源扩展到网络边缘侧,降低物联网应用的响应时延及运行开销,但边缘侧设备计算及存储能力有限,通常难以满足组合服务多类型资源需求。因此,将中心云与边缘侧设备的微服务功能进行划分,是提高服务质量、优化网络性能的必要手段。为了实现微服务模块的合理配置,提出了一种基于日志可观测的云—边协同微服务部署优化方法,构建基于微服务的时序过程模型,并通过时序约束挖掘算法发现微服务间连接关系。采用多目标优化算法,最小化微服务配置时延和能耗,实现云—边协同微服务部署优化。最后,实验验证了方法的有效性。     

基于多接入边缘计算的任务卸载和资源分配策略研究

随着移动通信技术和工业互联网的飞速发展,移动设备端日渐庞大的数量和复杂的应用对大量计算密集和低时延提出了要求,也因此引出了基于多接入边缘计算的任务卸载概念。这种任务卸载方式能够有效地利用边缘云服务器资源,将复杂的计算任务卸载至邻近的低消耗边缘服务器,提高任务计算效率和更高的服务质量。提出了一种基于拓扑结构的任务卸载策略和边缘资源分配策略,旨在解决边缘计算场景中,任务卸载效率低、资源利用率不足等问题。     

V2X多节点协同分布式卸载策略

为了应对车联网中计算资源密集、可分离型任务的卸载环境动态变化和不同协同节点通信、计算资源存在差异的问题,提出了一种在V2X下多协同节点串行卸载、并行计算的分布式卸载策略。该策略利用车辆可预测的行驶轨迹,对任务进行不等拆分,分布式计算于本地、MEC及协同车辆,建立系统时延最小化的优化问题。为求解该优化问题,设计了博弈论的卸载机制,以实现协同节点串行卸载的执行顺序;鉴于车联网的动态时变特性,利用序列二次规划算法,给出了最优的任务不等拆分。仿真结果表明,所提策略能够有效减少计算任务系统时延,且当多协同节点分布式卸载服务时,所提策略在不同的参数条件下仍然能够保持稳定的系统性能。