Computation Partitioning in Mobile Cloud Computing： A Survey

Mobile devices are increasingly interacting with clouds,and mobile cloud computing has emerged as a new paradigm.An central topic in mobile cloud computing is computation partitioning,which involves partitioning the execution of applications between the mobile side and cloud side so that execution cost is minimized.This paper discusses computation partitioning in mobile cloud computing.We first present the background and system models of mobile cloud computation partitioning systems.We then describe and compare state-of-the-art mobile computation partitioning in terms of application modeling,profiling,optimization,and implementation.We point out the main research issues and directions and summarize our own works.     

移动边缘计算中的计算卸载和资源管理方案

移动边缘计算(mobile edge computing,MEC)是一种新兴的计算范式。设备将计算任务卸载到MEC服务器,满足业务时延需求,延长设备电池寿命,解决设备资源受限问题。对目前MEC系统中计算卸载方案的研究现状和成果进行了总结,分析了存在的问题和挑战,并进一步探讨未来MEC计算卸载的研究方向。     

前言

人们对后3G的要求是:在全球范围内实现无缝覆盖,进行包括语音、文本、图像、视频等在内的高速多媒体通信。为此,在有限频谱资源条件下,必须缩短无线信号的传输半径,极大限度地复用频谱资源,提高单位空间的信道容量。采用各种先进的无线传输技术的无线传输网络则在中、小范围内提供高速率、高质量的无线移动通信服务。因而WLAN和WPAN的需求和应用在不断增长,超宽带(UWB,ultra wide-band)等短距离、高空间容量的技术日益兴起,成为目前无线通信领域的热点。UWB的核心是冲激无线电技术,即利用持续时间非常短(纳秒、亚纳秒级)的脉冲波形来…     

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...     

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。     

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。     

基于拉格朗日的计算迁移能耗优化策略

随着移动网络技术的发展和智能终端的普及应用,移动边缘计算已成为云计算的一个重要应用。计算迁移策略已成为移动边缘计算服务的关键问题之一。以移动终端总的计算时间和移动终端能耗最小化为目标,将移动终端的计算迁移资源划分问题建模为一个凸优化问题,运用拉格朗日乘子法进行求解,提出基于阈值的迁移优化策略模型。仿真实验表明,本迁移优化策略模型能有效平衡本地计算和迁移计算之间的关系,为移动边缘计算中执行计算密集型应用提供保障。     

异构蜂窝网络中分层任务卸载：建模与优化

为提高计算任务卸载的效率,提出了一种基于D2D通信、移动边缘计算和云计算的分层任务卸载框架,并引入D2D协作中继技术辅助用户接入远端计算资源。针对所提任务卸载框架在多用户场景中可能存在上行通信拥塞、边缘计算资源受限、D2D复用干扰和云计算回程时延等问题,设计了一种基于博弈论的卸载调度和负载均衡方案,充分利用了所提任务卸载框架中各层计算和通信资源。仿真结果表明,所提方案能够有效降低端到端时延和卸载能耗,并在资源受限的条件下具有良好的稳定性。     

MEC系统中基于多智能体深度增强学习的协作式任务卸载和资源分配

移动边缘计算(MEC)通过将计算任务卸载到MEC服务器上,在缓解智能移动设备计算负载的同时,可以降低服务时延。然而目前在MEC系统中,关于任务卸载和资源分配仍然存在以下问题：1)边缘节点间缺乏协作;2)计算任务到达与实际环境中动态变化的特征不匹配;3)协作式任务卸载和资源分配动态联合优化问题。为解决上述问题,文章在协作式MEC架构的基础上,提出了一种基于多智能体的深度确定性策略梯度算法(MADDPG)的任务卸载和资源分配算法,最小化系统中所有用户的长期平均成本。仿真结果表明,该算法可以有效降低系统的时延及能耗。     

车辆边缘计算中多车辆协同任务计算方案

针对车辆的移动和任务流量的动态变化会对周围智能车辆选择造成严重干扰的问题,提出了一种基于库恩-曼克尔斯(Kuhn-Munkres, KM)算法的多车辆协同任务计算方案。首先,通过对车辆的移动分析,建立了动态车辆选择模型;然后,根据层次分析法和KM算法,在通信时间限制和计算资源约束下,求解多任务最优匹配,以实现任务的总计算时间最小化。仿真实验结果表明,相比已有卸载方案,所提方案能够有效减少任务的总计算时间,并降低任务卸载计算的失败率。     

空中计算网络技术综述

空中计算网络（Aerial Computing Network,ACN）整合空中接入网和移动边缘计算,利用异构空中平台实现本地化就近服务,可有效支持广域范围内海量用户的多样化低时延业务请求。介绍了ACN的3类关键空中平台,并从平台高度、成本、复杂度、适用业务类型等方面对各空中平台进行对比分析。总结了现有ACN的网络架构,梳理了网络架构演进方向。最后,结合ACN的重要应用场景,指出了ACN的未来研究方向,以期为后续研究提供借鉴与启示。     

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...     

基于能量收集的MEC系统的计算卸载策略研究

通过利用整数规划算法和贪婪策略对基于李雅普诺夫优化的动态计算卸载(Lyapunov Opti-mization-based Dynamic Computation Offloading,LODCO)算法进行升级和重构,使其适用于具多用户和多服务器的移动边缘计算系统,并通过选择各移动设备的执行模式,来降低执行成本.仿真结...