车联网云边协同计算场景下的多目标优化卸载决策

车联网场景下的计算任务对时延非常敏感,需要云边协同计算来满足这类需求。针对车联网云边协同计算场景下如何高效地进行服务卸载并同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配问题,设计了基于云边协同的车辆计算网络架构,在该架构下,车载终端、云服务器和边缘服务器都可以提供计算服务;通过对缓存任务进行分类并将缓存策略引入车联网场景,依次设计了缓存模型、时延模型、能耗模型、服务质量模型以及多目标优化问题模型;给出了一种基于改进的多目标优化免疫算法的卸载决策方案。最后,通过对比实验验证了所提卸载决策方案的有效性。     

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。     

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%。     

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.     

一种车载服务的快速深度Q学习网络边云迁移策略

智能网联交通系统中车载用户的高速移动，不可避免地造成了数据在边缘服务器之间频繁迁移，产生了额外的通信回传时延，对边缘服务器的实时计算服务带来了巨大的挑战。为此，该文提出一种基于车辆运动轨迹的快速深度Q学习网络(DQN-TP)边云迁移策略，实现数据迁移的离线评估和在线决策。车载决策神经网络实时获取接入的边缘服务器网络状态和通信回传时延，根据车辆的运动轨迹进行虚拟机或任务迁移的决策，同时将实时的决策信息和获取的边缘服务器网络状态信息发送到云端的经验回放池中；评估神经网络在云端读取经验回放池中的相关信息进行网络参数的优化训练，定时更新车载决策神经网络的权值，实现在线决策的优化。最后仿真验证了所提算法与虚拟机迁移算法和任务迁移算法相比能有效地降低时延。     

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...     

基于移动路径预测的车载边缘计算卸载切换策略研究

车载云计算环境中的计算卸载存在回程网络延迟高、远程云端负载大等问题,车载边缘计算利用边缘服务器靠近车载终端,就近提供云计算服务的特点,在一定程度上解决了上述问题。但由于汽车运动造成的通信环境动态变化进而导致任务完成时间增加,为此该文提出一种基于移动路径可预测的计算卸载切换策略MPOHS,即在车辆移动路径可预测情况下,引入基于最小完成时间的计算切换策略,以降低车辆移动性对计算卸载的影响。实验结果表明,相对于现有研究,该文所提算法能够在减少平均任务完成时间的同时,减少切换次数和切换时间开销,有效降低汽车运动对计算卸载的影响。     

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。     

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。     

工业物联网中数字孪生辅助任务卸载算法

针对工业物联网(IIoT)设备资源有限和边缘服务器资源动态变化导致的任务协同计算效率低等问题,该文提出一种工业物联网中数字孪生(DT)辅助任务卸载算法。首先,该算法构建了云-边-端3层数字孪生辅助任务卸载框架,在所创建的数字孪生层中生成近似最佳的任务卸载策略。其次,在任务计算时间和能量的约束下,从时延的角度研究了计算卸载过程中用户关联和任务划分的联合优化问题,建立了最小化任务卸载时间和服务失败惩罚的优化模型。最后,提出一种基于深度多智能体参数化Q网络(DMAPQN)的用户关联和任务划分算法,通过每个智能体不断地探索和学习,以获取近似最佳的用户关联和任务划分策略,并将该策略下发至物理实体网络中执行。仿真结果表明,所提任务卸载算法有效降低了任务协同计算时间,同时为每个计算任务提供近似最佳的卸载策略。     

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.     

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。     

基于移动边缘计算的V2X任务卸载方案

移动边缘计算(MEC)通过在移动网络边缘提供IT服务环境和云计算能力带来高带宽、低时延优势,从而在下一代移动网络的研究中引起了广泛的关注。该文研究车载网络中车辆卸载请求任务时搜寻服务节点为其服务的匹配问题,构建一个基于MEC的卸载框架,任务既可以卸载到MEC服务器以车辆到基础设施(V2I)形式通信,也可以卸载到邻近车辆进行车辆到车辆(V2V)通信。考虑到资源有限性、异构性,任务多样性,建模该框架为组合拍卖模式,提出一种多轮顺序组合拍卖机制,由层次分析法(AHP)排序、任务投标、获胜者决策3个阶段组成。仿真结果表明,所提机制可以在时延和容量约束下,使请求车辆效益提高的同时最大化服务节点的效益。     

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。     

面向算网融合的边缘计算网络任务卸载策略优化方法

为了解决传统网络任务卸载策略存在的任务平均能耗较高的不足,本文面向算网融合,针对边缘计算网络任务卸载策略优化方法展开研究。转换算力资源的地址属性得到网络时延,判断用户使用时的位置方向,加载训练阶段的网络参数,得到卸载所需最大功率;对用户进行信道分配,制定卸载策略,降低信道间干扰对卸载策略的影响,合理分配移动设备传输功率使其达到最优;对非线性规划设备进行能耗运算,改善边界分支范围划定,二次剪枝快速搜寻最优值,将局部最优解累加得到问题最优解从而实现网络任务卸载策略优化。实验结果表明,运用本文方法平均耗能最低,提升计算速率,完成计算机网络任务的高效卸载。     

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。     

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...     

基于匹配理论的电力物联网边缘服务器选择机制

移动边缘计算利用部署在用户附近基站或具有空闲资源的路侧单元、车辆和MEC服务器作为网络的边缘,为设备提供所需的服务以及云端计算能力,以减少网络操作和服务交付的时延。文章将移动设备和MEC服务器的任务分配问题描述为一对一的匹配博弈,解决了移动边缘计算中的任务卸载问题。文章提出的算法具有良好的扩展性,并且能够降低总体能耗,使任务卸载时延最小化。     

车联网中一种基于软件定义网络与移动边缘计算的卸载策略

在新兴的车联网络中,汽车终端请求卸载的任务对网络带宽、卸载时延等有着更加严苛的需求,而新型通信网络研究中移动边缘计算(MEC)的提出更好地解决了这一挑战。该文着重解决的是汽车终端进行任务卸载时卸载对象的匹配问题。文中引入了软件定义车载网络(SDN-V)对全局变量统一调度,实现了资源控制管理、设备信息采集以及任务信息分析。基于用户任务的差异化性质,定义了重要度的模型,在此基础上,通过设计任务卸载优先级机制算法,实现任务优先级划分。针对多目标优化模型,采用乘子法对非凸优化模型进行求解。仿真结果表明,与其他卸载策略相比,该文所提卸载机制对时延和能耗优化效果明显,能够最大程度地保证用户的效益。     

基于云、网、边融合的边缘计算新方案:算力网络

边缘计算已经成为5G时代重要的创新型业务模式,尤其是其低时延特性,被认为是传统方案所不具备的,因此边缘计算能够提供更多的服务能力且具有更为广泛的应用场景。但边缘计算与处于中心位置的云计算之间的算力协同成为新的技术难题,即需要在边缘计算、云计算以及网络之间实现云网协同、云边协同,甚至边边协同,才能实现资源利用的最优化。在研究边缘计算算力分配和调度需求的基础上,提出了基于云、网、边深度融合的算力网络方案,并针对AI类应用给出了一个典型实施系统,该方案能够有效应对未来业务对计算、存储、网络甚至算法资源的多级部署以及在各级节点之间的灵活调度。