缓存辅助边缘计算的卸载决策与资源优化

提出一种缓存辅助边缘计算的卸载决策制定与资源优化方案,以进一步降低移动边缘计算（MEC）系统中终端设备的能量消耗.首先,建立该优化问题为最小化用户在任务执行时最坏情况下的能耗值,并将这一混合整数规划问题转化为非凸的二次约束二次规划（QCQP）模型,使用半定松弛及随机概率映射方法获得缓存辅助下的预选卸载集合;其次,分别采用拉格朗日对偶分解法和二分法求得性能约束下的最优传输功率及边缘计算资源分配,从而通过对比该集合中的设备能耗得到理想的卸载决策集合与资源分配方案.实验数值结果表明,所提方案能够有效降低用户能量消耗,提升边缘计算系统的服务性能.     

基于DRL的MEC任务卸载与资源调度算法

为提高多接入边缘计算（MEC）任务卸载效率,提出了一个任务卸载和异构资源调度的联合优化模型.考虑异构的通信资源和计算资源,联合最小化用户的设备能耗、任务执行时延和付费,并利用深度强化学习（DRL）算法对该模型求最优的任务卸载算法.仿真结果表明,该优化算法比银行家算法的设备能耗、时延和付费的综合指标提升了27.6%.     

异构蜂窝网络中基于雾节点协作贡献度的计算卸载算法

通过雾计算可将基于云的服务拓展至无线网络边缘和多种场景。针对密集异构蜂窝网络雾计算系统中的协作计算卸载问题，提出一种基于雾节点协作贡献度的计算卸载算法。首先，对协作可行性、协作公平性和协作稳定性进行了建模设计；其次，定义了协作贡献度和协作贡献比系数；然后，结合雾节点的剩余计算容量阈值和协作贡献度阈值，在满足任务可容忍的最大时延约束下，提出以任务执行能耗和用户支付成本的加权和最小化为目标的优化问题，使用外部罚函数法和方向加速法(Powell法)得到最优卸载决策。仿真结果表明，所提算法在各种任务参数和时延约束下能够有效降低执行任务的总开销，并且能够在协作可行性、协作公平性之间进行权衡处理。     

移动边缘计算中基于能量收集的能效优化方案

移动边缘计算（MEC）系统中密集的计算任务卸载使得资源受限的终端设备能量效率低,能量服务单一,对此,提出了一种基于能量收集的系统能效优化方案.该方案首先在满足卸载发送功率限制等约束条件下,分析了能量收集状态及用户功率分配,建立了最大化系统能效的联合优化模型;其次,利用广义分数规划理论将卸载能效转化为标准凸优化问题,并通过构建拉格朗日函数对目标函数进行迭代优化,获得最优的能量指示变量和功率分配.仿真结果表明,所提方案可以有效提升MEC系统中的用户能量效率,同时保证了用户服务质量,实现了绿色通信.     

移动边缘计算中的时延和能耗均衡优化算法

为了提升移动边缘计算（MEC）网络中的任务卸载效用,提出了一种基于任务卸载增益最大化的时延和能耗均衡优化算法.通过分析通信资源和计算资源对时延和能耗这2种性能指标的制约关系,将原问题分解为联合发射功率子信道分配子问题和MEC计算频率分配子问题.通过Karush-Kuhn-Tucker条件,导出了最优的MEC计算频率闭式解.此外,提出了一种基于二分法的发射功率分配算法和基于匈牙利二部图匹配的子信道分配算法.仿真结果表明,提出的算法相比传统算法可以显著提升用户的任务卸载效用.     

面向车辆边缘计算的任务合作卸载

随着物联网技术和人工智能技术的飞速发展，车辆边缘计算越来越引起人们的注意。车辆如何有效地利用车辆周边的各种通信、计算和缓存资源，结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元，已经成为目前车联网研究的热点。由于车辆应用设备有限的计算资源，车辆用户的任务计算需求无法满足，需要充分利用车辆周边的计算资源来计算任务。本文研究了车辆边缘计算中任务的合作卸载机制，以最小化车辆任务的计算时延。首先，设计了任务合作卸载的三层系统架构，考虑了车辆周边停泊车辆的计算资源以及路边单元的计算资源，组成云服务器层、停泊车辆合作集群层和路边单元合作集群层的三层架构。通过路边单元合作集群和停泊车辆合作集群的合作卸载，充分利用系统的空闲计算资源，进一步提高了系统的资源利用率。然后，基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分，并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后，通过将本文算法和其他算法方案的进行实验对比，仿真结果表明，本文算法在系统时延和系统吞吐量方面具有更好的性能表现，可以降低23%的系统时延，并且能提升28%的系统吞吐量。     

MEC系统中面向网络切片的3C联合资源分配算法

移动边缘计算（MEC）相关研究已经成为未来移动网络的热点研究之一.在基于网络切片的雾无线接入网络中,提出了一种面向网络切片的MEC系统通信计算缓存（3C）联合的资源分配算法.给出了面向网络切片的多MEC协作资源分配模型,其中考虑了无线接入带宽与回程链路带宽的限制以及MEC系统计算与缓存资源分配对网络切片服务时延的影响;基于服务时延定义了用户获得资源的效用值,构造了系统效用值最大化问题优化不同网络切片下的用户接入、计算与缓存资源分配,并采用连续凸近似交替迭代方法获得近似最优解.对所提算法性能进行了仿真验证,仿真结果表明,所提算法实现了系统总效用值优化,提高了面向网络切片的MEC系统资源利用效率.     

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法（AHP）将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。     

低轨卫星网络基于Stackelberg博弈的任务卸载策略

针对单一卫星在过顶时间内难以完成复杂的任务计算问题,提出了一种应用于真实低轨卫星网络场景的星地边缘计算任务卸载方法。地面用户根据星地链路的连通条件建立与LEO卫星的任务协同计算关系,并基于Stackelberg博弈模型,构建双方关于任务时延的收益函数,采用分布式迭代算法求解满足纳什均衡下的任务卸载最优策略,从而优化任务时延。仿真结果表明,提出的Stackelberg博弈星地边缘计算方法与云计算及单一卫星计算相比,任务处理时延分别降低88%和46%;同时相比于任务卸载的传统算法,文中提出方法也具有明显的时延优势,证明了提出方法在任务卸载计算方面的有效性。     

面向多用户的移动边缘计算任务分级处理卸载机制

在信道资源受限情况下，最小化卸载过程中的时延和能耗是改善基于无线携能通信的多用户移动边缘计算(MEC)网络卸载性能的关键因素之一。通过规划计算任务的卸载比重和链路传输过程中的信道分配，提出一种多任务分级处理机制(MHPM),以实现计算卸载过程中信道资源的合理调度。同时，根据移动终端设备在MEC卸载过程中的平均时间消耗和能量消耗，构建了约束多目标优化问题的数学模型，并结合MHPM和约束非主导的排序遗传算法Ⅱ求解该模型，从而实现了设备时延与能耗之间的有效均衡。仿真实验结果表明，采用MHPM可以降低设备在卸载过程中的平均时间消耗和能量消耗，而利用约束多目标优化算法可以得到目标函数的最优解。     

基于mMIMO的MEC安全节能资源分配方法

移动边缘计算（MEC）系统在恶意用户干扰攻击和窃听的双重威胁下,会带来上行卸载受阻、用户信息泄露、系统能源利用率低等问题.对此,利用物理层安全技术防止窃听,并利用大规模多输入多输出（mMIMO）技术来减少干扰及用户能耗.此外,在时延受限的条件下,通过联合优化用户的卸载决策、发射功率以及卸载速率,实现用户总能耗最小化.针对此非凸的多目标优化问题,首先利用拉格朗日乘数法得到用户卸载数据量的闭合表达式,然后利用迭代算法得到用户最优的发射功率以及最大卸载速率.仿真结果表明,所提出的mMIMO-MEC安全卸载方案在解决干扰和窃听等安全问题的同时,有效地降低了系统的总能耗.     

智慧社区边缘计算场景下基于免疫算法的卸载决策优化

边缘计算通过将云计算中心的计算和存储资源下沉至距离用户更近的网络边缘,用户可将任务卸载至边缘计算节点执行,以获得更低的任务时延和能耗.针对智慧社区场景下的任务卸载决策问题,构建了联合优化任务时延和能耗的卸载决策优化模型;在免疫算法中引入交叉操作,并对克隆算子、变异算子进行了改进,给出了一种基于改进免疫算法的任务卸载方案,并对该模型进行仿真实验.结果表明：该方案优于基于粒子群优化算法方案、基于遗传算法方案和基于免疫算法的卸载方案,可以有效降低任务时延和能耗.     

无线MEC系统中队列状态感知的卸载和 传输联合优化

针对多用户-多移动边缘计算服务器系统的动态计算任务卸载问题,基于用户端和服务器端的任务队列模型,以系统的长期平均时延和长期平均功耗为优化目标,求解最优的卸载策略及相应的上行预编码.通过李雅普诺夫优化方法将长期平均问题转化成单阶段目标优化问题,考虑到卸载策略和预编码之间存在范数约束关系,通过连续近似和半正定松弛,可转化成典型的DC规划求预编码解问题.仿真结果表明,所提方案比传统方法具有更低的时延和功耗.     

面向移动边缘计算的动态规划算法研究

移动边缘计算可以将用户任务卸载至边缘服务器,以减少移动设备的能耗与时延。通过研究边缘计算场景,提出了一种自适应动态规划算法,以优化用户的卸载决策。所提算法采用创新的比特流填表方式以节省计算时间,同时在满足时间约束的条件下减小能耗与时延。结果表明,该算法可在满足应用程序执行时间约束的前提下找到近似最优解,同时在不损失计算效率的前提下处理较大的卸载问题。     

VEC中多边缘节点协作卸载与资源分配算法

针对车载边缘计算(VEC)中任务计算成本高和边缘节点负载不均衡的问题，将软件定义网络(SDN)与多边缘计算相结合，构建了“端-多边-云”3层软件定义车载边缘计算模型，并提出了一种新的协作卸载和资源分配算法。使用SDN控制器从全局角度获取网络信息，对任务卸载和资源分配进行统一调度。将改进的k-means算法用于确定任务的初始卸载决策，将任务分别分配到本地簇、边缘节点簇和云服务器簇中。此外，利用深度Q网络算法获得了边缘节点簇中任务最优的卸载决策、卸载比例和资源分配策略。仿真实验结果表明，相较于对比算法，用所提算法使任务的计算成本降低了18.6%以上，提高了22.9%以上的边缘节点资源利用率，并实现了边缘节点间的负载均衡。     

人工智能技术在城市灾害风险管理中的应用与探索

针对智慧城市预警系统存在的传感器设备(sensor device, SD)的计算与存储能力不足、预警数据处理实时性差等问题, 基于边缘计算技术, 提出了云边协同的城市预警系统任务卸载模型。该模型引入了云边协同缓存策略, 并依次设计了时延模型、能耗模型和负载失衡度模型; 将任务卸载问题转化为多目标优化问题, 给出了一种基于MOEA/D算法的卸载决策方案, 并通过对比实验进行了验证。实验结果表明: 该卸载方案能够在保证总时延与总能耗较小的情况下使负载达到均衡, 并且优于其他基准方案。

     

虚实映射误差条件下数字孪生辅助的无人机网络计算任务卸载及资源自适应优化机制

为了解决动态时变的无人机（Unmanned Aerial Vehicle, UAV）网络环境下,智能终端设备有限的计算和存储资源不能满足资源密集型任务需求,以及高传输时延和低可靠连接的问题,本文使用数字孪生技术在地面基站（Base Station, BS）构建无人机、智能终端以及无线网络环境的孪生网络模型,以对无人机网络运行状态进行模拟和仿真。进而,基于构建的孪生网络模型设计智能终端设备计算任务卸载机制。在满足智能终端设备计算任务最大容忍延迟的条件下,智能终端设备选择将计算任务全部卸载到无人机,或者在本地进行计算。然后,将计算卸载问题建模为马尔科夫决策过程,建立联合无人机悬停点、计算任务卸载决策、无人机计算资源分配的自适应资源优化模型,实现最大化无人机效用函数的目标。考虑孪生网络模型与真实无人机网络的虚实映射误差,提出近端策略优化算法（Proximal Policy Optimization,PPO）,求解自适应资源优化模型。仿真结果表明,与已有方案对比,所提算法可以有效提高无人机的效用。同时,在适应虚实映射误差方面优于传统深度强化学习算法。     

基于深度强化学习的边云协同串行任务卸载算法

在移动边缘计算任务卸载问题中,传统卸载算法仅考虑移动设备和边缘服务器计算资源,在资源利用、系统效能上存在一定的局限性.该文基于RainbowDQN算法,考虑了延迟、能耗成本和服务质量保证等因素,提出了一种边缘云协同串行任务卸载算法(ECWS-RDQN).该算法通过对串行任务的权重分配,实现了网络边缘和云端协同的串行任务...     

面向硬件感知的边缘计算卸载和资源分配

传统的边缘计算卸载研究并未涉及计算机硬件实现的细节,计算模型建模粗糙,优化方案精准度低。为此,提出了基于硬件实现的多用户多边缘服务器计算卸载和资源分配联合优化方案,充分考虑了计算过程硬件实现的细节,从计算机指令执行粒度出发,综合计算机输入/输出瓶颈和内存功能模块的能耗,重新建立联合优化模型,并在满足卸载任务时延要求的前提下最小化系统能耗。 此外,为解决动作空间高维的问题,采用了基于深度确定性策略梯度的混合在线二部匹配算法。仿真结果表明,计算过程中的内存能耗不可忽略,且所提出的优化算法能够有效学习最优策略,对降低系统能耗具有显著作用。     

无人机任务卸载与充电协同优化

在野外恶劣环境应用中，可以使用具有灵活性和便捷性的无人机（UAV），通过无线数据传输辅助携带用户任务到边缘服务器。然而，UAV飞行平台难以提供长时间的任务卸载服务，大大限制了其应用前景。本文研究了在移动边缘计算环境中，如何有效整合UAV的任务卸载和充电调度。首先，构建了一个新的应用模型，该模型协同处理UAV的任务卸载调度和自身充电需求，并在UAV辅助任务卸载应用场景中加入了若干个无线充电平台。其次，考虑了用户任务的价值和UAV的充电需求，以在时延敏感和能量约束的条件下优化UAV辅助用户设备进行任务卸载的收益。最后，采用深度强化学习算法，对深度Q网络（DQN）进行调优后形成Fixed DQN算法，以有效处理模型中的大规模状态动作搜索空间问题。本文以UAV仅作为任务载体并考虑其自主充电需求为前提，通过在一个半径为3000 m、含有11个节点的区域验证Fixed DQN算法的可行性；并在不同用户节点数量、充电节点数量及服务时间条件下，通过与蚁群算法、遗传算法和DQN算法的对比实验评估其性能。实验结果表明：本文提出的Fixed DQN算法在所有测试条件下均显著优于蚁群算法、遗传算法和DQN算法，特别是在节点数量增加和服务时间延长的情景中；此外，Fixed DQN算法相对于DQN算法的性能提升突显了深度强化学习在参数调优方面的有效性。研究结果证实了Fixed DQN算法在解决UAV任务卸载和充电调度问题中的高效性和调参策略的重要性。