移动边缘计算中基于内容流行度的深度强化学习缓存机制

随着5G商用的推进,涌现出大量依赖高速率、低时延的新应用,混合现实(Mixed Reality,MR)就是其中之一.考虑到从中心云传输服务内容到MR设备会带来很大时延和能耗问题,引入移动边缘计算(Mobile Edge Compu?ting,MEC)技术,通过在MEC服务器上缓存用户的预渲染环境帧,以减少延迟和能耗.针...     

NDN中基于蚁群替换算法的邻居协作缓存管理策略

为提高NDN(命名数据网络)中的缓存利用率,提出了一种基于蚁群替换算法的邻居协作缓存管理(ACNCM)策略。首先将单节点的缓存替换问题,建模为0/1背包问题,并根据缓存数据的大小、使用频率以及邻居副本深度等信息定义本地存储内容的缓存价值,提出基于蚁群算法的缓存替换算法。然后利用邻域协作的思想,通过路由节点之间定期交换自身节点的缓存信息,对单个节点替换出去的缓存内容,选择邻居节点完成协作式缓存管理。实验结果表明,ACNCM策略在缓存命中率、网络开销和平均响应时延方面均优于现有方法。     

移动边缘计算中数据缓存和计算迁移的智能优化技术

移动边缘计算的研究与分析需要从计算迁移和数据缓存的角度出发,针对运行状态及数据存储等方面进行综合优化,从而达到提升数据缓存和计算迁移水平的目的.在进行研究与分析时,充分利用移动边缘计算可以降低用户请求的延迟性,优化移动边缘网络的部署,这对实现移动终端数量与业务的综合管理及控制效果等方面有积极作用.     

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。     

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...     

边缘网络环境下基于流量分类的SDN-NDN缓存策略

在边缘网络环境中使用命名数据网络(Named Data Network,NDN)解决单点失效、通信高时延等问题是一种新的研究趋势,但是传统的NDN缓存策略所造成的缓存冗余高及缓存策略单一等问题始终没有得到完善的解决,因此提出了一种基于流量分类的SDN-NDN缓存策略.通过对边缘网络环境中的业务流量进行分类处理,优化SD...     

基于DRL的无人机辅助边缘计算服务质量优化

针对无人机（Unmanned Aerial Vehicle, UAV）搭载移动边缘服务器为地面用户进行服务时的服务质量（Quality of Service, QoS）问题,提出了一种基于深度强化学习的优化方案,旨在优化UAV飞行轨迹和卸载方案以最大化UAV为用户服务时的QoS。首先,定义了任务延迟来表征任务新鲜度,在任务延迟的基础上提出了一种新的QoS评价指标;其次,将最大化QoS问题建模为一个无转移概率的马尔可夫决策过程,并定义了该过程的状态空间、动作空间和奖励函数;最后,UAV通过所提出的算法进行训练,优化任务卸载方案并寻找最优飞行轨迹为地面用户进行服务以提高QoS。仿真结果表明所提算法较于其他算法能有效提高UAV为地面用户服务过程中的QoS且提高任务新鲜度。      

探究命名数据网络中的邻居缓存路由策略

我们都知道,时代的发展速度是惊人的,无法否认我们已经步入了大数据的时代.由此,人们对数据的关心越来越多,合理利用网络去理数据,让我们的生活更加便利.本文首先对命名数据网络进行简单介绍,接着指出主要的三个命名数据网络路由策略,最后介绍了邻居缓存路由策略.希望本文对读者有一定的启发.     

面向5G边缘计算的短视频缓存策略研究

针对用户终端在移动过程中点播短视频而引起的响应时延问题,提出一种面向5G边缘计算的长短时记忆网络模拟退火算法缓存策略(Cache Strategy of Simulated Annealing Algorithm for Long and Short-term Memory Network,LSTM-SA).该缓存策略...     

移动边缘计算中基于联邦学习的视频请求预测和协作缓存策略

随着互联网社交平台的崛起和移动智能终端设备的普及,自媒体短视频、直播等视频业务蓬勃发展,人们对高质量视频服务的需求也急剧上升。与此同时,连接到核心网络的大量智能设备增加了回程链路的负载,传统的云计算难以满足用户对视频服务的低延迟要求。移动边缘计算(MEC)通过在网络边缘部署具有计算和存储能力的边缘节点,通过在更靠近用户的边缘侧提高计算和存储服务,降低了数据传输时延进而缓解了网络阻塞。因此,基于MEC架构,该文充分利用网络边缘资源,提出了基于联邦学习的视频请求预测和视频协作缓存策略。通过利用多个边缘节点对提出的深度请求预测模型(DRPN)视频请求预测模型进行联邦训练,预测视频未来的请求情况,然后量化缓存内容所带来的时延收益并协作地以最大化该时延收益为目的进行缓存决策。该文分析了真实数据集MovieLens,模拟了视频请求缓存场景并进行实验。仿真结果表明,相比于其他策略,所提策略不仅能有效降低用户等待时延,在有限的缓存空间中提高内容多样性,从而提高缓存命中率,降低缓存成本,还能降低整个系统的通信成本。     

基于拓扑的命名数据网络缓存优化策略

针对命名数据网络(NDN)存储空间的有效利用和应答内容的高效缓存问题,该文建立了模型并基于拓扑信息采用贪心算法求解,执行过程中考虑兴趣热度对其优化,从而有效缩短网络整体的缓存命中距离。该文基于ndnsim及一些真实拓扑数据完成了仿真实验,并对提出的算法与传统的prob算法,默认的沿途全部缓存(CEE)算法及基于度的差异缓存算法(HSS)做出了对比及分析,验证了算法的有效性。     

大规模无线通信网络移动边缘计算和缓存研究

面向未来6G移动通信的大规模网络移动边缘计算与缓存技术,首先,介绍了大规模无线网络下移动边缘计算和缓存的架构与原理,并阐释了移动边缘计算和缓存技术在大规模无线网络中的必要性和普适性.接着,从计算卸载、边缘缓存、多维资源分配、用户关联和隐私保护这5个关键问题出发,综述和分析了移动边缘计算和缓存赋能大规模无线网络时会引入的...     

无人机接替场景中相似度感知的边缘计算缓存算法

无人机边缘计算将无人机的移动性和边缘计算的源端处理优势相结合,可以在基础设施薄弱区域中提供计算、传输和存储服务,近两年得到了广泛关注。然而,无人机平台的计算、能量和存储容量有限,面对不断增长的内容服务请求,无人机边缘节点只能缓存部分流行度较高的内容。此外,为了保证服务的连续性,无人机之间往往需要接替提供缓存服务。现有的边缘缓存算法大多根据内容的请求历史来预测流行度,使得接替无人机上对新请求的内容服务启动缓慢,缓存命中率较低,限制了边缘计算缓存的性能。在此背景下,充分考虑无人机的移动性和内容请求的动态性,设计了一种针对接替无人机的动态缓存架构,并综合考虑接替无人机上缓存内容的流行度、相似性以及接替距离,提出了一种相似度感知缓存算法(Similarity-Aware Caching,SAC)。仿真结果表明,该缓存算法可以有效提升无人机接替场景中的缓存命中率和接替成功率。     

基于边缘计算技术的智能无人系统

智能无人系统是信息化战争中夺取信息优势、实施精确打击、完成特殊作战任务的重要手段之一,是未来军事力量的倍增器。如何应用新兴技术提升智能无人系统在未来作战场景的有效性是当前重要的研究方向之一。介绍了智能无人系统的相关背景,引入边缘计算技术以及其应用在智能无人系统中的优势,对边缘计算技术在智能无人系统中的问题进行建模及算法求解,最后通过仿真实验验证了算法的有效性。     

基于深度强化学习的无人机辅助移动边缘计算系统能耗优化

近年来,部署搭载有移动边缘计算(MEC)服务器的无人机(UAVs)为地面用户提供计算资源已成为一种新兴的技术。针对无人机辅助多用户移动边缘计算系统,该文构建了以最小化用户平均能耗为目标的模型,联合优化无人机的飞行轨迹和用户计算策略的调度。通过深度强化学习(DRL)求解能耗优化问题,提出基于柔性参与者-评论者(SAC)的优化算法。该算法应用最大熵的思想来探索最优策略并使用高效迭代更新获得最优策略,通过保留所有高回报值的策略,增强算法的探索能力,提高训练过程的收敛速度。仿真结果表明与已有算法相比,所提算法能有效降低用户的平均能耗,并具有很好的稳定性和收敛性。     

面向边缘智能的车联网通信和计算资源联合管理策略

海量数据驱动未来车联网向智能化演进,计算密集型业务的激增给网络中通信和计算资源的管理带来了极大的挑战。为了解决上述问题,提出了面向边缘智能的车联网通信和计算资源联合管理策略,在考虑各边缘节点内存容量的前提下,通过模型切分将适量计算任务卸载到最优边缘节点,提高任务执行率并降低系统能耗。上述资源联合管理策略可建模为动态优化问题,传统的优化方法难以求解。因此,将人工智能技术应用到边缘计算领域,采用多智能体深度强化学习方法合理分配网络频谱资源和计算资源,提升网络性能。     

基于边缘计算的按需优化的深度学习模型

为了应对以云服务器为中心的深度学习模型存在实时性较差的缺点,提出一种基于边缘计算的按需优化的深度学习模型,模型基于通信带宽和延时限制,自适应地将深度学习模型分配到终端设备和边缘服务器上并进行裁剪,从而最大化计算精度。仿真实验结果表明,相比仅仅将深度学习模型部署在终端设备或边缘服务器上,该算法具有更强的计算优势。     

基于参数化强化学习的车联网内容缓存和功率分配联合优化

车联网场景下的业务内容具有海量和高度动态的特性,使得传统缓存机制无法较好地感知内容动态变化,且巨量接入设备与边缘缓存设备的有限资源之间的矛盾会引起系统时延性能差的问题。针对上述问题,该文提出一种基于强化学习的联合内容缓存和功率分配算法。首先,考虑联合优化内容缓存和功率分配,建立最小化系统整体时延的优化模型。其次,将该优化问题建模为马尔可夫决策过程(MDP),并进一步将内容缓存和内容提供者的选择映射为离散动作集,并将功率分配映射为与离散动作相对应的连续参数。最后,借助参数化深度Q-Networks (P-DQN)算法求解这个具有离散-连续混合动作空间的问题。仿真结果表明,相较对比算法,该文所提算法能提高本地缓存命中率并降低系统传输时延。     

移动边缘计算中的智能任务迁移技术:现状与展望

与传统边缘计算相比,移动边缘计算(Mobile Edge Computing,MEC)技术能更好地解决移动设备资源受限问题,因而备受关注。而移动场景的高动态性,又对MEC的任务调度能力提出了挑战。为了应对这种挑战,将人工智能技术与MEC技术相结合已经成为一种新的发展趋势。首先,介绍了MEC技术的发展背景,然后详细说明MEC中的任务迁移技术和研究现状,最后展望了MEC和人工智能技术融合的发展方向,并对结合了深度强化学习技术的MEC技术进行仿真。结果表明,结合了深度强化学习的MEC系统在服务时延以及系统容量性能上都有着较大提升。     

基于多代理强化学习的边缘网络资源协作缓存方法

多代理强化学习能够将目标内容看做一个整体,可以同时进行多个类型目标的协同管理,研究基于多代理强化学习的边缘网络资源协作缓存方法。构建动态传输的边缘网络缓存模型,基于多代理强化学习定义选择动作,贪婪算法设定网络资源缓存放置路径,最佳响应协作缓存边缘网络资源,完成基于多代理强化学习的边缘网络资源协作缓存方法设计。实验结果:选择两组不同运行时段的边缘网络资源请求数据,本文方法能够实现不同数据大小之间的协同缓存,且在资源数据大小为8G时,所用的缓存时间能够控制在10s之内,较比传统方法缩短了120s,能够有效解决网络拥挤的现象,具有实际应用效果。