车辆边缘计算中联合资源分配和任务卸载方案

针对车联网场景下多车卸载决策造成的资源分配不合理问题,提出了一种基于V2X的启发式联合任务卸载和资源分配方案。首先,通过任务调度、功率优化、信道分配及车辆和路边单元计算资源的分配来最大化系统效用函数;其次,由于该问题为混合整数非线性规划问题,将原问题分解为资源分配和卸载决策两个子问题,利用二分法、次梯度下降算法和凸优化技术等方法来解决资源分配子问题,利用启发式算法来解决卸载决策子问题;最后,对两个子问题迭代求解,得原非凸问题的次优解。仿真结果表明,所提方案可以有效提高系统效用。     

移动边缘计算中的联合优化迁移决策和资源分配

移动边缘迁移计算中,边缘服务器之间的协作能为用户提供更高效的服务。本文对正交频分复用上行无线通信系统,基于移动边缘计算技术的任务迁移的子载波选择、用户发射功率和迁移量的联合优化问题进行了研究。在公平性原则下,本文考虑最小化迁移计算的最大时延问题,并提出了一种非凸问题的拉格朗日对偶法解决方案。首先将min-max问题转化为最小化问题,再用泰勒级数将其近似为一个凸问题,最后用拉格朗日对偶法求解。本文还给出特殊情况下的简便算法,适用于低信噪比的通信环境下。仿真结果证实了本算法的收敛性和实用性。      

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。     

基于边缘计算的任务卸载与资源分配策略分析

阐述传统云服务器虽然计算能力强大,但与终端用户之间的物理距离导致显著的传输时延。边缘计算技术通过将计算资源下沉至网络边缘,靠近终端用户,有效降低时延并提升计算效率。为此,聚焦绿色通信背景下的移动边缘计算（MEC）能量传输策略,优化系统总时延并提高服务质量。研究内容涵盖能量传输策略、计算卸载决策和资源分配问题,通过实时调整任务分配与能量供应,使系统能够适应负载波动,维持高效运行。     

基于移动边缘计算的资源分配策略

为进一步探究移动互联网的资源分配问题,文中基于无线互联网通信工况恶劣的特殊情形构建了仿真模型,并结合实际情况,以支持移动边缘计算的服务器为基础,引入基于深度域不变性残差计算的长短期记忆网络（DR-LSTM）,从互联网设备任务卸载的角度着手设计了资源分配策略和主要算法流程。通过仿真实验结果可知,基于移动边缘计算的资源分配策略在性能上存在一定的优势,具有潜在的应用价值。     

移动边缘网络中基于用户移动的服务功能链迁移策略

移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署服务器,提供计算和存储资源,可为用户提供超低时延和高带宽业务.网络功能虚拟化(Network Function Virtualization,NFV)与MEC技术相结合,可在MEC服务器上提供服务功能链(Service Function Chain,SFC),提升用户的业务体验.为了保证移动用户的服务质量,需要在用户跨基站移动时将SFC迁移到合适的边缘服务器上.主要以最小化用户服务的端到端时延和运行成本为目标,提出了MEC网络中具有资源容量约束的SFC迁移策略,以实现移动用户业务的无缝迁移.仿真结果表明,与现有方案相比,该策略具有更好的有效性和高效性.     

基于边缘计算的无人机移动辅助卸载策略研究

文中研究了基于边缘计算的无人机移动辅助卸载技术,对促进无人机发展、提升其经济价值具有重要的意义。值得注意的是,当前我国需要实现无人机辅助边缘计算系统的能耗最小化、用户时延最小化、系统吞吐量最大化、无人机能耗最小化等,以促进无人机技术高质量发展。基于此,文中提出了利用合理的计算卸载机制,使无人机在卸载过程中的位置适宜化,实现了用户任务的分配高效、无人机运动建模、无人机轨迹优化,并设计了用户终端任务分配方案、优化算法,从而设计出一种快速收敛的算法,推动无人机技术的快速发展。     

基于5G移动网络中边缘计算与计算迁移模型的研究

随着通信技术和移动互联网的高速发展,移动通信已进入了5G时代。但数据的蓬勃发展也让网络面临大带宽、低时延、广连接、高可靠度、高安全性等挑战。面对这些挑战,移动边缘计算(mobile edge computing,MEC)孕育而生了,MEC架构提供了分流、计算、业务感知、计算迁移的能力,并将相应能力下沉至网络边缘。文章首先介绍了边缘计算在5G网络中的基本架构和最新的研究成果。其次,基于MEC平台下的任务迁移是未来必然的发展趋势,分析了MEC环境下任务迁移的过程、算法、优势等。最后提出了目前边缘计算发展所面临的问题及挑战。     

低轨卫星协作边缘计算任务迁移和资源分配算法

研究了基于星间链路的低轨卫星协作边缘计算任务迁移和资源分配问题,为偏远地区用户提供边缘计算服务.采用部分任务迁移机制,以地面用户加权总能耗最小化为目标建立优化问题,提出了一种低轨卫星协作边缘计算的任务迁移和资源分配算法,基于优化问题的非凸性,将其分解为任务迁移子问题和资源分配子问题,分别采用标准凸优化方法和拉格朗日对偶...     

边缘计算中面向缓存的迁移决策和资源分配

边缘计算通过在网络边缘侧为用户提供计算资源和缓存服务,可以有效降低执行时延和能耗。由于用户的移动性和网络的随机性,缓存服务和用户任务会频繁地在边缘服务器之间迁移,增加了系统成本。该文构建了一种基于预缓存的迁移计算模型,研究了资源分配、服务缓存和迁移决策的联合优化问题。针对这一混合整数非线性规划问题,通过分解原问题,分别采用库恩塔克条件和二分搜索法对资源分配进行优化,并提出一种基于贪婪策略的迁移决策和服务缓存联合优化算法(JMSGS)获得最优迁移决策和缓存决策。仿真结果验证了所提算法的有效性,实现系统能耗和时延加权和最小。     

一种基于DRL的低轨卫星移动边缘计算卸载策略

考虑到不同用户任务和计算能力差异,并综合低地球轨道（Low Earth Orbit,LEO）卫星移动和资源限制等因素,针对多颗LEO卫星覆盖场景下的多用户任务决策卸载问题,提出了一种基于深度强化学习（Deep Reinforcement Learning,DRL）的决策卸载和资源分配策略,对系统的耗时和能耗进行优化。决策卸载问题设置为一个离散的有效状态的单用户决策选择问题,采用深度强化学习进行求解。采用拉格朗日乘子法和梯度投影法处理资源分配问题。仿真结果表明,该策略在75次迭代回合后能达到收敛,与其他策略相比,系统成本下降约50%、34%和19%。     

移动性感知下基于负载均衡的任务迁移方案

针对移动边缘计算中用户移动性导致服务器间负载分布不均,用户服务质量(Quality of Service,QoS)下降的问题,提出了一种移动性感知下的分布式任务迁移方案.首先,以优化网络中性能最差的用户QoS为目标,建立了一个长期极大极小化公平性问题(Max Min Fairness,MMF),利用李雅普诺夫(Lyapunov)优化将原问题转化解耦.然后,将其建模为去中心化部分可观测马尔可夫决策过程(Decentralized Partially Observable Markov Decision Process,Dec-POMDP),提出一种基于多智能体柔性演员-评论家(Soft Actor-Critic,SAC)的分布式任务迁移算法,将奖励函数解耦为节点奖励和用户个体奖励,分别基于节点负载均衡度和用户QoS施加奖励.仿真结果表明,相比于现有任务迁移方案,所提算法能够在保证用户QoS的前提下降低任务迁移率,保证系统负载均衡.     

一种主从MEC服务器协作卸载与资源分配方案

移动边缘计算(Mobile Edge Computing,MEC)通过将云计算能力下沉至用户侧,提高了用户的任务执行能力.但在热点小区中,MEC服务器存在计算资源有限的问题.为了减少热点小区内任务执行总代价,提出了一种基于主从MEC系统的任务联合卸载方案.首先,方案随机生成卸载集,然后将卸载集内的任务分配至目标MEC服...     

基于元强化学习的自适应卸载方法

计算卸载是移动边缘网络中的一个关键问题,基于深度学习的算法为高效生成卸载策略提供了一种解决方法.但考虑到移动终端设备的动态性以及不同任务场景之间的转换,需要大量的训练数据和较长的训练时间重新训练神经网络模型,即这些方法对新环境的适应能力较弱.针对这些不足,提出了一种基于元强化学习(Meta Reinforcement Learning,MRL)的自适应卸载方法,先对外部模型进行预训练,处理具体任务时再基于外部模型训练内部模型.该方法能快速适应具有少量梯度更新的样本的新环境.仿真实验表明,该算法能够适应新的任务场景,效果良好.     

移动边缘计算中基于信誉值的智能计算卸载模型研究

针对移动边缘计算环境下,爆炸式增长的物联网智能移动终端处理计算密集型和时延敏感型新兴移动应用时,面临的高时延、高能耗和低可靠性等问题,提出综合考虑时延和能耗的卸载决策模型和基于信誉值的计算资源博弈分配模型,并分别利用改进粒子群算法和拉格朗日乘数法求解.仿真结果表明,所提方法可满足新兴智能应用对于低时延、低能耗和高可靠性...     

超密集网络中基于MEC的动态任务卸载方案

超密集网络(Ultra-dense Network,UDN)中集成移动边缘计算(Mobile Edge Computing,MEC),是5G中为用户提供计算资源的可靠方式,在多种因素影响下进行MEC任务卸载决策一直都是一个研究热点。目前已存在大量任务卸载相关的方案,但是这些方案中很少将重心放在用户在不同条件下的能耗需求差异上,无法有效提升用户体验质量(Quality of Experience,QoE)。在动态MEC系统中提出了一个考虑用户能耗需求的多用户任务卸载问题,通过最大化满意度的方式提升用户QoE,并将现有的深度强化学习算法进行了改进,使其更加适合求解所提优化问题。仿真结果表明,所提算法较现有算法在算法收敛性以及稳定性上具有一定提升。     

移动边缘计算中服务功能链的自适应优化部署策略

为解决移动边缘计算中面向用户的服务功能链（Service Function Chain,SFC）部署成本开销过大、时延过长问题,提出了针对SFC的支出成本与时延联合自适应优化的部署策略。首先,在虚拟网络功能（Virtualized Network Function,VNF）节点选取阶段,考虑路径损耗这一无线信道衰落问题,根据有线用户与无线用户的位置情况,选择当前最佳节点以降低SFC的响应时延。其次,在服务节点配置阶段,根据用户请求处理的数据内容的新鲜度记录,自适应动态增加和删减相应的缓存,利用资源感知算法在保证数据传递可靠性的同时,减少服务节点的配置个数,降低配置开销。最后,在SFC部署阶段,利用基于KSP（K-shortest Paths）的功耗感知算法确定最佳节点映射排序与通信链路,在减少通信链路重映射的同时还能保证部署的SFC的低成本与低时延。实验仿真结果表明,相比于已有方案,该方法能够有效降低部署成本与时延,并能对不同用户的SFC部署做到自适应优化,提高了SFC的部署成功率。     

基于NOMA的超密集MEC网络任务卸载和资源分配方案

为了提高移动边缘计算(mobile edge computing,MEC)网络的频谱效率,满足大量用户的服务需求,建立了基于非正交多址接入(non-orthogonal multiple access,NOMA)的超密集MEC系统模型。为了解决多个用户同时卸载带来的严重通信干扰等问题,以高效利用边缘服务器资源,提出了一种联合任务卸载和资源分配的优化方案,在满足用户服务质量的前提下最小化系统总能耗。该方案联合考虑了卸载决策、功率控制、计算资源和子信道资源分配。仿真结果表明,与其他卸载方案相比,所提方案可以在满足用户服务质量的前提下有效降低系统能耗。