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。     

面向移动边缘计算中多应用服务的虚拟机部署算法

移动边缘计算(MEC)通过在用户近端以虚拟机(VM)形式部署应用服务,能有效降低服务响应延迟并减少核心网络数据流量。然而,当前MEC中虚拟机部署的大多数研究尚未具体考虑用户对多种应用服务的需求。因此,该文针对MEC中多应用服务的虚拟机部署问题,提出两种启发式算法,即基于适应度的启发式部署算法(FHPA)和基于分治的启发式部署算法(DCBHPA),通过在边缘网络中配置支持多种应用服务的虚拟机来最大限度地减少网络中的数据流量。FHPA和DCBHPA分别基于边缘服务器的网络连接特征和用户对应用请求的差异性,定义了不同的适应度计算模型。在此基础上,通过子问题划分机制实现VM配置。仿真结果表明,相比于基准算法,所提算法能更好地控制系统数据流量,有效地提高边缘网络服务资源的利用率。     

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。     

基于深度强化学习的多用户计算卸载优化模型和算法

在移动边缘计算(MEC)密集部署场景中,边缘服务器负载的不确定性容易造成边缘服务器过载,从而导致计算卸载过程中时延和能耗显著增加。针对该问题,该文提出一种多用户计算卸载优化模型和基于深度确定性策略梯度(DDPG)的计算卸载算法。首先,考虑时延和能耗的均衡优化建立效用函数,以最大化系统效用作为优化目标,将计算卸载问题转化为混合整数非线性规划问题。然后,针对该问题状态空间大、动作空间中离散和连续型变量共存,对DDPG深度强化学习算法进行离散化改进,基于此提出一种多用户计算卸载优化方法。最后,使用该方法求解非线性规划问题。仿真实验结果表明,与已有算法相比,所提方法能有效降低边缘服务器过载概率,并具有很好的稳定性。     

面向工业控制业务的计算与通信资源分配

MEC(mobile edge computing,移动边缘计算)是一种将移动用户的计算任务卸载到基站端计算服务器的技术,可以减小移动设备功耗并大幅提升其计算能力,因此可以处理工业制造中的大量设备控制业务。针对多用户MISO无线工业控制系统中的工业控制业务处理,系统将移动设备的控制业务数据上传至MEC服务器并完成计算,通过URLLC(ultrareliable low-latency communication,超高可靠低时延通信)回传控制指令,以完成设备控制。在控制业务时延约束下,建立了系统总能耗最小化优化问题,并提出了使用SCA(successive convex approximation,连续凸近似)、二次变换方法（quadratic transformation）与内点法的波束成形、带宽分配子问题求解算法。在推导得到计算任务分配、计算资源分配子问题的闭式最优解后,提出了迭代求解四个子问题的优化算法。仿真结果证明所提算法在降低系统总能耗方面是有效的。     

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%。     

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MEC的VoLTE视频质量实时保障方法

传统通信网络保障模式根据问题出现后的分析结果采取改进方案,无法解决实时性问题。利用MEC(移动边缘计算)技术靠近业务边缘近端的优势,通过在基站侧部署MEC Server (MEC服务器)的方式实时采集手机VoLTE(长期演进语音承载)视频通话业务过程中的通话质量信息,对比基站侧相关参数配置和高质量通话事件,及时定位视频通话质量差的原因并反馈至基站侧进行实时调整,实现VoLTE视频通话质量的准实时保障。     

一种车联网的边缘计算构建方法

文章基于移动边缘计算相关研究,参考现网主要架构,针对车联网中大数据量和低时延要求提出了移动边缘计算服务器在现网中的部署位置和具体架构、数据传输流程,通过流量分流网关进行流量分流,然后经解包后把车联网数据发送至平台处理,反馈信息也由相同链路传送回终端。     

移动性感知的边缘服务迁移策略

针对移动边缘计算网络中由于用户位置动态变化而导致边缘服务器间负载不均衡、用户服务质量降低的问题,提出了一种移动性感知的边缘服务迁移算法。首先,以最小化用户服务请求感知时延为目标,将优化问题建模为混合整数非线性规划问题。其次,基于Lyapunov优化方法将时延优化问题解耦为边缘服务迁移子问题与无线接入子问题。再次,提出快速边缘决策算法求解出给定无线接入策略情况下最优的资源分配与边缘服务迁移方案。最后,提出异步最佳响应算法迭代出最优无线接入策略。仿真结果表明,与现有服务迁移策略相比较,所提算法能够在保证服务迁移成本稳定的情况下降低用户服务请求的感知时延。     

基于移动边缘计算的任务调度算法设计

移动边缘计算(Mobile Edge Computing, MEC)作为一种新兴的计算模式可以将智能设备上的任务调度到MEC服务器中执行以解决智能设备资源受限问题。多用户场景下以时延和任务依赖性为约束的任务调度问题是移动边缘计算中的研究热点之一。针对该问题建立了任务调度模型,然后依据场景特性将任务调度问题转换为最小化能量消耗问题。针对任务调度问题的实时性和持续性进一步将优化问题缩放至较小规模的优化问题,并依据优化问题的解设计了一个实时调度算法。最后使用遗传算法作为对比算法进行仿真实验。实验结果表明实时调度算法比遗传算法更有效地降低了智能设备整体能量消耗,并在高并发、高时延要求等情况下仍保持良好的性能。     

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。     

面向移动边缘计算网络的计算卸载策略分析

随着移动设备和互联网的普及,近年来人们对计算能力和网络资源的需求显著增加。为了降低网络延迟、提高用户体验,移动边缘计算（MEC）应运而生,将云计算与边缘计算相结合成为解决方案。MEC通过将计算资源移动到靠近终端用户的位置来实现这一目的。然而,随着移动设备数量和生成数据量的增加,对MEC网络中的计算资源分配进行优化。其中计算卸载是一种实现方式,它将资源密集型任务从移动设备转移到MEC服务器,以便更高效地处理。故此,本文主要分析了适用于MEC网络的不同计算卸载策略,以期为后续的相关研究和工作开展提供帮助。     

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...     

面向5G网络的MEC部署方案

多接入边缘计算技术通过将计算存储能力与业务服务能力向网络边缘迁移,使应用、服务和内容可以实现本地化、近距离、分布式部署,从而在一定程度上解决了5G增强移动宽带、低时延高可靠以及大规模机器通信类终端连接等场景的业务需求.本文在分析MEC技术在LTE网络中的应用方案以及对于5G网络的价值与意义的基础上,给出了5G MEC部...     

结合应用场景的智慧园区MEC部署实践

现如今互联网设备接入量愈发增大,同时对于服务提供商提供的各种高带宽、低时延、复杂应用和场景的需求逐步增多,MEC的相关研究再次回到大家视野并逐渐由传统移动边缘计算向技术和能力要求更高的多接入边缘计算发展.从5G环境下各场景的业务进展为出发点,结合实际业务需求和现有资源利用,提出了更加合理的MEC部署方案.     

一种面向随机计算卸载的两层无人机能耗优化方法

当物联网设备(Internet of Things Device,IoTD)面临随机到达且复杂度高的计算任务时,因自身计算资源和能力所限,无法进行实时高效的处理。为了应对此类问题,设计了一种两层无人机辅助的移动边缘计算(Mobile Edge Computing,MEC)模型。在该模型中,考虑到IoTD处理随机计算任务时的局限性,引入多架配备MEC服务器的下层无人机和单架上层无人机进行协同处理。为了实现系统能耗最优化,提出了一种资源优化和多无人机位置部署方案,根据计算任务到达的随机性,应用李雅普诺夫优化方法将能耗最小化问题转化为一个确定性问题,应用差分进化(Differential Evolution,DE)算法进行多次变异、交叉和选择取得无人机的优化部署方案;采用深度确定性策略梯度(Depth Deterministic policy Gradient,DDPG)算法对带宽分配、计算资源分配、传输功率分配和任务卸载分配进行联合优化。实验结果表明,该算法相较于对比算法系统能耗降低35%,充分验证了其可行性和有效性。     

基于服务覆盖的无蜂窝边缘智能网络部署方法

为实现未来网络绿色低碳发展，以精准的按需服务提高网络运营和部署效率，将服务覆盖作为网络覆盖能力的新度量。深入挖掘无蜂窝网络部署灵活的优势，可以使每个覆盖单元达到最佳服务覆盖，从而实现系统性能的差异化优化。结合无蜂窝边缘智能网络的通信链路质量对移动边缘计算（MEC）服务器计算和下载的时延、卸载概率的影响，采用连续凸逼近算法，引入松弛变量和辅助变量将接入点（AP）和MEC联合部署混合整数非线性规划问题转化为连续的凸优化问题进行求解。仿真结果证明，基于服务覆盖的网络部署方法提升了现有网络能量效率，并显著减少用户的计算时延和系统的能耗。     

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...     

车联网中基于MEC和任务优先级的智能卸载策略研究

在移动边缘计算和云计算共同组成的车联网中,为了保障驾驶员和路人的安全,需要满足车辆任务的高可靠低时延要求.一种基于MEC和任务优先级的智能卸载策略以降低由时延所组成的系统总成本,该策略使用KNN算法,根据任务优先级对任务卸载位置进行选择.仿真结果表明,该资源分配策略能有效减少系统总成本.