移动边缘计算环境中面向机器学习的计算迁移策略

针对物联网（IoT）数据源的多样化、数据的非独立同分布性、边缘设备计算能力和能耗的异构性,提出一种集中学习和联邦学习共存的移动边缘计算（MEC）网络计算迁移策略。首先,建立与集中学习、联邦学习都关联的计算迁移系统模型,考虑了集中学习、联邦学习模型产生的网络传输延迟、计算延迟以及能耗;然后,以系统平均延迟为优化目标、以能耗和基于机器学习准确率的训练次数为限制条件构建面向机器学习的计算迁移优化模型。接着对所述计算迁移进行了博弈分析,并基于分析结果提出一种能量约束的延迟贪婪（ECDG）算法,通过延迟贪婪决策和能量约束决策更新二阶优化来获取模型的优化解。与集中式贪婪算法和面向联邦学习的客户选择（FedCS）算法相比,ECDG算法的平均学习延迟最低,约为集中式贪婪算法的1/10,为FedCS算法的1/5。实验结果表明,ECDG算法能通过计算迁移自动为数据源选择最优的机器学习模型,从而有效降低机器学习的延迟,提高边缘设备的能效,满足IoT应用的服务质量（QoS）要求。     

改进人工蜂群算法及其在边缘计算卸载的应用

移动边缘计算（MEC）通过将算力下沉到网络边缘来降低计算时延和设备能耗。针对计算密集型和时延敏感型应用场景,提出了一种单多维动态种群策略的人工蜂群算法（OMABC）来实现计算任务的卸载。建立一个包含云服务器的边缘计算卸载模型,并构建一个以能耗为惩罚项的代价函数;将计算任务的卸载决策转化为人工蜂群算法对代价函数的寻优过程。通过仿真实验,在CEC 2017测试函数上验证了OMABC的有效性,并在边缘计算模型仿真中与本地卸载策略、随机卸载策略、基于粒子群算法（PSO）的卸载策略、基于人工蜂群算法（ABC）的卸载策略进行对比。实验结果表明,基于OMABC的边缘计算卸载策略能够有效降低MEC系统的时延及代价函数,提供更高效的服务。     

动态物联网环境下的联盟学习计算卸载优化

智能城市、智慧工厂等对物联网设备（Internet of Things，IoT）的性能和连接性提出了挑战。边缘计算的出现弥补了这些能力受限的设备，通过将密集的计算任务从它们迁移到边缘节点（Edge Node，EN），物联网设备能够在节约更多能耗的同时，仍保持服务质量。计算卸载决策涉及协作和复杂的资源管理，应该根据动态工作负载和网络环境实时确定计算卸载决策。采用模拟实验的方法，通过在物联网设备和边缘节点上都部署深度强化学习代理来最大化长期效用，并引入联盟学习来分布式训练深度强化学习代理。首先构建支持边缘计算的物联网系统，IoT从EN处下载已有模型进行训练，密集型计算任务卸载至EN进行训练；IoT上传更新的参数至EN，EN聚合该参数与EN处的模型得到新的模型；云端可在EN处获得新的模型并聚合，IoT也可以从EN获得更新的参数应用在设备上。经过多次迭代，该IoT能获得接近集中式训练的性能，并且降低了物联网设备和边缘节点之间的传输成本，实验证实了决策方案和联盟学习在动态物联网环境中的有效性。     

面向数据保护的区块链物联网边缘卸载策略

物联网（IoT）设备的广泛应用带来了数据安全性和完整性的挑战。针对这一问题,研究提出了一种区块链物联网边缘卸载策略,专注于数据保护。该策略通过将IoT设备数据上传至区块链,利用其不可窜改性和可追溯性来保障数据安全。鉴于区块链的工作量证明（PoW）共识算法在数据验证和区块添加方面的高计算资源需求,该策略采用边缘计算技术,将PoW共识过程卸载至边缘服务器执行。进一步地,设计并实现了一个多目标边缘卸载算法（multi-object edge offloading algorithm,MEOA）,以寻找最优卸载策略,动态调整PoW共识难度,实现系统安全性与运行效率的平衡。仿真实验结果显示,该策略相比其他卸载策略,在提高IoT设备数据上链效率、降低时间和能耗成本方面表现优异,同时确保了数据安全性和完整性。     

面向IoT的两级多接入边缘计算节能卸载策略

多接入边缘计算（multi-access edge computing,MEC）技术将计算和存储资源下沉到网络边缘,可大幅提高物联网（Internet of things,IoT）系统的计算能力和实时性。然而,MEC往往面临计算需求增长和能量受限的约束,高效的计算卸载及能耗优化机制是MEC技术中重要的研究领域。为保证计算效率的同时最大程度提升计算过程中的能效,提出了两级边缘节点（edge nodes,ENs）中继网络模型,并设计了一种计算资源及信道资源联合优化的最优能耗卸载策略算法（optimal energy consumption algorithm,OECA）。将MEC中的能效建模为0-1背包问题;以最小化系统总体能耗为目标,系统自适应地选择计算模式和分配无线信道资源;在Python环境下仿真验证了算法性能。仿真结果表明,相比于基于有向无环图的卸载策略算法（directed acyclic graph algorithm,DAGA）,OECA可将网络容量提升18.3%,能耗缩减13.1%。     

基于李雅普诺夫优化的容器云队列在线任务和资源调度设计

为在保证任务服务质量（QoS）的条件下提高容器云资源利用率，提出一种基于李雅普诺夫的容器云队列任务和资源调度优化策略。首先，在云计算服务排队模型的基础上，通过李雅普诺夫函数分析任务队列长度的变化；然后，在任务QoS的约束下，构建资源功耗的最小化目标函数；最后，利用李雅普诺夫优化方法求解最小资源功耗目标函数，获得在线的任务和容器资源的优化调度策略，实现对任务和资源调度进行整体优化，从而保证任务的QoS并提高资源利用率。CloudSim仿真结果表明，所提的任务和资源调度策略在保证任务QoS的条件下能获得高的资源利用率，实现容器云在线任务和资源优化调度，并且为基于排队模型的云计算任务和资源整体优化提供必要的参考。     

移动边缘计算中的端到端任务分配算法

为了提高移动应用程序的运行效率,移动边缘计算将部分任务从终端设备迁移到边缘云中计算来缩减应用程序的运行时间和终端设备的能耗。针对应用程序所需的总代价即能耗和时间两个目标进行了研究,提出一个移动边缘计算模型和基于贪心策略的快速算法（HGA）;构造了一个结合贪心策略的粒子群（HPSO）算法,进一步优化HGA的解。实验结果表明,与传统所有任务只在一个设备上执行和尽可能上传云端执行两种策略相比,提出的HGA总代价分别优化28.5%和9.1%;与HGA相比,HPSO算法总代价减少12.3%;即所提算法能有效减少系统的总代价,更加满足用户需求。     

基于M/M/c排队模型的云计算中心能耗管理策略

由于云计算中心在降低能耗的同时还需要保证服务质量（QoS）,针对用户访问云计算中心的排队机制,给出一种云计算任务排队模型,在此基础上提出一种基于M/M/c排队过程的云计算中心能耗管理算法,通过求解该模型获得了平均等待时间、阻塞概率等性能指标进而建立系统的能耗模型。同时用参量ERP（Energy-Response time Product）作为排队网络的反馈量,引入反馈策略及服务器休眠预留机制,动态调整云计算中心服务器服务数。仿真结果表明,与其他策略进行比较该策略能够在保证QoS值的情况下,有效降低系统的能耗,避免了服务器资源浪费。     

一种基于遗传算法的多站点协同计算卸载算法

边缘计算为资源受限的物联网IoT设备扩展计算资源、增强存储容量,可以改善IoT应用程序的执行性能。在IoT环境中,大多数应用都将以分布式架构的形式部署在各站点中,站点之间需要协作完成任务。为了解决物联网环境中多站点协同计算的代价优化问题,提出了一种基于遗传算法的多站点协同计算卸载算法GAMCCO。该算法将应用程序抽象为任务依赖关系图模型,分析各任务之间的依赖关系,将多站点协同计算卸载的问题建模为代价模型,并利用遗传算法寻找最小代价的卸载方案。实验与评估结果表明,所提出的GAMCCO算法可以有效减少IoT应用的时延,同时降低终端设备的能耗。     

基于区块链与边缘计算的物联网访问控制模型

边缘计算的出现扩展了物联网（IoT）云-终端架构的范畴,在减少终端设备海量数据的传输和处理时延的同时也带来了新的安全问题。针对IoT边缘节点与海量异构设备间的数据安全和管理问题,并考虑到目前区块链技术广泛应用于分布式系统中数据的安全管理,提出基于区块链与边缘计算的IoT访问控制模型SC-ABAC。首先,提出集成边缘计算的IoT访问控制架构,并结合智能合约和基于属性的访问控制（ABAC）提出并设计了SC-ABAC;然后,给出工作量证明（PoW）共识算法的优化和SC-ABAC的访问控制管理流程。实验结果表明,所提模型对区块连续访问下的耗时随次数呈线性增长,连续访问过程中央处理器（CPU）的利用率稳定,安全性良好。本模型下仅查询过程存在调用合约的耗时随次数呈线性增长,策略添加和判断过程的耗时均为常数级,且优化的共识机制较PoW每100块区块共识耗时降低约18.37个百分点。可见,该模型可在IoT环境中提供去中心化、细颗粒度和动态的访问控制管理,并可在分布式系统中更快达成共识以确保数据一致性。     

基于移动边缘计算的任务卸载优化

随着智慧物联体系的发展,物联网中应用程序的种类与数量不断增加.在移动边缘计算(mobile edge computing, MEC)中,通过允许移动用户将任务卸载至附近MEC服务器以加快移动应用程序的速度.本文通过考虑不同任务属性、用户的移动性和时间延迟约束模拟移动边缘场景.根据用户移动轨迹,将目标建模为寻找满足时延约束条件且在卸载过程中产生最小能耗MEC服务器优化模型,并提出一种最小能耗卸载算法求解该问题的最优解.仿真结果表明,在约束条件下,提出的算法可以找到在用户移动轨迹中产生最小能耗的MEC服务器,并显著降低任务卸载过程的能耗与时延,提高应用程序服务质量.     

Fog computing for next-generation Internet of Things: Fundamental,state-of-the-art and research challenges

In recent times, the Internet of Things (IoT) applications, including smart transportation, smart healthcare, smart grid, smart city, etc. generate a large volume of real-time data for decision making. In the past decades, real-time sensory data have been offloaded to centralized cloud servers for data analysis through a reliable communication channel. However, due to the long communication distance between end-users and centralized cloud servers, the chances of increasing network congestion, data loss, latency, and energy consumption are getting significantly higher. To address the challenges mentioned above, fog computing emerges in a distributed environment that extends the computation and storage facilities at the edge of the network. Compared to centralized cloud infrastructure, a distributed fog framework can support delay-sensitive IoT applications with minimum latency and energy consumption while analyzing the data using a set of resource-constraint fog/edge devices. Thus our survey covers the layered IoT architecture, evaluation metrics, and applications aspects of fog computing and its progress in the last four years. Furthermore, the layered architecture of the standard fog framework and different state-of-the-art techniques for utilizing computing resources of fog networks have been covered in this study. Moreover, we included an IoT use case scenario to demonstrate the fog data offloading and resource provisioning example in heterogeneous vehicular fog networks. Finally, we examine various challenges and potential solutions to establish interoperable communication and computation for next-generation IoT applications in fog networks.     

移动边缘计算中基于粒子群优化的计算卸载策略

计算卸载作为移动边缘计算（MEC）中降低时延与能耗的手段之一,通过合理的卸载决策能够降低工业成本。针对工业生产线中部署MEC服务器后时延变长和能耗增高的问题,提出了一种基于粒子群优化（PSO）算法的计算卸载策略PSAO。首先,将实际问题建模为时延模型与能耗模型。由于是针对时延敏感型的应用,因此将模型转化为在能耗约束条件下的最小化时延问题,使用惩罚函数来平衡时延与能耗。其次,根据PSO算法优化后得到计算卸载决策向量,通过集中控制的方式使每一个计算任务合理分配到对应的MEC服务器。最后,通过仿真实验,对比分析了本地卸载策略、MEC基准卸载策略、基于人工鱼群算法（AFSA）的卸载策略以及PSAO的时延数据,PSAO的平均总时延远远低于其他三种卸载策略,PSAO比原来系统总代价降低了20%。实验结果表明,PSAO策略能够降低MEC中的时延,均衡MEC服务器的负载。     

基于终端直通通信的多用户计算卸载资源优化决策

随着计算密集和时延敏感类应用的激增,移动边缘计算（MEC）被提出应用在网络边缘为用户提供计算服务。针对基站（BS）端边缘服务器计算资源有限以及网络边缘用户远距离计算卸载的时延较长等问题,提出了基于终端直通（D2D）通信的多用户计算卸载资源优化决策,将D2D融入MEC网络使用户以D2D方式直接卸载任务到相邻用户处执行,从而能够进一步降低卸载时延和能耗。首先,以最小化包括时延和能耗的系统计算总开销为优化目标,建模多用户计算卸载和多用户计算资源分配的联合优化问题;然后,将求解该问题看作是一个D2D配对过程,并提出基于稳定匹配的低复杂度的多用户计算卸载资源优化决策算法;最后,迭代求解D2D卸载的优化分配决策。通过理论证明分析了所提算法的稳定性、最优性和复杂度等特性。仿真结果表明,所提算法相较于随机匹配算法能够有效降低10%~33%的系统计算总开销,并且其性能非常接近最优的穷举搜索算法。可见,所提基于D2D卸载的决策有利于改善时延和能耗开销性能。     

区块链赋能物联网中联合资源分配与控制的智能计算迁移研究

大数据场景下,远程云服务器通常被部署用于数据处理与价值挖掘,但在面对时延敏感型或需要动态频繁交互的业务时,该种处理模式显得力不从心.作为对云计算模式的补充,雾计算因其可有效降低任务处理时延、能耗与带宽消耗而备受关注;同时,面向雾计算的计算迁移机制因其能有效缓解节点的处理负担并改善用户体验而成为领域研究焦点.在雾计算模式...     

Content-centric data and computation offloading in AI-supported fog networks for next generation IoT

Fog Computing (FC) based IoT applications are encountering a bottleneck in the data management and resource optimization due to the dynamic IoT topologies, resource-limited devices, resource diversity, mismatching service quality, and complicated service offering environments. Existing problems and emerging demands of FC based IoT applications are hard to be met by traditional IP-based Internet model. Therefore, in this paper, we focus on the Content-Centric Network (CCN) model to provide more efficient, flexible, and reliable data and resource management for fog-based IoT systems. We first propose a Deep Reinforcement Learning (DRL) algorithm that jointly considers the content type and status of fog servers for content-centric data and computation offloading. Then, we introduce a novel virtual layer called FogOrch that orchestrates the management and performance requirements of fog layer resources in an efficient manner via the proposed DRL agent. To show the feasibility of FogOrch, we develop a content-centric data offloading scheme (DRLOS) based on the DRL algorithm running on FogOrch. Through extensive simulations, we evaluate the performance of DRLOS in terms of total reward, computational workload, computation cost, and delay. The results show that the proposed DRLOS is superior to existing benchmark offloading schemes.     

基于稳定匹配的多用户任务卸载策略

随着许多计算密集型应用的出现,移动设备因其有限的计算能力无法满足用户时延、能耗等需求。移动边缘计算（MEC）通过无线信道将用户的任务计算卸载到MEC服务器,从而显著减少任务响应时延和能耗。针对多用户任务卸载问题,提出了基于稳定匹配的多用户任务卸载策略（MUTOSA）,在保证用户的时延要求下达到能耗最小化。首先,在综合考虑时延与能耗的基础上,对独立任务场景下的多用户任务卸载问题进行建模;然后,基于博弈论的稳定匹配中的延迟接收思想,提出了一种调整策略;最后,通过不断迭代,解决了多用户任务卸载问题。实验结果表明,该策略相较于基准策略和启发式策略能够满足更多用户的时延要求,平均提高约10%的用户满意度,并能减少约50%的用户设备总能耗。所提策略在保证用户时延要求的同时有效地减少了能耗,可以有效地提高用户对于时延敏感型应用的体验。     

边缘计算中的计算卸载综述

边缘计算可以有效解决传统云计算中传输时延大、用户数据安全性不够高、传输带宽压力大以及终端移动设备计算能力受限、能耗大等问题.计算卸载是边缘计算中的关键技术,针对当前计算卸载技术的研究现状和存在的不足,本文围绕计算卸载,首先介绍边缘计算的体系架构以及部分应用和分析4种主要的影响因素以及相应具体的条件;其次针对3种决策目标分析了算法策略及对应变量在算法中的作用;最后总结目前在计算卸载中存在的不足.