车载边缘计算卸载技术研究综述

通过将移动边缘计算技术应用在车联网,车载边缘计算技术可为车载用户提供低时延、高带宽、高可靠性的应用服务.首先详细介绍了车载边缘计算卸载技术的背景、意义以及本文的贡献.其次,分别概述了车载边缘计算卸载技术的网络架构、主要挑战以及应用场景.然后,从移动分析、卸载模式、资源协作和管理等多个维度全面综述了车载边缘计算卸载技术的...     

车载边缘计算研究综述

随着计算密集和时延敏感型车辆应用的爆炸式增长,集中式云架构产生了高工作负载和任务时延阻塞.为了保证服务质量,车载边缘计算应运而生,这种计算模式将计算能力和存储资源,推移到离数据源更近的边缘服务器或边缘网关等边缘节点上,通过在边缘节点进行实时数据处理和决策,可以显著地减少数据传输时延.首先介绍了车载边缘计算的基本概念,接着对现有研究进行了梳理分类,最后讨论了对车载边缘计算的展望和未来研究方向.     

基于移动路径预测的车载边缘计算卸载切换策略研究

车载云计算环境中的计算卸载存在回程网络延迟高、远程云端负载大等问题,车载边缘计算利用边缘服务器靠近车载终端,就近提供云计算服务的特点,在一定程度上解决了上述问题.但由于汽车运动造成的通信环境动态变化进而导致任务完成时间增加,为此该文提出一种基于移动路径可预测的计算卸载切换策略MPOHS,即在车辆移动路径可预测情况下,引...     

一种基于车载边缘计算的可预测的任务卸载模型

解决计算密集型任务与车载计算设备资源匮乏之间的矛盾,目前常用的一种解决方案是将计算任务卸载到无线电接入网络的边缘.本文研究了车载边缘计算下的基于移动感知的计算任务卸载模型.考虑到车辆的移动性特性和任务的最大等待时间,本文通过联合优化任务卸载决策,通信和计算资源分配,使车辆选择最佳的卸载执行时间,以达到最大限度地降低系统...     

基于安全保障的边缘计算卸载方案

提出了基于安全管理的边缘计算卸载方案,并基于量子进化算法(QEA)设计了卸载决策方案。该方案保证了用户在边缘计算网络中进行计算卸载的安全性。仿真结果表明,与常规计算卸载方案对比,本方案能在保证计算卸载安全的情况下有效降低整个系统的开销。     

移动边缘计算中的计算卸载和资源管理方案

移动边缘计算(mobile edge computing,MEC)是一种新兴的计算范式。设备将计算任务卸载到MEC服务器,满足业务时延需求,延长设备电池寿命,解决设备资源受限问题。对目前MEC系统中计算卸载方案的研究现状和成果进行了总结,分析了存在的问题和挑战,并进一步探讨未来MEC计算卸载的研究方向。     

智能超表面赋能移动边缘计算部分任务卸载策略

针对移动边缘计算(MEC)任务卸载性能易受障碍物阻挡影响的问题,该文提出一种双智能超表面(RIS) 赋能的移动边缘计算任务部分卸载框架。首先,分析两个RIS之间的反射对链路增益的影响。其次,联合考虑终端用户的发射功率、终端用户的卸载速率、任务卸载量、卸载时间的分配以及RIS相移约束,旨在建立一个能耗最小化优化问题。最后,采用交替迭代算法,将原非凸问题分解为两个子问题,并利用Dinkelbach方法和最优性条件进行求解。仿真结果验证了所提算法的快速收敛特性以及在降低系统能耗方面的有效性。     

移动边缘计算的计算卸载技术分析研究

计算卸载作为移动边缘计算的关键技术之一,对于提升移动边缘计算实现节能、降低时延和改善用户体验等方面,起到关键的作用.本文围绕移动边缘计算的计算卸载技术进行分析研究,首先介绍了计算卸载概念和主要特征;并就移动边缘计算的计算卸载实施步骤和计算卸载系统分类进行阐述;然后针对计算卸载关键技术中的3个重点研究问题进行了详细分析;最后,对研究工作进行总结.     

移动边缘计算的计算卸载技术分析研究

计算卸载作为移动边缘计算的关键技术之一,对于提升移动边缘计算实现节能、降低时延和改善用户体验等方面,起到关键的作用.本文围绕移动边缘计算的计算卸载技术进行分析研究,首先介绍了计算卸载概念和主要特征;并就移动边缘计算的计算卸载实施步骤和计算卸载系统分类进行阐述;然后针对计算卸载关键技术中的3个重点研究问题进行了详细分析;最后,对研究工作进行总结.     

一种新型卸载方案:基于停泊车辆中继的车载边缘任务卸载方案

车载边缘计算(vehicular edge computing,VEC)是一种可实现车联网低时延和高可靠性的关键技术。VEC可解决车载终端计算能力不足的问题,同时可减少车联网通信服务时延,避免路边停泊车辆自身大量空闲资源浪费。提出基于停泊车辆中继的车载任务卸载方案,通过合理部署边缘服务器和引入协作中继技术,可将车联网通信过程中的时延降低至毫秒级。仿真结果表明,与传统的车与基础设施(vehicle to infrastructure,V2I)卸载方案相比,基于停泊车辆中继的车载任务卸载方案可将通信时延降低20%。     

面向绿色计算的车辆协同任务卸载方法

车辆边缘计算(VEC)为处理计算密集、延迟敏感型任务提供了新的范式,然而边缘服务器在整合可再生能源方面的能力较差。因此,为了提高边缘服务器的能效,该文设计了一种面向绿色计算的车辆协同任务卸载框架。在该框架中,车辆配备能源收集(EH)设备,通过彼此间共享绿色能源和计算资源协作执行任务。为有效促进车辆的参与积极性,该文通过动态定价激励车辆,并综合考虑了车辆的移动性、任务优先级等。为了使卸载决策适应动态环境的变化,该文提出了一种基于双延迟深度确定性策略梯度(TD3)的任务卸载方法,以在最大化所有车辆平均任务完成效用的同时减少边缘端电网电力的使用。最后,仿真结果验证了该方法的有效性,相比基于深度确定性策略梯度(DDPG)和基于贪心原则(GPE)的方法在性能上分别提升了7.34%和37.47%。     

超密集网络中基于移动边缘计算的任务卸载和资源优化

移动边缘计算(MEC)通过在无线网络边缘为用户提供计算能力,来提高用户的体验质量。然而,MEC的计算卸载仍面临着许多问题。该文针对超密集组网(UDN)的MEC场景下的计算卸载,考虑系统总能耗,提出卸载决策和资源分配的联合优化问题。首先采用坐标下降法制定了卸载决定的优化方案。同时,在满足用户时延约束下采用基于改进的匈牙利算法和贪婪算法来进行子信道分配。然后,将能耗最小化问题转化为功率最小化问题,并将其转化为一个凸优化问题得到用户最优的发送功率。仿真结果表明,所提出的卸载方案可以在满足用户不同时延的要求下最小化系统能耗,有效地提升了系统性能。

     

基于非正交多址接入的移动边缘计算安全节能联合资源分配

为提高基于非正交多址接入(NOMA)的移动边缘计算(MEC)系统中计算任务部分卸载时的安全性,该文在存在窃听者情况下研究MEC网络的物理层安全,采用保密中断概率来衡量计算卸载的保密性能,考虑发射功率约束、本地任务计算约束和保密中断概率约束,同时引入能耗权重因子以平衡传输能耗和计算能耗,最终实现系统能耗加权和最小。在满足两个用户优先级情况下,为降低系统开销,提出一种联合任务卸载和资源分配机制,通过基于二分搜索的迭代优化算法寻求问题变换后的最优解,并获得最优的任务卸载和功率分配。仿真结果表明,所提算法可有效降低系统能耗。     

车联网中基于移动边缘计算的内容感知分类卸载算法研究

随着智能交通的快速发展,车辆终端产生大量需要实时处理的数据消息,而在有限资源上的竞争将会增加消息处理的时延,且对终端设备造成很大的能量消耗。针对时延和能量损耗的均衡关系,该文提出一种基于移动边缘计算(MEC)的内容感知分类卸载算法。首先根据层次分析法对安全消息进行优先级划分,然后建立时延和能量损耗的最优任务卸载模型,通过给时延和能量损耗赋予不同的权重系数构造关系模型,并利用拉格朗日松弛法将非凸问题转化为凸问题,从而结合次梯度投影法和贪婪算法得到问题的可行解。性能评估结果表明,该算法在一定程度上改善了消息处理时延和能量损耗。     

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%。

     

车联网中一种基于软件定义网络与移动边缘计算的卸载策略

在新兴的车联网络中,汽车终端请求卸载的任务对网络带宽、卸载时延等有着更加严苛的需求,而新型通信网络研究中移动边缘计算(MEC)的提出更好地解决了这一挑战。该文着重解决的是汽车终端进行任务卸载时卸载对象的匹配问题。文中引入了软件定义车载网络(SDN-V)对全局变量统一调度,实现了资源控制管理、设备信息采集以及任务信息分析。基于用户任务的差异化性质,定义了重要度的模型,在此基础上,通过设计任务卸载优先级机制算法,实现任务优先级划分。针对多目标优化模型,采用乘子法对非凸优化模型进行求解。仿真结果表明,与其他卸载策略相比,该文所提卸载机制对时延和能耗优化效果明显,能够最大程度地保证用户的效益。

     

云边端架构下边缘智能计算关键问题综述：计算优化与计算卸载

近年来,随着入网设备数量与数据体量的急剧增加,以云计算为代表的中心式计算模式的缺点越来越显露出来。边缘计算,即让计算尽量靠近数据源,以减少数据传输时间和网络延迟,作为云计算的补充,已经成为学术界和工业界关注的焦点。该文面向边缘计算中应用较广的实例架构—云边端架构,以及边缘计算的典型应用—边缘智能计算,讨论云边端架构下边缘智能计算的两大关键问题：计算优化和计算卸载。首先分析和梳理了云边端架构下边缘智能计算优化的应用与研究现状。然后讨论了云边端架构下计算卸载的研究思路和现状。最后,总结提出了目前云边端架构下边缘智能计算业务所面临的挑战和未来研究趋势。     

同时透射反射可重构智能表面赋能移动边缘计算任务卸载研究

为弥补可重构智能表面(RIS)半空间覆盖和“乘性衰落”等不足,该文提出一种有源同时透射和反射可重构智能表面(aSTAR-RIS)技术用于提升移动边缘计算(MEC)卸载性能增益。首先,考虑MEC服务器计算资源、aSTAR-RIS能耗以及相移耦合约束,联合设计任务卸载比例、计算资源配置、多用户检测矩阵(MUD)、aSTAR-RIS相移以及用户上传功率,建立一个多变量耦合的加权总时延最小化问题。然后,借助块坐标下降法(BCD)将原问题分解为两个子问题,使用拉格朗日乘子法和罚项对偶分解法(PDD)交替优化子问题。仿真结果表明,相较于无源STAR-RIS方案,所提aSTAR-RIS辅助MEC方案加权总时延降低了12.66%。     

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。