多接入移动边缘计算技术在移动网络的部署实践与思考

多接入移动边缘计算(MEC)技术是当前兴起的一项新技术。通过把计算、存储、带宽和应用等资源放在网络的边缘侧,以减小传输延迟和带宽消耗。MEC可以广泛应用于运营商的4G/5G等移动网络以及Wi-Fi无线网络,并将会成为未来工业自动化和信息化应用的新一代解决方案。本文介绍了多接入移动边缘计算技术如何与4G/5G移动网络结合并在行业场景中的实际尝试和探索,并对主要研究进展和需解决的关键问题进行了介绍。     

5G边缘计算节点部署方法研究

随着5G商用的到来,基于5G三大应用场景的业务需求,现有核心网集中式部署不能满足新的需求,网络随业务流向边缘迁移是产业发展趋势。移动边缘计算靠近用户侧部署,能提供更短时延和保护隐私等功能。本文通过分析移动边缘计算面向的重点行业和重点领域等业务发展需求,协同构建客户的业务、无线和局房资源视图,匹配出移动边缘计算部署机房位置及资源储备。     

面向5G的边缘计算及部署思考

边缘计算对于运营商而言是一种网络架构和业务模式的创新。基于运营商的运维需求,针对5G的边缘计算提出了一套系统化的解决方案。5G边缘计算的部署基于业务需求和场景,并结合网络需求、边缘基础设施、运营模式及维护管理需要,是性能与投资的均衡考虑。强大的生态系统是5G边缘计算发展的保障,完善的基础设施、灵活的网络和平台能力以及丰富的边缘应用是推动边缘生态繁荣的关键因素。     

面向5G的边缘云部署方案探讨

针对5G的业务需求和网络特点、详细分析5G MEC(移动边缘计算)网络架构和不同场景下的MEC部署策略及部署原则.并结合5G典型应用场景、网络架构演进、5G MEC融合架构等基础网络理论,探讨5G不同应用场景下MEC部署方案,给出典型场景下的MEC部署解决方案.     

移动边缘计算安全研究

移动边缘计算具有靠近用户、业务本地处理、灵活路由等特点,成为满足5G低时延业务需求的关键技术之一。由于移动边缘计算靠近用户、处于相对不安全的环境、核心网控制能力减弱等,存在非授权访问、敏感数据泄露、(D)DoS攻击等安全风险。本文在介绍边缘计算概念、应用场景的基础上,分析移动边缘计算的安全威胁、安全防护框架、安全防护方案,并展望后续研究方向。     

移动边缘计算中基于图到序列深度强化学习的复杂任务部署策略

借助于移动边缘计算（MEC）和网络虚拟化技术,可使移动端将执行各类复杂应用所需的算力、存储和传输等资源需求就近卸载至边缘服务节点,从而获得更高效的服务体验。面向边缘服务商,研究其在进行复杂任务部署时所面临的能耗优化决策问题。首先将复杂任务部署于多个边缘服务节点的问题建模为混合整数规划（MIP）模型,然后提出了一种融合图到序列的深度强化学习（DRL）求解策略。该策略通过基于图的编码器设计提取并学习子任务间潜在的依赖关系,从而根据边缘服务节点的可用资源状态及使用率自动发现任务部署的通用模式,最终快速获得能耗优化的部署策略。在不同的网络规模中,将所提策略与具代表性的基准策略进行了全面对比。实验结果表明,所提策略在任务部署错误率、MEC系统总功耗和算法求解效率等方面均显著优于基准策略。     

面向气象观测设备的移动边缘计算卸载算法

针对自动气象观测设备计算任务数据量大、存在时延等问题,文中开展了面向自动气象观测设备的移动边缘计算卸载算法的研究。首先,采用内点法对单服务器设备集群的时间延迟优化模型和能量消耗优化模型进行数据建模;其次,利用Lyapunov优化算法改善系统内的数据积压现象,并进行多服务器设备集群计算卸载算法的研究,从而实现时间延迟与能量消耗两个目标的联合优化;同时,使用Q学习算法完成了未有网络先验知识以及能量状态情况下最优卸载策略的求解。经过实验测试结果表明,文中所提方案将时间延迟与能量消耗均分别降低了23.2%和3.5%。     

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。     

移动边缘计算的需求与部署分析

4G网络架构难以满足5G的大容量、大带宽、大连结、低延迟需求,于是ETSI(欧洲电信标准化协会)提出移动边缘计算的概念。首先分析移动边缘计算的概念以及应用后给网络带来的性能提升;其次解析移动边缘计算服务器部署的位置,以及不同的应用场景相应的最佳部署位置;列举其典型应用场合,包括移动视频、车联网、增强现实、监控视频等。     

移动边缘计算组网与应用研究分析

文章对移动边缘计算进行了研究,阐述了移动边缘计算组网的作用,并对移动边缘组网节能性进行了分析,旨在为相关人员提供参考,积极推动移动边缘组网的可靠运用,提升组网效果,保证移动边缘计算组网的应用质量,提高信息通信质量,满足实际通信需求。     

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。     

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MIMO的多无人机辅助移动边缘计算系统时延优化设计

物联网数据的快速增长和物联网设备的计算限制催生了移动边缘计算(Mobile Edge Computing, MEC)解决方案。其中,无人机群的高机动性、易部署以及成本低的特点和多输入多输出(Multiple Input Multiple Output, MIMO)技术能够增强边缘计算网络的传输容量,缩短边缘计算网络的传输时延。该文在基于多无人机的多用户MIMO-MEC系统中通过联合优化无人机轨迹、地面用户卸载比、辅助无人机卸载比和辅助无人机数据分发比最小化整个周期的系统最大总时延。采用了连续凸优化技术和块坐标下降方法来解决其中的非凸问题。仿真结果讨论了影响系统时延的因素,并验证了算法的有效性及收敛性。     

面向空天地异构网络的边缘计算部分任务卸载策略

空天地异构网络作为一种新型网络构架,是未来6G实现泛在连接的关键支撑。该文提出一种面向空天地异构网络(SAGIN)的移动边缘计算部分任务卸载方案。首先,分析了低轨(LEO)卫星的覆盖时间。其次,联合考虑用户与无人机(UAV)匹配关联因子、任务分配、带宽分配、无人机计算资源分配以及无人机轨迹,旨在建立一个能耗最小化问题。最后,采用交替迭代优化算法,将原非凸问题分解为3个子问题,并利用变量替换和连续凸逼近方法将问题转化为凸问题进行求解。仿真结果表明,所提算法具有良好的收敛性能,并有效地降低系统能耗。     

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。     

移动边缘计算辅助智能驾驶中基于高效联邦学习的碰撞预警算法

智能驾驶中的碰撞避免任务存在对时延要求极高和隐私保护等挑战。首先,该文提出一种基于自适应调整参数的半异步联邦学习(SFLAAP)的门控循环单元联合支持向量机(GRU_SVM)碰撞多级预警算法,SFLAAP可根据训练和资源情况动态调整两个训练参数：本地训练次数和参与聚合的局部模型数量。然后,为解决资源受限的移动边缘计算(MEC)下碰撞预警模型协作训练的效率问题,根据上述参数与SFLAAP训练时延的关系,建立训练总时延最小化模型,并将其转化为马尔可夫决策过程(MDP)。最后,在所建立的MDP中采用异步优势演员-评论家(A3C)学习求解,自适应地确定最优训练参数,从而减少碰撞预警模型的训练完成时间。仿真结果表明,所提算法有效地降低训练总时延并保证预测精度。     

基于移动边缘计算的V2X任务卸载方案

移动边缘计算(MEC)通过在移动网络边缘提供IT服务环境和云计算能力带来高带宽、低时延优势,从而在下一代移动网络的研究中引起了广泛的关注。该文研究车载网络中车辆卸载请求任务时搜寻服务节点为其服务的匹配问题,构建一个基于MEC的卸载框架,任务既可以卸载到MEC服务器以车辆到基础设施(V2I)形式通信,也可以卸载到邻近车辆进行车辆到车辆(V2V)通信。考虑到资源有限性、异构性,任务多样性,建模该框架为组合拍卖模式,提出一种多轮顺序组合拍卖机制,由层次分析法(AHP)排序、任务投标、获胜者决策3个阶段组成。仿真结果表明,所提机制可以在时延和容量约束下,使请求车辆效益提高的同时最大化服务节点的效益。     

车联网中整合移动边缘计算与内容分发网络的移动性管理策略

由于车载应用的普及和车辆数量的增加,路边基础设施的物理资源有限,当大量车辆接入车联网时能耗与时延同时增加,通过整合内容分发网络(CDN)和移动边缘计算(MEC)的框架可以降低时延与能耗。在车联网中,车辆移动性对云服务的连续性提出了重大挑战。因此,该文提出了移动性管理(MM)来处理该问题。采用开销选择的动态信道分配(ODCA)算法避免乒乓效应且减少车辆在小区间的切换时间。采用基于路边单元(RSU)调度的合作博弈算法进行虚拟机迁移并开发基于学习的价格控制机制,以有效地处理MEC的计算资源。仿真结果表明,所提算法相比于现有的算法能够提高资源利用率且减少开销。

     

移动边缘计算中分布式异构任务卸载算法

随着物联网(IoT)迅速发展,移动边缘计算(MEC)在提供高性能、低延迟计算服务方面的作用日益明显。然而,在面向IoT业务的MEC(MEC-IoT)时变环境中,不同边缘设备和应用业务在时延和能耗等方面具有显著的异构性,对高效的任务卸载及资源分配构成严峻挑战。针对上述问题,该文提出一种动态的分布式异构任务卸载算法(D2HM),该算法利用分布式博弈机制并结合李雅普诺夫优化理论,设计了一种资源的动态报价机制,并实现了对不同业务类型差异化控制和计算资源的弹性按需分配,仿真结果表明,所提的算法可以满足异构任务的多样化计算需求,并在保证网络稳定性的前提下降低系统的平均时延。

     

基于强化学习的非正交多址接入和移动边缘计算联合系统信息年龄更新

物联网发展对信息时效性的需求越来越高,信息新鲜度变得至关重要。为了维持信息新鲜度,在非正交多址接入(NOMA)和移动边缘计算(MEC)的联合系统中,对多设备单边缘计算服务器的传输场景进行了研究。在该场景中,如何分配卸载任务量和卸载功率以最小化平均更新代价是一个具有挑战性的问题。该文考虑到现实中的信道状态变化情况,基于多代理深度确定性策略梯度(MADDPG)算法,考虑信息新鲜度影响,建立了最小化平均更新代价的优化问题,提出一种寻找最优的卸载因子和卸载功率决策。仿真结果表明,采用部分卸载的方式可以有效地降低平均更新代价,利用MADDPG算法可以进一步优化卸载功率,经比较,MADDPG算法在降低平均更新代价方面优于其他方案,并且适当地减少设备数量在降低平均更新代价方面效果更好。