共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
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。
相似文献4.
随着互联网的发展,智能终端在实践中得到了应用,大量时间敏感的计算机应用在人们的生活中也被广泛使用,如p/虚拟现实、智能家居和汽车互联网等。网络流量的增加将逐渐增大核心网络的压力,管理延迟网络变得越来越困难。目前,云协作计算解决方案是拟议的模型边界,文中提出了一种新的算法来管理边缘云之间基本网络流量的分布和解密,以共享时间和分配来改善边缘处理流程的算法资源,遗传算法用于寻找最佳分解分辨率。实验结果表明,与基线相比,拟议的算法可以提高资源效率并减少云流量边缘,从而减少核心网络拥堵现象。 相似文献
5.
6.
针对无线供能移动边缘计算(MEC)网络,该文将计算时延定义为数据卸载与计算所消耗的时间,并提出一种节点计算时延之和最小化的多维资源分配方法。首先,在节点能量因果约束下,通过联合优化专用能量站工作时长、任务分割系数、节点计算频率和发射功率来建立一个计算时延之和最小化的多维资源分配问题。由于存在优化变量耦合与max-max函数,所建问题非凸且无法采用凸优化工具获取最优解。为此,通过引入一系列松弛变量和辅助变量来进行优化问题简化以及优化变量解耦,并在此基础上,通过深入分析简化问题的结构特性,提出一种基于二分法的迭代算法来求解原问题的最优解。最后,计算机仿真验证了所提迭代算法的正确性以及所提资源分配方法在计算时延方面的优越性。 相似文献
7.
随着网络技术的不断发展,基于Fat-Tree的网络拓扑结构分布式网络控制模式逐渐显露出其局限性,软件定义数据中心网络(software-defined data center network,SDCN)技术作为Fat-Tree网络拓扑的改进技术,受到越来越多研究者的关注。首先搭建了一个SDCN中的边缘计算架构和基于移动边缘计算(mobileedge computing,MEC)平台三层服务架构的任务卸载模型,结合移动边缘计算平台的实际应用场景,利用同策略经验回放和熵正则改进传统的深度Q网络(deep Q-leaning network,DQN)算法,优化了MEC平台的任务卸载策略,并设计了实验对基于同策略经验回放和熵正则的改进深度Q网络算法(improved DQN algorithm based on same strategy empirical playback and entropy regularization,RSS2E-DQN)和其他3种算法在负载均衡、能耗、时延、网络使用量几个方面进行对比分析,验证了改进算法在上述4个方面具有更优越的性能。 相似文献
8.
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。 相似文献
9.
10.
11.
针对新兴的计算密集型应用对移动用户高计算性能需求问题,该文提出一种数字孪生(DT)结合智能反射面(RIS)辅助的移动边缘计算(MEC)任务卸载方案。首先,在满足用户传输功率、用户和资源设备能耗、计算资源限制条件下,通过联合优化用户卸载决策、用户传输功率、RIS 相移、波束成形矢量、计算资源分配,建立一个系统能耗最小化问题;其次,将该非凸组合优化问题分解为3个子问题,使用深度双Q网络(DDQN)方法确定用户卸载策略;然后对每个训练时间步进行一次求解,基于交替迭代方法得到问题的优化解。仿真结果表明,基于DDQN的算法训练速度较快,有效降低了系统总能耗。 相似文献
12.
针对边缘计算网络中用户能量短缺问题,该文提出一种无人机(UAV)辅助的反向散射通信网络计算任务卸载和资源分配方案。首先,通过联合考虑飞行轨迹、用户的计算频率、任务卸载比例、无人机及用户的发射功率、反向散射时间分配以及主动通信时间分配,构建最小化无人机总能耗优化问题。其次,利用交替优化算法,将原非凸问题分解为两个子问题,并通过连续凸逼近方法将原问题转化为凸问题进行求解。仿真结果表明,所提算法使得无人机能耗显著减少,且具有良好的收敛性。 相似文献
13.
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。
相似文献14.
通过移动边缘计算下移云端的应用功能和处理能力支撑计算密集或时延敏感任务的执行成为当前的发展趋势。但面对众多移动终端用户时,如何有效利用计算资源有限的边缘节点来保障终端用户服务质量(QoS)成为关键问题。为此,该文融合边缘云与远端云构建了一种分层的边缘云计算架构,以此架构为基础,以最小化移动设备能耗和任务执行时间为目标,将问题形式化描述为资源约束下的最小化能耗和时延加权和的凸优化问题,并提出基于乘子法的计算卸载及资源分配机制解决该问题。实验结果表明,在计算任务量很大的情况下,提出的计算卸载及资源分配机制能够有效降低移动终端能耗,并在任务执行时延方面较局部计算与计算卸载机制分别降低最高60%与10%,提高系统性能。 相似文献
15.
本文围绕智能工厂中关键性任务的边缘计算开展研究.考虑边缘计算中由于信道的不确定性及计算资源受限可能出现的高时延风险,首先通过使用条件风险价值(Conditional Value at Risk, CVaR)完成时延分布尾部信息的刻画,通过利用CVaR的凸性和平移等价性,给出了时延CVaR的上界.进一步,通过对边缘服务器的选择与计算资源分配,完成了机器设备处理计算任务的平均时延与CVaR上界的联合优化.通过仿真实验,验证了算法模型对高时延分布刻画的有效性.从仿真结果可知,所提策略不仅提高了计算的可靠性,同时降低了时延的高风险值. 相似文献
16.
17.
随着移动终端尤其是工业互联网技术的快速发展,终端设备密集分布,无线带宽有限,经常导致业务过程中的集中式云资源调度,难以满足远程终端应用对低时延和低成本计算的需求.着眼于本地服务器联动云数据中心,边缘计算为这类移动应用提供了一种敏捷的计算服务模式.虽然边缘计算的敏捷服务模式能够有效缩短移动应用的时延并降低对应的通信成本,但在边缘计算环境下,异构资源之间的任务卸载经常会导致一些潜在的数据安全隐患和服务质量受损.针对上述应用挑战和技术发展趋势,本文提出了一种基于联盟链的可靠边缘计算任务卸载方法 .该方法利用联盟链进行身份校验和卸载结果反馈,以任务的完成时间、卸载成本与资源可靠度作为评价标准,设计了一种基于遗传算法的卸载策略,支持卸载决策时任务卸载的可靠性评估.实验结果表明,本文方法能在满足时延约束的前提下提高任务卸载的可靠性,为移动智能应用提供了一种有效的数据安全保障方法. 相似文献
18.
移动边缘计算(mobile edge computing,MEC)通过将计算任务卸载至边缘服务器,降低网络负荷,减少传输时延,提升用户服务体验。因此,MEC受到了广泛关注,并成为5G的关键技术。资源分配作为MEC的主要问题,在提升能量效率、缩短任务时延和节约成本方面具有非常重大的研究意义。首先,介绍了MEC的基本概念、参考架构和技术优势;然后,从技术层面和经济层面归纳总结了MEC中最新的资源分配和定价策略;最后,讨论了MEC资源分配和定价策略中可能存在的问题与挑战,并提出了一些可行的解决方案,为后续研究发展提供参考。 相似文献
19.
为了解决日益增长的室内无线资源的需求,近年来人们提出了基于OFDMA系统的家庭基站网络,但是由于OFDMA系统的频谱资源的匮乏,合理使用无线资源改善家庭基站网络的频谱效率成了人们研究的重点。本论文是在基于OFDMA的家庭基站的场景下提出了一种新的基于Q学习的动态信道分配机制,避免了解决复杂的最优化问题。该算法动态地调整各复用系数下的信道数,同时考虑所有家庭基站的频谱效率作为奖赏函数,在尽量保证最低频谱效率的同时提高家庭基站的系统频谱效率。仿真结果表明该算法在满足了家庭基站网络的QoS要求的基础上提高了家庭基站系统的频谱效率。 相似文献
20.
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%。 相似文献