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。

     

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。     

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。     

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。

     

新基建下云网融合需求及关键技术架构分析

随着国家新基建战略的发布,运营商云网融合目标有了更为丰富的内涵和意义。“网为基础、云为关键、网随云动、云网一体”战略的实现需要新技术新架构,文章主要分析了实现云网融合战略目标新架构下的关键新技术应用。     

Optimization and Design of Cloud-Edge-End Collaboration Computing for Autonomous Robot Control Using 5G and Beyond

Robots have important applications in industrial production, transportation, environmental monitoring and other fields, and multi-robot collaboration is a research hotspot in recent years. Multi-robot autonomous collaborative tasks are limited by communication, and there are problems such as poor resource allocation balance, slow response of the system to dynamic changes in the environment, and limited collaborative operation capabilities. The combination of 5G and beyond communication and edge computing can effectively reduce the transmission delay of task offloading and improve task processing efficiency. First, this paper designs a robot autonomous collaborative computing architecture based on 5G and beyond and mobile edge computing(MEC). Then, the robot cooperative computing optimization problem is studied according to the task characteristics of the robot swarm. Then, a reinforcement learning task offloading scheme based on Q-learning is further proposed, so that the overall energy consumption and delay of the robot cluster can be minimized. Finally, simulation experiments demonstrate that the method has significant performance advantages.     

Task distribution offloading algorithm of vehicle edge network based on DQN

In order to achieve the best balance between latency,computational rate and energy consumption,for a edge access network of IoV,a distribution offloading algorithm based on deep Q network (DQN) was considered.Firstly,these tasks of different vehicles were prioritized according to the analytic hierarchy process (AHP),so as to give different weights to the task processing rate to establish a relationship model.Secondly,by introducing edge computing based on DQN,the task offloading model was established by making weighted sum of task processing rate as optimization goal,which realized the long-term utility of strategies for offloading decisions.The performance evaluation results show that,compared with the Q-learning algorithm,the average task processing delay of the proposed method can effectively improve the task offload efficiency.     

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。     

基于MEC的高速铁路无线通信网络优化方案

为实现对高速铁路无线通信网络的优化处理,满足高速铁路安全、可靠、高效运行的多维铁路运输需求,在分析现有高速铁路车地无线通信网络的基础上,结合目前在其他行业广泛应用和推广的MEC技术,提出了基于MEC的高速铁路无线通信网络优化方案。通过实验室搭建仿真环境,对比两种高速铁路无线通信网络的优化方案模型,并对基站和车站MEC服务器功能及MEC平台架构进行阐述,通过高速铁路应用实例,系统地描述基于MEC的无线通信网络优化方案,为后续高速铁路无线通信网络优化提供理论依据,对网络时延、无线传输优化、虚拟化技术等方面的研究和攻关提供模型支持。     

基于SDN和MEC的5G VANET架构及其性能分析

为了在大规模的车载自组织网络（Vehicular Ad-hoc Network,VANET）中提供灵活的网络管理、控制和提高资源利用率,结合软件定义网络（Software Defined Network,SDN）、云无线接入网络（Cloud Radio Access Network,C-RAN）和移动边缘计算（Mobile Edge Computing,MEC）,提出了一种分层的5G VANET架构（5G MEC VANET）,能够支持智能交通系统各种功能和应用的动态特性,同时降低网络管理成本。此外,位于网络边缘的MEC框架避免了车辆与路边基站的频繁交互,减少了数据传播延时。仿真结果表明,与传统VANET和5G VANET架构相比,所提出的架构降低了传播时延,提高了网络带宽吞吐量,同时减少了控制器开销。