基于概率性能感知演化博弈策略的“云+边”混合环境中任务卸载方法

针对“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中多任务卸载效率不足的问题,提出了一种基于概率性能感知演化博弈策略的任务卸载方法。首先,在一个“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中,假设其中分布的边缘服务器具有时变波动的性能,采用一种基于概率性能感知演化博弈策略的任务卸载方法对边缘云服务器的历史性能数据进行概率分析,以获得演化博弈模型;然后,生成服务卸载的演化稳定策略（ESS）,使每个用户都能在获得高满意度的前提下进行任务的卸载。基于云边缘资源位置数据集和云服务性能测试数据集进行模拟实验,在24个连续时间窗口上进行不同方法的测试比较。实验结果表明,所提方法在多个性能指标上都优于传统的贪婪（Greedy）算法、遗传算法（GA）和基于纳什均衡的博弈论算法等任务卸载方法。该方法的平均用户期望达成度相较于三个对比方法分别提升了13.7%、117.0%、13.8%,平均卸载时延分别降低了6.5%、24.9%、8.3%,平均货币成本分别降低了67.9%、88.7%、18.0%。     

一种去中心化的在线边缘任务调度与资源分配方法

创新移动应用迅速发展和5G通讯技术的成熟落地引发了终端用户对计算资源下沉至边缘的巨大需求,从而推动了多接入边缘计算(Multi-access Edge Computing,MEC)概念的提出和发展.在MEC环境中,用户可以将移动任务卸载到周围部署的边缘服务器上来加速移动应用.尽管边缘服务器可以在近用户端提供低时延、高响应性的服务,但其仍面临计算资源有限和用户请求多样带来的挑战,因此需要效率高、实时性强的任务调度与资源分配策略来合理地利用边缘资源.然而,目前针对MEC环境下任务调度和资源分配的方法大多基于中心化架构,并以批处理的方式对某个时间段到达任务进行统一调度与资源分配,因此在面对异构复杂的MEC资源网络和高时延敏感用户需求时具有一定的局限性,此外传统方法还缺少对任务多样性和优先级的考量.针对上述问题,本文提出了一种去中心化的在线任务调度与资源分配方法D-TSRA,该方法以任务优先级加权的卸载响应时间为评价指标,由实时任务调度策略、边缘资源分配策略、和运行时任务迁移策略组成.基于真实边缘环境下数据集的实验表明本文所提出的D-TSRA方法与传统任务调度与资源分配方法相比最多能够减少34...     

智能化边缘计算专题序言

新型基础设施建设包括5G基站建设、特高压、城际高速铁路和城市轨道交通、新能源汽车充电桩、大数据中心、工业互联网等诸多领域,其中计算性能和网络安全起着关键作用.与传统的云计算模式不同,边缘计算的出现使得服务调用所需的数据、数据处理和应用程序可以部署在网络边缘设备中,边缘服务器可以直接与用户进行业务交互并对相关数据进行处理.同时,人工智能的发展为边缘计算理论与技术的发展注入了新的活力,使得基于边缘计算模式的新兴应用能适应复杂多态、随需应变和广域移动的需求,实现高性能、高可用性、低延迟和优良服务的交互体验等.     

煤矿安全生产机电事故风险管理体系在东林煤矿的应用

以东林煤矿的机电事故风险管控为分析对象,列出了“煤矿机电事故风险目录”,利用“煤矿机电事故风险采集表”,计算“煤矿机电事故风险损害后果”和“煤矿机电事故风险可能性”,绘制“煤矿机电事故风险矩阵”,得出煤矿机电事故风险等级值。根据煤矿机电事故风险评估的汇总结果,建立了动态煤矿机电事故风险动态监测机制,提出风险的管理标准、技术措施、管理措施和应急准备;该研究为重庆市国有煤与瓦斯突出矿井的机电事故风险管理提供了应用示范案例。     

一种基于深度强化学习与概率性能感知的边缘计算环境多工作流卸载方法

移动边缘计算是一种新兴的分布式和泛在计算模式,其将计算密集型和时延敏感型任务转移到附近的边缘服务器,有效缓解了移动终端资源不足的问题,显著减小了用户与计算处理节点之间的通信传输开销.然而,如果多个用户同时提出计算密集型任务请求,特别是流程化的工作流任务请求,边缘计算环境往往难以有效地进行响应,并会造成任务拥塞.另外,受...     

服务组合排编规范性能分析研究

伴随Web服务而生的服务组装技术,因能实现服务的复用和增值而成为学术界和工业界关注的焦点。目前主流的服务组合规范可以分为基于编写（orchestration-based规范,如WS-BPEL）和基于排编（choreography-based规范,如WSCI和WS-CDL）两大类。目前对服务组合规范的研究多偏重于功能分析和性质验证的方面,而数量化特性,特别是性能的研究却相对薄弱。运用随机Petri网对基于WSCI规范描述的服务组合进行了建模和性能分析。基于WSCI的组合服务转换为随机Petri网描述,在其基础上导出连续时间马氏过程的状态变迁模型,在马氏过程的转移强度矩阵上进行一系列计算以获得对性能的评价。在实例研究中运用蒙特卡洛实验和置信区间分析的方法,对上一步获得的理论结果进行了检验。     

边缘环境下轨迹预测性感知的在线边缘服务分配

移动通信技术的快速发展促使了移动边缘计算(Mobile Edge Computing, MEC)的出现。作为第五代(5G)无线网络的关键技术,MEC可利用无线接入网络就近提供电信用户所需服务和云端计算功能,从而创造出一个具备高性能、低延迟与高带宽的服务环境,加速网络中的各项内容、服务及应用。然而,如何实现MEC环境下有效且性能有保障的服务卸载和迁移仍然是一个巨大的挑战。针对这一问题,大多数现有的解决方案都倾向于将任务卸载视为一个离线决策过程,使用用户的瞬时位置作为模型输入。而文中考虑了一种预测轨迹感知的在线MEC任务卸载策略,即PreMig。该策略首先通过多项式滑动窗口模型对服务所属边缘用户的未来轨迹进行预测,然后计算用户在边缘服务器信号覆盖范围内的停留时间,最后以一种贪心策略进行边缘服务的分配。为了验证所设计的方法的有效性,基于真实MEC部署数据集和校园移动轨迹数据集开展了模拟实验,实验结果显示,所提策略在平均服务率和用户服务迁移次数两个关键性能指标上均优于传统策略。     

基于应急救援的信息共享策略仿真

针对突发事件中应急救援信息共享不及时、不积极带来巨大损失的问题,建立了高危企业、救援队伍、政府监管部门参与的应急救援信息共享三方博弈模型。首先,根据收益情况构建支付矩阵与复制动态方程;然后,分别对4个不同场景进行稳定性分析;最后,通过计算机仿真模拟不同场景下系统的演化过程与结果,从而得到信息共享的最优策略。实验结果表明：在收益较低的情况下,若额外奖惩高,则应急救援队伍积极共享的意愿升至0.2,随后逐渐降低,直至完全拒绝信息共享;若额外成本较高,则高危企业积极共享的意愿升至0.2左右,随后快速降低至0。同时,参与者的行为策略对正向收益的变化表现得最为敏感,对额外奖惩、额外成本变化的敏感性次之。以上结果可为应急救援中的信息共享策略选择提供指导性意见。     

一种模型驱动的WS-CDL服务组合可靠性预测方法

WS-CDL是一种主流的Web服务组合标准,描述了基于编排机制的端对端服务组件的组合方式。对基于WS-CDL的服务组合进行可靠性预测,能帮助Web服务的使用和管理者定量考察服务的可信性,并帮助他们从功能相同的服务组件中择优选取以优化整体服务流程的可靠性。然而,学术界对WS-CDL可靠性研究非常匮乏。提出了一种模型驱动的方法来预测基于WS-CDL的组合服务的可靠性。该方法首先引入一系列的转换规则,将WS-CDL中的各种活动和结构转换为等效的NMSPN网描述。在生成的NMSPN网基础上,引入了一个预测算法以分析组合服务的“流程正常结束概率”。为了对理论模型和结果进行检验,还通过WS-CDL+执行引擎对服务组合的实例进行执行并获得了流程正常结束率的实验数据。比较发现,由实验数据导出的95%置信区间完好地覆盖了理论分析结果,表明了该方法的正确性和精确性。