移动边缘计算不确定性任务持续卸载及资源分配方法

移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.

面向未来移动通信的移动边缘计算研究综述

移动边缘计算(MEC)通过将移动终端的计算和存储任务从集中式数据中心卸载到边缘网格,满足复杂通信场景下的多样化设备服务需求,已经成为面向未来通信的关键性技术之一。通过阐述从云计算、雾计算到移动边缘计算的发展历程,介绍了MEC技术的基本概念和基本框架;在此基础上,从计算卸载、资源分配、缓存管理和安全防护4个方面讨论了MEC的研究进展,对相关研究成果进行了详尽综述。其次,以物联网、MEC结合区块链、AI辅助MEC系统、通感一体化和云边协同等边缘计算的几个典型应用场景为例,归纳了移动边缘计算在6G中的潜在应用场景,展示了其在构成智能、高效、安全的通信网络方面的潜在益处。最后,从互操作性、安全风险、移动性管理和可扩展性等方面指出了MEC研究在融合创新方面所面临的挑战,并对其在超可靠低时延通信、通感算一体化和星地融合移动通信等方向的优势和发展趋势进行了总结和展望。

面向移动边缘计算的任务卸载方法研究

目前大多计算卸载策略是在任务整体卸载情况下进行的,且仅考虑时延或能耗单一指标,未将二者结合进行优化,为此,以任务处理的时延与能耗加权和为优化目标,提出一种基于强化学习的部分卸载算法。将单个任务的处理分为本地计算和部分卸载两种方式,且在部分卸载中引入了变量确定卸载权重,最后利用强化学习Q-learning完成了所有任务的计算卸载与资源分配。实验结果表明,所提算法能有效降低任务处理的时延与能耗。

基于混合策略博弈的无人机辅助移动边缘计算任务卸载

在单无人机辅助的移动边缘计算系统中,为使无人机能服务于大区域中的所有用户设备,可将大区域分成多个子区域,并设定无人机以固定路线在各个子区域间飞行来为用户设备提供计算服务。考虑到用户设备计算资源较匮乏且无人机覆盖区域外的用户可选择移动至覆盖区域内进行任务卸载以最大化自身效用,可将用户设备的部分卸载问题转化为每个用户设备的效用最大化问题,并利用混合策略博弈和子模博弈来分别确定用户设备的移动概率和卸载数据量,从而得出最优卸载策略,且分别证明了混合策略纳什均衡和纯策略纳什均衡的存在性。仿真结果表明,所提方案与MBO(Binary Offloading Based on Mixed Strategy Game)等经典方案相比可有效提高用户设备的效用,并验证了其收敛性和稳定性。

移动边缘计算场景下针对资源竞争的服务迁移优化方法

针对移动边缘计算(MEC)场景中边缘服务器资源受限导致服务迁移存在资源竞争的问题,基于Lyapunov技术和博弈论,提出了一种针对资源竞争的服务迁移优化方法OMRC-LG。考虑到系统迁移成本有限且当用户数量过多时难以进行轨迹预测,将服务迁移问题建模为迁移成本约束下的最优化问题,并利用Lyapunov技术将最优化问题转化为不需要预测用户轨迹的在线问题处理。为了缓解资源竞争,提出了一种基于博弈论的分布式方法求解在线问题,通过共享用户服务迁移决策以获取准确的边缘服务器可用资源,并不断更新迁移决策,实现服务迁移优化。仿真结果表明,OMRC-LG方法在满足迁移成本约束的同时,降低了平均服务时延。

移动边缘计算中计算卸载与资源分配联合优化策略

为了在移动边缘计算(MEC)中最大限度地减少处理用户任务的时延和能耗,改善用户体验,以最小化用户的完成时间和能耗的加权和为目标,在计算资源的约束下研究了多用户、多MEC服务器中的计算卸载问题。针对此问题,考虑卸载决策和资源分配之间存在的依赖关系,首先将原问题解耦为卸载决策和计算资源分配2个子问题。然后,使用鲸鱼优化算法求解卸载决策问题,通过添加非线性收敛因子和惯性权重加快收敛速度;引入反馈机制,防止陷入局部最优,得到更高概率可行的卸载决策;对于资源分配问题使用拉格朗日乘子法得到每个卸载决策下的最佳计算资源分配解。最后,通过多次迭代得到稳定的收敛解。仿真实验结果表明,与其他基准方案相比,最多减少了44.6%的系统开销。

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。

无人船辅助海洋数据安全的移动边缘计算

为提高海洋数据传输的安全性,提出一个基于无人船辅助的移动边缘计算(MEC)系统。该系统架构分为远程云计算层、平衡缓存层、无人船辅助边缘计算层和用户层,可充分利用无人船上的MEC服务器,有效减少数据处理延迟,提升计算效率。此外,结合安全多方计算技术和人工智能算法,该系统可在保证数据传输安全性的同时,对数据处理的速度和传输效率进行优化。结果证明,本研究所提出的模型在海洋环境中具有显著的实用性和效率,能够为海洋科学研究和资源管理提供新的解决方案。

5G时代移动边缘计算对智能网络发展的影响

在数字经济快速发展的背景下,5G技术的普及为移动边缘计算(MEC)的应用提供了新的机遇和挑战。本文旨在探讨数字经济时代和5G技术对移动边缘计算的推动作用,并分析其对智能网络发展的深远影响。通过对现有文献的综述和案例研究,本文首先梳理了数字经济的基本概念及其对信息技术需求的提升,接着详细介绍了5G技术的特点及其在移动边缘计算中的应用场景。随后,本文探讨了移动边缘计算在智能网络中的具体应用,包括智慧城市、智能交通、物联网等领域。最后,本文总结了移动边缘计算在5G时代的前景和挑战,并提出了未来研究的方向和可能的解决方案。

基于深度学习的移动边缘计算

随着物联网技术的发展,移动边缘计算(MEC)成为热门研究领域之一。MEC利用云计算和边缘计算技术,将数据处理和存储移至接近终端用户的边缘服务器上,以提高响应速度并降低网络延迟。同时,深度学习技术在一定程度上推动了人工智能应用的发展,涉及图像识别、自然语言处理、语音识别等领域。将深度学习技术与移动边缘计算相结合,可以进一步提高计算效率和实时性,从而为各种应用场景带来更好的性能和用户体验。文章将详细探讨深度学习和移动边缘计算的结合,包括基本原理、应用场景、优缺点和未来发展趋势等。

移动边缘计算在旅游品牌塑造中的应用

旅游行业作为服务型行业,品牌塑造一直是其发展的关键因素之一。随着消费者需求的不断升级和市场竞争的加剧,如何通过有效的品牌塑造来提升企业的竞争力和市场影响力已成为亟待解决的问题。而移动边缘计算作为一种新兴的信息技术,可以为旅游品牌塑造提供了全新的思路和方法,值得深入研究和探讨。文章旨在通过对移动边缘计算在旅游品牌塑造中的应用进行深入分析和探讨,揭示其对旅游品牌塑造的影响机制,提出相应的应对策略,以期为促进旅游行业的健康发展和品牌建设提供有益的启示和建议。

基于移动边缘计算的空天地一体化网络架构

下一代无线通信技术将通过支持智能交通、智能医疗、虚拟现实/增强等服务来提高用户的体验质量。这些新兴的服务通常都是计算密集型和时延敏感型的,必须满足严格的时延、能耗和可靠性要求,而基于云计算的服务难以满足这些要求。为了解决以上问题,提出移动边缘计算(Mobile Edge Computing,MEC)技术,解决将卸载请求回传到云计算中心所具有的高时延和高带宽消耗的问题。空天地一体化网络(Space-Air-Ground Integrated Network,SAGIN)作为6G的重要研究方向,可以弥补全球范围内的巨大覆盖缺口,受到广泛关注。通过将MEC技术、联邦学习技术和人工智能技术引入SAGIN,高效管理网络中海量、异构的资源,构建低时延、低能耗、高可靠性的SAGIN,以支持新兴的各种服务。

移动边缘计算场景下基于身份的安全认证密钥协商协议

移动边缘计算的快速发展推动了对新型安全技术的研究。认证密钥协商协议作为保障安全通信的重要方法之一,得到了广泛的关注,但现有的面向移动边缘计算的认证密钥协商协议并不能很好地同时满足移动边缘计算的安全性和性能需求。针对这一问题,提出了移动边缘计算场景下的认证密钥协商协议。首先,协议方案根据移动用户和边缘计算服务器的身份构建身份认证的凭证,双方通过该凭证完成相互认证并构建会话密钥,保证了通信安全;其次,通过形式化分析和非形式化分析证明了方案具有良好的安全性能;最后,由于所提方案避免使用包括双线性对在内的计算开销较大的密码学运算,在计算和通信开销方面的表现也较优。

移动边缘计算技术专利申请现状

作为萌芽于4G时代、发展到5G时代已深入融入网络基础架构的一门重要技术,移动边缘计算(Mobile Edge Computing,MEC)在靠近网络接入侧部署计算资源从而将计算能力从中央移动到边缘,为5G典型应用场景(增强型移动宽带(eMBB)、超可靠低时延通信(uRLLC)和海量大规模连接物联网(mMTC))提供了满足高性能、高带宽、低延时应用需求的服务环境,为众多新兴个性化应用提供了实现基础,并且还向行业提供差异化定制化服务,进而提升网络利用率和增值价值。至今,MEC技术已将应用扩展至交通运输、智能驾驶、触觉控制、增强现实等领域。

移动边缘计算中资源供给不确定下的最优投资和定价问题

为了缓解能源性能的瓶颈,满足更多用户的资源需求,将移动边缘计算(Mobile Edge Computing,MEC)与能量收集(Energy Harvesting,EH)技术相结合,其中,EH技术可以通过捕获环境中的绿色能量来促进设备的可持续计算,提出一个具有随机能量收集的EH-MEC系统,以研究资源供给不确定性的投资和定价问题.用户可以租赁MEC系统的固有资源,也可以使用EH装置收集的资源.由于无线环境的时变性,EH收集的能源具有不确定性,所以,在MEC系统中找到MEC服务器和用户之间的平衡是值得研究的问题.针对这一问题,提出一种序贯决策方法,将用户的投资和MEC服务器资源定价的交互行为建模为一个四阶段的Stackelberg博弈,利用逆向归纳法得到用户与MEC服务器在利润最大化下的纳什均衡解,证明MEC服务器的最优能量收集时间、最优租赁资源和定价决策遵循良好的阈值结构.实验结果表明,绿色资源获取可以显著提高MEC服务器和用户的预期收益.

移动边缘计算中的无人机三维部署和内容缓存优化方法

随着无线网络中的移动数据流量爆炸式增长,支持高速缓存的无人机被应用于移动计算领域充当边缘服务器,为网络中的用户提供按需服务。为了在满足其他资源约束的条件下,给用户带来更好的体验,通过联合优化无人机部署、缓存放置和用户关联以实现最小化所有用户的内容访问时延,并为用户提供质量不同的内容缓存服务。针对多无人机和地面基站协同提供缓存服务的场景,提出了一种基于迭代优化的联合优化算法。该算法通过迭代求解由目标问题分解得到的三个子问题的方式来获得具有收敛性保证的次优解决方案。首先,采用基于连续凸近似的算法求解无人机部署子问题;其次,采用基于贪心的算法求解内容缓存子问题;然后,利用基于罚函数的连续凸近似算法求解用户关联子问题;最后,对上述过程重复迭代,得到目标问题的一个次优解。多次仿真实验验证了所提算法的有效性和可行性。仿真结果表明,与基准算法相比,所提联合优化算法在平均内容访问时延、缓存命中率两方面均具有更好的性能。

移动边缘计算中基于混合人工蜂群算法的计算卸载策略

计算卸载是移动边缘计算(Mobile Edge Computing,MEC)中的关键技术.针对多用户多MEC服务器场景中计算卸载策略的不足,本文提出一种混合人工蜂群算法(Artificial Reverse Sine-Cosine,ARSC).首先,使用反向学习策略初始化种群,优化种群的初始解;然后,在雇佣蜂阶段利用正余弦算法的全局最优引导信息,提升算法的局部搜索能力;最后,为了平衡算法的全局搜索能力和局部搜索能力,引入动态感知因子对算法的步长因子进行改进.仿真实验结果表明,相比基于粒子群算法的卸载策略、基于人工蜂群算法的卸载策略,ARSC策略在系统时延、系统能耗、收敛性等指标上均有所改善.

具有URLLC任务卸载的无人机辅助移动边缘计算系统的计算时延最小化研究

无人机辅助移动边缘计算(Mobile Edge Computing,MEC)系统利用无人机部署灵活和能与地面设备建立起高质量通信链路的优势,可以提高边缘计算的性能。已有的无人机辅助MEC系统研究通常假设计算任务卸载通信的数据包较长,其结果无法直接用于对计算时延具有严格要求的MEC应用场景。本文考虑了一个具有超可靠低时延通信(Ultra-Reliable and Low-Latency Communication,URLLC)任务卸载的无人机辅助MEC系统,其中一架配备计算服务器的无人机为多个地面设备提供MEC服务,地面设备将部分计算任务通过URLLC的方式向无人机卸载。通过联合优化无人机的部署位置、卸载通信的带宽和无人机与地面设备的中央处理器(Central Processing Unit,CPU)计算频率来最小化系统的计算时延。针对形成的非凸优化问题,采用块坐标下降方法将该问题分解为无人机部署位置优化子问题和任务卸载带宽与CPU频率优化子问题,并交替求解这两个子问题直到收敛。在求解两个子问题的过程中,使用对数函数非线性近似方法对URLLC卸载通信速率表达式进行化简,并通过连续凸逼近方法将每个子问题转换成易于求解的凸优化问题。仿真结果表明,与其他基准算法相比,所提算法能够有效平衡系统的通信能力和计算能力,从而降低系统时延。

加权能耗最小化的无人机辅助移动边缘计算策略研究

针对异构网络中非均匀分布式流量的平衡问题,构建一个基于非正交多址接入-终端直连的多无人机(UAV)辅助边缘计算系统。该系统中的能耗直接受同信道干扰、计算资源和传输功率的影响,通过联合优化卸载决策、任务量、资源分配以及UAV的飞行轨迹以最小化系统加权能耗。由于所提优化问题为非凸问题且高度耦合,因此提出一种基于李雅普诺夫(Lyapunov)的两阶段在线资源协调分配方案进行求解。首先,运用Lyapunov优化理论对系统模型进行改进,以消除其对未知信息的依赖,将目标优化问题转化为仅依赖于当前时隙的优化问题;其次,将优化问题分解为4个子问题,采用交替迭代的方法进行求解,在子问题的求解过程中,采用启发式用户匹配算法获取用户最佳匹配方案,并引入改进的自适应下降交替方向乘子法来获取最优卸载决策;最后,通过连续凸逼近技术将无人机的飞行轨迹问题转化为可解的凸问题。仿真结果表明,与Local、Random、ADMM这3种基准方案相比,该方案在保证队列稳定性的前提下,能耗约降低40%~70%。

基于缓存优化的移动边缘计算资源分配策略

移动边缘计算研究中,边缘服务器通过缓存任务数据可以有效节约计算资源,但如何分配缓存资源解决边缘服务器的竞争关系,以及能耗和效益问题,达到系统性能最优是一个NP难问题。为此提出基于缓存优化的在线势博弈资源分配策略OPSCO(online potential-game strategy based on cache optimization),采用新的缓存替换策略CASCU(cache allocation strategy based on cache utility),最大化缓存的效用。通过优化边缘服务器的效益指示函数,将缓存替换代价等因素与李雅普诺夫优化、势博弈以及EWA(exponential weighting algorithm)算法结合,对边缘服务器的竞争关系建模,进行势博弈相关证明和分析。仿真结果表明,OPSCO相比于其他资源分配策略,可以明显提升任务完成率和缓存效用,并降低设备能耗和时间开销,解决了移动边缘计算在线缓存场景中的资源分配以及数据缓存问题。