多优先级感兴趣区H.264计算资源分配

移动设备有限的电池能量是实时手语视频通信所面临的关键制约因素。为此,提出多优先级感兴趣区的H.264计算资源分配方法。从原始手语视频中快速检测出面部、双手和背景区域,依据视觉重要性的不同,给面部和双手区域分配较多的计算资源,给背景区域分配较少的计算资源。实验结果表明,该方法在保证手语视频感兴趣区编码质量的同时,可以大幅降低编码器的计算复杂度,减少电池能量消耗,延长能量受限设备的工作时间。

四级自适应H.264计算资源分配算法

分析影响H.264运动估计复杂度的因素,提出一种新的H.264计算资源分配算法。该算法可以根据视频运动复杂性和能量受限设备的电池能量自适应调整H.264编码参数。实验结果表明,该算法在保持视频编码质量基本不变的同时,可以降低编码器的计算复杂度,减少电池能量消耗,延长能量受限设备的工作时间。

基于雾计算的计算资源分配方案

雾计算可以为用户提供近距离的数据存储、计算和其他服务,因此雾计算中的任务调度和资源分配已经成为一个新的研究热点。考虑终端用户和雾设备通常处于一种相对开放的状态,扩展了雾计算的体系结构,提出一种开放式雾计算环境中基于稳定匹配的计算资源分配方案,利用雾网络中动态的计算资源协同为用户提供计算服务并收取计算收益,同时终端用户向雾服务器提交任务请求并支付一定的费用。基于稳定匹配的思想,利用子任务的优先级列表、子任务和计算服务设备的偏好列表解决子任务与计算服务设备的分配问题,保证任务的完成时间和计算服务设备的收益。通过实验对方案性能进行了分析,实验结果表明该方案的资源分配时间相对稳定,且在执行雾计算任务时延以及任务违规率上都优于SGA算法和ACOSA算法。

基于移动边缘计算的区块链计算资源分配和收益分享研究

针对移动终端设备本地计算资源有限的现状,提出了一种结合移动边缘计算机制的区块链系统。通过综合考虑系统中移动终端设备和边缘服务器的计算资源分配,以及移动终端设备的收益分配,提出了一个联合优化问题来最大化移动终端设备和边缘服务器的系统效用。为了快速求解该联合优化问题,设计了一种基于循环块坐标下降思想的多层分解算法。首先给定收益分享变量的值,通过对相应的子问题进行求解,得到移动终端设备以及边缘服务器的计算资源分配结果。然后把得到的结果作为固定的值继续求解移动终端设备的收益分享问题。最后,交替优化两部分变量直到算法收敛。仿真结果显示,所提算法能快速得到联合优化问题的最优解并有效提升区块链系统的系统效用。

基于MEC的计算资源分配方案研究

为解决资源受限情况下执行计算密集型任务带来的服务器过载、等待时延过长等问题,本文构建了异构边缘云网络模型,将计算任务卸载到无人机、路边单元和车辆等具有一定计算能力的边缘节点中,并进行处理。以降低系统平均开销为目的,将计算资源分配问题转化为目标优化问题,并采用拉格朗日乘子法进行求解。与基线方案进行对比实验,仿真结果表明,本文提出的方案可以有效地降低系统平均开销。

一种基于强化学习的多节点MEC计算资源分配方案

移动边缘计算(Mobile Edge Computing,MEC)将云计算服务从云端下沉到网络边缘,能够满足第五代移动通信(5G)新业务超低时延的需求,被认为是未来5G通信的关键技术之一。针对5G应用场景下的多用户多边缘服务器的MEC网络架构和系统模型,设计了一种基于强化学习的多节点计算资源分配方案。该方案中用户设备将计算任务发送到家庭基站,家庭基站基于过往经验独立决策选择哪个MEC节点上传卸载的计算任务,在不引入额外信令开销的同时,实现了MEC服务器端的负载均衡。仿真实验表明,提出的方法在负载均衡上优于其他对比方法,尤其是在高任务强度时。

基于自适应任务卸载的蜂窝网络计算资源分配算法

移动边缘计算中的任务卸载是当前的研究热点.随着蜂窝网络中移动终端数量的快速增长,由于计算资源有限,任务卸载时出现了时延长及资源分配不均衡的问题.针对该问题,提出一种基于自适应任务卸载的蜂窝网络计算资源分配算法.该算法先根据用户周围的资源分布情况,自适应为每个用户选择最佳卸载模式;再根据计算资源使用情况,自适应为基站用户选择最优卸载决策并分配计算资源.仿真结果表明:与其他4种算法相比,该文算法的系统效用增益最大.

基于边缘计算的计算资源分配和偏分任务卸载算法

随着移动应用的迅速增长,用户设备(userequipment,UE)本地有限的计算资源和电池电量已经开始影响用户的体验。将移动边缘计算(mobile edge computing,MEC)通过核心网中的云计算资源下沉到无线接入网(wireless accessnetwork,WAN),以此来为用户提供计算与存储资源,并通过边缘计算为用户提供低延时、近距离、高速率的服务环境,有效改善用户本地计算资源短缺的情况。基于此,针对基于边缘计算的资源分配进行分析,描述MEC模型,提出最小化计算开销的问题构想,建立了数学模型,通过仿真试验对于解决算法的有效性进行验证,结果表明所提构想能有效降低任务处理的能耗和延迟。

集中式蜂窝网架构下计算资源分配算法研究

如今通信接入网从传统架构逐渐走向基于通用计算平台的集中式蜂窝网架构。集中式蜂窝网络架构通过集中式部署的计算资源池为移动用户业务提供计算资源需求,集中式计算资源的分配直接决定系统计算资源的使用效率和系统的能效。本文针对该问题,首先对基于通用计算平台下集中式基站池计算资源和通信带宽间的关系进行了分析,在此基础上建立了计算资源分配模型,针对该模型提出了基于业务负载均衡的分配算法。仿真结果表明,该算法可以有效地减少计算单元的分配数目,提高计算资源的利用率,达到绿色节能的目的。

基于需求预测的云无线接入网计算资源分配策略研究

云无线接入网利用网络功能虚拟化和软件定义网络技术以支持端到端的网络切片,使得接入网可共享无线、终端和网络等资源,已成为5G网络中优先采用的网络架构。针对云无线接入网中端到端的网络切片场景,通过控制平面建立的数据驱动运维框架来收集网络信息并进行数据处理。预测未来一段时间内计算业务量的需求,设计了一种基于虚拟化网络功能(VNF)的计算资源分配方案,提出了基于降序最佳适应(BFD)的离散粒子群算法。仿真结果表明,所提出的策略和算法可实现云无线接入网计算资源的动态灵活分配,并能有效降低VNF迁移能耗和迁移次数。

面向5G网络的通信和计算资源分配算法研究

现代技术更新递进,从2G到如今的5G只是稍纵即逝。在面向5G网络时代,一方面要跟紧他的脚步不让自己落后,另外一方面也要知道5G网络的通信和计算资源分配算法。5G网络是时代发展的趋势,对于移动通信来说移动云计算是重要的一项技术,要想要掌握移动云这项技术就需要知道它主要途径是通过任务卸载机制将移动终端产生的运算密集型产业进行迁移到丰富资源的云端进行处理。

H.264计算资源和比特资源联合优化分配方法

针对聋哑人移动手语视频通信,提出一种H.264计算资源和比特资源联合优化分配方法。该方法根据聋哑人视觉选择特性将手语视频划分为不同的区域,通过为不同区域分配不同的量化系数进行比特资源优化分配;并将H.264手语视频编码复杂度分为三个级别,根据能量受限设备的电池能量自适应地选择编码级别进行计算资源优化分配。研究结果表明:该算法在保证手语视频感兴趣区编码质量的同时,可以有效降低编码器的计算复杂度,延长电池工作时长。

面向MTC应用的计算资源柔性分配

基于机器类通信(MTC)业务的速率需求和计算需求,研究了对移动通信网络计算资源分配方法,给出了计算资源分配模型,提出了一种基于组合优化的计算资源分配算法来解决计算资源受限的问题。仿真结果表明提出的次优化算法与传统的轮询方式相比可以获得约10%的增益。

基于车辆边缘计算的用户能耗最小化资源分配研究

考虑车辆时变信道对资源分配策略的影响,构建在保证任务QoS要求下的车载用户终端能量消耗最小化问题。利用车辆信道可预测特性以及李雅普诺夫随机优化理论将原问题分解为计算资源分配和无线资源分配两个子问题。由于计算资源分配子问题是单变量优化问题,因此可以直接得到解决方案。而对于无线资源分配子问题,通过将其转换为单变量优化问题进行求解。基于两个子问题的结果,提出一种联合无线与计算资源分配算法。仿真结果显示,当数据包平均到达速率从20个/时隙增加到40个/时隙时,该算法能耗相较于传统的贪婪算法能耗降低了48.85%。

面向网络性能优化的虚拟计算资源调度机制研究

针对基于Xen的v CPU调度机制对虚拟机网络性能的影响进行了深入研究和分析。提出一种高效、准确、轻量级的网络排队敏感类型虚拟机(NSVM)识别方法,可根据当前虚拟机I/O传输特征将容易受到影响的虚拟机进行准确识别和区分。进而设计一种新型虚拟计算资源调度和分配机制Diff-Scheduler,将不同类型虚拟机的v CPU实施分池隔离调度,同时提高NSVM类型虚拟机v CPU的调度频率。原型系统实验结果表明,相比Xen默认的调度机制,Diff-Scheduler能够大幅提高虚拟机网络性能,同时保证计算资源分配的公平性。

基于自适应知识迁移与资源分配的多任务协同优化算法

多任务优化算法在各任务单独优化的同时进行任务间的知识迁移,从而提升多个任务的综合性能。然而,在相似度较低的任务间进行负向知识迁移反而会导致整体性能下降,且为难度不同的任务分配同等的计算资源会造成资源浪费。此外,在任务的不同阶段采用固定的搜索步长容易陷入局部最优。为解决上述问题,提出了一种基于自适应知识迁移与动态资源分配的多任务协同优化(Multitask Cooperative Optimization Algorithm Based on Adaptive Knowledge Transfer and Resource Allocation,AMTO)算法。首先,每个任务用一个单独的种群进行优化,并将一个种群分成3个子种群,采用3种不同的搜索策略,增加搜索行为的多样性,并且在单个任务内根据个体成功率来动态更新搜索步长,增强自适应搜索能力,避免陷入局部最优;其次,利用多个任务间知识迁移的反馈结果在线计算任务间相似度,并依据相似度自适应地调整迁移概率,同时,在相似度较低的任务间进行迁移时还需减去任务偏差,减小负向知识迁移造成的性能下降程度,提升算法对任务间差异的感知能力;然后,通过评估任务性能的提升度来估计任务难度与优化状态,对不同难度与状态的任务动态按需分配资源,最大限度地提升资源的利用率,减少资源浪费;最后,在简单与复杂两类多任务优化函数上,将本文算法与经典的多任务算法进行对比实验,验证了本文算法中自适应迁移策略、动态资源分配策略及其综合的有效性。

计算资源受限的移动边缘计算服务器收益优化策略

移动边缘计算(MEC)服务器通过向用户提供计算资源获得收益。对MEC服务器而言,如何在计算资源受限的情况下提高自身收益至关重要,为此提出一种通过优化计算任务执行次序提高MEC服务器收益的策略。首先,将MEC服务器收益最大化问题建模为以任务执行次序为优化变量的优化问题;然后提出了一种基于分支定界法的算法求解任务执行次序。仿真结果表明,采用所提算法获得的MEC服务器平均收益分别比大任务优先(LTF)算法、低延迟任务优先(LLTF)算法和先到先服务(FCFS)算法提高了11%、14%和21%。在保证卸载用户服务质量(QoS)同时,所提策略可以显著提高服务器的收益。

基于自适应资源分配池的竞争合作群协同优化算法

合作协同优化是目前针对大规模优化问题的最有前景的算法之一,该算法通过分而治之策略划分子问题,以进行协同进化。不同的子问题根据演化状态的不同对整体改善的贡献大小也不一致,因此均匀分配计算资源会造成浪费。针对上述问题,提出一种新颖的基于自适应资源分配池策略和基于竞争的群优化集成的竞争合作群协同优化算法。首先,考虑到子问题的不平衡性,将子问题对整体目标改善的动态贡献作为分配计算资源的标准;其次,为了更好地适应子问题演化状态,不固定资源分配单元,而是利用池模型进行自适应分配,并且在相同子问题连续迭代中避免重复评估个体,以节省计算资源;然后,将上述策略与基于竞争的群协同优化算法进行集成,设计了一种新的竞争合作群协同优化;最后,将该算法与其他5种算法在CEC 2010和CEC 2013套件的35个基准函数上进行比较,验证了算法的有效性。

基于动态服务缓存辅助的任务卸载方法

针对服务缓存和任务卸载联合优化中,由于缺乏对用户服务请求多样性和动态性的综合考虑而导致的用户体验质量降低问题,提出一种基于动态服务缓存辅助的任务卸载方法。首先,针对边缘服务器执行缓存服务动作空间较大的问题,重新定义了动作,并筛选出最优的动作集合以提高算法训练的效率;其次,设计一种改进的多智能体Q-Learning算法学习最优的服务缓存策略;再次,将任务卸载问题转换为凸优化问题,利用凸优化工具获得最优解;最后,利用拉格朗日对偶法求得最优的计算资源分配策略。为了验证所提方法的有效性,基于真实数据集进行了充分的实验。实验结果表明,对比Q-Learning、双层深度Q网络(D2QN)以及多智能体深度确定性策略梯度(MADDPG)方法,所提方法的响应时间分别降低了8.5%、11.8%和12.6%,平均体验质量分别提高了1.5%、2.7%和4.3%。

基于深度强化学习的海洋移动边缘计算卸载方法

海洋信息系统网络节点之间的强异构特性为海洋移动边缘计算任务卸载优化带来了复杂高维度的限制条件,同时复杂多样化的海事应用会导致海洋网络局部区域出现计算任务的超负荷处理。为实现海洋网络节点计算任务的最佳卸载与资源优化,满足网络低时延、高可靠的应用服务需求,提出基于多尺度异构特征属性的海洋网络节点分层归类方法和基于深度强化学习的海洋移动边缘计算卸载方法。仿真结果表明,所提方法较传统方法能够在海洋信息系统下有效地降低网络节点的计算任务卸载时延,并且能够在大规模任务流下保持海洋网络的稳健性。