边缘协作环境下最小化完工时间任务调度方法

由于用户地理位置分布不均可能导致边缘服务器负载不均衡,难以为用户提供满意的服务质量。此外,边缘服务器可用资源有限,一些大任务可能难以全部卸载到边缘服务器。针对以上问题,利用多个边缘服务器之间的协作,结合任务部分卸载方式,提出一种边缘协作环境下最小化完工时间的任务调度方法。首先,结合边缘水平协作和任务部分卸载技术,考虑多用户多边缘服务器场景下用户和边缘服务器的位置关系,以最小化任务完工时间为目标,建立任务部分卸载调度模型;其次,提出基于改进分组教学优化算法的任务调度算法,联合优化边缘服务器计算资源分配、用户-边缘服务器关联决策、任务卸载比例以及执行位置决策,以最小化任务完工时间为目标,实现边缘计算环境下任务的高效调度;最后,通过实验将提出的任务调度算法与其他算法在多个指标下进行对比。实验结果表明,所提方法能够有效降低任务完工时间。

面向配电网数字孪生模型构建的边缘协作方法

边缘计算通过计算资源的下沉为配电网数字孪生(digital twin,DT)模型训练提供算力支撑,但仍需对边缘层计算资源进行整合优化,提升模型构建效率与精度。针对此,该文提出面向配电网DT模型构建的边缘协作方法。首先,建立基于边缘协作的配电网DT模型构建框架,通过局部模型训练与全局模型整合实现配电网孪生。其次,建立协作训练损失函数,在保障DT模型长时同步率约束前提下,最小化模型损失。最后,借助李雅普诺夫优化构建与DT模型长时同步率约束相关的虚拟队列,针对无线信道时变性以及协作决策耦合性带来的信息不确定、不对称问题,提出基于深度强化学习的配电网DT模型边缘协作构建算法。仿真结果表明,相较于其他两种传统算法,所提算法在保障DT模型长时同步率约束前提下,可分别降低全局模型损失34.94%和55.93%,降低样本数据队列积压27.40%和19.68%。

边缘协作的轻量级安全区域建议网络

针对边缘环境下的图像隐私泄露和计算效率问题,提出一种边缘协作的轻量级安全区域建议网络(SecRPN)。基于加性秘密共享方案设计一系列安全计算协议,由2台非共谋边缘服务器协作执行安全特征处理、安全锚变换、安全边界框修正、安全非极大值抑制等计算模块。理论分析证明了SecRPN的正确性和安全性,实际性能评估表明,计算和通信开销均远优于现有工作。

一种多边缘协作的任务卸载策略

当前,多数任务卸载策略只考虑单边缘或者“物-边-云”的卸载方式,而没有对异地边缘服务器的资源进行充分利用。针对上述问题,提出了一种多边缘协作的网络架构,该架构中的任务可以选择在本地执行、本地服务器执行、异地服务器执行或者在云端执行。分别对4种执行方法的时延和能耗的加权求和建立数学模型。在传统的任务属性中引入新变量——终端所能承受的最大合作成本,以便吸引更多的异地边缘服务器积极协作完成终端任务的计算。针对传统的粒子群算法容易早熟和陷入局部最优的缺点,采用免疫粒子群优化算法(Immune Particle Optimization,IPSO)来对优化目标进行求解。仿真结果表明,与本地卸载策略、免疫算法(Immune Algorithm,IA)和粒子群(Particle Swarm Optimization,PSO)算法相比,所提任务卸载策略的总代价分别减少了66.7%,54%和45.5%,可以提高任务的执行效率,有效地减少系统的总代价。

面向边缘协作的动态服务配置与迁移机制研究

随着物联网技术的发展,时延敏感型用户请求日益激增,边缘计算正在成为提供灵活可靠服务的有前途的范例。考虑到物联网设备有限的存储和计算资源与用户需求延迟之间的冲突,边缘计算激发了将用户请求卸载到网络边缘的边缘服务器的新一轮浪潮。用户请求任务卸载方案的制定对于边缘网络中物联网设备的执行时间和能耗是一个显着的挑战。针对该问题,提出了一种动态计算卸载策略,具体包括:①提出中间节点卸载策略。该节点具有足够的计算资源,并且能够通过动态最小化处理任务的时间和能量成本;②将任务服务配置节点选择问题建模为多维马尔可夫决策过程(MDP)空间,提出深度强化学习算法以减少MDP状态空间并实现快速决策。实验结果表明,所提策略可以显著改善任务请求处理的时延,并且可以在一定程度上减少能量消耗。

基于联邦深度学习的多边缘协作缓存方法

作为移动边缘计算(Mobile Edge Computing, MEC)的一项重要技术支撑,多边缘协作缓存的出现可更好满足终端智能应用的实时计算与数据存储需求进而提升用户体验.但是,多边缘协作缓存的性能通常受限于低效率的协作机制以及不合理的缓存资源配置策略.同时,如何在离散的用户特征分布与多样化的内容库之中寻找其潜在关联以提升缓存命中率仍是一个巨大的挑战.为了解决上述重要挑战,本文提出了一种新颖的基于联邦深度学习的多边缘协作缓存(Multi-edge Collaborative Caching with Federated deep learning, M2CF)方法.在M2CF中,首先设计了一种新型的多维缓存空间划分机制,对MEC节点的缓存空间进行感知优化,使得用户在分类区间可获得精准的内容推荐.接着,设计了一种基于VQ-VAE的内容流行度预测算法,解决了后验坍塌问题并提高了区间用户内容流行度预测的准确性.最后,设计了一种基于联邦深度学习的模型训练与缓存替换策略,通过聚合各MEC节点的本地模型以生成全局共享模型,进而更好适应优化后的不同缓存资源配置,提升多边缘协作缓存的命中率.基于MovieLens电影评分真实数据集,本文在测试床上展开了大量对比实验对所提出的M2CF方法进行了全面的评估.实验结果表明,M2CF与其他缓存方法对比展现出了更优秀的缓存性能与时效性能,且可以适应更为复杂的多边缘场景.

民族自治区域省际边缘区团结协作公共空间的发展建构——基于渝东南民族地区的调研

民族自治区域省际边缘区团结协作公共空间的发展与建构是全面推进民族团结进步事业的重要方面。重庆渝东南民族地区是重庆市唯一集中连片的以土家族苗族为主的少数民族聚居区。调研发现,该区域团结协作公共空间的建构主要存在四方面问题:共治共建理念不牢,资源整合度较低;共享意识不足,配合意识欠缺;“六联”机制不够深入,涉及面较窄;民众交往交流交融度不够,情感体验较弱。其原因有五个方面:区域顶层设计不足,缺乏具体政策和标准试点;公共空间协作政策不统一,基层实施有较大难度;考核评价机制缺失,干部和民众内生动力不足;品牌意识不强,团结协作缺乏精准目标;思想认识不足,未能形成社会合力。基于此,本文提出五个对策建议:加强区域顶层设计,创设精准目标;整合资源,打造品牌完善管理体系;加大宣传力度,提高思想认识;加强文化联谊活动,促进民族交往交流交融;加强校园教育,不断铸牢中华民族共同体意识。

低轨卫星协作边缘计算任务迁移和资源分配算法

研究了基于星间链路的低轨卫星协作边缘计算任务迁移和资源分配问题,为偏远地区用户提供边缘计算服务.采用部分任务迁移机制,以地面用户加权总能耗最小化为目标建立优化问题,提出了一种低轨卫星协作边缘计算的任务迁移和资源分配算法,基于优化问题的非凸性,将其分解为任务迁移子问题和资源分配子问题,分别采用标准凸优化方法和拉格朗日对偶分解方法进行求解.仿真结果表明,该算法的收敛速度快;与本地计算和任务数据全部上传算法相比,本文所提出的算法可至少降低约74%的用户总能耗;与非协作卫星边缘计算相比,基于星间链路的低轨卫星协作边缘计算可至少降低约22%的用户总能耗,且星间链路的信道容量越大,用户总能耗越低.

D2D协作的边缘缓存系统能耗分析

针对移动边缘系统低功耗的需求,基于随机几何理论,研究了不同场景下D2D协作边缘缓存系统中移动设备的能耗。将请求用户和空闲用户的动态分布建模为相互独立的齐次泊松点过程(Homogeneous Poisson Point Process,HPPP),综合考虑移动设备的平均能耗与请求业务卸载概率、空闲设备激活概率和D2D通信重传概率的关系,推导出与缓存数量相关的请求设备平均能耗、空闲设备平均能耗的表达式,并仿真探讨了不同用户密度和不同内容流行度下移动设备能耗和缓存数量的关系。仿真结果表明,不同场景下优化缓存数量可以有效降低D2D协作边缘缓存系统移动设备的能耗。

基于边缘横向协作的在线内容缓存与交付方法

传统的网络架构无法满足用户对内容缓存的需求,并且在内容交付中存在低延迟要求和高通信成本之间的冲突.为了解决这些问题,在边缘节点横向协作场景下,提出了一种基于Lyapunov优化和分支定界法的在线内容缓存与交付算法,以平衡交付时延与成本、高效的决策内容缓存与内容交付.提出的算法基于Lyapunov优化理论分解连续问题为单时隙在线优化问题,并利用分支定界算法求解.仿真实验表明,提出的算法能在有限的内容交付成本预算下实现较低的平均内容交付时延、较高的内容命中率,并且能够自适应地平衡内容交付时延与交付成本.

VANET中基于车辆分簇的协作缓存策略

随着智能交通系统的发展,移动车辆不仅需要地图信息,还需要更多娱乐内容,而整个网络的容量是有限的,这给车载自组织网络带来很大的压力。边缘缓存是在系统的边缘部署缓存,在车载自组织网络中引入边缘缓存技术,可以有效地缓解网络的压力。对车载自组织网络中的缓存策略进行了研究,提出了一种基于车辆分簇的协作边缘缓存策略,可以充分利用车载自组织网络中有限的缓存资源,内容可以缓存在移动车辆和路边单元中,移动车辆可以从簇头和路边单元获取所需内容,不同的内容获取方式会带来不同的请求时延。由于移动车辆和路边单元的缓存容量是有限的,为了降低内容请求时延和成本,构建了一个时延和成本联合最小化的优化问题,并采用蚁群算法对该问题进行求解,以得到最优的缓存放置方案。仿真结果表明,该算法拥有很好的性能。

面向智能物联网的云边协同数据采集机制

智能物联网被认为是重塑未来商业模式的关键,是深化物联网应用,为多源、异构、大容量、低价值密度的物联网数据提供准确服务的关键。针对现有数据采集机制精度有限、时延性能不足、未充分利用边缘设备计算资源、忽视用户数据采集情境等问题,提出了一种云-边缘智能协作数据采集机制。首先,基于边缘计算的思想,提出了一种边缘实体观测内容的预测方法,准确预测边缘实体的观测内容。然后,根据用户在云端的偏好,考虑到用户显性和隐性的数据获取情境,设计了一种云端情境感知方法来选择合适的实体数据。最后,设计了一种结合云端和边缘资源的智能数据采集机制,以提高AIoT数据采集的效率。仿真结果表明了该机制在数据采集准确性和时延性能方面的有效性。

算网融合下时间连续的计算任务卸载机制

算力网络通过网络协同云、边、端计算资源,突破单点算力的性能瓶颈,为智能化社会提供了算力支撑.算网融合逐渐成为新型信息通信网络技术发展的趋势.由于计算资源异构、网络负载动态,如何协同云、边、端计算资源,从而降低计算任务时延是算网融合下极具挑战性的问题之一.为简化问题,现有工作往往假设系统时间是离散的,并且只在时隙结束时进行计算卸载决策.但该假设会引入决策等待时间,增加了计算任务的整体时延.针对上述问题,提出一种算网融合下时间连续的计算任务卸载机制,在保证时间轴连续和协同多个边缘节点计算资源的前提下,以服务体验提升率为优化目标,对云、边、端间任务卸载问题进行建模,并设计了一种基于深度强化学习的任务卸载方法,从而更高效地利用算力网络计算资源.通过大量的仿真实验证明,与2种基线算法相比所提算法能够有效降低任务时延,提升服务体验.

Centralization and collaboration in 5G ultra-dense network architecture

An ultra-dense network scenario is a scene where a large number of people assemble in a limited area to generate centralized broadband data traffic requirements.Because ultra-dense networks generate enormous traffic pressure,traditional network capabilities are not enough to accommodate the user s needs.Based on the description of ultra-dense network architecture,we analyze millimeter wave radio spectrum,high gain beam forming,physical layer frame structure,resource concentration and edge computing technology.In addition,the cooperative technology required by overlay and interference symbiosis in the dense network architecture as well as the access control technology of centralized access is analyzed and discussed comprehensively.