车载边缘计算网络中基于MAB的动态任务卸载方案研究

将移动边缘计算技术应用到车载网络所形成的车载边缘计算系统,能够通过任务卸载为其他移动设备提供计算服务。然而,由于车载设备的移动性,导致了车载任务卸载环境是动态变化和不确定的,具有快速变化的网络拓扑、无线信道状态和计算负载,这些不确定性让任务卸载过程非理想化。针对这些不确定性,考虑将MEC服务器的计算资源下沉到车载设备,研究车辆之间的任务卸载,并提出了一种解决方案,使得车辆能够在未知状态信息的前提下学习周围车辆的服务性能并卸载任务。基于多臂老虎机框架,设计了一种二阶探索的强化学习算法,以最大化用户平均卸载回报,并且在一个卸载阶段结束后提出了一种服务集更新方式,以保证用户的服务质量。仿真结果表明,与现有的基于置信上限的算法相比,所提方案下的卸载回报提高了约34%。

压注成桩技术的应用

结合北京地铁十号线第08标段区间围护桩工程实例,探讨长螺旋成孔泵送混凝土后插钢筋笼成桩施工工艺原理、施工方法及其特点。

车载多接入边缘网络中联合资源分配和动态任务卸载方案

针对车联网中车辆移动速度过快产生的任务卸载失败问题,设计了一个有效的任务卸载风险评估模型,并提出了联合资源分配的动态任务卸载方案。将时间、能耗和风险共同建模为系统效用,通过联合优化卸载决策、资源分配来最大化系统效用。优化问题被公式化为混合整数非线性规划,在给定卸载决策的情况下,利用凸优化技术解决计算资源分配问题,功率分配通过分式规划技术来优化。仿真分析了车辆移动性对系统效用的影响,证明了所提方案的合理性。

基于Stackelberg博弈的资源动态定价策略

针对计算密集型任务卸载时边缘云计算能力有限引起的公平性问题,提出一种基于Stackelberg(斯坦克伯格)博弈的资源动态定价策略.首先,分析边缘云系统资源剩余量和用户需求之间的实时关系,设计边缘云网络收益及用户成本函数.然后,通过验证用户之间非合作博弈纳什均衡点的存在性,获得基于完全状态信息下用户成本最低时的最优卸载策略.最后,采用双向迭代搜索算法求解边缘收益问题,获取经价格调整因子调节后的边缘云网络最优定价策略.仿真结果表明:所提算法当计算资源较少时能保证边缘云收益,并在保证用户公平性前提下提高用户服务质量.