移动Ad Hoc云中基于能量收集的分布式卸载方案研究

在物联网快速发展的驱动下,移动Ad Hoc云计算和能量收集(EH)技术通过共享邻近设备的闲置资源满足数据处理等需求,实现绿色通信。然而,由于Ad Hoc云网络的时变性以及EH的随机不稳定性,合理的任务卸载方案研究面临着严峻的挑战。针对以上问题,该文运用Lyapunov优化理论和博弈论,提出一种分布式动态卸载方案。理性的终端设备不可能无偿地为其他终端设备服务,为了鼓励终端设备积极参与计算卸载过程,提出一种基于动态报价的激励机制。相比于现有方案,仿真结果表明所提方案可以有效提升系统收益,稳定电池能量和减少任务队列积压。

计算资源受限MEC中任务卸载与资源分配方法

移动边缘计算(MEC)通过将计算中心下沉至网络边缘,可以有效服务于任务计算.然而,MEC拥有的计算资源并不是无限的,这带来了诸多问题.文章针对计算资源有限MEC系统中的计算卸载,分析了最大化MEC总收益的卸载与资源分配联合优化问题.首先通过Stackelberg模型来描述MEC与用户之间的交互,使用差异化定价策略增加对卸载的约束,然后将卸载问题转化为二元背包问题,最后,通过改进模拟退火算法分配计算资源,并迭代得到最优方案.仿真结果表明,所提方案可以最大程度提高用户卸载数量,并有效地提高了MEC系统的收益.

一种主从MEC服务器协作卸载与资源分配方案

移动边缘计算(Mobile Edge Computing,MEC)通过将云计算能力下沉至用户侧,提高了用户的任务执行能力。但在热点小区中,MEC服务器存在计算资源有限的问题。为了减少热点小区内任务执行总代价,提出了一种基于主从MEC系统的任务联合卸载方案。首先,方案随机生成卸载集,然后将卸载集内的任务分配至目标MEC服务器执行。为此提出基于贪婪的多MEC选择算法(Greedy Based Multi-MEC Selection Algorithm,GBMS),并通过求解凸函数完成计算资源分配。最后,根据任务的本地计算代价与卸载计算代价更新卸载集,进一步降低总代价。仿真结果表明,联合卸载方案可缓解热点小区计算资源有限的问题,相比其他方案可以有效降低热点小区内任务执行总代价。