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.

移动边缘计算在铁路行业的应用

为满足智能铁路的快速发展对铁路应用数据大容量传输、计算处理的实时性、安全性提出的更高要求,文章研究移动边缘计算(MEC,Mobile Edge Computing)的相关概念和基本框架,分析其关键技术、应用场景;针对铁路MEC业务需求,总结MEC在智能运营、智能装备、智能建造场景下的应用方案;结合当前存在的问题,展望MEC未来发展的技术趋势,为提升铁路智能化提供助力。

移动边缘计算网络中基于任务转移的负载均衡优化方案

针对MEC服务器之间的负载不均衡问题,论文提出了一种基于任务转移的负载均衡算法。该算法在考虑任务转移时延的前提下,确定是否将任务转移至其他MEC服务器,并在当前时隙结束时做出最优的任务转移决策。实验结果表明,提出方案的性能优于其他方案,使得MEC服务器之间的负载更加均衡。

多接入边缘计算(MEC)技术及业务发展策略

在信息技术不断发展的背景下,5G时代迎来了全新局面,在高科技衬托下开启了一种新型计算技术结构,即多接入边缘计算(MEC)技术。这项技术将电信网络与云计算技术有机融合,通过对MEC边缘云建设的提高,建设云网融合平台来实现运营商服务的多形态化。通过对多接入边缘计算(MEC)技术业务进行探讨和研究,提出该项技术的发展策略,为应用该项技术在不同领域中的相关人员提供参考。

基于高空平台的边缘计算卸载:网络、算法和展望

高空平台(high altitude platform,HAP)技术与多接入边缘计算(multi-access edge computing,MEC)技术的结合将MEC服务器部署区域由地面扩展到空中,打破传统地面MEC网络的局限性,为用户提供无处不在的计算卸载服务。针对基于HAP的MEC卸载研究进行综述,首先,从HAP计算节点的优势、网络组成部分、网络结构、主要挑战及其应对技术4个方面分析基于HAP的MEC网络;其次,分别从图论、博弈论、机器学习、联邦学习等理论的角度对基于HAP的MEC卸载算法进行横向分析和纵向对比;最后,指出基于HAP的MEC卸载技术目前存在的问题,并对该技术的未来研究方向进行展望。

移动边缘计算环境下体域网高效任务卸载方案

移动边缘计算(mobile edge computing,MEC)近年来成为解决无线体域网(wireless body area network,WBAN)计算资源匮乏的热门方法之一,但在现有的研究工作中,并没有将患者身边的计算资源充分利用起来,容易造成网络的拥堵。针对这种情况,提出了一种联合蜂窝、WiFi网络与设备到设备(device to device,D2D)通信的高效任务卸载方案,充分利用了WBAN应用场景中的多种计算资源,有效减少了蜂窝网络的负载,提高了系统的可靠性。设计了一种低复杂度的遗传算法,在同时考虑患者时延、能耗以及经济开销条件下,得到系统的最小卸载总成本。实验仿真结果表明,相比于随机卸载、蜂窝卸载、无WiFi卸载、无D2D卸载,该方案可以更有效降低系统总成本,为患者提供更高的服务质量。

基于联邦元学习的安全移动边缘计算卸载框架

移动边缘计算(MEC)技术通过卸载部分计算任务到边缘服务器,可将第5代网络(5G)、云计算、大数据和人工智能等技术延伸到物联网终端。针对如何高效卸载计算任务和保障边缘数据隐私安全2个关键问题,在综述计算卸载性能优化研究基础上,本文提出了一种融合联邦学习和元学习的计算卸载应用框架,通过对计算任务的计算卸载以及计算资源的联合优化,从而实现系统加权时延和最小。在不泄露用户数据隐私的前提下,联合多个边缘服务器共同训练一个全局模型,并实现边缘服务器个性化计算卸载应用。在新的计算任务场景下,全局模型的网络参数仅用少量训练样本就能快速收敛。实验测试结果表明,本文提出的基于联邦元学习的计算卸载框架可适应未来边缘计算应用的隐私安全需求。

移动边缘计算中服务功能链的自适应优化部署策略

为解决移动边缘计算中面向用户的服务功能链(Service Function Chain,SFC)部署成本开销过大、时延过长问题,提出了针对SFC的支出成本与时延联合自适应优化的部署策略。首先,在虚拟网络功能(Virtualized Network Function,VNF)节点选取阶段,考虑路径损耗这一无线信道衰落问题,根据有线用户与无线用户的位置情况,选择当前最佳节点以降低SFC的响应时延。其次,在服务节点配置阶段,根据用户请求处理的数据内容的新鲜度记录,自适应动态增加和删减相应的缓存,利用资源感知算法在保证数据传递可靠性的同时,减少服务节点的配置个数,降低配置开销。最后,在SFC部署阶段,利用基于KSP(K-shortest Paths)的功耗感知算法确定最佳节点映射排序与通信链路,在减少通信链路重映射的同时还能保证部署的SFC的低成本与低时延。实验仿真结果表明,相比于已有方案,该方法能够有效降低部署成本与时延,并能对不同用户的SFC部署做到自适应优化,提高了SFC的部署成功率。

从移动边缘连接到大规模边缘计算 论MEC的应用部署及演进

运营商应顺应产业趋势布局边缘计算,这对机房资源盘活、网络优化重构、云网融合经营具有重要意义。随着5G的到来,MEC的商业化进展必将加快并促进相关产业的大发展。近年来蓬勃发展的物联网、大视频、大数据作为'三驾马车'直接推动边缘计算成为信息产业新的热点,物联网企业、IT企业、云服务提供商均推出各种边缘计算产品及解决方案。MEC作为一种新兴技术同样获得了电信行业的广泛关注。

移动边缘网络中基于用户移动的服务功能链迁移策略

移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署服务器,提供计算和存储资源,可为用户提供超低时延和高带宽业务。网络功能虚拟化(Network Function Virtualization,NFV)与MEC技术相结合,可在MEC服务器上提供服务功能链(Service Function Chain,SFC),提升用户的业务体验。为了保证移动用户的服务质量,需要在用户跨基站移动时将SFC迁移到合适的边缘服务器上。主要以最小化用户服务的端到端时延和运行成本为目标,提出了MEC网络中具有资源容量约束的SFC迁移策略,以实现移动用户业务的无缝迁移。仿真结果表明,与现有方案相比,该策略具有更好的有效性和高效性。

基于移动边缘计算的任务卸载优化

随着智慧物联体系的发展,物联网中应用程序的种类与数量不断增加.在移动边缘计算(mobile edge computing,MEC)中,通过允许移动用户将任务卸载至附近MEC服务器以加快移动应用程序的速度.本文通过考虑不同任务属性、用户的移动性和时间延迟约束模拟移动边缘场景.根据用户移动轨迹,将目标建模为寻找满足时延约束条件且在卸载过程中产生最小能耗MEC服务器优化模型,并提出一种最小能耗卸载算法求解该问题的最优解.仿真结果表明,在约束条件下,提出的算法可以找到在用户移动轨迹中产生最小能耗的MEC服务器,并显著降低任务卸载过程的能耗与时延,提高应用程序服务质量.

5G+MEC打造移动考务研究

MEC边缘算力是网络与业务融合的桥梁,是应对5G大带宽、低时延、本地化垂直行业应用的关键。5G+MEC移动考务以5G网、云计算为基础架构底座,以数据中台与物联网为依托,以微服务可扩展架构承载服务运行,以移动式考场服务、标准化考点管理、考生身份验证、考场网上巡查、应急指挥等系统为应用接入,通过在考点侧加装边缘处理设备,为现场身份验证和作弊识别分析提供移动边缘算力,满足移动考场搭建、实时身份验证、考场视频AI处理与回传等需求。5G+MEC实现无盲点的标准化考点网格,在国家教育考试综合管理平台的统筹调度管理之下,全面保障国家教育考试服务的顺利开展。

YD/T4477-2023《面向C-V2X的多接入边缘计算平台技术规范》公布

日前,工信部公布YD/T4477-2023《面向C-V2X的多接入边缘计算平台技术规范》,规定了面向C-V2X的多接入边缘计算(MEC)平台技术规范,包括MEC平台技术要求,以及MEC平台功能测试方法、性能测试方法等,适用于面向C-V2X的MEC平台技术要求与测试评估。

基于MEC的5G边缘UPF部署策略与性能评估

本文探讨了基于移动边缘计算(MEC)的5G网络中用户平面功能(UPF)的优化部署策略。通过在边缘设备密集区部署UPF,旨在缩短数据传输距离,降低网络延时,提升网络性能和用户体验。由此提出了一种评估模型以考察这种部署策略对网络性能的影响,并通过大量的仿真实验进行验证。实验结果表明,与传统的5G UPF部署方式相比,基于MEC的边缘UPF部署策略显著提高了网络的吞吐量,并降低了端到端的数据传输延时。同时,边缘UPF部署策略也有利于减少核心网络的负载,进一步提升网络整体性能。研究结果为5G网络的UPF优化部署提供了理论依据和实际操作的参考。

基于移动边缘计算的任务调度算法研究

移动边缘计算(Mobile Edge Computing,MEC)属于一种先进、智能的计算模式,通过运用该模式可以对智能设备进行任务调度,使其调度到MEC服务器执行状态,避免智能设备资源出现受限问题。在进行移动边缘计算期间,在多用户场景下,任务调度问题通常对时延、任务产生一定的依赖,针对该问题,采用仿真实验的方式,对比和分析实时调度算法与遗传算法。实验结果表明,与遗传算法相比,实时调度算法的设计和运用,可以将智能设备能耗降到最低,还能在高并发、高时延的情况下,表现出良好的运行性能。

基于千兆光网+MEC边缘计算实现云-网-端融合协同的智慧工厂创新组网设计

随着“工业4.0”规划、《中国制造2025》以及《“十四五”规划纲要》的不断推进,制造业整体正逐步向着自动化、数字化、智能化方向转型升级。在高端装备制造业中,我国仍然处在世界较低水平,亟待更多的数字化技术投入来提升盈利水平。而传统的工厂组网技术和组网架构在时延、带宽、抖动、丢包率、安全保密等方面均无法得到保证,本文创新提出基于千兆光网+MEC边缘计算实现云-网-端融合协同的智慧工厂创新组网设计,可助力智能制造中自动化生产迈向数字化、柔性化、智能化和高度集成化,并为智慧制造提供了有力的网络保障,对提升我国制造行业未来核心竞争力具有一定的指导意义。

移动边缘计算技术及其本地分流方案

移动边缘计算(mobile edge computing,MEC)技术通过为无线接入网提供IT和云计算能力,使得业务本地化、近距离部署成为可能,从而促使无线网络具备低时延、高带宽的传输能力,并且回传带宽需求的降低极大程度减少了运营成本。同时,MEC通过感知无线网络上下文信息(位置、网络负荷、无线资源利用率等)并向业务应用开放,可有效提升用户的业务体验,并且为创新型业务的研发部署提供平台。首先介绍MEC技术,细化并给出MEC平台框图。此外,针对基于MEC平台的本地分流功能,给出了详细的技术方案,并与3GPP本地分流方案LIPA/SIPTO进行对比分析。更进一步,针对MEC技术在网络应用中可能存在的问题与挑战进行了讨论,为后续研究发展提供参考。

移动边缘计算中计算卸载与资源分配的联合优化策略

针对移动边缘计算(MEC)网络中计算能力不足的移动终端在处理低时延、高可靠应用而产生的高时延问题,提出一种基于博弈论的计算卸载与资源分配的联合优化策略。该策略首先将所有移动终端的卸载决策与资源优化问题构建成非合作博弈模型并证明其纳什均衡的存在性;其次给定移动终端的卸载决策,采用拉格朗日乘子法获取最优的上行、下行频谱资源以及计算资源;最后采用迭代法获取纳什均衡解。仿真结果表明,本文所提算法能够在资源有限的条件下最小化移动终端的任务时延,提升终端用户的服务体验。

超密集网络中基于MEC的动态任务卸载方案

超密集网络(Ultra-dense Network,UDN)中集成移动边缘计算(Mobile Edge Computing,MEC),是5G中为用户提供计算资源的可靠方式,在多种因素影响下进行MEC任务卸载决策一直都是一个研究热点。目前已存在大量任务卸载相关的方案,但是这些方案中很少将重心放在用户在不同条件下的能耗需求差异上,无法有效提升用户体验质量(Quality of Experience,QoE)。在动态MEC系统中提出了一个考虑用户能耗需求的多用户任务卸载问题,通过最大化满意度的方式提升用户QoE,并将现有的深度强化学习算法进行了改进,使其更加适合求解所提优化问题。仿真结果表明,所提算法较现有算法在算法收敛性以及稳定性上具有一定提升。

移动边缘计算的需求与部署分析

4G网络架构难以满足5G的大容量、大带宽、大连结、低延迟需求,于是ETSI(欧洲电信标准化协会)提出移动边缘计算的概念。首先分析移动边缘计算的概念以及应用后给网络带来的性能提升;其次解析移动边缘计算服务器部署的位置,以及不同的应用场景相应的最佳部署位置;列举其典型应用场合,包括移动视频、车联网、增强现实、监控视频等。