面向边缘侧卸载优化的工作流动态关键路径调度算法

移动边缘计算有助于减少工作流调动中用户终端的能耗和计算负担,但不合理的任务卸载会导致设备产生大量时间和能源的消耗。针对该问题,提出一种面向边缘侧卸载优化的工作流动态关键路径调度的两阶段算法,包括边缘侧卸载优化算法和基于本地计算量的动态关键路径调度算法。制定了边缘侧卸载优化的策略,该策略通过隐性马尔科夫预测得到可卸载eNB集并结合速度与偏移量预测筛选最优可调度eNB,以确保卸载成功率;同时在调度过程中通过动态更新关键路径,避免了关键路径变化对调度结果的影响。通过仿真实验证明了所提算法的有效性。相比传统优化算法,该算法能优化移动边缘环境下工作流12%的完工时间,并减少6%的能耗。

服务缓存约束下优化用户设备执行成本的任务卸载策略

边缘计算通过在网络边缘侧提供更优的计算和存储能力,能够有效降低用户设备的执行时延和能耗。随着应用程序对计算和存储资源的需求越来越大,任务卸载作为消除用户设备固有限制的一种有效手段,成为了主要的研究热点之一。然而,在已有的任务卸载研究中,常常忽略不同类型的任务对服务需求的多样性以及边缘服务器服务缓存有限的情形,从而导致不可行的卸载决策。因此,在服务缓存约束下,研究了能够使得用户设备执行成本最优的任务卸载问题。首先设计了云服务器、边缘服务器和本地设备的协同卸载模型,用于平衡边缘服务器的负载问题,同时借助云服务器弥补边缘服务器有限的服务缓存能力。然后,提出了适用于云边端协同的任务卸载算法,优化用户设备的执行成本。当任务被卸载时,先采用改进的贪婪算法选择最佳的边缘服务器,再通过比较任务在不同位置上的执行成本,来确定任务的卸载决策。实验结果表明,所提算法相比对比算法能够有效降低用户设备的执行成本。

基于模拟退火机制的移动边缘云计算任务卸载

缓存任务过多容易导致云环境下数据传输卡顿,因此,为实现云数据的流畅传输,提出基于模拟退火机制的移动边缘云计算任务卸载模型。根据边缘云计算的定义表达式,计算任务缓存指标,完成移动边缘云计算队列的构建。以模拟退火机制为基础,确定云负载调度标准的执行条件,联合数据库主机中缓存的信息参量,求解优化卸载参数,完成基于模拟退火机制的移动边缘云计算任务卸载模型的设计。实验结果表明,所提方法可以有效解决云任务堆积的问题,将单位时间内的缓存任务量控制在550个以下,可以提升云数据传输流畅性。

5G MEC系统融合粒子群和教学算法的卸载策略优化

计算卸载是移动边缘计算(Mobile Edge Computing,MEC)的关键技术和功能实现的核心环节。为了改善5G智慧教室入网设备多、流量高并发引起时延与能耗增加的问题,进行了理论研究、场景构建和需求分析,并建立了系统和通信模型,提出了能耗约束下时延最优化问题;将教学算法和粒子群算法融合,提出了一种融合教学机制的自适应粒子群(Teach&Learn Adaptive Particle Swarm Optimization,TLAPSO)算法,并仿真验证了其性能提升和复杂度控制;进行了仿真对比实验,得出结论:5G架构下部署MEC系统能实现降时延、省带宽和高隔离等目标,基于TLAPSO的卸载策略优于基于模拟退火算法、粒子群算法和本地卸载的策略,在任务量和能耗容忍度实验中,分别优化提升了55.90%和54.02%。

基于马尔科夫优化的移动边缘计算车载网络任务卸载

针对集中式车载网络不能满足移动用户需求的问题,将移动边缘计算引入车载网络,以增强车辆的计算能力,提升服务质量,并有效地解决任务传输过程的丢包、时延问题;对移动边缘计算网联式车队资源分配和任务卸载展开研究,建立移动边缘计算车载网络系统模型,将车辆计算任务分配至相邻车辆节点和移动边缘计算服务器进行任务卸载计算;构建马尔科夫优化过程,利用车辆节点状态转移获取所有计算任务决策方案,通过选择不同传输路径的条件概率,计算数据传输的成功概率,比较任务执行周期的总时长,获得任务分配和卸载的最优方案;采用MATLAB软件构建边缘计算环境中车载网络任务分配和卸载的仿真模型,研究不同任务量、不同时间段时3种资源分配和任务卸载方法的总时长。结果表明,马尔科夫优化方法能够有效地减少任务执行总时长,提高网络资源利用效率。

一种低轨卫星边缘计算场景下联合资源分配的计算卸载策略

卫星边缘计算突破地理限制,实现全球无缝覆盖,赋予偏远地区服务计算能力,针对低轨道(Low Earth Orbit,LEO)卫星边缘计算场景计算能力和通信时间有限的特性,在单LEO卫星边缘节点多地面用户的系统模型下,提出一种基于博弈论计算卸载联合资源分配(Game Theory with Computing Offloading and Resource Allocation,GT⁃CORA)的策略。由于该问题表示为一个混合整数非线性规划问题,将该问题拆解为资源分配和计算卸载两个子问题,通过二分法和拉格朗日乘数法实现最优资源分配,通过博弈论和势博弈证明了纳什均衡的存在性并解决计算卸载问题。仿真结果表明了该策略的有效性,该策略相较全部本地卸载、全部卫星卸载以及贪婪卸载策略,在保持较高的任务成功率下,平均计算开销明显降低,可以满足地面用户任务需求。

A Greedy Algorithm for Task Offloading in Mobile Edge Computing System

Mobile edge computing （MEC） is a novel technique that can reduce mobiles＇ com- putational burden by tasks offioading, which emerges as a promising paradigm to provide computing capabilities in close proximity to mobile users. In this paper, we will study the scenario where multiple mobiles upload tasks to a MEC server in a sing cell, and allocating the limited server resources and wireless chan- nels between mobiles becomes a challenge. We formulate the optimization problem for the energy saved on mobiles with the tasks being dividable, and utilize a greedy choice to solve the problem. A Select Maximum Saved Energy First （SMSEF） algorithm is proposed to realize the solving process. We examined the saved energy at different number of nodes and channels, and the results show that the proposed scheme can effectively help mobiles to save energy in the MEC system.