基于binAD算法的边缘计算卸载决策

针对物联网边缘计算中计算卸载的高能耗、高时延以及移动智能设备自身条件不足等问题,提出一种基于binAD算法的边缘计算任务卸载决策。以最大化移动终端设备系统效用为目标,将任务执行计算能耗和时延加权和定义为系统效用的优化函数。将二进制人工蜂群算法和二进制差分进化算法相结合得到binAD算法,其中为扩大可行解范围、提高全局搜索能力,将最个体引入变异操作中,将交叉概率因子修改为适应性交叉概率因子。使用binAD算法解决优化问题。仿真结果表明,binAD算法在能耗、时延、系统效用方面均具有优越性。

基于GA-BPSO算法的MEC卸载决策

针对移动智能设备(SMD)的算力、内存和能量等无法满足计算密集型需求的问题,提出一种应用任务卸载到高性能边缘服务器的计算卸载。根据任务计算、传输等情况下的能耗和时延,构建出卸载决策系统模型;根据SMD和边缘服务器的计算能力等情况,降低SMD能耗为目标,将任务卸载决策问题描述为一个非线性约束优化问题;为对约束优化问题求解提出GA-BPSO算法,算法中将静态学习因子改为动态学习因子,将最优个体引入交叉操作中,扩大算法在解空间中的探索能力。通过实验验证GA-BPSO算法能在较短时间内收敛,实现了SMD较低的能量消耗。

高校智慧图书馆边缘计算场景下基于MOEA/D算法的卸载决策

智慧图书馆子系统是高校智慧校园系统的核心部件,它融合了云计算技术、边缘计算技术、物联网技术、人工智能技术。借助边缘计算技术,可以通过把计算资源和存储资源下沉到网络边缘的边缘服务器上。智能终端设备把任务卸载到边缘服务器上来处理,可以降低智能终端设备的任务处理时延和能源消耗,从而满足读者的随时随地的阅读需求。针对高校智慧图书馆边缘计算场景下的任务卸载决策问题,建立了系统模型、时延模型、能耗模型和多目标优化模型,给出了一种基于MOEA/D算法的卸载方案,并与本地执行的方案、随机卸载方案、基于遗传算法的卸载方案进行了对比实验。实验结果表明:给出的任务卸载方案能够有效降低智能终端设备的任务卸载时延和能耗,能满足智慧图书馆的任务卸载需求。

MEC中资源分配与卸载决策联合优化策略

针对移动边缘计算(MEC)中用户任务处理时延与能耗过高的问题,提出了“云-边-端”三层MEC计算卸载结构下的资源分配与卸载决策联合优化策略。首先,考虑系统时延与能耗,将优化问题规划为系统总增益(任务处理时延与能耗相对减少的加权和)最大化问题;其次,为用户任务设置优先级,并根据任务数据量初始化卸载决策方案;然后,采用均衡传输性能的信道分配算法为卸载任务分配信道资源,对于卸载至同一边缘服务器上的任务以最大化资源收益为目标进行资源竞争,实现计算资源最优配置;最后,基于博弈论证明优化问题为关于卸载决策的势函数,即存在纳什均衡,并利用迭代增益值比较法得到了纳什均衡下的卸载决策方案。仿真结果表明,所提联合优化策略在满足用户处理时延要求的情况下最大化系统总增益,有效地提高了计算卸载的性能。

车联网云边协同计算场景下的多目标优化卸载决策

车联网场景下的计算任务对时延非常敏感,需要云边协同计算来满足这类需求。针对车联网云边协同计算场景下如何高效地进行服务卸载并同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配问题,设计了基于云边协同的车辆计算网络架构,在该架构下,车载终端、云服务器和边缘服务器都可以提供计算服务;通过对缓存任务进行分类并将缓存策略引入车联网场景,依次设计了缓存模型、时延模型、能耗模型、服务质量模型以及多目标优化问题模型;给出了一种基于改进的多目标优化免疫算法的卸载决策方案。最后,通过对比实验验证了所提卸载决策方案的有效性。

移动边缘计算中的卸载决策与资源分配策略

为在移动边缘计算服务器计算资源有限的情况下最小化系统总成本,提出一种多用户卸载决策与资源分配策略。优化任务执行位置选择和计算资源分配过程,对基于精英选择策略的遗传算法在编码、交叉、变异等操作方面进行改进,设计联合卸载决策与资源分配的improve-eGA算法。实验结果表明,与Alllocal、Alloffload、RANDOM和CGA等算法相比,improve-eGA在迭代次数、任务周期数、任务传输数据量等影响因素下系统总成本均为最低,验证了所提策略的有效性。

物联网系统中边缘计算卸载决策问题:建模、求解与分类

随着物联网的飞速发展,连接到互联网的终端设备数量不断增加,终端设备在处理计算密集型任务时可能面临着能力不足的问题,而将任务卸载到云平台上的方法难以满足延迟敏感型任务的需求.因此在网络边缘处将计算量大的任务合理分配给计算资源充足的边缘服务器进行计算处理,再把计算完成的结果返回到终端,能有效的解决此类问题.本文首先介绍了边缘计算和计算卸载的基本概念和度量指标,其次围绕计算卸载问题的建模方法、模型求解对目前提出的卸载决策问题进行阐述,并从最小化时延、最小化能耗、最小化系统成本这3个方面对比了现有卸载策略的优缺点.最后提出了未来边缘计算中的卸载决策问题的研究挑战.

MEC中卸载决策与资源分配的深度强化学习方法

在移动边缘计算(MEC)服务器计算资源有限且计算任务具有时延约束的情况下,为缩短任务完成时间并降低终端能耗,提出针对卸载决策与资源分配的联合优化方法。在多用户多服务器MEC环境下设计一种新的目标函数以构建数学模型,结合深度强化学习理论提出改进的Nature Deep Q-learning算法Based DQN。实验结果表明,在不同目标函数中,Based DQN算法的优化效果优于全部本地卸载算法、随机卸载与分配算法、最小完成时间算法和多平台卸载智能资源分配算法,且在新目标函数下优势更为突出,验证了所提优化方法的有效性。

车联网中视频内容理解任务的计算卸载决策研究

视频数据能够为车辆的智能网联化提供丰富的信息,为了更好地提取视频内容并使卸载后的视频中包含更多的有效信息,在时延约束条件下,设计一种内容驱动的计算卸载指导方式并提出基于改进蒙特卡洛树搜索的计算卸载决策算法。在车辆端通过关键帧提取来对视频内容进行预处理,以有效分析视频内容理解任务的重要性,使得更重要的任务能够获得更多的计算资源。采用基于强化学习的启发式搜索算法完成计算卸载决策,并引入深度神经网络预训练先验转移概率,从而优化算法的收敛速度并降低计算复杂度。实验结果表明,该算法能够在时延约束下有效降低能耗并提升视频内容理解精度,相比基于Q-learning、基于模拟退火的算法,其收敛速度更快,计算复杂度更低,在700 ms时延约束下系统总效用达到37%。

缓存辅助边缘计算的卸载决策与资源优化分析

提出以及制定对应的缓存辅助边缘计算卸载决策与资源优化方案,以此来促使移动边缘计算系统终端设备本身的能量消耗得到降低。首先需构建优化问题,其为用户取最小值在最坏状况下执行某项任务时的为能耗值,再将这一规划问题通过计算机的计算以及系列的信息化技术转变为相应的二次约束的二次规划模型,通过随机概率映射以及半定松弛的方式获取缓存辅助下情况对应的预选卸载集合。此外借助二分法与拉格朗日法分别求得边缘计算资源分配以及卸载决策集合,然后借助比较集合中对应设备的能耗值来确定最佳的卸载决策与资源优化方案,就实验结果来说,该方案的制定与应用可较大程度地降低用户端的能源消耗,促进边缘计算系统相应的服务性能得到提升。

设备间任务依赖的最佳卸载决策和资源分配

对于不同设备之间具有任务依赖性的问题,考虑了两个设备的移动边缘计算(Mobile Edge Computing,MEC)与端对端(Device-to-Device,D2D)技术协作网络,其中一个无线设备的最终输出作为另一个设备上某个任务的输入。在此任务依赖模型下,为了最小化无线设备的能耗和任务完成时间的加权和,研究了最佳的资源分配(卸载发射功率和本地CPU频率)和任务卸载决策问题。为了解决该问题,将原问题分解为给定任务卸载决策的资源分配问题和优化与资源分配问题相对应的任务卸载问题。首先给定卸载决策,推导出卸载发射功率和本地CPU频率的闭合表达式,运用凸优化方法求出该问题的解。然后证明最优卸载决策遵循一次爬升策略,在此基础上提出了一种降低复杂度的在线任务卸载算法,该算法可以在多项式时间内获得最优卸载决策。数值结果表明,该策略的性能明显优于其他有代表性的基准测试,同时MEC与D2D协作可以显着提高系统的性能。

多设备间任务依赖的最佳卸载决策和资源分配

考虑了多个设备的移动边缘计算(mobile edge computing,MEC)与端对端(device-to-device,D2D)技术协作网络,其中多个无线设备的最终输出作为另一个设备上某个子任务的输入.为了最小化无线设备的能耗和任务完成时间的加权和,研究了最优的资源分配(卸载发射功率和本地CPU频率)和任务卸载决策问题.首先固定卸载决策,推导出卸载发射功率和本地CPU频率的闭合表达式,运用凸优化方法求出该问题的解.然后基于一次爬升策略提出了一种低复杂度线性搜索算法,该算法可以在线性时间内获得最佳卸载决策.数值结果表明,该策略的性能明显优于其他有代表性的基准测试.

面向车联网实时应用场景的任务卸载决策算法

为了解决当前车联网中节点处理任务的时效性问题,基于最优节点选取及任务卸载理论,提出了一种新的任务卸载决策方案.该方案对车联网场景下的任务卸载进行建模,构造出具有指向性的节点分布模型,利用最优节点选取算法对该模型进行节点预选取,通过一次或二次任务卸载预判机制,实现节点对任务的卸载决策.与传统的任务卸载决策相比,所提方案在任务卸载全过程中耗时更少,实时性更高.仿真结果验证了所提方法的有效性.

物联网中结合计算卸载和区块链的综述

随着移动通信技术的快速发展和智能终端的普及,将终端设备的计算密集型任务卸载至边缘服务器能够解决终端设备算力不足的问题。然而,计算卸载技术分布式的属性使终端设备和边缘服务器面临较大的安全隐患;同时,区块链技术能为计算卸载系统提供安全的资源交易环境。以上两个技术的结合可以解决物联网中的资源不足和安全问题,因此对物联网中计算卸载和区块链技术结合应用的研究成果进行综述。首先,分析了计算卸载技术和区块链技术结合的应用场景和系统功能;其次,归纳了区块链技术在计算卸载系统中解决的主要问题和使用的关键技术,并分类总结了区块链系统中的计算卸载策略的制定方式、优化目标及优化算法;最后,提出了二者结合使用中存在的问题,并展望了未来的发展方向。

基于DP-HAFS算法的移动边缘计算卸载策略

针对移动边缘计算的计算资源有限、系统处理任务总开销过高的问题,提出一种基于动态感知—混合人工鱼群(DP-HAFS)算法的卸载策略。首先,构建本地—边缘—云端三层网络架构,采用基于细粒度的部分卸载模式;然后,针对一个终端设备被多个基站覆盖的场景,提出基站选择策略进行最优基站的选择;最后,采用DP-HAFS算法对卸载决策进行动态修正,得到最优卸载策略。仿真结果表明,所提卸载策略在任务数量较多的场景下能有效降低系统总开销。

基于混合果蝇算法的计算卸载方法

计算卸载决策是移动边缘计算的关键问题之一,与移动边缘计算系统中任务计算时延和计算能耗的优化密切相关.针对多用户多MEC服务器的移动边缘计算系统中的计算卸载决策问题,考虑MEC服务器计算资源有限的特点,以任务计算时延和计算能耗为优化目标,设计了一种基于混合果蝇算法的计算卸载决策方法HFOA.HFOA方法首先使用启发式方法和随机方法进行种群初始化;然后,使用基于概率选择的自适应方法进行嗅觉搜索;最后,基于模拟退火原理对视觉搜索后的最优解作进一步优化,以提升算法的局部搜索能力.通过仿真实验,将HFOA方法与其他计算卸载决策方法进行对比,结果表明HFOA方法在系统计算时延、计算能耗、收敛性等方面均有改进.

移动边缘计算卸载技术综述

移动边缘计算(MEC,mobile edge computing)中计算卸载技术即将移动终端的计算任务卸载到边缘网络,解决了设备在资源存储、计算性能以及能效等方面存在的不足。同时相比于云计算中的计算卸载,MEC解决了网络资源的占用、高时延和额外网络负载等问题。首先介绍了MEC的网络架构及其部署方案,并对不同的部署方案做了分析和对比;然后从卸载决策、资源分配和系统实现这3个方面对MEC计算卸载关键技术进行了研究;通过对5G环境及其MEC部署方案的分析提出了两种计算卸载优化方案,总结归纳了目前MEC中计算卸载技术面临的移动性管理、干扰管理以及安全性等方面的核心挑战。

基于Lyapunov优化的隐私感知计算卸载方法

移动边缘计算(MEC)中计算卸载决策可能暴露用户特征,导致用户被锁定。针对此问题,该文提出一种基于Lyapunov优化的隐私感知计算卸载方法。首先,该方法定义卸载任务中的隐私量,并引入隐私限制使各MEC节点上卸载任务的累积隐私量尽可能小;然后,提出假任务机制权衡终端能耗和隐私保护的关系,当系统因隐私限制无法正常执行计算卸载时,在MEC节点生成虚假的卸载任务以降低累积隐私量;最后,建立隐私感知计算卸载模型,并基于Lyapunov优化原理求解。仿真结果表明,基于Lyapunov优化的隐私感知卸载算法(LPOA)能使用户的累积隐私量稳定在0附近,且总卸载频率与不考虑隐私的决策一致,有效保护了用户隐私,同时保持了较低的平均能耗。

移动边缘计算中基于信誉值的智能计算卸载模型研究

针对移动边缘计算环境下,爆炸式增长的物联网智能移动终端处理计算密集型和时延敏感型新兴移动应用时,面临的高时延、高能耗和低可靠性等问题,提出综合考虑时延和能耗的卸载决策模型和基于信誉值的计算资源博弈分配模型,并分别利用改进粒子群算法和拉格朗日乘数法求解。仿真结果表明,所提方法可满足新兴智能应用对于低时延、低能耗和高可靠性的服务需求,可有效实现计算卸载资源的整体优化配置。

移动边缘计算中基于深度强化学习的任务卸载研究进展

移动边缘计算是近年出现的一种新型网络计算模式,它允许将具有较强计算能力和存储性能的服务器节点放置在更加靠近移动设备的网络边缘(如基站附近),让移动设备可以近距离地卸载任务到边缘设备进行处理,从而解决了传统网络由于移动设备的计算和存储能力弱且能量较有限,从而不得不耗费大量时间、能量且不安全地将任务卸载到远方的云平台进行处理的弊端。但是,如何让仅掌握局部有限信息(如邻居数量)的设备根据任务的大小和数量选择卸载任务到本地,还是在无线信道随时间变化的动态网络中选择延迟、能耗均最优的移动边缘计算服务器进行全部或部分的任务卸载,是一个多目标规划问题,求解难度较高。传统的优化技术(如凸优化等)很难获得较好的结果。而深度强化学习是一种将深度学习与强化学习相结合的新型人工智能算法技术,能够对复杂的协作、博弈等问题作出更准确的决策,在工业、农业、商业等多个领域具有广阔的应用前景。近年来,利用深度强化学习来优化移动边缘计算网络中的任务卸载成为一种新的研究趋势。最近三年来,一些研究者对其进行了初步的探索,并达到了比以往单独使用深度学习或强化学习更低的延迟和能耗,但是仍存在很多不足之处。为了进一步推进该领域的研究,文中对近年来国内外的相关工作进行了详细地分析、对比和总结,归纳了它们的优缺点,并对未来可能深入研究的方向进行了讨论。