边缘环境下轨迹预测性感知的在线边缘服务分配

移动通信技术的快速发展促使了移动边缘计算(Mobile Edge Computing,MEC)的出现。作为第五代(5G)无线网络的关键技术,MEC可利用无线接入网络就近提供电信用户所需服务和云端计算功能,从而创造出一个具备高性能、低延迟与高带宽的服务环境,加速网络中的各项内容、服务及应用。然而,如何实现MEC环境下有效且性能有保障的服务卸载和迁移仍然是一个巨大的挑战。针对这一问题,大多数现有的解决方案都倾向于将任务卸载视为一个离线决策过程,使用用户的瞬时位置作为模型输入。而文中考虑了一种预测轨迹感知的在线MEC任务卸载策略,即PreMig。该策略首先通过多项式滑动窗口模型对服务所属边缘用户的未来轨迹进行预测,然后计算用户在边缘服务器信号覆盖范围内的停留时间,最后以一种贪心策略进行边缘服务的分配。为了验证所设计的方法的有效性,基于真实MEC部署数据集和校园移动轨迹数据集开展了模拟实验,实验结果显示,所提策略在平均服务率和用户服务迁移次数两个关键性能指标上均优于传统策略。

基于云平台的在线服务性产品任务流分配设计与研究

针对云计算环境下满足用户服务质量(QoS)约束条件的在线服务性产品任务流分配问题,提出一种基于QoS约束的差分进化算法(QoS-DE算法),以便实现多目标优化全局最优问题。该算法首先构建了云计算环境下的QoS模型,并对在线服务性产品的工作流分配约束指标进行了分析。然后利用差分进化算法实现约束条件下的计算资源多目标优化模型求解,并通过自适应的惯性权重调节,提高了全局优化能力。CloudSim云仿真平台上的测试结果表明,相比经典Min-Min算法和QoS-GA算法,提出的QoS-DE算法能够将任务合理分配到对应的节点,并在执行时间、执行费用等指标方面上表现出更好的性能。