多接入边缘计算赋能的AI质检系统任务实时调度策略

AI质检是智能制造的重要环节,其设备在进行产品质量检测时会产生大量计算密集型和时延敏感型任务。由于设备计算能力不足,执行检测任务时延较大,极大影响生产效率。多接入边缘计算(MEC)通过将任务卸载至边缘服务器为设备提供就近算力,提升任务执行效率。然而,系统中存在信道变化和任务随机到达等动态因素,极大影响卸载效率,给任务调度带来了挑战。该文面向多接入边缘计算赋能的AI质检任务调度系统,研究了联合任务调度与资源分配的长期时延最小化问题。由于该问题状态空间大、动作空间包含连续变量,该文提出运用深度确定性策略梯度(DDPG)进行实时任务调度算法设计。所设计算法可基于系统实时状态信息给出最优决策。仿真结果表明,与基准算法相比,该文所提算法具有更好的性能表现和更小的任务执行时延。

基于多载波非正交多址接入的协作移动边缘计算系统优化研究

文章研究了基于多载波非正交多址接入(Multicarrier Non-Orthogonal Multiple Access, MC-NOMA)的协作移动边缘计算系统,该系统由一个用户端、一个协作节点与一个配备边缘计算服务器的接入点(Access Point, AP)组成,旨在给定任务执行时延约束下,最小化用户端与协作节点的通信与计算能耗。为此,首先提出一种新颖的MEC协议,使用户端和协作节点充分利用MC-NOMA技术以高频谱效率的方式进行任务卸载;然后在该协议下,建立系统优化问题,联合优化任务卸载时间与计算时间分配、子载波分配、各个子载波的发射功率分配、任务划分和MEC服务器CPU频率。该问题是一个非凸的混合整数规划问题,求解颇具挑战性。通过利用代数变换、大M表达法、分层优化、连续凸近似和黄金分割法,对该问题进行求解,从而提出一种高效的系统优化算法。仿真结果表明,与已有的仅采用多载波技术研究方案相比,采用MC-NOMA技术可节省50%~60%的能耗。

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。

5G网络中多接入边缘计算的应用场景及部署方案

多接入边缘计算(Multi-access Edge Computing,MEC)技术是第五代移动通信技术(5th Generation Mobile Communication Technology,5G)的关键技术之一,其主要特点是将资源迁移部署至网络边缘,从而实现内容、应用及服务的本地化部署。通过在无线电接入网(Radio Access Network,RAN)边缘处部署高性能的MEC服务器,可有效提高任务执行效率,满足用户任务严格时延需求。5G多接入边缘计算可以为满足不同行业应用的差异化业务需求提供便利,受到垂直行业用户的广泛关注。以5G技术和多接入边缘计算技术为核心,以5G为背景,探索在5G网络中多接入边缘计算技术的应用场景与部署方案。

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。

多接入边缘计算中相关性任务的联合调度算法

多接入边缘计算已经成为资源密集型应用程序的有前途的计算范式。不过,先前大部分研究工作没有考虑到任务的相关性,这可能导致不可行的调度决策。考虑应用程序上有些任务必须要在本地完成,研究了相关性任务在本地和边缘侧的联合调度方法,并考虑了多接入边缘计算卸载场景下的另一个不可忽视的能耗问题。将问题形式化为在满足应用程序的完成截止时间约束的条件下最小化系统中的能耗,并提出联合调度(JS)算法解决该问题。最后通过仿真实验分析JS算法在应用程序的完成率和系统能耗两方面的性能。仿真结果表明,JS算法在应用程序的完成率上优于其他对比算法并且至少可以节省43%的系统能耗。

多接入边缘计算网络的资源共享与激励机制

针对“云-边-端”三层边缘网络架构,提出了一种三方激励机制辅助的边缘设备资源共享算法以管理和分配共享资源。首先,考虑单点网络拥塞、全网覆盖率约束、有限资源约束和传输成本约束,将边缘设备抽象为不同的功能性节点并设计基于凸包络的共享节点选择算法,实现了全覆盖、低能耗的共享资源部署方案。其次,针对在边缘设备上分配共享资源导致的附加成本问题,基于共享资源租赁模式设计了三方共享激励机制,保障了边缘设备长期稳定地参与共享机制。仿真结果表明,相较于现有算法,所提算法的系统能耗和节点收益都有显著的改善。

面向多接入边缘计算的计算卸载方案研究综述

物联网盛行背景下海量大规模机器通信时代的发展带来数据流量的爆炸式增长,传统的云计算模式不再满足终端数据处理低时延和低能耗的需求,靠近终端侧分布式多节点的多接入边缘计算(MEC)正在成为解决该问题的最佳选择。计算卸载作为MEC的关键技术,卸载性能受多种因素的影响,存在很大的优化空间,如何设计出高性能的计算卸载方案成为国内外学者主要的研究目标。综述了面向MEC的计算卸载方案,介绍了MEC的概念,梳理了MEC的发展与应用、计算卸载的执行过程,对近期关于计算卸载的研究方法进行分析对比,针对不同的改进,归纳总结出以计算卸载系统环境和计算卸载时延、移动设备能耗以及综合多个评价指标为优化方向的计算卸载方案。提出当前面向MEC的计算卸载存在的资源分配问题、通用性与安全性问题,并且基于现有的这些问题展望了未来研究方向。

宽带光接入网与用户驻地网支持边缘计算的部署方式和关键技术

计算型网络逐步兴起,网络架构向“设备、边缘和云”转型发展。其中,边缘距离用户最近,是网络演进的重要一环。在宽带光接入网和用户驻地网提供边缘计算能力成为重点研究方向之一。首先介绍了在宽带光接入网和用户驻地网支持边缘计算的算力部署位置和部署方式,之后讨论了支持边缘计算需要具备的关键技术。

基于非正交多址接入的移动边缘计算安全节能联合资源分配

为提高基于非正交多址接入(NOMA)的移动边缘计算(MEC)系统中计算任务部分卸载时的安全性,该文在存在窃听者情况下研究MEC网络的物理层安全,采用保密中断概率来衡量计算卸载的保密性能,考虑发射功率约束、本地任务计算约束和保密中断概率约束,同时引入能耗权重因子以平衡传输能耗和计算能耗,最终实现系统能耗加权和最小。在满足两个用户优先级情况下,为降低系统开销,提出一种联合任务卸载和资源分配机制,通过基于二分搜索的迭代优化算法寻求问题变换后的最优解,并获得最优的任务卸载和功率分配。仿真结果表明,所提算法可有效降低系统能耗。

面向多接入边缘计算的VNFM分布式部署方案

针对移动边缘计算架构下的虚拟网络功能管理器的部署问题,提出一种基于免疫优化算法的分布式部署方案。首先,利用混合整数规划建立虚拟网络功能管理器的部署模型;然后,给出一种基于免疫优化算法的部署方案。算法以最小化通信开销为目标,综合考虑个体的抗体亲和度和抗原亲和度,结合种群中个体适应度以及免疫系统的多样性特征,实现虚拟网络功能管理器的优化部署。仿真结果表明,相比于现有部署方案,新提出部署方案的个体评价机制能够更全面地描述虚拟网络功能管理器部署问题中个体的适应度和个体间的相似度;能够有效避免算法在部署过程中陷入局部最优解,提高算法性能;并且能够加速算法收敛,降低算法执行的时间。

基于强化学习的非正交多址接入和移动边缘计算联合系统信息年龄更新

物联网发展对信息时效性的需求越来越高,信息新鲜度变得至关重要。为了维持信息新鲜度,在非正交多址接入(NOMA)和移动边缘计算(MEC)的联合系统中,对多设备单边缘计算服务器的传输场景进行了研究。在该场景中,如何分配卸载任务量和卸载功率以最小化平均更新代价是一个具有挑战性的问题。该文考虑到现实中的信道状态变化情况,基于多代理深度确定性策略梯度(MADDPG)算法,考虑信息新鲜度影响,建立了最小化平均更新代价的优化问题,提出一种寻找最优的卸载因子和卸载功率决策。仿真结果表明,采用部分卸载的方式可以有效地降低平均更新代价,利用MADDPG算法可以进一步优化卸载功率,经比较,MADDPG算法在降低平均更新代价方面优于其他方案,并且适当地减少设备数量在降低平均更新代价方面效果更好。

面向边缘计算的制造资源感知接入与智能网关技术研究

针对云端智能制造与智慧服务系统应用中面临的大量异构制造设备资源感知接入困难、数据分析时延大等问题,分析探讨了面向边缘计算的制造资源感知接入特点、应用场景及接入模型构建方法;研究开发了边缘智能网关软件系统,设计了云边协同服务架构,实现了多种通信协议支持、数据采集分发、应用管理与安全防护等功能。分析了云边协同服务模式下边缘节点智能网关的重要作用与任务,结合复杂装备智能制造样板间生产线与虚拟工厂应用系统,实现了制造资源感知接入技术、边缘智能网关功能验证与应用示范。

基于多接入边缘计算的任务卸载和资源分配策略研究

随着移动通信技术和工业互联网的飞速发展,移动设备端日渐庞大的数量和复杂的应用对大量计算密集和低时延提出了要求,也因此引出了基于多接入边缘计算的任务卸载概念。这种任务卸载方式能够有效地利用边缘云服务器资源,将复杂的计算任务卸载至邻近的低消耗边缘服务器,提高任务计算效率和更高的服务质量。提出了一种基于拓扑结构的任务卸载策略和边缘资源分配策略,旨在解决边缘计算场景中,任务卸载效率低、资源利用率不足等问题。

面向5G的多接入边缘计算架构设计与应用

多接入边缘计算技术被视为5G无线接入网络的关键技术之一。通过使计算和存储资源更接近最终用户,多接入边缘计算技术可以帮助减少网络拥塞并改善用户体验。但是,在无线网络边缘部署许多分布式多接入边缘计算服务器,在管理资源分配和网络能耗方面都具有挑战性。面向5G应用中的边缘计算,在研究多接入边缘计算及其关键技术的基础上,提出了边缘计算架构设计,实现智能分流、组网传输以及安全管理等部署,并基于上海电信和上海宝钢智能仓库实际运输场景,打造了一个5G多接入边缘计算的示范应用。

智能网联汽车计算卸载与边缘缓存联合优化策略

为了保障智能网联汽车的低时延通信,利用蜂窝车联网中V2X(vehicle to everything)信道模型、边缘计算技术,研究计算卸载与边缘缓存联合优化策略。设计了一种智能网联汽车计算卸载与边缘缓存协同模型L-DDPG(least-deep deterministic policy gradient),通过对车载本地与边缘计算资源的整合,支持V2X场景下对不同计算任务的分类处理。由边缘平台对车载计算请求进行预判决,确保对连续的计算任务快速响应;结合基于最近最少使用(least recently used,LRU)的边缘缓存策略,实现对新计算任务的高效管理;基于DDPG算法对计算卸载与边缘缓存进行联合卸载决策。仿真结果表明:L-DDPG模型性能优于传统模型,能够有效提升系统的工作效能,在保障业务服务质量的同时降低时延和系统资源消耗。

面向IoT的两级多接入边缘计算节能卸载策略

多接入边缘计算(multi-access edge computing,MEC)技术将计算和存储资源下沉到网络边缘,可大幅提高物联网(Internet of things,IoT)系统的计算能力和实时性。然而,MEC往往面临计算需求增长和能量受限的约束,高效的计算卸载及能耗优化机制是MEC技术中重要的研究领域。为保证计算效率的同时最大程度提升计算过程中的能效,提出了两级边缘节点(edge nodes,ENs)中继网络模型,并设计了一种计算资源及信道资源联合优化的最优能耗卸载策略算法(optimal energy consumption algorithm,OECA)。将MEC中的能效建模为0-1背包问题;以最小化系统总体能耗为目标,系统自适应地选择计算模式和分配无线信道资源;在Python环境下仿真验证了算法性能。仿真结果表明,相比于基于有向无环图的卸载策略算法(directed acyclic graph algorithm,DAGA),OECA可将网络容量提升18.3%,能耗缩减13.1%。

多接入边缘计算在智慧矿山网络中应用分析

针对当前矿山网络软硬件设备种类繁多、制式复杂、资源共享率低,网络升级改造困难,因上下行传输带宽受限、服务总时延过长而导致垂直业务需求无法得到满足等问题,提出在矿山网络中引入多接入边缘计算(MEC)技术,为实现智慧矿山提供支撑。针对智慧矿山视频监控类、时延敏感类、连接类业务,探讨了MEC应用模式,分析了MEC支持多种协议和设备接入特性,指出MEC是基于现有井下多种协议和设备提供融合管控的唯一选择,是为用户提供端到端、无差别高质量服务的最佳解决方案。建立了基于业务需求的矿山网络计算树模型,将其演进发展划分为Pre-5G、5G、Beyond-5G(6G) 3个阶段,分析了各阶段的主要特征和标志性技术,以及负载均衡性、业务移动性、数据安全性、可扩展性、一体化特性等业务特性,指出各特性在第1阶段最差,在第3阶段最优,但距离实现硬件设备真正通用、接口完全标准化的目标还存在差距。结合计算树模型,提出了一种智慧矿山网络MEC部署模型,指出该模型基于深度为2的三级扁平化结构,能够充分发挥各级节点的边缘计算能力,在兼顾各节点负载均衡的同时动态选择任务卸载策略,从而完成高效任务协同,且各节点功能可根据地面/井下实际情况按需取舍、灵活调配,适用于智慧矿山建设的各个阶段。

超密集边缘计算网络下的任务卸载与资源分配

将超密集网络(Ultra Dense Network,UDN)技术应用于多接入边缘计算(Muti-Access Edge Computing,MEC),通过密集化部署小基站与边缘服务器,提升了系统容量。大量用户的接入带来的计算与通信资源不足、用户之间产生严重干扰等问题,使得任务卸载过程面临巨大挑战,制定合理的卸载方案显得尤为重要。针对上述问题,联合考虑了计算与通信资源分配、功率控制,提出了基于混合遗传模拟退火算法(Hybrid Genetic Simulated Annealing Algorithm,HGSAA)的任务卸载方法。通过实验仿真表明,所提方法与其他传统方法相比,提高了用户的卸载效益。