基于动态服务缓存辅助的任务卸载方法

针对服务缓存和任务卸载联合优化中,由于缺乏对用户服务请求多样性和动态性的综合考虑而导致的用户体验质量降低问题,提出一种基于动态服务缓存辅助的任务卸载方法。首先,针对边缘服务器执行缓存服务动作空间较大的问题,重新定义了动作,并筛选出最优的动作集合以提高算法训练的效率;其次,设计一种改进的多智能体Q-Learning算法学习最优的服务缓存策略;再次,将任务卸载问题转换为凸优化问题,利用凸优化工具获得最优解;最后,利用拉格朗日对偶法求得最优的计算资源分配策略。为了验证所提方法的有效性,基于真实数据集进行了充分的实验。实验结果表明,对比Q-Learning、双层深度Q网络(D2QN)以及多智能体深度确定性策略梯度(MADDPG)方法,所提方法的响应时间分别降低了8.5%、11.8%和12.6%,平均体验质量分别提高了1.5%、2.7%和4.3%。

MSs-MEC中基于DRL的服务缓存和任务迁移联合优化算法

多服务移动边缘计算(multiple-services mobile edge computing,MSs-MEC)能根据需求自适应调整服务缓存决策,使得部署在用户侧的边缘服务器能够灵活处理不同服务类型的任务。但在实际应用中,特定类型任务的成功迁移依赖于服务环境的提前安装。此外,同时进行任务迁移和服务缓存可能会因时间冲突而导致计算延时。因此,针对上述相关问题,首先将任务迁移和服务缓存决策进行解耦,针对深度强化学习(deep reinforcement learning,DRL)在具有高维的混合决策空间的性能提升不明显的缺点(例如资源分配时利用率不高),将DRL与Transformer结合,通过在历史数据中学习,输出当前时隙的任务迁移决策和下一时隙的任务决策,保证任务到达边缘服务器时能立即执行。其次,为了提高资源分配问题中的资源利用率,将问题分解为连续资源分配问题和离散的任务迁移与服务缓存问题,利用凸优化技术求解资源分配最优决策。广泛的数值结果表明,与其他基线算法相比,提出的算法能有效地减少任务的平均完成时延,同时在资源利用率和稳定性方面也有优异的表现。

MEC动态联合服务缓存和请求调度优化算法

针对移动边缘计算(MEC)中边缘服务器资源有限,服务提供商面临如何充分利用稀缺的边缘资源最大化系统性能的问题,提出一种基于李雅普诺夫优化的动态优化算法。建立服务缓存和请求调度模型,得到在满足服务缓存成本的长期预算约束时最小化系统延迟的优化函数模型;利用李雅普诺夫优化技术将长期优化问题转化为多个连续时隙的实时优化问题,设计对偶分解算法求解实时优化问题。通过仿真实验验证了所提算法的有效性。

移动边缘网络下服务缓存与资源分配联合优化策略

针对边缘服务器的计算与存储资源有限,过多的任务卸载将使其计算能力与负载能力不匹配,从而导致任务处理时延增加的问题,研究了基于多用户、边缘服务器以及云服务器组成的三层网络架构下的任务卸载与存储资源联合优化问题以降低系统整体时延。由于该问题为混合整数非线性问题,因此提出了一种服务缓存与资源分配联合优化策略。首先,将原问题的连续与离散变量进行解耦为2个子问题,即服务缓存决策问题以及计算资源与通信资源联合优化问题。然后,通过重构线性化方法、松弛法以及凸优化方法对2个子问题进行交替优化迭代获得近似最优解。仿真结果表明,所提策略在低复杂度情况下能够获得近似最优解,并且与其他策略相比时延降低10%左右。

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。

无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配

边缘计算中利用无人机作为边缘节点进行动态部署,能够适应复杂的环境,大大提升边缘计算系统的性能.本文提出利用无人机辅助的服务缓存边缘计算最优计算卸载和资源分配策略.此策略在确定无人机3D位置和边缘服务器中服务的部署,以实现在时延约束下最小化能耗的目的.具体来说,首先,建立本地计算模型和MEC计算模型,计算出任务的处理时延和能耗;其次,在服务缓存、时延约束等条件下,建立最小化能耗的数学模型;最后,采用遗传算法框架对目标问题进行求解.求解过程采用双层优化方法,外层层将无人机3D位置和服务缓存方案放入基因编码,内层先利用贪心的思想确定资源分配,再将问题转化为整数线性规划问题进行求解.通过仿真证明了本文所提出算法的可行性和优越性.

用户公平保障的边缘服务缓存与任务卸载算法

在边缘服务器中缓存服务可缩短请求响应时间,提升用户体验。现有研究主要从整体上优化系统性能,例如最大化系统吞吐量,而无法保障个体用户请求异构服务的公平性。针对用户异构计算任务的不公平服务问题,研究边缘协同计算中的服务缓存和任务卸载策略,基于最大最小公平原则,构建了一个最大化最小服务完成率问题,并证明了其NP难解性。为此,利用线性松弛将原问题从0-1整数规划转化为线性规划,设计了一种近似比为M S/N(S-2 ln S)的随机舍入算法,其中S为边缘服务器数,N为服务数,M为终端设备数。同时,基于优先缓存和卸载完成率最小的服务及其任务,提出了一种快速高效的贪心算法。实验结果表明,与已有最大化系统吞吐量算法相比,提出的随机舍入算法和贪心算法将最小服务完成率分别提升至少44.1%和90.6%,并且其额外的系统吞吐量损失分别不超过22.4%和27.0%。

面向电工智慧物联的服务缓存和计算卸载策略

海量数据接入对电工装备智慧物联发起挑战,亟须边缘计算协助数据实时处理。现有工作重点研究了任务卸载技术在工业互联网场景的应用,未充分关注服务缓存对任务卸载策略的影响。针对上述问题,提出了面向电工装备智慧物联场景的联合服务缓存与任务卸载策略。针对供应商与服务提供商的收益冲突问题,以供应商数据处理时延最小化为目标,研究与证明了计算服务提供商与供应商之间的主从博弈以及纳什均衡点的存在,提出结合粒子群的广义Benders分解算法实现问题求解。仿真结果表明,所提策略有效提高了任务处理效率,降低了供应商的计算成本,提高了服务提供商的服务收益。

车载边缘计算中任务卸载和服务缓存的联合智能优化

针对车载环境下有限的网络资源和大量用户需求之间的矛盾,提出了智能驱动的车载边缘计算网络架构,以实现网络资源的全面协同和智能管理。基于该架构,设计了任务卸载和服务缓存的联合优化机制,对用户任务卸载以及计算和缓存资源的调度进行了建模。鉴于车载网络的动态、随机和时变的特性,利用异步分布式强化学习算法,给出了最优的卸载决策和资源管理方案。实验结果表明,与其他算法相比,所提算法取得了明显的性能提升。

面向多边缘设备协作的任务卸载和服务缓存在线联合优化机制

移动边缘计算通过在边缘设备上部署通信、计算、存储等资源,有效克服传统云计算存在的传输距离较长、响应时延过慢等问题,满足新兴的计算密集型和时延敏感型应用的服务需求.然而,移动边缘计算中存在边缘设备资源有限且多边缘设备间负载不均衡的问题.为了解决上述问题,多边缘设备协作成为一种必然趋势.然而,多边缘设备协作面临任务卸载与服务缓存相互耦合、边缘设备的任务负载及资源状态随时空双维变化等两大挑战,极大增加了求解难度.针对上述挑战,提出一种面向多边缘设备协作的任务卸载和服务缓存在线联合优化机制,将任务卸载和服务缓存联合优化问题解耦为服务缓存和任务卸载2个子问题.针对服务缓存子问题,提出基于情景感知组合多臂赌博机的协作服务缓存算法;针对任务卸载子问题,设计基于偏好的双边匹配算法.仿真实验表明所提算法能够有效降低任务整体执行时延,同时实现边缘设备间负载均衡.

基于WCF的服务缓存设计与研究

为了更好地解决Client/Server结构的遗留系统向SOA系统移植中的问题,分析了.NET3.0框架下的WPF(Windowspre-sentation foundation)图形系统和WCF(Windows communication foundation)服务技术,重点研究了WCF服务原理,提出了基于WCF的服务缓存系统结构模型。该模型采用对象池技术扩展WCF服务行为,有效地解决了服务端的性能问题。在实践项目的实验中,比较了直接连接服务和通过对象池访问服务两种方式下服务响应时间和内存占用的数据,结果表明了该服务缓存结构的有效性。

基于DDPG的边缘计算任务卸载和服务缓存算法

当计算任务被转移到移动边缘计算(MEC)服务器上时,通过服务缓存能够降低获取和初始化服务应用程序的实时时延和带宽成本。此外,体验质量是驱动卸载决策的关键因素,有效利用有限的计算资源能够提升用户满意度。考虑一个边缘服务器帮助移动用户执行一系列计算任务的场景,建立混合整数非线性规划问题,提出一种基于深度确定性策略梯度(DDPG)的算法来联合优化服务缓存位置、计算卸载决策和资源分配,从而提高用户对服务的体验质量,最大化用户使用计算资源所节约的成本。仿真结果表明,该算法在提高用户体验质量和节约成本方面较使用无缓存策略、随机选择策略和无缓存随机选择策略的算法性能更优。

OSGi服务缓存的一种动态管理方法

服务缓存有利于提高面向服务的体系结构的系统性能和安全性,其模式和服务依赖模式紧密相关.通过分析OSGi服务缓存模式存在的不足,在改进OSGi服务依赖模式的基础上,提出了一种基于服务依赖图的动态服务缓存模式及其自动管理方法,并给出了具体实现方案,包括服务缓存的替换算法,最后提出了服务缓存效率的评价指标.

基于移动边缘计算环境下的服务缓存和任务调度联合优化算法

在移动边缘计算中,在资源有限的边缘设备上对服务缓存和任务执行进行合理的决策能够大幅度地提高卸载效率和减少应用程序的处理时延;针对边缘计算环境下服务缓存与任务卸载决策问题,建立网络模型和服务缓存模型,定义关联的边缘设备、协作的边缘设备任务执行时延及远端云数据传输和任务执行的时延,提出一种联合优化算法来求解任务执行时延约束条件下的服务缓存决策最优解;该算法采用粒子群优化Particle Swarm Optimization(PSO),将移动用户的任务按照整数编码,优化任务处理时延适应度和粒子速度更新,缩短任务延迟时间;仿真实验结果表明,联合优化算法取得相比其他策略完成时间更少且能适应大规模任务调度的效果。

基于多智能体元强化学习的车联网协同服务缓存和计算卸载

为了降低求解优化问题的难度,提出一种双层的多路侧单元(RSU)协同缓存框架将问题进行解耦。外层采用多智能体元强化学习方法,在每个本地智能体进行决策学习的同时,采用长短期记忆网络作为元智能体来平衡本地决策并加速学习过程,从而得到最优的RSU缓存策略;内层采用拉格朗日乘子法求解最佳协同卸载策略,实现RSU间的任务分配。基于杭州真实交通数据的实验表明,所提方法具有理想的能效性能,并且能够在大规模任务流下保持网络稳健性。

面向缓存的动态协作任务迁移技术研究

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策略仍是一个值得深入探讨的问题。因此,提出了一种移动感知的服务预缓存模型和任务预迁移策略,将任务迁移问题转化为最优分簇与边缘服务预缓存的组合优化问题。首先,基于用户的移动轨迹对当前执行任务状态进行预测,引入动态协作簇和迁移预测半径的概念,提出了一种面向移动和负载两种任务场景的预迁移模型,解决了何时何地迁移的问题。然后,针对需要迁移的任务,基于最大容忍时延约束分析协作簇半径和簇内目标服务器数量的极限值,提出了以用户为中心的分布式多服务器间动态协作分簇算法(Distributed Dynamic Multi-server Cooperative Clustering Algorithm,DDMC)以及面向服务缓存的深度强化学习算法(Cache Based Double Deep Q Network,C-DDQN),解决了最优分簇和服务缓存问题。最后,利用服务缓存的因果关系,设计了一种低复杂度的交替最小化服务缓存位置更新算法,求解出了最佳迁移目标服务器集合,实现了任务迁移中的服务器协作及网络负载均衡。实验结果表明,提出的迁移选择算法具有良好的鲁棒性和系统性能,相比其他迁移算法所消耗的总成本降低了至少12.06%,所消耗的总时延降低了至少31.92%。

面向新型电力系统的边缘缓存与计算资源迁移策略

随着以新能源为主体的电力系统的发展,分布式特征明显,终端设备数量剧增。海量用电负荷的调度和控制面临着时延过高和计算效率不足等问题,亟待建立高效的通信网络以有效提高电力系统的运行效率和可靠性。针对现有边缘计算技术与电力系统结合中未考虑在边缘网络资源管理中服务缓存和虑拟机(virtual machine, VM)迁移的联合优化问题,基于任务卸载模型、服务缓存模型和VM迁移模型,提出了一种联合服务缓存和VM迁移的边缘资源分配策略,旨在提高系统性能。针对服务缓存与VM迁移联合优化的耦合性问题,将原问题解耦成两个子问题的方法进行迭代求解,以实现更优的资源分配效果。仿真结果进一步证明了所提策略在性能方面表现更优,与其他方案相比可以得到更低的任务处理时延。

基于服务器动态缓存和Ajax技术的WebGIS开发

可以基于服务器动态缓存技术,在WebGIS开发中应用Ajax和地图切片技术,有效减轻WebGIS服务器的负荷,提高服务器并发效率和客户端用户体验。本文介绍了基于ArcIMS,结合服务器端动态缓存技术,开发Ajax风格的WebGIS系统的基本原理、系统架构、关键技术和应用实例,具有重要的实用价值和现实意义。

面向直播HTTP Streaming系统的HTTP缓存服务器行为优化

HTTP缓存服务器是提高HTTP Streaming系统客户并发量的关键环节。但当前主流HTTP缓存服务器,如Nginx、Squid、Varnish等,在缓存资源更新期间的行为都存在不足,当被应用在面向直播的HTTP Streaming系统中时,会周期性地把大量客户端请求转发至源服务器,从而制约了HTTP Streaming系统的可伸缩性。提出一种优化的HTTP缓存服务器在缓存更新期间的行为,即缓存服务器仅向源服务器转发一路客户端请求,缓存更新期间,拒绝其他关于该资源的请求。优化策略在使用最为广泛的Nginx服务器的基础上进行了实现。实验证明,优化后系统的伸缩性得到了显著提高。

基于代理服务器缓存的Internet分层视频点播

针对目前访问Internet设备的差异性,为了降低网络传输成本,提出了一种基于视频分段的缓存算法来传输经过分层编码的视频流,其中分层视频段缓存优先级的计算来自于视频对象间的优先级、视频对象内的优先级以及用户接收带宽的分布.与缓存整个视频层的方案相比,仿真实验结果也证实了提出的针对分层视频流的缓存方案在给定缓存空间大小的情况下,可以大大降低视频服务器的点击率,而且在不增加实现复杂度的情况下也能满足用户接入带宽的差异性.