无人机边缘计算:架构、多址接入与计算卸载

无人机(unmanned aerial vehicle,UAV)边缘计算技术将UAV平台与移动边缘计算技术相结合,充分利用UAV的灵活性和机动性,为用户设备提供及时有效的计算服务。从UAV边缘计算的网络架构入手,提出基于网络功能虚拟化和软件定义网络的技术架构。针对UAV边缘计算的关键技术,总结对比UAV边缘计算中不同的多址接入方案,并从不同的优化目标出发,对基于经典非凸优化、博弈论以及人工智能方法的计算卸载策略进行总结和分析。最后,探讨和展望未来的研究方向。

移动边缘计算中基于混合人工蜂群算法的计算卸载策略

计算卸载是移动边缘计算(Mobile Edge Computing,MEC)中的关键技术.针对多用户多MEC服务器场景中计算卸载策略的不足,本文提出一种混合人工蜂群算法(Artificial Reverse Sine-Cosine,ARSC).首先,使用反向学习策略初始化种群,优化种群的初始解;然后,在雇佣蜂阶段利用正余弦算法的全局最优引导信息,提升算法的局部搜索能力;最后,为了平衡算法的全局搜索能力和局部搜索能力,引入动态感知因子对算法的步长因子进行改进.仿真实验结果表明,相比基于粒子群算法的卸载策略、基于人工蜂群算法的卸载策略,ARSC策略在系统时延、系统能耗、收敛性等指标上均有所改善.

移动边缘计算在铁路行业的应用

为满足智能铁路的快速发展对铁路应用数据大容量传输、计算处理的实时性、安全性提出的更高要求,文章研究移动边缘计算(MEC,Mobile Edge Computing)的相关概念和基本框架,分析其关键技术、应用场景;针对铁路MEC业务需求,总结MEC在智能运营、智能装备、智能建造场景下的应用方案;结合当前存在的问题,展望MEC未来发展的技术趋势,为提升铁路智能化提供助力。

移动边缘计算技术专利申请现状

作为萌芽于4G时代、发展到5G时代已深入融入网络基础架构的一门重要技术,移动边缘计算(Mobile Edge Computing,MEC)在靠近网络接入侧部署计算资源从而将计算能力从中央移动到边缘,为5G典型应用场景(增强型移动宽带(eMBB)、超可靠低时延通信(uRLLC)和海量大规模连接物联网(mMTC))提供了满足高性能、高带宽、低延时应用需求的服务环境,为众多新兴个性化应用提供了实现基础,并且还向行业提供差异化定制化服务,进而提升网络利用率和增值价值。至今,MEC技术已将应用扩展至交通运输、智能驾驶、触觉控制、增强现实等领域。

移动边缘计算网络中基于任务转移的负载均衡优化方案

针对MEC服务器之间的负载不均衡问题,论文提出了一种基于任务转移的负载均衡算法。该算法在考虑任务转移时延的前提下,确定是否将任务转移至其他MEC服务器,并在当前时隙结束时做出最优的任务转移决策。实验结果表明,提出方案的性能优于其他方案,使得MEC服务器之间的负载更加均衡。

适用于边缘计算的6H并行计算架构

针对云集中式计算模式在延时、安全、环境信息利用等方面的不足,近年来产业界和学术界提出了雾计算、移动边缘计算、移动云计算等不同边缘计算概念,其主要思想是将计算、存储、I/O等资源迁移到网络边缘,以提升各类应用的服务质量。但是,现有的边缘计算架构通常直接采用云计算架构,存在互操作性差、资源利用率不高、资源管理粒度不够细、动态性不强等问题。深入分析边缘计算的特点,基于轻量级虚拟化、软件定义网络、并行计算等基本理念,提出适用于边缘计算环境的6H并行计算架构,即高性能、高可用、高可扩展、高模块化、高可伸缩、高易用。随后采用Python/C++混合编程模式实现了一个6H计算框架。在边缘计算典型硬件条件下,采用物联网典型用例对该计算框架进行了测试。其结果表明:随着计算进程和计算节点数据增加,计算耗时近似成线性下降,说明该计算框架的可扩展性和可伸缩性较好;在高并发条件下,计算框架表现优异,说明该框架具备高性能;在边缘服务器异常情况下,计算框架恢复时间快,说明该框架的可用性较好。另外,该计算框架采用CMD-Worker-Handler编程模型,高度模块化,二次开发简单方便,具有很好的易用性。

移动边缘计算环境下体域网高效任务卸载方案

移动边缘计算(mobile edge computing,MEC)近年来成为解决无线体域网(wireless body area network,WBAN)计算资源匮乏的热门方法之一,但在现有的研究工作中,并没有将患者身边的计算资源充分利用起来,容易造成网络的拥堵。针对这种情况,提出了一种联合蜂窝、WiFi网络与设备到设备(device to device,D2D)通信的高效任务卸载方案,充分利用了WBAN应用场景中的多种计算资源,有效减少了蜂窝网络的负载,提高了系统的可靠性。设计了一种低复杂度的遗传算法,在同时考虑患者时延、能耗以及经济开销条件下,得到系统的最小卸载总成本。实验仿真结果表明,相比于随机卸载、蜂窝卸载、无WiFi卸载、无D2D卸载,该方案可以更有效降低系统总成本,为患者提供更高的服务质量。

基于联邦元学习的安全移动边缘计算卸载框架

移动边缘计算(MEC)技术通过卸载部分计算任务到边缘服务器,可将第5代网络(5G)、云计算、大数据和人工智能等技术延伸到物联网终端。针对如何高效卸载计算任务和保障边缘数据隐私安全2个关键问题,在综述计算卸载性能优化研究基础上,本文提出了一种融合联邦学习和元学习的计算卸载应用框架,通过对计算任务的计算卸载以及计算资源的联合优化,从而实现系统加权时延和最小。在不泄露用户数据隐私的前提下,联合多个边缘服务器共同训练一个全局模型,并实现边缘服务器个性化计算卸载应用。在新的计算任务场景下,全局模型的网络参数仅用少量训练样本就能快速收敛。实验测试结果表明,本文提出的基于联邦元学习的计算卸载框架可适应未来边缘计算应用的隐私安全需求。

移动边缘计算中服务功能链的自适应优化部署策略

为解决移动边缘计算中面向用户的服务功能链(Service Function Chain,SFC)部署成本开销过大、时延过长问题,提出了针对SFC的支出成本与时延联合自适应优化的部署策略。首先,在虚拟网络功能(Virtualized Network Function,VNF)节点选取阶段,考虑路径损耗这一无线信道衰落问题,根据有线用户与无线用户的位置情况,选择当前最佳节点以降低SFC的响应时延。其次,在服务节点配置阶段,根据用户请求处理的数据内容的新鲜度记录,自适应动态增加和删减相应的缓存,利用资源感知算法在保证数据传递可靠性的同时,减少服务节点的配置个数,降低配置开销。最后,在SFC部署阶段,利用基于KSP(K-shortest Paths)的功耗感知算法确定最佳节点映射排序与通信链路,在减少通信链路重映射的同时还能保证部署的SFC的低成本与低时延。实验仿真结果表明,相比于已有方案,该方法能够有效降低部署成本与时延,并能对不同用户的SFC部署做到自适应优化,提高了SFC的部署成功率。

MEC与CDN融合体系架构方案设计研究

MEC被广泛应用于CDN边缘下沉解决方案中,利用MEC实现CDN边缘部署,提升CDN应用的服务质量。首先,总结并分析了CDN技术演进历程及未来发展趋势;然后,提出了5G网络场景下MEC与CDN融合体系架构设计方案,所提方案具有MEC与CDN管理层解耦的特点,支持MEC-vCDN集群与传统CDN集群兼容并存;最后,搭建了MEC-vCDN模块及5G网络模块,测试了方案中各模块的功能。

车联网中移动边缘计算的网络架构

从车联网(V2X)的不同应用角度,讨论在不同应用场景下的移动边缘计算(MEC)组网方式,为车联网(V2X)的业务实现提供技术支持。

移动边缘网络中基于用户移动的服务功能链迁移策略

移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署服务器,提供计算和存储资源,可为用户提供超低时延和高带宽业务。网络功能虚拟化(Network Function Virtualization,NFV)与MEC技术相结合,可在MEC服务器上提供服务功能链(Service Function Chain,SFC),提升用户的业务体验。为了保证移动用户的服务质量,需要在用户跨基站移动时将SFC迁移到合适的边缘服务器上。主要以最小化用户服务的端到端时延和运行成本为目标,提出了MEC网络中具有资源容量约束的SFC迁移策略,以实现移动用户业务的无缝迁移。仿真结果表明,与现有方案相比,该策略具有更好的有效性和高效性。

基于移动边缘计算的任务卸载优化

随着智慧物联体系的发展,物联网中应用程序的种类与数量不断增加.在移动边缘计算(mobile edge computing,MEC)中,通过允许移动用户将任务卸载至附近MEC服务器以加快移动应用程序的速度.本文通过考虑不同任务属性、用户的移动性和时间延迟约束模拟移动边缘场景.根据用户移动轨迹,将目标建模为寻找满足时延约束条件且在卸载过程中产生最小能耗MEC服务器优化模型,并提出一种最小能耗卸载算法求解该问题的最优解.仿真结果表明,在约束条件下,提出的算法可以找到在用户移动轨迹中产生最小能耗的MEC服务器,并显著降低任务卸载过程的能耗与时延,提高应用程序服务质量.

基于移动边缘计算的任务调度算法研究

移动边缘计算(Mobile Edge Computing,MEC)属于一种先进、智能的计算模式,通过运用该模式可以对智能设备进行任务调度,使其调度到MEC服务器执行状态,避免智能设备资源出现受限问题。在进行移动边缘计算期间,在多用户场景下,任务调度问题通常对时延、任务产生一定的依赖,针对该问题,采用仿真实验的方式,对比和分析实时调度算法与遗传算法。实验结果表明,与遗传算法相比,实时调度算法的设计和运用,可以将智能设备能耗降到最低,还能在高并发、高时延的情况下,表现出良好的运行性能。

基于无人机移动边缘计算的软件定义网络架构分析

随着物联网的发展,各种新兴应用层出不穷如移动在线游戏、虚拟现实、增强现实等。随之而来,人们对延迟和计算能力的要求也在增加。本文研究了无人机移动边缘计算的软件定义网络的基本架构,为用户提供计算能力,内容缓存以及低延迟服务.

移动边缘计算技术及其本地分流方案

移动边缘计算(mobile edge computing,MEC)技术通过为无线接入网提供IT和云计算能力,使得业务本地化、近距离部署成为可能,从而促使无线网络具备低时延、高带宽的传输能力,并且回传带宽需求的降低极大程度减少了运营成本。同时,MEC通过感知无线网络上下文信息(位置、网络负荷、无线资源利用率等)并向业务应用开放,可有效提升用户的业务体验,并且为创新型业务的研发部署提供平台。首先介绍MEC技术,细化并给出MEC平台框图。此外,针对基于MEC平台的本地分流功能,给出了详细的技术方案,并与3GPP本地分流方案LIPA/SIPTO进行对比分析。更进一步,针对MEC技术在网络应用中可能存在的问题与挑战进行了讨论,为后续研究发展提供参考。

移动边缘计算中计算卸载与资源分配的联合优化策略

针对移动边缘计算(MEC)网络中计算能力不足的移动终端在处理低时延、高可靠应用而产生的高时延问题,提出一种基于博弈论的计算卸载与资源分配的联合优化策略。该策略首先将所有移动终端的卸载决策与资源优化问题构建成非合作博弈模型并证明其纳什均衡的存在性;其次给定移动终端的卸载决策,采用拉格朗日乘子法获取最优的上行、下行频谱资源以及计算资源;最后采用迭代法获取纳什均衡解。仿真结果表明,本文所提算法能够在资源有限的条件下最小化移动终端的任务时延,提升终端用户的服务体验。

面向5G/B5G的移动边缘计算协同服务系统架构研究

移动边缘计算(MEC)是5G/B5G网络架构的重要革新之一。本文针对如何充分利用MEC集群资源,提升移动边缘服务命中率这一MEC实际应用的基本问题,首先,基于现网数据分析了移动网络流量的空间差异性以及MEC协作服务的可行性;然后,设计了面向5G/B5G的移动边缘计算协同服务架构及机制,并通过仿真验证了其可行性。本文希望为移动边缘计算技术演进与实际应用提供有益的参考。

移动边缘计算的需求与部署分析

4G网络架构难以满足5G的大容量、大带宽、大连结、低延迟需求,于是ETSI(欧洲电信标准化协会)提出移动边缘计算的概念。首先分析移动边缘计算的概念以及应用后给网络带来的性能提升;其次解析移动边缘计算服务器部署的位置,以及不同的应用场景相应的最佳部署位置;列举其典型应用场合,包括移动视频、车联网、增强现实、监控视频等。

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。