融合计算迁移模型的态势感知策略实现方法研究

针对现有态势感知技术存在数据处理效率低、数据传输时间长以及预警反应慢等问题,提出一种融合计算迁移模型的态势感知策略。首先引入计算迁移模型,在蒙特卡洛-香浓数学思想的指引下将传感器实时收集的多源异构监测数据分发至边缘层中各突触节点;然后对数据进行特征值提取,得到特征值矩阵;最后采用修正余弦相似度算法所对收集的数据加以分析,并做出相应的决策。实验结果表明,相较于现有方法,该策略可缩减35.3%的数据传输与比较时间,提升了20.22%的对比准确度。

面向边缘计算的智能资源分配与计算迁移研究

为了满足物联网场景中不同用户的差异化需求和提高资源利用率,以构建一个高效的边缘计算服务系统,本文提出了一种基于优先级的物联网边缘计算迁移机制。边缘节点通过感知任务的优先程度,合理分配计算资源,并提供相应的计算服务,避免时延敏感型任务因等待时间过长而导致执行失败,提高用户服务质量。通过综合考虑计算迁移决策、带宽资源和边缘节点计算资源分配,构建了一个基于优先级的任务完成总能耗最小化问题。同时,为解决上述优化问题,设计了一种基于优先级的智能资源分配与计算迁移算法。该算法通过融合深度确定性策略梯度算法的思想,构建了双重“行动者-评论家”网络架构,加快了训练过程的收敛速度;并且,为了使该算法适用于本文规划的混合整数优化问题,对连续动作输出做离散化处理,生成二进制迁移决策。仿真结果表明,本文所提机制能够获得近似贪婪算法的最优迁移与资源分配策略,与本地计算、完全迁移和DQN(Deep Q Networks)方案相比,本文提出的算法在系统总能耗方面分别平均减少约52%、 13%和7%。

融合无线携能通信的可充电雾计算迁移研究

雾计算网络场景下移动设备因其电池寿命有限而大大制约了其工作能力,简单的计算迁移方案已无法满足用户的服务需求。因此,文中提出了一种融合无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的可充电雾计算迁移机制。具体地,通过充分考虑任务迁移比、传输时间和功率分割比的联合优化,构建了一个多用户场景下最小化所有任务完成总能耗的优化问题。基于上述非凸优化问题,提出了一个基于凸差规划与加速梯度的交替优化算法,该算法基于凸差规划和交替优化理论,将非凸优化问题转化成两个凸优化子问题进行交替求解;同时,结合加速梯度下降方法,实现任务迁移比、传输时间和功率分割比等最优解的快速求解。特别地,通过在传统FC模型中融合SWIPT技术,使得智能设备从射频信号中解码结果信息的同时可以从中采集能量,以延长电池的使用寿命。最后,仿真结果表明文中所提出的可充电雾计算迁移机制可以有效降低任务处理能耗,较DGECO方案能耗平均降低了约12.8%。

基于D2D协同的边缘计算迁移机制研究

为了缓解边缘网络通信压力、降低物联网设备对服务节点的计算与通信负荷,提出了一种基于Device-to-Device(D2D)协同的边缘计算迁移机制。具体而言,通过综合考虑D2D设备、边缘节点的迁移决策以及传输功率分配,规划了一个任务完成总能耗最小化的优化问题,进一步,定义了D2D设备的积极性度量约束以促进D2D设备与普通用户间的协作。同时,提出了基于动态感知蝙蝠群体的高效计算迁移算法(Dynamic Sensing Bat Population-Based Efficient Computation Offloading Algorithm,DSBP-ECOA)。该算法融合经典蝙蝠算法思想,引入一种自适应的动态惯性权重,以通过实时感知环境变化调整蝙蝠群体的移动方向和速度,并采用混沌映射理论对种群进行初始化。最后,仿真结果表明,所提方案能够以较快的速度收敛,并获得最优迁移和功率分配策略,与其他几种基准方案相比,该方案在降低系统能耗方面具有较大的优势。

融合射频能量采集的协同节能计算迁移研究

为适应垂直市场差异化能源需求,保障物联网设备的高效可持续性运行,研究了一种融合射频能量采集的协同节能计算迁移机制。具体地,基于对计算迁移决策、上行带宽资源分配、下行带宽资源分配及基站功率分割的联合优化考量,构建了一个最小化系统总能耗的优化问题。为有效求解该优化问题,融合惩罚函数的概念设计了新的评价指标,并提出了一种基于自适应粒子群优化的协同节能计算迁移算法。该算法构造了动态变化的惯性权重和线性调节的惩罚因子,可在迭代搜索过程中实时变更粒子群落的空间分布密度,以生成可容忍惩罚下的最优计算迁移策略;进一步地,为避免粒子越过探索范围,引入了速度边界限制,可降低无效解的产生概率,提升搜索有效性。最后,仿真结果表明所提算法能够实现较高的收敛效率及求解精度,且与其他常见基准方案相比,完成任务处理的系统总能耗可分别降低34.09%、14.72%和6.86%。

面向智慧城市的多依赖任务计算迁移研究

针对智慧城市的时延敏感型多依赖任务调度问题,提出了边缘计算赋能的智慧城市架构,并设计了一种计算迁移方法,以满足任务调度需求。首先建立了多依赖任务模型、任务的时延约束模型以及智慧城市服务器的负载约束模型。然后使用深度强化学习算法训练出可感知任务间依赖关系的智能体,以实时地进行计算迁移决策。一系列实验验证了该方法在时延、能耗优化方面的有效性。

基于计算迁移技术的电网调控系统移动终端优化设计

阐述计算迁移技术,大电网调控系统的设计,移动终端优化设计,包括数据采集与预处理、模型构建、数据分析与决策,将计算转移技术引入到大网络控制系统的移动端。

智能移动终端计算迁移研究

随着智能移动终端的普及和移动应用对计算资源需求的不断增长,移动终端资源(包括计算、存储、能量等)受限问题日益突出,如何扩展移动终端资源成为移动计算领域需要迫切解决的问题.计算迁移(computation offloading)是解决移动终端资源受限问题的一个有效途径,通过将一部分计算任务从本地迁移到远程设备执行来扩展移动终端的资源.该文首先回顾了计算迁移在分布式计算、普适计算和云计算背景下具有代表性的研究工作和进展,然后具体介绍和分析了3个典型的计算迁移系统,在此基础上,从软件架构角度对计算迁移系统的内部组成结构和关键质量属性等共性问题进行了探讨,并试着提出了计算迁移系统的参考架构.最后,探讨了未来计算迁移的研究挑战和发展趋势.

移动云环境下高能效的移动终端计算迁移策略

针对移动应用需要消耗大量计算资源和能量,迫切需要能够改进移动终端计算性能和电池续航能力的新技术,面向长期演进应用,提出一种移动云环境下高能效的移动终端计算迁移策略.该策略以移动终端发射功率和中央处理器计算速度为约束条件,通过分析应用程序的需求、移动终端计算能力及无线信道状态,优化移动终端的发射功率和应用程序对中央处理器计算资源的占用,合理实施计算迁移,达到移动终端能耗最小化的目标.仿真结果表明,该策略能够有效节省移动终端的能耗,而且基本不会带来附加的时间延迟.

基于拉格朗日的计算迁移能耗优化策略

随着移动网络技术的发展和智能终端的普及应用,移动边缘计算已成为云计算的一个重要应用。计算迁移策略已成为移动边缘计算服务的关键问题之一。以移动终端总的计算时间和移动终端能耗最小化为目标,将移动终端的计算迁移资源划分问题建模为一个凸优化问题,运用拉格朗日乘子法进行求解,提出基于阈值的迁移优化策略模型。仿真实验表明,本迁移优化策略模型能有效平衡本地计算和迁移计算之间的关系,为移动边缘计算中执行计算密集型应用提供保障。

区块链赋能物联网中联合资源分配与控制的智能计算迁移研究

大数据场景下,远程云服务器通常被部署用于数据处理与价值挖掘,但在面对时延敏感型或需要动态频繁交互的业务时,该种处理模式显得力不从心.作为对云计算模式的补充,雾计算因其可有效降低任务处理时延、能耗与带宽消耗而备受关注;同时,面向雾计算的计算迁移机制因其能有效缓解节点的处理负担并改善用户体验而成为领域研究焦点.在雾计算模式下,为了更好地满足计算密集型任务对时延与能耗的要求,基于区块链赋能物联网场景,本文提出了一种联合资源分配与控制的智能计算迁移方案.具体地,规划了一个在时延、能耗与资源约束下的最小化所有任务完成总成本的优化问题,其总成本构成综合考量了时延、能耗和挖掘成本,通过对通信、计算资源与迁移决策的联合优化,实现总成本的最小化.为完成任务迁移,终端以矿工的身份向雾节点挖掘(租借)计算资源,所提出的基于区块链技术的激励机制可充分调动终端和雾节点参与计算迁移的积极性并保障交易过程的安全性,设计的奖励分配规则可保证成功挖掘资源终端收获奖励的公平性.为解决上述规划的优化问题(即混合整数非线性规划问题),提出了一个联合通信、计算与控制的智能计算迁移算法,该算法融合深度确定性策略梯度算法思想,设计了基于反梯度更新的双“行动者-评论家”神经网络结构,使训练过程更加稳定并易于收敛;同时,通过对连读动作输出进行概率离散化运算,使其更加适用于混合整数非线性规划问题的求解.最后,仿真结果表明本文方案能以较快的速度收敛,且与其他三种基准方案相比,本文方案的总成本最低,例如,与其中性能最好的基于深度Q学习网络的计算迁移方案相比,总成本平均可降低15.2%.

基于NOMA的5G超密网计算迁移与资源分配策略

针对5G超密网中移动设备计算能力不足、频谱资源有限的问题,提出了一种基于非正交多址接入(NOMA)的计算迁移与带宽分配策略。首先,对系统模型进行了分析,并在此基础上以最小化设备计算代价为目标对所研究的问题进行形式化定义;然后,将该问题分解成设备的计算迁移、系统的带宽分配和设备的分组匹配三个子问题,并利用模拟退火、内点法和贪心算法对这三个子问题进行求解;最后,通过联合优化算法对上述子问题进行交替性迭代求解,最终获得最优计算迁移和资源分配策略。仿真结果表明,所提出的联合优化策略不但优于传统的正交多址接入(OMA)方式,而且能获得比平均分配带宽的NOMA技术更低的设备计算代价。

一种基于K-shell影响力最大化的路径择优计算迁移算法

在移动边缘计算网络中,高效的计算迁移算法是移动边缘计算的重要问题之一.为了提高计算迁移算法性能,应用同类问题的相互转换性和最大化影响力模型,利用K-shell算法对边缘服务器进行等级划分,考虑边缘服务器负载过重问题,构建路径重叠(path overlap,PO)算法,引入通信质量、交互强度、列队处理能力等指标进行边缘服务器路径优化,将优化计算任务迁移路径问题转化为社会网络影响力最大化问题求解.基于K-shell影响力最大化思想,联合优化改进贪心与启发式算法,提出一种K-shell影响力最大化计算迁移(K-shell influence maximization computation offloading,Ks-IMCO)算法,求解计算迁移问题.与随机分配(random allocation,RA)算法、支持路径切换选择的(path selection with handovers,PSwH)算法在不同实验场景下对比分析,Ks-IMCO算法的能耗、延迟等明显提升,能有效提高边缘计算网络计算迁移的效率.

联合优化时延与能效的移动终端计算迁移方法

为了在实际应用中实施合理的计算迁移,必须找到能够综合考虑减小执行时间和节约能耗的迁移决策方法.面向长期演进应用背景,提出了一种能够联合优化处理时延与能耗的移动计算迁移方法.该方法首先建立了计算迁移模型;在此基础上,分析计算迁移的相关参数,构造计算迁移代价函数;最后,以减小时延与降低能耗为约束条件,合理规划计算迁移,达到联合优化移动终端处理时延与能耗的目标.仿真分析表明,该方法在减小移动终端的处理时延与降低能耗方面性能显著.

基于移动云计算的计算迁移能效算法

移动云计算可以通过应用任务的计算迁移降低执行延时和改善移动设备能效,但面对多云站点选择时,迁移决策是NP问题。针对该问题,提出一种能效计算迁移算法。为了实现截止期限和预算约束下执行时间与代价的多目标优化,算法将优化过程分解为三步进行。首先根据用户对时间与代价参数的偏好,设计一种CTTPO算法对应用进行分割,生成迁移模块(云端站点执行)和非迁移模块(移动设备执行);然后为了实现云端多站点间的迁移模块调度,设计一种基于教与学最优化方法的MTS算法,进而产生效率最优的应用调度解;最后设计一种基于动态电压缩放方法的ESM算法,通过多站点的性能缩放进一步降低应用执行能耗。通过两种随机应用结构图进行了仿真实验,实验结果证明,该算法在执行效率、执行代价以及执行能耗上要优于对比算法。

雾计算环境下基于多目标优化的计算迁移策略研究

在雾计算环境下,移动设备(如智能手机)可以将计算任务迁移至其附近的雾节计算点.虽然计算迁移可以减少移动设备的能耗,但可能会造成更大的延迟.因此,将如何平衡能耗和延迟性能作为研究的目标,利用排队论来对计算迁移过程的能耗、延迟和成本进行理论研究.基于理论分析结果,以同时减少能耗、延迟和成本为目标,将计算迁移问题建模为多目标优化问题.利用仿真实验,将本文方案与现有方案进行对比,验证本文方案的性能.

移动边缘网络中计算迁移与内容缓存研究综述

随着移动设备数量的爆炸性增长以及许多新兴应用的出现,移动网络的流量呈指数级增长.传统的集中式网络架构由于回程链路负载过重、时延较长,无法满足移动用户的需求.因此,提出了将网络能力从核心网开放至边缘网的新体系结构,即移动边缘计算(MEC).移动边缘计算能够在移动蜂窝网络的边缘提供轻量级的云计算和存储能力.对移动边缘计算相关的最新研究成果进行了详尽的回顾:首先,概述了移动边缘计算的发展历程、关键问题和支撑技术;然后,针对MEC架构、计算迁移、边缘缓存和服务编排这4个关键研究问题进行了全面的综述,并讨论了增强现实、虚拟现实、动态内容交付、车联网和物联网等移动边缘计算中的典型应用案例;最后,从移动边缘计算功能增强、服务质量保障和安全可用性这3个方面展望了移动边缘计算的开放式研究挑战和未来的发展趋势.

雾辅助物联网中公平节能的计算迁移

为了构建绿色且长生命周期的物联网,本文提出了一种雾辅助的公平节能物联网计算迁移方案.首先,基于雾节点计算能力、带宽资源以及融合雾节点能耗公平性的迁移决策的联合考量,构建了一个最小化所有任务完成总能耗的优化问题.其次,提出了基于动量梯度和坐标协同下降的公平性能耗最小化算法用于解决上述混合整数非线性规划问题.该算法基于雾节点的历史平均能耗、距离、计算能力以及剩余能量值设计了公平性指标以获得对于雾节点能耗公平性最优的迁移决策;通过提出的动量梯度与坐标协同下降法,联合优化雾节点分配给各个任务的计算及带宽资源占比,达到最小化任务处理总能耗.最后,仿真结果表明本文方案能够取得较快的收敛速度,且与随机选择和贪婪任务迁移方案两种基准方案相比,本文方案的总能耗最低,雾节点的能耗公平性最高,且网络寿命分别平均提高了23.6%和31.2%.进一步地,该方案在不同雾节点数量以及不同任务大小的环境下仍然能够保持性能优势,体现了方案鲁棒性高的特点.

边缘计算迁移研究综述

边缘计算将网络边缘上的计算、存储等资源进行有机融合,构建成统一的用户服务平台,按就近服务原则对网络边缘节点任务请求及时响应并有效处理。由于边缘节点能力、资源、带宽、能源等受限,计算迁移是边缘计算的一个关键问题。综述了移动边缘计算的起因、演进和发展趋势,以从分布式计算、普适计算、云计算到边缘计算的演进历程为主线,对比分析了各阶段计算迁移的特点并对经典模型进行了评述;重点分析了边缘计算的最新研究进展及应用领域,研究并对比分析了基于能耗优化管理的移动边缘计算模型。最后提出了一个面向LTE应用和基于时分多址(time division multiple access,TDMA)的多用户边缘移动终端计算迁移策略系统。

移动边缘环境下面向工作流管理的计算迁移方法

针对移动边缘环境下移动设备大量的能源消耗问题,为了优化移动设备的能源消耗,提出一种能耗感知的工作流计算迁移(EOW)方法。首先,基于排队论分析边缘设备中计算任务的平均等待时间,建立了移动设备的时间模型和能耗模型;然后,基于非支配排序算法(NSGA-Ⅲ)提出对应的计算迁移方法,对工作流的计算任务进行合理的分配,将一部分计算任务留在移动设备处理,或者迁移到边缘计算平台和远程云端,实现每个移动设备的节能目标;最后,通过CloudSim仿真平台对提出的计算迁移方法进行仿真和对比实验。实验结果表明,EOW方法能够明显地减少每个移动设备的能源消耗,同时满足每一个工作流的截止时间的要求。