面向车辆边缘计算的任务合作卸载

随着物联网技术和人工智能技术的飞速发展,车辆边缘计算越来越引起学者的关注。车辆如何有效地利用其周边的各种通信、计算和缓存资源,结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元,已经成为目前车联网研究的热点。由于车辆应用设备计算资源的有限性,车辆用户的任务计算需求无法满足,需要提升车辆周边计算资源的利用率来完成计算任务。本文研究了车辆边缘计算中任务的合作卸载机制,以最小化车辆任务的计算时延。首先,考虑周边停泊车辆以及路边单元的计算资源,设计了由云服务器层、停泊车辆合作集群层和路边单元合作集群层组成的任务合作卸载3层系统架构,通过路边单元合作集群和停泊车辆合作集群的合作卸载,充分利用系统的空闲计算资源,进一步提高了系统的资源利用率。然后,基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分,并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后,通过将本文算法和其他算法方案进行实验仿真对比,仿真结果表明,本文算法在系统时延和系统吞吐量方面具有更好的性能表现,可以降低23%的系统时延,并且能提升28%的系统吞吐量。

移动边缘计算不确定性任务持续卸载及资源分配方法

移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.

面向移动边缘计算的任务卸载方法研究

目前大多计算卸载策略是在任务整体卸载情况下进行的,且仅考虑时延或能耗单一指标,未将二者结合进行优化,为此,以任务处理的时延与能耗加权和为优化目标,提出一种基于强化学习的部分卸载算法。将单个任务的处理分为本地计算和部分卸载两种方式,且在部分卸载中引入了变量确定卸载权重,最后利用强化学习Q-learning完成了所有任务的计算卸载与资源分配。实验结果表明,所提算法能有效降低任务处理的时延与能耗。

面向智慧养老的边缘计算卸载方法

针对边缘计算环境下任务卸载过程中,老年人健康数据任务的动态到达性和信道条件的不确定性,引发的平均时延和能耗的优化问题,本文提出一种基于李雅普诺夫优化与深度强化学习结合的在线任务计算卸载优化算法。一个多用户移动边缘计算网络中的用户任务数据随机到达,应用李雅普诺夫优化方法对任务卸载过程中的队列长度进行约束和建模,深度强化学习方法利用模型信息将输入环境参数转化为学习最优的二进制卸载动作的过程,之后对卸载动作进行准确评价,通过仿真实验证明了该组合算法优于其他深度强化学习算法,并且在优化任务卸载所用能耗的同时合理约束队列长度,有效降低了数据队列长度的积压。

基于5G多接入边缘计算的云化PLC系统架构设计与应用

随着工业控制系统对柔性化、扁平化的要求不断提升,以PLC为构建基础的传统工业控制网络在大规模接入、算力提升和部署灵活性方面均受到限制.针对这些问题,融合5G网络和边缘计算技术,设计了基于5G多接入边缘计算的云化PLC系统架构,阐述了该架构的运行机制和所涉及的关键技术;在此基础上,进行PLC系统的云化部署和调试,实现了工业现场、企业数据中心、5G网络和边缘网络的集成;最后,通过在某汽车制造公司产线改造过程中的应用,验证了所提架构的有效性.

边缘计算网络中区块链赋能的异步联邦学习算法

由于数据量激增而引起的信息爆炸使得传统集中式云计算不堪重负,边缘计算网络(ECN)被提出以减轻云服务器的负担。此外,在ECN中启用联邦学习(FL),可以实现数据本地化处理,从而有效解决协同学习中边缘节点(ENs)的数据安全问题。然而在传统FL架构中,中央服务器容易受到单点攻击,导致系统性能下降,甚至任务失败。本文在ECN场景下,提出基于区块链技术的异步FL算法(AFLChain),该算法基于ENs算力动态分配训练任务,以提高学习效率。此外,基于ENs算力、模型训练进度以及历史信誉值,引入熵权信誉机制评估ENs积极性并对其分级,淘汰低质EN以进一步提高AFLChain的性能。最后,提出基于次梯度的最优资源分配(SORA)算法,通过联合优化传输功率和计算资源分配以最小化整体网络延迟。仿真结果展示了AFLChain的模型训练效率以及SORA算法的收敛情况,证明了所提算法的有效性。

船舶机舱边缘计算系统通信技术的研究及开发

本文针对边缘设备与云平台之间的数据交互,从当前智能机舱相关系统的数据通信需求出发,提出一种基于物联网边缘计算系统框架的智能机舱边缘计算系统内设备通信方案,设计一种面向该边缘系统中运用于边缘设备的双向数据通信系统软件并进行测试,证明智能机舱边缘系统方案的可行性。

面向未来移动通信的移动边缘计算研究综述

移动边缘计算(MEC)通过将移动终端的计算和存储任务从集中式数据中心卸载到边缘网格,满足复杂通信场景下的多样化设备服务需求,已经成为面向未来通信的关键性技术之一。通过阐述从云计算、雾计算到移动边缘计算的发展历程,介绍了MEC技术的基本概念和基本框架;在此基础上,从计算卸载、资源分配、缓存管理和安全防护4个方面讨论了MEC的研究进展,对相关研究成果进行了详尽综述。其次,以物联网、MEC结合区块链、AI辅助MEC系统、通感一体化和云边协同等边缘计算的几个典型应用场景为例,归纳了移动边缘计算在6G中的潜在应用场景,展示了其在构成智能、高效、安全的通信网络方面的潜在益处。最后,从互操作性、安全风险、移动性管理和可扩展性等方面指出了MEC研究在融合创新方面所面临的挑战,并对其在超可靠低时延通信、通感算一体化和星地融合移动通信等方向的优势和发展趋势进行了总结和展望。

基于边缘计算的高速光纤通信链路时延估计研究

由于未对接收信号进行去噪处理,导致光纤通信链路时延估计存在估计误差大、准确率低的问题,为了解决方法中存在的问题,提出基于边缘计算的高速光纤通信链路时延估计方法。通过边缘计算设计了高速光纤通信网络架构,基于网络架构中的边缘计算层,通过直射链路的方式构建高速光纤通信链路模型,接收光信号,并使用广义相关算法对接收到的信号进行去噪处理,根据去噪处理结果,结合卡尔曼滤波方法与Round-trip算法估计信号时延。实验结果表明,所提方法的高速光纤通信链路时延估计准确率高、效果好,具有较高的实际应用价值。

基于ARM架构的边缘计算服务器关键平台研究

针对现有边缘计算基础网关服务器既不具备安全、稳定、可靠与通用性强等特点,又无法支持边缘计算场景的计算任务等问题,文中首次在基于ARM架构的鲲鹏920芯片的长虹天宫边缘计算服务器TG225B1上,设计并实现了适用于边缘计算场景的iBMC软硬件架构。该架构采用ARM国产化硬件底座,支持边缘网关硬件管理,实现工控多协议的自适应交互框架。对符合性、功能、性能、易用性、维护性、可靠性、兼容性等指标进行测试,表明iBMC架构能较好满足边缘计算服务器的需求。

一体化边缘计算安防控制器的设计与应用研究

本文深入研究了油气场站中一体化边缘计算安防控制器的应用和技术特点,分析了边缘计算在油气行业中的发展现状,并结合实际应用案例和运行数据,探讨了一体化边缘计算安防控制器在油气场站中的优势和挑战,为油气行业的智能化转型提供了理论支持和实践指导。本文还提出了一种一体化边缘计算控制器的设计方案,旨在解决传统中央计算模式存在的延迟高、带宽压力大等问题,并通过对边缘计算安防控制器的硬件架构、软件设计以及实际应用需求的分析,验证了其在提高油气场站监控效率和实时性方面的优势。

移动边缘计算中计算卸载与资源分配联合优化策略

为了在移动边缘计算(MEC)中最大限度地减少处理用户任务的时延和能耗,改善用户体验,以最小化用户的完成时间和能耗的加权和为目标,在计算资源的约束下研究了多用户、多MEC服务器中的计算卸载问题。针对此问题,考虑卸载决策和资源分配之间存在的依赖关系,首先将原问题解耦为卸载决策和计算资源分配2个子问题。然后,使用鲸鱼优化算法求解卸载决策问题,通过添加非线性收敛因子和惯性权重加快收敛速度;引入反馈机制,防止陷入局部最优,得到更高概率可行的卸载决策;对于资源分配问题使用拉格朗日乘子法得到每个卸载决策下的最佳计算资源分配解。最后,通过多次迭代得到稳定的收敛解。仿真实验结果表明,与其他基准方案相比,最多减少了44.6%的系统开销。

基于边缘计算的可重构波束控制技术研究

随着社会和技术的发展,相控阵软件无线电技术得到了快速推广和普及,其应用领域从传统的军事预警探测逐步拓展到气象探测、航空安全、无人驾驶、空间探测、天地通信中继等等。同时,新方法新体制应用对天线波束形成算法复杂度、数据传输量和波束切换的低延时等提出了更高的要求,商业应用要求高效低成本部署,并能够基于软件定义具备良好的可扩展性,传统集中式波束控制方法已无法有效应对需求。波束控制节点部署利用边缘计算理念可实现相控阵天线射频前端的就近波束形成运算与数据处理,有效减小数据传输带宽和降低延时,波束控制平台采用软件可重构体制可适应新兴领域和用户需求的不断发展变化。介绍了相控阵射频前端波束控制原理,提出了一种基于边缘计算的可重构波束控制技术,采用嵌入式分布化运算处理技术,通过建模仿真与计算,证明该技术可有效改善相控阵天线多通道数据传输压力,提升波束敏捷性,实现功能、孔径可重构,具有广泛的工程应用前景。

信任环境下考虑系统公平性的边缘计算卸载策略和资源分配

在不可靠信任环境下考虑边缘计算中的公平性问题,针对多用户多服务器场景研究了边缘计算的卸载决策和资源分配问题。在所提出的实时信任模型基础上,从用户满意度的角度定义了系统公平性,建立了一种考虑信任和公平性的联合优化模型,在此基础上提出了一种基于信任的任务卸载和资源分配(TOA)算法。将原NP-hard问题转换为多个确定性优化子问题,基于回溯算法确定卸载策略,并采用拉格朗日乘子法、凸优化工具箱和二分迭代搜索法完成对资源配置的优化,从而实现系统公平性,提升用户满意度。仿真实验结果表明,所提算法优于其他基准算法。

基于边缘计算的船舶大型主动隔振系统分布式控制架构

[目的]旨在解决现有主动隔振系统集中式控制架构可靠性低、抗风险能力弱、实时性低的问题,结合隔振系统与边缘计算研究现状,设计一种基于边缘计算的船舶大型主动隔振系统分布式控制架构。[方法]首先,分析集中式与分布式控制方法的特点;然后,对控制系统整体架构进行研究,设计系统的层次结构与整体架构,将其划分为云、边和端3个层次,并详述各层的架构设计与联系;最后,设计实验平台,通过实验测试系统的可靠性和实时性。[结果]结果表明,所设计的系统架构在突发状况下依然正常运行、稳定可靠,可将时钟同步偏差缩小到1μs,提高了系统实时性。[结论]该系统架构设计合理、高效,可有效提升隔振系统的可靠性、抗风险能力和实时性。

基于卸载策略的物联网边缘计算任务调度优化

移动边缘计算(Mobile Edge Computing,MEC)通过将计算任务卸载到边缘服务器,为用户提供了低延时、低能耗的服务,解决了传统云计算的不足。在移动边缘计算中,如何进行卸载决策是提供低延时、低能耗服务的关键技术之一。除此之外,由于无线信道的带宽资源有限,不合理的带宽分配会使用户设备的能耗和延时增加,因此如何进行合理的资源分配也是边缘计算实现的关键。为联合优化时延、能耗与计算资源,本文提出了一个基于蒙特卡洛树搜索的多通道探索算法(Multi-Channel Search Algorithm based on Monte Carlo Tree Search,MCS-MCTS)。首先,以延时和能耗的成本为优化目标,将计算资源分配决策及传输功率建模决策建模为凸优化问题,采用梯度下降法求解最优传输功率分配问题,通过拉格朗日乘子法及卡罗需-库恩-塔克(Karush-Kuhn-Tucker,KKT)条件求解最优计算资源分配问题。随后,通过MCS-MCTS算法处理二进制卸载决策问题,为避免搜索结果陷入局部最优,引入模拟退火算法。数值结果表明,MCS-MCTS算法能在线性相干时间内得到接近最优的卸载决策与资源分配决策,与现有的启发式搜索算法相比,该算法可以在减少时间复杂度和提高系统能量有效性的同时,达到接近最优的性能。

边缘计算中支持分簇编排的应用缓存方法研究

移动边缘计算通过在距离终端更近的位置提供计算存储服务来提供更优的任务处理表现.为减少系统通信链路压力,进一步优化任务处理时延和能耗,本文首先提出了一种支持位置更新的分布式分簇编排策略,对通信区域进行分簇和簇头选取,簇头作为编排节点进行簇内管理,当有卸载任务时寻找最佳执行设备进行处理;然后基于Docker容器提出应用程序协作缓存算法,通过在存储资源丰富的设备中提前部署高频拉取的应用程序来降低任务部署延迟,从而进一步降低任务处理延迟;最后应用多接入边缘计算仿真平台进行对比实验,结果表明提出的分簇编排策略和协作缓存算法可以有效降低网络和CPU占用率,获得超低任务部署和完成时延,显著提高服务质量,并显示出强可扩展性.

基于无服务器边缘计算下的服务负载调度算法

随着边缘计算的不断发展,其在资源管理配置方面逐渐出现相关问题,无服务器计算作为一种新的方式可以有效解决边缘计算的相关问题。然而,无服务器计算不具备在分布式边缘场景中高效处理请求所需服务负载调度的能力,针对这一问题,提出了一种基于无服务器边缘计算的服务负载调度算法(service load scheduling algorithm,SLSA)。SLSA的核心是通过隐式建模充分考虑了动态变化的节点状态、负载调度器放置等影响因素来优化整体时延,然后通过改进的平滑加权轮询调度(smooth weighted round robin,SWRR)算法进行服务调度。经仿真实验分析,SLSA在资源消耗上有着明显下降,同时在单城市场景与多城市场景下均有良好的性能表现,其中在单城市场景中相对于集中式轮询调度(round robin centralized,RRC)算法提升了43.01%,在多城市场景中提升了53.81%。实验结果表明,SLSA可以有效降低资源消耗率并提升性能。

边缘计算下差分隐私的应用研究综述

为了解决传统云计算模式的延迟和带宽限制,应对物联网和大数据时代的需求,边缘计算开始崭露头角并逐渐受到广泛关注。在边缘计算环境下,用户数据的隐私问题成为了一个重要的研究热点。差分隐私技术有着坚实的数学基础,它作为一种有效的隐私保护算法,已经被广泛应用于边缘计算中,两者的结合有效缓解了隐私保护低和计算成本高的问题。首先介绍了互联网发展带来的问题,其次介绍了边缘计算的基本概念、特点和组成部分,并概括了与传统云计算相比的优势,然后对差分隐私的基本概念和原理进行了概括,进而详细阐述了差分隐私的3种扰动方式和常用的实现机制,最后对边缘计算下差分隐私的应用研究进行了综述,并指出了未来的研究方向。总之,将差分隐私技术应用于边缘计算场景对隐私保护和数据分享都是一种有效保护手段。

移动边缘计算中基于图到序列深度强化学习的复杂任务部署策略

借助于移动边缘计算(MEC)和网络虚拟化技术,可使移动端将执行各类复杂应用所需的算力、存储和传输等资源需求就近卸载至边缘服务节点,从而获得更高效的服务体验。面向边缘服务商,研究其在进行复杂任务部署时所面临的能耗优化决策问题。首先将复杂任务部署于多个边缘服务节点的问题建模为混合整数规划(MIP)模型,然后提出了一种融合图到序列的深度强化学习(DRL)求解策略。该策略通过基于图的编码器设计提取并学习子任务间潜在的依赖关系,从而根据边缘服务节点的可用资源状态及使用率自动发现任务部署的通用模式,最终快速获得能耗优化的部署策略。在不同的网络规模中,将所提策略与具代表性的基准策略进行了全面对比。实验结果表明,所提策略在任务部署错误率、MEC系统总功耗和算法求解效率等方面均显著优于基准策略。