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。

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.

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%.

“边缘计算+”技术赋能智慧图书馆建设研究

多元技术发展下,单一性的边缘计算将难以满足智慧图书馆数字化转型、智能化服务、资源整合共享、人机交互和服务创新等差异化应用需求,而“边缘计算+”技术为智慧图书馆的建设和发展提供了新的应用方向。论文通过文献分析法探讨技术赋能智慧图书馆建设研究现状,在结合“边缘计算+”技术的基础上,构建“边缘计算+”技术下智慧图书馆的理论与应用模型,并给出应用场景及未来发展趋势。“边缘计算+”技术能够为智慧图书馆带来高效的资源管理、智能的服务提供和数据分析能力,从而构建出更加智能、便捷、协同的图书馆生态体系,为未来智慧图书馆建设提供了坚实的技术支撑和发展方向。

无人机辅助边缘计算安全通信能力最大化方案

针对无人机辅助移动边缘计算系统下用户信息容易泄露的问题,设计了一种基于非正交多址接入技术(Non-orthogonal Multiple Access,NOMA)的无人机辅助边缘计算系统的安全通信方案。在保证每个地面用户的最小安全计算要求下,通过联合优化信道系数、发射功率、中央处理单元计算频率、本地计算和无人机轨迹来最大化系统的平均安全计算能力。由于窃听者位置的不确定性、多变量的耦合以及问题的非凸性,利用逐次凸逼近和块坐标下降方法来解决该问题。仿真结果表明,与基准方案相比,所提方案在系统安全计算性能方面优于基准方案。

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。

基于工作流的无服务边缘计算框架设计与实现

边缘计算具有高性能、体积小、计算力超强等优点。但云设计的边缘计算函数链存在调用时延较长的问题,导致大规模部署和存储能力以及云端和设备端协同困难、无缝对接效果较差。为解决上述问题,基于开源无服务平台OpenFaaS设计了一个无服务边缘计算框架(SECP),为边缘侧提供基于无状态函数的计算服务。对计算服务调用过程采用建模分析,采用了工作流模型对为云设计的无服务计算在边缘侧存在的函数链式调用时延放大的问题改进。性能测试结果表明,SECP在边缘计算场景下有良好的性能表现,降低了边缘计算平台中服务请求的响应时间,解决了无服务计算函数功能单一问题,提高了边缘侧资源的利用率,并改善了边缘侧计算服务部署、维护繁杂的问题。

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。

低地球轨道卫星边缘计算场景中任务卸载与资源分配联合优化算法

针对低地球轨道(LEO)卫星边缘计算场景中地面用户计算任务的卸载需求,提出联合卸载与资源分配优化(JORAO)算法。考虑到LEO卫星的有限覆盖时间,以最小化所有地面用户的平均服务时延为目标,联合优化卸载策略、LEO卫星的通信和计算资源分配。将任务卸载与资源分配的联合优化问题分解为卸载决策和资源分配子问题,使用交替优化方法,获得原始优化问题的次优解。对于任务卸载决策子问题,将其建模为联盟博弈模型,当博弈达到纳什均衡时,获得最小化平均服务时延的地面用户卸载策略;对于资源分配子问题,使用拉格朗日乘子法获得最优的通信和计算资源分配结果。此外,还证明了所提算法的收敛性和稳定性。仿真结果表明,所提算法具有良好的收敛性,能显著降低地面用户的平均服务时延和提高任务卸载成功率。

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。

基于混合策略博弈的无人机辅助移动边缘计算任务卸载

在单无人机辅助的移动边缘计算系统中,为使无人机能服务于大区域中的所有用户设备,可将大区域分成多个子区域,并设定无人机以固定路线在各个子区域间飞行来为用户设备提供计算服务。考虑到用户设备计算资源较匮乏且无人机覆盖区域外的用户可选择移动至覆盖区域内进行任务卸载以最大化自身效用,可将用户设备的部分卸载问题转化为每个用户设备的效用最大化问题,并利用混合策略博弈和子模博弈来分别确定用户设备的移动概率和卸载数据量,从而得出最优卸载策略,且分别证明了混合策略纳什均衡和纯策略纳什均衡的存在性。仿真结果表明,所提方案与MBO(Binary Offloading Based on Mixed Strategy Game)等经典方案相比可有效提高用户设备的效用,并验证了其收敛性和稳定性。

船舶主机边缘计算设备设计与实现

随着信息技术的发展以及智能船舶规范的完善,智能船舶虽未成熟但也得到迅速发展。而智能化最需要数据、算法和计算能力这三方面内容。船舶主机作为动力来源,其状态监测和故障诊断所需的高采样率信号会带来数据量庞大、传输链路带宽不足等问题。因此,设计一种集数据采集、船舶主机信号数据特征分析、网络通讯等功能一体的主机边缘计算设备,并完成了边缘设备与边缘服务平台之间的数据交互和与物联网平台的测试。实验结果表明,船舶主机边缘计算设备可以准确采集数据并进行数据预处理,并通过TCP协议上发,一定程度上减轻了本地及云端计算设备的计算压力,为后续的健康监测或故障诊断等数据分析流程提供了实时准确的数据来源。

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。

边缘计算在电力系统供需互动应用的研究进展与展望

供需互动通过电力系统需求侧与供应侧的信息交互可构建灵活的能源调控体系,是实现电力系统高效经济运行的可靠保障,是新型电力系统的重要特征。随着电力物联网的不断发展,电力系统供需终端所产生的数据量急速上升,传统的云计算架构难以适应海量数据处理需求的增长。作为一种新兴的计算范式,边缘计算通过边缘侧具备一定计算能力的设备在数据源附近就近处理部分数据,具有低时延、高效率和分布式的特点。通过将边缘计算应用到电力系统供需互动领域,可以有效提高供需互动的效率,提升数据的安全性,增强互动的灵活性。文中首先总结了边缘计算在电力系统中的发展现状,然后阐述了边缘计算应用于供需互动领域的关键技术,最后对边缘计算与供需互动在未来进一步的研究前景进行了展望。

移动边缘计算场景下针对资源竞争的服务迁移优化方法

针对移动边缘计算(MEC)场景中边缘服务器资源受限导致服务迁移存在资源竞争的问题,基于Lyapunov技术和博弈论,提出了一种针对资源竞争的服务迁移优化方法OMRC-LG。考虑到系统迁移成本有限且当用户数量过多时难以进行轨迹预测,将服务迁移问题建模为迁移成本约束下的最优化问题,并利用Lyapunov技术将最优化问题转化为不需要预测用户轨迹的在线问题处理。为了缓解资源竞争,提出了一种基于博弈论的分布式方法求解在线问题,通过共享用户服务迁移决策以获取准确的边缘服务器可用资源,并不断更新迁移决策,实现服务迁移优化。仿真结果表明,OMRC-LG方法在满足迁移成本约束的同时,降低了平均服务时延。

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。

基于李雅普诺夫的RIS辅助无人机边缘计算网络中任务卸载与资源分配研究

针对无人机(UAV)面对复杂时变的衰落信道对无线传输造成不利影响这一问题,构建了可重构智能表面(RIS)辅助UAV边缘计算网络中UAV轨迹、RIS相移、卸载时隙分配、CPU频率分配和用户设备(UE)传输功率的联合优化问题。为了求解构建的问题,对UE和UAV的任务队列稳定性约束进行转化,将多时隙随机性优化问题转化为每个时隙的确定性优化问题,提出了基于李雅普诺夫优化和块坐标下降(BCD)法的任务卸载与资源分配(JORL)方法。首先基于三角不等式求解RIS相移并求得闭合表达式;然后使用非凸转凸问题的技术求解卸载时隙分配、CPU频率分配和UE传输功率;最后基于连续凸近似方法求解UAV轨迹。仿真结果表明,JORL在保证任务队列稳定性和降低能耗方面有较优越的性能。