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。

基于MEC的5G边缘UPF部署策略与性能评估

本文探讨了基于移动边缘计算(MEC)的5G网络中用户平面功能(UPF)的优化部署策略。通过在边缘设备密集区部署UPF,旨在缩短数据传输距离,降低网络延时,提升网络性能和用户体验。由此提出了一种评估模型以考察这种部署策略对网络性能的影响,并通过大量的仿真实验进行验证。实验结果表明,与传统的5G UPF部署方式相比,基于MEC的边缘UPF部署策略显著提高了网络的吞吐量,并降低了端到端的数据传输延时。同时,边缘UPF部署策略也有利于减少核心网络的负载,进一步提升网络整体性能。研究结果为5G网络的UPF优化部署提供了理论依据和实际操作的参考。

预测性维护任务计算卸载与资源分配联合优化

针对预测性维护(predictive maintenance,PdM)人工参与资源调配的问题,提出了一种基于改进人工蜂群算法(artificial bee colony,ABC)的计算卸载和资源分配方案。该方法利用遗传算法的进化思想,改进了侦察蜂的搜寻步骤,解决了传统人工蜂群算法容易陷入局部最优解、多样性不足等缺点,能够根据设备故障率生成维护成本最低的资源分配方案。仿真实验结果表明,该算法较其他算法收敛速度更快、收敛质量更高、减少维护成本更明显,能够有效解决PdM场景的计算卸载和资源分配问题。

一种面向随机计算卸载的两层无人机能耗优化方法

当物联网设备(Internet of Things Device,IoTD)面临随机到达且复杂度高的计算任务时,因自身计算资源和能力所限,无法进行实时高效的处理。为了应对此类问题,设计了一种两层无人机辅助的移动边缘计算(Mobile Edge Computing,MEC)模型。在该模型中,考虑到IoTD处理随机计算任务时的局限性,引入多架配备MEC服务器的下层无人机和单架上层无人机进行协同处理。为了实现系统能耗最优化,提出了一种资源优化和多无人机位置部署方案,根据计算任务到达的随机性,应用李雅普诺夫优化方法将能耗最小化问题转化为一个确定性问题,应用差分进化(Differential Evolution,DE)算法进行多次变异、交叉和选择取得无人机的优化部署方案;采用深度确定性策略梯度(Depth Deterministic policy Gradient,DDPG)算法对带宽分配、计算资源分配、传输功率分配和任务卸载分配进行联合优化。实验结果表明,该算法相较于对比算法系统能耗降低35%,充分验证了其可行性和有效性。

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。

基于边缘计算与区块链的车载计算资源智能调度研究

随着车联网(IoV)的快速发展及部署,用户对网络服务质量的要求也随之提高。车联网数据计算作为网络服务的重要内容之一,越来越受到关注。移动边缘计算(MEC)作为一种允许车辆将计算任务卸载到车联网系统边缘服务器的技术,能够有效降低计算时延,提升数据处理效率。然而,车联网的数据流量日益增加,导致边缘计算设备的需求量大幅提高且存在数据安全可靠性问题。对此,本文面向车联网中移动车辆计算卸载的场景,提出一种基于区块链的停放车辆辅助计算的系统模型。通过联合考虑服务器计算资源、车辆机动性等条件,利用深度强化学习(DRL)对计算卸载和资源分配策略进行优化,减少系统能耗和数据传输时延,并提高区块链系统的交易吞吐量。仿真结果表明,本文所提优化方法可以有效提升系统性能,同时具有良好的收敛性能和稳定性。

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。

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NOMA的超密集网络中资源分配与计算卸载

针对移动边缘计算(MEC)中计算卸载的通信资源有限和任务完成时间难以保证的问题。在论文中,将非正交多址接入技术(NOMA)应用到超密集网络中,并提出了一个联合计算卸载和资源分配方案,以最大限度地降低任务完成时间,提高系统卸载收益。首先,用匹配联盟方法和二分法解决资源分配问题。然后,基于资源分配的结果,提出了一种计算卸载决策算法,以获取最优的任务卸载方案。通过与其他方案相比,论文所提出的方案能够显著地提高系统地卸载收益。

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。

边缘计算:新型计算范式综述与应用研究

科学技术的快速发展,使万物互联设想不再仅仅停留在人们的概念中。随着接入无线网的智能设备数量的快速增长,边缘数据量已达到ZB级别,给核心网络带宽造成巨大压力;与此同时,无人驾驶、位置识别、增强现实、虚拟现实等众多新兴应用的出现对网络延迟、抖动、数据安全等提出了更高的要求。传统云计算在以上方面表现乏力,于是边缘计算(EC)应运而生。边缘计算能够在网络的边缘提供轻量级的云计算和存储能力。对边缘计算的最新研究成果和应用进行了详尽的回顾。首先综述边缘计算和云计算的概念并对比分析边缘计算的优势,指出边缘计算发展的必然性和时代趋势;然后针对典型边缘计算架构和平台进行了全面的综述,并讨论了网络性能优化、视频缓存、购物车视图刷新和网络视频直播等边缘计算中的典型应用案例。最后,从边缘计算服务管理、应用移动性管理、计算资源管理、数据管理等四方面,展望了边缘计算的开放式研究挑战和未来的发展趋势,希望能给从事边缘计算的科研工作者带来启发。

移动边缘计算中的低能耗任务卸载决策算法

移动边缘计算(mobile-edge computing,MEC)中,除了考虑智能移动设备(smart mobile devices,SMD)的能耗,还应考虑微蜂窝基站处理任务的能耗。为了有效降低微蜂窝基站处理任务的能耗,文章提出了一种任务卸载决策算法(task-offloading decision algorithm,TDA)。该算法能够实时地根据卸载到微蜂窝基站上任务的紧急度做出任务卸载的决策,确定卸载任务分片的数据量,联合微蜂窝基站无线通讯范围内的其他基站协作处理任务,有效降低整个处理任务的能量消耗。实验结果表明,在100个微蜂窝基站构成的蜂窝网络中,TDA可以降低蜂窝网络31%~36%的能耗。

任务迁移的移动边缘计算系统中资源分配和任务卸载策略

针对在任务卸载时由于设备的移动而导致任务迁移这一问题,将任务卸载过程建模为马尔科夫决策过程,并通过优化资源分配和任务卸载策略,解决基于联合时延和能耗的损耗函数最小的优化问题。首先将问题转化为最小化损耗函数之和,并在决策前对每个任务的传输功率采用二分法进行优化,然后基于获得的传输功率提出一种QLBA(Q-learning Based Algorithm)来完成卸载决策。仿真结果证实所提方案优于传统算法。

超密集网络中基于MEC的动态任务卸载方案

超密集网络(Ultra-dense Network,UDN)中集成移动边缘计算(Mobile Edge Computing,MEC),是5G中为用户提供计算资源的可靠方式,在多种因素影响下进行MEC任务卸载决策一直都是一个研究热点。目前已存在大量任务卸载相关的方案,但是这些方案中很少将重心放在用户在不同条件下的能耗需求差异上,无法有效提升用户体验质量(Quality of Experience,QoE)。在动态MEC系统中提出了一个考虑用户能耗需求的多用户任务卸载问题,通过最大化满意度的方式提升用户QoE,并将现有的深度强化学习算法进行了改进,使其更加适合求解所提优化问题。仿真结果表明,所提算法较现有算法在算法收敛性以及稳定性上具有一定提升。

移动边缘计算网络中的资源分配与定价

移动边缘计算(mobile edge computing,MEC)使移动设备(mobile device,MD)能够将任务或应用程序卸载到MEC服务器上进行处理.由于MEC服务器在处理外部任务时消耗本地资源,因此建立一个向MD收费以奖励MEC服务器的多资源定价机制非常重要.现有的定价机制依赖于中介机构的静态定价,任务的高度动态特性使得实现边缘云计算资源的有效利用极为困难.为了解决这个问题,我们提出了一个基于Stackelberg博弈的框架,其中MEC服务器和一个聚合平台(aggregation platform,AP)充当跟随者和领导者.我们将多重资源分配和定价问题分解为一组子问题,其中每个子问题只考虑一种资源类型.首先,通过MEC服务器宣布的单价,AP通过解决一个凸优化问题来计算MD从MEC服务器购买的资源数量.然后,MEC服务器计算其交易记录,并根据多智能体近端策略优化(multi-agent proximal policy optimization,MAPPO)算法迭代调整其定价策略.仿真结果表明,MAPPO在收益和福利方面优于许多先进的深度强化学习算法.

融合边缘计算与区块链的工业互联网资源优化配置研究

随着通信网络技术的发展,工业互联网技术及其应用日益成熟。然而,工业互联网中对数据的安全性和隐私性需求为传统工业互联网架构带来前所未有的挑战。区块链技术作为极具发展前景的新技术之一,已被应用于工业互联网系统中。但是,当前基于区块链的工业互联网系统中仍存在一些亟待解决的问题,设备处理计算任务产生能耗较大,区块链中共识过程效率偏低,系统中存在严重的计算开销。针对上述问题,本文在工业互联网架构中引入移动边缘计算(MEC)技术,提升设备处理计算任务的能力和区块链节点的共识效率。同时,充分考虑工业互联网系统的设备能耗和计算开销。综上,本文提出一种融合边缘计算和区块链的工业互联网资源分配优化方法,以减少系统设备能耗和计算开销为目标,并将此优化问题构造为马尔可夫决策过程(MDP),系统中的卸载决策、区块尺寸和计算服务器均可动态调整和选择。根据优化场景的高动态、多维度特点,本文采取深度强化学习方法优化求解所提问题。通过仿真验证,相比于其他现有方法,本文所提方法可有效提升系统性能。

移动边缘计算增强的超密集网络上行传输性能分析与基站配置设计

在引入移动边缘计算(MEC)技术的超密集网络(UDN)中,网络性能受无线传输链路质量和基站计算资源部署的共同影响。本文以小型基站接收干扰信号的统计特性分析为基础,对UDN与MEC结合场景的上行空间遍历容量进行分析,并根据空间业务强度和小基站计算服务排队系统的稳定性约束关系,进行小基站配置设计。首先,采用空间泊松点过程对干扰源用户分布进行建模,同时考虑无线信道的多天线与小尺度衰落特性,以小基站部署密度为变量分析上行用户信干比的统计特性及变化规律;然后,根据排队论计算空间业务强度与MEC服务器计算能力之间的约束关系;最后,采用数值仿真验证了信干比与基站密度关系分析的正确性,得出了空间遍历容量的收敛趋势,并给出了小基站与MEC服务器配置设计的例子。

5G边缘计算和网络切片技术

本文通过对5G网络边缘计算技术的阐述,详细分析了边缘化计算的接入网络切片。5G边缘计算和网络切片技术是当前移动网络发展中的重要技术,该技术具有十分显著的优势,故而在5G技术的发展中值得被广泛应用。