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。

基于千兆光网+MEC边缘计算实现云-网-端融合协同的智慧工厂创新组网设计

随着“工业4.0”规划、《中国制造2025》以及《“十四五”规划纲要》的不断推进,制造业整体正逐步向着自动化、数字化、智能化方向转型升级。在高端装备制造业中,我国仍然处在世界较低水平,亟待更多的数字化技术投入来提升盈利水平。而传统的工厂组网技术和组网架构在时延、带宽、抖动、丢包率、安全保密等方面均无法得到保证,本文创新提出基于千兆光网+MEC边缘计算实现云-网-端融合协同的智慧工厂创新组网设计,可助力智能制造中自动化生产迈向数字化、柔性化、智能化和高度集成化,并为智慧制造提供了有力的网络保障,对提升我国制造行业未来核心竞争力具有一定的指导意义。

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。

MEC构建面向5G网络构架的边缘云

从5G的应用需求出发,分析出MEC是5G的网络架构演进方向,接下来介绍MEC的部署场景、MEC的主要功能以及MEC的关键技术,最后介绍华为的MEC解决方案。

MEC在5G无线接入网中的应用

在5G时代,低时延通信已成为实现高效数据处理和实时服务的关键需求。移动边缘计算技术通过将计算资源和服务部署在网络边缘,显著减少数据传输时间和延迟。详细探讨移动边缘计算(Mobile Edge Computing,MEC)技术在5G无线接入网中的应用,包括MEC的任务卸载与调度策略、与网络切片技术的结合以及与软件定义网络/网络功能虚拟化(Software Defined Network/Network Functions Virtualization,SDN/NFV)技术的协同,实现5G网络的低时延通信。

5G典型业务场景MEC部署方案研究及应用

5G三大业务场景对网络的带宽、时延和服务质量等有不同需求,MEC(移动边缘计算)能满足5G网络中差异化业务共存需求。文章研究MEC的关键技术和总体架构,并结合5G MEC的部署原则,给出5G MEC部署方案建议,包括:部署架构、接入方式及部署位置等,提出针对目前典型业务场景的MEC部署方案。最后分析和展望MEC的商用部署,为5G MEC的部署规划提供合理化建议。

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。

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。

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。