无人机辅助MEC系统中基于最优SIC顺序的能耗优化方案

在基于上行非正交多址接入(NOMA)的无人机(UAV)辅助移动边缘计算(MEC)系统中,NOMA的连续干扰消除(SIC)顺序已成为限制上行任务卸载链路传输性能的瓶颈,为降低系统能耗,对SIC顺序进行了讨论,提出了联合信道增益与任务时延约束的最优SIC顺序。在满足设备给定任务时延、设备最大发射功率约束以及UAV轨迹的约束下,基于最优SIC顺序提出了最小化系统能耗的问题。由于该问题是个复杂的非凸问题,采取交替优化的方法求解该优化问题,以实现功率分配和UAV轨迹的优化;利用匹配理论,提出了低复杂度算法来得到不同时隙的最优设备分组。仿真结果表明,与其他SIC顺序相比,最优SIC顺序能够在相同的任务时延约束下实现更小的系统能耗;所提的低复杂度设备分组算法能够得到最优设备分组。

MSs-MEC中基于DRL的服务缓存和任务迁移联合优化算法

多服务移动边缘计算(multiple-services mobile edge computing,MSs-MEC)能根据需求自适应调整服务缓存决策,使得部署在用户侧的边缘服务器能够灵活处理不同服务类型的任务。但在实际应用中,特定类型任务的成功迁移依赖于服务环境的提前安装。此外,同时进行任务迁移和服务缓存可能会因时间冲突而导致计算延时。因此,针对上述相关问题,首先将任务迁移和服务缓存决策进行解耦,针对深度强化学习(deep reinforcement learning,DRL)在具有高维的混合决策空间的性能提升不明显的缺点(例如资源分配时利用率不高),将DRL与Transformer结合,通过在历史数据中学习,输出当前时隙的任务迁移决策和下一时隙的任务决策,保证任务到达边缘服务器时能立即执行。其次,为了提高资源分配问题中的资源利用率,将问题分解为连续资源分配问题和离散的任务迁移与服务缓存问题,利用凸优化技术求解资源分配最优决策。广泛的数值结果表明,与其他基线算法相比,提出的算法能有效地减少任务的平均完成时延,同时在资源利用率和稳定性方面也有优异的表现。

5G+MEC承载车联网业务传输性能测试与验证

车联网产业正在快速发展,车路协同应用会在交通安全、效率和便利性等方面对日常交通出行产生积极的作用。5G作为LTE-V2X的重要补充,用于连续覆盖补盲、业务融合使能、兼容多种车载终端,在未来较长时间内,5G与LTEV2X将共同承载车联网业务。鉴于此,文中进行了5G承载车联网业务的性能测试与验证,在测试中模拟车联网应用的业务模式,通过5G网络传输并在MEC进行结果统计。重点关注单向时延、抖动、丢包率等网络指标,探索5G承载车联网业务的最佳模式。

多用户MIMO-MEC网络中基于APSO的任务卸载研究

在移动边缘计算(Mobile Edge Computing,MEC)系统中引入多输入多输出(Multiple Input Multiple Output,MIMO)技术与数据压缩技术,能够降低数据冗余度和提高数据传输速率,从而降低任务的执行时延与能耗。针对具备数据压缩功能的多用户MIMO-MEC网络,研究了多用户任务卸载问题。通过联合优化任务卸载比例、数据压缩比例、发送功率、计算频率和信道带宽,来最小化系统总时延。在能耗、功率和带宽等约束条件下,将任务卸载归纳为一个非凸优化问题。由于能耗约束较为复杂,构造罚函数将其归并,得到一个相对简单的等价问题。将所有优化变量视为一个粒子,基于自适应粒子群优化(Adaptive Particle Swarm Optimization,APSO)框架提出多用户的任务卸载方法。由于粒子更新时可能违反约束条件,提出的方法对粒子越界的情形进行了特别处理。该方法能自适应地调整惯性权重来提高寻优能力和收敛性,通过不断迭代最终获得最优或者次优解。仿真实验评估了所提卸载方法的性能,分析了用户数、任务计算强度等参数对系统性能的影响。结果表明,提出的方法优于本地计算、传统粒子群优化(Particle Swarm Optimization,PSO)算法等对比方案,能够有效降低系统的任务执行时延。

电力物联网中基于SCMA-MEC的最优功率分配与卸载决策

在电力物联网(Power Internet of Things, PIoT)中,移动终端设备接入会产生大量的异构数据,给通信信道及中央存储计算系统带来巨大压力,对系统的稳定性和能源消耗带来了挑战。为应对这一挑战,提出了基于稀疏码多址接入(Sparse Code Multiple Access, SCMA)技术的移动边缘计算(Mobile Edge Computing, MEC)的异构网络优化方案。为了最小化系统总开销,考虑了在资源受限的情况下设备的能源消耗和计算资源分配,提出了基于最优功率分配的联合随机码本分配的算法,实现移动终端设备能耗最小化。通过构建约束多目标优化问题的数学模型,设计了一种基于帕累托前沿的多目标鲸鱼优化算法(Pareto Frontier-Multi Objective Whale Optimization Algorithm, PF-MOWOA)用于任务卸载。仿真结果表明,在满足能耗和时延的约束条件下,所提算法相较于其他算法具有更低的系统总能耗,且联合任务卸载优化算法可以进一步降低系统的总开销。

无人机辅助MEC系统中面向用户公平性的三维部署和卸载优化

针对无人机辅助移动边缘计算系统存在的用户公平性不足问题,本文提出了一种面向用户公平性的三维部署和卸载优化算法.该算法综合考虑用户匹配、无人机三维部署、计算资源分配、卸载因子对系统总时延及用户公平性的影响,建立了一个最小化系统总时延的多元优化问题,并针对该问题提出了一种两阶段联合优化算法,其中第1阶段使用带有平衡约束的聚类算法解决用户匹配和无人机的水平部署问题,第2阶段使用凸优化算法迭代求解无人机高度部署,资源分配和卸载因子优化问题.实验结果表明,与4种基准算法相比,所提算法在系统总时延和用户公平性两方面具有更好的性能.

初始pH调控对MEC脱硫性能的影响及其微生物作用机制

采用微生物电解池(MEC)工艺,在阳极电活性微生物的协同作用下实现硫化物的脱除,是沼气脱硫新工艺和研究热点。针对长期运行的脱硫MEC工艺,由于非特异性阳离子竞争使阳极产生的质子向阴极转移受阻,造成MEC脱硫效率低、稳定运行难,本研究采用不同初始pH调控脱硫MEC的质子平衡,通过脱硫性能、电化学性能和微生物动力学解析,阐明pH调控对MEC脱硫性能的影响和微生物作用机制。结果表明,初始pH在7~9时均可形成稳定且具有高效脱硫功能的阳极生物膜,最大电流密度相近,脱硫效率均达95%以上,COD去除率80%以上。与初始pH为8、9相比,初始pH为7时,脱硫过程pH波动最小,MEC运行稳定,S^(2-)去除最高达100%;阳极生物膜的氧化还原峰最显著,质子与电子转移速率加快;优势微生物Thiomonas与Desulfovibrio丰度更高,主要参与硫化物的氧化脱除。可见,通过脱硫MEC阳极室初始pH的调控,可有效提高MEC脱硫工艺性能和运行稳定性,为沼气微生物电化学脱硫的应用提供技术支撑。

面向车联网的MEC跨域协同技术研究

车联网跨域协同技术是多接入边缘计算(Multi-Access Edge Computing, MEC)和蜂窝车联网(Cellular Vehicle to Everything, C-V2X)融合场景中的重点研究内容,涉及到安全类、效率类、协作类、视频类、信息服务类跨域协同交互场景,每类场景都涉及MEC跨域流程及跨域过程中的上下文规范。目前国际上面向车联网的MEC跨域协同技术处于起步发展阶段,ETSI、5GAA等组织尚未制定比较完善的国际标准。以当前主流车联网边缘计算系统架构为基础,着重开展各类车联网场景应用层基于MEC的跨域需求、交互迁移流程及上下文规范等研究。

IRS辅助供能的多用户MEC系统性能研究

在物联网(IoT)场景中,边缘服务器可有效缓解IoT设备计算能力有限的问题,如何保证IoT设备的能量供应成为研究热点之一.无线能量传输(WPT)与移动边缘计算(MEC)的组合是一种解决方案,但混合接入点(HAP)与IoT设备之间不能保证总是存在直连链路.为了处理这个问题,考虑利用智能反射表面(IRS)辅助无线能量传输与任务卸载.在多用户MEC系统下,当IoT设备采用二进制卸载时,联合能量传输时间优化、卸载决策以及调度顺序以求得最小系统处理时延问题是一个混合整数非凸问题.考虑HAP与IoT设备之间的信道差异,采用一种两层交替迭代的算法,并利用MEC的计算能力最小化系统处理时延.实验结果表明,所用方法收敛快,能有效缩短系统处理时延,在IRS的辅助下能明显提升系统性能.

基于5G+MEC的PLC架构设计与工业制造应用探索

工业控制是工业生产的核心环节,是实现大规模自动化生产的基础。5G网络与制造体系的深度融合创新,推动了新型工业化的新工业革命。PLC是现代工业控制系统的典型代表,5G+PLC是工业控制系统智能化变革的关键切入点。PLC是工业自动化的核心组成部分,5G与PLC的融合将实现组网架构、部署形式、关键功能的变化,实现更便捷、更经济、更可靠的工业控制。文中探索了5G+PLC的实践,给出了5G+PLC赋能行业数字化转型的解决方案,提出了不同控制模型下对5G网络的性能要求及网络部署方案。

基于MEC-BP神经网络的臧湾东河特大桥施工挠度监测研究

为提高特大桥施工挠度预测准确度,以臧湾东河特大桥为研究对象,采用MEC-BP神经网络模型对大桥施工挠度进行预测,并将预测值与数值模拟值和实测值进行对比。结果表明:现场实测值与MEC-BP模型预测值相差较小,MEC-BP模型在训练样本上表现出很好的准确性;MEC-BP模型的性能明显优于传统BP模型,在挠度预测方面具有更高的效率和精度,平均误差都小于5 mm。借助MEC算法实现对传统BP模型参数的全局优化,能够提高桥梁结构力学行为预测能力,为连续梁桥施工过程中的结构安全问题提供了有效解决方案。

面向智能电网的融合通信MEC卸载策略

随着智能电网系统中移动终端的增加,其对传输数据低时延、大带宽和高可靠性的需求尤为紧迫。为解决其中无线传输、信息处理和可靠性不足等问题,文章采用“切片分组网(sliced packet network,SPN)+可信无线局域网(wireless local area network,WLAN)”通信新技术网络架构,建立多种移动终端设备安全无线传输和计算任务卸载的总时延优化卸载模型,提出一种基于交替优化技术的算法。仿真结果表明,该策略不仅保证设备安全高效地接入网络,还可显著降低传输时延,具有优异的成本效益。

基于SOAR的电力5G MEC安全解决方案

5G技术与MEC技术的融合为电力行业的升级转型提供了有力的支撑,但电力5G MEC采用了新型架构和部署,传统的安全防护措施无法有效应对新环境下出现的各类安全威胁和挑战。为此,提出一种基于安全编排自动化与响应技术的电力5G MEC安全解决方案。依据智能电网业务在接入的高开放性、异构终端连接的海量性、业务的低延时性和威胁处理的低干预性四个方面的安全需求特征,针对终端安全威胁、APP安全威胁、接入安全威胁和威胁处置不及时等问题,提出将SOAR组件引入5G MEC,实现威胁情报收集、安全事件响应编排和执行自动化;并设计云边、边边协同的层级MEC部署方案,提供整体联动的安全保障。仿真实验结果表明,所设计的方案可以依据剧本快速灵活部署,反应时间短,可有效抵御常见攻击。

基于深度强化学习的IRS辅助NOMA-MEC通信资源分配优化

为了解决无法与边缘服务器建立直连通信链路的盲区边缘用户卸载任务的问题,设计了一个基于深度强化学习(deep reinforcement learning, DRL)的智能反射面(intelligent reflecting surface, IRS)辅助非正交多址(non-orthogonal multiple access, NOMA)通信的资源分配优化算法,以获得由系统和速率和能源效率(energy efficiency, EE)加权的最大系统收益,从而实现绿色高效通信。通过深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法联合优化传输功率分配和IRS的反射相移矩阵。仿真结果表明,使用DDPG算法处理移动边缘计算(mobile edge computing, MEC)的通信资源分配优于其他几种对比实验算法。

无人机辅助MEC车辆任务卸载与功率控制近端策略优化算法

无人机(UAVs)辅助移动边缘计算(MEC)架构是灵活处理车载计算密集、时延敏感型任务的有效模式。但是,如何在处理任务时延与能耗之间达到最佳均衡,一直是此类车联网应用中长期存在的挑战性问题。为了解决该问题,该文基于无人机辅助移动边缘计算架构,考虑无线信道时变特性及车辆高移动性等动态变化特征,构建出基于非正交多址(NOMA)的车载任务卸载与功率控制优化问题模型,然后将该问题建模成马尔可夫决策过程,并提出一种基于近端策略优化(PPO)的分布式深度强化学习算法,使得车辆只需根据自身获取局部信息,自主决策任务卸载量及相关发射功率,从而达到时延与能耗的最佳均衡性能。仿真结果表明,与现有方法相比较,本文所提任务卸载与功率控制近端策略优化方案不仅能够显著获得更优的时延与能耗性能,所提方案平均系统代价性能提升至少13%以上,而且提供一种性能均衡优化方法,能够通过调节用户偏好权重因子,达到系统时延与能耗水平之间的最佳均衡。

基于MEC-UAV的海域物联网设备的覆盖优化算法

为增强对海域物联网(MIoT:Maritime Internet-of-Things)设备的覆盖,提出基于移动边缘计算(MEC:Mobile Edge Computing)的无人机(UAV:Unmanned Aerial Vehicle)部署的MIoTs的覆盖优化算法(UMCO:MEC-UAV-based Coverage Optimization algorithm)。UMCO算法通过部署配备MEC-UAV,从而满足日益增加MIoTs的覆盖需求,提升网络增益。先将MEC-UAVs的部署以及其关联的MIoT设备问题形成联合问题,并将其转换成线性规划问题,最后利用基于Bender分解法的迭代算法求解该线性规划问题。仿真结果表明,该UMCO算法能获取逼近穷尽搜索算法的最优解。

IoT-MEC网络中服务功能链主动重构方法

在移动边缘计算的物联网(Mobile Edge Computing-enabled Internet of Things Networks,IoT-MEC)中,物联终端的高移动性、服务请求的随机到达性以及网络流量的实时变化,导致原有应用场景下的资源配置与服务部署不再完全匹配。如何有效利用网络提供的资源以实现服务功能链(Service Function Chain,SFC)的实时部署和重构是一个重要的挑战。针对用户的高移动性和网络流量的实时变化造成的SFC性能需求和已分配资源不匹配的问题,提出IoT-MEC网络中基于用户移动和资源需求预测的SFC重构策略。建立以SFC的端到端时延和重构成本最小化为目标的整数线性规划模型;设计基于注意力机制的Encoder-Decoder移动用户轨迹预测模型和基于长短期记忆(Long Short-Term Memory,LSTM)网络的虚拟网络功能(Virtual Network Function,VNF)实例资源需求预测模型,分别准确预测用户移动轨迹和节点负载;基于预测结果提出SFC主动重构(Predict-based SFC Active Reconfiguration,PSAR)启发式算法,确保在服务质量(Quality of Service,QoS)下降之前,提前完成VNF迁移和路由更新,实现SFC的主动重构和无缝迁移,保证网络的一致性高质量服务。仿真结果表明,所提算法有效降低了SFC端到端时延和重构成本。

协同计算在多无人机MEC网络优化中的应用

为了提升多无人机移动边缘计算(MEC)网络的整体性能,本文通过介绍协同计算在多无人机MEC网络优化中的应用,详细分析了建立多无人机协同计算网络模型的过程,探讨了多种卸载模式下的优化求解方法,并对仿真结果进行了综合评估和优化。首先建立了包含无人机、地面终端以及通信链路的完整网络模型,为后续的优化工作奠定了基础。接着,针对不同卸载模式,本文采用了不同的优化算法进行求解,旨在降低系统能耗、提高任务完成效率。仿真结果表明,通过协同计算的应用,多无人机MEC网络在多种卸载模式下均能实现性能的优化,特别是在降低计算时延和提高资源利用率方面取得了显著效果。

5G+MEC在工业智能安全管控系统中的应用

安全管控是企业生产中极为重要的一环。工业互联网时代下5G、MEC、大数据、人工智能等技术是实现安全事故快速响应的重要技术,已开始应用于工业生产过程中。探讨5G+MEC在工业智能安全管控系统中的应用,构建通用边缘智能架构,提出面向智能安全管控的5G+MEC解决方案。首先分析5G+MEC应用于工业安全行业的技术优势和智能架构;然后提出面向安全管控的5G+MEC解决方案和应用体系;最后给出5G+MEC在安全管控领域的典型案例,初步研究阐述了应用方向。

基于5G MEC组网的柔性直流配电系统终端暂态稳定时序逻辑仿真分析

针对现有方法存在的判断准确性和实时性较差的问题,提出基于5G MEC组网的柔性直流配电系统终端暂态稳定时序逻辑任务调度方法,采用该方法在仿真分析时进行合理的任务调度与资源分配,在此基础上,采用马尔科夫链构建终端暂态稳定时序逻辑仿真分析模型,以获取终端全部时间段的暂态稳定时序逻辑。经测试,该方法对柔性直流配电系统终端暂态稳定时序逻辑仿真分析的误差极值均小于2,加速比均高于0.9,能够满足准确、实时的仿真分析应用需求。