一种联合边缘服务器部署与服务放置的方法

边缘计算(EC)在靠近用户的网络边缘部署边缘服务器(ES),并将服务放置在ES上,从而可以满足用户的服务需求。独立研究ES部署和服务放置问题的成果已有很多,但两者存在高度耦合关系。考虑到EC系统的收益,有必要提供付费服务,使得EC系统处理用户服务请求时会获得相应收入。同时,EC系统处理用户服务请求时会产生时延和能耗成本,为了最大化EC系统的收益,在用户服务请求和服务价格不同的约束下,需要合适的服务放置方案来提高EC系统的收益。为此,在ES与基站之间的位置关系、ES部署和服务放置之间的耦合关系、服务副本数和服务价格等约束下,提出一种包括改进的k-means算法和多智能体强化学习算法的两步方法,使EC系统的收益最大化。首先,构建一个联合ES部署和服务放置模型,其中ES部署明确考虑了基站之间的位置关系,服务放置明确考虑了ES部署的位置,以及不同的服务请求和价格;然后,基于基站的位置关系和基站的服务请求负载,通过带约束的k-means算法,在不同约束条件下分别确定最佳的ES部署位置以及ES的协作域;最后,以最大化EC系统收益为目标,通过多智能体强化学习算法在ES上放置服务。实验结果表明,与对比方法相比,所提方法能够提高收益7%~23%。

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。

基于改进人工蜂群算法的边缘服务器部署策略

作为移动边缘计算架构部署的第一步,边缘服务器的部署是基础和关键,其部署位置与用户体验和系统性能密切相关,但是目前较少有研究关注该问题。研究无线城域网中移动边缘计算环境下的边缘服务器部署问题,以最小化响应时间为目标,将边缘服务器部署问题定义为一个优化问题,并提出基于交叉的全局人工蜂群算法求解边缘服务器部署的最优解以降低系统的平均响应时间。充分的实验结果表明,所提算法能够有效降低系统响应时间,算法性能优于其他代表性部署算法。

基于成本感知的边缘服务器部署方法

针对移动边缘计算(mobile edge computing,MEC)中边缘服务器(edge server,ES)供应商的成本预算问题,建立一种以最小化时延和部署成本为目标的数学模型。通过归一化方法将其转化为单目标优化问题,提出一种基于交叉算法的鲸鱼优化算法的边缘服务器部署方法;采用精英反向学习策略构造新种群,提高种群的多样性和全局收敛速度;采用改进的非线性收敛因子平衡算法的整体开发能力和局部探索能力;利用纵横交叉策略提高算法跳出局部最优的能力。使用上海电信基站的真实数据集进行仿真,其结果表明,与其它4种算法相比,该算法在时延和部署成本方面的表现均优于其它算法,系统成本下降了42.1%。

边缘场景下面向分布式交互应用的服务器分配

移动边缘计算作为一种极具前瞻性的分布式计算范式,将云计算的计算能力下沉到网络边缘来高效地处理数据。近年来,分布式交互应用的需求激增,移动智能设备数量爆炸性增长,作为移动边缘计算的重要组成部分,边缘服务器可以使交互应用程序在用户附近执行,从而解决通信和网络开销过大和数据无法即时处理的问题。一个关键的挑战是找到一个合适的边缘服务器分配策略以有效降低交互延迟和平衡服务器工作负载。基于此目标提出了边缘服务器分配算法ESADQN,将问题建模为马尔可夫决策过程,使用强化学习有效地选择边缘服务器部署位置,并将用户分配到相应服务器。与k-means算法相比,ESADQN算法在工作负载标准差相近的情况下,总交互时延平均减少了31%;与Top-K算法相比,ESADQN算法在总交互时延相近的情况下,工作负载标准差平均减少了49%。实验结果表明,ESADQN选择的服务器分配方案能有效降低交互时延和工作负载标准差。

算力网络下的算力边缘服务器部署算法

算力边缘服务器部署问题是构建算力网络的基础性问题。在实践过程中,算力边缘服务器靠近算力资源并为其加入算力网络提供接入服务。然而,算力资源的整体结构往往由现实需求所决定,并时刻随需求的变化而变化。在算力边缘服务器资源有限的情况下,如何合理部署算力边缘服务器,使得其能够保障算力网络有效地建设已成为当前各界所关注的热点。首先,对算力边缘服务器部署问题进行分析,并将其转换为带约束的多目标优化问题。针对该问题,提出一种改进型遗传算法予以解决。该算法优点在于:寻找无重复可行解作为初始种群,为选择操作提供了更多挑选的余地;选择时,采用个体均衡选择策略,保证了迭代群体的多样化与分散化;交叉和变异时,分别采用不同种类的随机两点交叉与轮流随机单点变异的策略,从而保障了新生种群的多元性与多样性。实验从算力资源总量偏差率、负载平衡误差率、收敛率、期望最优解误差率四个方面验证,该算法适合应用于算力边缘服务器的部署。

移动边缘计算中基于混合人工蜂群算法的计算卸载策略

计算卸载是移动边缘计算(Mobile Edge Computing,MEC)中的关键技术.针对多用户多MEC服务器场景中计算卸载策略的不足,本文提出一种混合人工蜂群算法(Artificial Reverse Sine-Cosine,ARSC).首先,使用反向学习策略初始化种群,优化种群的初始解;然后,在雇佣蜂阶段利用正余弦算法的全局最优引导信息,提升算法的局部搜索能力;最后,为了平衡算法的全局搜索能力和局部搜索能力,引入动态感知因子对算法的步长因子进行改进.仿真实验结果表明,相比基于粒子群算法的卸载策略、基于人工蜂群算法的卸载策略,ARSC策略在系统时延、系统能耗、收敛性等指标上均有所改善.

车联网中基于多智能体强化学习的边缘服务器选址策略

为解决车联网环境下边缘服务器选址难的问题,提出一种基于多智能体强化学习的边缘服务器部署策略(记为CKM-MAPPO),重点优化边缘服务器间的负载均衡,同时最小化边缘服务器的时延和能耗。首先,使用Canopy和K-means算法确定边缘服务器部署的数量和初始位置;然后,基于多智能体强化学习算法确定边缘服务器的最优部署位置;最后,通过一系列实验评估所提出算法的准确性和有效性。研究结果表明:与基准算法相比,本文提出的方法的负载均衡度提升了26.5%,时延和能耗分别降低了12.4%和17.9%。

基于用户密度和平均访问时间的边缘服务器放置方法

为解决边缘服务器放置过程中资源浪费和延迟增加的问题,对边缘服务器放置方案的用户密度和平均访问时间进行分析建模,将其描述为多目标优化问题。设计了一种基于用户密度和平均访问时间的边缘服务器放置方案,并提出了一种多目标海马遗传算法(MOSGA)解决该问题。MOSGA首先使用多目标优化算法的思想对海马优化(sea horse optimizer,SHO)算法进行改进,使SHO算法能够适用于多目标优化问题,并在此基础上使用遗传算法改进SHO算法的繁殖操作,使MOSGA能更好地跳出局部最优解,加速问题的求解。该算法在上海电信数据集上进行了实验验证,仿真实验结果表明,MOSGA明显优于RA、K-means、NSGA、LMM,不仅有效解决了服务器资源浪费的问题,同时大大降低终端设备访问服务器的时间。

车联网边缘计算场景下基于改进型NSGA-Ⅱ算法的边缘服务器部署决策

车联网环境下,边缘服务器的放置位置与部署数量直接影响到边缘计算的效率。由于在宏基站或基站上部署大型边缘服务器的成本较高,可以在微基站上部署一个小型边缘服务器作为补充,并通过优化大型边缘服务器的放置位置来降低成本。为了最小化边缘服务器的部署代价和服务延迟、最大化运营商的收入和服务器负载均衡度,把边缘服务器放置问题与车联网用户应用服务放置问题联合建模为一个多目标优化问题,并提出了基于改进型NSGA-Ⅱ算法的放置方案。实验结果表明,提出的边缘服务器放置方案能够降低约44%的边缘服务器部署成本,降低约14.2%的时延,提升24.2%的运营商收入,具有较好的应用价值。

移动边缘计算系统的双服务器协同与计算通信资源联合优化

为充分利用移动边缘计算(Mobile Edge Computing, MEC)系统的计算资源,本文设计了双MEC服务器协同与计算通信资源联合优化方案。通过建模双服务器协同多用户任务计算优化问题,以系统计算时延和用户能耗的加权和最小化为准则,优化设计多用户计算卸载发射功率和计算任务分割。提出一种较低计算复杂度的联合设计方案,将原问题解耦为计算卸载优化和计算任务分割设计的2个子问题,分别通过内点法和单纯形法实现快速数值求解。仿真结果表明,本文所提算法的系统性能优于已有启发式基准算法方案,且在较少的算法运行时间下,联合优化算法方案能取得与最优拉格朗日乘子法基准方案相同的系统性能。

基于边缘计算的人脸身份认证系统中的隐私保护技术研究

为实现正确身份认证的同时保障用户个人隐私安全,提出了基于边缘计算的人脸身份认证系统中的隐私保护技术。在人脸身份认证隐私保护系统的注册阶段,采用双随机相位加密算法对彩色人脸图像进行加密,同时利用卷积神经网络提取人脸图像特征,采用秘密分享同态技术对提取到的人脸特征向量进行加密并存储,实现其隐私保护;在认证阶段,系统会从边缘计算节点获取用户的人脸图像特征向量,协同多个边缘计算节点,采用基于秘密分享同态的隐私保护技术完成人脸身份认证,权限分配机构为认证通过用户下发访问权限。实验结果显示,该技术可有效保障用户的隐私安全,降低人脸信息泄露风险,并准确无误地完成人脸身份认证,拒绝非法访问和人脸图像窃取。

移动边缘计算网络中基于任务转移的负载均衡优化方案

针对MEC服务器之间的负载不均衡问题,论文提出了一种基于任务转移的负载均衡算法。该算法在考虑任务转移时延的前提下,确定是否将任务转移至其他MEC服务器,并在当前时隙结束时做出最优的任务转移决策。实验结果表明,提出方案的性能优于其他方案,使得MEC服务器之间的负载更加均衡。

基于深度强化学习的网络边缘计算多级卸载模型研究

网络边缘计算多级卸载模型进行卸载决策执行时,决策结果非最优结果,导致边缘计算服务器无法在规定时间内执行完所有的计算任务,对此,研究基于深度强化学习的网络边缘计算多级卸载模型,构建网络边缘计算多级卸载模型,并分析卸载模型执行所有计算任务所耗用的能量和时间;结合强化学习的决策能力和深度学习的感知能力得到强化学习算法,将强化学习算法与实际边缘计算环境相结合,构建马尔科夫决策过程模型,得到调度计算任务的最优决策结果。实验结果表明,当深度Q网络的经验池大小为512、学习速率为0.002时,该模型的收敛性能最佳;该模型可实现边缘计算任务的多级卸载,且在计算任务传输速度和边缘计算服务器中CPU运行速度不同时,仍具有良好适应性。

面向能耗优化和负载均衡的边缘服务器放置研究

当前传统的云计算模式已经无法满足用户在低延时场景下的需求,于是移动边缘计算应运而生。为使放置于同一区域内的边缘服务器能够拥有更低的总能耗和均衡的工作负载,提出面向能耗优化和负载均衡的蚁群优化放置算法ACO-ELP(Ant Colony Optimization Energy-consumption Load-balancing Placement)。首先通过构建功耗模型和负载均衡模型,对问题进行定义并将实际参数与算法变量进行对应匹配。在迭代过程中对蚁群算法进行优化,通过动态控制信息素的挥发和留存速率加快算法的迭代速度,同时控制信息素的最大最小值,以确保算法可以尽可能搜索全局最优解,不会陷入局部最优。最后利用上海地区的电信基站数据对算法进行了仿真评估,结果表明与基础放置算法相比,所提算法在减少服务器数量和能耗的同时显著降低了负载偏差值。

一种基于延迟与负载的最优边缘服务器放置方法

当前边缘服务器放置问题已成为边缘计算发展的关键环节。现有边缘服务器放置方法结合放置成本、网络延迟与系统能耗等指标进行优化,但大多数工作忽略了边缘服务器之间的负载均衡。文中以最小化边缘服务器服务延迟与负载均衡为优化目标,建立边缘服务器放置优化模型,根据该优化模型选择最佳放置位置,并提出了一种基于改进的元启发式算法的边缘服务器放置方案MIWOA-ESP,完成模型中多目标优化并确定基站到边缘服务器映射关系,给出最优放置与分配方案。最后,使用上海电信基站数据集进行性能分析。实验结果表明,与其他基准方案相比,所提MIWOA-ESP放置策略在网络延迟和服务器负载均衡方面具有更好性能。

基于拟态防御的多接入边缘计算服务器异构性量化方法

基于拟态防御构造的多接入边缘计算服务器是一种新型的边缘计算安全系统,拟态防御具有异构和冗余等特性,通过这些特性可以阻断攻击者的攻击,提高系统的安全性与可靠性。在此基础上,提出一种衡量异构性的方法,将执行体集的异构性分解为两部分计算,分别是复杂性和差异性,在理论上为拟态防御的异构性评估上提出一种新方法。实验表明,该方法优于Margalef指数、Shannon-Wiener指数和Simpson指数,更适用于多接入边缘计算中服务器的异构性量化。

停车辅助的车辆边缘计算中的双重任务卸载设计

为解决车辆边缘计算(vehicular edge computing, VEC)中边缘服务器资源受限的问题,提出将路边停放车辆组织成停车簇,辅助实际部署的边缘服务器执行移动车辆产生的计算密集型任务。在此基础上设计双重任务卸载方案,即自上而下的任务分配以及停车簇内部任务分配,保证服务器尽量按时完成卸载的任务,最大限度地提高停放车辆的收益,降低停放车辆执行卸载任务的能耗开销。大量仿真结果表明,该任务调度策略的性能显著优于其它几种对比策略。

基于谱聚类的边缘服务器放置算法

随着物联网(IoT)和5G技术的快速发展,移动边缘计算以其低访问延迟、低带宽成本和低能源消耗的优点引起了工业界和学术界的广泛关注。在移动边缘计算中,边缘服务器为移动端用户的请求提供服务,其放置位置对边缘计算性能和用户体验具有重要影响。目前边缘服务器的放置算法只考虑基站的地理位置,而缺乏对基站连接的用户数目因素的考虑。因此在实际用户分布不均的情况下,现有算法得到的服务器放置位置导致用户平均访问延迟较大。为了更好地解决上述问题,提出了基于谱聚类的延迟最小化边缘服务器放置算法LAMP。该算法在考虑边缘服务器放置位置时,不仅考虑了基站的地理位置,而且考虑了不同基站连接的用户数目这一重要参数,能够有效地降低用户的平均访问时延,同时实现边缘服务器的工作负载均衡。在仿真实验中,使用了上海电信的真实基站数据集来测试LAMP算法的性能。大量的实验结果表明,在用户访问延迟方面,LAMP算法的性能比传统的K-means算法提高了37.9%。在负载均衡方面,LAMP算法的性能与K-means算法相比最大可提高82.85%。LAMP算法在降低访问延迟和平衡边缘服务器工作负载方面均表现出了优越的性能。

边缘计算中多服务器协同任务缓存策略

针对边缘服务器有限的计算、存储资源与大量用户任务请求之间的矛盾,设计了基于多服务器协同的边缘计算任务缓存网络架构,该架构中边缘服务器可以在内存中缓存并执行用户任务,未缓存的任务放在云端执行。结合用户任务请求时变和邻近区域用户更倾向于请求相似任务的特点,提出一种基于改进Soft Actor-Critic的多服务器协同任务缓存算法(MSAC)。该算法以最小化用户平均任务执行时延为目标,为避免反复选择同一动作而收敛于局部最优,引入最大熵模型来鼓励边缘服务器探索最优动作。通过设计经验共享机制,收集并学习本地边缘服务器和相邻服务器的经验以优化任务缓存策略。仿真结果表明,与最高流行度算法、独立SAC算法、DQN算法、遗传算法相比,所提出的MSAC算法在降低用户任务平均执行时延方面的效果最好。