Energy-efficient task allocation for reliable parallel computation of cluster-based wireless sensor network in edge computing

To efficiently complete a complex computation task,the complex task should be decomposed into subcomputation tasks that run parallel in edge computing.Wireless Sensor Network(WSN)is a typical application of parallel computation.To achieve highly reliable parallel computation for wireless sensor network,the network's lifetime needs to be extended.Therefore,a proper task allocation strategy is needed to reduce the energy consumption and balance the load of the network.This paper proposes a task model and a cluster-based WSN model in edge computing.In our model,different tasks require different types of resources and different sensors provide different types of resources,so our model is heterogeneous,which makes the model more practical.Then we propose a task allocation algorithm that combines the Genetic Algorithm(GA)and the Ant Colony Optimization(ACO)algorithm.The algorithm concentrates on energy conservation and load balancing so that the lifetime of the network can be extended.The experimental result shows the algorithm's effectiveness and advantages in energy conservation and load balancing.

NOMA-Based Energy-Efficient Task Scheduling in Vehicular Edge Computing Networks: A Self-Imitation Learning-Based Approach

Mobile Edge Computing(MEC)is promising to alleviate the computation and storage burdens for terminals in wireless networks.The huge energy consumption of MEC servers challenges the establishment of smart cities and their service time powered by rechargeable batteries.In addition,Orthogonal Multiple Access(OMA)technique cannot utilize limited spectrum resources fully and efficiently.Therefore,Non-Orthogonal Multiple Access(NOMA)-based energy-efficient task scheduling among MEC servers for delay-constraint mobile applications is important,especially in highly-dynamic vehicular edge computing networks.The various movement patterns of vehicles lead to unbalanced offloading requirements and different load pressure for MEC servers.Self-Imitation Learning(SIL)-based Deep Reinforcement Learning(DRL)has emerged as a promising machine learning technique to break through obstacles in various research fields,especially in time-varying networks.In this paper,we first introduce related MEC technologies in vehicular networks.Then,we propose an energy-efficient approach for task scheduling in vehicular edge computing networks based on DRL,with the purpose of both guaranteeing the task latency requirement for multiple users and minimizing total energy consumption of MEC servers.Numerical results demonstrate that the proposed algorithm outperforms other methods.

A survey of energy-efficient strategies for federated learning in mobile edge computing

With the booming development of fifth-generation network technology and Internet of Things,the number of end-user devices(EDs)and diverse applications is surging,resulting in massive data generated at the edge of networks.To process these data eficiently,the innovative mobile edge computing(MEC)framework has emerged to guarantee low latency and enable eficient computing close to the user traffic.Recently,federated learning(FL)has demonstrated its empirical success in edge computing due to its privacy-preserving advantages.Thus,it becomes a promising solution for analyzing and processing distributed data on EDs in various machine learning tasks,which are the major workloads in MEC.Unfortunately,EDs are typically powered by batteries with limited capacity,which brings challenges when performing energy-intensive FL tasks.To address these challenges,many strategies have been proposed to save energy in FL.Considering the absence of a survey that thoroughly summarizes and classifies these strategies,in this paper,we provide a comprehensive survey of recent advances in energy-efficient strategies for FL in MEC.Specifically,we first introduce the system model and energy consumption models in FL,in terms of computation and communication.Then we analyze the challenges regarding improving energy efficiency and summarize the energy-efficient strategies from three perspectives:learning-based,resource allocation,and client selection.We conduct a detailed analysis of these strategies,comparing their advantages and disadvantages.Additionally,we visually illustrate the impact of these strategies on the performance of FL by showcasing experimental results.Finally,several potential future research directions for energy-efficient FL are discussed.

基于非线性Terminal滑模的动能拦截器末制导律设计

滑模制导律由于具有优越的性能而得到广泛关注,其设计的关键是滑模面的选取。传统的滑模变结构制导律通常都选择线性滑动平面,并保证系统到达该平面后跟踪误差渐近地收敛到零,在此过程中对收敛时间没有约束,因此不能满足快速性要求。针对这一问题,可以采用Terminal滑模控制策略,即在滑模面设计中引入非线性函数,使跟踪误差在有限时间内收敛到零。分析了一类非线性Terminal滑模面在应用中存在的问题,针对该问题设计了一种改进形式的非线性Terminal滑模面,并推导了系统从任意初始状态到达平衡状态所需时间的表达式。之后,针对动能拦截器末制导,基于改进方法设计了一种非线性Terminal滑模制导律,仿真结果表明,相对于传统的滑模制导律,所设计的制导律可以满足动能拦截的要求,不仅能够使系统状态在有限时间内收敛,而且脱靶量更小。

基于非线性收敛因子的Terminal滑模制导律设计

水下动能武器在末端时刻攻击目标具有作战范围小,时间短的特性。传统滑模变结构制导律通常选取线性滑动平面,收敛速度慢,对收敛时间没有约束,不能满足系统快速收敛到平衡状态。针对这一问题,提出一种改进的Terminal滑模变结构控制方法,通过引入非线性因子,使系统跟踪误差快速收敛到零,保证系统以期望的有限时间收敛到平衡状态。采用Terminal滑模面结合指数趋近律设计有限时间快速收敛制导律,该制导律即能满足系统快速性收敛要求,又能离线计算收敛时间。理论分析表明:所设计的制导律满足系统稳定性要求,并仿真验证了其快速收敛的有效性,较传统变结构制导方法收敛速度更快,具有更强的鲁棒性。

Energy Aware Task Assignment with Cost Optimization in Mobile Cloud Computing

In this paper, we are investigating the power consumption of mobile device while performing offloading system. The offloading system is way in which mobile application can be divided into local and remote execution in order to alleviate the CPU energy consumption. However, existing offloading systems do not consider data transfer communication energy while performing mobile offloading system. They have just focused on mobile CPU energy consumption. In this paper, we are investigating the energy consumption mobile CPU and communication energy collaboratively while performing mobile offloading for complex application. To cope up with the above problem, we have proposed Energy Efficient Task Scheduler (EETS) algorithm, whose aim is to determine optimal tasks execution in offloading system in order to minimize mobile CPU and communication energy. Simulation results show that EETS outperforms as compared to baseline approaches.

An energy-efficient resource allocation strategy in massive MIMO-enabled vehicular edge computing networks

The vehicular edge computing(VEC)is a new paradigm that allows vehicles to offload computational tasks to base stations(BSs)with edge servers for computing.In general,the VEC paradigm uses the 5G for wireless communications,where the massive multi-input multi-output(MIMO)technique will be used.However,considering in the VEC environment with many vehicles,the energy consumption of BS may be very large.In this paper,we study the energy optimization problem for the massive MIMO-based VEC network.Aiming at reducing the relevant BS energy consumption,we first propose a joint optimization problem of computation resource allocation,beam allocation and vehicle grouping scheme.Since the original problem is hard to be solved directly,we try to split the original problem into two subproblems and then design a heuristic algorithm to solve them.Simulation results show that our proposed algorithm efficiently reduces the BS energy consumption compared to other schemes.

一种可重构雷达智能终端设计

针对雷达系统对于显控终端的功能重构需求,提出了基于SNMP协议的交换机在线配置方法、数据源在线选择方法,实现了显控终端的功能自动重构,显著降低了显控终端功能调整的复杂度,提高了系统的使用灵活性和可靠性。通过增加自然人机交互手段、采用智能化工具、基于人因工程的造型和布局设计等实现显控终端的智能人机交互,大幅提高显控终端的人机交互效率。以大数据为驱动,通过辅助决策系统进行智能判别、信息推送,降低了操作员决策的难度,提高了精准度。

云边端架构下边缘智能计算关键问题综述:计算优化与计算卸载

近年来,随着入网设备数量与数据体量的急剧增加,以云计算为代表的中心式计算模式的缺点越来越显露出来。边缘计算,即让计算尽量靠近数据源,以减少数据传输时间和网络延迟,作为云计算的补充,已经成为学术界和工业界关注的焦点。该文面向边缘计算中应用较广的实例架构—云边端架构,以及边缘计算的典型应用—边缘智能计算,讨论云边端架构下边缘智能计算的两大关键问题:计算优化和计算卸载。首先分析和梳理了云边端架构下边缘智能计算优化的应用与研究现状。然后讨论了云边端架构下计算卸载的研究思路和现状。最后,总结提出了目前云边端架构下边缘智能计算业务所面临的挑战和未来研究趋势。

一种FPGA集群轻量级深度学习计算架构设计及实现

传感器技术的发展带来了边缘、端设备功能的迅速迭代升级,也带来了战场前端的数据量成倍增长。针对边缘、端设备数据量的急剧增长和芯片计算处理能力的矛盾,结合Map/Reduce框架,提出了一种基于现场可编程门阵列(Field Programmable Gate Array,FPGA)计算集群资源的深度学习架构,能够实现多个深度学习算法的并行快捷部署和应用。该轻量级深度学习计算架构同时满足军事应用对“端”的智能处理能力提出的新要求,即不仅局限于数据采集和智能的应用,还必须具备分布式并行智能实时计算的能力。该FPGA集群轻量级深度学习计算框架部署不同类型算法容易,实时性高(ms级任务响应),可扩展性好,在多种类异构传感器、大场景大数据吞吐量的军事场景及森林防火等民用场景有广泛的应用前景。

基于AirTOp的终端区扇区负荷校准方法研究

管制员工作负荷的评估是扇区运行的一个重要论题,它对提高机场终端区容量值,进而增加航班量和经济收益具有重要意义。结合北京终端区的管制员实际工作负荷评估和校准工作,提出了一种基于AirTOp仿真软件的终端区进近扇区负荷校准的新思路和方法。通过对比同等运行环境下的实际管制负荷与仿真输出,校准管制负荷权重设置,获得一个可用于仿真管制员负荷评估的负荷权值汇总表,使用交叉验证方法将校准后的权值作为输入进行面向扇区的计算机仿真。结果显示仿真负荷与实际负荷偏差值小于±2,证明该校准方法可以适用于对复杂终端区扇区负荷的评估。

移动边缘计算中基于贡献度激励的端池化解决方案

经典的移动边缘计算是将计算任务从云计算迁移到移动边缘,终端用户的计算任务请求可智能选择在云端和边缘处理,这都取决于强大的基站通信能力。在基站覆盖力不足,外节点无法接入基站,乃至基站通信缺失的场景下,计算任务无法通过云计算与边缘计算进行处理。因此,提出一种基于贡献度激励的端池化解决方案。该方案由终端提供自身可用计算力,通过端池化帮助基站完成任务计算,针对终端的管理,提出基于算力池最大化的动态分簇算法,该算法利用不同终端作为簇首的差异性聚簇,得到综合算力池最大时的分簇方案;针对基站覆盖力不足的情况,外围节点根据其历史贡献度指标,通过移动自组织网络与内部节点连接,该激励策略能提升内部节点的连接意愿,以此提高外节点的接入率,扩宽基站覆盖范围,解决基站弱覆盖的问题。仿真结果表明,对比其他方案,CETP方案能在云计算与边缘计算无法实施的情况下,利用端池化过程得到最大算力池,能以最短的时延完成计算任务。

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MI和EC的新型配电系统源荷监测协调策略

为了高效协调新型配电系统电源和负荷功率平衡,提出了一种基于多元信息和边缘计算的源荷功率监测协调策略。首先,分析了新型配电系统的特点和网格划分方法、协调其内部电源和负荷功率所涉及的多元信息构成;其次,通过在网格内部署具备边缘计算功能的智能终端,给出了前端智能终端和后端监控系统相互配合协调网格内源荷功率平衡的策略,设计了多元信息监测通信方案;最后,选取相关设备对所给策略进行了试验验证,并与传统配电网系统源荷协调策略进行了对比。结果表明:将复杂的新型配电系统进行网格划分,能够利用前端智能终端在1 s内、后端监控系统在10 s内协调网格内源荷功率平衡;网格内电能损耗使后端监控系统协调时间的变化值小于0.5 s、对前端协调策略的影响可以忽略不计;将不同协调手段相结合,具有协调时间短、难度低的优势。所给策略解决了传统配电系统以系统整体进行集中协调源荷功率时信息采集、计算量大和延时长的问题,能够提高源荷协调的效率和可靠性,对快速实现系统整体源荷功率平衡、保障其稳定运行具有重要的参考价值。

移动边缘计算辅助的数能协同传输网络节能算法研究

物联网终端设备在投入使用后会自动执行数据采集、数据计算等任务,最终将计算结果上传至物联网的网关或者基站。但是,一方面由于越来越多的物联网终端设备开始采用电池供电,在物联网终端设备这一端执行复杂的算法或任务会消耗掉大量的能量;另一方面随着物联网中应用的需求日趋复杂,精简设计的物联网终端设备上的计算资源已经越来越不能满足日趋复杂的计算需求。因此,提出了移动边缘计算辅助的数能协同传输网络。该网络中物联网终端设备可以将自身的计算任务全部卸载至移动边缘计算服务器,自身只需要执行简单的、低能耗的任务。在保证系统通信与计算需求的前提下,通过节能算法的设计,达到了最小化协同传输系统总能耗的优化目标。

基于人工智能的即插即用型配电站房物联边缘终端研制

配电网核心节点的配电站房位于供用电用户边界,近年来,随着光伏、储能、电动车等分布式资源的快速发展,配电站房数量增速提升,新的安全风险点不断出现,导致配电站房运维人员、设备、环境等安全问题多发,安全生产形势严峻,运维管理面临着极大的压力。针对上述问题,设计了基于人工智能的即插即用型软硬件平台,研制了配电站房物联边缘终端,实现配电站房状态全面感知,模型统一管理,数据高效共享,应用灵活部署。通过设备故障预警、视频图像分析和规则引擎等边缘计算功能,实现配电站房全景监控,提升精益化运维和智能化管控水平。

基于Spark计算的大数据终端潜在异常识别仿真

本文主要针对大数据终端在实时处理过程中潜在的异常情况进行识别和仿真研究。基于Spark计算框架,提出了一种新的方法监测和识别大数据终端中可能存在的异常行为。通过使用实时数据流分析和机器学习技术,及时发现并处理潜在的异常情况,提高数据处理效率和质量,并最终提升系统的可靠性和稳定性。

基于边缘计算的电力系统智能终端配置优化方法

针对电力系统大规模智能终端配置中存在的问题,研究基于边缘计算的电力系统智能终端优化配置方法。构建面向边缘计算的智能终端配置模型,设计通信网络模型、计算资源评估与分配机制及配置优化算法,并通过仿真实验验证所提出方法的有效性。结果表明,边缘计算可以发挥终端协同效应,优化终端在电力系统中的配置,大幅降低网络时延,提高资源利用率,为电力系统智能终端的规范化、协同化、优化配置提供新思路。

基于树莓派的智能电子班牌设计与实现

随着中国智慧校园的蓬勃发展,智能电子班牌的地位愈发重要。然而,传统电子班牌却存在实用性不强、交互性较差、可拓展性差等问题。针对这些问题,文章提出电子班牌功能的优化方案——以树莓派作为主控板,采用Raspbian操作系统,使用Kivy框架,以Python作为主要的开发语言,并使用MySQL和SQLite联合数据库,以实现各种功能。

基于计算物流的自动化集装箱码头AGV生产调度

针对自动化集装箱码头自动导引车(AGV)在线实时生产调度约束动态复杂和难以可视化的问题,在计算物流框架下,利用AnyLogic平台创建自动化码头水平运输计算实验模型,并针对平台中已有的经典资源分配策略,面向AGV生产调度提出两方面的改进:将运筹规划商业求解器与计算实验平台结合来求解动态复杂组合优化问题;基于计算物流的思想方法,迁移和定制出五种面向问题探索的自定义AGV在线调度算法。由于商业求解器的局限性,模型和实验数据是基于自动化码头进口箱作业部分。实验表明,两种改进策略能够弥补商业求解器和计算实验平台的部分不足,尤其是自定义策略相较于经典资源分配策略能够面向特定装卸船需求更好地实现AGV生产调度,实现自动化码头水平运输的高效作业。