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。

移动边缘网络中的多目标缓存优化方法

随着5G时代的到来,各类移动应用蓬勃发展,用户量快速增长,大量的通信流量对移动边缘网络造成了巨大的压力,缓存资源紧张的问题逐渐凸显.为此,本文提出了一种基于多目标优化算法的移动边缘网络缓存放置策略,考虑包含一个宏基站和若干小基站的边缘网络,通过分析边缘网络缓存中不同利益相关方的需求,即用户平均延迟、缓存成本和传输功耗,以及缓存空间有限的约束条件,构建了多目标优化模型,为了求解模型,提出了一种基于最远交配和淘汰策略的多目标进化算法(MOEA-FMES).通过模拟仿真实验与其他常见多目标优化算法进行了对比,结果表明MOEA-FMES优于对比算法,能够给出一组质量较高、收敛性较好且分布均匀的解,证明了所提出方法的有效性.

基于MEC的农业机械数字化车间改造研究

传统的云计算技术采用中心云模式,需要满足高带宽需求,生产过程中的大量数据处理工作极大地占用网络资源,亦无法满足超低延时要求。5G技术的发展为农业机械制造业的改造升级提供了新的思路,即移动边缘计算(MEC)。将MEC嵌入到农机生产制造体系中,设计了体系架构图,并从生产制造数据的采集与反馈和工业赋能两个角度进行了深入研究,搭建了工业终端模式,完成了工业边缘云架构。最终实现了边缘位置的计算、网络通信、存储等能力提升,把传统的存储、计算等工作下沉至边缘处理,减轻云端压力,降低响应延时,提升运算效率。为农机生产制造体系研发设计、生产制造、运维管理的智能化转型提供了一定的借鉴与参考。

基于免疫优化的移动边缘计算任务卸载方法

为减轻网络带宽压力和通信开销,解决移动终端资源不足问题,提出基于免疫优化的移动边缘计算任务卸载方法。采用协调合作模式处理用户请求,获取基站最高功率约束条件,组建任务卸载时间模型,通过执行、传输和接收三种能耗得到任务卸载总能耗,以时延和能耗为优化目标,使用免疫优化算法将计算任务分割为若干子任务,初始化网络参数并对抗体实施变异操作,升序排列抗体激励度,更新种群规模,评估是否满足循环终止条件,输出最佳任务卸载策略。实验结果证实,所提方法处理计算任务具备能耗低,执行效率高等优势。

移动边缘计算中基于改进拍卖模型的计算卸载策略

随着移动互联网业务的快速发展,增强现实、虚拟现实、超清视频等手机应用逐渐普及、Io T应用不断涌现,计算能力和续航能力的不足成为限制智能终端设备成功支撑这些应用的主要瓶颈。针对这一现状,采用计算卸载的方式解决该问题,在多用户多移动边缘服务器的场景下,综合考虑智能设备性能和服务器资源提出了一种基于改进拍卖算法的计算卸载策略。该策略主要包括两个阶段,在卸载决策阶段,通过综合考虑计算任务自身大小、计算需求和服务器计算能力、网络带宽等因素提出了卸载决策的依据;在任务调度阶段,通过综合考虑计算任务的时间需求和MEC服务器计算性能提出了基于改进拍卖算法的任务调度模型。实验证明,提出的计算卸载策略能够有效地降低服务时延,减少智能设备能耗,改善用户体验。

基于稠密光流算法的运动目标检测的Python实现

在运动目标识别算法中,帧间差分法、背景差分法容易出现“重影”“空洞”及“拖尾”现象从而导致识别准确率低。将稠密光流法应用于运动目标检测,基于PyCharm开发环境建立了一个运动目标检测系统,研究采用Gunner Farneback稠密光流法(DOF)计算各像素点位移矢量的光流矩阵,将光流信息转化到HSV空间,并利用Sobel算子进行边缘检测以提高检测效果。实验结果表明,在运动目标与背景对比度低的场景中及速率不同的多运动目标场景中,所提算法皆能实现准确识别与追踪,而且避免了“重影”“空洞”及“拖尾”问题,具有很好的抗干扰能力和识别精确性。

面向5G网络的移动边缘计算节点部署算法设计

为满足5G网络时代下各类应用场景的业务需求,设计面向5G网络的移动边缘计算节点部署算法。分析包含网络能力和平台能力的面向5G网络的移动边缘计算网络架构,其内移动边缘计算平台采用基于信道信息的克隆节点识别方法提升移动边缘计算节点安全性,在此基础上,将业务属性、无线站点、机房资源视图与业务需求相结合,获得移动边缘计算节点可能部署位置,利用改进遗传模拟退火算法部署节点所构成网络的虚拟网络功能,实现面向5G网络的移动边缘计算节点部署。实验结果表明,上述算法能有效避免克隆节点攻击,各移动边缘计算应用案例的不同特征均呈现出优良状态,且节点部署所构建网络的服务请求端到端时延随通用服务节点数量增加可降低75%左右。

基于边缘计算平台的分析与研究

边缘计算作为万物互联时代的关键技术,具有广泛的应用场景。文章首先分析了边缘计算平台在推广中面临的问题;随后从架构出发分析了典型边缘计算平台,并列举了边缘计算应用场景的需求参数,最后提出了一种边缘计算平台分类模型。

面向协同驾驶的基于移动边缘计算的5G智能网联车辆服务平台

随着高速通信与协同驾驶技术的出现,智能网联汽车行业飞速发展。5G智能网联车辆的使用与普及可以在降低交通事故率的同时,极大地缓解交通拥堵。然而,复杂多变的交通环境对车辆感知与计算的数据需求量庞大,单个车辆的通信与计算能力有限,无法满足海量数据的处理要求。课题组基于移动边缘计算构建车辆网络模型,融合博弈论思想,设计资源分配和任务卸载的联合最优方案,构建集安全性和稳定性于一体的5G智能网联汽车服务平台。

基于道路智能化技术的试验场车辆全域轨迹感知方案研究

为了增强道路智能化能力使其能够主动且精确地感知车辆,设计了一个基于MEC技术和激光雷达等设备的道路智能化架构,首先通过多激光雷达拼接实现区域的感知全覆盖,利用边缘计算单元实时分析激光雷达的点云数据,获取交通参与者的结构化数据,按照一定的标准规范对数据进行封装后经中间件系统传输至后台应用展示端,同时通过门岗匹配或轨迹匹配等方式实现试验车辆虚拟ID和物理ID的匹配,使管理者能够在不依赖车载终端的情况下准确地获知试验车辆在试验场全区域的轨迹信息。

5G通信技术在城市轨道交通信号车地通信中的应用探讨

5G通信技术具有大带宽、高可靠、低时延的特性,且支持与垂直行业的业务融合,成为解决轨道交通通信业务的有效途径。文章通过对5G技术在南京地铁马群试车线和宁句城际线应用验证情况进行分析,提出了5G技术承载信号车地业务的思考,供5G技术在城市轨道交通领域的进一步研究提供参考。

基于NOMA的移动边缘计算网络优化方案

移动边缘计算(MEC)使智能终端能够将部分计算负载转移到位于基站子系统的边缘服务器上,以解决物联网络大量数据处理问题。通过研究非正交多址(NOMA)的多址MEC,提出了一种终端-边缘服务器资源分配方案,通过NOMA方式传输,智能终端可以将计算工作负载卸载到不同的边缘服务器,从而减少完成智能终端的计算工作负载的总延迟。该方案目标是优化资源成本最小,该系统成本考虑终端卸载的计算工作量和边缘服务器的计算资源使用成本的总延迟。通过单个终端的最优卸载解决方案数值结果验证了方案的有效性。

基于移动边缘计算的5G移动通信网络研究

由于现有的移动通信网络无法有效处理大数据问题,经常出现数据传输时延较大、能耗较高问题。针对上述问题,进行基于移动边缘计算的5G移动通信网络的研究。研究核心是通过移动边缘计算在通信网络边缘部署大量具有计算和存储功能的边缘服务器,将计算和存储资源迁移到网络边缘,以减轻核心服务器的压力,实现资源合理配置。结果表明,与现有的移动通信网络相比,基于移动边缘计算的5G移动通信网络解决了数据传输时延较大、能耗较高的问题。

面向配网差动保护业务的移动边缘计算平台研究

利用5G通信技术在高带宽、低时延以及大连接等方面特点,结合配网差动保护应用场景,提出了基于5G的配网差动保护移动边缘计算(Mobile Eolge Computing,EMC)平台的架构。其基于计算卸载、业务数据分流机制、接入控制等技术,能够支持业务数据本地计算分析并转发,为电网低时延、高可靠场景打造定制化的“业务策略”,使平台能根据电网不同业务场景提供差异化承载服务,为5G在配网差动保护的应用提供依据。