超密集网络中基于移动边缘计算的任务卸载和资源优化

移动边缘计算(MEC)通过在无线网络边缘为用户提供计算能力,来提高用户的体验质量。然而,MEC的计算卸载仍面临着许多问题。该文针对超密集组网(UDN)的MEC场景下的计算卸载,考虑系统总能耗,提出卸载决策和资源分配的联合优化问题。首先采用坐标下降法制定了卸载决定的优化方案。同时,在满足用户时延约束下采用基于改进的匈牙利算法和贪婪算法来进行子信道分配。然后,将能耗最小化问题转化为功率最小化问题,并将其转化为一个凸优化问题得到用户最优的发送功率。仿真结果表明,所提出的卸载方案可以在满足用户不同时延的要求下最小化系统能耗,有效地提升了系统性能。

基于移动边缘计算的V2X任务卸载方案

移动边缘计算(MEC)通过在移动网络边缘提供IT服务环境和云计算能力带来高带宽、低时延优势,从而在下一代移动网络的研究中引起了广泛的关注。该文研究车载网络中车辆卸载请求任务时搜寻服务节点为其服务的匹配问题,构建一个基于MEC的卸载框架,任务既可以卸载到MEC服务器以车辆到基础设施(V2I)形式通信,也可以卸载到邻近车辆进行车辆到车辆(V2V)通信。考虑到资源有限性、异构性,任务多样性,建模该框架为组合拍卖模式,提出一种多轮顺序组合拍卖机制,由层次分析法(AHP)排序、任务投标、获胜者决策3个阶段组成。仿真结果表明,所提机制可以在时延和容量约束下,使请求车辆效益提高的同时最大化服务节点的效益。

D2D网络中基于分簇的无线资源分配机制

针对用户设备电池寿命有限的问题,提出了一种基于分簇的资源分配机制。该机制结合图着色原理对D2D用户分簇;随后根据分簇结果,采用拍卖算法为D2D簇分配信道;利用非合作博弈论模型对完成信道分配的用户进行功率分配。仿真结果表明,该机制有效地延长了电池寿命,提升了用户的能量效率,同时满足了用户传输速率的需求,保证了用户获得更高的QoS。

基于能效的用户选择协作频谱感知

提出了一种基于能效的用户选择协作频谱感知方案.该方案中只有一个认知用户将其本地检测结果进行广播,其他具有不同决策的认知用户上报给融合中心,而同意的认知用户将保持静默;因此,融合中心将得到所有认知用户的感知结果,并做出全局决策.本研究的融合中心也具有感知能力,让其进行初步决策从而避免不必要的感知过程,并通过结合感知历史信息改进了广播用户的选择,使能量效率最大化.仿真和分析结果表明：本文方案在不影响检测概率的情况下提高了能量效率,并减少系统平均检测时间.