基于MEC的任务卸载和资源分配联合优化方案

面对时延敏感度不同的多种用户,如何有效利用频谱资源和计算资源受限的边缘节点来保障其时延能耗需求成为关键问题。为此,提出了基于移动边缘计算(mobile edge computing, MEC)的任务卸载和资源分配联合优化方案。首先,为最小化卸载任务在MEC的总计算时间,给每个用户分配最优的MEC计算资源。其次,基于时延敏感度、用户满意度和资源块(resource block, RB)质量,引入RB分配算法,以分布式执行。最后,用户通过比较本地计算开销和卸载计算开销做出卸载决策。仿真结果表明，所提算法在满足高时延敏感用户的需求前提下,通过有效地分配传输资源和计算资源,实现了最小的系统开销。     

基于烟花算法的基站群协作计算卸载模型研究

车联网、AR、AI等计算密集、时延敏感型应用迅速发展,而移动设备因自身计算能力相对不足,执行此类应用任务时会因高时延而严重影响用户体验甚至无法满足用户需求.针对此问题,提出综合考虑时延与成本的多用户、多MEC (mobile edge computing)服务器的基站群协作计算卸载模型.并提出基于凸优化的改进烟花算法(...     

云边协同系统中基于博弈论的资源分配与任务卸载方案

综合考虑时延、能耗和计算资源成本，构建云边协同系统中的效用最大化问题，并将其分解为计算资源分配、上行功率分配和任务卸载策略三个子问题。提出一种基于博弈论的资源分配和任务卸载方案（game-based resource allocation and task offloading， GRATO） 以分别解决上述子问题。利用凸优化条件求得计算资源分配最优解；设计一种低复杂度的上行功率分配方法用于降低无线干扰；针对任务卸载策略优化问题，提出一种基于博弈论的分布式任务卸载算法（game-based distributed task offloading algorithm， GDTOA）。仿真结果表明，GRATO方案在时延和能耗方面的性能优于其他方案，还可以感知用户的优先级，使紧急用户具有更高的效用和更低的时延。     

子任务调度和时延联合优化的MEC卸载方案

移动边缘计算(mobile edge computing, MEC)为5G超低时延业务提供了解决方案。如何设计低时延、高效率的任务卸载方案,是MEC面临的主要难题之一。为此,针对端-边协同MEC服务场景,研究了大型计算任务的低时延、低能耗部分卸载方案,通过将用户任务划分为多个有顺序依赖关系的子任务并构建子任务的有向无环关系图,设计了能够最小化卸载时延的子任务调度方案,提出了基于任务复制的最早卸载执行算法,解决了能耗受限下的任务最小时延卸载计算。仿真结果表明,提出的MEC卸载方案能够有效减少任务处理时延,降低系统能耗。     

一类MIMO网络控制系统的时滞相关鲁棒控制器设计

针对一类多输入多输出(MIMO)网络控制系统,提出一种时滞相关鲁棒控制器的设计方法.首先经过等价推导,将系统转化成具有多输入时滞的连续系统,利用李雅普诺夫函数,通过求解若干线性矩阵不等式,获得系统时滞相关鲁棒控制器.算法递推简单,避免了进行系统变换和处理交叉项,减少了计算负荷.仿真结果表明:在网络具有一定传输时延的情况下,该方法可以获得满足系统稳定性的控制器.     

基于移动边缘计算的车联网任务卸载研究与仿真

为能够在接近用户端利用边缘设备的计算资源为人们提供高质量的服务,基于移动边缘计算的车联网架构设计了一种联合资源分配和任务卸载的机制。将原问题分解为资源分配和卸载决策2个子问题分别求解。将原问题简化成系统容量最大化的资源分配问题,通过比例资源分配算法得到初始卸载集合;采用联合卸载决策与资源分配机制求解上述问题。通过迭代直到实验现象趋于平稳。仿真结果表明：与以往方法相比该机制降低了算法的复杂度,并且用户效用始终较高,大大提升了车联网系统的服务效率。     

基于无人机辅助边缘计算系统的节能卸载策略

针对复杂地形中地面基础设施无法有效提供可靠通信和密集算力的问题,首先提出一种基于无人机(unmanned aerial vehicle,UAV)托管计算资源的卸载方案.考虑用户终端的计算需求,计算任务的时延约束,以及UAV的能量约束,构建了一种以最小化用户终端计算和卸载能耗为目标的UAV辅助边缘计算模型.其次,通过将原...     

多变量网络控制系统建模与稳定性分析

研究了一类多变量网络控制系统的建模和稳定性问题,基于线性时不变对象,推导了该类网络控制系统的时滞连续时间数学模型,并利用李雅普诺夫第二法,分析了系统的渐近稳定性,得到了系统稳定运行的最大允许时延和全时滞稳定的条件。最后,通过实例仿真分析证实了本文所提理论的有效性,以及稳定判据的可行性。     

边缘计算下基于深度强化学习的车联网任务调度

针对边缘计算下车联网中时延约束型计算任务的卸载执行问题，提出一种基于深度强化学习的任务调度方法。在多边缘服务器场景下，构建软件定义网络辅助的车联网任务卸载系统，给出车辆计算卸载的任务调度模型；根据任务调度的特点，设计一种基于改进指针网络的调度方法，综合考虑任务调度和计算资源分配的复杂性，采用深度强化学习算法对指针网络进行训练；运用训练好的指针网络对车辆卸载任务进行调度。仿真结果表明：在边缘服务器计算资源相同的情况下，该方法在处理时延约束型计算任务的数量方面优于其他方法，有效提高了车联网任务卸载系统的服务能力。     

不确定离散广义系统的保成本控制

针对一类具有范数有界时变参数不确定性的离散广义系统和二次成本函数,研究保成本控制律的设计问题。利用李雅普诺夫稳定性理论,得到了不仅使得闭环系统鲁棒二次稳定,而且闭环成本函数不超过某个确定上界的保成本控制存在的充分必要条件,并通过求解一个里卡蒂不等式给出了最优控制律的设计方法,最后通过数值例子说明方法的可行性。     

云环境下能耗优化的任务调度模型及虚拟机部署算法

云计算环境下,在满足用户服务级目标约束下,如何有效地进行资源分配调度,降低能耗,已成为不容忽略的关键问题.针对目前云计算系统服务资源分配调度问题在能耗方面的研究不足,提出一种能耗优化的资源分配调度体系架构,并基于此架构设计了一个满足实时用户SLA的能耗优化模型.该优化模型从系统级和部件级两个层次进行能耗优化.在系统级上,提出一种基于分组遗传算法最大限度降低系统空闲能耗的虚拟机部署算法,该算法将虚拟机和服务器之间的映射抽象为有约束的多维可变装箱问题;同时,在部件级上采用动态电压功率调整技术降低执行能耗,从而达到在满足用户需求的前提下,最大限度降低系统总能耗.仿真实验结果表明,该算法与同类算法相比,在相同条件下可有效降低云计算系统的能耗开销.     

部分可观条件下空对地打击中的动态资源分配

针对静态分配模型的不足,基于部分可观的马尔可夫决策过程建立对单个目标的多阶段决策模型,以反映任务执行效果及反馈信息中的不确定性,进而提出对多个目标的动态资源分配模型。在离线优化阶段中,通过对偶分解法将其分解为一系列较易求解的子问题,并基于次梯度算法调整资源价格,以协调子问题所构造策略中资源的使用量。在实时决策中,根据所得策略及实际执行情况指定对目标的具体行动方案,确保约束条件得以满足。仿真结果表明了方法的有效性。     

基于分布式深度学习的边缘服务放置策略

针对移动边缘计算网络中不合理的服务放置和资源分配所导致的服务质量下降问题, 提出了一种基于分布式深度学习的边缘服务放置策略。首先, 以最小化所有用户服务请求时延与加权服务放置成本总和为优化目标, 将优化问题建模为混合整数非线性规划问题。其次, 在给定服务放置策略情况下, 利用凸优化理论求解出边云最优的计算资源分配方案。最后, 利用分布式深度学习解决了服务放置问题。理论证明及仿真结果表明, 所提策略能够有效降低用户服务请求时延和应用服务提供商的服务放置成本, 并且逐渐逼近全局最优的服务放置策略。     

Dynamic Power Saving via Least-Square Self-Tuning Regulator in the Virtualized Computing Systems

In recent years,power saving problem has become more and more important in many fields and attracted a lot of research interests.In this paper,the authors consider the power saving problem in the virtualized computing system.Since there are multiple objectives in the system as well as many factors influencing the objectives,the problem is complex and hard.The authors will formulate the problem as an optimization problem of power consumption with a prior requirement on performance,which is taken as the response time in the paper.To solve the problem,the authors design the adaptive controller based on least-square self-tuning regulator to dynamically regulate the computing resource so as to track a given reasonable reference performance and then minimize the power consumption using the tracking result supplied by the controller at each time.Simulation is implemented based on the data collected from real machines and the time delay of turning on/off the machine is included in the process.The results show that this method based on adaptive control theory can save power consumption greatly with satisfying the performance requirement at the same time,thus it is suitable and effective to solve the problem.     

MC-NOMA增强型反向散射网络中的谱能效率均衡优化

环境信号的不确定性导致不可预测的谱能机会.传输机会和能源供应的缺乏给反向散射通信网络的多址接入设计带来了极大的挑战.本文针对多载波非正交多址接入(multicarrier non-orthogonal multiple ac-cess,MC-NOMA)增强型反向散射网络,提出了一种分阶段优化算法实现均衡调控下的谱能效率...     

放大转发中继系统中基于SCMA的能效资源分配方案

放大转发中继系统中, 以提升能效为目标, 在保障各用户的最小速率需求下, 提出一种子载波顺序配对以及稀疏码分多址(sparse code division multiple access, SCMA)码本功率联合资源分配算法。将能效资源分配建模为一个混合型整数优化问题, 并将其拆分为子载波配对和码本及功率分配两个独立的子问题。首先, 预设码本和功率分配, 基于能效对子载波进行配对。然后, 在子载波固定配对的情况下, 基于能效码本采用最优信道选择的分配方法, 功率问题转化为含有参量的凹函数, 构建拉格朗日函数进行迭代求解。最后,码本和功率交替迭代优化直至收敛。仿真表明, 所提算法较其他方案可以提升约29%的系统平均能效, 同时也保证了每个用户的最小速率需求。