缓存辅助移动边缘计算的任务卸载与资源分配联合优化策略

为了减少资源受限的移动边缘计算场景下任务卸载和资源分配过程中的能量消耗,提出缓存辅助的动态卸载决策和计算、通信、缓存多维资源分配的联合优化策略。该策略根据任务流行度制定缓存服务,通过控制用户设备的发射功率优化通信资源分配,并结合计算卸载合理利用服务器的计算资源。提出最小化时延和能耗的均衡优化目标,设计基于深度强化学习的优化求解算法。最后,通过仿真实验验证所提策略的有效性,结果表明该策略在计算资源和缓存容量约束条件下能展现较优性能。     

一种基于强化学习的车联网边缘计算卸载策略

计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性。针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配。结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载。仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用。     

面向云服务的物联网环境下基于上下文感知D2D资源分配方案

无线移动通信、传感网络、机器对机器(machine-to-machine,M2M)通信和云计算等技术的最新发展对物联网应用的开发、部署和利用产生了深刻的影响.直连(device-to-device,D2D)通信作为一种提高蜂窝网络性能的新兴技术,在物联网应用中起着至关重要的作用.对于D2D通信而言,资源分配是实现高性能数据传输的关键,博弈论作为一种有效的数学工具被广泛应用于解决蜂窝网络资源分配的问题.针对D2D资源分配的方案已在前期工作中提出,该方案使基站能够通过感知不同通信环境为D2D用户分配合理的频谱资源,并且通过重复迭代为D2D用户分配更优的频谱资源.但是该方案并没有深入讨论纳什均衡(Nash equilibrium,NE)不存在情况下的资源分配问题.针对该问题,将基站和D2D用户的竞争看作是一个合作博弈模型,提出了一个资源分配方案来处理不同场景下,当NE不存在时的资源分配方案,旨在保证基站在不同环境下的收益效用最大化.对比前期的资源分配算法,该算法保证了无论NE是否存在,基站都能通过感知不同的通信环境来选择特定的资源分配策略来维护自身的利益.     

D2D 通信复用异构蜂窝网络下行链路的人工鱼群资源分配算法

针对D2D(Device-to-Device)通信复用异构蜂窝网络下行信道的资源分配问题,提出了一种基于人工鱼群的资源分配算法(AFSRA).该算法以最大化系统总容量为目标函数,并且为保证用户通信质量,通过约束条件合理地为D2D用户分配资源.通过仿真对AFSRA算法和随机资源分配算法进行了比较和分析,实验结果表明:AFSRA算法经过有限的迭代次数即可收敛,在计算量适当增加的情况下,能够获得更好的系统总容量.     

基于数据压缩和NOMA的低时延计算卸载方法

为了降低移动边缘计算系统的计算任务完成时延,提出了联合采用数据压缩技术和非正交多址技术的移动边缘计算系统计算任务卸载方案,研究了以最小化计算任务完成时延为目标的通信资源和计算资源优化问题。文中提出了人工鱼群算法对该问题进行求解,且考虑到传统人工鱼群算法固定步长不变导致算法后期收敛速率慢、运算量大、易陷入局部最优解的问题,提出了一种灵活控制收敛速度的自适应步长人工鱼群算法。通过仿真表明,所提计算任务卸载方法相比仅基于数据压缩技术或非正交多址技术的方法,计算任务的完成时延大大降低。     

一种LTE网络D2D通信资源共享算法

在LTE网络下部署D2D (Device-to-Device)系统能有效降低基站的负荷,但是D2D系统共享蜂窝系统资源时会产生系统间干扰,通过合理的资源分配可以有效降低这种干扰.文中提出一种LTE网络中D2D贪婪资源分配算法,该算法能保证蜂窝系统不受D2D通信的干扰影响,同时单个D2D对可以复用多个蜂窝用户资源,以提高D2D系统的吞吐量.最后通过仿真给出本算法与随机分配和干扰感知分配算法的性能比较.     

MEC架构下基于DDPG的车联网任务卸载和资源分配

为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题,提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标,将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明,与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比,DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。     

一种基于双层干扰图着色的资源分配算法

针对长期演进(long term evolution,LTE)系统中蜂窝链路和短距离链路中的同频干扰问题,提出一种基于双层同频干扰图着色的信道资源分配算法.该算法通过引入排队理论和终端服务等级要求,分析蜂窝移动通信网和短距离通信网的双层同频干扰,构造一种异构网络的双层同频干扰图.基于系统信道资源占用情况和信道资源分配优先级的考虑,对双层同频干扰图进行着色资源分配.仿真表明,该算法提高了系统平均吞吐量和满意度.     

移动社交网络中的无线资源分配算法研究

随着移动用户数量的不断增加以及移动网络规模的发展,移动社交网络越来越受到人们的青睐,在社交网络中,社交网络用户可以使用移动设备相互交换和共享内容,但如何在移动社交数据传输过程中根据用户的需求为其分配最佳的无线资源,并确保资源的安全性和保密性成为了一个新的挑战.研究移动社交网络中的无线资源分配问题,资源分配包含无线资源分配和保密性资源分配,提出一种基于梯度的迭代算法来求解社交用户所需要的最佳无线资源和保密性资源.仿真结果分析表明,根据所提算法可以得出在保密性资源能量效率方面比随机分配方案提高8％左右,同时在无线资源利用率方面也有显著提升.     

基于多重指标的MEC服务器选择方案

针对移动边缘计算（mobile edge computing,MEC）服务器超密集部署的网络环境中任务卸载目标MEC服务器的选择问题,设计了一种基于多重指标的MEC服务器选择方案（multiple indicators-based MEC server selection scheme,MIMS）。综合考虑时延、能耗、任务卸载费用、能量效率等因素对MEC服务器选择的影响,基于各参数的线性加权对候选MEC服务器进行排序,选择最优的移动边缘计算服务器为用户提供服务。仿真结果表明,MIMS能够在保障用户任务卸载费用预算和能耗约束的条件下,降低任务处理的总时延,满足多重性能指标。