基于混合能量收集的移动边缘计算系统资源分配策略

针对移动终端(mobile terminal,MT)从环境射频源收集能量较少的问题,研究基于混合能量收集的移动边缘计算系统资源分配策略.通过在基站覆盖区域内部署多个磁感应能量快速充电站,当MT从环境射频源收集的能量即将耗尽时,在附近的磁感应能量快速充电站补充能量.MT通过移动边缘计算将计算任务分流到边缘服务器.将资源分配问题建模为优化问题,以最小化MTs总能量消耗为目标,同时满足MT最大计算能力、边缘服务器最大计算资源、任务计算总时延和MT电池能量的约束条件.通过引入量子行为粒子群优化算法,获得次优解.仿真结果表明,与标准粒子群优化算法和相等分配边缘服务器计算资源的方法相比,量子行为粒子群优化算法具有更少的能量消耗.     

基于自适应任务卸载的蜂窝网络计算资源分配算法

移动边缘计算中的任务卸载是当前的研究热点.随着蜂窝网络中移动终端数量的快速增长,由于计算资源有限,任务卸载时出现了时延长及资源分配不均衡的问题.针对该问题,提出一种基于自适应任务卸载的蜂窝网络计算资源分配算法.该算法先根据用户周围的资源分布情况,自适应为每个用户选择最佳卸载模式;再根据计算资源使用情况,自适应为基站用户选择最优卸载决策并分配计算资源.仿真结果表明：与其他4种算法相比,该文算法的系统效用增益最大.     

基于边缘云的动态和抢占式任务卸载调度算法研究

边缘云计算系统被广泛用于支持各种计算服务。针对边缘云计算环境中的任务卸载调度问题,考虑边缘云系统下的动态性和抢占式任务卸载调度,提出一个基于贪婪模拟退火启发式算法的在线卸载框架(SAOF),根据任务所需的传输延迟以及计算时间,进行周期性的卸载和调度计算,考虑独立任务的随机到达性和资源的异构性,动态地将新到达的任务分配到合适的目的地(边缘服务器或云服务器),并根据每个任务的延迟敏感性,抢占式地为其分配计算资源,使所有任务的总加权响应时间最小化。最后,在多组参数组合下生成测试实例并进行性能评估实验,将SAOF算法与3种优秀的卸载调度优化算法(Selfish算法、Nearest算法和OnDisc算法)进行对比,实验结果表明,SAOF算法能更有效降低所有任务的总加权响应时间。     

多边缘服务器协作环境下基于时延感知的服务选择算法

移动边缘计算可为用户提供低时延的服务.然而，随着用户的需求变得日益复杂多样，单个边缘服务器难以满足其需求.因此，多边缘服务器协作环境下的服务选择问题成为服务计算领域的热点难题.本文首先将该问题建模成带约束的最优化问题，然后提出了一种启发式的服务选择算法-LLMES算法.该算法是在边缘服务器网络中根据迪杰斯特拉算法求解当前本地服务器的邻居节点作为候选服务器，并基于低时延多有效服务的贪心选择策略选择为用户提供有效服务最多且时延最小的服务器作为当前最优服务器.从而选择出一组相互协作的边缘服务器集合共同为用户提供服务，即选中一组满足用户需求的服务.最后，实验结果表明本文提出的LLMES算法性能明显优于其他3种具有代表性的算法.     

异构网络中高能效动态流量卸载

研究了异构网络中,以优化系统能效为设计目标的动态流量卸载。综合考虑了用户移动性和业务动态性的影响,利用动态规划理论对异构网络中的流量卸载问题进行了建模分析,将系统能效在连续时间上的优化问题转化成多阶段决策的最优化问题。在此基础上,基于延时流量卸载的思想,利用动态规划的分析模型,提出了一种系统能效优先的动态流量卸载算法。仿真结果表明,与已有的流量卸载算法相比,提出的动态流量卸载算法能有效地提升系统的能量效率。     

移动边缘计算中基于用户移动的虚拟机迁移策略研究

随着移动边缘计算(mobile edge computing,MEC)技术的深入发展,其面临的挑战也越来越复杂。由于用户移动而造成用户与云服务器之间的通信延时增加,用户服务质量(quality of service,QoS)下降是目前的研究热点,由此提出移动边缘计算中基于网络拥塞情况下的虚拟机迁移策略。将用户运行的带宽延迟敏感型应用卸载到用户周围代价最小的边缘服务器的虚拟机上,当出现网络拥塞情况时,通过将运行带宽延迟敏感型应用的虚拟机从拥塞的边缘服务器迁移到资源丰富的服务器上,达到提高链路的TCP(transmission control protocol)吞吐量的目的,同时改善用户的QoS。提出了4种不同的网络与边缘节点拥塞情况,通过仿真结果分析,所提出的虚拟机迁移策略可以有效地改善网络的TCP吞吐量,提高用户服务质量。     

双UAVs辅助的混合能量收集MEC系统资源分配策略

针对用户从环境射频源收集能量较少的问题,提出了一种双无人机辅助的混合能量收集边缘计算系统的资源分配策略。通过部署2个具有混合太阳能和射频能量收集功能的无人机,当用户的计算任务较大时,可以将计算任务卸载到搭载边缘服务器的无人机。当用户从环境射频源收集的能量不够用时,另一个无人机飞到用户上方,为其近距离充电。联合考虑无人机和用户的能量消耗,将系统资源分配问题建模成一个混合整数非线性规划问题,在满足用户和无人机计算能力和能量消耗的约束条件下,最小化系统总能耗。通过引入量子行为粒子群优化算法,获得次优解。仿真结果表明,与其他几种方法相比,采用量子行为粒子群优化算法消耗的能量更少。     

基于虚拟机迁移的能量收集MEC系统资源分配策略

针对现有研究没有考虑用户移动性对移动边缘计算（mobile edge computing,MEC）服务器反馈计算结果影响的情况,提出一种基于虚拟机迁移的能量收集MEC系统资源分配策略。考虑用户移动性影响,分别给出用户移动性模型和能量收集模型;采用虚拟机迁移方式,把用户卸载给初始MEC服务器的计算任务转移到当前MEC服务器,由当前MEC服务器完成计算任务,计算结果直接反馈给用户;综合考虑用户卸载计算任务和MEC服务器反馈计算结果,将功率和子载波分配问题建模为混合整数非线性规划问题,在满足能量消耗、子载波分配和发射功率的约束条件下,最大化系统能量效率。为了降低求解复杂度,通过引入遗传算法,获得次优解。仿真结果表明,与基于遗传算法的局部功率或子载波分配方法相比,提出的方法具有更高的能量效率。     

瘦客户计算环境下的服务网络架构

为了解决瘦客户计算中的服务端网络架构问题,提出了一个基于对等网的服务端网络模型(服务网络)。服务网络以T apestry架构为基础,通过扩展节点服务层次,把瘦客户计算中传统的单服务器模式扩展为多服务器模式。并在此基础上提出了优化的用户数据的分布和更新算法。该架构模型充分利用了对等网的特点,试验结果表明:可以较好地解决瘦客户计算中多服务节点共同提供服务的问题。     

基于强化学习的算力资源度量方法

工业边缘计算中，节点具有分布零散、异构以及算力受限的特点，为保障算力供给通常采用任务与平台紧耦合的模式，然而该模式易使生产系统刚性化，资源复用效率低，冗余资源成本高昂。针对这一问题本文提出了多维度任务分析与强化学习相结合的算力度量方法，首先对工业场景中计算任务的时、空复杂度，计算类型等特征进行细粒度分析，通过构建任务模型与计算模型分析各计算任务特征与资源需求比例之间的关系；随后，基于上述分析构建马尔科夫决策过程并把状态、动作、奖励建立为三元组，将奖励值定义为对任务执行时间的预测优化问题；最后，设计基于深度Q网络的计算任务算力度量方法，对不同形式的计算任务进行算力需求量化，并通过与设备实际算力消耗进行分析对比，验证所提方法可有效降低不必要的资源损耗。实验结果显示，所提出的模型和方法预测任务执行时间成功率可达99.37%,相较于Q-Learning等算法提升了约5.84%、7.54%和34.23%,可有效实现边缘侧的算力度量。     

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。     

基于电力物联网的边缘计算任务卸载优化

为了解决传统卸载模型仅涉及用户设备和边缘计算资源,而在云端资源利用上存在局限性的问题,通过有效利用计算任务时延、能耗及计算资源配置,提出了基于深度强化学习算法的计算任务卸载策略和资源配置优化算法,建立了边云协同的时延、能耗及能效模型,研究了用户设备数量、任务量、任务优先级等对时延、能耗及能效的影响。结果表明：边缘计算服务器资源配置为30 GHz较为合理;高级计算任务优先处理策略和计算资源优化分配,使得时延、能耗均较低;本文所提出的优化算法在时延、能耗及能效方面均优于其他3个对比算法,表明针对不同用户设备数量和计算任务量场景,本文所提出的优化算法和建立的模型能够更有效的实现基于电力物联网的计算任务卸载策略和资源配置优化。     

移动边缘网络中深度学习任务卸载方案

为了缓解网络带宽的压力、降低网络延迟,克服移动设备资源匮乏等问题,推动深度学习应用在移动终端的部署,提出一个基于移动边缘计算的深度学习任务卸载方案。基于深度神经网络专用加速芯片Eyeriss的架构,对深度学习任务的计算功耗进行建模,提出了一个基于混合l_1/l_2范数诱导的三阶段组稀疏波束成形(group sparse beamforming, GSBF)框架,通过对计算任务优先级的精心设计,尽可能地删除基站端冗余的计算任务,实现对整体网络功耗(包括发送功率损耗和计算功率损耗)的优化。针对该框架,提出了一个加速优化方案。仿真实验表明,在该场景下,所提出的框架在优化整体网络功耗方面具有显著优势,而加速算法可以进一步提升框架的性能。     

LPT算法在3层客户／服务计算中的应用

运用LPT算法,在保证网络访问速度的前提下,求得在3层C／S模型中所需数据库服务器以及中间应用服务器的数目,从而使整个网络硬件资源得到充分利用,以获得高性价比的网络．此外,运用LPT算法,亦能改善已建网络的性能．     

高校云计算数据处理中虚拟机迁移与轮转模式研究

针对高校云计算数据处理应用中的虚拟器迁移和数据处理任务调度问题,首先提出一种新颖且高效的数据依赖感知的虚拟机迁移方案(简称为DataAware)。在进行虚拟机迁移时,DataAware考虑了虚拟机之间的数据依赖性和服务器的剩余容量,以此减少迁移产生的网络流量。然后,为了进一步提高云计算中数据处理的性能,提出一种基于轮转模式的同步并行轮转(SPR)调度算法,以减少由数据汇聚而形成的通信瓶颈。最后分别采用仿真实验和理论分析评估所提出方法的性能。仿真实验结果表明,DataAware能够大大地减少网络流量,提高网络性能。通过推导出SPR策略的误差上界,说明采用SPR模式对数据处理任务进行调度能使数据处理算法收敛。     

基于 TOPSIS 的匹配博弈网络选择算法

针对无线通信中网络资源利用率的重要性,提出一种基于逼近理想解排序法（technique for order preference by similarity to ideal solution,TOPSIS）的匹配博弈论异构网络选择算法,联合考虑用户端的网络选择和网络端的用户选择,分析用户和网络的时延、传输速率、丢包率,运用匹配博弈的原理选择出双方满意度最高的网络选择方案。仿真结果表明,在多用户同时存在的情况下,给出 TOPSIS 的匹配博弈论异构网络选择算法具有较低的阻塞率和较高的满意度。     

物联网节点任务负载量的非对称分配系统设计

在物联网接收数据流速度出现较大波动的情况下,会导致节点任务负载量过大,影响整个物联网的整体性能。当前分配系统大多采用负载均衡策略,忽略了节点间传输数量迅速增加的情况,导致时间延迟和能耗增加。为此,设计了一种新的物联网节点任务负载量非对称分配系统。当物联网节点接收到新的任务后,利用非对称分类策略对任务负载量进行分配,选择最佳转移服务器,以保证节点任务负载量分配过程中通信链路的稳定性,给出服务器选择过程。利用"握手"操作交换物联网节点和服务器的计算能力信息,获取物联网节点和服务器进行负载处理的具体比例,实现非对称分配。实验结果表明,所设计系统能耗和时延较低,有效带宽利用率较高。     

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。