基于遗传-粒子群优化算法带有缓存机制的卸载策略

为了满足移动边缘计算(Mobie Edge Computing,MEC)场景中时延敏感型应用的需求,提出一种基于遗传-粒子群优化算法(Genetic-Particle Swarm Optimization Algorithm,GA-PSO)和缓存机制的卸载策略。该策略将遗传算法和粒子群优化(Particle Swarm Optimization,PSO)算法融合起来,以便求取边缘计算卸载中的最优卸载比例和缓存决策;将已完成且重复请求的任务及相关数据在边缘云上进行缓存,用以最小化任务的卸载时延。仿真实验结果表明,该策略可以有效降低移动边缘计算的时延。     

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。     

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。     

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。     

基于移动边缘计算的任务卸载策略研究

由于传统云计算的高时延和处理能力有限,无法满足5G网络的发展要求。基于移动边缘计算网络框架,提出了一种结合通信时延和计算时延的联合优化卸载策略用于移动边缘计算网络。该策略通过移动边缘计算设备不同的计算能力和通信链路的不同传输速率,对移动用户任务进行决策。通过仿真分析该卸载方法对任务大小和时延的影响,验证了该方法的优越性。结果表明,相比于传统的卸载方法,该方法可以有效地降低卸载时间和提高数据处理能力,有一定的参考价值。     

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.     

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。     

面向天地一体化网络的计算卸载算法

由于天地一体化网络的计算资源受限、能力迥异等问题,会导致其处理复杂任务的能力减弱,使得重要的任务处理失败.因此,本文构建了一种将任务卸载到本地-骨干-边缘接入节点的三层计算卸载开销模型,并通过基于DQN的最优卸载算法进行最优卸载策略的制定.首先,依据网络中存在的天基骨干节点、边缘接入节点以及地基骨干节点三种类型计算节点(卸载站点)自身的特点,给出了不同卸载站点的时延、能耗的开销表达式以及对应的约束条件. 然后,提出了基于DQN算法来完成低时延、低能耗的卸载过程.仿真结果表明,DQN算法能够提高任务执行的速度,降低终端设备的能耗,有效改善网络中计算节点资源迥异的现状.     

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。     

基于MEC-D2D的分布式协同缓存方案

针对移动边缘计算服务器存储能力有限的问题,利用终端通信技术数据共享优势提出了一种基于动态规划的移动边缘计算与终端通信(MEC-D2D)协同内容缓存放置策略.首先分析协同通信模型中的内容流行度、缓存空间有限性以及干扰限制等因素对用户内容获取平均时延的影响;然后通过建立内容分段获取模型,以降低用户内容获取平均时延为优化目标;最后将缓存问题视为完全背包问题,并采用动态规划算法设计最优缓存分配方案.仿真实验表明所提缓存策略可有效降低用户内容获取平均时延.     

智能电网用户侧的超密集边缘计算网络卸载方法

随着中国经济的飞速发展,日益增长的居民用电需求和不断增加的用电设备类型使得新型智能电网设备的可靠性、稳定性受到广泛关注,然而仅依靠传统单一的网络架构往往无法应对大规模电网设备的数据请求。首先,针对智能电网用户侧的任务请求,提出一种超密集边缘计算网络下的成本优化模型;其次,考虑到通信资源和计算资源的价格对卸载策略的影响,将资源利用成本作为优化目标;最后,为了提高电网设备请求的服务质量,考虑能耗和时延约束的任务卸载策略,提出莱维飞行-蜉蝣粒子群优化（Lévy flight- Mayfly Particle Swarm Optimization,Lévy-MAPSO）算法。结果表明：不同价格对资源利用成本的影响十分显著。与PSO和Lévy-MA算法相比,Lévy-MAPSO算法由于其群体多样性和强大的搜索能力,所得到的资源利用成本最低,性能最好。     

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.     

基于SWIPT的D2D通信辅助移动边缘计算任务卸载策略

为解决5G移动通信系统中移动用户计算能力不足、能量消耗多、无线资源缺乏等问题,本文构建一种基于无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的多用户设备间(Device to Device, D2D)通信辅助移动边缘计算(Mobile Edge Computation, MEC)系统模型,提出一种D2D-MEC联合卸载策略。该策略以系统中请求用户总能耗最小化为目标,采用二进制卸载模式和功率分流模式对请求用户进行任务卸载和能量收集。针对能耗最小化问题为非线性混合整数规划问题,根据整数变量和实数变量将原问题解耦为功率分配和计算任务卸载两个独立子问题,并分别采用Dinkelbach方法和匈牙利算法求出两个子问题的最优解。仿真实验结果表明,本文所提策略优于传统的D2D卸载策略和MEC卸载策略,有效降低了请求用户的总能耗,提高了任务执行效率。     

移动边缘计算中的无人机群协同任务卸载策略研究

针对应急灾害中通信受限的场景,研究了基于移动边缘计算(mobile edge computing, MEC)的无人机群(unmanned aerial vehicles,UAV)协同任务卸载问题。在对系统通信过程和计算过程的延时与能耗分析的基础上,设计联盟效用函数和回报函数,并基于享乐博弈模型提出联盟分割形成算法。理论分析证明,该算法最终收敛于某个稳定的联盟分割。仿真结果表明,相比其他典型策略,提出的策略具有更低延时和能耗,能够提升用户服务体验、增加设备续航时间,解决通信受限问题。     

面向医疗大数据的云雾网络及其分布式计算方案

针对云计算应用于医疗大数据场景时存在业务处理时延较高的问题,提出了一种基于边缘计算的新型云/雾混合网络架构,该架构利用医院中的路由器或交换机等边缘设备,在云服务器与医疗检测设备之间构建一个雾计算层,通过将云服务器中的医学影像等医疗大数据分析结果主动缓存至雾计算设备,并与雾设备上来自医疗检测终端的数据进行对比计算,得出诊断结果,达到降低业务处理时延的目的。考虑到边缘设备的计算能力较弱,进一步提出了一种多设备分布式计算方案,利用带约束的粒子群优化负载均衡(CPSO-LB)算法,达到任务处理时延最小的目标。仿真结果表明:基于CPSO-LB算法的云/雾混合网络能有效地降低医疗数据处理时延;当采用10个雾计算设备,处理的医疗数据量在6~10Gb时,与云计算网络相比时延性能提升了50.95%~37.37%。     

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。     

移动边缘计算中分布式的设备发射功率优化算法

针对大规模移动边缘计算网络架构中的用户设备计算卸载时所需的通信和计算资源难以协同优化的问题,提出了一种基于马尔可夫近似的分布式发射功率优化算法。基于香农定理和链路传输特性,将用户功率最小化策略建模成组合优化模型,通过Log-Sum-Exp函数将目标模型转化为最小权重配置的近似问题;针对该近似问题,提出了马尔可夫状态跳转的规则和分布式的设备自调节机制以实现高效求解。实验结果表明:与随机优化算法相比,该算法的系统用户设备发射总功率优化效果提升了78.5%,在给定场景下,穷举搜索最优解的计算复杂度可达410,而该算法仅需要迭代优化130次即可逼近最优解,能够有效减少通信和计算时延,确保发射功率的调整结果快速向最优目标收敛。     

移动边缘计算中两阶段多应用资源分配算法

为解决移动边缘计算( MEC: Mobile Edge Computing) 中将应用程序虚拟机副本( VＲC: Virtual Machine Ｒeplica Copy) 资源在基站边缘服务器侧部署过程中,不合理考虑用户请求分布及不同应用程序资源需求和服务器容量之间匹配性的部署策略而导致网络产生巨大数据流量,造成网络资源消耗及服务延迟问题,提出一种两阶段的多应用程序、多VＲC 分配算法: VＲC block 结合和VＲC block 分配,即最大化高匹配VＲC block 数量的VＲC block 结合算法和基于交换策略的最小化平均数据流量的VＲC block 分配算法。实验证明,该算法能合理分配布置VＲC,经过迭代能实现减少62． 8%数据流量的效果,为边缘网络中多应用程序服务的供应提供了有效的支持。