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。     

瑞利衰落信道下延迟敏感业务的CR频谱管理

在平坦的瑞利衰落信道条件下,针对认知无线电网络中的延迟敏感型业务,考虑其延迟时限的要求,提出一个动态信道选择方案.为了管理分布式的可用频谱资源,认知用户通过一个虚拟排队模型的接口进行信息交换并使用优先虚拟排队分析估计期望延迟,并利用了相应的动态策略学习算法,使延迟敏感业务能够动态适应信道选择方案以达到最小化丢包率目的.