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。     

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。     

边缘计算中基于混沌理论的任务调度优化策略

针对边缘场景中,多用户低效通信而导致的边缘服务资源无效占用及用户卸载能耗较高等问题,提出了优化预期成功任务卸载能耗的目标．在保证最低通信质量的前提下,考虑传输质量以及拥塞情况对于任务卸载性能的影响,构造用户与基站成功建立通信的机遇函数．综合考虑异构基站的服务能力限制,通过排队论为卸载任务的排队机制建模,并为用户实现更可靠传输以及接受更空闲的服务资源设置高效的任务分配策略．采用基于混合罚函数的混沌搜索任务分配算法,利用混沌现象的伪随机及遍历特性,搜索并获取决策最优解．仿真结果表明：所提方案可加速收敛,有效降低用户卸载能耗,并提升通信质量．     

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。     

基于无人机的移动边缘计算任务卸载

无人机具有高移动性,能帮助移动用户在基础通信设施缺乏的环境中快速部署边缘云。为降低基于无人机的边缘计算成本,提高能量利用效率,提出了一种移动边缘计算(Mobile Edge Computing, MEC)系统的任务卸载方案。首先基于排队论模型构建了多用户边缘计算模型,引入等待概率构造了移动边缘计算系统的成本函数,然后采用权重系数将多目标优化问题转化为求解卸载策略的单目标非线性规划问题,最后采用蒙特卡洛剪枝算法进行求解,并引入决策树剪枝算法降低了算法的复杂度。实验结果表明,文中提出的任务卸载方案在CPU性能较低、任务到达率较大的情况下均能降低成本开销,为基于无人机的边缘计算提供了一种低成本的解决方案。     

一种混合协作NOMA系统的缓冲辅助中继选择方案

为了提高系统的中断性能及分集增益,研究了一种混合协作非正交多址接入(non-orthogonal multiple access, NOMA)系统。系统包含一个基站、K-1个配有缓冲器的中继、一个配有缓冲器的近端用户和一个远端用户。其中,基站与近端用户可通过直传方式进行通信或由中继协作通信,而与远端用户通过近端用户或中继进行协作通信。针对该混合协作NOMA系统,提出了一种缓冲辅助中继选择方案,能够基于信道状态信息和缓冲器状态,选择近端用户或最佳中继进行协作传输。推导了系统中断概率和平均包裹时延的闭式表达式,给出了高信噪比下的分集增益。证明了当最大缓冲单元数不小于3时,所提方案能达到满分集增益2K。仿真结果表明,相对于基准方案,所提方案在系统中断概率与时延之间可以实现更好的折中。     

一种基于遗传算法的车载边缘计算卸载方案

延迟敏感型和计算密集型车辆应用的出现,给计算资源有限的车联网带来了巨大的挑战。移动边缘计算(Mobile Edge Computing, MEC)是云计算的一种补充,可以有效解决车辆计算资源有限等问题,但是车辆的高机动性以及中心云距离较远导致数据卸载延迟较大,对卸载效率产生较大影响。现有方案大多对车辆的高机动性以及空闲资源的利用方面考虑不足,因此,文中提出一种基于遗传算法的车载边缘计算卸载方案(Genetic Algorithm-based Vehicle Edge Computing Offloading Scheme, GAVECOS)。在该方案中,考虑了任务车辆周围的本地车辆、路边基站上的边缘服务器和空闲车辆的计算资源来卸载任务,然后提出一个以系统总成本最小为目标的优化问题,并利用遗传算法求解该优化问题。最后通过搭建仿真平台对方案进行了验证。仿真结果显示,在综合考虑系统的时延和能耗这两个因素的情况下,该方案与其他4种方案相比总成本有明显的降低。     

MEC系统中基于无线供能的多用户任务调度算法

节能且高效的计算是移动用户设备的必然趋势,针对无线供能的边缘计算网络,提出了一种多用户卸载决策及任务调度算法。在多用户二进制计算卸载模式下,通过联合优化无线供能时间、边缘用户的卸载决策及任务调度建立一个系统执行最大时延最小化的优化问题。由于该优化问题是一个混合整数的非凸优化问题难以求解,设计了一种两层交替迭代的求解方案,第一层采用贪婪算法或基于改进的约翰逊算法,求解出在给定无线供能时间下的用户卸载决策和任务调度,第二层基于黄金分割法求解出最优的无线供能时间。仿真结果表明,算法收敛速度快,并且有效降低了整个系统任务的执行时延。     

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。     

基于DDPG的边云协同计算卸载方法

移动设备的容量有限以及传统卸载算法仅考虑移动设备和边缘服务器计算资源,使单独的边缘计算面临资源有限和成本高的问题。为此,将云计算(Cloud Computing)、边缘计算(Edge Computing)与深度确定策略性梯度算法(Deep Deterministic Policy Gradient, DDPG)相结合,提出了一种基于DDPG的边云协同计算卸载方法(DDPG-ECC)。将时延和能耗作为优化目标,利用边缘服务器和云服务器之间的协作,最小化计算卸载系统的时延和能耗,实现了计算卸载的优化分配。仿真结果表明,DDPG-ECC性能良好,对于不同的工作负载具有很好的适应性和泛化能力。     

SDN支撑的MEC系统效能评估综述

传统的“智能终端-互联网-云计算中心”的服务架构难以适应延迟敏感应用的需求。移动边缘计算( MEC: Mobile Edge Computing) 将计算资源、存储资源和网络资源部署到互联网边缘,提高了用户和终端的资源获取速度。然而,移动边缘计算仅实现了计算与存储的管理,为了实现网络资源与计算存储资源的协同控制,需要结合软件定义网络( SDN: Software-Defined Networks) 技术构成完整的弹性服务方案。在总结MEC 应用场景和MEC 系统优化的国内外进展的基础上,给出一种移动边缘计算与软件定义网络联合系统( MEC-SDN) 的系统架构,从计算任务、通信开销、计算开销和资源分配的角度介绍移动边缘计算效能评估的研究进展。最后,对MEC-SDN 系统的未来应用领域给出了展望。     

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;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,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。     

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。     

移动边缘计算技术现状与几个关键问题的研究综述

任务计算卸载技术是为了解决本地计算资源不足而产生的,长期以来主要在云端、移动端等场景中出现.随着边缘计算时代的到来,移动边缘计算端(MEC)的任务卸载技术也受到广泛的关注和研究.文章从三个方面进行了论述:①介绍了MEC的网络架构及其部署方案,并对不同的部署方案做了分析和对比;②从移动计算卸载决策、资源分配和卸载系统这几个角度进行研究;③总结归纳了目前MEC的任务计算卸载技术所面临的移动性管理、安全管理以及服务管理等方面的挑战.     

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。     

智能电网场景下基于MEC和D2D的时延对称性研究

智能电网以电力线路及终端电力设备为基础,并与大量传感设备、信号发送及接收设备构成的信息交互系统相连接而构成。当前智能电网中电力设备接入的密集度越来越高,传统的信息交互系统无法保证电力设备的时延对称性。随着第五代(5th Generation, 5G)移动通信技术的高速发展,将5G通信网应用于智能电网成为可能。文中针对电力设备间的时延差最小化问题,利用5G通信网中的移动边缘计算(Mobile Edge Computing, MEC)技术和设备到设备通信(Device to Device, D2D)技术,提出了基于时延对称优化的计算任务比例和功率联合分配方案,将复杂的原始问题分解为子问题,并采用非线性规划的方法分别求解,对终端电力设备的发送功率以及任务分配比例进行优化。通过仿真分析证明,文中所提方案有效降低了信息交互系统的时延差,提升了信息交互系统的时延对称性。同时,相较于其他方案,所提方案具有更好的时延对称性。     

移动边缘计算中基于非合作博弈的计算卸载策略研究

针对多用户、多任务的复杂场景,建立一种基于非合作博弈和排队论的计算卸载博弈模型。以计算任务的平均响应时间和平均能耗作为性能指标,提出一种非合作博弈的纳什均衡卸载策略和成本函数,设计一个迭代算法来求解系统的纳什均衡。理论证明了该博弈模型的纳什均衡存在且具有唯一性。数值仿真结果表明,基于非合作博弈的纳什均衡卸载策略可以显著降低移动设备的开销,提升系统性能,更好地满足用户需求。     

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。     

移动边缘计算中的低能耗任务卸载决策算法

移动边缘计算(mobile-edge computing,MEC)中,除了考虑智能移动设备(smart mobile devices, SMD)的能耗,还应考虑微蜂窝基站处理任务的能耗。为了有效降低微蜂窝基站处理任务的能耗,文章提出了一种任务卸载决策算法(task-offloading decision algorithm,TDA)。该算法能够实时地根据卸载到微蜂窝基站上任务的紧急度做出任务卸载的决策,确定卸载任务分片的数据量,联合微蜂窝基站无线通讯范围内的其他基站协作处理任务,有效降低整个处理任务的能量消耗。实验结果表明,在100个微蜂窝基站构成的蜂窝网络中,TDA可以降低蜂窝网络31%～36%的能耗。     

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。