融合无线携能通信的可充电雾计算迁移研究

雾计算网络场景下移动设备因其电池寿命有限而大大制约了其工作能力,简单的计算迁移方案已无法满足用户的服务需求。因此,文中提出了一种融合无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的可充电雾计算迁移机制。具体地,通过充分考虑任务迁移比、传输时间和功率分割比的联合优化,构建了一个多用户场景下最小化所有任务完成总能耗的优化问题。基于上述非凸优化问题,提出了一个基于凸差规划与加速梯度的交替优化算法,该算法基于凸差规划和交替优化理论,将非凸优化问题转化成两个凸优化子问题进行交替求解;同时,结合加速梯度下降方法,实现任务迁移比、传输时间和功率分割比等最优解的快速求解。特别地,通过在传统FC模型中融合SWIPT技术,使得智能设备从射频信号中解码结果信息的同时可以从中采集能量,以延长电池的使用寿命。最后,仿真结果表明文中所提出的可充电雾计算迁移机制可以有效降低任务处理能耗,较DGECO方案能耗平均降低了约12.8%。     

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。     

基于边端协同的CNN推理加速框架

基于卷积神经网络(CNN)的移动应用程序通常处理的是计算密集型任务,然而传统的云推理和端推理方式在低时延和高准确率方面仍面临着挑战。针对以上问题,提出了一种基于边端协同的CNN推理框架,它能让一个端设备和多个边缘服务器协同工作以提供CNN推理服务。该方法综合考虑高度动态的网络带宽和设备负载情况,分步决策出模型多个最佳分割位置以优化计算和通信权衡。基于硬件测试平台的实验评估表明,相较于3种流行的CNN推理方法,该方法实现了14.3%～67.5%的推理加速,提升边缘服务器的计算资源利用率100%。     

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CUDA流技术的深度学习系统优化

为了在不损失模型准确率的同时优化Caffe深度学习框架的训练速度,提出了一种面向Caffe并基于计算统一设备架构(CUDA)流技术的深度学习系统优化方法,以便充分利用GPU资源,提高计算的并行度.在Caffe网络的各层使用异步CUDA流,使其运行在独立线程以并行执行GPU计算任务;同时将批处理块划分成多个数据片,使用调度算法在前向传播和反向传播过程中以流水线形式进行处理.在数据集MNIST和CIFAR-10上的实验结果表明:优化后的系统在训练速度上有明显提升,同时准确率基本无损失.     

云边协同下基于多智能体强化学习的任务卸载策略

针对智能移动终端设备的资源有限性和未来网络架构需要云边协同能力等问题,提出了一种基于多智能体强化学习的任务卸载策略,通过部署Cybertwin智能体为用户设备所需卸载的任务合理分配资源,在保证终端设备的服务质量(QoS)要求的同时,最小化整个计算网络的总成本。首先联合设计Cybertwin智能服务代理、计算任务分配以及网络通信与算力等多维异构资源配置构建随机对策的马尔可夫博弈过程(MGP),使执行总延迟和总能耗之和最小。其次考虑到需要处理随机时变网络与动态资源请求的高维连续动作空间,采用了一种基于多智能体双延迟深度确定策略梯度(MATD3)的深度强化学习协同框架求解。仿真实验结果表明：与常见的单智能体学习算法和启发式方案相比,本文提出的MATD3方法具有较好的性能,在平均执行成本方面分别降低了25.61%和35.79%,在任务卸载率上分别提高了39.13%和77.76%。     

移动场景中基于DQN的毫米波MISO系统下行链路波束成形

针对移动场景中毫米波MISO系统的可靠性通信问题,提出一种基于深度Q网络(deep Q network,DQN)的下行链路波束成形优化方案.考虑用户快速移动导致的多普勒频移来构建移动场景中的毫米波信道模型,结合功率控制和干扰约束,将MISO系统下行链路的波束成形联合设计方案(joint beamforming-powe...     

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。     

在中继选择系统中的发送功率和调制方式的联合优化方案

在传感器网络中,降低网络总功耗和延长网络寿命是网络设计和优化的重要要求.本文研究了采用机会性中继选择的解码前传系统,提出了一种能提高系统功率效率的中继选择、调制方式和发送功率的联合优化方案.该方案中,源节点和中继节点使用不同的发送功率.在给定误码率和系统参数的条件下,可以通过分布式的计算方法获得最优解.仿真结果表明所提方案能获得比协作MIMO系统更高的功率效率.     

基于功率效率最优化的D2D功率控制方法

LTE-A网络中的终端直通(Device-to-Device,D2D)技术能够有效提高资源利用率,然而复用资源引起的同频干扰会制约系统容量的提升.合理的功率控制策略可以有效降低干扰,提高网络整体性能.为了进一步提升该网络中各类用户的功率效率,文中提出一种基于功率效率最优化的功率控制方法.首先根据该网络资源复用的特点,从资源使用的角度提出一种新的功率效率定义方式,进而将功率分配建模为最大化该功率效率的优化问题,并提出了一种变步长增量迭代的求解算法为各类用户分配最佳发射功率.仿真表明,提出的功率控制方法能以较低的功耗获得较高的吞吐量,与现有方案相比,在降低了复杂度的同时使功率效率上升了约15%,有效减少了同频干扰造成的影响.     

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。     

云计算下深空通信网络的能耗感知调度方法研究

云计算下深空通信网络中,通常同时要求低能耗和低反应时间,当前调度方法一般无法同时满足上述两种条件,导致调度性能不佳。为此,提出一种新的云计算下深空通信网络的能耗感知调度方法,将云计算系统抽象地表示成一个四元组,给出云计算平台拓扑图,介绍了云计算系统的能耗感知模型。将能耗感知理论引入min-min任务调度方法,依据深空通信网络对任务截止时间要求的满足程度,优先选择任务队列中的最短任务,将其分配至能耗最小的服务器上执行,求出该任务在各服务器上的执行能耗,通过完成时间是否满足截止时间要求判断是否结束调度。给出基于能耗感知的最早完成时间任务调度方法的详细实现过程。实验结果表明,所提方法能耗低,时间跨度优。     

异构边缘网络中基于服务器休眠的协同计算策略

在异构边缘网络中,基站和边缘服务器的密集部署使系统功耗激增,为移动运营商带来了高额成本.同时,由于异构系统中任务的多样性和复杂性,高效的资源分配和任务迁移构成了严峻的挑战.针对上述问题,建立了服务器间的任务迁移和服务器睡眠模型,提出了一种面向异构边缘网络中服务器多睡眠模式的任务迁移算法.该算法先将问题按时隙划分为多个子问题并分别建模为混合整数非线性规划问题,再使用序列二次规划算法对每个子问题进行迁移决策求解,最后通过睡眠决策算法确定服务器的睡眠模式.仿真结果表示,所提算法不仅可以均衡边缘网络中非均匀分布的任务量,提高服务器资源的利用率,而且可以通过服务器多休眠状态显著降低系统能耗,提高系统性能.     

处理人工智能应用的高性能计算机的架构和评测

人工智能(artificial intelligence,AI)的3块基石是大数据、高性能计算、深度学习算法,大数据被称为"算料",高性能计算被称为"算力",深度学习算法被称为"算法".人工智能主要的研究领域就是算料、算力和算法.算力基础设施作为处理人工智能应用的基石,一直被各个国家给予高度重视.由于人工智能应用的飞速...     

基于关系和状态的移动云位置信息服务

受限的资源、易泄漏的用户信息一直制约着基于位置服务(location-based services, LBS)的应用程序的发展和推广. 通过结合云计算强大的计算能力和存储能力, 以及3G网络发展下的高速移动网络, 提出一种移动终端加云服务器端的开发模式. 该模式能够将移动端中复杂繁琐的计算任务和大量的存储任务交付给具有高速计算能力和海量存储能力的云端执行. 提出一种基于关系和状态的信息推送策略. 该策略能够很好地保护用户的位置等私密信息, 为用户提供灵活的权限设置. 通过一个原型系统的运行, 证明系统的可行性和实用性.     

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。     

基于身份的并行增量移动云存储方案

针对移动云计算环境中的数据存储问题,提出了一种基于身份的并行增量移动云存储方案.该方案引用了并行计算思想,使用密文聚合技术,充分挖掘了现有移动客户端的性能,在效率和能耗之间达到了平衡;使用增量代理重加密算法,在将部分计算迁移至云计算中心的同时,提高其整体性能;不使用传统公钥证书,既减少了密钥管理压力,也实现了信息的保密性和完整性.实验表明,该方案提高了CPU的使用率,具有较强的可用性.     

MEC辅助的Inactive状态用户动态位置管理方案

移动边缘计算(mobile edge computing, MEC)作为5G网络架构演进的关键技术,能够满足系统对于吞吐量、时延及智能化要求。同时,5G引入用户(user equipment, UE)无线资源控制(radio resource control, RRC)Inactive状态作为用户的主要状态。在分析MEC的特点、网络架构、装置结构的基础上,基于Inactive状态特点,对当前Inactive状态的寻呼和位置跟踪方案进行分析和对比,提出一种基于MEC的UE数据包缓存和动态位置管理方案,该方案由部署在靠近无线接入网(radio access network,RAN)基站侧的MEC缓存Inactive UE数据包,并更新UE的RAN通知区域(RAN notification area,RNA)。和传统的方案相比,该方案能有效解决锚点gNB(5G NodeB)的容量问题,并且实现UE有效的位置管理。