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.     

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。     

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。     

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。     

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。     

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。     

边缘计算环境下的任务调度综述

边缘计算作为一种新兴的计算模式,能够有效解决终端设备不具有计算能力或处理计算密集型与时延敏感型应用能力不足的问题。任务调度是边缘计算研究的关键技术之一,合理的任务调度策略可以有效提高边缘节点性能,提高资源利用率和降低能耗。本文围绕边缘计算环境下的任务调度技术,首先介绍了边缘计算三层系统架构、任务调度概念及流程,其次分析了基于不同目标优化的任务调度策略及各自优缺点,最后针对边缘计算的发展做出了总结与展望。     

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。     

基于边缘计算的移动网络缓存和转发优化研究

研究了基于边缘计算的移动网络中缓存和转发问题,为了避免网络拥塞和达到负载均衡,考虑数据缓存和请求转发的联合优化问题,利用随机优化模型,以网络稳定性作为约束条件,以平均传输成本最小化作为目标。利用李雅普诺夫优化技术,将联合优化问题转化线性规划问题,并设计了实时的缓存和转发在线算法。仿真实验的结果表明,该算法能够实现拥塞避免和负载均衡的同时,降低传输成本。     

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。     

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．     

一种任务驱动的车联网边缘卸载策略

边缘计算为解决未来车联网中移动流量的爆炸式增长提供了可行范式,然而位置的动态变化以及计算任务的多样性和差异性,使得资源有限的边缘服务器很难在规定时间内完成区域内多车辆任务的并行处理需求。基于此,以最小化时延为目标,提出一种结合深度确定性策略梯度算法的任务驱动卸载策略。首先,结合差异性任务类型和紧迫程度进行预处理,构建了一种基于最大延迟容忍度的任务动态优先级调整模型;然后,利用道路区域内的车辆拓扑和通信半径,提出了基于网络密度和负载均衡的动态协作簇划分方法,解决了多样性任务的动态协作卸载优化问题。实验结果表明,所提算法在收敛性、卸载时延及卸载命中率等方面具有性能优势。