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。     

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。     

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.     

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。     

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。     

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。     

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。     

基于NOMA的多用户协作MEC卸载方案

移动边缘计算(Mobile Edge Computing, MEC)在网络边缘为用户提供计算服务,有效降低了数据传输和处理时延,成为第五代移动通信系统(the 5th Generation Mobile Communication System, 5G)低时延通信的关键技术。如何优化设计卸载策略以保证低时延、低能耗和高可靠通信是MEC面临的一个极具挑战性的任务。为此,文中针对频谱和能量双受限的多用户多任务MEC系统场景,提出可最小化系统能耗的多用户任务非正交多址(Non-Orthogonal Multiple Access, NOMA)协作中继卸载计算方案。考虑多用户协作中继场景并允许多任务基于NOMA实现并行卸载传输,在时延约束下建立多用户任务卸载计算能耗最小化问题;利用拉格朗日对偶法求解该问题,得到最优的基于中继的任务卸载传输方案和用户功率分配方案。仿真结果表明,所提方案能够有效降低MEC系统的多任务卸载计算能耗。     

Stackelberg博弈的MEC资源分配策略

移动边缘计算(mobile edge computing,MEC)通过在网络边缘部署计算资源成为缓解终端设备资源匮乏的有效方案。针对设备计算资源无法满足任务需求的问题,提出一种基于Stackelberg博弈的MEC资源分配策略。该策略应用Stackelberg博弈理论将请求方、协作方的卸载过程描述为效用最大化问题以激发双方的协作积极性,并设计一种基于粒子群的Stackelberg博弈算法,以快速获得该优化问题的最优解。同时,由于区块链具有分布式、不可篡改等特性,出于对安全性的考虑,将其应用于协作过程的管理。实验结果表明,所提策略可以实现双方联合效用最大化,且相较于遗传算法的卸载方案;所提算法具有更快的收敛性能。     

基于虚拟机迁移的能量收集MEC系统资源分配策略

针对现有研究没有考虑用户移动性对移动边缘计算（mobile edge computing,MEC）服务器反馈计算结果影响的情况,提出一种基于虚拟机迁移的能量收集MEC系统资源分配策略。考虑用户移动性影响,分别给出用户移动性模型和能量收集模型;采用虚拟机迁移方式,把用户卸载给初始MEC服务器的计算任务转移到当前MEC服务器,由当前MEC服务器完成计算任务,计算结果直接反馈给用户;综合考虑用户卸载计算任务和MEC服务器反馈计算结果,将功率和子载波分配问题建模为混合整数非线性规划问题,在满足能量消耗、子载波分配和发射功率的约束条件下,最大化系统能量效率。为了降低求解复杂度,通过引入遗传算法,获得次优解。仿真结果表明,与基于遗传算法的局部功率或子载波分配方法相比,提出的方法具有更高的能量效率。     

云计算环境下浮点和整数同时多线程资源配置方法研究

云计算环境下数据规模较大,当前资源配置方法依据优先级、按照顺序对资源进行配置,具有资源利用率低、配置效率低、能耗高等弊端。为此,提出一种新的云计算环境下浮点和整数同时多线程资源配置方法,分析了计算操作和访存操作的并发性,给出云计算环境下和每片外访存load操作相应的发射执行指令数的定义,得出在相同时间段内IPM值越大,计算型与访存型操作同时执行的机会越大,资源配置性能越高的结论。依据该结论,通过IPM实现云计算环境下浮点和整数同时多线程资源配置,将较多的资源分配至IPM值较大的浮点或整数线程中,将较少的资源分配至IPM值较小的浮点或整数线程中,使得云计算环境下的共享资源得到最佳配置。利用实验测试所提方法的实际应用性能。实验结果表明,所提方法资源利用率高、能耗损失低、资源配置效率高,整体资源配置性能很高。     

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...     

云计算资源优化问题求解的萤火虫算法

为了提高云计算资源利用率,结合云计算资源优化问题的特点,设计一种云计算资源优化问题求解的萤火虫算法.首先建立云计算资源负载调度问题的约束条件,以用户任务完成时间最少作为云计算资源负载调度优化的目标函数;然后通过萤火虫算法找到目标函数值最优的资源调度策略;最后在CloudSim平台上实现云计算资源负载调度仿真实验.实验结果表明,萤火虫算法减少了云计算任务完成的时间,均衡了云计算资源的负载,使云计算资源得到合理分配,且比其他算法优势明显.     

基于任务分类思维的云计算海量资源改进调度

对云计算海量数据下的资源调度的研究过程中,进行资源调度时资源分配无法到达合理化调度,存在资源调度效率低的问题。提出分类思维的云计算海量数据资源优化调度方法。该方法引入膜计算概念,将云计算下的海量资源调度的总任务划分为多个子任务,并详细计算每个子任务的资源调度任务量。将优化调度系统内部分解为主膜和辅助膜,利用蝙蝠算法在辅助膜内进行资源分配个体寻优,并将优化后的资源分配最优个体传送到主膜间进行云计算海量数据下的资源分配优化。实验仿真证明,基于改进膜计算蝙蝠算法的云计算海量数据下的资源优化调度方法调度效率高,分配较为均衡。