移动边缘计算中两阶段多应用资源分配算法

为解决移动边缘计算( MEC: Mobile Edge Computing) 中将应用程序虚拟机副本( VＲC: Virtual Machine Ｒeplica Copy) 资源在基站边缘服务器侧部署过程中,不合理考虑用户请求分布及不同应用程序资源需求和服务器容量之间匹配性的部署策略而导致网络产生巨大数据流量,造成网络资源消耗及服务延迟问题,提出一种两阶段的多应用程序、多VＲC 分配算法: VＲC block 结合和VＲC block 分配,即最大化高匹配VＲC block 数量的VＲC block 结合算法和基于交换策略的最小化平均数据流量的VＲC block 分配算法。实验证明,该算法能合理分配布置VＲC,经过迭代能实现减少62． 8%数据流量的效果,为边缘网络中多应用程序服务的供应提供了有效的支持。     

移动传感器网络分布式节点部署优化算法

针对移动传感器网络中动态目标监测场景,提出了一种分布式传感器节点部署优化算法.该算法模仿鸟群行为将传感器节点驱动至目标附近的合适位置,并使得邻节点间的距离接近一个由实际通信模型确定的期望值.部署过程中节点运动遵循二阶动力学原理,系统的激励函数由势函数、节点速度共识项和导航反馈项组成,其中势函数用于控制邻节点之间距离,节点速度共识项用于表征相邻节点的群体行为,而导航反馈项则用于追踪目标的移动.仿真结果表明:该节点部署算法相比于传统鸟群算法,无论目标节点是否静止,均可更均匀地实现传感网节点部署.     

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。     

移动边缘计算中基于用户移动的虚拟机迁移策略研究

随着移动边缘计算(mobile edge computing,MEC)技术的深入发展,其面临的挑战也越来越复杂。由于用户移动而造成用户与云服务器之间的通信延时增加,用户服务质量(quality of service,QoS)下降是目前的研究热点,由此提出移动边缘计算中基于网络拥塞情况下的虚拟机迁移策略。将用户运行的带宽延迟敏感型应用卸载到用户周围代价最小的边缘服务器的虚拟机上,当出现网络拥塞情况时,通过将运行带宽延迟敏感型应用的虚拟机从拥塞的边缘服务器迁移到资源丰富的服务器上,达到提高链路的TCP(transmission control protocol)吞吐量的目的,同时改善用户的QoS。提出了4种不同的网络与边缘节点拥塞情况,通过仿真结果分析,所提出的虚拟机迁移策略可以有效地改善网络的TCP吞吐量,提高用户服务质量。     

无人机与车辆协助下的分布式多任务边缘计算卸载算法

为满足密集分布用户的服务质量和体验质量,建立了车辆和无人机协助下的多接入边缘计算卸载模型,车辆、无人机和路边单元作为边缘节点,将不同的计算任务按需卸载到不同类型的边缘节点进行处理.设计了基于分布式匹配-贪婪算法的终端用户任务卸载方案以最小化系统功耗,并研究了用户数量和延迟容忍对卸载方案的影响.仿真结果表明:该方案在满足...     

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。     

边缘计算中基于任务分解的任务分配算法

大规模任务使得任务服务质量遭受到巨大挑战.边缘计算环境能够为大规模任务处理提供很好的执行模式.针对这一问题,提出了一种基于任务分解的任务调度算法(Task Decomposition based task Allocation Friendly algorithm,TDAF).该算法主要包含2个模块:任务分解模块和任务...     

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。     

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。     

移动无线传感器网络中分布式重聚类算法研究

移动无线传感器网络中,节点的移动性影响着层次化聚类之后的网络结构,从而影响聚类内部节点间通信时的数据送达率与能耗.为了降低节点移动性的影响,本文提出了一种分布式重聚类算法.该算法基于已聚类网络,利用粒子滤波算法对节点当前位置进行估计,并结合移动模型预测下一时刻位置;处于聚类边界的非簇头节点周期性地评估自身是否需要重聚类,并在需要时通过与所属聚类及目标聚类的簇头节点通信,将自身重聚类到目标聚类中.仿真结果表明,在重聚类周期较小时,该算法能够使节点在移动过程中保持合理的通信距离,并在数据送达率与能耗方面优于现有的算法.     

分布式无人机网络覆盖优化算法

针对非均匀目标区域中的热点区域覆盖优化场景，提出一种分布式无人机网络覆盖优化算法。首先对满足网络连通性的最少无人机节点数目和热点区域覆盖范围进行估计，其次融入热点区域信息改进布谷鸟算法位置更新方程并重构优化目标函数，然后对发现概率参数进行自适应调整，最终实现热点区域覆盖率的重点优化。在仿真实验分析中，在相同仿真环境下与标准布谷鸟算法和其他经典算法进行对比，结果表明所提算法的热点区域覆盖率较其他算法提升了约4%，迭代次数减少了约30次，证明了该算法收敛速度快、耗时少，能够更加有效地提高热点区域的覆盖率。     

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．     

移动计算环境下结构化存储查询优化算法的设计

移动结构化存储问题一直以来是移动PC产品研究的热点问题。为了更好地处理移动计算环境下断接等问题,采用多元连接的查询优化算法进行了设计。首先在理论上设计了改进算法在并行连接操作的优势及特点,同时利用Socket实现了移动Agent和服务器Agent的网络通信;并完成了移动环境下的无线网络模拟平台设计。实验结果表明改进算法传送到指定站点的集中装配消耗时间显著减少,在表属性列限制条件较多时,改进算法的总代价与普通算法相比明显要少,并行连接最多时改进的算法可以确保总代价最小。研究对移动数据存储的稳定性改进具有一定的意义。     

分布式视频编码中相关噪声模型优化算法

在分布式视频编码中,准确的相关噪声模型(correlaiton noise model,CNM)是影响系统的关键因素。通过研究变换域中WZ帧与相应边信息的残差系数的分布关系,发现实际的残差分布与拉普拉斯分布模型存在一定的偏差。通过分析相关噪声模型的特性,提出相关改进算法。即根据残差系数的大小与实际概率置信度的关系,采用不同的分布参数,使得改进后的拉普拉分布模型更接近实际的残差分布。实验结果表明,该优化算法有效提高了系统的率失真性能,不仅降低了系统解码的码率,同时提升了最小均方误差(minimun mean square error,MMSE)重建的质量。     

基于边缘计算的收益激励算法对区块链分片的优化

本文提出一种收益激励(PI)算法,首先针对单个节点计算其生成一个区块的延迟和能耗,计算出该节点处理任务的最终收益;其次根据基于边缘计算的可信度模型计算出该节点的平均分片可信度,在不降低其他节点收益和平均分片可信度的同时,该节点选择能够最大化其收益的分片;最后得到所有节点收益和分片可信度均最大化的分片结构。仿真结果表明,在基于边缘计算的区块链分片中,与OmniLedger、DBSS和CBBA算法进行比较,PI算法能够在保证吞吐量不降低的情况下,提高区块链系统的稳定性。     

面向5G的移动边缘计算中的激励机制

现有的移动设备(Mobile Device,MD)受到自身物理体积的限制,其计算能力难以满足5G场景下的计算需求,因此需要借助移动边缘计算(Mobile Edge Computing,MEC)来高效地完成计算任务.为了激励边缘节点提供服务,在非竞争环境与竞争环境下分别提出了相应的激励机制算法.针对非竞争环境,利用经典的经济学规律进行建模,并采用凸优化方法对该利益最大化问题进行求解.对于竞争环境,基于拍卖理论中的威克瑞拍卖与维克瑞-克拉克-格罗夫斯(Vickery-Clarke-Groves,VCG)拍卖,分别设计了两种竞争环境下的激励机制算法.仿真结果表明:竞争环境下的激励机制在收益性能方面与非竞争环境下的理想情况十分接近,并且算法性能不会随用户数量上升而明显下降,可以较好地应对5G的海量运算数据场景.     

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。