边缘计算中协作计算卸载与动态任务调度

在边缘计算场景中,通过将部分待执行任务卸载到边缘服务器执行能够达到降低移动设备的负载、提升移动应用性能和减少设备开销的目的.对于时延敏感任务,只有在截止期限内完成才具有实际意义.但是边缘服务器的资源往往有限,当同时接收来自多个设备的数据传输及处理任务时,可能造成任务长时间的排队等待,导致部分任务因超时而执行失败,因此无法兼顾多个设备的性能目标.鉴于此,在计算卸载的基础上优化边缘服务器端的任务调度顺序.一方面,将时延感知的任务调度建模为一个长期优化问题,并使用基于组合多臂赌博机的在线学习方法动态调整服务器的调度顺序.另一方面,由于不同的任务执行顺序会改变任务卸载性能提升程度,因而影响任务卸载决策的有效性.为了增加卸载策略的鲁棒性,采用了带有扰动回报的深度Q学习方法决定任务执行位置.仿真算例证明了该策略可在平衡多个用户目标的同时减少系统的整体开销.     

异构边缘资源的任务卸载和协同调度

边缘计算广泛应用于物联网、车联网和在线游戏等新兴领域,通过网络边缘部署计算资源为终端设备提供低延迟计算服务.针对如何进行任务卸载以权衡任务执行时间与传输时间、如何调度多个不同截止期任务以最小化总延迟时间等挑战性问题,提出1种异构边缘协同的任务卸载和调度框架,包括边缘网络拓扑节点排序、边缘节点内任务排序、任务卸载策略、任务调度和结果调优等算法组件;设计多种任务卸载策略和任务调度策略;借助多因素方差分析（multi-factor analysis of variance,ANOVA）技术在大规模随机实例上校正算法算子和参数,得到统计意义上的最佳调度算法.基于EdgeCloudSim仿真平台,将所提出调度算法与其3个变种算法从边缘节点数量、任务数量、任务分布、截止期取值区间等角度进行性能比较.实验结果表明,所提出调度算法在各种情形下性能都优于对比算法.     

基于深度强化学习的边云协同任务卸载策略

为降低应用程序执行的时延和能耗,针对移动边缘计算环境,提出一种边云协同场景下基于深度强化学习的任务卸载策略。通过建立边云协同架构下的网络模型、通信模型及计算模型,以最小化时延和能耗为系统目标,设计基于深度强化学习的DQN卸载策略,将每个用户产生的任务独立高效地放置在本地、服务器或者云端进行计算,并将计算结果与其它方法进行比较。实验结果表明,相较其它基线算法,该方法能更有效减少任务执行的开销,得到更优的卸载策略。     

基于边缘计算的新型任务卸载与资源分配策略

针对移动边缘计算（MEC）中密集型任务卸载时，系统开销较大和延时抖动明显的问题，提出一种新型资源分配策略。首先在系统时延约束下，分析了系统任务执行开销与终端设备的资源分配机制；其次建立了基于计算卸载和任务分配的联合凸优化目标；最后采用拉格朗日乘子法进行迭代更新得到最优解。仿真结果表明，所提任务卸载与资源分配方案在保证用户服务质量的同时降低了任务执行开销，并有效提升了MEC系统性能。     

移动边缘计算不确定性任务持续卸载及资源分配方法

移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.     

边缘计算中基于能耗感知的容错协同任务执行算法

边缘计算已被设想成为增强资源贫乏的智能设备计算能力的有效解决方案.通过任务卸载用户可以将计算复杂的任务卸载到边缘云端执行来满足其对资源的需求.然而,其仍然需要解决能量消耗、可靠性和延时的问题.文中提出了一种基于能耗感知的容错协同任务执行算法,以在减少设备能耗的同时保证卸载到边缘云上的任务成功执行.具体地,首先设计了一种具有容错能力的能耗感知协同任务执行模型,该模型通过将计算卸载模型和容错模型相结合,从而在应用程序的截止完成时间内减少设备能耗.然后,提出了一种基于能耗感知的容错协同任务执行调度算法,该算法包括协同任务执行、初始化调度和在线调度.协同任务执行是通过部分关键路径分析和one-climb策略来确定任务的执行决策;初始化调度是从副本和重新提交中为在边缘端执行的任务选择容错策略,以在发生故障时可针对任务采取相应容错措施;在线调度是在发生故障时实时调整容错策略以确保任务成功处理.最后,在3种具有代表性的任务拓扑上进行了广泛的仿真实验,评估了3种不同方案在任务完成率、能耗比方面的性能差异.结果表明,无论是截止完成时间、传输速率还是容错率的变化,该方法都可以保证任务在截止时间内顺利完成,相比协同任务执行更可靠,而且相比本地执行设备消耗的能量可至少减少30％.     

车联网中基于麻雀搜索算法的计算卸载策略

针对车联网场景下的边缘计算系统中MEC服务器负载不均衡，紧急任务无法得到优先处理的问题，提出一种基于麻雀搜索算法的计算卸载策略(COSSA)。以最小化VEC系统的任务计算时延和MEC资源服务费为目标建立数学模型，利用层次分析法根据任务的属性为每个需要卸载任务分配优先级，运用麻雀搜索算法根据目标函数找出最优的卸载决策，实现服务器负载均衡。实验结果表明，与Random、ALP和OMP策略相比，COSSA策略可以有效地降低系统开销、均衡MEC服务器负载。     

故障场景下的边缘计算DAG任务重调度方法

边缘计算将计算和存储资源部署在靠近数据源的网络边缘,并高效调度用户卸载的任务,从而极大地提升了用户的服务体验(Quality of Experience,QoE).但是,边缘计算缺乏可靠的基础设施保护,服务器节点或通信链路的突发故障可能会导致服务失败.为此,建立了边缘计算中的计算节点和通信链路故障模型,并针对依赖型用户任务的调度,提出了资源故障场景下的任务重调度算法DaGTR(Dependency-aware Greedy Task Rescheduling).DaGTR包括两种子算法,即DaGTR-N和DaGTR-L,分别用于处理节点和链路故障事件.DaGTR能够感知任务的数据依赖关系,并基于贪心方法对所有受故障影响的用户任务进行重调度,以保证每个任务的成功执行.仿真结果显示,所提算法能够有效避免节点或链路故障导致的任务失败,提高了资源故障情况下任务的成功率.     

基于边缘云环境的工作流调度与卸载决策算法

边缘云环境中,为改善任务执行效率和移动客户端能效,以最小化执行时长和降低移动端能耗为目标,提出一种工作流调度与卸载决策算法PCTSO.依据工作流任务的结构层次,设计基于优先级的待调度任务选择机制;设计基于连续任务选择的卸载机制,验证连续依赖型任务的整体卸载可以更有效利用边缘云服务器资源,提升任务执行并行度.利用随机工作流结构和Montage科学工作流进行仿真实验,其结果表明,该算法在满足能量约束的同时,可以进一步提升多工作流的调度效率,降低执行时长.     

基于联合决策模型的物联网边缘计算资源分配

随着应用需求的增加,一些场景要求物联网能够支持密集型计算任务.传统物联网只能提供单机资源,且负载能力有限,无法有效解决时延、资源与任务的配置问题.于是提出基于联合决策模型的物联网边缘计算资源分配方法,利用边缘网络的计算优势来弥补物联网节点本地计算资源的不足,从而提高任务时延与峰值负载的性能.先从时延、能耗、计算资源和带宽资源方面进行分析,并考虑了节点移动、数据传输和卸载等情况带来的问题.根据时间和各类资源模型的分析,建立联合模型来得到资源分配调度的最佳决策,将最小卸载模型推演至最高总效用模型,并通过最速下降法对模型进行分解,在任务卸载率一定时,求解得到资源分配情况.通过动态时变物联网环境下的仿真,得到所提方法能够在较短的执行时间内,达到较高的任务完成率,且保持较低的能耗和资源分配数量.结果表明所提方法能够适应动态时变的物联网应用需求,有效完成任务与资源的卸载决策与调度分配.     

D2D网络中基于多目标优化的计算卸载策略

针对终端直传（Device-to-Device, D2D）通信技术的移动边缘计算场景中计算卸载的高时延、高能耗问题,提出一种基于多目标优化的计算卸载策略。该计算卸载策略基于时延和能耗多目标优化模型,引入过度卸载问题的分析,对NSGA-II算法进行改进,包括适用于计算卸载的基因编码策略、交叉和变异方法,通过求解帕累托最优来最小化任务执行时间和能耗。此外,还提出一种数据路由算法,以平衡路由设备的传输能耗,并优化路由路径。通过仿真实验,该算法的平均提升效率最高可达41.7%,任务重传率降低至7.8%。实验结果表明,本文提出的算法能明显减少执行时延、能耗,降低任务重传率和提高任务卸载成功率。     

车联网中基于联邦深度强化学习的任务卸载算法

随着车联网应用服务体系日益丰富，计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用。计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题。对于车联网中动态的多车辆多路侧单元的任务卸载环境，提出了一种基于联邦深度强化学习的任务卸载算法。该算法将每辆车都看作是智能体，采用联邦学习的框架训练各智能体，各智能体分布式决策卸载方案，以最小化系统的平均响应时间。设置评估实验，在多种动态变化的场景下对提出的算法的性能进行对比分析。实验结果显示，提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法，接近于理想方案，且求解时间远短于理想方案。实验结果表明，所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间。     

基于主动缓存的云边端协同卸载策略

为避免移动边缘计算中任务的重复计算,进一步提升系统性能,缩减应用程序完成时间,提出基于主动缓存的云边端协同卸载策略(CEECO).在边缘服务器和云端主动缓存计算任务的执行结果,在此基础上基于线性回归模型进行任务预测,得到不同的云边端卸载执行策略.仿真结果表明,该算法相对传统卸载策略总完成时间更少,能够满足不同任务情况下对时延的要求.     

面向5G车联网场景的移动任务动态卸载策略研究

由于车辆自身的高速移动性和资源有限性等特征,使得采用传统通信和计算手段的车联网场景无法满足用户日益增长的数据计算需求和体验质量需求。采用5G和边缘计算技术构建的新型车联网架构可以满足以上需求,但由于网络结构的变化,需设计适合新场景下的车辆任务通信和计算策略。针对5G车联网场景下的移动车辆任务动态卸载问题进行研究,提出了对应的动态任务分配策略和卸载调度低时延算法。车辆会根据提出的策略和算法将未完成的计算任务卸载到相应的 MEC 服务器或车辆上,并且计算结果将通过边缘服务器之间的联合通信或直接从被选择接受卸载任务的附近空闲车辆上直接返回给车主。仿真结果表明,所提出的策略和算法在优化卸载延迟方面具有良好的性能,并提高了用户体验质量。     

基于MEC的蜂窝网络联合计算与无线资源管理

移动边缘计算（MEC）是当下最有效的增强移动设备计算能力的方法，吸引了广大学者进行研究。为提高移动边缘计算的无线蜂窝网络性能，提出了一种基于移动边缘计算的无线蜂窝网络计算卸载和干扰管理集成框架。在该集成框架中，MEC服务器综合基于所有用户设备（UE）估算的计算开销和由MEC服务器自身估算的卸载开销做出卸载决策。然后MEC服务器再使用图着色进行PRB分配。最后基于卸载决策和PRB分配结果将MEC服务器的计算资源分配给用户设备UE。对该集成框架的仿真结果展现了该集成框架在不同系统参数下的有效性。     

边缘环境下基于模糊理论的科学工作流调度研究

作为一种新型计算范式,边缘计算已成为解决大规模科学应用程序的重要途径.针对边缘环境下的科学工作流调度问题,考虑到任务计算过程中的服务器执行性能波动和数据传输过程中的带宽波动造成的不确定性,文中基于模糊理论,使用三角模糊数表示任务计算时间和数据传输时间,同时提出一种基于遗传算法算子的自适应离散模糊粒子群优化算法(Adap...     

时间和能量敏感的端——边—云车路协同系统资源调度优化方法

随着信息技术的不断发展,智能交通系统逐渐成为未来交通的发展方向.然而,智能交通系统中时间敏感型和计算密集型应用的日益增多,给资源有限的车辆终端带来了严峻挑战.端—边—云层次性计算架构是应对该挑战的有效手段.在基于端—边—云架构的车路协同系统中,车辆用户可以将时间敏感型任务卸载到附近的路边单元执行以保证应用的实时性,而将计算密集型任务卸载到云以满足其算力需求.但是,任务卸载也会导致额外的传输时延和能量开销.此外,任务在传输过程也可能遭受错误而导致可靠性降低.因此,为保障端—边—云车路协同系统中车辆的用户体验,提出一种基于多智能体强化学习的资源调度方案.该方案通过充分利用端—边—云架构的特点并采用集中训练—分散执行的框架来构建深度神经网络,以制定任务卸载和车路计算资源分配的最优决策,最终实现可靠性约束下的系统时延和能耗优化.为验证所提方案的有效性,实验通过效用值来体现算法在时延和能耗2方面的优化.实验结果表明,与现有算法相比,所提方案在满足可靠性约束的前提下,效用值可以提高到221.9%.     

车联网中改进粒子群算法的任务卸载策略

当前,多数车联网任务卸载工作仅考虑时延因素将任务卸载至边缘服务器执行(LOCAL-MEC),但是,车载单元仍有一定的计算能力可以利用.针对上述问题,研究了任务卸载的总代价即时延和能耗两个目标,提出一个将车辆自身的计算单元、附近车辆的计算单元与边缘服务器协同计算的任务卸载模型.该模型既考虑了任务的优先关系,又同时考虑了系统的时延和能耗.通过借鉴模拟退火算法思想并引入压缩因子改进粒子群算法来实现任务卸载.实验结果表明:与其他任务卸载策略相比,提出的任务卸载策略优化效果明显,TPSO算法的总代价为传统粒子群算法的53.8％、LOCAL-MEC策略的27.1％、DCOS(distributed computation offloading scheme)算法的78％,并且适用于多种现实场景.     

考虑任务依赖的卫星边缘计算资源分配与卸载决策算法

针对高低轨卫星网络协同边缘计算的卸载决策问题,提出了一种考虑任务依赖的联合计算资源、无线资源分配与任务调度的卫星网络边缘计算卸载决策算法。首先,将任务卸载问题建模为最小化任务延迟和能量消耗的联合优化问题;然后,将能源消耗和时延引入子任务优先级定义中,基于动态优先级进行启发式卸载策略搜索。该算法保证了子任务之间的依赖性并同时考虑了无线资源分配。仿真结果表明,与已有研究相比,该算法能缩短高低轨卫星协同计算的任务执行延迟,且能够降低低轨卫星功耗。     

C‑V2X车联网中基于模拟退火算法的任务卸载与资源分配

网联车辆节点产生的不同属性的大数据流量计算任务进行传输并卸载时,通常引起通信系统中时延抖动、计算能耗与系统开销大等问题,因此,根据实际通信环境,提出一种C-V2X车联网（IoV）中基于模拟退火算法（SAA）的任务卸载与资源分配方案。首先,根据任务处理优先程度,对处理优先程度较高的任务进行协同卸载计算处理;其次,通过全局搜索最优卸载比例因子的方式,制定了一种基于SAA的任务卸载策略,且分析并优化了任务卸载比例因子;最后,在任务卸载比例因子更新过程中,将系统开销最小化问题转化为功率和计算资源分配凸优化问题,并利用拉格朗日乘子法获取最优解。通过对所提算法与本地卸载、自适应遗传算法等作比较可知,随着计算任务的数据量不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了5.97%、49.40%、49.36%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了6.35%、92.27%、91.7%;随着计算任务CPU周期数不断增加,自适应遗传算法比本地卸载的时延、能耗、系统开销分别降低了16.4%、49.58%、49.23%,在此基础上基于SAA的方案较自适应遗传算法的时延、能耗、系统开销再降低了19.61%、94.39%、89.88%。实验结果表明,SAA不仅能降低通信系统时延、能耗及系统开销,还可以使结果加速收敛。