面向空天地一体化信息网络的边缘计算资源融合管理方法

随着空天地一体化信息网络的建设与发展，无线网络的全球无缝覆盖与泛在的人工智能成为了可能.卫星与无人机作为天基边缘计算节点，辅助地面设备完成各项任务，成为6G网络中的重要应用场景.当前针对卫星、无人机边缘计算的研究处于起步阶段，这些研究在边缘计算服务模式及实际应用方面仍有待进一步深入.单个卫星或无人机的计算能力薄弱，通常难于独立提供较复杂的数据处理服务.现有资源管理算法通常需要多轮博弈才能收敛，难于满足空天地一体化场景中资源管理方法快速收敛的需求.针对以上挑战，本文在天算星座边缘计算服务场景基础上，对空天地一体化网络中天基资源的服务模式进行了分析，提出了组合及聚合两种计算服务融合方式.本文将天基边缘计算资源的管理建模为两阶段的斯坦科尔伯格博弈模型，提出了分布式混合动态迭代算法与分布式分组动态迭代算法，加快了博弈过程的收敛速度.本文基于分布式场景构建了仿真实验，并在典型参数设置下对算法性能进行了分析.仿真实验结果表明：在两种不同服务模式下，本文提出的方法能够使空中边缘计算节点与用户设备获得最大收益;相比近年相关研究，本文所提方法的收敛时间能够缩短60%以上.     

空-天-地一体化移动边缘计算系统的部署优化和计算卸载

空-天-地一体化的通信技术作为一种新兴的架构，能够有效提高地面终端的网络服务质量，近年来引起了广泛关注。文中研究了一种空-天-地一体化的移动边缘计算系统，其中多台无人机为地面设备提供低延迟的边缘计算服务，近地轨道卫星为地面设备提供无处不在的云计算服务。由于无人机的部署位置和计算任务的卸载方案是影响系统性能的关键因素，因此需要对无人机的部署位置、地面设备与无人机之间的连接关系以及计算任务的卸载比例进行联合优化，实现系统内系统平均任务响应时延最小化。并且，由于形式化定义的联合优化问题是一个混合非线性规划问题，因此设计了一种双层优化算法，在该算法的上层，提出了一种结合了遗传算法算子的粒子群优化算法来优化无人机的部署位置，并在算法的下层采用贪心算法来实现对计算任务卸载方案的优化。大量的数值仿真实验验证了所提算法的可行性和有效性。结果表明，与其他基准算法相比，所提算法能有效降低系统的任务平均响应时延。     

基于改进虚拟力算法的无人机边缘节点部署北大核心

无人机边缘节点结合了无人机的移动性和边缘计算的源端处理优势,可以在基础设施薄弱区域中提供计算、传输和存储服务。其中,如何对多个无人机边缘节点进行合理部署,避免提供服务时承载不均造成的缓存资源浪费,是提升服务质量的关键挑战。本文首先对初始状态下的无人机边缘节点的理想部署进行了分析,确定相应的最小无人机边缘节点数。接着通过改进虚拟力算法对单个无人机边缘节点的最佳部署进行调整,将虚拟力定义为无人机边缘节点间的分子力和节点与地面设备间万有引力的合力,使用排斥、吸引、盘旋这3个准则来调整每个时隙中无人机边缘节点的分布,在满足边缘缓存限制的同时使无人机边缘节点的区域覆盖率达到最大。最后与传统的虚拟力算法进行了比较,仿真结果表明,上述算法能够动态地维持对地面设备的覆盖率,降低边缘计算的服务时延。     

面向空地协同移动边缘计算的服务布置策略

无人机辅助的移动边缘计算被认为是在下一代移动通信网络中能高效灵活处理时延敏感的计算密集型任务的潜力技术之一.本文研究了基于无人机的空地协同移动边缘计算的服务布置问题,具体而言,如何在满足任务时延需求和其他资源约束的情况下,通过联合优化无人机和地面基站的服务布置、无人机航迹、任务卸载和计算资源分配,以最小化所有用户的总能...     

基于移动边缘计算的区块链计算资源分配和收益分享研究

针对移动终端设备本地计算资源有限的现状,提出了一种结合移动边缘计算机制的区块链系统.通过综合考虑系统中移动终端设备和边缘服务器的计算资源分配,以及移动终端设备的收益分配,提出了一个联合优化问题来最大化移动终端设备和边缘服务器的系统效用.为了快速求解该联合优化问题,设计了一种基于循环块坐标下降思想的多层分解算法.首先给定收益分享变量的值,通过对相应的子问题进行求解,得到移动终端设备以及边缘服务器的计算资源分配结果.然后把得到的结果作为固定的值继续求解移动终端设备的收益分享问题.最后,交替优化两部分变量直到算法收敛.仿真结果显示,所提算法能快速得到联合优化问题的最优解并有效提升区块链系统的系统效用.     

基于深度强化学习的双层无人机边缘卸载策略

移动边缘计算(mobile edge computing, MEC)已逐渐成为有效缓解数据过载问题的手段, 而在高人流密集的场景中, 固定在基站上的边缘服务器可能会因网络过载而无法提供有效的服务. 考虑到时延敏感型的通信需求, 双层无人机(unmanned aerial vehicle, UAV)的高机动性和易部署性成为任务计算卸载的理想选择, 其中配备计算资源的顶层无人机(top-UAV, T-UAV)可以为抓拍现场画面的底层UAV (bottom-UAV, B-UAV)提供卸载服务. B-UAV搭载拍摄装置, 可以选择本地计算或将部分任务卸载给T-UAV进行计算. 文中构建了双层UAV辅助的MEC系统模型, 并提出了一种DDPG-CPER (deep deterministic policy gradient offloading algorithm based on composite prioritized experience replay)新型计算卸载算法. 该算法综合考虑了决策变量的连续性以及在T-UAV资源调度和机动性等约束条件下优化了任务执行时延, 提高了处理效率和响应速度, 以保证现场观众对比赛的实时观看体验. 仿真实验结果表明, 所提算法表现出了比DDPG等基线算法更快的收敛速度, 能够显著降低处理延迟.     

移动边缘计算中资源受限的串行任务卸载策略

云计算和移动互联网的不断融合，促进了移动云计算的产生和发展，但是其难以满足终端应用对带宽和延迟的需求.移动边缘计算在靠近用户的网络边缘提供计算和存储能力，通过计算卸载，将终端任务迁移至边缘服务器上面执行，能够有效降低应用延迟和节约终端能耗.然而，目前针对移动边缘环境任务卸载的主要工作大多考虑单个移动终端和边缘服务器资源无限的场景，这在实际应用中存在一定的局限性.因此，针对边缘服务器资源受限下的任务卸载问题，提出了一种面向多用户的串行任务动态卸载策略（multi-user serial task dynamic offloading strategy，简称MSTDOS）.该策略以应用的完成时间和移动终端的能量消耗作为评价指标，遵循先来先服务的原则，采用化学反应优化算法求解，充分考虑多用户请求对服务器资源的竞争关系，动态调整选择策略，为应用做出近似最优的卸载决策.仿真结果表明，MSTDOS策略比已有算法能够取得更好的应用性能.     

无人机辅助的服务缓存边缘计算最优计算卸载决策与资源分配

边缘计算中利用无人机作为边缘节点进行动态部署,能够适应复杂的环境,大大提升边缘计算系统的性能.本文提出利用无人机辅助的服务缓存边缘计算最优计算卸载和资源分配策略.此策略在确定无人机3D位置和边缘服务器中服务的部署,以实现在时延约束下最小化能耗的目的.具体来说,首先,建立本地计算模型和MEC计算模型,计算出任务的处理时延和能耗;其次,在服务缓存、时延约束等条件下,建立最小化能耗的数学模型;最后,采用遗传算法框架对目标问题进行求解.求解过程采用双层优化方法,外层层将无人机3D位置和服务缓存方案放入基因编码,内层先利用贪心的思想确定资源分配,再将问题转化为整数线性规划问题进行求解.通过仿真证明了本文所提出算法的可行性和优越性.     

移动边缘计算中的无人机三维部署和内容缓存优化方法

随着无线网络中的移动数据流量爆炸式增长,支持高速缓存的无人机被应用于移动计算领域充当边缘服务器,为网络中的用户提供按需服务。为了在满足其他资源约束的条件下,给用户带来更好的体验,通过联合优化无人机部署、缓存放置和用户关联以实现最小化所有用户的内容访问时延,并为用户提供质量不同的内容缓存服务。针对多无人机和地面基站协同提供缓存服务的场景,提出了一种基于迭代优化的联合优化算法。该算法通过迭代求解由目标问题分解得到的三个子问题的方式来获得具有收敛性保证的次优解决方案。首先,采用基于连续凸近似的算法求解无人机部署子问题;其次,采用基于贪心的算法求解内容缓存子问题;然后,利用基于罚函数的连续凸近似算法求解用户关联子问题;最后,对上述过程重复迭代,得到目标问题的一个次优解。多次仿真实验验证了所提算法的有效性和可行性。仿真结果表明,与基准算法相比,所提联合优化算法在平均内容访问时延、缓存命中率两方面均具有更好的性能。     

智能无人机轨迹与任务卸载联合优化

移动边缘计算（MEC）是云计算技术在边缘基础设施之上的应用拓展。考虑一个高能效的无人机移动边缘计算系统,通过联合优化无人机的运动轨迹、任务卸载策略和计算资源分配来最小化系统的能耗。为解决以上问题,提出一种双层优化方法,在上层用基于无监督学习的信道增益-自组织特征映射网络（h-SOM）对用户进行实时聚类,该聚类是以信道增益作为判断类别的指标并得到无人机的最佳部署位置;在下层根据无人机的部署,将计算卸载和计算资源分配问题转化为混合整数非线性规划问题（MINLP）,并采用带有精英初始策略和自适应双变异策略的改进差分进化算法（IDE）进行迭代求解,精英初始策略可以根据h-SOM的聚类结果提供优秀的初始解,自适应双变异策略能够提高算法的全局搜索能力并促进算法收敛,从而获得更好的任务卸载决策。通过仿真实验验证了所提方法的有效性,并与传统算法进行了比较,其优化效果显著,为MEC系统的联合优化提供了一种新思路。     

Trajectory Planning for Communication Relay Unmanned Aerial Vehicles in Urban Dynamic Environments

This paper proposes an optimal positioning and trajectory planning algorithm for unmanned aerial vehicles (UAVs) to improve a communication quality of a team of ground mobile nodes (vehicles) in a complex urban environment. In particular, a nonlinear model predictive control (NMPC)-based approach is proposed to find an efficient trajectory for UAVs with a discrete genetic algorithm while considering the dynamic constraints of fixed-wing UAVs. The advantages of using the proposed NMPC approach and the communication performance metrics are investigated through a number of scenarios with different horizon steps in the NMPC framework, the number of UAVs used, heading rates and speeds.     

无人机辅助智能电网故障终端数据采集优化策略

随着光伏等各类清洁能源的广泛使用,在移动边缘计算的支撑下,无人机经常被用于户外电网终端设备,特别是运行偏差故障终端的数据采集。然而,待采集的终端运行出现差错、终端数量大幅度增长以及无人机有限的能量和动态的飞行等问题,导致无人机难以快速获得待检测终端的准确位置。基于此,设计一种基于边缘计算的无人机辅助故障终端数据采集优化策略。通过构建基于随机分布的位置误差模型,研究一种无人机飞行轨迹和待采集终端设备的任务传输联合优化策略。联合利用 Bernstein 型不等式、凸优化和隐枚举法,构建高效的两阶段优化求解算法。仿真结果表明所提数据采集策略中无人机可以更加靠近户外的电网故障终端设备,数据采集的时间更长且准确率更高。     

路网约束下异构机器人系统路径规划方法

由无人机(Unmanned aerial vehicles, UAV)和地面移动机器人组成的异构机器人系统在协作执行任务时,可以充分发挥两类机器人各自的优势.无人机运动灵活,但通常续航能力有限;地面机器人载荷多,适合作为无人机的着陆平台和移动补给站,但运动受路网约束.本文研究这类异构机器人系统协作路径规划问题.为了降低完成任务的时间代价,提出一种由蚁群算法(Ant colony optimization, ACO)和遗传算法(Genetic algorithm, GA)相结合的两步法对地面机器人和无人机的路线进行解耦,同时规划地面机器人和无人机的路线.第1步使用蚁群算法为地面机器人搜索可行路线.第2步对无人机的最优路径建模,采用遗传算法求解并将无人机路径长度返回至第1步中,用于更新路网的信息素参数,从而实现异构协作系统路径的整体优化.另外,为了进一步降低无人机的飞行时间代价,研究了无人机在其续航能力内连续完成多任务的协作路径规划问题.最后,通过大量仿真实验验证了所提方法的有效性.     

基于用户延迟感知的移动边缘服务器放置方法

物联网和5G网络的快速发展产生了大量数据,通过将计算任务从移动设备卸载到具有足够计算资源的边缘服务器上,可有效减少网络拥塞和数据传播延迟等问题。边缘服务器放置是任务卸载的核心,高效的边缘服务器放置方法能有效满足移动用户访问低时延、高带宽等需求。为此,文中以最小化访问延迟和最小化负载差异为优化目标,建立边缘服务器放置优化模型;然后,提出了一种基于改进启发式算法的移动边缘服务器放置方法ESPHA(Edge Server Placement Based on Heuristic Algorithm),实现多目标优化。首先将K-means算法与蚁群算法相结合,通过效仿蚁群在觅食过程中共享信息素,将信息素反馈机制引入边缘服务器放置方法中,然后,通过设置禁忌表对蚁群算法进行改进,提高算法的收敛速度;最后,用改进的启发式算法求解模型的最优放置方案。使用上海电信真实数据集进行实验,结果表明提出的ESPHA方法在保证服务质量的前提下取得了低延迟和负载均衡之间的优化平衡,其效果优于现有的其他几种代表性的方法。     

Cooperative and Geometric Learning Algorithm (CGLA) for path planning of UAVs with limited information

In this paper, we propose a new learning algorithm, named as the Cooperative and Geometric Learning Algorithm (CGLA), to solve problems of maneuverability, collision avoidance and information sharing in path planning for Unmanned Aerial Vehicles (UAVs). The contributions of CGLA are three folds: (1) CGLA is designed for path planning based on cooperation of multiple UAVs. Technically, CGLA exploits a new defined individual cost matrix, which leads to an efficient path planning algorithm for multiple UAVs. (2) The convergence of the proposed algorithm for calculating the cost matrix is proven theoretically, and the optimal path in terms of path length and risk measure from a starting point to a target point can be calculated in polynomial time. (3) In CGLA, the proposed individual weight matrix can be efficiently calculated and adaptively updated based on the geometric distance and risk information shared among UAVs. Finally, risk evaluation is introduced first time in this paper for UAV navigation and extensive computer simulation results validate the effectiveness and feasibility of CGLA for safe navigation of multiple UAVs.     

A dynamic assignment scheduling algorithm for big data stream processing in mobile Internet services

As the huge number of mobile devices (e.g., smart phones, tablets and netbooks) increases, more and more people choose to use the Internet services financed by mobile Internet service providers (MISPs). To provide better services, it is quite necessary for MISPs to analyze the information hidden in the big data stream generated by users. Therefore, processing the real-time big data stream efficiently has become increasingly important. However, traditional static data storage technology fails to meet the demands of real-time data processing. To improve processing capacity, many parallel processing structures are proposed, which brings up the problem about how the parallel devices can be scheduled to maximize their efficiency. Accordingly, a dynamic assignment scheduling algorithm for big data stream processing in mobile Internet services is proposed, and a stream query graph is built to calculate the weight of every edge. The edge with the minimum weight is selected to send tuples. Simulation results show that the proper number of the logic devices can dramatically reduce system response time. Furthermore, system context switching is reduced by increasing the number of tuples sent each time.     

基于粒子群算法的移动边缘计算任务分配方法

为提高移动终端任务分配效率,降低计算能量损耗,提出基于粒子群算法的移动边缘计算任务分配方法。通过构建异构网络获取完整的需要分配的任务,明确任务分配时所需的特定条件,即分配消耗和时延等。将分配任务转化成寻找分配结果的最优解,构建最优解模型,利用粒子群算法对模型实施求解,经过不断迭代和更新,生成最优边缘计算任务的分配结果。实验结果表明,粒子群方法在分配任务数量为20~100之间时计算时间在1 s~3.3 s;当任务数量为100时,本文方法能耗仅为4107 J;粒子群方法在任务达到率达到100%时,其时延仅为12.5 ms;其任务分配计算时间短、能量消耗小和数据传输的时延短,能较好地满足实际应用需要。     

Wireless power transfer with unmanned aerial vehicles: State of the art and open challenges

Wireless power transfer (WPT) techniques are emerging as a fundamental component of next-generation energy management in mobile networks. In this context, the use of UAVs opens many possibilities, either using them as mobile energy storage devices to recharge IoT nodes, or to prolong their operation time via smart charging themselves at ground stations. This paper surveys the recent literature on WPT as it applies to UAVs and identifies several open research challenges for the future. As a first step, we tessellate the related research corpus in four fundamental categories (architectures, power and communications enabling technologies, optimization with respect to spatial concepts, optimization of operational aspects). Second, for each category, we provide a critical review of the recent WPT UAV approaches with respect to the way they specialize the general concept of WPT and the extent of their applicability. The survey presents the latest advances in WPT UAV methodologies and related energy-centric services, spanning all the way from the communications aspects deep in the small- and large-scale deployments, up to the operational and applications aspects. Finally, motivated by the rich conclusions of this critical analysis, we identify open challenges for future research. Our approach is horizontal, as the selected publications were drawn from across all vertical areas of research on UAVs. This paper can help the readers to deeply understand how WPT is currently applied to UAVs, and select interesting open research opportunities to pursue.