车辆边缘计算中联合资源分配和任务卸载方案

针对车联网场景下多车卸载决策造成的资源分配不合理问题,提出了一种基于V2X的启发式联合任务卸载和资源分配方案。首先,通过任务调度、功率优化、信道分配及车辆和路边单元计算资源的分配来最大化系统效用函数;其次,由于该问题为混合整数非线性规划问题,将原问题分解为资源分配和卸载决策两个子问题,利用二分法、次梯度下降算法和凸优化技术等方法来解决资源分配子问题,利用启发式算法来解决卸载决策子问题;最后,对两个子问题迭代求解,得原非凸问题的次优解。仿真结果表明,所提方案可以有效提高系统效用。     

基于NOMA的超密集MEC网络任务卸载和资源分配方案

为了提高移动边缘计算(mobile edge computing,MEC)网络的频谱效率,满足大量用户的服务需求,建立了基于非正交多址接入(non-orthogonal multiple access,NOMA)的超密集MEC系统模型。为了解决多个用户同时卸载带来的严重通信干扰等问题,以高效利用边缘服务器资源,提出了一种联合任务卸载和资源分配的优化方案,在满足用户服务质量的前提下最小化系统总能耗。该方案联合考虑了卸载决策、功率控制、计算资源和子信道资源分配。仿真结果表明,与其他卸载方案相比,所提方案可以在满足用户服务质量的前提下有效降低系统能耗。     

基于多接入边缘计算的任务卸载和资源分配策略研究

随着移动通信技术和工业互联网的飞速发展,移动设备端日渐庞大的数量和复杂的应用对大量计算密集和低时延提出了要求,也因此引出了基于多接入边缘计算的任务卸载概念。这种任务卸载方式能够有效地利用边缘云服务器资源,将复杂的计算任务卸载至邻近的低消耗边缘服务器,提高任务计算效率和更高的服务质量。提出了一种基于拓扑结构的任务卸载策略和边缘资源分配策略,旨在解决边缘计算场景中,任务卸载效率低、资源利用率不足等问题。     

减少核心网拥塞的边缘计算资源分配和卸载决策

随着互联网的发展,智能终端在实践中得到了应用,大量时间敏感的计算机应用在人们的生活中也被广泛使用,如p/虚拟现实、智能家居和汽车互联网等。网络流量的增加将逐渐增大核心网络的压力,管理延迟网络变得越来越困难。目前,云协作计算解决方案是拟议的模型边界,文中提出了一种新的算法来管理边缘云之间基本网络流量的分布和解密,以共享时间和分配来改善边缘处理流程的算法资源,遗传算法用于寻找最佳分解分辨率。实验结果表明,与基线相比,拟议的算法可以提高资源效率并减少云流量边缘,从而减少核心网络拥堵现象。     

移动云计算中任务卸载技术的研究进展

移动设备自身固有的一些局限性,其中包括计算能力有限,存储空间有限,环境感知能力有限以及电量有限等局限性,使得许多应用程序无法在移动设备上高效的运行.研究人员提出移动云计算技术对移动设备进行资源扩展.移动云计算主要通过任务卸载来增强移动设备的数据处理能力以及减少手机能耗.移动云计算中的任务卸载是指把移动设备的任务发送到云平台,然后由云平台处理,最后云平台向用户返回任务结果.本文首先对移动云计算中任务卸载策略和任务卸载性能的研究现状进行介绍,然后分析现有技术的局限性,最后讨论未来热点的研究方向.     

车联网异构业务共存的任务卸载和计算资源分配

针对车联网异构业务共存时卸载决策和计算资源分配不合理造成时延和能耗增加的问题,提出了一种多阶段异构业务任务卸载与计算资源联合分配(Multi-stage Heterogeneous Services Joint Task Offloading and Computation Resource Allocation, MHS-JTOCRA)算法。首先构建了超可靠低时延通信(Ultra-reliable and Low Latency Communications, URLLC)车辆与增强移动宽带(Enhanced Mobile Broadband, eMBB)车辆共存的移动边缘计算(Mobile Edge Computing, MEC)系统模型,在保证URLLC和eMBB业务服务质量(Quality of Service, QoS)的同时,通过考虑卸载所需的计算资源、时延和能耗,对遗传算法进行迭代求解,获得eMBB和URLLC业务的最优卸载决策和计算资源分配策略。仿真结果表明,所提算法与现有任务卸载和资源分配算法相比时延降低16.37%,能耗降低12.16%。     

Ad-hoc移动云环境下采取随机规划和买卖博弈的任务卸载方法

由于移动设备处理能力和能量的限制,近年来提出了一种新型移动云环境,通过Ad-hoc方式共享邻近设备的闲置资源完成数据处理、存储等需求。在此背景下,该文提出一个在源设备与邻近设备之间的任务卸载方案。考虑无线网络环境下移动设备的移动性导致连接时间随机性问题,采用随机规划方法补偿连接时间预测不精确对任务卸载带来的不利影响。同时,为了激励移动设备相互协作、最大化各自收益,提出基于买卖博弈的分布式多阶段随机买卖博弈任务卸载(SGWD)算法。仿真结果表明该算法在通信成本,时间延迟,能量消耗和收益性能上取得了有效提升。

     

数字孪生边缘网络端到端时延优化的任务卸载与资源分配方法

针对移动边缘计算(MEC)场景中任务卸载、计算和结果反馈全过程时延优化问题,该文提出了一种数字孪生(DT)辅助的联合MEC任务卸载、设备关联与资源分配的端到端时延优化方法。首先,在数字孪生边缘网络(DITEN)框架下,为包含传感器、边缘服务器以及执行器构成的边缘计算网络建立了物理模型与数字孪生模型,以及全过程边缘网络任务模型并推导了任务端到端时延,进而建立了时延、能耗等约束下的端到端时延优化问题。其次,为解决所提出的混合整数非凸优化问题,将原问题分解为4个子问题,并提出了一种基于内部凸近似方法和匈牙利算法的交替优化算法。在DT辅助下联合优化了设备关联、卸载比例、发射功率、传输带宽以及DT估计处理速率。最后,仿真结果表明,与其他基准方案相比,所提联合优化方案显著降低了端到端时延。     

MEC系统中基于多智能体深度增强学习的协作式任务卸载和资源分配

移动边缘计算(MEC)通过将计算任务卸载到MEC服务器上,在缓解智能移动设备计算负载的同时,可以降低服务时延。然而目前在MEC系统中,关于任务卸载和资源分配仍然存在以下问题：1)边缘节点间缺乏协作;2)计算任务到达与实际环境中动态变化的特征不匹配;3)协作式任务卸载和资源分配动态联合优化问题。为解决上述问题,文章在协作式MEC架构的基础上,提出了一种基于多智能体的深度确定性策略梯度算法(MADDPG)的任务卸载和资源分配算法,最小化系统中所有用户的长期平均成本。仿真结果表明,该算法可以有效降低系统的时延及能耗。     

无人机辅助边缘计算网络的任务卸载与资源分配联合优化

利用无人机(UAV)作为空中中继节点,构建空地一体化的边缘计算网络,可以有效克服地面环境局限,拓展网络覆盖范围,为用户提供便利计算服务。该文面向无人机中继辅助的多用户、多服务器边缘计算网络场景,以最大化任务完成量为目标,研究了无人机部署位置、用户-服务器关联策略、无人机带宽分配的联合优化问题。由于该问题包含连续与离散变量,故该文综合运用差分进化、粒子群优化等工具,提出了一种基于块坐标下降(BCD)的次优算法进行求解。所提算法将原问题解耦为3个子问题独立求解,并通过迭代逼近原始问题最优解。仿真实验表明,所提算法可在满足用户任务时延需求的前提下,最大化系统总任务完成量,优于其他对比算法。     

Computation Partitioning in Mobile Cloud Computing： A Survey

Mobile devices are increasingly interacting with clouds,and mobile cloud computing has emerged as a new paradigm.An central topic in mobile cloud computing is computation partitioning,which involves partitioning the execution of applications between the mobile side and cloud side so that execution cost is minimized.This paper discusses computation partitioning in mobile cloud computing.We first present the background and system models of mobile cloud computation partitioning systems.We then describe and compare state-of-the-art mobile computation partitioning in terms of application modeling,profiling,optimization,and implementation.We point out the main research issues and directions and summarize our own works.     

一种主从MEC服务器协作卸载与资源分配方案

移动边缘计算(Mobile Edge Computing,MEC)通过将云计算能力下沉至用户侧,提高了用户的任务执行能力.但在热点小区中,MEC服务器存在计算资源有限的问题.为了减少热点小区内任务执行总代价,提出了一种基于主从MEC系统的任务联合卸载方案.首先,方案随机生成卸载集,然后将卸载集内的任务分配至目标MEC服...     

空中计算网络技术综述

空中计算网络（Aerial Computing Network,ACN）整合空中接入网和移动边缘计算,利用异构空中平台实现本地化就近服务,可有效支持广域范围内海量用户的多样化低时延业务请求。介绍了ACN的3类关键空中平台,并从平台高度、成本、复杂度、适用业务类型等方面对各空中平台进行对比分析。总结了现有ACN的网络架构,梳理了网络架构演进方向。最后,结合ACN的重要应用场景,指出了ACN的未来研究方向,以期为后续研究提供借鉴与启示。     

一种基于车边云协同的车联网计算卸载策略

随着智能交通的快速发展和车联网中数据流量爆炸式的增长,汽车终端请求卸载的任务对时延和带宽有了更加严苛的要求。在现有的云计算服务模式中,车辆可以访问云服务器来获得强大的计算、存储和网络资源,但缺点是通信传输时延较大,仅依靠云计算可能会导致过度的延迟。为了更加合理利用资源、减小时延、优化卸载策略,提出了一种基于粒子群优化算法的“车-边-云”协同卸载方案。首先通过接入点附近的软件定义网络（Software Define Network,SDN)控制器根据终端用户附近边缘节点、本地终端和云计算节点的计算资源和容量情况得出最优的卸载策略,充分利用本地、移动边缘计算（Mobile Edge Computing,MEC）设备、云端的计算资源,然后通过粒子群优化算法得出“车-边-云”各计算节点的卸载系数,即最优卸载策略。实验结果表明,相比于其他卸载策略,所提的卸载机制对时延优化效果明显,提高了计算资源的利用率。     

异构蜂窝网络中分层任务卸载：建模与优化

为提高计算任务卸载的效率,提出了一种基于D2D通信、移动边缘计算和云计算的分层任务卸载框架,并引入D2D协作中继技术辅助用户接入远端计算资源。针对所提任务卸载框架在多用户场景中可能存在上行通信拥塞、边缘计算资源受限、D2D复用干扰和云计算回程时延等问题,设计了一种基于博弈论的卸载调度和负载均衡方案,充分利用了所提任务卸载框架中各层计算和通信资源。仿真结果表明,所提方案能够有效降低端到端时延和卸载能耗,并在资源受限的条件下具有良好的稳定性。     

移动边缘计算中基于信誉值的智能计算卸载模型研究

针对移动边缘计算环境下,爆炸式增长的物联网智能移动终端处理计算密集型和时延敏感型新兴移动应用时,面临的高时延、高能耗和低可靠性等问题,提出综合考虑时延和能耗的卸载决策模型和基于信誉值的计算资源博弈分配模型,并分别利用改进粒子群算法和拉格朗日乘数法求解.仿真结果表明,所提方法可满足新兴智能应用对于低时延、低能耗和高可靠性...