基于mMIMO的MEC安全节能资源分配方法

移动边缘计算（MEC）系统在恶意用户干扰攻击和窃听的双重威胁下,会带来上行卸载受阻、用户信息泄露、系统能源利用率低等问题.对此,利用物理层安全技术防止窃听,并利用大规模多输入多输出（mMIMO）技术来减少干扰及用户能耗.此外,在时延受限的条件下,通过联合优化用户的卸载决策、发射功率以及卸载速率,实现用户总能耗最小化.针对此非凸的多目标优化问题,首先利用拉格朗日乘数法得到用户卸载数据量的闭合表达式,然后利用迭代算法得到用户最优的发射功率以及最大卸载速率.仿真结果表明,所提出的mMIMO-MEC安全卸载方案在解决干扰和窃听等安全问题的同时,有效地降低了系统的总能耗.     

异构蜂窝网络中一种基于匈牙利算法的用户关联方法

在异构蜂窝网络中使用传统的小区选择方法会导致宏基站和小基站的负载失衡,而与小基站关联的用户面临服务质量 (QoS) 的降低的问题。针对该问题,提出了一种基于效用函数最大化的用户与基站关联方法。该方法将用户与基站的关联过程建模为双目标优化问题并且线性化为系数可调的效用函数最大化问题,以实现基站负载均衡和用户QoS之间的折中。通过设计权值系数,将该效用函数最大化问题转化为基于二部图的最大匹配,并用匈牙利算法求得最优解。仿真结果表明,该方法实现了异构蜂窝网络中宏基站与小基站之间的负载均衡,并且通过系数调节,达到了基站负载均衡和用户QoS之间的折中。     

基于DRL的MEC任务卸载与资源调度算法

为提高多接入边缘计算（MEC）任务卸载效率,提出了一个任务卸载和异构资源调度的联合优化模型.考虑异构的通信资源和计算资源,联合最小化用户的设备能耗、任务执行时延和付费,并利用深度强化学习（DRL）算法对该模型求最优的任务卸载算法.仿真结果表明,该优化算法比银行家算法的设备能耗、时延和付费的综合指标提升了27.6%.     

无线MEC系统中队列状态感知的卸载和 传输联合优化

针对多用户-多移动边缘计算服务器系统的动态计算任务卸载问题,基于用户端和服务器端的任务队列模型,以系统的长期平均时延和长期平均功耗为优化目标,求解最优的卸载策略及相应的上行预编码.通过李雅普诺夫优化方法将长期平均问题转化成单阶段目标优化问题,考虑到卸载策略和预编码之间存在范数约束关系,通过连续近似和半正定松弛,可转化成典型的DC规划求预编码解问题.仿真结果表明,所提方案比传统方法具有更低的时延和功耗.     

缓存辅助边缘计算的卸载决策与资源优化

提出一种缓存辅助边缘计算的卸载决策制定与资源优化方案,以进一步降低移动边缘计算（MEC）系统中终端设备的能量消耗.首先,建立该优化问题为最小化用户在任务执行时最坏情况下的能耗值,并将这一混合整数规划问题转化为非凸的二次约束二次规划（QCQP）模型,使用半定松弛及随机概率映射方法获得缓存辅助下的预选卸载集合;其次,分别采用拉格朗日对偶分解法和二分法求得性能约束下的最优传输功率及边缘计算资源分配,从而通过对比该集合中的设备能耗得到理想的卸载决策集合与资源分配方案.实验数值结果表明,所提方案能够有效降低用户能量消耗,提升边缘计算系统的服务性能.     

基于深度强化学习的边云协同串行任务卸载算法

在移动边缘计算任务卸载问题中,传统卸载算法仅考虑移动设备和边缘服务器计算资源,在资源利用、系统效能上存在一定的局限性。该文基于RainbowDQN算法,考虑了延迟、能耗成本和服务质量保证等因素,提出了一种边缘云协同串行任务卸载算法(ECWS-RDQN)。该算法通过对串行任务的权重分配,实现了网络边缘和云端协同的串行任务动态分配处理,为不同的用户设备应用提供近似最优的任务分配卸载策略。实验表明,ECWS-RDQN算法比传统方案有更好的系统效能,提升了应用的服务质量。     

Edge offloading strategy for the multi-base station game in ultra-dense networks

Mobile edge computing provides powerful computing capabilities for the wireless network to enrich the user experience.However,in the current mobile edge computing network,the problems of small coverage density and hotspot overload of the central node should be skillfully overcome.The combination of the ultra-dense network and mobile edge computing can provide a feasible solution for addressing the above problems.A distributed edge computing architecture for ultra-dense networks is designed,and a multi-base station game offloading algorithm is proposed to minimize the system overhead.In the proposed algorithm,the lagrange multiplier method is used to solve the problem of computing resource allocation,and then the matching game theory is exploited to obtain the optimal offloading strategy,so that the mutual benefits of both users and mobile edge computing servers are maximized.Simulation results show that compared with the random and greedy offloading algorithms,the proposed algorithm achieves a significant reduction in the system overhead,with the average overhead saving being up to 28.66%.     

面向时延敏感业务的服务功能链部署

服务卸载和雾/边缘计算为解决云网络的延迟提供了新的范例。然而,目前关于服务卸载的研究大多考虑将正在运行的计算服务从手机或云网络卸载到雾/边缘计算网络。但是,在卸载的过程中,它会消耗额外的资源并影响用户的体验。因此,该文在部署服务功能链(SFC)时,考虑通过有效的在线博弈决策,将每条服务功能链的部分虚拟网络功能(VNF)卸载并部署到雾/边缘网络中,从而满足用户的时延要求。该文提出了一种基于服务卸载和在线博弈的最小化时延的服务功能链部署算法(DSFCD-SOOG),将有效的在线博弈和服务卸载决策相结合,在云雾计算网络中部署服务功能链,以减少服务功能链的端到端时延。最后,该文验证了DSFCD-SOOG算法在服务功能链部署中的资源效率、时间效率和阻塞率方面的优越性。     

移动边缘计算中基于能量收集的能效优化方案

移动边缘计算（MEC）系统中密集的计算任务卸载使得资源受限的终端设备能量效率低,能量服务单一,对此,提出了一种基于能量收集的系统能效优化方案.该方案首先在满足卸载发送功率限制等约束条件下,分析了能量收集状态及用户功率分配,建立了最大化系统能效的联合优化模型;其次,利用广义分数规划理论将卸载能效转化为标准凸优化问题,并通过构建拉格朗日函数对目标函数进行迭代优化,获得最优的能量指示变量和功率分配.仿真结果表明,所提方案可以有效提升MEC系统中的用户能量效率,同时保证了用户服务质量,实现了绿色通信.     

基于任务类知识需求模板和用户模型的知识需求研究

为了解决企业知识共享和再利用过程中遇到的困难,首先利用ontology将异构知识源进行有效的集成,给出了基于ontology的异构知识源集成框架.然后利用任务类知识需求模板和用户模型的相互作用,建立了用户知识需求模型,实现知识的自动供给,为企业员工提供个性化服务.还给出了任务类知识需求模板和用户模型的自学习算法.最后给出了一个验证实例.     

异构网络中任务卸载与资源分配联合优化算法

在有限的网络边缘资源约束下,考虑到业务的多样性和网络接入的异构性对任务卸载和计算资源分配的影响,在本地和服务器共同处理任务的背景下,提出了一种异构网络场景下结合李雅普诺夫优化理论和搜索树算法对任务卸载和计算资源分配的联合优化方法,分析了卸载收益与延迟之间的折中关系,优化了任务卸载与计算资源分配。同时,为了对搜索树进行快速分支定界,设计了一种卸载优先级准则。最后,通过仿真实验验证了所提算法的有效性和合理性。     

密集网络下基于Self-Backhaul感知的用户接入负载均衡算法

针对密集异构网络自回程场景中带宽分配不合理引起的负载不均衡问题,提出一种基于self-backhaul感知的用户接入负载均衡方案.首先根据密集异构网络下各个小基站接入与回程资源的负载状态提出一种用户接入负载均衡策略;其次利用Q-Learning算法对各个小基站带内无线接入与回程带宽分配进行学习,用户在不同带宽分配因子下,根据用户接入负载均衡策略进行重新接入,得到不同接入情况下的系统效用,进而得到最优带宽分配策略,保证负载均衡性的同时实现系统效用最大化.仿真结果表明,该方案在密集异构网络自回程场景中提高了网络负载均衡性,同时提升了用户速率体验.     

基于任务间依赖关系的小小区协作卸载策略

在密集部署的小小区网络中,考虑到小小区基站（SBS）的计算资源有限,提出了基于任务间串并依赖关系的协作卸载策略,以降低计算卸载任务的整体完成时延.首先,考虑将可以同时执行的并行任务卸载至不同的SBS,利用计算资源的分布式特点来降低整体时延,同时最大化单个SBS上的串行任务数量,以减小所需SBS的数目;然后,根据网络的负载均衡情况对2种场景进行讨论,联合考虑任务间的依赖关系、不同SBS的可用计算资源量和SBS与用户间的信道质量,分别引入最长路径理论和图着色算法以确定最佳任务卸载方案.仿真结果表明,与已有策略相比,所提策略可降低计算卸载任务的整体完成时延.     

边缘计算架构中P2P的组合多资源任务卸载算法

为了解决点对点（P2P）系统中多种资源合作完成任务卸载的问题,提出了多资源组合交易卸载算法,设计了激励机制,促使设备加入任务卸载系统,同时保证系统内资源可以被高效地利用。通过严格的理论分析可知,所设计的多资源组合交易机制能满足计算效率可行性和个体理性的要求。通过实验模拟得出结论：提出的多资源组合交易卸载算法的资源交易数量虽然没有达到对比算法下的资源交易数量,但时间复杂度远远低于对比算法。     

面向车联网实时应用场景的任务卸载决策算法

为了解决当前车联网中节点处理任务的时效性问题,基于最优节点选取及任务卸载理论,提出了一种新的任务卸载决策方案.该方案对车联网场景下的任务卸载进行建模,构造出具有指向性的节点分布模型,利用最优节点选取算法对该模型进行节点预选取,通过一次或二次任务卸载预判机制,实现节点对任务的卸载决策.与传统的任务卸载决策相比,所提方案在任务卸载全过程中耗时更少,实时性更高.仿真结果验证了所提方法的有效性.     

虚实映射误差条件下数字孪生辅助的无人机网络计算任务卸载及资源自适应优化机制

为了解决动态时变的无人机（Unmanned Aerial Vehicle, UAV）网络环境下,智能终端设备有限的计算和存储资源不能满足资源密集型任务需求,以及高传输时延和低可靠连接的问题,本文使用数字孪生技术在地面基站（Base Station, BS）构建无人机、智能终端以及无线网络环境的孪生网络模型,以对无人机网络运行状态进行模拟和仿真。进而,基于构建的孪生网络模型设计智能终端设备计算任务卸载机制。在满足智能终端设备计算任务最大容忍延迟的条件下,智能终端设备选择将计算任务全部卸载到无人机,或者在本地进行计算。然后,将计算卸载问题建模为马尔科夫决策过程,建立联合无人机悬停点、计算任务卸载决策、无人机计算资源分配的自适应资源优化模型,实现最大化无人机效用函数的目标。考虑孪生网络模型与真实无人机网络的虚实映射误差,提出近端策略优化算法（Proximal Policy Optimization,PPO）,求解自适应资源优化模型。仿真结果表明,与已有方案对比,所提算法可以有效提高无人机的效用。同时,在适应虚实映射误差方面优于传统深度强化学习算法。     

中继网络Max-Min和Min-Max公平性的功率分配

研究了无线非再生中继网络中基于多用户QoS保证的功率分配策略。由于每个用户的信道状态不同,采用传统的平均功率分配策略并非最优,为了满足用户的QoS要求,首先建立了在总功率受限条件下最小化最大用户中断概率的功率分配方案。然后在中断概率和总功率受限条件下,建立了最大化最小用户速率的功率分配方案。上述功率分配问题可转化为GP(Geometric Programming)问题进行求解,仿真结果表明,所提功率分配策略能有效地满足用户间的QoS要求。     

无线携能传输协同中继非正交多址接入系统的速率优化设计

研究了无线携能传输协同中继非正交多址接入系统中的强用户速率最大化问题。通过把非凸的优化问题转化为凸优化问题,并由MATLAB仿真得到强用户速率的优化结果。结果表明：此非正交多址接入系统的强用户速率随着源节点发射功率的增加而增加;在强用户速率性能方面,此非正交多址接入系统明显优于传统的时分多址接入系统。     

可再生能源供电异构蜂窝网络中基于拓扑势的用户接入算法

可再生能源供电的蜂窝网络相关研究已经成为绿色无线网络热点研究内容之一. 针对可再生能源供电异构蜂窝网络场景,提出了一种基于拓扑势的用户接入算法,实现基站间能量均衡与负载均衡的折中. 定义用户与基站间拓扑势,综合考虑用户业务量、用户与基站间信道容量、基站可用能量,衡量基站对用户的吸引程度;将基站所接入用户拓扑势总和定义为基站效用值,并给出了基站间效用公平的用户接入最优化问题;提出了一种迭代方法求解最优化问题,通过用户与基站间信息交互与迭代更新完成用户接入基站选择,均衡基站间能量与负载. 仿真结果表明,所提算法在保证基站间负载均衡的同时充分利用了基站收集的可再生能源,实现了基站间能量均衡.     

基于多属性决策模型的雾计算用户关联算法

针对密集异构蜂窝网络中的雾计算用户关联选择问题,提出一种基于多属性决策模型的雾计算用户关联算法.通过对关键性能指标的选取和建模以及对组合权重的设计,达到调节属性优先级的目的.同时,设计了综合评判指标,实现了对多个属性的联合优化.仿真结果表明,所提方案不仅能对用户体验的质量和系统性能进行权衡处理,还能够平衡业务流量的分配,有效降低关联时延和系统能耗.