基于KM算法的分布式无线节点任务分配方法

单个节点无法满足各种新颖的应用程序对时延或能耗的要求,为此提出了一种分布式无线节点任务协同分配方法,通过利用周围节点的空闲资源,来降低所有节点处理任务的总时延或总能耗.首先根据层次分析法（AHP）综合任务的多维属性,如计算负载、最晚完成时间等,确定任务执行的优先级;然后建立时延和能耗的优化模型,并将其转化为二分图最大权值的匹配问题,采用Kuhn Munkras （KM）算法求解得到任务分配的最优解,实现终端节点在网络边缘高效地协同执行任务.仿真结果表明,该算法能够有效地降低任务处理的时延和能耗.     

面向6G边缘网络的云边协同计算任务调度算法

提出了一种分布式的第6代移动通信系统（6G）云边协同计算架构,设计了基于近似雅可比交替方向乘子法的云边协同计算任务的调度算法.将云边协同计算任务的调度问题建模为综合考虑时延、能耗、带宽成本及服务质量损失等因素的系统开销最小化问题,并通过高效的分布式并行计算方式进行求解.仿真实验结果表明,该算法可在保障用户服务质量的同时降低网络运营成本的开销,收敛速度快,执行效率高.     

异构蜂窝网络中基于雾节点协作贡献度的计算卸载算法

通过雾计算可将基于云的服务拓展至无线网络边缘和多种场景。针对密集异构蜂窝网络雾计算系统中的协作计算卸载问题，提出一种基于雾节点协作贡献度的计算卸载算法。首先，对协作可行性、协作公平性和协作稳定性进行了建模设计；其次，定义了协作贡献度和协作贡献比系数；然后，结合雾节点的剩余计算容量阈值和协作贡献度阈值，在满足任务可容忍的最大时延约束下，提出以任务执行能耗和用户支付成本的加权和最小化为目标的优化问题，使用外部罚函数法和方向加速法(Powell法)得到最优卸载决策。仿真结果表明，所提算法在各种任务参数和时延约束下能够有效降低执行任务的总开销，并且能够在协作可行性、协作公平性之间进行权衡处理。     

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法（AHP）将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。     

采用压缩感知与智能优化的大规模WSNs移动稀疏数据收集

针对大规模无线传感网数据处理网络流量大、任务时延高的缺陷,提出了一种基于自适应块压缩感知与离散弹性碰撞优化算法的移动节点数据收集方案。首先,通过分析网络分块与节点部署之间的关系,提出自适应块压缩感知数据采集策略,实现传感器节点基于自适应网络块压缩感知数据采集;设计移动节点数据采集路径规划策略和多移动节点协同计算机制,通过采用适应度值约束变换处理技术和并行离散弹性碰撞优化算法,达到均衡网络节点能耗和降低数据处理任务时延的目的。最后,仿真结果表明,该数据收集方案能够有效实现大规模传感网数据高效处理,而且降低了网络流量和网络任务时延,更好均衡了网络节点能耗。     

面向QoS需求的分簇自组织网络路由算法

基于分布式分簇的网络管理架构,网络节点可以被划分成多个管理域,并由相应区域的簇首进行协同管理。为实现分布式网络场景中,业务差异化的服务质量（QoS）需求与多维度网络资源之间的高效按需匹配,提出了一种基于强化学习的路由调度算法,以降低端到端的时延和防止网络拥塞为目标,优化调度路径。所提算法可以通过簇首集中式和节点分布式2种方式实现,可以解决分布式环境下全局资源信息不完备的问题,有效保证跳变环境下网络的健壮性。将100个节点划分为4个管理域进行仿真验证。仿真结果表明,所提算法可以有效地降低业务的平均时延,并且在业务拒绝率、网络资源利用率方面均优于传统方法。     

视频传感器网络基于位置的任务分配算法

为了解决目标跟踪视频传感器网络(VSNs)实时性、有限能量和处理能力的问题,提出基于位置的任务分配算法.采用有向无环图来描述周期的目标跟踪任务,根据跟踪目标、传感器节点和汇聚节点的位置坐标形成合作处理簇,优化簇内节点的任务分配.调节合作处理簇的最大跳数和任务完成时限2个参数进行仿真实验,结果表明,算法能够根据参数动态地组织传感器节点并行计算,提高网络处理能力.在性能上不仅满足任务实时性要求,而且比分布式计算架构节约28%的能量消耗.     

无线传感网络功控算法的收敛性及公平性

为了解决无线传感器网络设计的"节能"问题,提出基于博弈论的功率控制机制以较好地降低网络能耗.对无线传感器网络的能耗限制问题做了理论分析,通过对无线传感器网络和博弈的映射分析,研究了基于博弈论的分布式自适应功率控制算法.OPNET仿真结果表明:该算法能降低能耗,减少引入的网络开销,增加网络寿命.该算法采用优化动态反应来更新发射功率等级就能收敛到纳斯均衡,保证网络的公平性.     

改进多种群进化算法求解移动边缘计算中任务调度问题

移动边缘计算通过在靠近用户端的网络边缘部署服务器,为用户提供低时延的网络通信服务和类似云的计算服务。移动设备通过网络接入点将任务卸载到边缘服务器进行处理,能够有效地减少移动设备的能耗以及任务的完成时间。然而,用户在卸载任务时需要支付一定的通信成本。本文在构建包含多个用户和多个边缘计算节点的移动边缘计算环境的基础上,建立了最小化移动设备的任务完成时间、能耗以及通信成本的数学模型。为了解决上述问题,本文提出了一种改进多种群进化算法的任务调度优化算法。该调度算法通过优化卸载决策和资源分配决策来达到降低移动设备综合成本的目的。大量仿真实验说明,该任务调度算法与其他几种的任务调度算法相比,能够更有效地降低移动设备的综合成本。     

基于多代理模仿学习的普适边缘计算资源分配

普适边缘计算允许对等设备之间建立独立通信连接,能帮助用户以较低的时延处理海量的计算任务.然而,分散的设备中不能实时获取到网络的全局系统状态,无法保证设备资源利用的公平性.针对该问题,提出了一种基于生成对抗网络(Generative Adversarial Network,GAN)的普适边缘计算资源分配方案.首先基于最小化时延与能耗建立多目标优化问题,然后根据随机博弈理论将优化问题转化为最大奖励问题,接着提出一种基于多代理模仿学习的计算卸载算法,该算法将多代理生成对抗模仿学习(GAIL)和马尔可夫策略(Markov Decision Process,MDP)相结合以逼近专家性能,实现了算法的在线执行,最后结合非支配排序遗传算法Ⅱ(Non-dominated Sorting Genetic Algorithm Ⅱ,NSGA-Ⅱ)对时延和能耗进行了联合优化.仿真结果表明,所提出的解决方案与其他边缘计算资源分配方案相比,时延缩短了30.8%,能耗降低了34.3%.     

网络卫星在轨分布式协同任务调度方法

针对网络条件下卫星执行多目标观测任务的自主调度问题,本文设计了一种"Sandwich"空间信息网络体系架构,通过网络传输延时仿真分析,其传输时延为毫秒级别,略优于传统中继方式,该网络传输效能适合多任务需求下实施在轨分布式协同计算;在此基础上,提出了一种分布式断链重连算法,可突破单星计算资源限制,提高在轨计算能力。仿真结果表明:相比单星计算,可有效缩短任务调度约一半时间;利用树莓派和无线网络搭建了分布式调度演示系统,完成了该算法的工程实现。该方法可满足组网状态下面向多任务的各类对地观测、天基探测类卫星的空间在轨自主任务规划调度需求,为空间信息网络的进一步研究和应用奠定技术基础。     

从云计算到雾计算的范式转变

虽然云计算的应用越来越广泛,但也具有不能支持高移动性、不支持地理位置信息及高时延等亟待解决的问题.为此,雾计算已经出现,并将云计算扩展到网络的边缘,以减少延迟和网络拥塞.首先介绍了雾计算的概念、特点和结构,然后讨论了具有代表性的应用场景以及雾计算的安全问题.另外,还对雾计算相似的原位计算和连续计算进行了介绍.最后,给出了云计算与雾计算的区别与联系,并分析了雾计算未来的发展方向.雾计算扩大了以云计算为特征的网络计算范式,将网络计算从网络的中心扩展到网络的边缘,从而可以更加广泛地运用于更多的应用形态和服务类型.     

基于移动边缘计算的车联网卸载策略研究

随着车载设备的快速发展和日益增大的数据量,车联网在计算能力及通信能力方面面临着巨大的挑战.传统云计算虽然可以弥补车载设备计算资源的不足,但由于云服务器距离车辆终端较远,因此,难以满足一些对时延敏感的业务的需求,基于此问题,引入了移动边缘计算.首先,构建了基于5G的"车-边-云"协同网络架构,在该架构中融合了SDN等多种新兴技术,可以实现对车、边缘设备、云三方面资源的统一调度;其次,在此架构下建立了基于卸载时延的通信计算模型,并采用了基于改进烟花算法的计算任务卸载策略,其中,对烟花算法的改进主要是针对爆炸火花的产生方式及下一代烟花的选择方法,在改进之后,烟花可以实现在不同方向和不同维度的全方位搜索;最终,通过基于改进烟花算法的任务卸载策略,各个任务可以选择在最佳的卸载节点进行卸载,从而保证了时延最小化.仿真结果表明,在所提协同架构下,基于改进烟花算法的卸载策略可显著降低时延.当任务量为5 Mb时,所提卸载策略相比于其它卸载策略在降低时延性能上至少提高10％.     

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.     

基于加权优化树的WSN分簇路由算法

无线传感器网络(WSN)是由大量具有感知和传输数据能力的传感器节点组成的自组织网络,被用来部署监测物理环境.针对无线传感器节点存储空间小、能量有限、路由不稳定、能耗不均衡等问题,提出一种改进的基于加权优化树的路由算法,将树型结构应用于分簇路由算法中.根据节点的剩余能量、可用内存、相邻节点的距离、信道质量设定数据传输代价,并以此为基础对树型拓扑结构进行加权优化,分布式地在簇内创建树型网络拓扑结构.改进的算法降低了网络中数据传输的总代价.仿真实验结果表明:与传统的树结构和分簇路由算法相比较,结合了树型拓扑结构的分簇路由算法,在延长网络生存时间和平衡网络能耗方面更具有优势.     

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%.     

移动边缘计算时延与能耗联合优化方法

针对移动边缘计算中时延与能耗是关键性能指标,且相互制约的问题,研究了通过在边缘与终端之间进行任务分配,对时延与能耗进行联合优化。首先,建立了能耗与时延联合优化的0-1整数规划模型;其次,设计了对任务进行分配的分支定界算法。仿真结果表明,该方法能够有效降低移动边缘计算能耗与时延。     

云架构语音督察系统

为解决传统集中式语音监听系统带宽占用大、存储效率低从而不易扩展的弊端,提出了采用云计算架构的语音督察系统.云架构语音督察系统采用分布式架构,通过逻辑统一、物理分离的方法将计算和存储等压力分布到区域服务器,设计网络调度算法将网络流量集中在区域内,避免核心网络的负载压力过大;通过调度算法对各服务器的压力进行调度,实现全系统的负载均衡和冗余备份,保障系统的稳定性和可靠性;结合云计算架构特点构建了10个音频服务以实现语音督察系统的实时监听、音频存储与备份、历史音频查询与回放及问题督察等功能.实验验证传统集中式语音监听系统随着规模扩展中心网络的吞吐也不断扩展,而云架构语音督察系统却增长很小,证明了云架构语音督察系统的易扩展性.     

传感器网络中基于模糊决策的多目标路由优化算法

针对无线传感器网络的特点,选取能耗和时延作为优化目标,建立了基于模糊决策理论的多目标整数规划的网络模型．采用目标满意度隶属函数定义各目标的优化贴近程度,提出了一种多目标优化路由算法．通过调整压缩满意度空间,可适应不同业务对能耗和时延的不同要求．实例计算结果表明了算法的可行性．仿真分析表明,在基于能耗和时延的满意度隶属函数加权和的综合性能指标上,本算法优于最小能耗算法和最小时延算法．     

基于车联网和移动边缘计算的时延可容忍数据传输

以物联网和车联网为代表的智慧城市的快速发展,使网络中的数据传输与数据计算面临巨大挑战,网络资源的分配也越来越受到广泛关注,为此提出了一种基于移动边缘计算的新型网络架构,通过整合物联网与车联网,用以传输时延可容忍数据及处理数据计算任务.由于在同一网络架构下,需要融合多种网络标准和协议,基于可编程控制原理的软件定义网络技术被应用于所提网络架构中.此外,时延可容忍数据在软件定义的车联网中的传输与计算节点选择过程可建模为部分可观测马尔科夫决策过程,从而优化并获得最小化系统开销,包括最小网络开销和最短数据计算处理时间.仿真结果表明,与已有方案相比,所提方法可以有效地降低系统开销,缩短数据计算执行时间,提升数据计算效率,且在传输时延允许条件下,保证时延可容忍数据的传输到达率.