移动边缘计算中基于中继辅助计算方法综述*

为了满足下一代网络在覆盖范围、部署成本以及容量方面的挑战,移动边缘计算（MEC）通常需要借助中继节点的辅助来完成计算密集型和延迟敏感型的任务。首先介绍了基于中继辅助MEC系统的基本架构,之后从任务卸载、资源分配和中继节点选择三方面对基于中继辅助MEC系统最新的研究方法进行归纳总结。更进一步,针对现有方法可能存在的问题与挑战进行了讨论与分析,并提出一些可行的解决方案为后续研究发展提供参考。     

基于连续时间的二阶多智能体分布式资源分配算法

针对二阶多智能体系统中的分布式资源分配问题, 本文设计两种连续时间算法. 基于KKT (Karush?Kuhn?Tucker, 卡罗需?库恩?塔克)优化条件, 第一种控制算法利用节点局部不等式及其梯度信息来约束节点状态. 与上述梯度方法不同, 第二种控制算法包括一致性梯度下降法和固定时间收敛映射算子, 其中固定时间收敛映射算子确保算法的节点状态在固定时间收敛到局部约束集, 一致性梯度下降法目的是确保节点迭代到资源分配问题最优解. 两种控制算法都对状态无初始值约束, 且控制参数都是常数. 利用凸优化理论和固定时间李雅普诺夫方法, 分别分析了上述控制策略在有向平衡网络条件下的渐近和指数收敛性. 最后通过数值仿真验证了所设计算法在一维和高维资源分配问题的有效性.     

移动边缘计算中计算卸载方案研究综述

在移动边缘计算中通过将终端设备的计算任务卸载到边缘服务器,可以利用边缘服务器资源解决终端设备计算能力不足的问题,同时满足移动应用程序对低延迟的需求.因此,计算卸载备受关注并成为移动边缘计算的关键技术之一.本文对移动边缘计算的计算卸载研究进展进行深度调研.首先,总结归纳出两类计算卸载方法——基于启发式算法的传统方法和基于在线学习的智能方法;从最小化延迟时间、最小化能耗、权衡时间和能耗三个不同优化目标对基于启发式算法的传统计算卸载进行分析对比;梳理了基于在线学习智能计算卸载采用的底层人工智能技术;然后介绍了边缘服务器资源分配方案和新兴的移动边缘计算应用场景;最后分析计算卸载方案存在的问题并展望移动边缘计算的计算卸载研究的未来方向,为后续研究工作指明方向.     

多机器人网络中资源公平分配的研究

就如何实现多机器人网络中各独立任务资源的公平分配及其服务质量最优化提出了一种新方法。该方法通过对增益控制参数的模糊控制,增强了系统的鲁棒性,并尽可能快速平稳地实现各项独立任务所需资源的公平分配。     

蜂窝网络中D2D通信资源分配方法综述

随着第五代(the fifth generation,5G)移动通信系统商用进程的推进,设备到设备(device-to-device,D2D)通信越发受到人们的关注.频率、功率等资源分配作为优化D2D通信的关键技术成为重要的研究课题,因此对蜂窝网络中D2 D通信资源分配研究进行综述.首先介绍D2 D通信模型和模式;其次从数学理论角度出发,分析蜂窝网络中D2 D通信资源分配的主要方法:基于图论、超图理论、博弈论、机器学习和启发式算法等,对这些算法进行对比分析;最后总结上述D2 D资源分配方法存在的主要不足,并对蜂窝网络中D2 D通信的未来发展进行展望.     

车联网基于信任度的RSU识别及资源分配算法

在车联网中,由于部分路侧单元（RSU）的位置比较偏远,无法得到网络管理员的及时维护,可能遭到攻击,变为不可信任的路侧单元,降低了车辆的通信质量和网络能效.为了有效地识别RSU的可靠性,提出了一种基于信任度的路侧单元识别及资源分配算法,将路侧单元识别、传输模式的选择和功率分配联合建模为网络能效的优化问题,并分成3个子优化问题,分别求解.首先,采用基于信任度的RSU识别算法,识别出可信任和不可信任的路侧单元;其次,优化车辆资源块配置和链路选择;最后,通过次梯度算法优化传输功率,最大化网络能效.理论分析和仿真结果表明,所提算法具备较低的复杂度,可以达到较高的路侧单元识别准确度,并有效地提升网络总能效.     

联合无线资源管理技术的改进型垂直切换算法

针对移动主机在垂直切换过程中无线资源的合理分配问题,基于通用移动通信系统(UMTS)和无线局域网(WLAN)构建的无线异构网络环境,按照不同业务的服务质量(QoS)优先级,提出一种联合带宽借用、负载均衡机制的新型垂直切换算法;建立基于Matlab的性能评估仿真平台,对新呼阻塞率、掉话率进行分析。结果表明,该算法可以在维持较小阻塞率的情况下,有效减少掉话率,保证QoS需求高的话音业务取得很好的服务质量。     

H.264计算资源和比特资源联合优化分配方法

针对聋哑人移动手语视频通信,提出一种H.264计算资源和比特资源联合优化分配方法。该方法根据聋哑人视觉选择特性将手语视频划分为不同的区域,通过为不同区域分配不同的量化系数进行比特资源优化分配;并将H.264手语视频编码复杂度分为三个级别,根据能量受限设备的电池能量自适应地选择编码级别进行计算资源优化分配。研究结果表明:该算法在保证手语视频感兴趣区编码质量的同时,可以有效降低编码器的计算复杂度,延长电池工作时长。     

基于云端协同计算架构的边缘端I/O密集型虚拟机资源分配方案

大型制造业生产车间业务流程复杂,传统固定资源配置方式将产生负载不均衡的问题。针对此问题,设计并实现了一种基于云端协同架构的边缘端I/O密集型虚拟机资源的分配算法,通过定义计算节点中每个I/O密集型虚拟机三个维度的信息计算得出I/O密集型虚拟机的优先级,并按最大优先级队列实时统一分配硬件资源。实验结果表明,该算法在应对工业机械设备高响应和高通量的要求上有较为明显的提升,为实际生产起到了优化资源配置的作用。     

基于资源分配网络的小数据集并行集成学习方法

机器学习领域中,如何在小规模的训练数据集上获得一个具有稳定的高计算精度的算法模型,一直以来都是一个棘手而富有挑战的问题。从算法模型出发,提出了一种基于扩展卡尔曼滤波器的资源分配网络并行集成学习方法。该集成系统由多个带有扩展卡尔曼滤波器的资源分配网络（RANEKF）组成,并且每个RANEKF子网的输入由原始数据集中的输入经过随机权值的修正得到。通过和其他神经网络构成的集成学习算法的实验对比,发现提出的方法在小训练集上拥有更高的计算精度和稳定性。