面向边缘计算的目标追踪应用部署策略研究

目标追踪算法已在诸多领域得到广泛应用,然而由于实时性和功耗问题,使得基于深度学习模型的算法难以在移动终端设备上部署应用.本文结合边缘计算技术,从应用部署优化的角度,对目标追踪算法在移动设备上的部署策略进行研究.通过对目标追踪应用特点、移动设备特性以及边缘云网络架构的分析,提出一种面向边缘计算的目标追踪应用部署策略.通过任务分割策略将目标追踪应用的计算任务合理卸载至边缘云并利用信息融合策略对计算结果进行分析融合,此外,利用运动检测进一步降低终端节点的计算压力和功耗.通过对不同部署策略进行对比实验,实验结果表明,相比计算任务本地计算,该部署策略明显降低了任务响应时间,相比完全卸载至边缘云,该部署策略降低了相同计算任务的处理时间.     

HWOA: an intelligent hybrid whale optimization algorithm for multi-objective task selection strategy in edge cloud computing system

Edge computing is a popular computing modality that works by placing computing resources as close as possible to the sensor data to relieve the burden of network bandwidth and data centers in cloud computing. However, as the volume of data and the scale of tasks processed by edge terminals continue to increase, the problem of how to optimize task selection based on execution time with limited computing resources becomes a pressing one. To this end, a hybrid whale optimization algorithm (HWOA) is proposed for multi-objective edge computing task selection. In addition to the execution time of the task, economic profits are also considered to optimize task selection. Specifically, a fuzzy function is designed to address the uncertainty of task’s economic profits and execution time. Five interactive constraints among tasks are presented and formulated to improve the performance of task selection. Furthermore, some improved strategies are designed to solve the problem that the whale optimization algorithm (WOA) is subject to local optima entrapment. Finally, an extensive experimental assessment of synthetic datasets is implemented to evaluate the multi-objective optimization performance. Compared with the traditional WOA, the diversity metric (Δ-spread), the hypervolume (HV) and other evaluation metrics are significantly improved. The experiment results also indicate the proposed approach achieves remarkable performance compared with other competitive methods.

     

基于边缘计算的分支神经网络模型推断延迟优化

针对云服务器上深度神经网络（DNN）模型推断任务延迟过高的问题,提出基于边缘计算的分支神经网络部署模型。分析了边缘计算场景中深度神经网络的分布式部署问题,证明该问题是NP-难的。设计了一种基于分支定界思想的部署算法（DBB）,选择合适的边缘计算节点部署模型以减少推断任务的延迟。设计并实现了选择节点退出（SNE）算法,为不同任务选择合适的边缘计算节点来退出推断任务。仿真实验结果表明,与在云端部署神经网络模型的方法相比,基于边缘计算的分支神经网络模型的推断延迟平均降低了36%。     

基于SaaS的弹性云平台优化调度策略设计

云计算平台利用虚拟化技术使软件应用变得更有效率的同时, 也给资源管理和服务调度带来了挑战。在研究了软件服务（SaaS）与基础设施服务（IaaS）调度的区别基础上, 重点考虑SaaS层的资源调度, 提出基于随机理论的调度模型, 把该层调度描述成一种多目标的优化问题。除了服务质量的要求, 还考虑了弹性这一云服务的重要特性, 并提供了任务调度与弹性服务副本的匹配策略。实验表明本调度机制的设计优化了云平台的整体性能, 达到了较好的负载均衡与资源利用率。     

Optimal business process deployment cost in cloud resources

Cloud computing is the fastest emerging technology that proposes several resources under various pricing strategies that are specified based on temporal constraints. The main aim of cloud computing is to enhance the performance level and minimize operating costs. Thus, organizations looking towards optimizing their spending on IT infrastructure find such pricing strategies very attractive, especially, to deploy their business process models. However, discovering the optimal deployment cost of a business process in cloud resources proposed under various pricing strategies becomes a highly challenging problem. So, the objective of the present paper is to present an approach that assists business process designers in finding an optimal assignment or scheduling based on the variety of pricing strategies. We use linear programming models with an objective function under a set of constraints. Besides, we propose an extension of the famous cloud simulator provided in the market, CloudSim, to simulate the cloud resources consumed to deploy a business process model. The experimental results show the feasibility, effectiveness, and performance of our approach.

     

移动边缘计算环境下的动态资源分配策略

在通讯设备爆炸式增长的时代,移动边缘计算作为5G通讯技术的核心技术之一,对其进行合理的资源分配显得尤为重要。移动边缘计算的思想是把云计算中心下沉到基站部署(边缘云),使云计算中心更加靠近用户,以快速解决计算资源分配问题。但是,相对于大型的云计算中心,边缘云的计算资源有限,传统的虚拟机分配方式不足以灵活应对边缘云的计算资源分配问题。为解决此问题,提出一种根据用户综合需求变化的动态计算资源和频谱分配算法(DRFAA),采用"分治"策略,并将资源模拟成"流体"资源进行分配,以寻求较大的吞吐量和较低的传输时延。实验仿真结果显示,动态计算资源和频谱分配算法可以有效地降低用户与边缘云之间的传输时延,也可以提高边缘云的吞吐量。     

面向智慧教室的无线传感网边缘节点智能部署方法

摘 要: 为降低部署后的通信时延,提高智慧教室的数据发送与网络使用效率,提出面向智慧教室的无线传感网边缘节点智能部署方法。以智慧教室场景中良好的通信、最大限度降低部署边缘节点成本为优化目标,构建边缘节点智能部署的目标函数。针对目标函数设定流量约束条件、无线传感网数据流约束条件、节点计算能力约束条件。自适应调整粒子群优化算法的惯性权重、粒子更新速度、Pareto最优解保存策略,设计多目标改进粒子群优化算法求解目标函数,实现面向智慧教室的无线传感网边缘节点智能部署。测试结果表明,该方法的时延较低,网络计算能力较高,保证了智慧教室无线传感网通信和传输质量。     

边缘计算开源平台综述

首先介绍了边缘计算(EC)的基本概念和研究现状,并从多视角讨论了边缘计算平台的设计要求;接着聚焦到4个典型的开源平台,并从应用领域、部署方式等方面比较了它们之间的异同点;随后选取了两个典型的应用案例,分别针对它们的优势、搭建进行了概述和分析;最后对边缘计算平台之间的合作、安全、标准化等问题进行了归纳和展望.     

边缘计算驱动的对话机器人终端部署

目前,大部分内置对话功能的终端只是用户文字语音传输的"中转站",并不承担计算功能.这导致用于计算的云服务需要承担较高的网络负载和计算负载.随着硬件性能的不断提升,终端设备也能运行部分自然语言处理算法,分担云服务的压力.本文讨论了使用边缘计算技术实现对话机器人终端部署的可行性,并设计了基于云+边缘协同计算的对话系统架构....     

基于雾计算的煤矿全场景监测系统研究

目前煤矿全场景监测系统主要依赖于云计算实现数据处理、存储与决策,云计算需实时处理海量监测信息,严重影响系统决策层的时效性与精确度。针对该问题,提出一种基于雾计算的煤矿全场景监测系统,以神经元感知节点为单元设计雾计算神经网络,缓解云计算数据处理压力。针对基于粒子群优化算法(PSO)的节点部署方法存在过早收敛现象和局部最优解的问题,通过改进的PSO算法优化神经元感知节点部署,实现网络结构优化。仿真结果表明,与经典PSO算法相比,改进PSO算法能够更快寻得最优解,整体通信覆盖率的最优值、最差值和平均值分别提高了3.19%,3.31%,3.25%,具有收敛快速有效、适应性强、稳定性高等优势。     

双通道云数据存储安全方案研究

为了改善解决云计算中热点问题之一～数据存储安全,该文在研究现有经典云数据存储体系架构的基础上,根据云本身的超强计算能力和代价低廉等特性,提出了一种优化的双通道并行云存储架构,配以非对称数据加密手段,在硬件与架构层面直接针对安全问题作出优化部署。在大量的节约成本、提高效率、精简架构的情况下保证了云环境下数据存储安全性的提升。模拟部署表明,双通道并行云架构及非对称数据加密能有效的提高云数据存储的安全性。     

QoS约束的云经济资源管理模型研究

提供用户满意的、具有QoS约束的云计算应用是云计算面临的一大难题。提出了以商品市场为原型的云计算经济资源管理模型,其通过云用户与供应商的SLA协商,实现应用服务层QoS到资源设备层QoS的映射,最后利用效用函数的管理策略实现资源的优化调度。     

边缘计算助力工业互联网:架构、应用与挑战

工业互联网通过整合5G通信、人工智能等先进技术,将各类具有感知、控制能力的传感器与控制器融入工业生产过程,来优化产品生产工艺,降低成本,提高生产率.传统的云计算模式由于集中式部署的特点,计算节点通常离智能终端较远,难以满足工业领域对高实时性、低延迟的需求.边缘计算通过将计算、存储与网络等资源下沉到工业网络边缘,可以更加...     

算力网络下的算力边缘服务器部署算法

算力边缘服务器部署问题是构建算力网络的基础性问题。在实践过程中,算力边缘服务器靠近算力资源并为其加入算力网络提供接入服务。然而,算力资源的整体结构往往由现实需求所决定,并时刻随需求的变化而变化。在算力边缘服务器资源有限的情况下,如何合理部署算力边缘服务器,使得其能够保障算力网络有效地建设已成为当前各界所关注的热点。首先,对算力边缘服务器部署问题进行分析,并将其转换为带约束的多目标优化问题。针对该问题,提出一种改进型遗传算法予以解决。该算法优点在于：寻找无重复可行解作为初始种群,为选择操作提供了更多挑选的余地;选择时,采用个体均衡选择策略,保证了迭代群体的多样化与分散化;交叉和变异时,分别采用不同种类的随机两点交叉与轮流随机单点变异的策略,从而保障了新生种群的多元性与多样性。实验从算力资源总量偏差率、负载平衡误差率、收敛率、期望最优解误差率四个方面验证,该算法适合应用于算力边缘服务器的部署。     

Dandelion:OpenStack云平台的快速部署机制

提出了一种快速、自动部署OpenStack云平台的解决方案,以提高OpenStack的部署效率.该方案首先创建不同节点类型的镜像模板文件; 接着根据节点类型(如网络节点、计算节点)将已制作好的镜像模板进行复制,并依照节点的属性(如IP地址、hostname标识等)使用脚本自动修改配置文件,完成单个节点的部署; 之后,利用相同的策略实现其他节点的快速部署.在部署的基础上,通过管理服务器提供的预启动执行环境(PXE)、动态主机配置协议(DHCP)及简单文件传输协议(TFTP)等网络服务挂载节点的镜像块文件,最终完成节点的启动.此外,建立了性能评价模型用于确定源镜像副本和存储服务器的最佳数量,以优化存储网络的拓扑结构.实验结果表明,无论是使用相同存储网络部署不同大小的云平台,还是使用不同大小的存储网络部署相同大小的云平台,与Cobbler、网络文件系统(NFS)等部署方案相比,所提解决方案大大减少了部署时间,提高了部署效率.     

移动边缘计算中的端到端任务分配算法

为了提高移动应用程序的运行效率,移动边缘计算将部分任务从终端设备迁移到边缘云中计算来缩减应用程序的运行时间和终端设备的能耗。针对应用程序所需的总代价即能耗和时间两个目标进行了研究,提出一个移动边缘计算模型和基于贪心策略的快速算法（HGA）;构造了一个结合贪心策略的粒子群（HPSO）算法,进一步优化HGA的解。实验结果表明,与传统所有任务只在一个设备上执行和尽可能上传云端执行两种策略相比,提出的HGA总代价分别优化28.5%和9.1%;与HGA相比,HPSO算法总代价减少12.3%;即所提算法能有效减少系统的总代价,更加满足用户需求。     

基于双层Stackelberg博弈的MEC计算卸载方案

多接入边缘计算(multi-access edge computing, MEC)中的计算卸载问题已经成为当前研究的热点之一.目前的计算卸载方案仅考虑云、边、端结构中的计算卸载问题,而未考虑到其公、私有云的属性.提出了一种新的计算卸载方案,所提方案考虑了边缘计算中公有云与私有云之间的关系,将公有云作为了私有云资源的补充,可以缓解由于私有云资源局限性带来的算力不足问题;并通过建立双层Stackelberg博弈来解决计算卸载问题.对公有云、私有云以及用户的策略和收益进行了分析,求出了各参与人的最优策略,证明了双层博弈的纳什均衡解的存在性及唯一性.仿真结果和分析也验证了基于双层Stackelberg博弈的计算卸载方案的可行性,且相较基于单层Stackelberg博弈的卸载方案更高效,更适合可扩展的边缘计算的环境.     

Solving the Interoperability Problem by Means of a Bus

In the last years, many institutions have provided themselves with cluster and Grid infrastructures either for intensive computation or research objectives. Each infrastructure having its own and different management operating software, the integration of different platforms becomes a hard and complicated task. Solving the interoperability problem for a set of different computing infrastructures belonging to our institution in order to solve a computation intensive problem was our objective. The paper describes the solution that was applied and the experimental results obtained. The solution uses a platform based on a central bus shared by the involved system components for information exchange. In order to ensure that all computations will succeed, the solution includes cloud infrastructures to deal with situations in which the local computing resources pose some problems. Also a cloud based solution for the bus deployment is explored and empirically compared with a local deployment.     

负载均衡的主导资源公平分配算法

随着使用云计算并行且可靠地处理计算问题成为一种趋势,各种云计算平台应运而生,在这些平台中,保证多种资源调度策略的公平性非常重要。主导资源公平分配算法DRF有效地实现了多种资源环境中的公平分配,但在资源分配过程中容易出现集群负载不均的情况。因此,提出在使用DRF算法分配资源过程中,通过集群中各节点的资源利用率情况对节点进行K-means聚类分析,根据聚类结果将资源分配给任务来提高集群负载均衡的能力。基于CloudSim 4.0实现了改进DRF算法的仿真实验,实验结果表明,负载均衡的DRF算法比原始的DRF算法以及基于层次分析法(AHP)改进的DRF算法更能有效地改善集群整体的负载均衡。     

基于云计算的P2P流媒体服务器集群部署算法

针对云计算数据中心网络（DCN）环境下,P2P流媒体服务器集群部署引起的较高带宽占用问题,提出了一种基于云计算的P2P流媒体服务器集群部署方法。该方法将P2P流媒体服务器集群部署建模为一个二次分配问题,并基于蚁群算法,寻找每个虚拟流媒体服务器与每个部署点之间的映射关系,实现基于云计算的P2P流媒体服务器集群部署。通过仿真实验证明,基于云计算的P2P流媒体服务器集群部署算法可以有效地减少云计算平台DCN网络带宽占用。