面向车联网的多接入边缘计算卸载策略优化的研究与实现

这是一篇关于多接入边缘计算,车联网,计算卸载,博弈论,深度强化学习的论文, 主要内容为随着5G通信技术及车联网的发展,大量车辆联网应用不断出现,如自动驾驶、实时路况、车载VR等,这些应用需要对大规模计算数据进行高效处理以保证驾乘人员安全,提高用户体验。单台车辆设备的计算和存储资源有限,无法支撑这类计算密集型应用的处理,对多节点资源协同工作的需求凸显。云计算是集中式的资源池共享模式,需要车联网中的数据通过远距离传输到云中心进行处理再反馈给边缘设备,数据传输时的网络波动和传输中断问题无法避免,增加隐患,影响服务质量。多接入边缘计算(MEC)通过在网络边缘部署小型数据中心,在临近数据终端的地方为用户提供计算服务,能够有效降低对公网传输的依赖,充分利用边缘设备资源,提高网络整体资源分布式处理能力,是车联网场景的合适解决方案。车联网场景下,计算任务被卸载到MEC服务器上执行,实现本地任务的边缘处理,弥补了本地设备计算能力不足和云端卸载成本高、服务不稳定的问题。MEC服务器的计算资源是有限的,且可能同时服务于多项任务,对资源的合理分配和制定合适的计算卸载策略对提升MEC服务器的计算效率至关重要。论文针对该问题,对车联网场景下的多接入边缘计算卸载策略优化问题展开研究,为不同场景下,车辆用户计算任务是否卸载、卸载到哪以及如何分配系统资源的问题探讨解决方案。首先,在MEC服务器和车辆组成的两层车联网架构(VMEC)中,引入博弈论的思想,将车辆间的资源竞争看作一个完全信息动态非合作博弈,提出了一种分布式计算卸载策略优化算法来求解。该算法的优点在于优化了计算卸载和资源分配方案,均衡MEC节点负载,以实现资源利用率的提升和用户卸载成本的降低。与全部任务本地执行和全部任务MEC执行两种卸载模式相比,该算法生成的卸载方案性能更优。其次,在云服务器作为新的计算资源加入时,提出了边云混合多接入边缘计算网络架构(ECH-VMEC)。针对通信模型和计算模型复杂性增加的问题,论文结合了 OFDMA和NOMA两种无线接入方式对无线通信过程进行建模,有效提升了频谱利用率。为了求解三层架构下的卸载策略优化问题,引入深度强化学习模型,设计了 MEC计算卸载和资源分配联合优化算法,将任务卸载过程建模为马尔可夫决策过程。实验证明,该算法与其他多种计算卸载方案相比性能更优。为了验证所提出的算法的可行性,为车联网服务提供技术参考,设计并实现了基于微服务的车联网MEC任务卸载原型系统。该系统构建了系统管理员和车辆用户两种角色,系统管理员负责MEC节点的实例创建、镜像部署、性能监测等任务;车辆用户可以上传任务信息到系统,通过调用所提出的卸载策略优化算法生成最优卸载策略。论文详细阐述了系统的设计方案和测试过程及结果,对相关领域的研究工作具有一定的参考价值。

面向车联网的多接入边缘计算卸载策略优化的研究与实现

这是一篇关于多接入边缘计算,车联网,计算卸载,博弈论,深度强化学习的论文, 主要内容为随着5G通信技术及车联网的发展,大量车辆联网应用不断出现,如自动驾驶、实时路况、车载VR等,这些应用需要对大规模计算数据进行高效处理以保证驾乘人员安全,提高用户体验。单台车辆设备的计算和存储资源有限,无法支撑这类计算密集型应用的处理,对多节点资源协同工作的需求凸显。云计算是集中式的资源池共享模式,需要车联网中的数据通过远距离传输到云中心进行处理再反馈给边缘设备,数据传输时的网络波动和传输中断问题无法避免,增加隐患,影响服务质量。多接入边缘计算(MEC)通过在网络边缘部署小型数据中心,在临近数据终端的地方为用户提供计算服务,能够有效降低对公网传输的依赖,充分利用边缘设备资源,提高网络整体资源分布式处理能力,是车联网场景的合适解决方案。车联网场景下,计算任务被卸载到MEC服务器上执行,实现本地任务的边缘处理,弥补了本地设备计算能力不足和云端卸载成本高、服务不稳定的问题。MEC服务器的计算资源是有限的,且可能同时服务于多项任务,对资源的合理分配和制定合适的计算卸载策略对提升MEC服务器的计算效率至关重要。论文针对该问题,对车联网场景下的多接入边缘计算卸载策略优化问题展开研究,为不同场景下,车辆用户计算任务是否卸载、卸载到哪以及如何分配系统资源的问题探讨解决方案。首先,在MEC服务器和车辆组成的两层车联网架构(VMEC)中,引入博弈论的思想,将车辆间的资源竞争看作一个完全信息动态非合作博弈,提出了一种分布式计算卸载策略优化算法来求解。该算法的优点在于优化了计算卸载和资源分配方案,均衡MEC节点负载,以实现资源利用率的提升和用户卸载成本的降低。与全部任务本地执行和全部任务MEC执行两种卸载模式相比,该算法生成的卸载方案性能更优。其次,在云服务器作为新的计算资源加入时,提出了边云混合多接入边缘计算网络架构(ECH-VMEC)。针对通信模型和计算模型复杂性增加的问题,论文结合了 OFDMA和NOMA两种无线接入方式对无线通信过程进行建模,有效提升了频谱利用率。为了求解三层架构下的卸载策略优化问题,引入深度强化学习模型,设计了 MEC计算卸载和资源分配联合优化算法,将任务卸载过程建模为马尔可夫决策过程。实验证明,该算法与其他多种计算卸载方案相比性能更优。为了验证所提出的算法的可行性,为车联网服务提供技术参考,设计并实现了基于微服务的车联网MEC任务卸载原型系统。该系统构建了系统管理员和车辆用户两种角色,系统管理员负责MEC节点的实例创建、镜像部署、性能监测等任务;车辆用户可以上传任务信息到系统,通过调用所提出的卸载策略优化算法生成最优卸载策略。论文详细阐述了系统的设计方案和测试过程及结果,对相关领域的研究工作具有一定的参考价值。

面向工业互联网的边缘微服务架构的研究与实现

这是一篇关于边缘计算,微服务,工业互联网,计算卸载,数据处理的论文, 主要内容为工业互联网已成为工业数字化、网络化和智能化的重要支撑。然而,随着工业应用的发展,大规模感知数据的采集、汇聚和计算,使得网络带宽消耗和服务响应速度面临挑战,这也成为限制工业互联网发展的主要瓶颈。为此,本文提出了一个工业互联网场景下基于边缘计算的微服务架构,并在真实的工业场景中进行了架构的实现与性能优化。区别于传统工业互联网中数据传输与处理异步的架构,本文提出的架构利用计算卸载的思想,将计算能力延伸到边缘和数据源设备,实现了传输和计算的紧密耦合。本文主要工作内容如下:1.面向工业互联网场景,设计了边缘微服务流程、网络结构和交互逻辑,构建了边缘微服务架构,使数据传输和计算更弹性。2.提出了微服务生命周期的控制方法,设计了并实现了微服务的数据反馈机制,使数据转化、数据处理保持可见。并通过对真实场景的工业服务进行细分,形成标准化的微服务集合。3.基于Spring MVC和Docker搭建系统平台,将边缘微服务架构部署于江苏南钢的工业互联网中。系统运行结果表明,相比于传统的工业互联网服务计算架构,本架构下的网络带宽消耗和系统响应得到明显优化。

区块链网络中基于边缘计算的资源分配和计算卸载研究

这是一篇关于边缘计算,区块链,资源分配,计算卸载的论文, 主要内容为区块链的去中心化和安全性的特点可以解决目前移动设备和物联网中存在的许多问题,例如隐私保护和数据安全等。但是目前许多移动设备计算和存储能力不足,不能很好地支持区块链应用的运行,这一问题亟待解决。移动边缘计算(Mobile Edge Computing,MEC)的提出非常好的解决这个问题。移动边缘计算通过用户服务从云端下沉,可以创造出一个更低延时、更好性能、更大带宽的网络环境。MEC和区块链的结合,既可以解决移动应用对于数据安全的需求也解决了其存储和算力不足问题。因此,本文主要研究的是在区块链网络中基于边缘计算的资源分配和计算卸载。首先本文设计并实现了一个边缘计算区块链平台,之后在此平台之上实现了两个算法。本文的几个主要工作包括:一、边缘计算区块链平台的设计与实现:区块链网络引入MEC带来了许多的新问题,区块链的计算、存储、延时等特性使得区块链和MEC的结合有了新的挑战。本文设计和实现了一个区块链和边缘计算相结合的仿真平台。边缘计算区块链平台主要分为三个部分:后台部分、算法部分和前端部分。后台部分使用主流的后台开发框架SpringBoot进行开发,通过web3j技术整合了以太坊的功能,并使用了容器技术来进行应用的部署和边缘计算相关资源的分配控制。算法部分论文在边缘计算平台部署了边缘计算资源分配算法和区块链应用的计算卸载算法。论文使用前端框架Vue搭建了一整套前端页面来展示系统运行过程中的一些数据,以此来直观的展现整个的系统运行流程。最后论文搭建了整个系统的Grafana监控报警系统,能够进行分钟级别的监控报警,确保整个系统的稳定性。二、区块链网络中边缘计算资源分配策略研究:MEC服务器针对区块链应用如何更好的分配自己的计算存储资源是一个比较重要的问题。将数据传输到边缘侧,在MEC服务器进行相关的区块链的运算。这样就既能够保证区块链网络的运行,也能保证数据的安全性和去中心化特性。论文利用了经济学中拍卖算法的模型,将边缘计算服务器的资源作为拍卖品,而参与竞争的用户作为竞标者,提出了multi-item拍卖模型。用户首先通过自己的任务大小,计算能力等来获取自己的估价,算法通过这些估价来计算边缘计算服务器的收益。整个算法使用基于深度学习算法的框架来完成,论文构建了 4层神经网络来模拟整个竞拍流程,并通过改变参数获取最好的结果。神经网络的输入为用户的竞拍价格,神经网络的输出为2个方面,分为资源分配概率和用户应付的价格。分别输出某个用户获取某个资源的概率和应付的价格。经过算法的优化,整个系统的收益比不使用任何算法提升了 30%。相对于己存在的single-item算法,本文提出的算法收益也提升了近20%。三、区块链网络中计算卸载策略研究:区块链应用的任务如果卸载给MEC也会出现同传统的卸载方式不同的问题。首先,区块链的计算任务的周期性,对时延的高要求等等,都表明,传统的计算卸载方式不适合区块链应用。区块链任务的不同之处要求一个更加合适的计算卸载算法。根据区块链的资源消耗、挖矿收益等等。提出了基于Q学习的计算卸载算法,构建了行动集合状态集,并定义了收益模型。论文基于PID控制算法平衡用户的收益和支出,保证整个系统能够有效运转。最终论文采用了离线训练和线上训练两种训练模型来优化算法模型,算法能够方便的部署在边缘计算区块链平台。实验结果表明,在长期运行的情况下,论文的算法能够在保证系统的稳定性的基础上也能够保证长期利益的最大化。在将算法部署到边缘计算区块链平台运行之后,提升用户计算区块链任务成功概率达60%以上,相对于其他相似研究也高出20%。

班组协作场景下基于K3S的边端协同调度技术研究

这是一篇关于任务协同调度,边缘计算,计算卸载,服务部署的论文, 主要内容为随着人工智能、移动通信等技术的发展,在移动终端下执行高计算复杂度任务的需求越来越大,这会严重影响移动终端的续航能力与用户的体验。移动边缘计算的发展使得移动终端可以借助边缘服务器的计算能力来执行任务:用户所需的服务合理的部署到边缘服务器,移动终端将任务卸载至边缘服务器,通过边端协同的方式来执行任务,以加快任务的执行并且降低移动终端的能耗。本文首先对自适应的计算卸载策略进行了研究。基于班组协作的场景,结合边缘计算平台K3S与任务的能耗时延特点,完成了系统模型的建立;将问题建模为马尔可夫决策过程,使用深度Q学习的方法,设计了自适应的计算卸载策略。该策略通过与环境的交互进行学习,最终达到降低时延与功耗的目的。实验结果表明自适应的计算卸载策略可以为任务选择合适的执行地点,与ULOOF和RANDOM策略相比可以更好的降低任务的执行时延与能耗。由于边缘服务器中服务的部署情况会影响到计算卸载策略的性能,本文在对自适应计算卸载策略研究后,对动态服务部署策略进行了研究。结合K3S平台与应用场景的特点,针对K3S平台只考虑了CPU与内存资源的不足,设计并实现了一种基于遗传算法的动态服务部署策略。策略在兼顾多边缘服务器资源占用率的情况下,降低了用户请求时延。实验结果表明策略是有效的,可以弥补K3S平台在用户请求时延方面的不足。在自适应计算卸载策略与动态服务部署策略的基础上,设计并实现了边端协同调度平台。平台主要包括资源收集、镜像管理、容器管理和协同调度模块。基于穿戴头盔与真实边缘服务器,以目标检测和路径规划任务为负载,对平台进行了实现。最后通过测试证明了该平台的合理性与有效性。

移动边缘计算网络中的计算卸载及负载均衡算法研究

这是一篇关于移动边缘计算,计算卸载,卸载决策,资源分配,负载均衡的论文, 主要内容为随着移动互联网以及物联网的飞速发展,越来越多的终端设备以及新型应用(如增强现实、人脸识别和交互式游戏等)出现在人们的日常生活中。这些新型应用通常具有计算密集型和时延敏感型的特点,对终端设备的计算和存储等能力提出了较高的要求。移动边缘计算(Mobile Edge Computing,MEC)的出现很好地解决了终端设备计算和存储能力不足等问题。用户设备可以将自身难以处理的复杂计算任务卸载到移动网络边缘的MEC服务器,并利用其丰富的计算和存储资源进行任务处理,有效地提升用户的体验质量。MEC在带来诸多优势的同时,也存在着如何根据有限的计算资源(用于任务处理)和无线资源(用于任务传输)来制定合理高效的计算卸载机制,以及MEC服务器中由于卸载任务量的分布不均所带来的负载均衡问题。对此,本文针对MEC网络中的计算卸载和负载均衡算法展开研究,具体内容如下:1.针对单小区-多用户MEC场景下的计算卸载问题,综合考虑用户任务卸载决策以及有限的无线和计算资源对计算卸载的影响,提出了任务卸载决策及资源分配的联合优化问题。首先,采用自适应遗传算法制定卸载决策及后续的更新操作。具体地,在每一次卸载决策更新的情况下,将原问题分解为功率分配和计算资源分配两个子问题;然后,根据凸优化及准凸优化理论,利用二分搜索法和拉格朗日乘子法分别求出功率分配和计算资源分配的最优解。仿真结果表明,所提出的方案在保证用户时延约束的同时,降低了用户总开销,有效地提升了系统的性能及用户体验质量。2.针对密集异构网络MEC场景下的计算卸载问题,考虑不同小小区间的同信道干扰对计算卸载的性能影响,提出了卸载决策和资源分配的联合优化问题。首先,采用混沌变异二进制粒子群算法优化用户的卸载决策,并在特定卸载决策下,采用拉格朗日乘子法对用户进行计算资源分配;然后,在满足用户最低传输速率和最大可容忍干扰的条件下采用改进的Kuhn-Munkre算法来对卸载用户进行子信道分配。仿真结果表明,所提出的方案相比于其他方案能够节省更多的开销,有效地提升系统性能。3.针对未来密集部署MEC服务器负载均衡问题,考虑了由于在不同时间内网络中的卸载任务量的变化情况,选择对MEC服务器进行休眠操作,以节省不必要的能量消耗。首先采用M/M/m多服务台排队理论对网络中的卸载任务量进行建模,然后根据网络中的卸载任务量利用集合均值迭代比较算法筛选出具有较少卸载任务量的MEC服务器集合,并对该集合内的MEC服务器进行逐一判断,进行休眠操作。仿真结果表明,所提方案能够明显地降低系统的能耗。

异构动态边缘计算系统中任务图自适应卸载与在线实时调度算法研究

这是一篇关于异构边缘计算系统,动态算法,任务图,计算卸载,实时调度的论文, 主要内容为作为下一代云计算系统的发展趋势,移动边缘计算(Mobile Edge Computing,MEC)能够在网络边缘就近地提供高带宽、低时延的“边缘云”服务,弥补了移动云计算的不足。其中,用户委派MEC系统执行计算任务的过程,称为计算卸载。作为MEC领域的核心技术,计算卸载的研究成果虽不断涌现,但依然存在不足:首先,现有算法研究针对异构场景的考虑相对匮乏,但未来该场景将随着异构组网技术的普及而广泛存在;其次,生产环境下诸多服务多由相互依赖的细粒度子任务构成,而针对子任务的卸载研究虽然能够大幅提升性能表现,但却鲜少有人问津;另外,非专用系统中普遍真实存在的动态性问题,更因其复杂性而缺乏关注。鉴于此,本文立足于动态且异构的Het-MEC系统,考虑了任务图模型,着眼于计算卸载中指派决策和调度执行两个阶段,分别研究了用户端自适应计算卸载和服务端在线实时调度两个问题。诚然,本研究面临众多挑战,如异构场景下决策标准的差异化难题、任务图模型下细粒度算法设计的较大难度、动态环境中决策结果的偏差或失效等。在并存的机遇与挑战下,本文提出了下述新颖且高效的应对算法:一是针对卸载决策阶段,本文提出了自适应卸载决策算法(ADaptive Computing Offloading,ADCO),旨在为动态Het-MEC系统中的移动用户,解决如何决策指派使任务图总体完工时间最短的问题。ADCO算法的关键思想在于在分散的时机将关键任务重复卸载至不同服务器中同时执行,从而高效地自适应于系统异常波动,并有效地规避了单点失效风险。ADCO算法还在决策前对待卸载任务图进行聚类预处理,减小了问题规模,降低了卸载过程的通信开销。此外,依托于列表调度的迭代框架,ADCO算法能够以较低的时间开销实现较高的卸载性能表现。实验表明,同比对照组,ADCO算法下任务图总体完工时间最高下降超过50%,且资源依赖性更低、规模扩展性更强。二是针对调度执行阶段,本文设计了在线链表调度算法(名为弹簧滑轨调度,Spring SLideway Scheduling,SSLS),旨在为硬实时任务图动态到达的边缘服务器,解决如何在线调度使长期平均拒绝服务率最低的问题。为了健壮地自适应于异常请求激增,SSLS通过将任务时序约束定义为其弹性指标,允许任务开始时刻在弹性限度内任意变动,以充分利用资源碎片扩充调度空间。为了实现高度灵活性,SSLS创新地将等待队列建模为线性链表,以迭代而非构造的插入式链表操作进行调度。同时,得益于失败任务的重调度调整机制,SSLS不仅拒绝率低而且长期稳定,具有在线运行适用性。实验表明,SSLS算法的长期拒绝服务率最高仅为对照组相应指标的10%上下,且可扩展性和硬实时适应性更强、资源依赖性更低。

基于边缘计算的卫星网络资源调度研究

这是一篇关于卫星边缘计算,虚拟化,任务迁移,计算卸载的论文, 主要内容为移动互联网的发展从各个方面影响了世界,为全球用户在多个领域提供高可靠和低延迟的网络服务。数据流量的快速增长和智能设备的更新迭代为用户产生了更多的应用,系统要处理的数据量非常庞大,云计算中心需要有更强大的能力才能够满足要求,通信网络面临着很多挑战。而移动边缘计算(Mobile Edge Computing,MEC)技术通过部署具备计算、存储、网络资源的节点,把云计算中心的部分能力到距离用户更近的地方,同时降低链路和云计算中心的压力。受到技术和成本的限制,地面通信设施不能覆盖全球范围,而卫星可以提供更广的覆盖范围和可靠的网络连接,不会受到自然灾害等影响,近年来卫星技术的发展非常迅速,使得未来可以大规模部署功能完备的卫星通信系统,卫星通信系统可以很好的弥补地面蜂窝通信系统的不足,未来会成为通信系统的重要组成部分。作为支持未来移动通信的重要组成部分,低轨卫星网络也可以结合移动边缘计算的优势,通过在卫星上部署计算、存储资源,增强卫星节点的服务能力,为用户提供计算服务。为此本文针对低轨卫星网络开展了以下创新性工作,主要的研究工作有:1、基于边缘计算的低轨卫星网络平台设计与实现:本文基于虚拟化技术和移动边缘计算系统架构,提出并设计了一个具有边缘计算能力的低轨卫星网络平台。该平台基于K3S实现虚拟化的卫星节点,使用微服务部署第三方应用对外提供边缘计算服务。该平台完成了计算和存储资源部署、资源调度、低轨卫星星座的参数设定、卫星网络特性模拟、任务迁移和计算卸载等功能。考虑卫星的移动性,即,卫星的位置是时刻都在变化的,在设计时为平台引入用户的接入和切换方法。2、基于任务属性的任务迁移策略:针对低轨卫星受到资源和移动性的限制,在某些情况下卫星不能提供高质量的服务,本文研究了卫星边缘计算场景中的任务迁移策略,提出了一种基于任务属性的任务迁移策略。考虑卫星节点的计算资源情况和任务属性等,在接入卫星不能很好的完成用户任务时,通过决策对用户提出的任务分配卫星资源,将用户的任务迁移到接入卫星附近的计算能力更强的卫星或者下一个接入卫星来处理,可以有效地降低端到端延迟、提升用户体验和系统的资源利用效率。与随机迁移的策略相比,文本提出的基于任务属性的任务迁移策略减少了 18%的延迟和提高了 12%的任务成功率。3、卫星边缘计算系统的计算卸载研究:为了解决用户任务和用户需求的多样化带来的需要提升系统效率的问题,可以为可分割的计算任务使用合理的卸载策略,从而提高任务处理的效率和卫星系统的资源利用率。本文对用户任务的计算卸载问题,提出了一种基于改进的正反馈遗传算法的计算卸载策略。首先收集任务信息和卫星节点的信息,其次以最短的用户端到端延迟为目标,使用改进的正反馈遗传算法在迭代过程中对可行解进行优化,产生更优的卸载决策,最后对用户任务进行卸载。和参考方法相比,本文提出的算法能够有效降低计算任务产生的延迟。与随机卸载策略相比,基于改进的正反馈遗传算法的计算卸载策略减少了 26%的延迟。