检索结果-内蒙古大学图书馆

小型微型计算机系统 2025年第3期46卷 724-734页

作者：袁晓铭田汉森赵哲宇徐小华毕远国东北大学秦皇岛分校河北省海洋感知网络与数据处理重点实验室秦皇岛066004 中国科学技术大学计算机科学与技术学院合肥230026

近年来,移动边缘计算(Mobile Edge Computing,MEC)技术的持续发展和应用成功地应对了随着终端用户数量急剧增加而导致网络边缘数据量爆炸性增长的用户服务需求.然而,如何实时优化分配这些服务器给不同用户仍然是一个亟待解决的紧迫问题... 详细信息

近年来,移动边缘计算(Mobile Edge Computing,MEC)技术的持续发展和应用成功地应对了随着终端用户数量急剧增加而导致网络边缘数据量爆炸性增长的用户服务需求.然而,如何实时优化分配这些服务器给不同用户仍然是一个亟待解决的紧迫问题.本文专注于多用户多MEC服务器场景中任务缓存和计算卸载策略的联合优化问题,借助于强化学习算法分别解决这两个子问题.在任务缓存方面,本文以最大化系统缓存命中率为目标,引入了基于Gomory割平面的多臂选择算法(Gomory Based Multi-Arm Selection,GMAS)来适应不同任务数据量的差异,并通过理论证明了算法遗憾上界的对数性.而在任务卸载方面,提出了Dueling架构的双重Q网络(Double DQN with Dueling architecture,D3QN)算法以应对多用户多MEC服务器中的任务卸载问题,该算法在保证任务性能的同时有效规避了DQN算法中Q值过估计的问题.仿真结果表明,本文所提出的算法在时延和能耗等方面相较A3C和DQN算法表现出明显的优势.

关键词：移动边缘计算任务缓存计算卸载深度强化学习

来源：评论

学校读者我要写书评

暂无评论

基于排队网络的流水线模拟器任务缓存新分析模型

引用

计算机研究与发展 2012年第1期49卷 103-110页

作者：邱铁郭禾冯林司伟生刘晓艳大连理工大学软件学院辽宁大连116620 大连理工大学创新实验学院辽宁大连116024 悉尼大学信息学院

流水线软件模拟器是嵌入式微处理器软件仿真系统的关键技术,提出对嵌入式微处理器流水线仿真系统的排队网络建模与缓存大小分析方法.对SPARC-V8流水线模拟器建立M/M/1/N型排队网络模型,分析指令到达及服务阻塞机制.为了解决模型计算中... 详细信息

流水线软件模拟器是嵌入式微处理器软件仿真系统的关键技术,提出对嵌入式微处理器流水线仿真系统的排队网络建模与缓存大小分析方法.对SPARC-V8流水线模拟器建立M/M/1/N型排队网络模型,分析指令到达及服务阻塞机制.为了解决模型计算中的阻塞问题,在排队网络模型中增加"保持节点",得到扩展的等价排队网络模型.采用近似计算迭代算法,得到系统性能评价指标,并建立排队网络节点性能关系曲线,确定各功能模块的任务缓存大小.根据得出的任务缓存计算值设置流水线软件模拟器实际缓存大小,实验表明模型计算数据与实际运行数据基本一致.该评价方法对嵌入式微处理器流水线仿真系统的建模与性能分析具有重要的指导意义.

关键词：嵌入式微处理器排队网络模型阻塞流水线仿真任务缓存

来源：评论

学校读者我要写书评

暂无评论

边缘计算中多服务器协同任务缓存策略

引用

计算机工程与应用 2023年第20期59卷 245-253页

作者：马世雄葛海波宋兴西安邮电大学电子工程学院西安710121

针对边缘服务器有限的计算、存储资源与大量用户任务请求之间的矛盾,设计了基于多服务器协同的边缘计算任务缓存网络架构,该架构中边缘服务器可以在内存中缓存并执行用户任务,未缓存的任务放在云端执行。结合用户任务请求时变和邻近区... 详细信息

针对边缘服务器有限的计算、存储资源与大量用户任务请求之间的矛盾,设计了基于多服务器协同的边缘计算任务缓存网络架构,该架构中边缘服务器可以在内存中缓存并执行用户任务,未缓存的任务放在云端执行。结合用户任务请求时变和邻近区域用户更倾向于请求相似任务的特点,提出一种基于改进Soft Actor-Critic的多服务器协同任务缓存算法(MSAC)。该算法以最小化用户平均任务执行时延为目标,为避免反复选择同一动作而收敛于局部最优,引入最大熵模型来鼓励边缘服务器探索最优动作。通过设计经验共享机制,收集并学习本地边缘服务器和相邻服务器的经验以优化任务缓存策略。仿真结果表明,与最高流行度算法、独立SAC算法、DQN算法、遗传算法相比,所提出的MSAC算法在降低用户任务平均执行时延方面的效果最好。

关键词：边缘计算任务缓存多服务器协作深度强化学习

来源：评论

学校读者我要写书评

暂无评论

基于多臂赌博机的边缘云任务缓存策略研究

基于多臂赌博机的边缘云任务缓存策略研究

引用

作者：韩超华中科技大学

学位级别：硕士

近年来,随着移动终端设备数量的迅速增长,云计算网络中的通信负载大幅增加,从而导致了较高的任务执行延迟,同时,随着移动应用的日益智能化,现有的智能移动设备已经无法满足虚拟现实、增强现实等新兴移动应用的计算与延时需求,所以这些... 详细信息

近年来,随着移动终端设备数量的迅速增长,云计算网络中的通信负载大幅增加,从而导致了较高的任务执行延迟,同时,随着移动应用的日益智能化,现有的智能移动设备已经无法满足虚拟现实、增强现实等新兴移动应用的计算与延时需求,所以这些移动应用只能寄希望于新型的网络架构。许多研究者提出了边缘云计算解决方案,边缘云服务器将远程云端的部分任务缓存在本地,从而能够就近地执行智能移动设备的任务请求,减缓了网络的拥塞状况并降低了任务的执行时间。这种基于边缘计算的任务缓存方案能够满足新兴移动应用的低延时需求,考虑到边缘云服务器缓存容量的有限性,为了合理地选择任务缓存到边缘云服务器中,基于多臂赌博机模型提出了一种称为UCB-AC(Upper Confidence Bound-Adaptive Caching)的自适应任务缓存策略。UCB-AC任务缓存策略不仅能够在线学习移动用户的任务请求模式,而且能够根据用户请求的任务量大小动态地调整缓存策略。通过数学方法证明了算法的累积期望学习遗憾上界值,表明UCB-AC算法能够以有限的学习代价来降低任务的执行延时。为了评估UCB-AC算法的有效性,采用平均任务执行时间、期望学习遗憾以及累积期望学习遗憾作为评价指标,在边缘云任务缓存仿真模型中进行了对比实验,结果表明,相比于经典多臂赌博机任务缓存策略,UCB-AC算法能够最小化任务的处理延时与学习遗憾。

关键词：多臂赌博机边缘云任务缓存服务安置

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算的任务缓存研究

移动边缘计算的任务缓存研究

引用

作者：梁静轩广东工业大学

学位级别：硕士

随着智能物联网应用的涌现，如虚拟现实、自动驾驶、智能家居等，对海量无线物联网设备的高速通信和低延时计算能力提出了严峻挑战。在此背景下，融合缓存功能的移动边缘计算（MobileEdgeComputing，MEC）技术应运而生。不同于传统的云... 详细信息

随着智能物联网应用的涌现，如虚拟现实、自动驾驶、智能家居等，对海量无线物联网设备的高速通信和低延时计算能力提出了严峻挑战。在此背景下，融合缓存功能的移动边缘计算（MobileEdgeComputing，MEC）技术应运而生。不同于传统的云计算技术，MEC让计算任务的执行下沉到靠近服务请求侧的网络边缘（例如，WiFi无线接入点、路由器、蜂窝基站等），MEC无需通过回程链路将计算任务上传到云端进行计算，从而减少回程链路的数据流量，降低数据传输的平均时延。而在网络边缘侧使用缓存技术主动缓存计算任务数据，减少重复的计算或重复内容的传输。本文针对MEC的联合计算卸载、本地计算和缓存问题，从最小化边缘系统的加权能耗的角度展开研究。本文将围绕以上问题针对不同的移动边缘网络场景开展移动边缘缓存技术的研究，主要工作和创新点如下：　　第一，为满足不同用户对业务不同的需求，本文解决多时隙多用户任务缓存和计算卸载的联合设计。已有的研究只考虑了无线设备端的能耗，而本文以MEC缓存系统中所有设备的加权能耗和最小化进行研究。在MEC服务器缓存容量、计算任务因果性和任务完成时限约束条件下最小化MEC系统加权能耗和，结合MEC服务器的缓存决策和任务计算量，以及MEC客户端的计算卸载量和本地计算量建立了数学模型。根据建立的数学模型特征，分别采用分支定界法和凸转换算法，最终得到任务卸载、任务缓存和任务计算的最优决策。最后通过仿真验证所提的机制能够降低系统的加权能耗，所提的方案的加权能耗性能优于三种基准方案，并且发现在每个无线设备的计算任务不相同的情况下，任务的缓急程度和无线信道信息会成为缓存决策的依据。所提方案的性能优于性能最佳的无缓存联合本地计算和计算卸载基准方案至少52%。　　第二，提出联合任务缓存与计算卸载优化在线设计数学模型，在实际应用中的计算任务的结算结果虽然是由不同用户发起的任务请求但也可以得到相同的计算结果，比如天气或周围地图等。首先，本文提出一种计算任务缓存和计算任务执行时间协议，在第一个阶段进行任务缓存，在第二个阶段基于缓存的任务和用户的请求完成任务执行。其次，本文针对不同时间阶段需要完成的任务进行了分析，以系统的加权总能耗和最小化为原则，在第一个时间阶段考虑了任务缓存容量约束、计算任务卸载因果性和计算任务完成期限约束条件。在第二个时间阶段考虑了计算任务卸载因果性和计算　　任务完成期限约束条件。然后，为了刻画系统性能的下界，考虑信道状态和到达计算任务已知的离线场景，该离线场景的解可作为计算任务未知场景下在线解决方案的性能下界。提出使用分支定界法获得离线场景的最优解，并提出凸转换算法和分解算法降低计算复杂度，最终得到任务卸载、任务缓存和任务计算的最优决策。最后通过仿真验证所提的机制能够有效降低系统的加权能耗。

关键词：移动边缘计算任务缓存分支定界法计算卸载凸松弛

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中带有缓存机制的任务卸载策略

引用

计算机应用与软件 2019年第6期36卷 114-119页

作者：郭煜广东国防科技技师学院

为了满足延时敏感型应用执行的需求,实现移动设备的能耗优化,基于移动边缘计算环境提出一种融入缓存机制的任务卸载策略。与仅关注计算卸载决策不同,该策略可将已完成的重复请求任务及相关数据在边缘云上进行缓存,这样可以降低任务的卸... 详细信息

为了满足延时敏感型应用执行的需求,实现移动设备的能耗优化,基于移动边缘计算环境提出一种融入缓存机制的任务卸载策略。与仅关注计算卸载决策不同,该策略可将已完成的重复请求任务及相关数据在边缘云上进行缓存,这样可以降低任务的卸载延时。将计算与存储能力受限的边缘云中的任务缓存与卸载优化决策问题分解为两个子优化问题进行求解。证明任务卸载子问题可转换为决策变量的凸最优化问题,而任务缓存子问题可转换为0-1整数规划问题。分别设计内点法和分支限界法对两个子问题进行求解,进而得到满足截止时间约束时能耗最优的卸载决策解。仿真算例证明了该策略在动态异构的任务执行环境下可以实现更好的能效优化。

关键词：移动边缘计算任务缓存任务卸载能耗整数规划

来源：评论

学校读者我要写书评

暂无评论

基于信任评估的移动边缘计算任务卸载研究

基于信任评估的移动边缘计算任务卸载研究

引用

作者：林柯蒙中国民用航空飞行学院

学位级别：硕士

随着无人机技术的不断发展,无人机边缘计算作为一种新兴的计算模式,具有广泛的应用前景和发展潜力。然而,当前无人机边缘计算面临着成本较高和安全性评价指标不足的问题。针对上述问题,本文提出了面向无人机边缘计算的信任评估和任务缓... 详细信息

随着无人机技术的不断发展,无人机边缘计算作为一种新兴的计算模式,具有广泛的应用前景和发展潜力。然而,当前无人机边缘计算面临着成本较高和安全性评价指标不足的问题。针对上述问题,本文提出了面向无人机边缘计算的信任评估和任务缓存卸载方案。首先,建立了三个指标,包括隐私度(PD)、恶意劫持的监测效果(MH)和防御黑洞攻击的能力(BH),来衡量无人机边缘计算系统的隐私性、安全性和抗攻击能力。基于这三个指标,建立了无人机边缘计算信任评估模型,并采用强化学习算法来最优化无人机边缘计算系统的信任值。其次,从无人机边缘计算节点的角度,建立了多用户边缘计算模型,引入等待概率指标来评估移动边缘计算系统的计算效率,并构造了移动边缘计算系统的成本函数,将多目标优化问题转化为单目标非线性规划问题。针对求解问题,本文采用蒙特卡洛树搜索和决策树剪枝算法来得到无人机边缘节点视角的最优卸载策略。最后,以成本函数和信任评估模型为基础,以最优化无人机边缘计算系统中物联网设备的时延与能耗为目标,以信任值为约束建立了无人机边缘计算物联网设备的成本模型。并针对现有强化学习在算法收敛性较差易陷入局部最优解的问题,本文提出了蒙特卡罗-Q学习算法。实验结果表明,所提出的蒙特卡罗-Q学习算法具有较好的收敛性和跳出局部最优解的能力,相比于其他算法具有最大18.4%的提升。

关键词：无人机边缘计算信任评估任务卸载任务缓存强化学习

来源：评论

学校读者我要写书评

暂无评论

基于移动边缘计算的蜂窝异构网络任务卸载策略研究

基于移动边缘计算的蜂窝异构网络任务卸载策略研究

引用

作者：毛梦齐重庆邮电大学

学位级别：硕士

近年来,各类新型业务,如自然语言处理、语音识别以及增强现实等的广泛应用对智能终端有限的计算能力和电池蓄电能力提出了严峻的挑战。如何提高智能终端的业务处理能力,改善用户的服务质量(Quality of Service,Qo S)成为亟需解决的问题... 详细信息

近年来,各类新型业务,如自然语言处理、语音识别以及增强现实等的广泛应用对智能终端有限的计算能力和电池蓄电能力提出了严峻的挑战。如何提高智能终端的业务处理能力,改善用户的服务质量(Quality of Service,Qo S)成为亟需解决的问题。移动边缘计算(Mobile Edge Computing,MEC)技术通过在接入网络边缘,如蜂窝网络的基站处部署MEC服务器为用户提供任务卸载服务,可有效提升用户任务处理能力,改善用户Qo S。在支持MEC服务器任务卸载的蜂窝异构网络中,综合考虑任务特性及服务器计算和缓存能力的差异性,设计高效的任务卸载策略具有重要意义。本文针对蜂窝异构网络任务卸载策略开展研究,具体内容如下:首先介绍了研究背景及意义,进而对蜂窝异构网络的架构、特点及相关技术等,以及MEC技术的定义、相关概念及主要应用场景进行概述,并对现有文献中蜂窝异构网络任务卸载相关研究进行分析和总结。针对部署MEC服务器的蜂窝异构网络场景,提出一种基于成本优化的联合任务卸载及资源分配算法。定义任务执行成本为宏基站任务执行所需能耗以及小基站任务丢弃成本的加权和,在满足任务执行最大容忍时延以及电池电量等约束条件下,建模联合任务卸载及资源分配问题为长期任务执行成本最小化问题。所建模问题为马尔可夫决策过程(Markov Decision Process,MDP)问题,由于能量到达和任务到达过程的不可预测性,导致状态转移概率无法获取,无法采用传统MDP问题解法如值迭代法进行求解。因此,本文提出一种无模型的强化学习算法,即Q学习算法进行求解。针对传统Q学习算法收敛速度较慢以及易陷入局部最优等缺点,本文提出一种基于混沌选择策略的热启动算法,以较快的算法收敛速度,确定联合任务卸载及资源分配策略。最后,通过实验仿真验证了本文所提算法具有良好的性能。针对部署MEC服务器的蜂窝异构网络,考虑典型任务执行场景,即用户任务输入数据量由用户本地数据及网络辅助信息组成,研究联合任务卸载及缓存算法。在满足任务卸载和缓存空间等约束条件下,建模联合任务卸载及缓存问题为系统所有用户任务执行时延最小化问题。由于所建模问题为整数非线性优化问题,本文首先应用麦考密克等价将任务卸载变量和缓存变量进行解耦,进而利用拉格朗日部分松弛将解耦后的优化问题转化为三个子问题即任务卸载子问题、任务缓存子问题以及联合优化子问题。最后,针对上述三个子问题,分别采用库恩-芒克勒斯算法和次梯度算法的迭代算法进行求解,从而获得联合任务卸载及缓存优化策略。最后,通过实验仿真验证了本文所提算法的有效性。

关键词：蜂窝异构网络移动边缘计算任务卸载任务缓存资源分配

来源：评论

学校读者我要写书评

暂无评论

工业互联网中安全性增强的边缘计算任务调度方法研究

工业互联网中安全性增强的边缘计算任务调度方法研究

引用

作者：白旭洋西安邮电大学

学位级别：硕士

随着智能化进程的加快,工业互联网对计算资源的要求日益提高。工业环境中存在着很多云计算难以解决的问题,如中心负载压力、传输带宽不足以及数据隐私威胁等。边缘计算作为一种新型计算范式,能够在设备源头就近提供智能服务,具备高带宽... 详细信息

随着智能化进程的加快,工业互联网对计算资源的要求日益提高。工业环境中存在着很多云计算难以解决的问题,如中心负载压力、传输带宽不足以及数据隐私威胁等。边缘计算作为一种新型计算范式,能够在设备源头就近提供智能服务,具备高带宽、低延迟和高可靠性等特点。将工业计算任务调度至边缘侧进行处理,能够满足工业制造中实时业务和数据优化的关键需求。任务调度方法直接影响工业计算任务的执行效果,不合理的任务调度无法提升工业制造中边缘计算的效率。然而,现有任务调度方法存在边缘缓存资源未充分利用,任务调度时延敏感度低,数据隐私安全保护能力弱等缺陷。针对上述问题,本文对工业互联网环境下安全性增强的边缘计算任务调度问题进行深入研究,提出了基于区块链和任务缓存的边缘计算任务调度方法以及基于区块链的节点划分和任务缓存的异构边缘-云计算任务调度方法,旨在降低时延和成本的同时提高系统安全性,主要工作包括:(1)本文针对本地设备、边缘服务器协同计算以及单一任务需求的工业互联网场景,提出一种联合区块链和任务缓存的两层任务调度模型。该模型将相似度较高的任务计算结果进行缓存,通过区块链辅助任务缓存机制增强系统安全性,进一步降低任务时延。本文将耦合了任务缓存和区块链辅助缓存的任务调度问题建模为延迟约束下的最小加权成本问题。通过调整遗传算法的初始化和变异操作,提出一种基于改进遗传算法的任务调度策略算法。此外,改进了最近最少使用算法来提高任务缓存的内容命中率。与现有的边缘计算调度算法相比,所提算法具有更快的最优解求解能力和更短的运行时间。所建模型不但比本地计算节省了62.19%的成本,而且在保护数据安全、减少时延、降低成本等方面具有较大优势。(2)本文针对异构多边缘服务器、本地以及云服务器协同服务以及任务多种需求的工业互联网场景,提出了一种结合区块链和边缘缓存的三层任务调度模型。该模型能够充分利用边缘服务器和区块链的存储资源,缓存任务所需的多种资源,从而降低数据传输时延并提高数据传输的安全性。为了进一步提高异构边缘服务器的安全性,本文设计了一种节点分级机制,该机制能够根据服务器的自身属性和安全状态将边缘服务器分为不同的安全级别。本文将耦合了任务缓存、缓存资源调度和节点分级机制的任务调度模型建模为时延和能耗的最小加权成本问题。通过线性化和松弛方法将该问题转化为凸优化问题,并使用基于交替方向乘子法的任务调度算法求解最优最安全的调度策略。实验表明,所建模型不仅比本地计算减少42%的加权总成本,而且提高了系统的安全性。

关键词：工业互联网边缘计算任务调度任务缓存区块链

来源：评论

学校读者我要写书评

暂无评论

基于边缘计算的车联网高效内容交付及任务卸载

基于边缘计算的车联网高效内容交付及任务卸载

引用

作者：龙艳电子科技大学

学位级别：硕士

移动边缘计算(Mobile Edge Computing,MEC)作为一种新颖的范例,正在成为以消费者为中心的物联网的重要推动者。它将云计算功能和服务扩展到网络边缘,通过将计算任务从移动设备转移到网络边缘来实现实时信息传输和计算。被广泛地用于需... 详细信息

移动边缘计算(Mobile Edge Computing,MEC)作为一种新颖的范例,正在成为以消费者为中心的物联网的重要推动者。它将云计算功能和服务扩展到网络边缘,通过将计算任务从移动设备转移到网络边缘来实现实时信息传输和计算。被广泛地用于需要实时数据处理和反馈的场景,例如车载网络、自动驾驶等。目前,车载网络面临着一个巨大的挑战,即需要为大量车辆提供稳定可靠的连接与高质量的网络服务。为了解决这些问题,移动边缘计算将作为核心出发点,在车载网络中接入网络边缘的计算资源进行任务传输和处理。本文内容主要有以下几部分构成:首先,针对愈演愈烈的用户需求与有限资源之间的矛盾,面对车联网中高效内容交付和任务卸载问题时,本文基于MEC,考虑到MEC应用场景中用户与边缘云交付过程中的通信功耗与时延约束,进而考虑对边缘云的计算资源进行定价的问题。详细说来,考虑到边缘云利用自身资源使利益最大化为出发点,提出了一种基于价格的考虑通信功耗的方法来管理用户的卸载计算任务,并利用Stackelberg博弈来建模边缘云与用户之间的交互。边缘云根据自身有限的资源设定相应的价格以最大化自身收益;对于给定的价格,每个用户在本地做出卸载决策以最小化其自身成本。仿真结果表明,优化算法在满足任务卸载约束的同时,能够明显地降低系统能耗且为边缘云带来更多的收益。然后,针对车载网络中的任务卸载问题,考虑多基站应用场景下,针对系统中按比率到达的任务,将基于边缘计算的车载网络系统中任务处理所产生的的总功耗作为任务卸载的优化目标,基于系统模型、相应约束等控制手段,提出了高效的任务卸载算法优化车载网络内容交互,即多基站MEC服务器场景中带有缓存机制的任务卸载算法。针对系统中的任务,车载用户与边缘基站对卸载比率与缓存比率进行优化决策,最小化系统中总功耗,并与其他算法进行了对比分析,系统仿真结果表明,在多基站MEC服务器场景中,当车辆进入边缘基站覆盖区域并执行任务卸载方案时,本文提出的任务卸载方案较之于其他方案,能够明显地带来更低的系统能耗,原因是与仅关注计算卸载决策不同,该策略对边缘云上的缓存能力也进行了有效利用,边缘云利用缓存可以有效减少系统总功耗。

关键词：边缘计算车联网任务缓存计算卸载资源分配

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：