检索结果-内蒙古大学图书馆

Frontiers of Information Technology & Electronic Engineering 2025年第4期26卷 623-645页

作者：赖雪斌郭艳何明袁昊李伟崔晓楠中国人民解放军陆军工程大学通信工程学院中国人民解放军陆军工程大学指挥与控制工程学院

随着5G和6G通信技术不断演进与发展，物联网设备显著增长，人工智能应用日益广泛，这一趋势给目前的算力网络提出前所未有的挑战。无人机移动边缘计算（U-MEC）被认为是一种有效的应对范式。尽管如此，无人机资源供给与计算需求之间的... 详细信息

随着5G和6G通信技术不断演进与发展，物联网设备显著增长，人工智能应用日益广泛，这一趋势给目前的算力网络提出前所未有的挑战。无人机移动边缘计算（U-MEC）被认为是一种有效的应对范式。尽管如此，无人机资源供给与计算需求之间的矛盾成为亟待解决的难题。近期，针对具有依赖性的计算任务，研究人员提出一系列资源管理方法。然而，这些方法往往忽略了任务之间的重复性。针对这一问题，我们提出一种基于算力池的无人机移动边缘计算方法，允许无人机共享信息和计算资源。为确保算力池的有效构建，提出一个通过联合优化卸载策略、任务调度和资源分配来平衡无人机能耗的问题。为解决这一NP难问题，设计了一种基于连续凸近似和改进遗传算法的两阶段交替优化算法。仿真结果表明，所提方法平均减少了无人机18.41%的时间和21.68%的能耗，显著提高了任务完成效率。

关键词：无人机无人机移动边缘计算算力池依赖性重复性

来源：评论

学校读者我要写书评

暂无评论

无人机移动边缘计算环境下基于联邦学习的计算卸载策略研究

无人机移动边缘计算环境下基于联邦学习的计算卸载策略研究

引用

作者：朱雷武汉理工大学

学位级别：硕士

随着物联网(Internet of Things,IoT)技术的快速发展,新兴的物联网应用对资源受限的移动设备提出了越来越高计算能力的需求。而面对海量物联网设备的接入和动态通信需求,固定部署的边缘基站容易受到网络流量过载的影响,导致终端用户服... 详细信息

随着物联网(Internet of Things,IoT)技术的快速发展,新兴的物联网应用对资源受限的移动设备提出了越来越高计算能力的需求。而面对海量物联网设备的接入和动态通信需求,固定部署的边缘基站容易受到网络流量过载的影响,导致终端用户服务质量体验下降。支持无人机的移动边缘计算(Mobile Edge Computing,MEC)是解决该问题的有效途径。在临时热点区域流量爆炸、受灾区域基站损坏等情况下,无人机通过搭载边缘服务器作为空中基站,可以利用其更好的视距、更广泛的通信、更灵活的按需部署和更低廉的部署成本,为移动设备提供敏捷的MEC服务。通过将用户设备的计算密集型任务卸载到附近的MEC服务器上,边缘计算卸载被认为是MEC中实现低延迟服务和延长用户设备电池寿命的关键技术。然而无人机和边缘基站的通信和计算资源有限,如何优化计算卸载决策,进而降低任务响应延迟和用户设备能耗,成为亟待解决的问题。另外,传统基于优化理论的计算卸载方法通常不可扩展、耗时且计算成本高。而基于学习的集中式计算卸载方法需要物联网设备共享其数据以训练全局模型,这会侵犯用户隐私并在已经稀缺的频谱上产生不必要的通信开销。为了解决上述问题,联邦学习(Federated Learning,FL)作为一种分布式协作学习方法被提出,它可以部署在MEC系统的边缘设备上,为实现网络边缘智能提供了适用的解决方案。而联邦学习的成功在很大程度上取决于节点的参与,且用户设备训练高质量学习模型的数据量有限,如果没有令人满意的回报,用户和无人机不会愿意以计算和通信资源为代价参与联邦学习。基于此,本文开展了无人机辅助MEC环境下联邦学习激励机制以及基于联邦学习的计算卸载方案的研究。具体来说,本文主要工作包括:(1)针对基于联邦学习的无人机辅助MEC环境中,缺乏合适方式激励用户设备参与联邦学习训练以及随机参与者选择导致的联邦学习训练精度过低等问题,本文提出了基于Stackelberg博弈的联邦学习激励机制方法。首先,介绍了基于联邦学习的无人机辅助MEC系统架构,并对联邦学习激励机制存在的问题进行分析。然后,描述了联邦学习参与者选择以及分层联邦学习训练过程,构建了分层联邦学习效用模型和Stackelberg博弈模型。最后,提出基于Stackelberg博弈的联邦学习激励机制算法。为了对提出的算法进行实验验证与对比分析,本文搭建了基于联邦学习的无人机辅助MEC环境,并将本文提出的基于Stackelberg博弈的联邦学习激励机制算法与RandFL算法、PriceFFL算法、SPFL算法进行对比实验。实验结果显示,本文算法能够激励拥有高质量数据的用户设备参与联邦学习训练,提高联邦学习训练精度并实现社会福利最大化。(2)针对无人机辅助MEC环境下计算卸载策略缺乏动态扩展性、集中式训练方式导致传输开销过大以及用户隐私安全无法保障等问题。本文提出了基于联邦深度强化学习的计算卸载方法,旨在保护用户隐私的前提下实现动态自适应的计算卸载。首先,分析了无人机辅助MEC环境下基于联邦学习的计算卸载存在的问题。然后,建立了无人机辅助MEC环境中的通信模型、计算卸载的时延和能耗模型,构建了最小化任务响应时延和用户设备能耗归一化加权和的目标函数。本文综合考虑了移动设备侧的执行成本和MEC侧的时变网络条件,将动态计算卸载决策问题建模为马尔科夫决策过程,采用联邦深度强化学习算法来求解近似最优的计算卸载策略。最后,将本文提出的基于联邦深度强化学习的计算卸载算法与Greedy算法、AC算法、DQN算法进行对比实验。实验结果显示,本文算法能够有效降低任务响应时延、用户设备能耗和系统权重代价。

关键词：无人机移动边缘计算联邦学习计算卸载激励机制

来源：评论

学校读者我要写书评

暂无评论

无人机辅助移动边缘计算网络空地资源优化方法研究

无人机辅助移动边缘计算网络空地资源优化方法研究

引用

作者：龚亚梅山东师范大学

学位级别：硕士

物联网和移动通信技术的蓬勃发展催生了计算密集型和延迟敏感型新兴应用,这些新兴应用对网络通信、计算能力的需求激增,给资源有限的移动设备带来严峻挑战。无人机(Unmanned Aerial Vehicle,UAV)移动边缘计算网络(Mobile Edge Computing... 详细信息

物联网和移动通信技术的蓬勃发展催生了计算密集型和延迟敏感型新兴应用,这些新兴应用对网络通信、计算能力的需求激增,给资源有限的移动设备带来严峻挑战。无人机(Unmanned Aerial Vehicle,UAV)移动边缘计算网络(Mobile Edge Computing,MEC)因其高度的灵活性和机动性,不仅弥补了传统地面MEC网络对地面通信基础设施的依赖,而且在农业、通信、应急救援等多种场景中满足了各类应用的计算需求。然而无人机移动边缘计算网络的高移动性、资源不确定等特性导致网络的高动态性,这为网络中的资源配置带来了诸多挑战。首先,UAV灵活部署的同时也导致网络具有随机、动态等特性,进而对网络中多UAV的位置部署与任务卸载机制的设计带来严峻挑战。其次,有限的MEC服务器可用计算资源具有动态不确定性,用户面对不确定的计算环境作出卸载决策时会表现出风险寻求或损失规避的行为,这也为用户任务卸载决策建模带来挑战。最后,MEC服务器往往由不同无线网络服务提供商(Wirless Internet Service Provider,WISP)管理,需设计合理有效的计算资源定价激励机制以激励MEC服务器为用户提供计算服务。如何灵活部署无人机位置,并建立高效合理的任务卸载机制和激励机制是无人机边缘计算网络发挥其潜能的关键所在。因此,本论文分别针对无人机移动边缘计算网络中的MEC使能的UAV联盟网络和UAV辅助的空地MEC网络两种典型应用场景,研究了这两种典型应用场景中任务卸载机制的设计与资源分配方案的优化。论文的主要研究内容如下: 1)针对MEC使能的UAV联盟网络中UAV联盟成员机载资源有限以及UAV联盟领头者位置固定问题,提出了面向任务处理时延最小化的分层任务卸载和UAV位置部署优化方法。首先,UAV成员采用部分卸载方式,有效缓解UAV成员计算资源不足带来的计算过载问题,通过联合优化UAV头位置部署及UAV成员卸载策略,建立了最小化所有UAV成员任务处理总延迟问题。其次,将UAV头效用最大化和UAV成员效用最大化问题建模为多主多从的Stackelberg博弈,多无人机头为多领导者,多无人机成员为多追随者,并实现双方效用最优化。最后,利用精确势博弈(Exact Potential Game,EPG)分析了Stackelberg博弈均衡(Stackelberg Equilibrium,SE)的存在性,并利用基于最佳响应的分层迭代卸载算法来实现SE。仿真结果表明,与现有方法相比,所提出的方法在UAV成员总任务处理时延最小化方面能实现更好的性能,在四个UAV头与十二个UAV成员的情况下,所提出方法的总任务处理时延相较于其他对比方案最高能够降低61%左右。 2)针对UAV辅助的空地MEC网络中MEC服务器可用计算资源具有动态不确定性以及地面用户任务卸载时表现出风险意识行为的挑战,提出了基于前景理论(Prospect Theory,PT)和定价激励的任务部分卸载机制与计算资源分配方法。首先,同时考虑MEC服务器定价和失效风险以及用户卸载风险意识行为,建立了基于前景理论的用户满意度效用模型和基于定价的MEC服务器效用函数模型。其次,将最大化用户满意度效用与MEC服务器效用函数问题建模为多领导者多追随者Stackelberg博弈,证明了MEC服务器层子博弈和用户层子博弈都是具有纳什均衡(Nash Equilibrium,NE)的N人凹博弈,进一步证明了SE的存在性。最后,设计了一种联合用户卸载策略优化和MEC服务器资源定价的迭代算法实现了SE。仿真结果表明,与现有方法相比所提出的方法同时考虑了MEC服务器端与用户端,使得MEC服务器和用户都获得较高效用。

关键词：无人机移动边缘计算多主多从斯坦克伯格博弈任务卸载 UAV位置部署定价激励机制

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：