检索结果-内蒙古大学图书馆

作者：刘浩东重庆邮电大学

学位级别：硕士

移动边缘计算作为一种新兴的计算范式,将计算资源下放至距离用户更近的边缘节点,可以为用户提供更便利的服务。但是由于用户的移动特性,用户在移动的过程中可能存在时延增加甚至服务中断等一系列问题。因此,研究有效的服务迁移策略可以... 详细信息

移动边缘计算作为一种新兴的计算范式,将计算资源下放至距离用户更近的边缘节点,可以为用户提供更便利的服务。但是由于用户的移动特性,用户在移动的过程中可能存在时延增加甚至服务中断等一系列问题。因此,研究有效的服务迁移策略可以提高服务质量和用户体验。本文主要从迁移决策与迁移路径两个方面展开研究,取得的研究成果如下:1.针对现有的服务迁移决策只考虑到用户在某一位置时是否进行服务迁移的问题,本文引入用户之前的移动方向作为一种预测指标,该预测指标能够基于用户之前移动方向预测用户后续移动方向,进而使得用户在某一位置制定迁移决策时会考虑其后续移动。并在此基础上使用马尔可夫决策过程对迁移决策问题建模,同时使用基于价值迭代的迁移决策算法求解用户处于不同位置不同移动方向时的迁移决策。最后,通过实验分析,验证了所提迁移决策模型与迁移决策算法在迁移决策问题上更具优势。2.针对现有的迁移路径选择策略只考虑了静态网络下迁移路径选择的问题,本文综合考虑网络链路的多种消耗信息及其动态特性,使用强化学习算法求解动态网络环境下自适应的迁移路径。并通过改进强化学习算法中的贪婪策略使算法更适用于当前应用场景。最后,通过实验分析,验证了所提动态自适应迁移路径选择算法更适用于动态网络环境中的服务迁移。最后,本文根据所做的研究设计并实现了一个服务迁移决策与迁移路径选择的可视化系统。该系统通过融合本文所提出的服务迁移决策算法与动态自适应迁移路径选择算法,可以向用户直观地展示不同场景下的迁移决策与迁移路径。

关键词：移动边缘计算服务迁移强化学习迁移路径

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中计算卸载和资源分配方法研究

移动边缘计算中计算卸载和资源分配方法研究

引用

作者：范苍曲阜师范大学

学位级别：硕士

随着物联网(Internet of Things,Io T)技术的发展,人脸识别、增强现实、虚拟现实等应用越来越普遍,这些对时延敏感的应用需要大量计算并消耗较高能量。然而,目前移动终端的计算资源和电池电量有限,显著影响了用户体验质量(Quality of Ex... 详细信息

随着物联网(Internet of Things,Io T)技术的发展,人脸识别、增强现实、虚拟现实等应用越来越普遍,这些对时延敏感的应用需要大量计算并消耗较高能量。然而,目前移动终端的计算资源和电池电量有限,显著影响了用户体验质量(Quality of Experience,Qo E)。移动边缘计算(Mobile Edge Computing,MEC)将资源扩展到网络边缘,成为解决这一问题的关键技术。由于系统时延和能耗的约束,如何设计符合用户需求的计算卸载和资源分配方法是MEC模式面临的关键挑战。为了应对这一挑战,本文基于MEC系统架构对计算卸载和资源分配问题进行研究,具体研究内容如下。(1)基于缓存辅助的计算卸载和资源分配方法设计。针对MEC中的计算卸载和缓存问题,本研究设计了一种拥有内容缓存服务的多用户多服务器系统架构,为进一步减少系统总时延,联合优化缓存策略、卸载决策、传输功率和计算资源分配是亟需解决的问题。因此,为了解决联合优化问题,本研究制定缓存管理方案,提出一种基于块逐次上界最小化(Block Successive Upper-bound Minimization,BSUM)的联合优化算法。首先,通过预选取的方式对明确处理方法的任务进行筛选,缩小问题规模;其次,针对处理方法不明确的任务,根据时延增益函数确定处理顺序,并通过固定缓存、卸载和传输功率的方法,得到计算资源分配策略;最终,利用BSUM方法获得联合缓存、卸载和传输功率问题的最优解。实验结果表明,与基准算法相比,该算法减少了系统总时延,提高了缓存命中率。(2)基于任务优先级的计算卸载和资源分配方法设计。鉴于缓存辅助的计算卸载和资源分配方法仅适用于内容缓存的场景,本文进一步研究更适合任务卸载的场景,同时针对当前MEC系统普遍存在卸载效率低的问题,设计了一种多用户多服务器系统架构。为减少系统总能耗,需解决联合卸载比例策略、传输功率和计算资源分配问题。为此,本研究制定任务优先级方案,并提出一种联合卸载比例和资源分配优化算法。首先,将该问题解耦为卸载比例问题和资源分配问题,并推导出卸载比例问题的封闭解;其次,针对传输功率和计算资源分配问题分别进行求解;最终,获得原问题的最优解。实验结果表明,与基准算法相比,该算法减少了系统总能耗,提高了卸载效率。

关键词：移动边缘计算计算卸载资源分配缓存任务优先级

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算环境下基于深度强化学习的多目标任务卸载策略研究

移动边缘计算环境下基于深度强化学习的多目标任务卸载策略研究

引用

作者：王艳平内蒙古大学

学位级别：硕士

近年来,随着移动互联网的迅速发展,移动用户的规模持续高速增长,传统的移动网络架构已经难以为移动用户提供高质量的网络服务。在此背景下,一种新型的网络架构—移动边缘计算被提出,以期提升网络的服务品质,从而满足移动用户的服务需求... 详细信息

近年来,随着移动互联网的迅速发展,移动用户的规模持续高速增长,传统的移动网络架构已经难以为移动用户提供高质量的网络服务。在此背景下,一种新型的网络架构—移动边缘计算被提出,以期提升网络的服务品质,从而满足移动用户的服务需求。移动边缘计算通过在网络边缘部署服务器来就近处理终端用户的服务需求,借此降低网络延迟与提升移动网络的服务品质。移动边缘计算面临的一个重要问题是:如何对计算任务进行高效地卸载。现有的面向任务卸载的研究工作侧重于独立性任务,而非依赖性任务,独立性任务的卸载策略无法解决工作流环境下任务的数据依赖性与时序依赖性所带来的挑战。鉴于此,论文研究移动边缘计算环境中面向工作流应用的多目标任务卸载机制,目标是最小化工作流的总体完成时间和用户设备的总能耗。具体来说,本文的主要贡献如下:(1)本文将移动边缘计算环境中多工作流卸载问题建模为多目标优化问题,该优化问题综合考虑工作流的总体完成时间和用户设备的总能耗,通过探究工作流的完成时间与用户设备能耗的变化关系,以便在工作流完成时间与用户设备能耗之间做出有效的折衷。(2)本文将构建的优化问题转化为部分可观察马尔科夫博弈模型,并设计与实现了一种基于多智能体深度强化学习的多工作流卸载算法来获得部分可观察马尔科夫博弈模型的最优策略。该算法采用集中式训练分布式执行的方式,对每个智能体训练出一个需要全局信息的评论家和一个需要局部信息的行动者,通过协调多个智能体之间的活动来获得最优的卸载策略。(3)本文通过大量仿真实验评估了所提出的多目标工作流任务卸载算法的有效性与先进性。实验结果表明,所提算法相较于单智能体深度确定性策略梯度算法平均奖励值提升了50%,与其它先进卸载算法相比,本文所提算法在最小化工作流的总体完成时间和用户设备总能耗方面表现最好。

关键词：移动边缘计算工作流卸载多智能体深度强化学习算法完成时间能耗

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算网络中安全高效卸载和负载均衡研究

移动边缘计算网络中安全高效卸载和负载均衡研究

引用

作者：孙欢欢中国石油大学(华东)

学位级别：硕士

计算卸载作为移动边缘计算(Mobile Edge Computing,MEC)研究的热点问题之一,是实现用户低延时通信、提高用户服务体验的一项重要技术。但是由于无线链路的开放性和资源的有限性等因素,卸载用户的隐私容易泄露,任务的完成时间难以保证。... 详细信息

计算卸载作为移动边缘计算(Mobile Edge Computing,MEC)研究的热点问题之一,是实现用户低延时通信、提高用户服务体验的一项重要技术。但是由于无线链路的开放性和资源的有限性等因素,卸载用户的隐私容易泄露,任务的完成时间难以保证。此外,用户设备的异构性和任务卸载的随机性,导致MEC服务器之间的任务负载分布不均匀,影响了计算卸载的性能。因此本文研究了MEC网络中的安全高效卸载和边缘服务器间的负载优化问题,主要的工作内容如下: 为了提高任务卸载的安全性,增强MEC系统的资源利用率,本文提出了基于改进非支配排序遗传算法-Ⅱ(Improved Non Dominated Sorting Genetic Algorithm-Ⅱ,INSGA-Ⅱ)的安全高效卸载和负载均衡方案。首先,本文利用混合加密技术,提高了卸载数据传输的安全性;然后,建立了任务完成时延、设备能耗和系统负载三个适应度函数;为了解决该多目标优化问题,提出了INSGA-Ⅱ算法。该算法引入了Logistic混沌映射和相似度判断以优化种群初始化和交叉操作,并使用了控制精英策略,避免种群快速陷入局部帕累托最优前沿。实验结果表明,本文提出的方案在保护卸载数据的同时,需要更低的任务处理时延和用户端能耗,在优化MEC系统负载方面具有一定的优势。本文提出了一种基于非正交多址接入(Non Othogonal Multiple Access,NOMA)技术的安全高效卸载方案,并采用物理层安全技术确保卸载数据的安全传输。该方案在满足安全约束和资源约束的前提下,联合优化资源管理和计算卸载问题,使得用户卸载收益最大化。本文分别使用拉格朗日乘子法和连续凸优化方法解决计算资源分配和上传功率控制问题,并提出了一种任务卸载决策算法来解决卸载决策问题。实验结果表明,本文提出的方案能够获取更高的卸载收益,并且用户设备与窃听者相距越远,窃听者对卸载过程的影响越小。针对MEC服务器之间负载分布不均衡问题,本文提出了一种基于任务转移的负载均衡算法。该算法在充分考虑任务转移时延、任务完成时延限制以及MEC服务器计算负载等因素的前提下,做出合理的卸载任务转移决策。实验结果表明,相比于随机任务转移方案和未考虑任务转移的方案,本文提出的方案可以更好的平衡MEC服务器之间的计算负载,并验证了本文提出的迭代算法的效率。

关键词：移动边缘计算安全高效卸载资源分配负载均衡 INSGA-Ⅱ

来源：评论

学校读者我要写书评

暂无评论

5G时代移动边缘计算对智能网络发展的影响

引用

品牌研究 2024年第31期 25-27页

作者：李阳玉溪师范学院

在数字经济快速发展的背景下,5G技术的普及为移动边缘计算(MEC)的应用提供了新的机遇和挑战.本文旨在探讨数字经济时代和5G技术对移动边缘计算的推动作用,并分析其对智能网络发展的深远影响.通过对现有文献的综述和案例研究,本文首先梳... 详细信息

在数字经济快速发展的背景下,5G技术的普及为移动边缘计算(MEC)的应用提供了新的机遇和挑战.本文旨在探讨数字经济时代和5G技术对移动边缘计算的推动作用,并分析其对智能网络发展的深远影响.通过对现有文献的综述和案例研究,本文首先梳理了数字经济的基本概念及其对信息技术需求的提升,接着详细介绍了 5G技术的特点及其在移动边缘计算中的应用场景.随后,本文探讨了移动边缘计算在智能网络中的具体应用,包括智慧城市、智能交通、物联网等领域.最后,本文总结了移动边缘计算在5G时代的前景和挑战,并提出了未来研究的方向和可能的解决方案.

关键词：数字经济 5G技术移动边缘计算智能网络应用场景

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算卸载管理系统的设计与实现

移动边缘计算卸载管理系统的设计与实现

引用

作者：伍彤亮南京邮电大学

学位级别：硕士

移动边缘计算能够通过靠近用户提供计算服务以降低任务时延和提高服务质量,不同的卸载策略会影响卸载的效率,因此制定合适高效的卸载策略至关重要。深度强化学习通过训练智能体(Agent)在与环境交互的过程中学习能够实现长期效能的行为策... 详细信息

移动边缘计算能够通过靠近用户提供计算服务以降低任务时延和提高服务质量,不同的卸载策略会影响卸载的效率,因此制定合适高效的卸载策略至关重要。深度强化学习通过训练智能体(Agent)在与环境交互的过程中学习能够实现长期效能的行为策略,能够有效解决移动边缘计算卸载问题。因此基于深度强化学习研究移动边缘计算卸载问题,主要工作如下:(1)针对多用户单服务器集中式卸载场景中,连续卸载策略容易收敛至局部最优解的问题,提出了基于SAC的深度强化学习连续卸载策略TOSAC。通过在卸载策略中使用信息熵,提高Agent的探索能力,有效避免陷入局部最优解。首先基于卸载场景,以最小化任务时延和设备能耗为综合优化目标,建立本地计算模型和边缘计算模型并给出问题描述。然后建立马尔科夫决策模型并给出卸载策略。最后仿真实验表明,TOSAC卸载策略在时延上相较于EOC卸载策略平均降低22.31%,综合效能奖励平均提高9.52%;与TOGA卸载策略相比,TOSAC卸载策略在时延上平均降低10.37%,综合效能奖励平均提高7.36%。与DDPG卸载策略相比,TOSAC卸载策略在时延上平均降低7.69%,综合效能奖励平均提高3.99%。(2)在多用户单服务器卸载场景研究的基础上,研究多用户多服务器卸载问题,将连续卸载策略TOSAC扩展到多用户多服务器卸载场景中,提出了多服务器协同卸载策略MSTOSAC。在该场景中,除了需要决定每个终端设备的卸载比例、本地计算频率和传输功率,还需要决定每个终端设备卸载的目标移动边缘计算服务器。最后仿真实验表明,MSTOSAC能够随着移动边缘计算服务器数量的增加而降低时延和能耗,提高综合效能,时延相较于MEOC卸载策略平均降低19.7%,综合效能奖励平均提高7.3%;与MDDPG卸载策略相比,MSTOSAC卸载策略时延平均降低13.4%,综合效能奖励平均提高4.5%。(3)基于上述卸载策略和相应技术,设计并实现了基于深度强化学习的移动边缘计算卸载管理系统。该系统设计并实现了终端设备管理模块、Agent管理模块、边缘计算节点管理模块、用户管理模块和用户登录注册模块。最后系统测试结果表明,该管理系统能够实现对终端设备、Agent和边缘计算节点的高效管理,有助于提高用户管理效率。

关键词：移动边缘计算边缘卸载策略深度强化学习协同卸载卸载管理系统

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的卸载决策与功率分配联合优化

引用

无线电工程 2024年第7期54卷 1803-1815页

作者：诸锦涛李晖宋端正王昊周乐佳南京信息工程大学电子与信息工程学院江苏南京210044 无锡学院江苏省集成电路可靠性技术及检测系统工程研究中心江苏无锡214105

由于移动设备(Mobile Device,MD)的计算能力有限,在执行实时性和计算密集性的业务时将面临巨大的压力。为此研究了基于非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术的双层无人机(Unmanned Aerial Vehicle,UAV)辅助移动边... 详细信息

由于移动设备(Mobile Device,MD)的计算能力有限,在执行实时性和计算密集性的业务时将面临巨大的压力。为此研究了基于非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术的双层无人机(Unmanned Aerial Vehicle,UAV)辅助移动边缘计算(Mobile Edge Computing,MEC)的异构网络,配备边缘服务器的UAV协同基站为MD提供计算卸载服务。针对该异构网络,建立通信模型和计算模型,提出能耗和时间加权和最小化问题,开发了一个任务卸载和MD发射功率分配的联合优化算法。该算法将原始优化问题分为2个子问题,分别用改进的二进制粒子群优化(Improved Binary Particle Swarm Optimization,IBPSO)算法和改进的原子轨道搜索(Improved Atomic Orbit Search,IAOS)算法来解决任务卸载决策子问题和MD发射功率分配子问题。仿真结果表明,相比于基准算法,当改变最大发射功率、每比特计算周期和MD任务大小时,所提算法的时间与能耗的加权和分别最大减少29.2%、29.2%和33.2%;该算法在20次迭代内收敛,具有良好的收敛性。

关键词：移动边缘计算异构网络无人机元启发式算法非正交多址接入

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算环境下基于移动感知的工作流调度算法

引用

电子科技 2022年第9期35卷 58-64页

作者：魏泽丰周元元杭州电子科技大学计算机学院浙江杭州310018 合肥师范学院电子信息系统仿真设计安徽省重点实验室安徽合肥230039

移动边缘计算环境下,用户可将本地的计算密集型任务卸载至边缘服务器,从而缩短工作流的完工时间并节省设备能耗。然而,许多研究忽略了用户移动导致的网络连接变化对工作流调度的影响。针对现有算法中存在的卸载不合理问题,文中提出了基... 详细信息

移动边缘计算环境下,用户可将本地的计算密集型任务卸载至边缘服务器,从而缩短工作流的完工时间并节省设备能耗。然而,许多研究忽略了用户移动导致的网络连接变化对工作流调度的影响。针对现有算法中存在的卸载不合理问题,文中提出了基于移动感知的工作流调度算法MaWS。该算法通过预测用户移动轨迹得出未来可通信的基站集合,并融入遗传算法,制定合理的任务执行顺序和执行位置。仿真结果表明,相比HEFT和Greedy等算法,MaWS算法能够有效缩短10%~15%的工作流完工时间并降低8%~13%的设备能耗,为移动边缘计算下的工作流调度提出一种有效方案。

关键词：移动边缘计算工作流调度移动感知任务卸载遗传算法节约能耗轨迹预测网络连接变化

来源：评论

学校读者我要写书评

暂无评论

基于深度强化学习的移动边缘计算依赖任务卸载方法研究

基于深度强化学习的移动边缘计算依赖任务卸载方法研究

引用

作者：郭心语北京交通大学

学位级别：硕士

随着虚拟现实与增强现实应用的蓬勃兴起,对用户端设备性能提出了前所未有的高标准,而现有硬件能力的局限日益凸显。移动边缘计算(Mobile Edge Computing,MEC)将计算资源下沉至网络边缘,为用户提供低延迟、高性能的计算服务,然而如何在... 详细信息

随着虚拟现实与增强现实应用的蓬勃兴起,对用户端设备性能提出了前所未有的高标准,而现有硬件能力的局限日益凸显。移动边缘计算(Mobile Edge Computing,MEC)将计算资源下沉至网络边缘,为用户提供低延迟、高性能的计算服务,然而如何在边缘服务器有限的资源下更好的满足应用任务需求,仍然是一个极具挑战性的问题。本文聚焦于智能应用中的依赖任务调度,这些任务由多个相互关联的子任务组成,其间存在逻辑或数据依赖,构成了复杂的有向无环图(Directed Acyclic Graph,DAG)结构。为了优化计算卸载决策,充分利用边缘计算潜力,本文提出一种基于消息传递神经网络(Message Passing Neural Networks,MPNN)的动态调度策略,并将图神经网络(Graph Neural Network,GNN)整合进深度强化学习框架来解决有向无环图卸载调度问题。本文主要开展的工作如下: (1)针对单服务器依赖任务计算卸载问题,建立了该场景下的系统模型,旨在最小化总任务处理时延。本文提出一种基于MPNN的依赖任务动态调度队列,该机制通过任务执行完毕后的消息传递,激活准备就绪的后继任务,并将其纳入调度序列中。针对复杂DAG任务卸载挑战,本文提出了一种改进的双深度Q网络(Double Deep Q-Network,DDQN)算法,该算法使用GNN替代传统DDQN的Q值评估方法。该算法能更精准地保留任务间的拓扑结构信息,并利用多层图注意力机制深入挖掘节点间的相互作用,为智能体决策提供更为丰富和细致的环境洞察,从而在更广泛的上下文中做出更优的卸载决策。实验结果表明,与五种基线算法相比,所提算法在不同任务大小、不同任务密度等条件下能够获得更低的时延,具有更好的效果。 (2)本文针对更为复杂的多服务器移动边缘计算场景,建立了该场景下的系统模型,旨在最小化任务的处理时延与能耗的综合成本。模型不仅考虑了任务间的静态依赖关系,还创新性地将任务执行位置视为动态边,通过MPNN更新边的权重。本文设计了Node-Edge-Graph Attention Network(NEGAT)算法,该算法通过强化边信息在节点特征学习中的作用,构建了一种综合考虑节点与边特性的新型图注意力机制。NEGAT利用多层图注意力网络的迭代传播,使智能体得以在丰富的上下文中学习到更为高效的卸载策略。采用基于Actor-Critic架构的Proximal Policy Optimization(PPO)算法来训练卸载决策过程,进一步提升了策略的学习效率和表现。实验结果表明,相比与其他五种基线算法,本文所提算法具有更低的系统成本。

关键词：移动边缘计算计算卸载策略消息传递网络有向无环图图注意力

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算网络中基于DQN的能效性卸载决策及无线资源分配

引用

测试技术学报 2022年第1期36卷 54-59页

作者：高云郭艳艳卫霞山西大学物理电子工程学院山西太原030006

本文研究多种移动设备、单个移动边缘计算(Mobile Edge Computing,MEC)服务器网络场景下,移动设备计算任务的动态卸载决策及资源分配问题.在移动设备的计算任务队列稳定与时延限制、及最大发射功率约束等条件下,建立以系统长期平均能耗... 详细信息

本文研究多种移动设备、单个移动边缘计算(Mobile Edge Computing,MEC)服务器网络场景下,移动设备计算任务的动态卸载决策及资源分配问题.在移动设备的计算任务队列稳定与时延限制、及最大发射功率约束等条件下,建立以系统长期平均能耗最小化为优化目标,实现任务卸载决策、计算资源分配、无线信道及发射功率分配的优化模型.根据优化参数之间的相关性,将模型简化为信道和功率分配的联合优化问题.利用深度Q学习(Deep Q-network,DQN)方法,实现功率与时延约束下计算任务队列长期稳定的资源分配算法.仿真结果表明,本文所提出的算法能够有效地提高系统的能效和数据处理率.

关键词：移动边缘计算资源分配 DQN 能效性

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：