检索结果-内蒙古大学图书馆

作者：余傲天广东工业大学

学位级别：硕士

近年来,随着智能设备数量的飞速增长,云端计算的功能日渐向网络的边缘端转移,计算领域出现了移动边缘计算(Mobile Edge Computing,MEC)这一新的趋势。MEC将原本云计算中位于核心网的计算资源,通过边缘服务器或其他利用空余计算资源的方... 详细信息

近年来,随着智能设备数量的飞速增长,云端计算的功能日渐向网络的边缘端转移,计算领域出现了移动边缘计算(Mobile Edge Computing,MEC)这一新的趋势。MEC将原本云计算中位于核心网的计算资源,通过边缘服务器或其他利用空余计算资源的方式,将处理任务的中心“下沉”靠近用户的网络边缘,为处于网络边缘侧的移动设备提供高效、灵活的网络服务和计算资源。计算卸载是MEC得以显著提升用户体验的一大利器,然而计算卸载效果极易受到复杂MEC环境影响。设计最优卸载方案,提升计算卸载为用户带来的时延、效用增益,是非常有价值的问题。本文分别对MEC环境下内含依赖关系的复杂用户任务的卸载问题,和多用户MEC环境下的协作计算卸载和计算资源优化问题进行了研究,并在此基础上根据深度强化学习,提出了有效提升用户体验的解决方案。具体工作如下:1.针对MEC环境下内含任务划分和依赖关系的复杂用户任务的卸载问题,将复杂任务抽象为有向无环图(DAG)表示。根据任务在DAG图中的重要程度设置任务优先级序列,并将环境建模为马尔科夫决策过程(MDP)。之后引入结合Seq2Seq结构的DDPG(Deep Deterministic Policy Gradient)算法,训练使用户时延最小化和效用最大化的卸载策略。通过对比实验得知,本文提出的算法在时延最小化和效用最大化的目标上的表现接近穷举法,显著优于其他基线算法。2.针对多用户MEC环境下的计算卸载和资源分配决策问题,提出了将计算资源富余的移动设备视作协作设备的方案,将其他移动设备的计算任务卸载到协作设备上,达到在满足用户任务时延容忍约束的条件下,减小系统总能耗的目的。针对该目标问题,设计了基于SAC(Soft Actor-Critic)的优化算法。在仿真实验中,对比了多用户协作卸载方法与普通MEC服务器卸载方法的整体表现,表明了协作卸载方案在满足用户时延需求,减小系统能耗目的上的有效性。

关键词：移动边缘计算计算卸载任务划分协作卸载强化学习

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算赋能车联网任务卸载算法研究

移动边缘计算赋能车联网任务卸载算法研究

引用

作者：潘帅南京邮电大学

学位级别：硕士

近年来,智能交通行业蓬勃发展,涌现了一批改善驾驶体验及安全性的车载应用。然而这些应用服务多是计算密集型或时延敏感型的,这对移动车辆存储和计算能力带来了严峻的考验。另一方面,传统的基于云服务的卸载方案由于云服务器离移动车辆... 详细信息

近年来,智能交通行业蓬勃发展,涌现了一批改善驾驶体验及安全性的车载应用。然而这些应用服务多是计算密集型或时延敏感型的,这对移动车辆存储和计算能力带来了严峻的考验。另一方面,传统的基于云服务的卸载方案由于云服务器离移动车辆太远,无法满足低时延要求车载应用。通过将移动边缘计算技术引入车联网,在网络边缘侧部署移动边缘服务器,可以显著提高车辆在通信、存储和计算等方面的能力。本文研究了车联网环境下基于移动边缘计算的任务卸载算法优化,主要研究内容如下:首先,在多车辆单服务器场景下,将车辆移动导致其与服务器距离实时变化对上行链路数据传输速率带来的影响,以及任务卸载决策对系统带宽分配带来的影响进行建模,在时延约束中考虑了卸载时延应小于车辆离开路边单元覆盖范围时间以确保车辆任务卸载不中断。将联合任务卸载决策及计算资源分配问题表述为系统效用最大化问题,并转换为多个局部优化问题求解,在局部优化问题中提出基于数值方法的计算资源分配算法以确定计算资源分配,并提出一种启发式任务卸载算法得到卸载决策。仿真结果表明,本文所提卸载算法与随机卸载算法、统一和独立卸载算法以及自适应遗传算法相比,能有效降低任务处理时延和能耗,提高系统总效用。其次,在多车辆多服务器场景中,针对移动车辆经过多个路边单元可以选择服务器进行部分卸载的场景,对任务在服务器中的排队进行建模,并基于任务处理时延以及服务器负载均衡构建了一个用户满意度效用函数,将联合选择决策、卸载率以及计算资源分配问题表述为延迟约束下的系统效用最大化问题,然后提出了基于粒子群优化的部分任务卸载算法来解决卸载决策问题,并利用拉格朗日方法得到了最优卸载率以及计算资源分配结果。仿真结果表明,本文所提算法能有效降低任务处理时延,并且达到了多服务器负载均衡的效果。

关键词：车联网移动边缘计算任务卸载移动性

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算下任务卸载与切换算法的研究

移动边缘计算下任务卸载与切换算法的研究

引用

作者：于志伟哈尔滨工程大学

学位级别：硕士

随着科技的发展,移动设备对计算密集型的应用的需求逐渐增大。在移动设备上执行这样的计算密集型应用程序可能会导致响应速度变慢,从而降低用户的服务质量。移动边缘计算(Mobile Edge Computing,MEC)成为了解决该问题的有效途径,它是通... 详细信息

随着科技的发展,移动设备对计算密集型的应用的需求逐渐增大。在移动设备上执行这样的计算密集型应用程序可能会导致响应速度变慢,从而降低用户的服务质量。移动边缘计算(Mobile Edge Computing,MEC)成为了解决该问题的有效途径,它是通过将服务器部署在距离云服务器较远的网络边缘侧,与移动设备相比,它具有更加丰富的计算及存储资源,可以为不同类型用户提供数据处理服务,从而提升用户的服务质量。MEC服务器由于覆盖范围较小,其所获得的总收益受用户设备移动性的影响较大。因此,在服务器资源受限的情况下,如何基于用户设备的移动性设计有效的任务卸载策略来实现系统总收益最大化具有重要意义。车辆通信系统的高动态拓扑结构和时变的可用计算资源对车辆的高效任务卸载提出了挑战。最近,许多基于深度强化学习(Deep Reinforcement Learning,DRL)的任务卸载方法被提出。但是这些方法对新环境的适应性较弱,不能很好的适应高速移动的车辆。本文提出了一种基于轨迹预测的MEC自适应任务卸载方法,该方法仅需少量的梯度更新和样本即可快速适应新环境,可以更好地适应车辆快速移动带来的环境时变性。该方法通过轨迹预测方法选择可以进行卸载的候选车辆,并将计算卸载过程转换为序列预测过程,通过序列到序列神经网络来有效地表示该策略。实验结果表明,本文所提的方法在任务卸载的效用方面具有很大的优势。实际场景中,大多数用户都是在移动的状态下使用应用程序,那么当该用户从一个边缘服务器的服务范围移动到另一个边缘服务器的服务范围时,为了保证服务质量以及连接的连续性就必须进行计算切换。许多研究提出了基于主机的快速切换方案,基于主机的解决方案存在切换延迟长和大量丢包的问题,很难得到广泛的应用。本文提出一种基于软件定义网络(Software Defined Network,SDN)的网络控制的区域划分最小化切换方法,该方法的优点是移动设备不参与切换过程,并将城域网划分为多个不相交的集群,来最小化不同MEC区域之间可能的切换次数,进而减少了总的切换延迟。最后通过实验表明,该方法在切换延迟和丢包方面优于现有的方案,并且显著减少了总切换次数,提高了平均切换延迟。

关键词：移动边缘计算任务卸载计算切换元强化学习 SDN

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算的无人机辅助卸载策略研究

移动边缘计算的无人机辅助卸载策略研究

引用

作者：刘超西南科技大学

学位级别：硕士

面对物联网终端设备电池续航时间短、计算资源不足等问题,移动边缘计算作为5G网络的关键技术,可以将终端设备的任务卸载至具有强运算能力的边缘节点。但在偏僻地区或道路遇险等特殊情况下,基站等移动边缘计算基础设施难以部署且部署成... 详细信息

面对物联网终端设备电池续航时间短、计算资源不足等问题,移动边缘计算作为5G网络的关键技术,可以将终端设备的任务卸载至具有强运算能力的边缘节点。但在偏僻地区或道路遇险等特殊情况下,基站等移动边缘计算基础设施难以部署且部署成本较高。采用携带通信模块和边缘计算服务器的无人机,可帮助终端设备完成数据收集和实时计算,降低终端设备的计算时延和能量消耗;无人机也可以作为中继节点协助终端设备使用基站提供的移动边缘计算服务。在无人机辅助卸载的移动边缘计算系统模型的相关研究中,无人机凭借机动性强、灵活部署等优势可有效改善传统移动边缘计算场景难以解决的计算卸载问题。本文旨在通过研究无人机辅助移动边缘计算卸载资源分配模型,实现终端设备的无线发射功率、任务卸载策略、无人机飞行路径等最优化,从而达到系统计算时延、能耗以及计算效率的最优目标。论文具体研究内容如下:研究内容1:在单个无人机辅助卸载的移动边缘计算场景下,提出采用携带移动边缘计算服务器的无人机辅助任务卸载方案,设计了在任务的计算时延约束下终端设备与无人机的发射功率、CPU频率、任务卸载策略和无人机中继位置的优化问题,以达到系统总时延与能耗的双目标最优。由于优化模型为多变量强耦合的非凸问题,采用多目标粒子群算法进行求解,得到时延与能耗最优的多目标理想解集。研究内容2:针对多架无人机辅助卸载的移动边缘计算场景,无人机需协同卸载终端设备的计算任务,提出了系统中总计算任务长度、总计算能耗和总飞行能耗的最大化效率问题。基于在每个时隙内终端设备任务可进行本地计算或完全卸载,对终端设备与无人机的卸载关联、终端设备的CPU频率、无线发射功率和无人机的传输带宽资源分配以及轨迹调度进行了联合优化。由于问题的非凸性和变量之间的耦合性,提出了结合深度强化学习与多目标粒子群的双层迭代优化求解算法。仿真结果表明,该算法在保证计算服务质量的同时,获得了比基准方案更高的计算效率。此外联合优化下的计算效率在最小计算任务量小于40兆时,可以发现相比其他调度方案提高约10%—30%,故所提优化卸载方案具有实际的应用价值。

关键词：移动边缘计算无人机辅助卸载轨迹优化多目标优化

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中协作资源分配方法研究

移动边缘计算中协作资源分配方法研究

引用

作者：张雨晴重庆邮电大学

学位级别：硕士

移动互联网和物联网(Internet of Things,Io T)的飞速发展导致了移动流量的爆炸式增长。近年来,传感器、摄像机、智能仪表等海量智能终端广泛应用于各种新兴业务,因此用户对网络处理能力提出了更高的要求。移动边缘计算(Mobile edge com... 详细信息

移动互联网和物联网(Internet of Things,Io T)的飞速发展导致了移动流量的爆炸式增长。近年来,传感器、摄像机、智能仪表等海量智能终端广泛应用于各种新兴业务,因此用户对网络处理能力提出了更高的要求。移动边缘计算(Mobile edge computing,MEC)作为一种很有前途的本地服务通信模式被引入,通过缩短传输时间延迟、提高带宽效率、增强位置感知,缓解了网络对大量智能终端设备的迫切需求。为此,本文主要对移动边缘网络中的任务迁移与计算资源分配方法进行了研究。目前针对云-边-端协作的研究数不胜数,但无法忽略的是,单MEC服务器由于其有限的存储和计算能力,通常无法满足繁重的计算任务,因此,开发一个性能稳定可靠的多MEC服务器协作系统是有必要的。考虑到任务卸载的随机性和爆发性,以及服务器节点负载的不均衡性,本文建立了一种面向移动边缘网络的MEC任务模型,通过分析MEC节点和相邻MEC节点之间的高效协作,研究调用相邻MEC节点算力资源的边缘服务器在线协作机制,提出了一种基于拉格朗日乘子法的任务迁移和计算资源分配联合优化算法,实现对任务和计算资源的合理分配。最后,通过仿真证明了所提算法的合理性。此外,如何合理地构建多MEC服务器系统使整体发挥最大性能是本文的研究目标。由于MEC服务器资源的有限性,使得选择多个MEC节点合作的方式来处理迁移任务成为一种有效的手段。不限于单服务器的优化决策,在第3章的基础上,本文进一步提出一种基于博弈论的多服务器协作的资源分配问题。针对此问题,本文首先根据服务器的状态将服务器定义为迁移者或者协作者,随后运用博弈论提出买方/迁移者的收益模型和卖方/协作者的收益模型,通过寻求对计算资源的弹性分配,实现买方服务器收益和卖方服务器收益的平衡,研究了一种多服务器计算资源动态支付报价机制,提出了一种面向服务器协作的资源按需分配算法。仿真结果表明,所提算法不仅满足了不同服务器间的计算需求,还能最大化系统性能。

关键词：移动边缘计算任务迁移资源分配在线协作博弈论

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面向安全和能耗感知的服务工作流调度方法

引用

计算机集成制造系统 2020年第7期26卷 1831-1842页

作者：李万清刘辉李忠金袁友伟杭州电子科技大学计算机学院浙江杭州310018

在移动边缘计算(MEC)环境中,用户将应用任务迁移至MEC端执行可以有效降低延时并减少能耗。然而,MEC环境面临潜在的恶意攻击,这些攻击可能导致隐私数据的丢失或泄露。基于此,提出了面向安全和能耗感知的服务工作流调度方法(SEA),该算法... 详细信息

在移动边缘计算(MEC)环境中,用户将应用任务迁移至MEC端执行可以有效降低延时并减少能耗。然而,MEC环境面临潜在的恶意攻击,这些攻击可能导致隐私数据的丢失或泄露。基于此,提出了面向安全和能耗感知的服务工作流调度方法(SEA),该算法能在满足移动应用的风险率和截止时间限制条件下,最小化移动设备的能耗。SEA是基于粒子群优化算法,在编码中考虑了任务的调度位置、机密性服务和完整性服务。此外,还构建了新的安全模型,分别包括数据量、多核CPU、计算频率与安全开销之间的关系。最后,通过仿真实验证明了所提算法的可行性与有效性。

关键词：移动边缘计算工作流调度安全模型粒子群优化算法

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中分布式任务卸载算法研究

移动边缘计算中分布式任务卸载算法研究

引用

作者：黄磊闽南师范大学

学位级别：硕士

随着物联网技术和5G技术的重大突破,越来越多新兴应用的产生对用户设备的计算能力和能耗提出更高的要求。相比于传统云计算,移动边缘计算（Mobile Edge Computing,MEC）在保证移动设备服务质量,减少能耗方面有着得天独厚的优势。任务卸... 详细信息

随着物联网技术和5G技术的重大突破,越来越多新兴应用的产生对用户设备的计算能力和能耗提出更高的要求。相比于传统云计算,移动边缘计算（Mobile Edge Computing,MEC）在保证移动设备服务质量,减少能耗方面有着得天独厚的优势。任务卸载是影响移动边缘计算效果的一项重要内容。近年来,科研人员在移动边缘计算的任务卸载方面进行过大量研究工作。用户移动性和计算任务随机性是许多MEC应用程序的固有特征,然而,很多致力于任务卸载的研究工作往往会忽略上述两个高动态行为,这可能会对可靠计算的实现带来重大挑战。此外,与集中式方法会造成大量的决策开销相比,分布式方法不需要全局信息,更适合动态变化的网络拓扑。为填补上述差距,本文的具体研究工作如下:1)针对用户移动性问题,本文提出移动边缘计算中分布式任务卸载算法。当用户移动时,为保证服务的连续性,计算任务需从一台边缘服务器迁移到另一台边缘服务器,本文以最小化能耗为目标,在有限算力和时延约束条件下,将任务卸载问题建模为一个组合优化问题。该问题的求解复杂度会随着边缘服务器和用户数量的增加而呈指数增长,为此,本文借助马尔可夫近似技术,设计分布式算法来求解。首先使用Log-Sum-Exp函数来逼近目标函数,然后,通过构造一个可以分布式实现且具有稳态分布的马尔可夫链来将用户的移动性问题转化为马尔可夫链的状态转移问题。当马尔可夫链收敛时,得到该问题的近似解。仿真实验结果表明,本文提出的分布式任务卸载算法能够很快收敛,且获得接近最佳能耗的性能。2)针对任务随机性问题,本文进一步将静态马尔可夫链扩展到一个全新的动态场景。在此动态场景中,随着新计算任务的到来或旧任务的完成,MEC系统中活跃用户数量会随着时间发生改变。任务随机性问题会给马尔可夫链的设计带来巨大的挑战。为此,本文假设只有当新的计算任务到达或旧的计算任务完成时,MEC系统才允许从一种状态跳转到另一种状态。基于此,本文同样通过设计一个可以分布式实现且具有稳态分布的动态马尔可夫链来研究任务随机性问题。仿真实验结果表明动态分布式任务卸载算法可以非常快地收敛,并且只有很小的性能损失。

关键词：移动边缘计算任务卸载马尔可夫链用户移动性任务随机性

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问题的研究

移动边缘计算中计算卸载问题的研究

引用

作者：吕孝焱哈尔滨工业大学

学位级别：硕士

近些年来,随着和物联网技术等的快速发展,物联网设备的潜能被充分挖掘了出来,催生出了如人脸识别、自动驾驶和虚拟增强现实等应用技术的发展。然而,现有条件下移动设备的算力无法满足此类低延时计算密集型应用的需求,因此移动边缘计算... 详细信息

近些年来,随着和物联网技术等的快速发展,物联网设备的潜能被充分挖掘了出来,催生出了如人脸识别、自动驾驶和虚拟增强现实等应用技术的发展。然而,现有条件下移动设备的算力无法满足此类低延时计算密集型应用的需求,因此移动边缘计算便应运而生。而计算卸载技术是指将这些资源密集型任务转移到外部平台来克服设备的硬件条件限制。用户通过计算卸载技术将计算任务卸载到位于用户侧的边缘服务器来加速此类应用的执行。在移动边缘计算的计算卸载问题中,一个主要的挑战是用户任务通常会包含多个具有依赖关系子任务,同时,由于边缘服务器的存储容量限制,单个边缘服务器可能无法缓存所有种类的服务,此外用户设备的电池容量也存在着限制。本文首先研究了移动边缘计算中在上述限制条件下的计算卸载问题。本文将用户任务的子任务间的依赖关系用有向无环图建模,将问题形式化描述为一个整数线性规划问题,并提出了基于时间消耗表的算法()来解决该问题。算法分为三个阶段:第一阶段计算出一个时间消耗表;第二阶段利用时间消耗表计算每个任务的优先级值;第三阶段按照子任务的优先级顺序进行任务卸载。算法同时优化了任务的完成时间和边缘服务器的能量消耗。经过大量的对比实验验证,本文所提出的算法相较于现有的算法能够达到更短的任务完成时间和更低的边缘服务器能量消耗。现代处理器几乎都支持动态电压频率调节技术,处理器可以根据所运行程序对计算能力的不同需要,动态调节芯片的运行频率和电压来达到不同的性能和功耗。此外,某个子任务所需的周期数并非能够事先准确得知,根据一般性假设,一个子任务所需的周期数大致服从指数分布。本课题接下来研究了此种场景下的计算卸载问题。本文首先使用为每个子任务选择卸载设备,随后通过()条件计算这些设备的最优处理器频率。然而在本课题的系统模型下,通过条件直接求得解析解是极为困难的,因此本文首先通过数学转换及单调性证明,证明了可以通过二分法求得近似解,随后通过一个多重二分搜索算法()为每个设备选择最优的处理器频率。实验结果表明,本文所提出的算法达到了更低的边缘计算系统能量消耗。

关键词：移动边缘计算计算卸载服务缓存动态频率能量消耗

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中短视频流行度预测与缓存研究

移动边缘计算中短视频流行度预测与缓存研究

引用

作者：沈德锦广西师范大学

学位级别：硕士

随着移动互联网技术的快速发展以及联网用户数的不断增长,以碎片化传播为形式,融合各类社会热点、技能分享、公益教育、广告宣传等主题的短视频已经成为了移动互联网中的一项重要应用。为了减少短视频初始播放时延,提高用户服务体验,通... 详细信息

随着移动互联网技术的快速发展以及联网用户数的不断增长,以碎片化传播为形式,融合各类社会热点、技能分享、公益教育、广告宣传等主题的短视频已经成为了移动互联网中的一项重要应用。为了减少短视频初始播放时延,提高用户服务体验,通常需要在移动互联网中部署边缘服务器,对短视频进行分布式缓存。然而,考虑到成本因素的制约,无法通过大量部署边缘服务器来满足用户日益增长的需求。因此,如何设计有效的短视频缓存策略,充分利用边缘服务器的缓存资源来提高用户的服务质量就成为了一项重要课题。现有的缓存策略通过预测视频的流行度,优先缓存那些流行度较高的视频,进而根据流行度的变化趋势进行缓存替换。然而,与普通电影、电视节目视频不同,短视频具有诸多新特点,如生命周期短、时延要求高、具有地域属性与社交属性等,导致常规视频预测方法不适用于短视频流行度预测。为了提高缓存命中率,视频内容提供商通过租用网络运营商的存储资源缓存视频副本,由于网络运营商部署边缘服务器之后,一方面希望存储资源被充分利用,另一方面过度增加缓存视频副本数会导致视频缓存成本增大。因此,如何均衡用户服务体验与系统成本是视频缓存策略需要解决的问题。基于上述问题,本文研究归纳如下:(1)针对社交网络短视频区域流行度预测问题,本文同时考虑了短视频的社交属性和地域特点,提出了一种多特征融合的短视频区域流行度预测算法。由于影响短视频区域流行度的因素很多,例如视频生命周期、主题、关联地点、历史播放量和社交互动等,为了提高短视频流行度预测的准确性,对短视频进行了分类预测。首先,在计算带有强烈地域属性的短视频流行度时,地域属性将占据较大的权重,同时,本文设置一个生命周期阈值α表示短视频对用户的潜在吸引力。其次,根据社会热点话题构造社会热点话题数据集,通过视频主题与社会热点关联来计算流行度主题权重。然后,构造一个城市矩阵,根据视频关联地与城市关系设置同城、省内、省外三种不同关系的地域权重,根据短视频的历史播放量和社交互动数据,基于KNN算法计算下个时间片短视频的全局流行度。最后,基于回归算法求解各个因素对短视频区域流行度影响的权重值,根据构建的流行度模型预测短视频区域流行度。然而,短视频流行度预测没有公开的标准数据集,本文通过在短视频数据分析平台收集短视频区域流行度变化的数据集进行仿真实验,实验结果表明该模型明显优于基于KNN模型的流行度预测算法和基于用户偏好的流行度预测算法。(2)针对用户服务体验、网络运营商成本与内容提供商成本联合优化问题,为了稳定用户服务体验的同时最小化缓存成本,本文设计了一个基于李雅普诺夫优化的短视频缓存算法。首先该算法将原始随机优化问题的约束条件构造成虚拟队列,然后将优化目标函数和lyapunov函数构造成lyapunov漂移加惩罚函数,最后将优化问题分解到每个时间片内,在稳定虚拟队列情况下再通过动态规划算法求解每个时间片内的最优值。通过仿真实验验证了基于lyapunov优化的短视频缓存算法在最小化内容提供商成本,稳定用户时延方面取得较好的性能。

关键词：移动边缘计算短视频缓存流行度

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深度学习的自动语音分析任务卸载研究

移动边缘计算网络中基于深度学习的自动语音分析任务卸载研究

引用

作者：徐峥辉重庆大学

学位级别：硕士

随着移动设备和人工智能应用数量的爆炸性增长,人们的生活已经与移动多媒体技术变得密不可分。其中,语音输入因其便利性,在日常社交中变得越来越重要。因此网络中也随之出现了大量基于深度学习的自动语音分析(Automatic Speech Analysis... 详细信息

随着移动设备和人工智能应用数量的爆炸性增长,人们的生活已经与移动多媒体技术变得密不可分。其中,语音输入因其便利性,在日常社交中变得越来越重要。因此网络中也随之出现了大量基于深度学习的自动语音分析(Automatic Speech Analysis,ASA)任务,由于计算和存储资源有限,移动设备逐渐无法处理用户产生的这些计算密集型任务,通常会寻求云计算的帮助。然而,这些ASA任务通常具有时延敏感性,现有的云计算范式也难以满足用户对于任务处理时延的需求。此外,如何加速模型训练,提高用户的体验质量也成为了目前的棘手问题。本文融合了移动边缘计算和深度学习,研究了移动边缘计算网络中基于深度学习的ASA任务卸载,旨在最小化处理ASA任务的总时延,从而提供灵活的服务响应并提高用户的服务体验质量。本文的主要工作总结如下:(1)为了加速深度学习模型在边缘端的训练过程,本文提出了一种用于分布式模型训练的移动边缘计算网络架构。其中,边缘服务器能将任务分发给由端到端通信相连的移动设备。此外,本文考虑到训练任务之间通常具有依赖性,将训练任务和优化问题分别建模成有向无环图(Directed Acyclic Graph,DAG)和最小化加权DAG的关键路径并提出了相应的启发式依赖任务卸载算法。(2)为了加速ASA任务的处理,本文提出了一个三层式移动边云计算网络架构。具体地说,本文分割了基于卷积神经网络(Convolutional Neural Networks,CNN)的编解码-解码器模型并将CNN编码器放置在边缘服务器以实现特征提取来大幅度压缩音频数据大小。(3)基于网络约束,本文将移动边云计算网络中处理ASA任务的总时延作为优化目标并将其建模为非线性混合积分非凸优化问题。为了解决这一优化问题,本文将其分解为一系列更简单的子问题并从实际工程实现的角度提出了一个低复杂度的交替迭代式边云协同卸载框架。此外,为了更好地执行卸载决策和评估用户满意度,本文使用了线性回归算法预测了用户容忍度极限。(4)仿真评估结果证明了本文提出的两种卸载方案在减少时延上明显优于其他对比方法。此外,本文在公共数据集和记录数据集上进行了广泛的实验,评估结果证明了本文中提出的边云协同卸载框架在数据压缩性和用户容忍度预测方面的有效性。

关键词：移动边缘计算任务卸载任务依赖性深度学习自动语音分析

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：