随着增强现实、虚拟现实等新兴移动应用的快速发展,终端设备越来越难以满足新兴移动应用对于低时延与低能耗的需求。为了解决以上问题,业界提出了移动边缘计算(Mobile Edge Computing,MEC)。移动边缘计算技术通过无线网络在边缘端为用户提供计算能力,任务可以在本地执行也可以卸载到移动边缘服务器执行,有效降低了终端设备的时延和能耗,提高用户体验质量。任务卸载与资源分配是移动边缘计算中的关键研究问题。然而,MEC技术在计算卸载方面仍面临许多问题。本文针对MEC系统多用户场景下的计算卸载与资源分配展开研究。本文针对系统单任务与系统多任务的情境进行分析,提出一种基于时延与有限能量的任务卸载与资源分配算法(Expected Time Delay And Limited Energy Algorithm,ETD-LE),根据用户设备是否具有模式调节功能设置模式因子,并结合终端设备和任务特点对权重系数进行更加合理的分配。本文综合考虑了任务卸载决策、信道分配以及本地计算资源和MEC端计算资源分配,建立任务执行开销最小化的系统模型。本文首先将问题转换为资源分配、信道分配、任务卸载决策三个子问题,通过求解本地设备最佳分配资源,根据开销确定卸载决策,利用凸优化解决MEC端资源分配,在满足时延基础上,通过迭代优化获得最优信道分配,进而完成问题求解。实验结果表明,相比于任务全部在本地或全部在云端执行以及随机卸载策略,ETD-LE算法可以节省更多的时间与能耗成本,并且可以更好地满足用户体验。本文针对边云协同场景下多MEC节点任务卸载与资源分配问题进行分析,提出一种基于改进启发式算法的任务卸载与资源分配算法——灾变遗传算法(Catastrophe Genetic Algorithm,CGA)。算法首先根据是否满足时延确定任务在MEC端还是云端进行处理,根据改进的遗传算法进行计算节点的分配。该算法将任务完成时间和惩罚因子量化为适应度函数,通过改进轮盘赌选择策略、优化变异和交叉算子,引入前期灾变策略,扩大搜索范围,有效地解决了传统启发式算法易陷入局部最优,易早熟的问题,显著缩短了任务的完成时间。实验结果表明,相比于改进的差分进化以及传统遗传算法,CGA算法可以节省更多的时间,并且较好地缓解了算法易早熟、全局搜索能力弱的问题。
随着无线移动网络多媒体业务的快速发展,视频数据流量呈指数级增长。传统的基于云计算的视频流量业务造成了较大的流量负荷和较长的访问延迟,严重降低了用户的服务质量(Quality of Service,QoS)。移动边缘计算(Mobile Edge Computing,M...
详细信息
随着无线移动网络多媒体业务的快速发展,视频数据流量呈指数级增长。传统的基于云计算的视频流量业务造成了较大的流量负荷和较长的访问延迟,严重降低了用户的服务质量(Quality of Service,QoS)。移动边缘计算(Mobile Edge Computing,MEC)作为新兴的5G网络中的一项关键技术,它在网络边缘提供存储和计算资源以支持低延迟和计算密集型的移动应用程序。同时,移动边缘服务器不仅提供计算资源,还提供存储资源,并且可以作为缓存节点存储用户请求的流行内容。在移动边缘服务器上的缓存称为移动边缘缓存,它作为MEC的一个用例,可以直接服务于用户的请求,从而大幅降低了流量负载并且缩短了访问延迟。目前,分布式缓存被广泛应用于基站的缓存部署。然而,单个基站的缓存容量通常特别有限,这将会降低无线移动网络的缓存性能。为此,本文提出了在异构的MEC网络中的协作缓存方案以实现高效的管理缓存内容。此外,目前许多现有的视频缓存工作没有深入探究自适应比特率(Adaptive Bitrate,ABR)的特性,主要采用存储和传输方式而不进行任何处理操作。因此,利用提供的存储和处理资源来设计一种高效的缓存策略非常重要。于是,本文提出了一种联合缓存和处理架构,通过利用MEC服务器上的缓存和处理资源来满足用户对不同比特率视频的需求。最后,本文的主要贡献总结为以下两方面:(1)研究了移动边缘计算网络中的协作视频缓存管理策略。本文首先提出了一种协作缓存模型,其中宏基站和小基站都部署了一个MEC服务器,使得存储资源更靠近用户。同时,本文提出了一个内容缓存优化问题,旨在最小化MEC网络中所有用户请求视频内容的总延迟成本。为了便于问题的求解,本文将上述问题转化为在拟阵的约束下单调次模集合函数的最大化问题。然后,本文提出了一种缓存管理策略,它包括贪心缓存放置策略和贪心缓存更新策略。仿真结果表明,该缓存策略有效地提高了缓存命中率,显著降低了平均延迟和回传流量负载。(2)研究了移动边缘计算网络中的自适应比特率视频缓存策略。本文首先提出一种联合协作缓存和处理框架,它支持MEC网络的ABR视频流。此外,本文刻画了一个整数线性规划(Integer Linear Program,ILP),该问题在满足每个MEC服务器的缓存和处理能力约束下最小化视频的访问延迟成本。由于所考虑的ILP问题的复杂性和缺乏视频请求到达之前的信息,本文将原始问题分解为缓存放置问题和请求调度问题。然后,本文提出了以下两种方案来解决问题。当内容流行度未知时,本文采用流行的最近最少使用(Least Recently Used,LRU)缓存策略。当内容流行度已知时,本文设计了一个低复杂度的ABR感知缓存放置算法。仿真结果表明,与传统方案相比,本文提出的缓存策略在缓存命中率、回传流量和内容访问延迟方面有显著提高。
暂无评论