检索结果-内蒙古大学图书馆

软件导刊 2025年第2期24卷 107-113页

作者：万家欢鲁蔚锋仲峰磊贾建刚南京邮电大学计算机学院、软件学院、网络空间安全学院江苏南京210023 国铁吉讯科技有限公司北京100081

受益于物联网技术和边缘计算技术的快速发展,车辆边缘计算逐渐成为研究热点。然而在车联网中,终端车辆受限于自身计算能力和通信资源,难以执行计算密集或低延迟要求的应用程序,因而有效的车辆边缘任务卸载策略至关重要。此外,虽然任务... 详细信息

受益于物联网技术和边缘计算技术的快速发展,车辆边缘计算逐渐成为研究热点。然而在车联网中,终端车辆受限于自身计算能力和通信资源,难以执行计算密集或低延迟要求的应用程序,因而有效的车辆边缘任务卸载策略至关重要。此外,虽然任务卸载可以为用户带来收益,但是也会产生额外的任务卸载成本,而任务卸载成本是服务购买者最关心的问题之一。考虑了任务卸载成本问题,采用李雅普诺夫优化方法保证了任务队列的稳定性,在最终求解过程中,将任务卸载成本问题转化为TSP问题,并基于模拟退火算法,提出了最小化成本的任务卸载算法,并进行求解。实验结果表明,相比于其他卸载算法,MCTOA可降低25%的任务卸载成本,同时增加了近20%的系统吞吐量,在车联网任务卸载成本问题上,该算法能够保证任务队列的稳定性,最小化任务卸载成本。

关键词：车辆边缘计算任务卸载李雅普诺夫优化模拟退火算法

来源：评论

学校读者我要写书评

暂无评论

车辆边缘计算中基于MATD3的任务计算卸载策略

引用

福建师范大学学报(自然科学版) 2025年第03期41卷 27-37页

作者：王洪滔林兵卢宇陈乔鑫李婵福建师范大学物理与能源学院福建省网络计算与智能信息处理重点实验室福建师范大学协和学院厦门大学信息学院福建农林大学公共管理与法学院

车辆边缘计算(vehicular edge computing, VEC)作为一种新兴的范式，通过将计算密集型、延迟敏感的新型车辆应用卸载到移动边缘计算(mobile edge computing, MEC)服务器上而受到关注，然而在动态变化的VEC环境中执行计算卸载面临着一个... 详细信息

车辆边缘计算(vehicular edge computing, VEC)作为一种新兴的范式，通过将计算密集型、延迟敏感的新型车辆应用卸载到移动边缘计算(mobile edge computing, MEC)服务器上而受到关注，然而在动态变化的VEC环境中执行计算卸载面临着一个关键挑战。车辆应用通常由具有依赖关系的任务组成，而车辆的移动性和应用的依赖结构增加了计算任务卸载过程中的不确定性，可能导致车辆任务卸载失败率的增加以及卸载过程中的能耗的增大。在多车任务协同卸载问题中，首先建立车辆动态卸载模型，考虑VEC环境下车辆的移动性和应用的依赖结构，然后设计一种任务调度优先级算法，以减少任务的执行延迟。研究目标是确定车辆任务的最优卸载策略，从而最小化系统中任务的卸载失败率和能耗，并采用了一种基于多智能体双延迟深度确定策略梯度(multi-agent twin delayed deep deterministic policy gradient, MATD3)算法来学习计算卸载问题的有效解决方案。实验结果表明，与其他强化学习算法相比，MATD3在卸载失败率、能耗方面分别降低38.76%、22.7%。

关键词：车辆边缘计算计算卸载深度强化学习多智能体强化学习

来源：评论

学校读者我要写书评

暂无评论

车辆边缘计算中基于深度学习的任务判别卸载

引用

电子科技大学学报 2024年第1期53卷 29-39页

作者：章坚武戚可寒章谦骅孙玲芬杭州电子科技大学信息工程学院杭州310018 杭州电子科技大学通信工程学院杭州310018 浙江大学信息与电子工程学院杭州311121 普利茅斯大学普利茅斯PL48AA

车辆边缘计算(VEC)将移动边缘计算(MEC)与车联网(IoV)技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关... 详细信息

车辆边缘计算(VEC)将移动边缘计算(MEC)与车联网(IoV)技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法(AHP)将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。

关键词：深度学习边缘卸载多约束优化任务类型划分车辆边缘计算

来源：评论

学校读者我要写书评

暂无评论

车辆边缘计算环境下任务卸载研究综述

引用

计算机学报 2021年第5期44卷 963-982页

作者：李智勇王琦陈一凡谢国琪李仁发湖南大学信息科学与工程学院长沙410082 湖南大学嵌入式与网络计算湖南省重点实验室长沙410082

计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战,将任务卸载到传统的云平台会有较大的传输延迟,而移动边缘计算专注于将计算资源转移到网络的边缘,为移动设备提供高性能、低延迟的服务,因此可作为处理计... 详细信息

计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战,将任务卸载到传统的云平台会有较大的传输延迟,而移动边缘计算专注于将计算资源转移到网络的边缘,为移动设备提供高性能、低延迟的服务,因此可作为处理计算密集和延迟敏感的任务的一种有效方法.同时,鉴于城市地区拥有大量智能网联车辆,将闲置的车辆计算资源充分利用起来可以提供巨大的资源和价值,因此在车联网场景下,结合移动边缘计算产生了新的计算模式——车辆边缘计算.近年来,智能网联车辆数量的增长和新兴车辆应用的出现促进了对车辆边缘计算环境下任务卸载的研究,本文对现有车辆边缘计算环境下任务卸载研究进展进行综述,首先,从计算模型、任务模型和通信模型三个方面对系统模型进行梳理、比较和分析.然后介绍了最小化卸载延迟、最小化能量消耗和应用结果质量三种常见的优化目标,并按照集中式和分布式两种不同的决策方式对现有的研究进行了详细的归类和比较.此外,本文还介绍了几种常用的实验工具,包括SUMO、Veins和VeinsLTE.最后,本文围绕卸载决策算法复杂度、安全与隐私保护和车辆移动性等方面对车辆边缘计算任务卸载目前面临的挑战进行了总结,并展望了车辆边缘计算环境下任务卸载未来的发展方向与前景.

关键词：车辆边缘计算移动边缘计算任务卸载资源分配车联网

来源：评论

学校读者我要写书评

暂无评论

基于车辆边缘计算的用户能耗最小化资源分配研究

引用

电子科技大学学报 2020年第2期49卷 206-212页

作者：李世超王秋云寇为刚贺国庆桂林电子科技大学信息与通信学院广西桂林541004 甘肃政法大学公安技术学院兰州730070

考虑车辆时变信道对资源分配策略的影响,构建在保证任务QoS要求下的车载用户终端能量消耗最小化问题。利用车辆信道可预测特性以及李雅普诺夫随机优化理论将原问题分解为计算资源分配和无线资源分配两个子问题。由于计算资源分配子问题... 详细信息

考虑车辆时变信道对资源分配策略的影响,构建在保证任务QoS要求下的车载用户终端能量消耗最小化问题。利用车辆信道可预测特性以及李雅普诺夫随机优化理论将原问题分解为计算资源分配和无线资源分配两个子问题。由于计算资源分配子问题是单变量优化问题,因此可以直接得到解决方案。而对于无线资源分配子问题,通过将其转换为单变量优化问题进行求解。基于两个子问题的结果,提出一种联合无线与计算资源分配算法。仿真结果显示,当数据包平均到达速率从20个/时隙增加到40个/时隙时,该算法能耗相较于传统的贪婪算法能耗降低了48.85%。

关键词：联合无线与计算资源分配李雅普诺夫时变信道车辆边缘计算

来源：评论

学校读者我要写书评

暂无评论

基于李雅普诺夫随机优化的车辆边缘计算资源管理

引用

控制与决策 2022年第3期37卷 721-728页

作者：付主木王俊朋司鹏举陶发展于晓升河南科技大学信息工程学院河南洛阳471023 东北大学机器人科学与工程学院沈阳110004

针对车辆边缘计算系统中的计算资源管理问题,提出一种基于李雅普诺夫随机优化的计算卸载与资源分配方案.构建在保证任务量及长期能耗约束下的车辆用户服务时延最小化优化问题,利用李雅普诺夫随机优化理论将优化问题分解.在本地计算资源... 详细信息

针对车辆边缘计算系统中的计算资源管理问题,提出一种基于李雅普诺夫随机优化的计算卸载与资源分配方案.构建在保证任务量及长期能耗约束下的车辆用户服务时延最小化优化问题,利用李雅普诺夫随机优化理论将优化问题分解.在本地计算资源分配子问题中,通过求解线性问题的方法,得到最优本地计算CPU频率;在计算卸载子问题中,利用数值优化求解得到最优发射功率.借助李雅普诺夫随机优化中的漂移惩罚方法,设计一种低复杂度的联合计算卸载与资源分配算法,通过同时控制卸载决策、本地计算CPU频率和计算卸载的发射功率,实现整个车辆边缘计算系统中车辆用户的服务时延最小,提高车辆边缘计算服务质量.仿真结果验证了所提出算法的有效性.

关键词：车辆边缘计算李雅普诺夫随机优化计算卸载与资源分配时变信道服务时延

来源：评论

学校读者我要写书评

暂无评论

面向车辆边缘计算的任务合作卸载

引用

工程科学与技术 2024年第1期56卷 89-98页

作者：鲁蔚锋印文徐王菁费汉明徐佳南京邮电大学计算机学院江苏南京210023 江苏省大数据安全与智能处理重点实验室江苏南京210023 国铁吉讯科技有限公司北京100081

随着物联网技术和人工智能技术的飞速发展,车辆边缘计算越来越引起学者的关注。车辆如何有效地利用其周边的各种通信、计算和缓存资源,结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元,已经成为目前车联网研究的热点。由于... 详细信息

随着物联网技术和人工智能技术的飞速发展,车辆边缘计算越来越引起学者的关注。车辆如何有效地利用其周边的各种通信、计算和缓存资源,结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元,已经成为目前车联网研究的热点。由于车辆应用设备计算资源的有限性,车辆用户的任务计算需求无法满足,需要提升车辆周边计算资源的利用率来完成计算任务。本文研究了车辆边缘计算中任务的合作卸载机制,以最小化车辆任务的计算时延。首先,考虑周边停泊车辆以及路边单元的计算资源,设计了由云服务器层、停泊车辆合作集群层和路边单元合作集群层组成的任务合作卸载3层系统架构,通过路边单元合作集群和停泊车辆合作集群的合作卸载,充分利用系统的空闲计算资源,进一步提高了系统的资源利用率。然后,基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分,并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后,通过将本文算法和其他算法方案进行实验仿真对比,仿真结果表明,本文算法在系统时延和系统吞吐量方面具有更好的性能表现,可以降低23%的系统时延,并且能提升28%的系统吞吐量。

关键词：边缘计算车辆边缘计算合作卸载 k-聚类计算卸载

来源：评论

学校读者我要写书评

暂无评论

车辆边缘计算中多车辆协同任务计算方案

引用

电讯技术 2024年第11期64卷 1711-1717页

作者：鲜永菊汪帅鸽汪洲谭文光重庆邮电大学通信与信息工程学院重庆400065

针对车辆的移动和任务流量的动态变化会对周围智能车辆选择造成严重干扰的问题,提出了一种基于库恩-曼克尔斯(Kuhn-Munkres,KM)算法的多车辆协同任务计算方案。首先,通过对车辆的移动分析,建立了动态车辆选择模型;然后,根据层次分析法... 详细信息

针对车辆的移动和任务流量的动态变化会对周围智能车辆选择造成严重干扰的问题,提出了一种基于库恩-曼克尔斯(Kuhn-Munkres,KM)算法的多车辆协同任务计算方案。首先,通过对车辆的移动分析,建立了动态车辆选择模型;然后,根据层次分析法和KM算法,在通信时间限制和计算资源约束下,求解多任务最优匹配,以实现任务的总计算时间最小化。仿真实验结果表明,相比已有卸载方案,所提方案能够有效减少任务的总计算时间,并降低任务卸载计算的失败率。

关键词：车辆边缘计算协同计算任务卸载

来源：评论

学校读者我要写书评

暂无评论

车辆边缘计算中联邦学习的资源管理方法研究

车辆边缘计算中联邦学习的资源管理方法研究

引用

作者：张双双北京邮电大学

学位级别：硕士

车辆边缘计算(Vehicular Edge Computing,VEC)是新兴的移动边缘计算(Mobile Edge Computing,MEC)与传统车辆网络的融合,位于网络边缘的边缘服务器为附近的车辆提供通信、计算、存储和数据资源,以满足一些新型应用服务对低时延、高可靠... 详细信息

车辆边缘计算(Vehicular Edge Computing,VEC)是新兴的移动边缘计算(Mobile Edge Computing,MEC)与传统车辆网络的融合,位于网络边缘的边缘服务器为附近的车辆提供通信、计算、存储和数据资源,以满足一些新型应用服务对低时延、高可靠的需求。为了进一步降低通信开销,同时保护车辆用户的隐私,在VEC中引入了联邦学习(Federated Learning,FL)。在VEC中,设计出能够满足FL需求的高效资源管理方案,对提高实时性应用的服务质量和用户体验至关重要。资源管理主要包括资源分配和资源效率优化。现有的资源分配研究大多数缺乏对车辆的高移动性和数据卸载辅助FL的充分考虑,无法满足VEC高度动态的场景需求。在资源约束的VEC中,现有的资源效率优化研究为所有车辆分配相同的本地训练迭代次数,忽视了系统异构性和数据不平衡问题,造成较长的等待时间,导致资源利用率低。因此,本论文针对VEC中FL的资源管理问题,分别从资源分配和资源效率优化两方面展开研究,主要研究内容包括:(1)提出一种基于车辆移动性和数据卸载的动态资源分配方法,以实现FL训练时延和模型训练损失的最小化。该方法联合考虑车辆的高移动性、计算和通信资源的异构性和有限性,提出一种基于评分规则的车辆选择算法,并将资源分配问题抽象成多目标优化问题,提出了带有约束的遗传算法进行求解。仿真实验表明,所提算法能很好地适应VEC场景,与现有方案相比具有更高的模型训练性能。(2)在资源约束的VEC中,提出一种面向资源效率优化的自适应FL本地训练方法,该方法充分考虑系统异构性和数据不平衡对计算和通信开销的影响,根据各车辆的计算能力和本地数据大小自适应地确定不同的本地训练迭代次数和全局聚合权重,以最小化FL训练时延,加速模型训练速度,进而提高整个系统的资源利用效率。仿真实验证明,提出的算法可在有限的资源条件下实现联邦学习模型的快速收敛,提高了模型训练性能和资源利用率。

关键词：车辆边缘计算联邦学习资源分配资源效率优化

来源：评论

学校读者我要写书评

暂无评论

车辆边缘计算中依赖型任务的批次卸载调度算法研究

车辆边缘计算中依赖型任务的批次卸载调度算法研究

引用

作者：石家宁合肥工业大学

学位级别：硕士

随着嵌入式系统、人工智能和5G通信等新兴技术的快速发展,车辆上运行的各种计算密集型应用(如车辆导航、自动驾驶、危险驾驶监测等),给车辆的计算能力带来了巨大的挑战。车辆边缘计算(Vehicular Edge Computing,VEC)被认为是解决该问题... 详细信息

随着嵌入式系统、人工智能和5G通信等新兴技术的快速发展,车辆上运行的各种计算密集型应用(如车辆导航、自动驾驶、危险驾驶监测等),给车辆的计算能力带来了巨大的挑战。车辆边缘计算(Vehicular Edge Computing,VEC)被认为是解决该问题的一种很有前景的范式,其中车辆可以将任务卸载至配备有一定数量计算和存储资源的路边单元(Road Side Unit,RSU),从而满足车载应用的计算需求。然而,随着车载应用变得越来越复杂,尤其是构成应用的多个计算任务之间呈现出相互依赖的数据关系,现有工作中普遍采用的一次性大的任务调度方式不再适用于高速动态变化的车辆网络,后续任务节点的卸载决策往往会由于车辆拓扑的变换而失效,最终造成任务卸载失败。因此,如何高效、合理地实现这些计算应用的卸载,已成为VEC领域研究的热点问题。为此,论文面向车载应用的依赖型计算任务,分别针对高车流密度且有RSU中心调度节点和低车流密度且无RSU中心调度节点两种典型VEC场景,研究了实现将高负载车辆的计算任务卸载到相邻空闲车辆的高效批次任务卸载策略。论文主要研究工作如下: (1)针对高车流密度且有RSU中心调度节点的VEC场景,提出了一种基于相邻RSU协作的任务分批次调度卸载算法。在每个卸载调度周期中,首先,所有车辆筛选具有最高优先级的任务并发送给RSU;接着,来自车辆和前序RSU的调度任务,被放入一个位于RSU的实时任务队列,并使用深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法进行卸载调度决策;最后,对应具有确定性卸载目的的调度策略被下发给相应的车辆,而未确定卸载目的的计算任务会被发给相邻的RSU以接力的方式进行协作调度。仿真结果表明,相较于传统算法,所提出的算法在任务的平均延迟以及完成率上表现出更好的性能。 (2)针对低车流密度且无RSU中心调度节点的VEC场景,提出了一种基于车辆智能体自主决策的依赖任务批次调度卸载算法。首先通过综合考虑车辆的移动性、服务可用性以及服务车车辆的计算单价,提出了一个任务调度优化问题,目标是最小化任务时延以及任务消耗。接着用部分可观测马尔科夫过程对该问题进行建模,并使用一种基于QMIX的多智能体强化学习算法对其进行求解,智能体间可以通过观察本地环境信息并相互协作来分布式地学习他们的策略,从而生成更优的解决策略。仿真结果表明,所提算法在任务时延和消耗上总体优于现有算法。综上所述,论文围绕VEC下不同场景中的任务卸载问题开展的研究工作以及取得的研究成果,不仅满足了智能车辆的实际任务卸载需求,还进一步丰富了VEC任务卸载的理论和方法,对支撑智能交通系统的建设具有重要的理论和现实意义。

关键词：任务卸载车辆边缘计算深度强化学习

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：