检索结果-内蒙古大学图书馆

小型微型计算机系统 2024年第2期45卷 405-412页

作者：熊兵张俊杰黄思进陈哲毅于正欣陈星福州大学计算机与大数据学院福州350116 福建省网络计算与智能信息处理重点实验室福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW

移动边缘计算(Mobile Edge Computing,MEC)将计算与存储资源部署到网络边缘,用户可将移动设备上的任务卸载到附近的边缘服务器,得到一种低延迟、高可靠的服务体验.然而,由于动态的系统状态和多变的用户需求,MEC环境下的计算卸载与资源... 详细信息

移动边缘计算(Mobile Edge Computing,MEC)将计算与存储资源部署到网络边缘,用户可将移动设备上的任务卸载到附近的边缘服务器,得到一种低延迟、高可靠的服务体验.然而,由于动态的系统状态和多变的用户需求,MEC环境下的计算卸载与资源分配面临着巨大的挑战.现有解决方案通常依赖于系统先验知识,无法适应多约束条件下动态的MEC环境,导致了过度的时延与能耗.为解决上述重要挑战,本文提出了一种新型的基于深度强化学习的计算卸载与资源分配联合优化方法(Joint computation Offloading and resource Allocation with deep Reinforcement Learning,JOA-RL).针对多用户时序任务,JOA-RL方法能够根据计算资源与网络状况,生成合适的计算卸载与资源分配方案,提高执行任务成功率并降低执行任务的时延与能耗.同时,JOA-RL方法融入了任务优先级预处理机制,能够根据任务数据量与移动设备性能为任务分配优先级.大量仿真实验验证了JOA-RL方法的可行性和有效性.与其他基准方法相比,JOA-RL方法在任务最大容忍时延与设备电量约束下能够在时延与能耗之间取得更好的平衡,且展现出了更高的任务执行成功率.

关键词：移动边缘计算计算卸载资源分配多约束优化深度强化学习

来源：评论

学校读者我要写书评

暂无评论

基于深度自回归循环神经网络的边缘负载预测

引用

小型微型计算机系统 2024年第2期45卷 359-366页

作者：陈礼贤梁杰黄一帆陈哲毅于正欣陈星福州大学计算机与大数据学院福州350116 福建省网络计算与智能信息处理重点实验室福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW

为了更好地支持边缘计算服务提供商进行资源的提前配置与合理分配,负载预测被认为是边缘计算中的一项重要的技术支撑.传统的负载预测方法在面对具有明显趋势或规律性的负载时能取得良好的预测效果,但是它们无法有效地对边缘环境中高度... 详细信息

为了更好地支持边缘计算服务提供商进行资源的提前配置与合理分配,负载预测被认为是边缘计算中的一项重要的技术支撑.传统的负载预测方法在面对具有明显趋势或规律性的负载时能取得良好的预测效果,但是它们无法有效地对边缘环境中高度变化的负载取得精确的预测.此外,这些方法通常将预测模型拟合到独立的时间序列上,进而进行单点负载实值预测.但是在实际边缘计算场景中,得到未来负载变化的概率分布情况会比直接预测未来负载的实值更具应用价值.为了解决上述问题,本文提出了一种基于深度自回归循环神经网络的边缘负载预测方法(Edge Load Prediction with Deep Auto-regressive Recurrent networks,ELP-DAR).所提出的ELP-DAR方法利用边缘负载时序数据训练深度自回归循环神经网络,将LSTM集成至S2S框架中,进而直接预测下一时间点负载概率分布的所有参数.因此,ELP-DAR方法能够高效地提取边缘负载的重要表征,学习复杂的边缘负载模式进而实现对高度变化的边缘负载精确的概率分布预测.基于真实的边缘负载数据集,通过大量仿真实验对所提出ELP-DAR方法的有效性进行了验证与分析.实验结果表明,相比于其他基准方法,所提出的ELP-DAR方法可以取得更高的预测精度,并且在不同预测长度下均展现出了优越的性能表现.

关键词：边缘计算负载预测概率分布深度自回归循环神经网络

来源：评论

学校读者我要写书评

暂无评论

无服务边缘环境中的镜像缓存与资源分配

引用

小型微型计算机系统 2024年

作者：曾旺池梦莉于正欣苗旺陈哲毅福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学) 兰卡斯特大学计算与通信学院埃克塞特大学计算机科学系

新兴的无服务边缘计算（Serverless Edge Computing，SEC）可在降低任务计算延迟的同时高效应对多变的服务模式，进而提升资源利用效率。然而，在资源受限的SEC中部署服务时常出现频繁的镜像置换，导致了过度的服务延迟与通信成本。现... 详细信息

新兴的无服务边缘计算（Serverless Edge Computing，SEC）可在降低任务计算延迟的同时高效应对多变的服务模式，进而提升资源利用效率。然而，在资源受限的SEC中部署服务时常出现频繁的镜像置换，导致了过度的服务延迟与通信成本。现有的解决方案通常通过修改镜像结构或移动仓库位置来降低镜像请求时间，但其在一定程度上违背了容器隔离的设计初衷，并造成了额外的计算与存储开销。为了解决这些重要挑战，本文提出了一种新颖的面向SEC环境的镜像缓存与资源分配（Image Caching and Resource Allocation，ICRA）框架，并将原问题解耦为两个子问题分别进行求解。针对镜像缓存子问题，设计了一种基于改进深度强化学习（Deep Reinforcement Learning，DRL）的镜像缓存方法，通过引入双critic网络与延迟更新机制，以提升镜像缓存性能。针对资源分配子问题，根据任务属性与队列负载，引入凸优化理论进行容器资源分配以降低任务完成延迟。大量实验验证了所提ICRA框架的有效性。与基准方法相比，ICRA框架能够在保证服务质量的同时显著降低系统成本，并在不同场景下均表现出更加优越的性能。

关键词：无服务边缘计算镜像缓存资源分配深度强化学习凸优化

来源：评论

学校读者我要写书评

暂无评论

面向空天地一体化网络的切片划分与协作卸载

引用

小型微型计算机系统 2024年

作者：王鹏飞郑霖睿于正欣苗旺陈哲毅福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学) 兰卡斯特大学计算与通信学院埃克塞特大学计算机科学系

新兴的空天地一体化网络（Space-Air-Ground Integrated Networks，SAGIN）赋予移动边缘计算（Mobile Edge Computing，MEC）更广泛的通信覆盖范围与更灵活的网络接入能力.然而，多样化的用户需求与低效的资源利用严重影响了SAGIN中计... 详细信息

新兴的空天地一体化网络（Space-Air-Ground Integrated Networks，SAGIN）赋予移动边缘计算（Mobile Edge Computing，MEC）更广泛的通信覆盖范围与更灵活的网络接入能力.然而，多样化的用户需求与低效的资源利用严重影响了SAGIN中计算卸载的服务质量（Quality-of-Service，QoS）.现有研究工作大多针对静态环境或依赖系统先验知识，难以适应动态复杂的SAGIN环境.针对上述挑战，本文设计了一种新型的面向SAGIN的切片划分与协作卸载（Slice Partitioning and Collaborative Offloading，SPCO）框架.首先，提出了一种基于Transformer的切片资源划分方法，通过感知用户流量的变化趋势，实现高效的切片资源划分.接着，设计了一种基于改进深度强化学习（Deep Reinforcement Learning，DRL）的协作卸载与资源分配方法，通过应对Q值高估与高方差导致的难以收敛等问题，实现了通信和计算资源的合理分配以及异构平台的高效协作卸载.大量基于真实流量数据集的实验验证了SPCO的有效性.所提SPCO框架可有效增加服务商收益，且相较于其他基准方法可以取得更加优越的任务完成率与资源利用率.

关键词：空天地一体化网络网络切片协作卸载资源分配深度强化学习

来源：评论

学校读者我要写书评

暂无评论

MEC环境中面向5G网络切片的计算卸载方法

引用

小型微型计算机系统 2024年第9期45卷 2285-2293页

作者：张俊杰王鹏飞陈哲毅于正欣苗旺福州大学计算机与大数据学院福州350116 大数据智能教育部工程研究中心福州350002 福建省网络计算与智能信息处理重点实验室(福州大学) 福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW 普利茅斯大学工程、计算机与数学学院英国普利茅斯PL48AA

5G网络切片与计算卸载技术的出现,有望支持移动边缘计算(Mobile Edge Computing,MEC)系统在降低服务延迟的同时提高资源利用率,进而更好地满足不同用户的需求.然而,由于MEC系统状态的动态性与用户需求的多变性,如何有效结合网络切片与... 详细信息

5G网络切片与计算卸载技术的出现,有望支持移动边缘计算(Mobile Edge Computing,MEC)系统在降低服务延迟的同时提高资源利用率,进而更好地满足不同用户的需求.然而,由于MEC系统状态的动态性与用户需求的多变性,如何有效结合网络切片与计算卸载技术仍面临着巨大的挑战.现有解决方案通常依赖于静态网络资源划分或系统先验知识,无法适应动态多变的MEC环境,造成了过度的服务延时与不合理的资源供给.为解决上述重要挑战,本文提出了一种MEC环境中面向5G网络切片的计算卸载(Computation Offloading towards Network Slicing,CONS)方法.首先,基于对历史用户请求的分析,设计了一种门控循环神经网络对未来时隙的用户请求数量进行精确预测,结合用户资源需求对网络切片进行动态调整.接着,基于网络切片资源划分的结果,设计了一种双延迟深度强化学习对计算卸载与资源分配进行决策,通过解决Q值过高估计和高方差问题,进而有效逼近动态MEC环境下的最优策略.基于真实用户通信流量数据集,大量仿真实验验证了所提的CONS方法的可行性和有效性.与其他5种基准方法相比,CONS方法能够有效地提高服务提供商的收益,且在不同场景下均展现出了更加优越的性能.

关键词：移动边缘计算网络切片计算卸载资源分配深度强化学习

来源：评论

学校读者我要写书评

暂无评论

基于联邦深度学习的多边缘协作缓存方法

引用

小型微型计算机系统 2024年第12期45卷 2994-3001页

作者：梁杰郑家瑜陈哲毅于正欣苗旺福州大学计算机与大数据学院福州350116 空间数据挖掘与信息共享教育部重点实验室福州350002 福建省网络计算与智能信息处理重点实验室福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW 普利茅斯大学工程、计算与数学学院英国普利茅斯PL48AA

作为移动边缘计算(Mobile Edge Computing, MEC)的一项重要技术支撑,多边缘协作缓存的出现可更好满足终端智能应用的实时计算与数据存储需求进而提升用户体验.但是,多边缘协作缓存的性能通常受限于低效率的协作机制以及不合理的缓存资... 详细信息

作为移动边缘计算(Mobile Edge Computing, MEC)的一项重要技术支撑,多边缘协作缓存的出现可更好满足终端智能应用的实时计算与数据存储需求进而提升用户体验.但是,多边缘协作缓存的性能通常受限于低效率的协作机制以及不合理的缓存资源配置策略.同时,如何在离散的用户特征分布与多样化的内容库之中寻找其潜在关联以提升缓存命中率仍是一个巨大的挑战.为了解决上述重要挑战,本文提出了一种新颖的基于联邦深度学习的多边缘协作缓存(Multi-edge Collaborative Caching with Federated deep learning, M2CF)方法.在M2CF中,首先设计了一种新型的多维缓存空间划分机制,对MEC节点的缓存空间进行感知优化,使得用户在分类区间可获得精准的内容推荐.接着,设计了一种基于VQ-VAE的内容流行度预测算法,解决了后验坍塌问题并提高了区间用户内容流行度预测的准确性.最后,设计了一种基于联邦深度学习的模型训练与缓存替换策略,通过聚合各MEC节点的本地模型以生成全局共享模型,进而更好适应优化后的不同缓存资源配置,提升多边缘协作缓存的命中率.基于MovieLens电影评分真实数据集,本文在测试床上展开了大量对比实验对所提出的M2CF方法进行了全面的评估.实验结果表明,M2CF与其他缓存方法对比展现出了更优秀的缓存性能与时效性能,且可以适应更为复杂的多边缘场景.

关键词：移动边缘计算多边缘协作缓存联邦深度学习多维缓存空间划分内容流行度预测

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算中基于Actor-Critic深度强化学习的任务调度方法

引用

计算机应用 2024年第S01期44卷 150-155页

作者：黄一帆曾旺陈哲毅于正欣苗旺福州大学计算机与大数据学院福州350116 空间数据挖掘与信息共享教育部重点实验室(福州大学) 福州350002 福建省网络计算与智能信息处理重点实验室(福州大学) 福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW 普利茅斯大学工程、计算与数学学院英国普利茅斯PL48AA

移动边缘计算(MEC)通过将计算与存储资源部署至网络边缘,有效降低了任务响应时间并提高了资源利用率。由于MEC系统状态的动态性和用户需求的多变性,如何进行有效的任务调度面临着巨大的挑战,不合理的任务调度策略将严重影响系统的整体... 详细信息

移动边缘计算(MEC)通过将计算与存储资源部署至网络边缘,有效降低了任务响应时间并提高了资源利用率。由于MEC系统状态的动态性和用户需求的多变性,如何进行有效的任务调度面临着巨大的挑战,不合理的任务调度策略将严重影响系统的整体性能。现有工作通常对任务采用平均分配资源或基于规则的策略,不能有效地处理动态的MEC环境,这可能造成过多的资源消耗,进而导致服务质量(QoS)下降。针对上述重要问题,提出了一种MEC中基于Actor-Critic深度强化学习的任务调度方法(TSAC)。首先,提出了一种面向边缘环境的任务调度模型并将任务等待时间和任务完成率作为优化目标;其次,基于所提系统模型与深度强化学习框架,将联合优化问题形式化为马尔可夫决策过程;最后,基于近端策略优化方法,设计了一种新型的掩码机制,在避免智能体做出违反系统约束的动作和策略突变的同时提高了TSAC的收敛性能。基于谷歌集群真实运行数据集进行仿真实验,与深度Q网络方法相比,至少降低6%的任务等待时间,同时提高4%的任务完成率,验证了的可行性和有效性。

关键词：移动边缘计算任务调度深度强化学习掩码机制多目标优化

来源：评论

学校读者我要写书评

暂无评论

智能超表面赋能语义通信系统研究综述

引用

电子与信息学报 2025年第2期47卷 287-295页

作者：朱政宇梁馨月孙钢灿牛凯楚征杨照辉杨光睿郑谷寒郑州大学电气与信息工程学院郑州450001 北京邮电大学人工智能学院北京100876 宁波诺丁汉大学电气与电子工程系宁波315100 浙江大学电子与信息工程学院杭州310058 科学技术部新技术中心北京100036 兰卡斯特大学计算与通信学院英格兰LA14YW

智能超表面(RIS)以其卓越的成本效益、低能耗及独特的可编程性,在调控无线环境方面展现出显著优势,已成为6G通信技术的关键组成部分。语义通信(SemCom)突破香农极限,同时确保关键信息的精确传递,同样被视为6G的核心技术之一。该文首先... 详细信息

智能超表面(RIS)以其卓越的成本效益、低能耗及独特的可编程性,在调控无线环境方面展现出显著优势,已成为6G通信技术的关键组成部分。语义通信(SemCom)突破香农极限,同时确保关键信息的精确传递,同样被视为6G的核心技术之一。该文首先回顾了语义通信的发展历程,阐述其从理论走向实践的过程,并分析了RIS在提高通信性能方面的突出优势。接着,提出RIS赋能语义通信系统模型,展示了RIS在提升通信质量方面的显著效果。最后,对RIS赋能语义通信系统的未来发展趋势进行展望,其将迈向智能化、个性化信息传递新阶段,为6G通信技术发展奠定坚实基础,并有望成为6G核心关键技术,引导通信革命。

关键词：智能超表面语义通信无线通信第六代移动通信

来源：评论

学校读者我要写书评

暂无评论

三段式教学方法在双语C语言课程教学中的应用

引用

计算机教育 2024年第4期 48-52页

作者：胡秉谊熊俊君陈子怡北京交通大学计算机与信息技术学院北京100044 北京交通大学威海校区兰卡斯特学院山东威海264401

针对C语言双语教学中学生难以衔接课程之间知识以及缺乏学习热情的问题,提出始于衔接、注重基础和促进应用的三段式双语教学方法,阐述该方法的教学思路,介绍实施过程,最后通过阶段性结果分析,说明该方法对学生基本技能和学习热情的提高... 详细信息

针对C语言双语教学中学生难以衔接课程之间知识以及缺乏学习热情的问题,提出始于衔接、注重基础和促进应用的三段式双语教学方法,阐述该方法的教学思路,介绍实施过程,最后通过阶段性结果分析,说明该方法对学生基本技能和学习热情的提高具有积极作用。

关键词：双语教学 C语言程序设计课程衔接应用促进

来源：评论

学校读者我要写书评

暂无评论

无线能量收集驱动的铁路物联网中断性能分析

引用

物联网学报 2020年第3期4卷 52-59页

作者：马佳星熊轲张煜钟章队倪强北京交通大学计算机与信息技术学院北京100044 轨道交通控制与安全国家重点实验室北京100044 北京交通大学计算机与信息技术学院计算机工程系北京100044 国网能源研究院有限公司北京102209 兰卡斯特大学计算机与通信学院英国兰卡斯特LA14WA

基于铁路物联网场景分析了无线射频能量站(PB,power beacon)辅助的中继网络在莱斯衰落信道下采用半双工解码转发中继模式的系统中断性能。针对铁路场景中的设备供能问题,如电池更换困难、管理开销大、布线困难等,将无线能量收集应用于... 详细信息

基于铁路物联网场景分析了无线射频能量站(PB,power beacon)辅助的中继网络在莱斯衰落信道下采用半双工解码转发中继模式的系统中断性能。针对铁路场景中的设备供能问题,如电池更换困难、管理开销大、布线困难等,将无线能量收集应用于铁路场景,为能量受限的无线设备提供充足且稳定的能量,从而解决传统铁路中的设备供能问题。考虑网络中的源节点和中继节点均为能量受限节点,传输信息的能量都来自在列车上部署的PB发射的无线射频信号。源节点和中继节点先进行能量收集,利用收集的能量,源节点向中继节点发送信息,然后中继节点将接收的信息转发给目的节点。分析推导出了该网络端到端中断概率及吞吐量的闭合表达式。通过蒙特卡洛仿真验证了理论分析的正确性,并研究了PB发射功率与噪声的比值、莱斯因子K、时间分割因子、传输速率以及相对位置等因素对端到端中断概率和吞吐量的影响。当列车处于源节点和中继节点的中点位置时,系统可获得较优的中断和吞吐量性能。

关键词：能量收集能量站莱斯衰落信道半双工中断概率吞吐量铁路物联网

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：