在移动边缘计算的物联网(Mobile Edge Computing-enabled Internet of Things Networks,IoT-MEC)中,物联终端的高移动性、服务请求的随机到达性以及网络流量的实时变化,导致原有应用场景下的资源配置与服务部署不再完全匹配。如何有效...
详细信息
在移动边缘计算的物联网(Mobile Edge Computing-enabled Internet of Things Networks,IoT-MEC)中,物联终端的高移动性、服务请求的随机到达性以及网络流量的实时变化,导致原有应用场景下的资源配置与服务部署不再完全匹配。如何有效利用网络提供的资源以实现服务功能链(Service Function Chain,SFC)的实时部署和重构是一个重要的挑战。针对用户的高移动性和网络流量的实时变化造成的SFC性能需求和已分配资源不匹配的问题,提出IoT-MEC网络中基于用户移动和资源需求预测的SFC重构策略。建立以SFC的端到端时延和重构成本最小化为目标的整数线性规划模型;设计基于注意力机制的Encoder-Decoder移动用户轨迹预测模型和基于长短期记忆(Long Short-Term Memory,LSTM)网络的虚拟网络功能(Virtual Network Function,VNF)实例资源需求预测模型,分别准确预测用户移动轨迹和节点负载;基于预测结果提出SFC主动重构(Predict-based SFC Active Reconfiguration,PSAR)启发式算法,确保在服务质量(Quality of Service,QoS)下降之前,提前完成VNF迁移和路由更新,实现SFC的主动重构和无缝迁移,保证网络的一致性高质量服务。仿真结果表明,所提算法有效降低了SFC端到端时延和重构成本。
传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。
暂无评论