摘要：借助于移动边缘计算(MEC)和网络虚拟化技术,可使移动端将执行各类复杂应用所需的算力、存储和传输等资源需求就近卸载至边缘服务节点,从而获得更高效的服务体验。面向边缘服务商,研究其在进行复杂任务部署时所面临的能耗优化决策问题。首先将复杂任务部署于多个边缘服务节点的问题建模为混合整数规划(MIP)模型,然后提出了一种融合图到序列的深度强化学习(DRL)求解策略。该策略通过基于图的编码器设计提取并学习子任务间潜在的依赖关系,从而根据边缘服务节点的可用资源状态及使用率自动发现任务部署的通用模式,最终快速获得能耗优化的部署策略。在不同的网络规模中,将所提策略与具代表性的基准策略进行了全面对比。实验结果表明,所提策略在任务部署错误率、MEC系统总功耗和算法求解效率等方面均显著优于基准策略。

摘要：移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.

摘要：针对地面设备计算资源未得到有效利用的问题,研究了移动边缘计算使能的星地网络中设备到设备(D2D)辅助任务卸载。建模了最大化所有用户设备、服务设备和低轨道地球卫星的效用的问题,并将其分解为任务卸载比例优化子问题和任务卸载决策子问题。通过理论推导分别得到了D2D卸载和移动边缘计算卸载的最优任务卸载比例的解析解,并设计了一种基于匹配博弈的任务卸载决策算法,提出了一种任务卸载比例和任务卸载决策联合优化方案。仿真结果证明,与参考方案相比,所提方案具有更好的性能。

摘要：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。

摘要：为充分利用移动边缘计算(Mobile Edge Computing, MEC)系统的计算资源,本文设计了双MEC服务器协同与计算通信资源联合优化方案。通过建模双服务器协同多用户任务计算优化问题,以系统计算时延和用户能耗的加权和最小化为准则,优化设计多用户计算卸载发射功率和计算任务分割。提出一种较低计算复杂度的联合设计方案,将原问题解耦为计算卸载优化和计算任务分割设计的2个子问题,分别通过内点法和单纯形法实现快速数值求解。仿真结果表明,本文所提算法的系统性能优于已有启发式基准算法方案,且在较少的算法运行时间下,联合优化算法方案能取得与最优拉格朗日乘子法基准方案相同的系统性能。

摘要：在移动边缘计算(MEC)环境下,用户需求快速增长,但由于移动设备的计算和存储资源受限,时延和能耗问题日益突显。此外,任务的重复卸载和处理也进一步加剧了时延和移动设备的高能耗问题。针对上述问题,提出一种带有缓存机制的移动边缘计算任务卸载方案来减少任务卸载过程中的时延和能耗。首先,基于任务的流行度、新鲜度、数据大小等因素设计一个缓存机制,根据该机制的结果设计缓存更新策略。然后,针对任务卸载和缓存问题,建立一个联合优化模型,优化模型以最小化系统总成本为目标,考虑了任务卸载和缓存对移动设备时延和能耗的影响。为求解这一复杂的优化模型,通过添加惩罚函数的形式将约束条件加入目标函数,并采用粒子群优化(PSO)算法获得任务卸载和缓存的最优决策。实验结果表明,与传统的无缓存的本地计算、无缓存的任务卸载、使用随机缓存的任务卸载等方案相比,该方案的总时延降低了37.00%以上,缓存命中率提高了7.78%以上,具有较高的缓存资源利用率。

摘要：文章深入研究了网络切片技术,包括设计、实施和性能评估等。希望通过对技术的研究可以更好地满足未来智能、高效的移动网络架构的需求。网络切片技术将在不同领域的新兴应用中发挥关键作用。

摘要：当今移动通信和计算领域移动边缘计算(Mobile Edge Computing, MEC)已成为提高性能和用户体验的关键技术之一,利用智能超表面(Reconfigurable Intelligent Surface, RIS)和无人机(Unmanned Aerial Vehicle, UAV)技术辅助的MEC系统,在网络性能提升、时延降低、计算和通信资源分配优化以及适应性方面具有显著优势,引起了学术界和工业界的广泛关注。系统地讨论了RIS辅助的UAV MEC(RIS-assisted UAV MEC,RU-MEC)系统中的协作方式,梳理了RU-MEC系统在设计过程中需要考虑的关键问题以及可采取的解决方法,阐述了未来的研究方向,包括RIS和UAV技术的进一步创新、系统安全性和可靠性增强,以及在各种场景中的广泛应用。

摘要：为了缩短任务卸载时延和降低能耗,基于多目标优化设计一种移动边缘计算任务卸载方法。首先,建立一个多目标优化模型,以最小时延和最小能耗为目标函数,同时考虑任务卸载计算资源分配约束、总能耗低于设备剩余电量约束、任务卸载传输功率约束、任务卸载时延约束等约束条件;考虑了移动设备的移动性,构建节点切换约束条件;为了提高求解效率,改进了遗传算法中的选择、交叉和变异操作,并利用改进后的遗传算法求解了多目标优化模型,得到了最优的移动边缘计算任务卸载策略。实验结果表明,该方法能够有效地完成任务卸载,并且能够减少任务卸载时延和降低任务卸载能耗。此外,该方法在不同剩余电量下都能够获得较好的任务卸载效果,从而提高了用户的体验。

摘要：面向B5G和6G的新兴网络架构和技术服务需求,将去蜂窝大规模多输入多输出(cell-free massive MIMO,CF-mMIMO)赋能于移动边缘计算(mobile edge computing,MEC),有助于处理分布式物联网中的计算密集型和延迟敏感型任务。针对CF-mMIMO辅助的MEC系统,在能量限制下意在最大限度地减少完成不同任务类型的计算任务的延迟。为完成以上目标,设计了一种基于本地设备(user equipment,UE)、多接入点(access point,AP)和中心处理器的云-边-端协作的任务卸载策略。具体地,首先根据每个UE和AP服务的不同数据类型,利用凸优化和图匹配方法交替迭代,进行卸载关联和任务比例的优化;然后在回传链路的限制下,提出一种改进的二进制鲸鱼优化算法,将未分配终端和关联接入点任务进一步卸载至处理高效的云端。所提算法相较于蚁群优化算法、混合灰狼优化算法等其他的元启发式效果更优,在离散的卸载优化问题上表现较好,可以为分布式网络提供良好的卸载优化策略并大幅度降低整体网络的平均时延。