摘要：边缘计算网络中,为了激励边缘计算节点(ECNs)参与计算卸载,以缓解计算服务供应商(SP)的计算压力,研究面向远期交易的激励机制。考虑到SP与ECNs之间的信息不对称,且ECN闲置计算资源的不确定性易导致合作风险,基于合同理论,该文提出一种计及风险偏好的计算卸载远期合同激励机制。首先,建立节点风险偏好模型;接着,定义个人理性(IR)约束和激励相容(IC)约束,将激励问题建模为最大化SP收益的远期合同设计问题;最后,化简约束并求解最优远期合同。仿真结果验证了所设计的远期合同的可行性和合理性,并证明该合同能有效激励ECNs参与计算卸载,提升了SP的收益。

摘要：在卫星边缘计算网络中,当过多用户通过同一信道接入卫星时,产生的同信道干扰会导致边缘计算性能下降。为了解决该难题,在动态环境低地球轨道(LEO)星座边缘计算网络的系统模型下,提出了一种基于随机博弈的多用户计算卸载策略。在考虑用户的自私性、星地信道的随机特性和地面用户接入的动态特性的前提下,从博弈论的角度,将动态环境下地面用户的卸载决策过程表述为随机博弈,证明了所制定的随机博弈等价于具有至少一个纳什均衡(NE)的加权势博弈,并且NE最小化系统开销。为了在动态环境下以分布式方式达到NE,基于随机学习设计了一种智能随机学习算法,以高效达到所提随机博弈的NE。仿真结果表明,与基准算法相比,所提算法能够显著降低同信道干扰和系统开销,并达到接近最优的性能。

摘要：车辆边缘计算是通过车辆间传输计算任务来完成计算卸载,可以提高车辆的计算能力。目前的卸载任务分配策略没有同时考虑数据安全性、卸载任务优先级、计算资源释放和激励车辆共享计算资源,难以适应动态车辆环境。针对以上背景,研究分布式车对车(V2V)计算卸载问题,建立马尔科夫决策过程,设计了基于深度强化学习的计算卸载最优任务分配策略,利用动态定价来激励车辆共享计算资源,考虑卸载任务优先级和计算资源释放机制。将卸载方案嵌入到区块链中,通过建立车联网区块链的身份认证机制,对车辆信息、任务信息、交易信息等敏感信息进行加密处理,满足保障数据安全性的需求。仿真实验结果验证了所提出方法的性能,与其他算法相比,该方法在节省10.28%训练时间的情况下,将系统平均效益至少提高了9.58%。

摘要：文中提出了一种无人机辅助移动边缘计算(MEC)系统,其中一架配备计算资源的无人机作为飞行基站(BS)处理从用户迁移来的应用任务,以节省用户设备的能耗.考虑了一种通用的瑞森衰落信道模型,通过联合优化无人机轨迹、用户发射功率、用户调度和比特分配,以最小化所有用户设备的平均能耗.设计了一种基于迭代分块连续上界最小化算法,并引入二次惩罚项进行交替求解.结果表明:文中所提出的联合优化方案优于其他基准方案,能显著降低用户的能量消耗.

摘要：为进一步提高边缘计算(MEC)中移动设备(MD)对低时延、低能耗计算卸载任务的需求,利用深度Q学习(DQN)、长短期记忆网络(LSTM)和注意力机制,设计一种基于DQN的深度强化学习卸载算法(LA-DQN)。以最小系统总代价(时延和能耗加权和)为目标建立模型,使用一维残差卷积网络(Conv1D)和带有注意力机制的LSTM网络替换DQN网络的全连接层,提取MD的状态特征,减少需要计算的参数量并加强对输入状态的重点特征信息提取,加速算法收敛并得到最优卸载策略。仿真结果表明,与DQN、Full Local、Full Offload算法相比,LA-DQN算法能够有效降低任务处理的时延和能耗。

摘要：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。

摘要：现有的边缘计算研究集中于无线资源分配和计算资源分配,而对用户聚集场景下的边缘协同问题研究较少。针对此问题提出一种用户聚集场景下的层级计算卸载策略。该策略采用FSA-MCS解决多重基站信号覆盖下的用户终端卸载节点选择问题;设计一种层级结构的启发式区域计算卸载算法,能够有效提高用户聚集场景下限定时间内完成的任务数量,并减少了用户卸载总时延。实验结果表明,与其他卸载方法相比,该策略的用户任务在限定时间内成功计算完成率最高提高32.7百分点,卸载总时延最高减少43.3%。

摘要：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.

摘要：移动边缘计算(Mobile Edge Computing,MEC)目的是将计算任务卸载至网络边缘为用户提供计算和存储资源,以节省任务完成时延和能耗.而边缘服务器资源有限,为高效利用有限的服务器资源,降低系统的时延和能耗,针对时延敏感度不同的用户集,提出一种计算卸载与资源分配的联合优化策略.首先,采用平均化思想进行任务预分类,并确定优先级;其次,考虑到同侪效应的存在以及用户间的干扰,提出一种为卸载用户匹配MEC服务器与子信道资源的外部性匹配算法,利用Karush-Kuhn-Tucker(KKT)条件下的拉格朗日乘子法进行计算资源分配;最后,设计联合优化算法得到用户最优卸载决策.结果表明,本文所提策略在用户时延需求高满意率的同时有效降低了系统的总计算开销.

摘要：在边缘服务器资源受限的情况下,如何设计合理的资源管理和任务调度方案是一项重要的研究内容.为提升系统服务效用,提出一种联合资源分配和计算卸载的设计方案.首先,借助二分搜索法和拉格朗日乘子法得到通信和计算资源的最佳匹配.然后,基于融合多种策略的鲸鱼优化算法来求解卸载决策,其中包括调整收敛因子为指数幂级的非线性变化策略,平衡探索和利用阶段的自适应权重策略,三角形和Levy飞行的游走策略,同时在适应度评价中引入罚函数来达到用户接入数量的约束限制,最后利用V型传递函数制定二进制卸载策略.仿真结果表明,在与其他基准方案的多项指标评估中,所提方案能有效增加网络吞吐量,显著提高系统效用.