摘要：针对智慧城市预警系统存在的传感器设备(sensor device,SD)的计算与存储能力不足、预警数据处理实时性差等问题,基于边缘计算技术,提出了云边协同的城市预警系统任务卸载模型。该模型引入了云边协同缓存策略,并依次设计了时延模型、能耗模型和负载失衡度模型;将任务卸载问题转化为多目标优化问题,给出了一种基于MOEA/D算法的卸载决策方案,并通过对比实验进行了验证。实验结果表明:该卸载方案能够在保证总时延与总能耗较小的情况下使负载达到均衡,并且优于其他基准方案。

摘要：针对用户访问移动短视频响应时延过长、不能满足个性化需求等问题,基于短视频的时延敏感性、个性化需求等特点,综合考虑短视频的内容流行度和用户偏好,提出一种云边协作环境下的两级内容缓存方案。根据用户对短视频偏好的平均值表征边缘节点的偏好值,进而计算边缘节点的相似度,综合考虑边缘节点之间的物理距离和相似度对节点协作的影响,建立边缘节点的协作节点集。基于长尾理论提出一种两级内容缓存策略,将每个边缘节点分为流行内容缓存区和用户偏好内容缓存区两部分,流行内容缓存区采取主动缓存策略,针对用户偏好内容缓存区的缓存内容,综合分析用户访问请求在不同响应方式下的延迟,并以最小化整体内容请求延迟为目标,设计一种基于改进离散蛙跳算法的边缘协作缓存方案。实验结果表明,在同一数据集上与RC、BEP等缓存方案相比,该方案的用户请求命中率提高近40%,并能够降低回程链路负载,减少用户请求延迟,满足时延敏感性特点及90%的用户个性化需求。

摘要：为了最大限度提升用户的体验质量,设计了一个使用支持缓存的无人机进行辅助通信的蜂窝网络模型。该模型使用无人机通信和边缘缓存相结合的方式来进行流量卸载,通过联合优化无人机部署,缓存放置和用户关联以实现用户QoE的最大化,并使用平均意见得分来对其进行评估。基于问题定义,提出了一个无人机部署、缓存放置和用户关联的联合优化算法,以最大化MOS。该联合算法使用K-means聚类算法为用户创建基于用户位置的无人机部署集群,使用基于罚函数的凸优化算法以获得缓存放置策略,使用贪心算法以获得对用户的关联策略。多次仿真实验验证了所提出算法的有效性和可行性。实验结果表明,与三种基准算法相比,所提出的联合优化算法在MOS、回程流量卸载率和内容访问时延三方面均具有更好的性能。

摘要：随着“双碳”目标的提出,以及“以电代煤”政策的贯彻落实,大量电采暖设备取代传统燃煤取暖投入运行并接入电网将成为必然趋势。大量电采暖设备可以作为需求侧可调资源进行新能源消纳,但是分布式电采暖所处地理区域较为分散,传统集中式管理的方式又存在隐私泄露、数据孤岛等问题。联邦学习作为一种分布式技术可在保护隐私的前提下支撑电采暖负荷互动,在分布式电采暖互动领域具有较强的适用性。分析了基于联邦学习的分布式电采暖互动需求,以及边缘缓存、隐私防护、通信传输优化和异构资源融合等技术在基于联邦学习的电采暖互动场景中的应用方式,并展望了未来基于联邦学习的分布式电采暖互动前景。

摘要：为减少边缘云雾协同网络的传输延迟,提高缓存设备的存储利用率和预测准确性,提出了一种基于用户兴趣与特征融合的数据预处理缓存策略(FUCS:A Fusion of User Interests and Features-based Data Preprocessing Caching Strategy)。利用K-means算法对数据进行预处理,以缩小计算范围。设计了一个特征融合模块,并采用Multi-Head Self-attention来适应用户兴趣的变化规律。仿真试验结果表明,与传统的缓存策略相比,所提出的策略在总体缓存命中率上表现更优,并能显著降低数据的平均传输延迟。