摘要：为解决自然灾害引发的“断电、断网、断路”所导致的通信指挥难题,提出了一种无人机辅助网络系统,通过机载边缘服务器装载地面用户热门访问内容并发布应急通知消息。无人机基于地面服务需求,引入了Q-Learning强化学习算法进行轨迹规划并将整个系统分为无人机探索子系统和无人机服务子系统。无人机探索子系统针对单个无人机信号覆盖面积有限无法采集到区域内所有移动设备位置的问题,创建边界探索方式来确定无人机群的最优数量。无人机服务子系统通过分别对移动设备进行K-means、K-medoids、AGNES聚类选取最优聚类方式确定聚类中心,以聚类中心为导向进行轨迹规划从而尽最大可能为移动设备服务。仿真结果表明,所提无人机辅助系统具有设计可行性,确定了无人机群信号全覆盖的最小配置数量,同时得出不同聚类算法的无人机群适用场景。研究结果可用于评估地面用户的保障服务体验,为无人机辅助通信网络的架构设计与控制优化提供依据。

摘要：为了构建绿色且长生命周期的物联网,本文提出了一种雾辅助的公平节能物联网计算迁移方案.首先,基于雾节点计算能力、带宽资源以及融合雾节点能耗公平性的迁移决策的联合考量,构建了一个最小化所有任务完成总能耗的优化问题.其次,提出了基于动量梯度和坐标协同下降的公平性能耗最小化算法用于解决上述混合整数非线性规划问题.该算法基于雾节点的历史平均能耗、距离、计算能力以及剩余能量值设计了公平性指标以获得对于雾节点能耗公平性最优的迁移决策;通过提出的动量梯度与坐标协同下降法,联合优化雾节点分配给各个任务的计算及带宽资源占比,达到最小化任务处理总能耗.最后,仿真结果表明本文方案能够取得较快的收敛速度,且与随机选择和贪婪任务迁移方案两种基准方案相比,本文方案的总能耗最低,雾节点的能耗公平性最高,且网络寿命分别平均提高了23.6%和31.2%.进一步地,该方案在不同雾节点数量以及不同任务大小的环境下仍然能够保持性能优势,体现了方案鲁棒性高的特点.

摘要：针对一类控制方向未知的非线性切换多智能体系统,本文研究了在不确定网络攻击下的安全控制问题.网络攻击破坏传感器真实数据,导致系统真实信息无法获取且不能直接用于控制设计.为此,通过受攻击状态构建一组新颖辅助变量来消除网络攻击造成的影响.此外,所研究的系统包含更一般的不确定性,即未知控制方向,未知常值参数以及不确定攻击.这些不确定性在设计过程中相互耦合.利用Nussbaum型函数并设计自适应律补偿耦合后的不确定性,极大降低了系统复杂性.通过系统性地迭代构造出共同Lyapunov函数,提出了一套安全自适应控制方法,保证了受攻击系统在任意切换下达到渐近输出一致性.最后,数值仿真验证了该方法的有效性.

摘要：针对智能网联车辆高速移动以及智能网联组网模式多元化导致的传统协同过滤算法有效性受到限制的问题,提出一种新型混合标签感知推荐模型(hybrid tag-aware recommender model,HTRM)。嵌入层采用Word2Vec模型对项目标签、项目评分、用户行为标签和用户评分进行向量表示;特征层引入自编码器提取项目的自相似特征,采用长短期记忆网络(long short-term memory,LSTM)提取用户行为特征;门控层联合用户和项目的特征,并输入至全连接神经网络(fully connected neural network,FCNN)进行评分预测。实验结果表明,与TCF、CCF、ACF和DSPR传统模型相比,HTRM模型设计更合理,可以获得较高的推荐预测精度。

摘要：为了保障智能网联汽车的低时延通信,利用蜂窝车联网中V2X(vehicle to everything)信道模型、边缘计算技术,研究计算卸载与边缘缓存联合优化策略。设计了一种智能网联汽车计算卸载与边缘缓存协同模型L-DDPG(least-deep deterministic policy gradient),通过对车载本地与边缘计算资源的整合,支持V2X场景下对不同计算任务的分类处理。由边缘平台对车载计算请求进行预判决,确保对连续的计算任务快速响应;结合基于最近最少使用(least recently used,LRU)的边缘缓存策略,实现对新计算任务的高效管理;基于DDPG算法对计算卸载与边缘缓存进行联合卸载决策。仿真结果表明:L-DDPG模型性能优于传统模型,能够有效提升系统的工作效能,在保障业务服务质量的同时降低时延和系统资源消耗。

摘要：星地融合中继网络(ISTRN,integrated satellite-terrestrial relay network)是下一代无线通信系统的必要组成部分,对加快建成我国空天地一体化网络系统具有重要的现实意义。传统ISTRN架构大量的信令需要转发到地面控制中心进行处理,这增加了网络控制和管理的时延。提出了一种新型云雾计算架构,在地面接入和中心云之间构建分区域的边缘雾计算层,提高业务流管理和控制的灵活性。在该云雾网络框架下,设计了基于Q-learning的边缘计算卸载策略,以时延与能耗作为卸载性能的评价指标。仿真实验结果表明,与Min-min算法和回溯算法相比,基于Q-learning计算卸载算法的时延与能耗性能更优,且可以在时延与能耗的联合优化之间达成平衡。

摘要：为适应垂直市场差异化能源需求,保障物联网设备的高效可持续性运行,研究了一种融合射频能量采集的协同节能计算迁移机制。具体地,基于对计算迁移决策、上行带宽资源分配、下行带宽资源分配及基站功率分割的联合优化考量,构建了一个最小化系统总能耗的优化问题。为有效求解该优化问题,融合惩罚函数的概念设计了新的评价指标,并提出了一种基于自适应粒子群优化的协同节能计算迁移算法。该算法构造了动态变化的惯性权重和线性调节的惩罚因子,可在迭代搜索过程中实时变更粒子群落的空间分布密度,以生成可容忍惩罚下的最优计算迁移策略;进一步地,为避免粒子越过探索范围,引入了速度边界限制,可降低无效解的产生概率,提升搜索有效性。最后,仿真结果表明所提算法能够实现较高的收敛效率及求解精度,且与其他常见基准方案相比,完成任务处理的系统总能耗可分别降低34.09%、14.72%和6.86%。

摘要：为了满足物联网场景中不同用户的差异化需求和提高资源利用率,以构建一个高效的边缘计算服务系统,本文提出了一种基于优先级的物联网边缘计算迁移机制。边缘节点通过感知任务的优先程度,合理分配计算资源,并提供相应的计算服务,避免时延敏感型任务因等待时间过长而导致执行失败,提高用户服务质量。通过综合考虑计算迁移决策、带宽资源和边缘节点计算资源分配,构建了一个基于优先级的任务完成总能耗最小化问题。同时,为解决上述优化问题,设计了一种基于优先级的智能资源分配与计算迁移算法。该算法通过融合深度确定性策略梯度算法的思想,构建了双重“行动者-评论家”网络架构,加快了训练过程的收敛速度;并且,为了使该算法适用于本文规划的混合整数优化问题,对连续动作输出做离散化处理,生成二进制迁移决策。仿真结果表明,本文所提机制能够获得近似贪婪算法的最优迁移与资源分配策略,与本地计算、完全迁移和DQN(Deep Q Networks)方案相比,本文提出的算法在系统总能耗方面分别平均减少约52%、 13%和7%。

摘要：大数据场景下,远程云服务器通常被部署用于数据处理与价值挖掘,但在面对时延敏感型或需要动态频繁交互的业务时,该种处理模式显得力不从心.作为对云计算模式的补充,雾计算因其可有效降低任务处理时延、能耗与带宽消耗而备受关注;同时,面向雾计算的计算迁移机制因其能有效缓解节点的处理负担并改善用户体验而成为领域研究焦点.在雾计算模式下,为了更好地满足计算密集型任务对时延与能耗的要求,基于区块链赋能物联网场景,本文提出了一种联合资源分配与控制的智能计算迁移方案.具体地,规划了一个在时延、能耗与资源约束下的最小化所有任务完成总成本的优化问题,其总成本构成综合考量了时延、能耗和挖掘成本,通过对通信、计算资源与迁移决策的联合优化,实现总成本的最小化.为完成任务迁移,终端以矿工的身份向雾节点挖掘(租借)计算资源,所提出的基于区块链技术的激励机制可充分调动终端和雾节点参与计算迁移的积极性并保障交易过程的安全性,设计的奖励分配规则可保证成功挖掘资源终端收获奖励的公平性.为解决上述规划的优化问题(即混合整数非线性规划问题),提出了一个联合通信、计算与控制的智能计算迁移算法,该算法融合深度确定性策略梯度算法思想,设计了基于反梯度更新的双“行动者-评论家”神经网络结构,使训练过程更加稳定并易于收敛;同时,通过对连读动作输出进行概率离散化运算,使其更加适用于混合整数非线性规划问题的求解.最后,仿真结果表明本文方案能以较快的速度收敛,且与其他三种基准方案相比,本文方案的总成本最低,例如,与其中性能最好的基于深度Q学习网络的计算迁移方案相比,总成本平均可降低15.2%.

摘要：本文提出了一种雾辅助的隐私保护分层多维数据聚合机制,在实现多维异构类型数据聚合的同时,可提供不同粒度的数据应用支撑.首先,该机制通过充分利用本地雾计算资源构建了一个无第三方机构参与的分层聚合框架,为实现安全、高效、灵活的多维数据感知与传输提供了保障.其次,融合同态Paillier算法与霍纳法则的多维数据隐私保护聚合机制,保证了数据隐私并降低了计算与通信成本.特别地,基于霍纳法则解析出的不同粒度聚合结果,可满足不同场景的应用需求.此外,设计了一种高效的签名认证机制,该机制通过采用轻量级的椭圆曲线加密算法与批量认证技术,可实现数据完整性和身份有效性的验证.最后,安全与性能分析结果表明本机制安全性能高,且相较于其他方案其计算成本更低,更加适用于实际应用场景.