移动边缘计算

摘要： 随着无线网络中视频流量的增长,内容分发网络和移动边缘计算技术被视为应对这一挑战的有效方案,其中缓存策略问题是研究的重要内容。面对不同的应用场景和需求,设计缓存策略时会考虑不同的优化目标。文中重点考虑了两个优化目标的公平性问题。对视频服务商而言,用户满意度(Quality of Experience,QoE)体现了服务的质量,而能量效率体现了成本效益和节能指标。在设计缓存策略时,由于无法明确哪个目标的优先级更高,因此需要对它们进行公平地优化。首先,对缓存策略问题的两个重要目标(QoE和能量效率)进行数学建模,并提出了公平性原则。然后,将这两个优化目标作为博弈对象,代入纳什议价博弈模型中。接着,提出了一种确保公平性的多回合议价算法,并证明了该算法的合理性和有效性。最后,仿真实验验证,该算法能够在优化缓存策略的QoE和能量效率的同时保证它们之间的公平性。

摘要： 针对移动边缘计算环境下,移动设备的计算、续航、存储能力的不足,导致其响应延迟、电池寿命降低等问题,设计了一种动态节能资源竞争计算卸载(DERCO)策略。该策略综合考虑了信道容量以及设备间的相互干扰等情况,以一种贪婪算法的思想,让所有边缘设备通过迭代竞争信道资源,节能效果最好的设备将获得卸载机会,再利用一次性卸载方法,根据实时的信道状况和卸载速率进行动态的细粒度子任务卸载决策。实验结果表明,该策略优于一种近似协同计算卸载方案,有效降低了设备的能耗与时延。

摘要： 针对能量受限的多用户移动边缘计算(MEC)系统存在恶意窃听节点的问题,提出一种联合无线能量传输(WPT)和MEC的安全部分计算卸载方案。该方法以系统接入点(AP)能耗最小化为优化目标,在计算延迟、安全卸载和能量捕获约束条件下,联合优化AP能量传输协方差矩阵、本地CPU频率、用户卸载比特数、用户卸载时间分配以及用户传输功率。针对AP能耗最小化问题为非凸问题,首先采用凸差分算法(DCA)将原始非凸问题转换为凸问题,然后采用拉格朗日对偶法以半封闭形式获得问题最优解。当计算任务数为5×10^(5)比特时,与本地计算和安全全部计算卸载方法相比,安全部分卸载方案的能量消耗分别降低了61.3%和84.4%;当窃听节点距离超过25m时,安全部分卸载方案所消耗的能量远小于本地计算和安全全部计算卸载。仿真实验结果表明,在保证物理层安全卸载的情况下,所提方案能够有效降低AP能耗、提高系统性能增益。

摘要： 针对现有研究没有考虑用户移动性对移动边缘计算(mobile edge computing,MEC)服务器反馈计算结果影响的情况,提出一种基于虚拟机迁移的能量收集MEC系统资源分配策略。考虑用户移动性影响,分别给出用户移动性模型和能量收集模型;采用虚拟机迁移方式,把用户卸载给初始MEC服务器的计算任务转移到当前MEC服务器,由当前MEC服务器完成计算任务,计算结果直接反馈给用户;综合考虑用户卸载计算任务和MEC服务器反馈计算结果,将功率和子载波分配问题建模为混合整数非线性规划问题,在满足能量消耗、子载波分配和发射功率的约束条件下,最大化系统能量效率。为了降低求解复杂度,通过引入遗传算法,获得次优解。仿真结果表明,与基于遗传算法的局部功率或子载波分配方法相比,提出的方法具有更高的能量效率。

摘要： 移动边缘计算(MEC)通过将算力下沉到网络边缘来降低计算时延和设备能耗。针对计算密集型和时延敏感型应用场景,提出了一种单多维动态种群策略的人工蜂群算法(OMABC)来实现计算任务的卸载。建立一个包含云服务器的边缘计算卸载模型,并构建一个以能耗为惩罚项的代价函数;将计算任务的卸载决策转化为人工蜂群算法对代价函数的寻优过程。通过仿真实验,在CEC 2017测试函数上验证了OMABC的有效性,并在边缘计算模型仿真中与本地卸载策略、随机卸载策略、基于粒子群算法(PSO)的卸载策略、基于人工蜂群算法(ABC)的卸载策略进行对比。实验结果表明,基于OMABC的边缘计算卸载策略能够有效降低MEC系统的时延及代价函数,提供更高效的服务。

摘要： 5G技术的发展和应用,给智慧医院信息化建设带来了新机遇,也提出了新的挑战。5G网络切片技术和边缘计算技术,为智慧医院网络安全系统的构建提供了技术支撑,保证医院信息化诊疗业务服务稳定运行。基于5G技术的医院网络安全系统的设计需求进行了分析,结合5G技术以及医院信息化诊疗业务服务的实际需要,应用5G网络切片和边缘计算等技术对医院网络安全系统进行设计。

摘要： 移动边缘计算(Mobile Edge Computing,MEC)把计算和存储等资源部署在网络边缘以满足某些对延迟要求苛刻的应用.用户设备可以通过无线网络将计算任务整体或者部分卸载到边缘服务器执行从而降低延迟和本地耗能,进而获得良好的用户体验.现有传统优化算法在MEC卸载决策和资源分配方面是可行的,但传统优化算法并不很适合高实时性的MEC系统.深度强化学习可以通过与传统优化算法不同的方式,建立尝试-奖励反馈机制,通过积累经验进行学习,从而完成优化目标.本文考虑移动边缘计算网络中多用户多任务卸载的情况下,研究任务卸载中的卸载决策和任务调度以及服务器资源分配的问题,以最小化系统延迟和传输耗能、本地耗能为目标,基于深度强化学习提出了一种多用户多任务下的任务卸载调度与资源分配算法,在上层服务器分配资源确定的情况下,提出基于贪心策略的流水车间调度算法解决了任务卸载决策和卸载调度问题,下层采用强化学习方法优化服务器资源分配问题.仿真结果表明,所提出的方法在降低延迟和本地耗能方面有比较优越的性能.

摘要： 无人机辅助的移动边缘计算被认为是在下一代移动通信网络中能高效灵活处理时延敏感的计算密集型任务的潜力技术之一.本文研究了基于无人机的空地协同移动边缘计算的服务布置问题,具体而言,如何在满足任务时延需求和其他资源约束的情况下,通过联合优化无人机和地面基站的服务布置、无人机航迹、任务卸载和计算资源分配,以最小化所有用户的总能耗.由于问题的非凸和各种变量的复杂耦合,该问题属于一个非凸混合整数非线性规划问题,较难求解.本文针对多无人机和多地面基站协同提供计算服务的场景,提出了一种基于交替优化的服务布置算法.该算法通过迭代求解三个不同的子问题来获得具有收敛性保证的次优解决方案.首先,采用分支定界法求解联合服务布置和任务卸载的子问题.其次,采用连续凸逼近方法求解无人机航迹优化的子问题.然后,利用计算资源分配子问题的特性得到该子问题的闭式最优解.最后,对上述过程重复迭代,得到问题的一个次优解.仿真结果表明,相比随机布置策略、贪心布置策略、本地计算策略,所提布置策略能够大大减少用户总能耗.

摘要： 为减少移动边缘计算(mobile edge computing,MEC)网络中移动用户的长期任务开销,利用强化学习的马尔科夫决策过程,将用户的移动性与系统的动态信息建模为随机优化问题。依据系统信息的状态,将问题分为系统信息已知、系统信息未知2种情况。在系统信息已知时,提供了问题的最优解;系统信息未知时,基于在线学习提出2个任务卸载策略。一个策略能够收敛到系统最优解,但收敛速度较慢;另一个策略能以更快的收敛速度,达到接近最优解的表现,可用于更复杂的系统。最后在仿真中展示算法的有效性。

摘要： 针对移动边缘计算网络中不合理的服务放置和资源分配所导致的服务质量下降问题,提出了一种基于分布式深度学习的边缘服务放置策略。首先,以最小化所有用户服务请求时延与加权服务放置成本总和为优化目标,将优化问题建模为混合整数非线性规划问题。其次,在给定服务放置策略情况下,利用凸优化理论求解出边云最优的计算资源分配方案。最后,利用分布式深度学习解决了服务放置问题。理论证明及仿真结果表明,所提策略能够有效降低用户服务请求时延和应用服务提供商的服务放置成本,并且逐渐逼近全局最优的服务放置策略。

摘要： 5G移动网络的到来正式开启了万物互联的时代,各种垂直行业将与5G网络深度融合,促生一种新的移动网络形态,在对时延要求较高的行业应用中,移动边缘计算技术可将云计算平台从网络内部向网络边缘迁移,有效抑制网络拥塞,降低移动业务的端到端时延.本文从移动边缘计算技术及5G网络特性出发,结合垂直行业需求,分析移动边缘计算技术在垂直行业中的应用,并给出网络部署建议.

摘要： MEC(Mobile Edge Computing)移动边缘计算是5G网络提升服务能力的关键技术,该技术可以改变传统无线通信网络与业务分离的状态,在无线接入边缘节点部署服务应用平台,有效处理终端的高时效性业务需求,从而大幅度缩短端到端时延、解决移动分组核心网的数据流量瓶颈等问题.本文以宝马智能检测MEC网络为例,介绍了MEC的关键技术、网络架构及业务应用,同时对MEC发展前景及面临的挑战进行了探讨.

摘要： 首先介绍移动边缘计算和计算卸载,然后详细分析移动边缘计算卸载的关键技术问题以及对应的解决方案,此外还梳理了移动边缘计算卸载的未来研究方向,为后续研究提供参考.

摘要： MEC(移动边缘计算)是指在距离移动终端最近的无线接入网内提供信息技术服务环境和云计算能力，旨在进一步减小延迟/能耗、提高网络运营效率、提高业务分发/传送能力、优化/改善终端用户体验。

摘要： 移动边缘计算技术通过为无线接入侧提供IT和云计算能力,使无线网络具备低时延、高带宽的传输能力,促进业务本地化,其开放的边缘侧计算能力可以进行多类型的业务接入处理,对无线视频业务、物联网业务的创新发展尤为重要.对MEC用于无线视频监控业务的场景做了探讨,并总结了与监控行业结合所面临的问题和挑战.

摘要： 随着物联网与无人机技术的发展与结合,多种多样的网络服务与功能广泛应用于日常生活.与此同时,移动边缘计算技术的提出,也显著提高了物联网中数据计算的效率与系统性能.然而,数据计算处理的时间与系统能耗依然被视为不可忽略的问题.因此,为解决当前无人机支持的物联网系统中数据计算执行时间和能量的过度消耗,提出了联合建模数据卸载决策、数据计算决策和数据传输决策作为一个优化问题,使系统总能耗最小化.由于所提出的问题是一个混合整数非凸问题,需要将其转化为凸问题.在此基础上,提出了基于交替方向乘子算法的方法求解该优化问题.仿真结果表明了在不同系统参数下所提方案的有效性.此外,与其他已有方法相比,所提方案对系统能耗的优化效果更加显著.

摘要： 本文首先介绍5G技术标准中制定的业务指标和网络指标,然后说明为了满足5G网络指标,对MEC服务平台的需求.在此基础上介绍了MEC服务平台在LTE网络中的部署方案,进而再论述为了满足5G网络中MEC的部署方案和应用场景,以及当前MEC业务平台部署存在的问题.

摘要： 本文首先介绍5G技术标准中制定的业务指标和网络指标,然后说明为了满足5G网络指标,对MEC服务平台的需求.在此基础上介绍了MEC服务平台在LTE网络中的部署方案,进而再论述为了满足5G网络中MEC的部署方案和应用场景,以及当前MEC业务平台部署存在的问题.

摘要： 本文首先介绍5G技术标准中制定的业务指标和网络指标,然后说明为了满足5G网络指标,对MEC服务平台的需求.在此基础上介绍了MEC服务平台在LTE网络中的部署方案,进而再论述为了满足5G网络中MEC的部署方案和应用场景,以及当前MEC业务平台部署存在的问题.

摘要： 本文首先介绍5G技术标准中制定的业务指标和网络指标,然后说明为了满足5G网络指标,对MEC服务平台的需求.在此基础上介绍了MEC服务平台在LTE网络中的部署方案,进而再论述为了满足5G网络中MEC的部署方案和应用场景,以及当前MEC业务平台部署存在的问题.

摘要： 本公开提出一种移动边缘业务编排方法，涉及通信技术领域。本公开的一种移动边缘业务编排方法，包括：移动边缘业务编排器MEAO在对操作支持系统OSS的用户身份的合法性认证成功后，向所述OSS发送连接认证指令，其中，OSS包括第三方独立建设的OSS和归属于运营商的OSS；接收来自OSS的连接认证信息；根据所述连接认证信息中的用户身份执行实例化，以便为所述OSS配置用户身份对应的权限；向移动边缘平台管理器MEPM发送管理信息。通过这样的方法，MEAO能够对试图接入的OSS进行身份验证，为OSS配置对应的权限，从而实现OSS的灵活接入，实现为多样化的OSS提供个性化服务。

摘要： 本申请提供一种移动终端边缘计算方法、装置、边缘计算服务器及介质。该方法包括：获取待处理移动终端的业务处理请求，所述业务处理请求包括业务分包参数；基于所述业务分包参数确定多个计算业务切片；根据计算业务切片的切片算力规格，筛选获得多个目标移动终端；所述目标移动终端为对计算业务切片进行处理的移动终端；将所述计算业务切片调度到对应的目标移动终端进行处理，以获得对应的切片处理结果；根据所述切片处理结果获得业务包处理结果，并将所述业务包处理结果发送给所述待处理移动终端。本申请的方法，提高了本基站的边缘计算服务器作为调度节点的调度能力。

摘要： 本发明公开了一种移动边缘计算网络中基于分布式强化学习的隐私保护动态边缘缓存设计方法，具体为：首先将用户内容流行度动态性建模成无模型的马尔科夫链，然后将系统中各用户设备和服务器设备的缓存命中率最大化问题构建成一个隐私保护约束下的分布式优化问题。接着将该分布式优化问题转化为分布式无模型马尔科夫决策过程问题，并引入一种联邦学习方法用于隐私保护约束下的流行度预测。最后通过原分布式优化问题的转化，得到动作空间，状态空间和奖励函数系统配置。通过迭代学习，获得隐私保护约束下各个设备的动态变换缓存设计方法。实现移动边缘计算网络中用户隐私保护约束下的内容缓存动态更新，保护用户隐私的同时，获得更高的缓存命中率。

摘要： 本申请提供了一种基于移动边缘计算的计算卸载方法和移动边缘计算服务器，包括：确定本轮在不同移动边缘计算服务节点上处理卸载任务的时延；获取本轮多个用户终端的卸载任务对应的时延最小值之和以及本轮的卸载任务分配策略；确定下一轮在不同移动边缘计算服务节点上处理卸载任务的时延；获取下一轮多个用户终端的卸载任务对应的时延最小值之和以及下一轮的卸载任务的分配策略；本轮的时延最小值之和与下一轮的时延最小值之和的差值绝对值小于预定阈值或者本轮的卸载任务分配策略与下一轮的卸载任务分配策略相同时，按照下一轮的卸载任务分配策略分配每个用户终端的卸载任务。根据所述方法和服务器，能够有效降低移动边缘计算服务器的计算负担。

摘要： 本申请公开了一种移动边缘计算的资源调度方法及移动边缘计算系统。移动边缘计算的资源调度方法包括：根据第t时隙的系统状态，获取不同控制策略下的多个系统总代价；从多个系统总代价中选取最小值对应的控制策略作为第t时隙的控制策略；和在第t时隙根据第t时隙控制策略控制移动边缘计算系统进行资源调度。本申请提供的移动边缘计算的资源调度方法及移动边缘计算系统通过计算在第t时隙采用多种不同控制策略下产生的多个不同系统的总代价，并在多个系统总代价中选择最小值所对应的控制策略作为第t时隙的控制策略进行资源调度，使得在第t时隙的整个移动边缘计算系统的系统总代价最小，资源调度最为合理。

摘要： 本发明公开了一种移动边缘计算中路径切换方法、移动边缘计算平台及网关，用于源移动边缘计算平台的路径切换方法包括：在终端接入源接入点后，源移动边缘计算平台从所述源接入点接收上行数据；所述上行数据具体为所述终端针对所述源移动边缘计算平台发送的数据；在终端从源接入点切换到目的接入点后，所述源移动边缘计算平台从目的移动边缘计算平台接收所述上行数据。本发明中方法、MEC平台及网关有效解决移动边缘计算中由于接入点变化带来的应用数据丢失问题，保持了移动边缘计算网络中业务连续性。

摘要： 本发明公开了一种移动边缘计算网络中的边缘计算节点选择方法。该方法为：首先建立移动边缘计算系统模型；然后设计通信模型和边缘计算模型；接着提出边缘计算节点选择问题模型以及目标函数；最后针对目标函数分别采用边缘计算节点选择算法进行计算，结合终端设备的社交特性、传输特性和计算特性，以追求社交福利最大化为目标进行边缘计算节点的分配。本发明在用户和基站的匹配中，提高了移动边缘计算的社交效益以及整个网络的社交福利。

摘要： 本发明属于移动通信技术和计算机技术领域，具体涉及移动边缘计算中一种根据用户移动模式计算卸载的方法；所述方法包括建立异构网络中系统的通信模型；根据用户在目前时隙以及上一时隙分别与用户关联的MEC服务器位置坐标；计算出这两个MEC服务器坐标的距离；并确定出用户是否需要进行任务迁移；根据用户关联前后的MEC服务器坐标之间的距离，分别计算出用户体验质量和用户在移动模式下的延迟成本；将用户体验质量和在移动模式下的延迟成本之间的差值作为奖励，利用改进后的深度强化学习DQN算法优化用户体验质量总成本；本发明能够在事先不清楚用户的运动模式的情况下，对用户的任务做出迁移卸载决策，具有很强的泛化能力。

摘要： 本发明属于缓存技术领域，具体涉及一种移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，包括构建基于深度神经网络的移动终端行动轨迹的预测系统，通过该预测系统预测下一时刻用户的位置；构建热点服务预测系统，通过该系统预测热点数据；根据预测的热点数据，通过预测的用户位置与节点之间的关系以及根据各边缘节点之间缓存的差异来迭代更新缓存；相较于传统的LRU以及LFU，本发明能提前感知到流行度最高的内容，并提高缓存系统资源利用率。

摘要： 本发明公开了一种基于移动边缘计算的坑洞边缘图像目标检测系统。包括可见光摄像头、车端计算机、无线通讯设备和远端服务器；可见光摄像头安装在车辆上，在车辆行驶的过程中，由可见光摄像头对前方路面图像进行采集，通过车端计算设备，对图像进行边缘的提取并灰度化，初步减小图像的大小，并对图像进行分辨率的缩小，将缩小过后的图像通过车联网进行传输，传输到远端服务器；在远端服务器上，通过针对边缘图像设计的超分辨率算法将边缘图像还原为原来的分辨率，进行道路坑洞的目标检测，识别出道路坑洞的位置。通过提取图像边缘并压缩传输，大大减少了传输所需的带宽，提高整个系统的实时性。