计算卸载

摘要： 在工业互联网中,工厂的设备计算能力有限,边缘计算的出现有效缓解了现场设备的计算压力,提供低时延的计算服务。有效的计算卸载策略能够更好地提供高质量的服务,如今大多数有关计算卸载的研究都是移动边缘计算,移动边缘计算的卸载策略在工业互联网中不适用,因此研究工业互联网中基于边缘计算的计算卸载很有必要。为此,提出了基于云边协同的计算卸载框架以及系统模型;基于此系统模型,以最小化任务时延为目标,将问题形式描述为01整数规划问题,并提出了基于混合整数线性规划算法的计算卸载策略解决该问题。实验结果表明,与局部卸载方法和最小时延和能耗卸载方法相比,提出的基于云边协同的计算卸载方法在时延上分别降低了4%和10%,提高了系统性能。

摘要： 随着AI芯片软硬件架构的迭代升级,智能终端的AI处理能力日益增强。但由于终端自身资源的局限性,使终端AI应用仍存在着严格的计算、内存和能耗成本限制。设备协同计算的概念应运而生。重点研究智能终端深度学习模型计算决策技术,结合智能终端技术栈特性与用户隐私安全深入研究了DNN计算卸载系统管线,并提出一种适合智能终端AI应用落地的模型潜在分割点搜索策略,通过系统仿真对其进行性能评估。

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： 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： 卫星网络是5G/6G移动通信系统的重要组成之一,在低轨卫星互联网中引入星载边缘计算技术,可以进一步提供低时延服务。考虑到各卫星的计算任务需求存在不均衡特点,将地面站或用户终端的计算任务直接卸载给过顶卫星会造成负载不均及降低某些卫星运行时长的问题。由此考虑在不同卫星之间合理分配计算任务,通过将计算卸载问题建模为最优化问题并求解,给出了相关计算卸载算法。经过仿真评估,所提算法在负载均衡和流量开销方面都有一定优势。

摘要： 边缘计算环境下的计算卸载技术通过将移动终端设备的计算任务卸载到网络边缘执行,不仅解决了移动终端设备在计算能力、存储资源和续航时间等方面的不足,而且相比于集中式云计算,在请求时延、通信资源占用等方面具有明显优势。阐述了边缘计算卸载技术的应用背景和基本概念,梳理了边缘计算卸载步骤和主要的影响因素,详细研究了目前应用最为广泛的3种边缘计算卸载策略的原理和研究现状,即最小化请求时延的卸载决策、满足请求时延约束下最小化耗能的卸载决策、基于时延和能耗权衡的卸载决策,分析了上述策略面临的挑战,梳理了边缘计算卸载策略未来的研究方向。

摘要： 随着物联网(Internet of Things,IoT)的迅速发展,各种物联网移动设备(IoT Mobile Device,IMD)需要处理越来越多的计算密集型和延迟敏感型任务,这给移动边缘计算网络带来了新的挑战。为了应对这些挑战,装备移动边缘计算(Mobile Edge Computing,MEC)的超密集物联网应运而生。在该网络中,IMD可将计算密集型任务卸载至边缘计算服务器上进行处理,从而节省自己的计算资源并降低能耗。然而,这样会造成额外的传输时间,进而导致更高的延迟。为了均衡能耗与时延,针对多用户多任务的超密集物联网络,提出了一个最小化能耗和时延的均衡问题,以联合优化用户(IMD)关联、计算卸载和资源分配。为了进一步平衡网络负载,充分利用计算资源,在问题建模时采用多步计算卸载。最后,利用智能算法——自适应粒子群算法(Particle Swarm Optimization,PSO)对所提问题进行求解。相比传统粒子群算法,自适应粒子群算法能降低20%~65%的总开销。

摘要： 为了研究移动设备在多资源复杂环境下的能量消耗问题,提出一种针对移动边缘设备计算卸载的改进粒子群算法。首先基于多环境的移动设备能耗提出一种移动设备能量消耗的计算模型;其次针对计算资源分配问题设计一种可以用于衡量分配方案优劣的适应度算法;最后提出一种改进的粒子群算法,用于求解进一步降低移动边缘设备能耗分配方案的最优解。通过使用模拟仿真软件对多种卸载策略下移动设备能耗、系统响应时间等关键指标对比表明,本文算法在满足用户响应时间的前提下,在求解降低移动设备能耗调度分配方案最优解的过程中具有更优的表现。

摘要： 万物互联时代,以边缘计算模型为核心的大数据处理技术扮演着关键的角色。在边缘计算模型的运行中,伴生出大量的临时复制技术现象,主要体现在协同缓存和计算卸载过程中。这些技术现象驱动着新的生产关系的调整与变革。著作权法对其予以恰当的认识与规制,不仅事关著作权法上复制权的内涵与外延的界定,也关涉著作权人利益与社会公众利益的平衡。在法教义学上,需要从事实与价值的维度,运用体系化的方法进行综合判断。著作权法应明确将临时复制纳入复制权规制的范畴,并规定符合特定条件的临时复制属于合理使用。在此基础之上,合理构建著作权人、服务器出租人、服务器使用人等相关主体之间的责任分担机制。

摘要： 当前,物联网应用程序从环境中感知到大量数据,这些数据需要以最小的延迟进行处理。用户终端作为无处不在的网络终端设备,由于资源有限,无法在本地处理所有的计算。多接入边缘计算是处理网络边缘计算的良好架构,解决了诸如延迟、能源和成本等挑战。如果UE无法处理计算,MEC将把任务卸载到边缘或云上。研究表明,忽略应用程序、请求、传感器、资源和网络工具的上下文信息会导致卸载方法无法完成。因此,文章将对多用户的MEC中具备上下文感知卸载方法进行研究,通过对能量消耗、执行成本、网络使用率、延迟和公平性等指标的比较,证明考虑上下文感知算法将明显优于不考虑上下文感知算法,从而对优化卸载算法提供参考依据。

摘要： 本发明公开了一种卸载点位的卸载可用状态检测方法、装置及计算机设备，主要在于能够对卸载点位的卸载可用状态进行自动检测，从而能够提高卸载点位的卸载可用状态检测精度，降低人工成本。其中方法包括：在矿区车辆基于目标卸载点位进行倒车卸载的过程中，获取不同时间节点对应的挡墙点云；基于所述不同时间节点对应的挡墙点云，确定所述目标卸载点位在所述不同时间节点处的状态检测参数；根据所述不同时间节点对应的状态检测参数，判定所述目标卸载点位是否可以继续卸载。

摘要： 本发明公开了一种内核模块防卸载方法、防卸载装置及计算设备，方法在操作系统中执行，包括步骤：获取客户端配置的一个或多个受保护内核模块，基于所述一个或多个受保护内核模块建立受保护列表；检测对待卸载内核模块的卸载操作，并获取待卸载内核模块信息；基于所述待卸载内核模块信息和所述受保护列表来确定待卸载内核模块是否是受保护内核模块；以及如果是，则拒绝执行所述卸载操作。根据本发明的技术方案，实现了对内核模块的防卸载保护，以避免重要的内核模块被卸载，提高了操作系统的安全性。

摘要： 本发明公开了一种卸载点位的卸载可用状态检测方法、装置及计算机设备，主要在于能够对卸载点位的卸载可用状态进行自动检测，从而能够提高卸载点位的卸载可用状态检测精度，降低人工成本。其中方法包括：在矿区车辆基于目标卸载点位进行倒车卸载的过程中，获取不同时间节点对应的挡墙点云；基于所述不同时间节点对应的挡墙点云，确定所述目标卸载点位在所述不同时间节点处的状态检测参数；根据所述不同时间节点对应的状态检测参数，判定所述目标卸载点位是否可以继续卸载。

摘要： 本发明提供一种边缘计算中卸载任务的卸载方法、系统、介质及电子终端，所述方法包括：基于移动区块链，构建网络卸载模型；确定卸载任务的卸载比例配置；确定卸载任务的上传卸载策略；根据卸载比例配置和上传卸载策略，通过网络卸载模型对卸载任务进行卸载；构建卸载任务的效用函数，并优化效用函数，以提高卸载任务的卸载效率。基于移动区块链构建网络卸载模型，并通过该网络卸载模型对卸载任务进行卸载，将移动区块链应用于移动边缘计算的卸载任务处理中，可有效调用周边空闲设备进行协作卸载形成计算分流，提高了卸载任务的卸载效率和周边空闲设备的资源利用率；构建卸载任务的效用函数，并优化效用函数，进一步提高了卸载任务的卸载效率。

摘要： 本发明公开了一种基于移动边缘计算场景下的任务卸载方法，包括系统初始化；获取终端设备的待处理任务的任务信息和系统实时参数信息；根据待处理的任务信息和系统实时参数信息确定系统开销最小化的优化目标方程；将优化目标方程分解为两个子问题：任务卸载和信道分配子问题及传输功率和边缘服务器资源分配子问题；并对子问题进行求解得到最终的任务卸载方案；根据任务卸载方案对移动边缘计算场景进行任务卸载。本发明还公开了实现所述基于移动边缘计算场景下的任务卸载方法的任务卸载装置。本发明能够在满足设备终端服务质量要求的前提下，明显降低系统整体开销，而且可靠性高，适用性好。

摘要： 本发明涉及一种多接入边缘计算网络计算卸载系统及其计算卸载方法。一种多接入边缘计算网络计算卸载系统，基于算力网络图的多接入边缘计算网络计算卸载系统包括云端服务器、边缘智能网关和输入设备；一种多接入边缘计算网络计算卸载方法，通过采集用户数据，建立数据模型，任务调度客户端将处理结果上传至云端的展示平台进行展示。计算卸载的优化问题以全网络中计算任务的完成时延最小为优化目标，为用户提供了良好的用户体验与服务质量；计算卸载的优化算法为一种多项式时间复杂度的理论最优算法，为计算卸载对的最终效果提供了稳定的效用保证。

摘要： 本发明涉及一种云机器人边缘计算卸载模型及其卸载方法。本发明提供的技术解决方案首先建立边缘服务器放置模型，然后建立本地和边缘服务器处理任务的模型，然后建立博弈论模型；通过确定初始聚类中心；根据目标函数聚类；基于改进博弈论算法进行任务的卸载的方法进行卸载。本发明一方面从边缘服务器的放置问题进行研究，在云机器人与边缘服务器多对多的场景下，提出改进的k‑means算法，解决了单个边缘服务器工作负载压力过大、处理任务效率低的问题。另一方面，在边缘服务器放置研究基础之上，对于异构的云机器人部分任务卸载的问题，将任务进行细粒度分割，提出改进的博弈论算法，研究最优的卸载策略，降低了云机器人的能耗，缩短了任务的完成时间。

摘要： 本发明涉及一种多接入边缘计算网络计算卸载系统及其计算卸载方法。一种多接入边缘计算网络计算卸载系统，基于算力网络图的多接入边缘计算网络计算卸载系统包括云端服务器、边缘智能网关和输入设备；一种多接入边缘计算网络计算卸载方法，通过采集用户数据，建立数据模型，任务调度客户端将处理结果上传至云端的展示平台进行展示。计算卸载的优化问题以全网络中计算任务的完成时延最小为优化目标，为用户提供了良好的用户体验与服务质量；计算卸载的优化算法为一种多项式时间复杂度的理论最优算法，为计算卸载对的最终效果提供了稳定的效用保证。

摘要： 本发明属于移动边缘计算技术领域，具体涉及一种缓存卸载与计算卸载的联合移动边缘计算方法和系统。随着移动互联网的发展，为切实的保证学校师生的安全以及方便管理，在基站进行数据传输的同时，能够自主的对数据进行初步的处理分析，并将分析结果继续上传，进行下一步处理，本发明利用安防识别摄像头、基站、和中央处理器，实现了一种缓存卸载与计算卸载的移动边缘计算方法和系统，大大的增加了处理速度、提升了网络的资源利用率、计算资源利用率，有效平抑由能量采集引起的边缘计算节点的功能波动，保证了门禁系统的稳定性；本发明同样解决普通闸口出现电机损坏行人就不能通过的问题；并且本发明可以防止非法人员强行通过本装置。

摘要： 联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法，涉及卫星通信领域。本发明通过多个并行DNN网络生成卸载决策，并通过带宽分配算法为每个用户分配带宽，然后将生成的卸载决策存储在内存中，以进一步训练和改进所有DNN以获得接近最优的卸载决策。本发明可以得到理想的系统效用函数值，并且神经网络可以达到很好的收敛效果。本发明有效的解决了卫星边缘计算中的卸载决策问题和带宽分配问题，可以广泛在卫星边缘计算技术领域中应用。