关键词： 电力物联网   约束优化   遗传算法   移动边缘计算   卸载策略  

摘要： 由于云计算框架中的传播延迟无法满足电力物联网对低延迟和可靠性的要求,在移动边缘计算框架的基础上,提出一种基于电力物联网的云-边缘网络结构,并对业务响应时延进行建模。通过约束优化和改进遗传算法相结合求解优化模型,得出最优计算卸载策略。通过仿真进行对比分析,验证提出的移动边缘计算卸载策略的有效性。结果表明,该策略在提高业务处理可靠性的同时,也大幅度降低了故障情况下业务响应时延,与仅重传策略的延迟性能相比,该策略延迟性能提高了6.4%。综上,该研究可对电力物联网的发展提供一定的参考和借鉴。

关键词： 移动群智感知   边缘计算   数据汇聚   计算卸载   资源分配   深度强化学习  

摘要： 当前“云-端”式移动群智感知(MCS,Mobile Crowd Sensing)系统面临负载过重的问题，导致数据汇聚过程中时延和能耗显著增加，从而降低了数据汇聚的效率。针对该问题，提出了一种基于AP-DQN的“云-边-端”MCS计算卸载算法。首先，考虑时延和能耗的均衡优化建立效用函数，以最大化系统效用作为优化目标。其次，优化P-DQN算法，提出一种联合资源分配的计算卸载算法AP-DQN，结合MCS优势，将空闲用户作为卸载设备之一。最后，使用该方法求解问题。实验结果显示，与已有算法相比，所提方法能有效提高数据汇聚效率，并具有很好的稳定性。

关键词： 无人机   移动边缘计算   智能超表面  

摘要： 当今移动通信和计算领域移动边缘计算(Mobile Edge Computing, MEC)已成为提高性能和用户体验的关键技术之一,利用智能超表面(Reconfigurable Intelligent Surface, RIS)和无人机(Unmanned Aerial Vehicle, UAV)技术辅助的MEC系统,在网络性能提升、时延降低、计算和通信资源分配优化以及适应性方面具有显著优势,引起了学术界和工业界的广泛关注。系统地讨论了RIS辅助的UAV MEC(RIS-assisted UAV MEC,RU-MEC)系统中的协作方式,梳理了RU-MEC系统在设计过程中需要考虑的关键问题以及可采取的解决方法,阐述了未来的研究方向,包括RIS和UAV技术的进一步创新、系统安全性和可靠性增强,以及在各种场景中的广泛应用。

关键词： 移动边缘计算   位置隐私保护   差分隐私   维诺图   地理不可区分机制  

摘要： 针对目前移动边缘计算位置隐私保护算法导致用户任务卸载时服务质量降低的缺点，提出一种融合维诺图机制和?-地理不可区分机制的位置隐私保护策略V-Geo。首先，云服务器以地图中的边缘节点作为维诺图的生成元，采用逐点插入法生成维诺图，将地图划分为若干维诺格，并将地图划分数据分发至地图中的用户；其次，用户以自身所在维诺格为安全区域，融合?-地理不可区分机制在该维诺格范围内基于自身真实位置生成一个虚假位置用于代替真实位置进行任务卸载；最后提出一种融合时延、能耗和距离损失的服务质量损失模型，该模型根据用户对时延、能耗和距离损失的不同需求评估用户任务卸载时的服务质量高低。以场景内所有用户的服务质量损失模型作为指标，改变时延、能耗和距离损失的权重占比进行仿真，仿真结果证明在同等的隐私保护程度下，V-Geo算法较基于本地差分隐私的改进算法（V-R）用户的服务质量损失平均减少了31.2%。同时证明了在不同用户数量和不同边缘节点数量下，V-Geo算法较其他算法依旧存在优势。

关键词： 移动边缘计算   计算卸载   强化学习   Q-learning  

摘要： 目前大多计算卸载策略是在任务整体卸载情况下进行的,且仅考虑时延或能耗单一指标,未将二者结合进行优化,为此,以任务处理的时延与能耗加权和为优化目标,提出一种基于强化学习的部分卸载算法。将单个任务的处理分为本地计算和部分卸载两种方式,且在部分卸载中引入了变量确定卸载权重,最后利用强化学习Q-learning完成了所有任务的计算卸载与资源分配。实验结果表明,所提算法能有效降低任务处理的时延与能耗。

关键词： 隐蔽移动边缘计算   空地协同   无人机   能耗优化   交替迭代优化算法  

摘要： 针对实际应用中难以获取看守者准确位置信息的问题，提出了鲁棒的空地协同隐蔽移动边缘计算系统的能耗优化算法。在只知道看守者估计位置信息的条件下，分别从看守者和无人机的角度分析隐蔽性约束，通过联合优化计算任务分配因子、无人机-地面基站关联因子、无人机功率以及飞行轨迹，建立了无人机的加权总能耗最小化问题的数学模型。基于块坐标下降法、S-引理和连续凸近似法，提出了一种带参数的三阶段高效交替迭代优化算法，解决所提出的非凸优化问题。仿真实验结果表明，所提算法在节省能耗的同时，增大了给定隐蔽率约束下的卸载任务量，且具有良好的收敛性。

关键词： 移动边缘计算   资源分配   缓存优化   势博弈   李雅普诺夫优化  

摘要： 移动边缘计算研究中,边缘服务器通过缓存任务数据可以有效节约计算资源,但如何分配缓存资源解决边缘服务器的竞争关系,以及能耗和效益问题,达到系统性能最优是一个NP难问题。为此提出基于缓存优化的在线势博弈资源分配策略OPSCO(online potential-game strategy based on cache optimization),采用新的缓存替换策略CASCU(cache allocation strategy based on cache utility),最大化缓存的效用。通过优化边缘服务器的效益指示函数,将缓存替换代价等因素与李雅普诺夫优化、势博弈以及EWA(exponential weighting algorithm)算法结合,对边缘服务器的竞争关系建模,进行势博弈相关证明和分析。仿真结果表明,OPSCO相比于其他资源分配策略,可以明显提升任务完成率和缓存效用,并降低设备能耗和时间开销,解决了移动边缘计算在线缓存场景中的资源分配以及数据缓存问题。

关键词： 移动边缘计算   计算力池   端池化   分簇   激励  

摘要： 经典的移动边缘计算是将计算任务从云计算迁移到移动边缘,终端用户的计算任务请求可智能选择在云端和边缘处理,这都取决于强大的基站通信能力。在基站覆盖力不足,外节点无法接入基站,乃至基站通信缺失的场景下,计算任务无法通过云计算与边缘计算进行处理。因此,提出一种基于贡献度激励的端池化解决方案。该方案由终端提供自身可用计算力,通过端池化帮助基站完成任务计算,针对终端的管理,提出基于算力池最大化的动态分簇算法,该算法利用不同终端作为簇首的差异性聚簇,得到综合算力池最大时的分簇方案;针对基站覆盖力不足的情况,外围节点根据其历史贡献度指标,通过移动自组织网络与内部节点连接,该激励策略能提升内部节点的连接意愿,以此提高外节点的接入率,扩宽基站覆盖范围,解决基站弱覆盖的问题。仿真结果表明,对比其他方案,CETP方案能在云计算与边缘计算无法实施的情况下,利用端池化过程得到最大算力池,能以最短的时延完成计算任务。

关键词： 移动边缘计算   不确定性任务   任务卸载   负载均衡   自适应  

摘要： 移动边缘计算场景中任务的不确定性增加了任务卸载及资源分配的复杂性和难度.鉴于此,提出一种移动边缘计算不确定性任务持续卸载及资源分配方法.首先,构建一种移动边缘计算不确定性任务持续卸载模型,通过基于持续时间片划分的任务多批次处理技术应对任务的不确定性,并设计多设备计算资源协同机制提升对计算密集型任务的承载能力.其次,提出一种基于负载均衡的自适应策略选择算法,避免计算资源过度分配导致信道拥堵进而产生额外能耗.最后,基于泊松分布实现了对不确定任务场景模型的仿真,大量实验结果表明时间片长度减小能够降低系统总能耗.此外,所提算法能够更有效地实现任务卸载及资源分配,相较于对比算法,最大可降低能耗11.8%.

关键词： 6G   空天地一体化网络   移动边缘计算   联邦学习   人工智能  

摘要： 下一代无线通信技术将通过支持智能交通、智能医疗、虚拟现实/增强等服务来提高用户的体验质量。这些新兴的服务通常都是计算密集型和时延敏感型的,必须满足严格的时延、能耗和可靠性要求,而基于云计算的服务难以满足这些要求。为了解决以上问题,提出移动边缘计算(Mobile Edge Computing,MEC)技术,解决将卸载请求回传到云计算中心所具有的高时延和高带宽消耗的问题。空天地一体化网络(Space-Air-Ground Integrated Network,SAGIN)作为6G的重要研究方向,可以弥补全球范围内的巨大覆盖缺口,受到广泛关注。通过将MEC技术、联邦学习技术和人工智能技术引入SAGIN,高效管理网络中海量、异构的资源,构建低时延、低能耗、高可靠性的SAGIN,以支持新兴的各种服务。