关键词： 软件定义控制器   虚拟计算   云车网   移动计算   云计算  

摘要： 针对车联网在应对随机突发移动大数据计算请求时存在响应代价大、能耗高等服务质量问题,设计一种在线接入计算方案。通过建立自适应移动载荷评估机制,协同远程云端和边缘雾端共同为云车网节点确定移动计算规模,以确保移动车端获得时延级QoS。引入软件定义控制器全局在线监测和调度功能,采用虚拟计算机制为每个节点制定基于能耗最优的移动计算管理机制,以获得能耗级QoS。该方案不仅维持了节点属性差异化与移动大数据计算之间的对等性,双向评估策略也进一步稳固了计算结果的全局适应性。测试表明,较目前车联网QoS技术,本方案表现出了显著的相对优势。

关键词： 工业物联网   移动边缘计算   资源分配  

摘要： 工业物联网在数据采集和控制系统中发挥着越来越重要的作用。考虑工业网络中计算-网络资源受限问题,针对多个业务并行处理和传输需求,提出了一种三层移动边缘计算优化框架。该框架综合考虑丢包率、带宽分配和卸载策略对系统性能的影响,利用粒子群算法来优化多个子任务的资源分配策略,从而有效地降低系统延迟、能耗和成本。通过仿真实验验证了该方法的有效性,可以确保在有限的计算和通信资源下实现系统性能的最优化。

关键词： 移动边缘云   任务卸载   顺序任务   并发任务   完成时间  

摘要： 为了实现移动边缘云环境中移动设备任务执行时间的优化,提出一种任务卸载决策算法。算法考虑了更为普遍的任务结构类型,包含了顺序任务结构和并发任务结构。其主要发现有两点:(1)一个任务卸载执行,则较大可能其邻居任务也会卸载执行;(2)应用的执行时间可以通过将任务卸载至边缘云端最大化边缘云端与移动设备端的并行性来降低任务完成时间。对于顺序任务构成的线性拓扑任务图,算法可以找到最优的卸载任务群集;而对于并发任务的通用拓扑任务图,算法可以实现更好负载均衡的任务卸载决策。仿真实验结果证明,与基准算法相比,所提算法得到的任务完成时间与理论最优解更为接近,任务完成效率更高。

关键词： 移动边缘计算(MEC)   任务调度   实时调度算法   遗传算法  

摘要： 移动边缘计算(Mobile Edge Computing,MEC)属于一种先进、智能的计算模式,通过运用该模式可以对智能设备进行任务调度,使其调度到MEC服务器执行状态,避免智能设备资源出现受限问题。在进行移动边缘计算期间,在多用户场景下,任务调度问题通常对时延、任务产生一定的依赖,针对该问题,采用仿真实验的方式,对比和分析实时调度算法与遗传算法。实验结果表明,与遗传算法相比,实时调度算法的设计和运用,可以将智能设备能耗降到最低,还能在高并发、高时延的情况下,表现出良好的运行性能。

关键词： 微服务   计算机应用基础   移动教学平台  

摘要： 随着《计算机应用基础》课程学习的用户增多,对课程的学习需求也日趋复杂,为了满足多元化用户学习需求,对微服务架构、移动WEB开发技术展开了深入研究,并在此基础上设计与实现了一个移动教学平台,利用微服务框架实现系统服务的解耦和组件化,大大简化了系统开发的代码复杂性,提高了系统可扩展性与易维护性。

关键词： 风载荷   遮蔽效应   有限元  

摘要： 移动式海洋平台以往都是采用规范公式法作为单一形式的平台风载荷计算方法,这种方法相对比较保守。以渤海某大型桁架腿平台为研究对象,采用船级社规范计算法、MOSES程序有限元计算法、风洞试验法进行了风载荷计算,从计算结果中找到了各种方法计算风载荷的差异,并分析了造成差异的原因。并且以风洞试验法为基准,找到了更接近实际值的计算方法,为科学评估风载荷对平台稳性的影响提供了重要参考。

关键词： 移动边缘计算   安全防护   资源虚拟化   服务编排   组件协同联动  

摘要： 随着物联网和5G网络的快速发展,单纯依靠云计算的集中式数据处理方式将无法满足以物联网感知为背景的大规模数据处理需求。移动边缘计算(MEC)作为新兴计算范式,是云计算的有力补充。但MEC的开放特性加剧了其面临的非授权访问、敏感数据泄露、网络攻击等安全风险。文章基于MEC在5G网络环境中面临的安全风险,结合MEC网络基础支撑统一化、能力服务化、流程编排化等特点,提出移动边缘计算网络安全防护方案,突破安全功能高效虚拟化、安全云服务联动、安全服务动态编排、安全功能自适应部署与协同调度、态势感知和高级威胁检测等技术瓶颈,形成移动边缘计算网络安全纵深防御体系,对于推进移动通信网络信息安全建设具有重要意义。

关键词： 移动边缘计算   轨迹隐私   迁移成本   可用性   任务卸载  

摘要： 移动边缘计算是一种新型的计算范式,它将云计算能力从集中式云分布到网络边缘,可有效解决云计算实时性低及移动终端计算能力不足等问题。但由于用户移动的不确定性以及边缘服务器的覆盖范围的有限性,使得实现高效率的任务卸载面临挑战,并且现有可用性优先的任务卸载算法容易造成用户轨迹隐私泄露。针对上述问题,本文考虑了迁移成本、轨迹隐私与可用性三者之间的矛盾关系,基于信息论提出一种高可用性的在线隐私感知任务卸载机制。首先,基于真实轨迹与发布轨迹之间的互信息量化轨迹隐私泄露程度,并将该任务卸载问题转换为多目标优化问题;然后,进一步提出一种基于马尔可夫链的任务卸载方案来求解该优化问题;最后,在多约束场景下设计了面向设备端的轻量级在线任务卸载算法,解决了在迁移成本约束下轨迹隐私与感知时延的加权平衡问题,以及迁移成本与感知时延双重约束下的轨迹隐私泄露最小化问题。实验结果表明,本文提出的隐私感知任务卸载方案在不同约束场景下的安全性均优于其他方案,能以较低的感知时延实现轨迹隐私保护,适用于资源受限的移动设备进行快速决策与卸载。

关键词： 移动边缘计算   计算卸载   资源分配   深度确定性策略梯度  

摘要： 移动边缘计算(Mobile Edge Computing,MEC)将计算和存储资源下沉至网络边缘,靠近移动终端为用户提供服务,有效地减少了延迟。然而边缘基站中计算资源有限,计算卸载和资源分配是影响服务效率和节约能耗的关键因素。文章针对自适应计算卸载和资源分配环境,构建马尔科夫决策模型,基于强化学习的深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法求解模型,获得最小化时间延迟和能量消耗的计算卸载和资源分配策略。仿真结果表明,计算任务完成率获得较大提升,有效降低了能量消耗,减少了时间延迟。

关键词： 移动边缘计算   移动感知   计算卸载   资源分配   卸载算法  

摘要： 在移动边缘计算(MEC)中,用户设备将计算密集任务卸载至边缘服务器执行以降低执行时延与能耗,基于5G技术的新型应用要求计算过程支持设备的高速移动性,而目前计算卸载方案的研究大多集中于静态场景。为提高用户体验质量,在多设备与多MEC服务器场景下,对MEC中考虑设备移动轨迹的计算卸载方案进行研究。结合设备移动性、计算与通信资源、信道状态及任务需求等因素,将场景下的计算卸载方案设计为混合整数非线性规划问题。为降低求解难度,将上述问题分解为卸载服务器选择问题和固定服务器选择方案下的计算资源分配与子信道选择问题,采用凸优化技术及改进的Kuhn-Munkres算法对子问题进行求解,并依据子问题的解设计启发式卸载服务器选择算法,基于多项式时间复杂度获得次优卸载方案。通过EdgeCloudSim工具对本文卸载策略进行仿真,并与常用的卸载算法进行对比,实验结果表明,该算法在满足任务的实时性要求下,与穷举算法的平均系统效用差距控制在2.3%以内。