分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2020-09-28 合作期刊: 《计算机应用研究》
摘要: 针对车联网中数据流量爆炸式增长而引起的业务响应时延过高的问题,提出了一种基于移动边缘计算的蚁群模拟退火算法缓存策略(ACSAM)。首先,在基于5G的“车-边-云”协同系统架构下,以最小化内容下载时延为目标,建立了通信计算模型;其次,采用蚁群算法构造了使内容下载时延最小的局部最优解;最后,使用模拟退火算法对局部最小下载时延进行扰动,并以一定概率接受新解,从而得到全局最小下载时延,即保证了内容被预缓存在最佳的位置。仿真结果表明,在车边云协同架构下,ACSAM缓存策略可显著减少传输冗余,降低下载时延。
分类: 计算机科学 >> 计算机科学技术其他学科 提交时间: 2023-01-17
摘要: 云计算可解决移动设备计算资源不足的问题,但无法满足低时延的服务需求,边缘计算作为云计算技术的延伸,可通过增强边缘网络计算能力从而为用户提供低时延高质量服务。边缘计算中,需要将服务部署于资源受限的边缘服务器,并根据需求合理分配计算资源,以提高边缘服务器资源利用率,为此,本文提出了一种基于深度强化学习的服务资源分配方法,利用反正切函数两次映射建立计算资源分配函数,并实现分配比例的动态调整,最后基于真实数据集进行仿真实验,实验结果表明,本文提出的方法能够在保证低时延的情况下,合理分配计算资源。 云计算可解决移动设备计算资源不足的问题,但无法满足低时延的服务需求,边缘计算作为云计算技术的延伸,可通过增强边缘网络计算能力从而为用户提供低时延高质量服务。边缘计算中,需要将服务部署于资源受限的边缘服务器,并根据需求合理分配计算资源,以提高边缘服务器资源利用率,为此,本文提出了一种基于深度强化学习的服务资源分配方法,利用反正切函数两次映射建立计算资源分配函数,并实现分配比例的动态调整,最后基于真实数据集进行仿真实验,实验结果表明,本文提出的方法能够在保证低时延的情况下,合理分配计算资源。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2019-05-10 合作期刊: 《计算机应用研究》
摘要: 随着移动互联网业务的快速发展,增强现实、虚拟现实、超清视频等手机应用逐渐普及、IoT应用不断涌现,计算能力和续航能力的不足成为限制智能终端设备成功支撑这些应用的主要瓶颈。针对这一现状,采用计算卸载的方式解决该问题,在多用户多移动边缘服务器的场景下,综合考虑智能设备性能和服务器资源,提出了一种基于改进拍卖算法的计算卸载策略。该策略包含两个主要阶段:卸载决策阶段,通过综合考虑计算任务自身大小、计算需求和服务器计算能力、网络带宽等因素,提出了卸载决策的依据;任务调度阶段,通过综合考虑计算任务的时间需求和MEC服务器计算性能提出了基于改进拍卖算法的任务调度模型。通过实验证明,提出的计算卸载策略能够有效地降低服务时延,减少智能设备能耗,改善用户体验。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2022-04-07 合作期刊: 《计算机应用研究》
摘要: 为了满足下一代网络在覆盖范围、部署成本以及容量方面的挑战,移动边缘计算(MEC)通常需要借助中继节点的辅助来完成计算密集型和延迟敏感型的任务。首先介绍了基于中继辅助MEC系统的基本架构,之后从任务卸载、资源分配和中继节点选择三方面对基于中继辅助MEC系统最新的研究方法进行归纳总结。更进一步,针对现有方法可能存在的问题与挑战进行了讨论与分析,并提出一些可行的解决方案为后续研究发展提供参考。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2019-05-10 合作期刊: 《计算机应用研究》
摘要: 移动边缘计算(MEC)技术将IT服务环境与云计算技术在网络边缘相结合,提高边缘网络的计算和存储能力,减少网络操作和服务交付时延。应用MEC的车载网络,可以满足车辆对服务延时和通信可靠性的严格要求,提升车辆用户的服务质量(QoS)。对移动边缘计算在车载网中的应用进行分析研究,首先概述MEC的基本概念及架构、典型应用场景;然后介绍MEC在车载网中的应用、基于软件定义网络(SDN)的车载网MEC研究现状以及车载网MEC应用实例;最后给出了车载网中部署MEC所要面临的问题和挑战,并对该领域未来进一步的研究方向进行了展望。
分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2022-05-10 合作期刊: 《计算机应用研究》
摘要: 无人驾驶汽车由于其有限的电池寿命和计算能力,难以在保证续航的前提下满足一些时延敏感任务或密集任务的处理需求。为解决该问题,在移动边缘计算(mobile edge computing,MEC)的背景下,提出了一种基于深度Q网络(deep Q-network,DQN)的无人驾驶任务卸载策略。首先,定义了一个基于任务优先级的“车-边-云”协同任务卸载模型,其需要通过联合优化车辆计算能力与任务卸载策略以获取系统最小延迟和能耗。由于该问题是个混合整数非线性规划问题,因此分两步对其进行求解—通过数学推导得出了最优车辆计算能力的解析解,之后在其数值固定条件下,基于DQN算法获得了任务最佳卸载策略。最后,综合SUMO、Pytorch和Python等工具建立了仿真模型,比较了DQN算法和其他三种算法在任务负载、MEC服务器计算能力以及能耗权重系数变化情况下的性能,实验结果验证了所提策略的可行性和优越性。