检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

数字孪生云边网络下服务缓存与计算卸载优化

系统仿真学报 2024年

作者：郑家瑜麦学陈哲毅福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学)

在移动边缘计算（Mobile Edge Computing，MEC）中，如何联合优化服务缓存与计算卸载以满足用户多样化需求是一个挑战性问题。同时，不合理的资源分配导致了低效的资源利用。针对这些重要挑战，引入了新兴的数字孪生（Digital Twin，DT... 详细信息

在移动边缘计算（Mobile Edge Computing，MEC）中，如何联合优化服务缓存与计算卸载以满足用户多样化需求是一个挑战性问题。同时，不合理的资源分配导致了低效的资源利用。针对这些重要挑战，引入了新兴的数字孪生（Digital Twin，DT）技术以实现物理网络到虚拟世界的映射，进而提出了一种新颖的基于凸优化使能深度强化学习的服务缓存与计算卸载联合优化（Joint optimization of service Caching and computation Offloading with Convex-optimization-enabled deep Reinforcement learning，JCO-CR）方法。首先，构建了一种新型的数字孪生云边网络（DT Cloud-Edge Networks，DTCEN）模型。接着，将服务缓存与计算卸载联合优化问题解耦为两个子问题并采用改进的深度强化学习方法和凸优化理论分别求解。大量仿真实验结果表明，与6种基准方法相比，JCO-CR方法能够有效降低长期服务延迟，并在不同场景下均展现出更加优越的性能。

关键词：移动边缘计算数字孪生服务缓存计算卸载深度强化学习凸优化

基于多变量时空反转Transformer的边缘负载预测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

小型微型计算机系统 2024年

作者：江庆南许浩然陈哲毅于正欣苗旺福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学) 兰卡斯特大学计算与通信学院埃克塞特大学计算机科学系

作为边缘系统中的一项关键技术，负载预测直接影响着资源分配和系统性能。传统的负载预测方法在面对具有明显趋势或规律的负载时可获得令人满意的预测效果。然而，鉴于边缘环境的高动态性以及多维数据的高度复杂性，传统方法往往难以取... 详细信息

作为边缘系统中的一项关键技术，负载预测直接影响着资源分配和系统性能。传统的负载预测方法在面对具有明显趋势或规律的负载时可获得令人满意的预测效果。然而，鉴于边缘环境的高动态性以及多维数据的高度复杂性，传统方法往往难以取得精确高效的负载预测。同时，时空信息的引入对边缘负载预测所能带来的潜在价值也尚未得到充分研究。针对这些问题，本文提出了一种新型的基于多变量时空反转Transformer的边缘负载预测方法（Multi-variable Spatio-Temporal Inverted Transformer，MSTIT）。所提出的MSTIT方法设计了一种静态内容感知层用于提取边缘负载时序数据的多维变量特征，并提出一种可学习的位置嵌入提取边缘节点位置的全局信息并以此捕获时序数据中的空间特征。接着，通过引入序列反转从而更好地利用Transformer的自注意力机制来关联多个变量与融合时空信息。因此，MSTIT 方法能够高效地提取边缘负载的关键特征，并充分利用时空信息，从而实现对多维、高动态边缘负载的准确高效预测。基于真实的边缘负载数据集，通过大量的实验验证和分析，证明了所提出的 MSTIT 方法的有效性。实验结果表明，与其他基准方法相比，MSTIT 方法具有更高的预测精度，并且在不同的预测场景下均表现出优异的性能。

关键词：边缘计算负载预测特征提取时空信息自注意力机制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

面向空天地一体化网络的切片划分与协作卸载

小型微型计算机系统 2024年

作者：王鹏飞郑霖睿于正欣苗旺陈哲毅福州大学计算机与大数据学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学) 兰卡斯特大学计算与通信学院埃克塞特大学计算机科学系

新兴的空天地一体化网络（Space-Air-Ground Integrated Networks，SAGIN）赋予移动边缘计算（Mobile Edge Computing，MEC）更广泛的通信覆盖范围与更灵活的网络接入能力.然而，多样化的用户需求与低效的资源利用严重影响了SAGIN中计... 详细信息

新兴的空天地一体化网络（Space-Air-Ground Integrated Networks，SAGIN）赋予移动边缘计算（Mobile Edge Computing，MEC）更广泛的通信覆盖范围与更灵活的网络接入能力.然而，多样化的用户需求与低效的资源利用严重影响了SAGIN中计算卸载的服务质量（Quality-of-Service，QoS）.现有研究工作大多针对静态环境或依赖系统先验知识，难以适应动态复杂的SAGIN环境.针对上述挑战，本文设计了一种新型的面向SAGIN的切片划分与协作卸载（Slice Partitioning and Collaborative Offloading，SPCO）框架.首先，提出了一种基于Transformer的切片资源划分方法，通过感知用户流量的变化趋势，实现高效的切片资源划分.接着，设计了一种基于改进深度强化学习（Deep Reinforcement Learning，DRL）的协作卸载与资源分配方法，通过应对Q值高估与高方差导致的难以收敛等问题，实现了通信和计算资源的合理分配以及异构平台的高效协作卸载.大量基于真实流量数据集的实验验证了SPCO的有效性.所提SPCO框架可有效增加服务商收益，且相较于其他基准方法可以取得更加优越的任务完成率与资源利用率.

关键词：空天地一体化网络网络切片协作卸载资源分配深度强化学习

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

针对差异化设备的任务卸载方法

小型微型计算机系统 2024年第8期45卷 1816-1824页

作者：余楚佳胡晟熙林欣郁陈哲毅陈星福州大学计算机与大数据学院福州350116 空间数据挖掘与信息共享教育部重点实验室福州350002 福建省网络计算与智能信息处理重点实验室(福州大学) 福州350116

在边缘计算中,为缓解移动设备计算能力、存储容量受限问题,通常将部分计算密集型任务卸载至边缘服务器.然而,由于移动设备计算能力的差异,无法为所有的移动设备制定统一的卸载方案.若对每个设备均单独进行训练,则无法满足时延需求.针对... 详细信息

在边缘计算中,为缓解移动设备计算能力、存储容量受限问题,通常将部分计算密集型任务卸载至边缘服务器.然而,由于移动设备计算能力的差异,无法为所有的移动设备制定统一的卸载方案.若对每个设备均单独进行训练,则无法满足时延需求.针对这一问题,本文提出了一种差异化设备上基于联邦深度强化学习的任务卸载方法.该方法使用环境内已有移动设备的卸载经验,结合深度Q网络和联邦学习框架,构建了一个全局模型.随后,使用新移动设备上少量经验在全局模型上微调以构建个人模型.基于多种场景的大量实验,将本文所提出方法与理想方案、Naive、全局模型和Rule-based算法进行对比.实验结果验证了本文所提出方法针对差异化设备任务卸载问题的有效性,能在花费较短时延的同时得到接近理想方案的卸载方案.

关键词：边缘计算任务卸载依赖感知深度强化学习联邦学习

移动边缘计算中基于Actor-Critic深度强化学习的任务调度方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

计算机应用 2024年第S1期44卷 150-155页

作者：黄一帆曾旺陈哲毅于正欣苗旺福州大学计算机与大数据学院福州350116 空间数据挖掘与信息共享教育部重点实验室(福州大学) 福州350002 福建省网络计算与智能信息处理重点实验室(福州大学) 福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW 普利茅斯大学工程、计算与数学学院英国普利茅斯PL48AA

移动边缘计算(MEC)通过将计算与存储资源部署至网络边缘,有效降低了任务响应时间并提高了资源利用率。由于MEC系统状态的动态性和用户需求的多变性,如何进行有效的任务调度面临着巨大的挑战,不合理的任务调度策略将严重影响系统的整体... 详细信息

移动边缘计算(MEC)通过将计算与存储资源部署至网络边缘,有效降低了任务响应时间并提高了资源利用率。由于MEC系统状态的动态性和用户需求的多变性,如何进行有效的任务调度面临着巨大的挑战,不合理的任务调度策略将严重影响系统的整体性能。现有工作通常对任务采用平均分配资源或基于规则的策略,不能有效地处理动态的MEC环境,这可能造成过多的资源消耗,进而导致服务质量(QoS)下降。针对上述重要问题,提出了一种MEC中基于Actor-Critic深度强化学习的任务调度方法(TSAC)。首先,提出了一种面向边缘环境的任务调度模型并将任务等待时间和任务完成率作为优化目标;其次,基于所提系统模型与深度强化学习框架,将联合优化问题形式化为马尔可夫决策过程;最后,基于近端策略优化方法,设计了一种新型的掩码机制,在避免智能体做出违反系统约束的动作和策略突变的同时提高了TSAC的收敛性能。基于谷歌集群真实运行数据集进行仿真实验,与深度Q网络方法相比,至少降低6%的任务等待时间,同时提高4%的任务完成率,验证了的可行性和有效性。

关键词：移动边缘计算任务调度深度强化学习掩码机制多目标优化

MEC环境中面向5G网络切片的计算卸载方法

在线全文

学校读者我要写书评

暂无评论

小型微型计算机系统 2024年第9期45卷 2285-2293页

作者：张俊杰王鹏飞陈哲毅于正欣苗旺福州大学计算机与大数据学院福州350116 大数据智能教育部工程研究中心福州350002 福建省网络计算与智能信息处理重点实验室(福州大学) 福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW 普利茅斯大学工程、计算机与数学学院英国普利茅斯PL48AA

5G网络切片与计算卸载技术的出现,有望支持移动边缘计算(Mobile Edge Computing,MEC)系统在降低服务延迟的同时提高资源利用率,进而更好地满足不同用户的需求.然而,由于MEC系统状态的动态性与用户需求的多变性,如何有效结合网络切片与... 详细信息

5G网络切片与计算卸载技术的出现,有望支持移动边缘计算(Mobile Edge Computing,MEC)系统在降低服务延迟的同时提高资源利用率,进而更好地满足不同用户的需求.然而,由于MEC系统状态的动态性与用户需求的多变性,如何有效结合网络切片与计算卸载技术仍面临着巨大的挑战.现有解决方案通常依赖于静态网络资源划分或系统先验知识,无法适应动态多变的MEC环境,造成了过度的服务延时与不合理的资源供给.为解决上述重要挑战,本文提出了一种MEC环境中面向5G网络切片的计算卸载(Computation Offloading towards Network Slicing,CONS)方法.首先,基于对历史用户请求的分析,设计了一种门控循环神经网络对未来时隙的用户请求数量进行精确预测,结合用户资源需求对网络切片进行动态调整.接着,基于网络切片资源划分的结果,设计了一种双延迟深度强化学习对计算卸载与资源分配进行决策,通过解决Q值过高估计和高方差问题,进而有效逼近动态MEC环境下的最优策略.基于真实用户通信流量数据集,大量仿真实验验证了所提的CONS方法的可行性和有效性.与其他5种基准方法相比,CONS方法能够有效地提高服务提供商的收益,且在不同场景下均展现出了更加优越的性能.

关键词：移动边缘计算网络切片计算卸载资源分配深度强化学习

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

多约束边环境下计算卸载与资源分配联合优化

小型微型计算机系统 2024年第2期45卷 405-412页

作者：熊兵张俊杰黄思进陈哲毅于正欣陈星福州大学计算机与大数据学院福州350116 福建省网络计算与智能信息处理重点实验室福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW

移动边缘计算(Mobile Edge Computing,MEC)将计算与存储资源部署到网络边缘,用户可将移动设备上的任务卸载到附近的边缘服务器,得到一种低延迟、高可靠的服务体验.然而,由于动态的系统状态和多变的用户需求,MEC环境下的计算卸载与资源... 详细信息

移动边缘计算(Mobile Edge Computing,MEC)将计算与存储资源部署到网络边缘,用户可将移动设备上的任务卸载到附近的边缘服务器,得到一种低延迟、高可靠的服务体验.然而,由于动态的系统状态和多变的用户需求,MEC环境下的计算卸载与资源分配面临着巨大的挑战.现有解决方案通常依赖于系统先验知识,无法适应多约束条件下动态的MEC环境,导致了过度的时延与能耗.为解决上述重要挑战,本文提出了一种新型的基于深度强化学习的计算卸载与资源分配联合优化方法(Joint computation Offloading and resource Allocation with deep Reinforcement Learning,JOA-RL).针对多用户时序任务,JOA-RL方法能够根据计算资源与网络状况,生成合适的计算卸载与资源分配方案,提高执行任务成功率并降低执行任务的时延与能耗.同时,JOA-RL方法融入了任务优先级预处理机制,能够根据任务数据量与移动设备性能为任务分配优先级.大量仿真实验验证了JOA-RL方法的可行性和有效性.与其他基准方法相比,JOA-RL方法在任务最大容忍时延与设备电量约束下能够在时延与能耗之间取得更好的平衡,且展现出了更高的任务执行成功率.

关键词：移动边缘计算计算卸载资源分配多约束优化深度强化学习

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于深度自回归循环神经网络的边缘负载预测

小型微型计算机系统 2024年第2期45卷 359-366页

作者：陈礼贤梁杰黄一帆陈哲毅于正欣陈星福州大学计算机与大数据学院福州350116 福建省网络计算与智能信息处理重点实验室福州350116 兰卡斯特大学计算与通信学院英国兰卡斯特LA14YW

为了更好地支持边缘计算服务提供商进行资源的提前配置与合理分配,负载预测被认为是边缘计算中的一项重要的技术支撑.传统的负载预测方法在面对具有明显趋势或规律性的负载时能取得良好的预测效果,但是它们无法有效地对边缘环境中高度... 详细信息

为了更好地支持边缘计算服务提供商进行资源的提前配置与合理分配,负载预测被认为是边缘计算中的一项重要的技术支撑.传统的负载预测方法在面对具有明显趋势或规律性的负载时能取得良好的预测效果,但是它们无法有效地对边缘环境中高度变化的负载取得精确的预测.此外,这些方法通常将预测模型拟合到独立的时间序列上,进而进行单点负载实值预测.但是在实际边缘计算场景中,得到未来负载变化的概率分布情况会比直接预测未来负载的实值更具应用价值.为了解决上述问题,本文提出了一种基于深度自回归循环神经网络的边缘负载预测方法(Edge Load Prediction with Deep Auto-regressive Recurrent networks,ELP-DAR).所提出的ELP-DAR方法利用边缘负载时序数据训练深度自回归循环神经网络,将LSTM集成至S2S框架中,进而直接预测下一时间点负载概率分布的所有参数.因此,ELP-DAR方法能够高效地提取边缘负载的重要表征,学习复杂的边缘负载模式进而实现对高度变化的边缘负载精确的概率分布预测.基于真实的边缘负载数据集,通过大量仿真实验对所提出ELP-DAR方法的有效性进行了验证与分析.实验结果表明,相比于其他基准方法,所提出的ELP-DAR方法可以取得更高的预测精度,并且在不同预测长度下均展现出了优越的性能表现.

关键词：边缘计算负载预测概率分布深度自回归循环神经网络

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

面向边缘车联网系统的智能服务迁移方法

系统仿真学报 2023年

作者：黄思进文佳陈哲毅空间数据挖掘与信息共享教育部重点实验室福州大学福建省网络计算与智能信息处理重点实验室福州大学计算机与大数据学院

移动边缘计算 (Mobile Edge Computing，MEC) 为车联网 (Internet-of-Vehicles，IoV) 应用提供了低延迟、高带宽的服务。针对车辆移动过程中服务质量 (Quality-of-Service，QoS) 下降的问题，提出了一种新型的基于凸优化使能深度强化学... 详细信息

移动边缘计算 (Mobile Edge Computing，MEC) 为车联网 (Internet-of-Vehicles，IoV) 应用提供了低延迟、高带宽的服务。针对车辆移动过程中服务质量 (Quality-of-Service，QoS) 下降的问题，提出了一种新型的基于凸优化使能深度强化学习的服务迁移 (Service Migration via convex-optimization-enabled deep Reinforcement learning，SeMiR) 方法。在SeMiR方法中，将优化问题分解为两个子问题并分别求解；针对服务迁移子问题，设计了一种基于改进深度强化学习的服务迁移方法，以探索最优迁移策略；针对资源分配子问题，设计了一种基于凸优化的资源分配方法，以推导给定迁移决策下每台MEC服务器的最优资源分配，从而支持服务迁移的性能提升。基于真实城市车辆轨迹数据集和小规模测试床，大量实验结果表明：与基准方法相比，SeMiR方法能够有效提升车辆的QoS，并且在各种场景下均展现出更加优越的性能。

关键词：移动边缘计算车联网服务迁移资源分配深度强化学习凸优化