检索结果-南通市图书馆

车载边缘计算网络中基于MAB的动态任务卸载方案研究

在线全文

学校读者我要写书评

暂无评论

计算机科学 2023年第S02期50卷 725-733页

作者：薛建彬王海牛关向瑞郁柏文兰州理工大学兰州730050

将移动边缘计算技术应用到车载网络所形成的车载边缘计算系统,能够通过任务卸载为其他移动设备提供计算服务。然而,由于车载设备的移动性,导致了车载任务卸载环境是动态变化和不确定的,具有快速变化的网络拓扑、无线信道状态和计算负载... 详细信息

将移动边缘计算技术应用到车载网络所形成的车载边缘计算系统,能够通过任务卸载为其他移动设备提供计算服务。然而,由于车载设备的移动性,导致了车载任务卸载环境是动态变化和不确定的,具有快速变化的网络拓扑、无线信道状态和计算负载,这些不确定性让任务卸载过程非理想化。针对这些不确定性,考虑将MEC服务器的计算资源下沉到车载设备,研究车辆之间的任务卸载,并提出了一种解决方案,使得车辆能够在未知状态信息的前提下学习周围车辆的服务性能并卸载任务。基于多臂老虎机框架,设计了一种二阶探索的强化学习算法,以最大化用户平均卸载回报,并且在一个卸载阶段结束后提出了一种服务集更新方式,以保证用户的服务质量。仿真结果表明,与现有的基于置信上限的算法相比,所提方案下的卸载回报提高了约34%。

关键词： 6G 车载边缘计算多臂老虎机任务卸载强化学习

在线全文

学校读者我要写书评

暂无评论

车载边缘计算卸载技术研究综述

电子学报 2021年第5期49卷 861-871页

作者：刘雷陈晨冯杰肖婷婷裴庆祺西安电子科技大学综合业务网理论及关键技术国家重点实验室陕西西安710071

通过将移动边缘计算技术应用在车联网,车载边缘计算技术可为车载用户提供低时延、高带宽、高可靠性的应用服务.首先详细介绍了车载边缘计算卸载技术的背景、意义以及本文的贡献.其次,分别概述了车载边缘计算卸载技术的网络架构、主要挑... 详细信息

通过将移动边缘计算技术应用在车联网,车载边缘计算技术可为车载用户提供低时延、高带宽、高可靠性的应用服务.首先详细介绍了车载边缘计算卸载技术的背景、意义以及本文的贡献.其次,分别概述了车载边缘计算卸载技术的网络架构、主要挑战以及应用场景.然后,从移动分析、卸载模式、资源协作和管理等多个维度全面综述了车载边缘计算卸载技术的研究工作.最后,对车载边缘计算卸载技术的未来研究进行了展望,可对该领域深入的研究提供有价值的参考.

关键词：车联网移动边缘计算车载边缘计算计算卸载资源管理边缘智能

车载边缘计算网络下基于深度强化学习的动态资源规划研究

在线全文

学校读者我要写书评

暂无评论

车载边缘计算网络下基于深度强化学习的动态资源规划研究

作者：王海牛兰州理工大学

学位级别：硕士

近年来,随着车联网技术的发展与车载设备的不断更新,出现了大量计算密集且时延敏感型车载应用,对系统带宽资源以及终端的计算和数据处理能力等提出了严苛的要求。将移动边缘计算技术应用到车载网络所形成的车载边缘计算系统,能够通过任... 详细信息

近年来,随着车联网技术的发展与车载设备的不断更新,出现了大量计算密集且时延敏感型车载应用,对系统带宽资源以及终端的计算和数据处理能力等提出了严苛的要求。将移动边缘计算技术应用到车载网络所形成的车载边缘计算系统,能够通过任务卸载为其他移动设备提供计算服务,这种计算范式能够提高车载设备服务质量与系统内资源利用率。然而,由于车辆的移动性,导致车载任务卸载环境是动态变化和不确定的,具有快速变化的网络拓扑、无线信道状态和计算负载,这些不确定性使得任务卸载过程非理想化。并且传统的基于V2V的任务卸载方案更多关注资源分配,很少考虑由设备服务差异引发的通信安全问题,且忽视了任务卸载过程中的连续动作决策制定。为解决以上问题,本文制定由路侧单元(RSU)管理下高效的V2V卸载方案,提高车载设备的空闲计算资源利用率,并通过优化卸载决策与资源分配,降低任务延迟,在提高系统安全性能的同时满足用户体验质量。主要研究内容如下:1.在车载边缘计算系统中,针对车载任务卸载环境的不确定性,论文将移动边缘计算(MEC)服务器的计算资源下沉到车载设备,研究基于V2V的任务卸载的解决方案,使得车辆能够在未知状态信息的前提下学习周围车辆的服务性能并卸载任务。基于多臂老虎机框架,设计了一种二阶探索的强化学习算法,该算法将二阶卸载回报差值考虑在探索项中,进一步完善适合未知状态信息场景下决策对象的置信空间,以最大化用户平均卸载回报,并且在一个卸载阶段结束后建议了一种服务集更新方式,以保证用户的服务质量。仿真结果表明,与现有的基于置信上限的算法相比,本文所提方案下的卸载回报提高了约34%。2.针对VEC中的通信安全问题,提出了一种高效的基于信誉的V2V车辆协同任务卸载方案,该方案考虑资源提供者存在由于任务传输失败或计算时延过长而引发的数据安全隐患问题,为车辆制定可靠的卸载决策,并指导通信与计算资源分配。首先在建模时设计了一种信誉机制来评判车辆服务性能,该机制综合考虑资源分配情况、任务传输成功率、处理时延等因素。其次,设计了一种基于深度确定性策略梯度(DDPG)的任务卸载算法,以获得车辆协同环境下的最优卸载策略,有效解决连续控制问题,实现快速收敛。最后进行大量的仿真实验,结果表明,该方案相对于现有一些深度学习方案性能平均提高约16.3%。

关键词：信誉机制车载边缘计算任务卸载资源分配多臂老虎机深度确定性策略梯度

车载边缘计算中基于车辆协作的任务卸载和资源分配研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

车载边缘计算中基于车辆协作的任务卸载和资源分配研究

作者：邓琪中南大学

学位级别：硕士

随着信息技术的快速发展,诸如智能座舱、虚拟现实、自动驾驶等智能车载应用日益涌现,然而车辆有限的计算资源严重影响车载应用性能。车载边缘计算(VEC)作为一种有前景的范式,为车载应用提供相对充足的计算资源和低时延的计算服务。然而... 详细信息

随着信息技术的快速发展,诸如智能座舱、虚拟现实、自动驾驶等智能车载应用日益涌现,然而车辆有限的计算资源严重影响车载应用性能。车载边缘计算(VEC)作为一种有前景的范式,为车载应用提供相对充足的计算资源和低时延的计算服务。然而,随着车载应用的数据量和计算规模不断增加,边缘服务器无法满足日益增长的资源需要,扩充边缘节点的计算资源并对资源进行合理分配将进一步改善VEC框架的性能。因此,本文主要研究了车载边缘计算中基于车辆协作的任务卸载和资源分配策略,主要研究内容如下。结合边缘服务器静态部署不足的问题,本文提出了一种基于边缘众包的车辆任务卸载策略。首先,本文提出一个基于软件定义网络(SDN)的VEC-ECP框架,利用停车场中的电动汽车辅助边缘服务器处理计算任务,建立了一个边缘众包平台(ECP)来管理并整合停车场中电动汽车的闲置资源,用于为请求车辆提供高质量的计算服务。其次,本文基于斯塔克尔伯格博弈分析了请求车辆、边缘服务器和ECP之间的交互,并用逆向归纳法证明斯塔克尔伯格博弈存在纳什均衡。最后,本文使用基于遗传算法的博弈策略求解算法(GSA)得到边缘服务器和ECP的最佳策略。为了提高车载边缘计算中有限资源的利用率,降低任务时延和系统能耗,本文提出了一种基于竞拍算法的车辆任务资源分配策略。首先,本文构建了一个基于ECP的车辆任务资源分配模型(ECP-P)。其次,本文提出了一个车辆任务优先级队列生成算法(TPA),将ECPP模型中的车辆任务根据任务的紧急程度、时延敏感度和任务量大小进行优先级排序。最后,本文提出了停车车辆竞价模型和ECP资源分配模型,停车车辆根据任务处理能耗、相对计算能力、任务等待时间和任务处理时间4个因素确定对任务的竞价,ECP执行车辆任务资源分配算法(VRAA)将任务卸载到竞价成功的停车车辆,完成资源分配。仿真实验表明,与没有ECP参与的任务卸载策略相比,VEC-ECP方案可以使边缘服务器和请求车辆的效用分别提高14.52%和10.99%。与使用传统竞拍算法的资源分配策略相比,系统效用提高13.26%。图26幅,表4个,参考文献78篇

关键词：车载边缘计算任务卸载斯塔克尔伯格博弈资源分配停车车辆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

车载边缘计算中计算卸载与负载均衡研究

车载边缘计算中计算卸载与负载均衡研究

作者：唐蒋俊哲中南大学

学位级别：硕士

在车载边缘计算(Vehicular Edge Computing,VEC)中,越来越多车辆都选择将计算任务卸载到边缘服务器上,不仅引发车辆对边缘服务器资源的激烈竞争,造成其他计算设备资源不能被充分利用,还会导致边缘服务器负载过高。因此,如何让VEC网络下... 详细信息

在车载边缘计算(Vehicular Edge Computing,VEC)中,越来越多车辆都选择将计算任务卸载到边缘服务器上,不仅引发车辆对边缘服务器资源的激烈竞争,造成其他计算设备资源不能被充分利用,还会导致边缘服务器负载过高。因此,如何让VEC网络下所有计算设备协同工作以提高资源的利用成为当下热门的研究方向。本文对多计算设备协同工作方式进行深入研究,重点关注用户计算任务卸载和边缘服务器的负载均衡问题。主要工作如下:(1)针对VEC计算卸载问题,提出了一种云-边-端协同的计算卸载算法。考虑单边缘服务器多用户多任务的VEC场景,在进行计算卸载时,将边缘服务器覆盖范围内所有计算设备作为候选目标,建立最小化系统开销的优化问题。提出基于深度强化学习的协同计算卸载算法(CCO)进行求解。实验结果表明,CCO算法相比基准算法在降低系统开销和提高任务成功率上有着明显的提升。(2)针对边缘服务器的负载均衡问题,提出面向负载均衡的计算任务迁移算法。考虑基于软件定义网络(Software Defined Network,SDN)控制器的分层车载边缘计算架构,由SDN控制器收集所有边缘服务器的资源使用状态以及待处理计算任务集合信息,通过合理的任务迁移决策,实现多个边缘服务器之间的负载均衡。对负载管理过程进行建模,建立最小化各边缘服务器之间的负载均方差的优化问题,并提出基于深度强化学习的负载均衡算法(MALB)对该问题进行求解。实验结果表明,与基准算法相比,MALB算法能够在更少的任务迁移次数和决策时间内实现各边缘服务器之间的负载均衡。图34幅,表5个,参考文献69篇

关键词：车载边缘计算计算卸载负载均衡协同计算深度强化学习

车载边缘计算环境下基于容器技术的计算迁移研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

车载边缘计算环境下基于容器技术的计算迁移研究

作者：陈飞龙云南大学

学位级别：硕士

随着智能车辆行业与车辆应用的发展,车辆对感知,计算与通信的需求不断提高。移动边缘计算与车联网进行融合的车载边缘计算架构,通过部署路侧单元,边缘计算设备以及云服务器等计算资源,将网络下沉至车辆终端,能够有效解决车辆自身计算能... 详细信息

随着智能车辆行业与车辆应用的发展,车辆对感知,计算与通信的需求不断提高。移动边缘计算与车联网进行融合的车载边缘计算架构,通过部署路侧单元,边缘计算设备以及云服务器等计算资源,将网络下沉至车辆终端,能够有效解决车辆自身计算能力不足,通信与移动性管理的问题。虚拟化技术是边缘计算的支撑技术,能够有效对任务进行分发管理,而容器技术作为虚拟化技术的最新进展,依托其轻量化、隔离性、灵活的生命周期管理特点能大大提高车载任务的可用性。在车联网环境中,车辆移动性造成的可用计算资源与通信网络拓扑变化导致计算服务不可用,影响用户体验。因此如何通过合理地选择场景中通信与计算资源,进行计算迁移来满足应用时延,服务连续性等需求是本文的研究重点。本文首先对基于蜂窝车联网(Cellular-vehicle to everything,C-V2X)的车载边缘计算场景下串行计算任务容器化迁移过程建模,提出基于移动性感知的动态迁移算法,利用车辆链路可靠性与计算资源匹配度对环境中计算资源进行选择,同时考虑当前子任务迁移决策对后续子任务迁移的影响,将资源映射问题转化图论方法求解,对整个迁移过程中的任务完成时间进行优化。实验表明,所提算法能有效缩短了任务的完成时间,提高任务成功率,在不同环境条件下具有良好的适应性与稳定性。然后,本文针对C-V2X与专用短程直连通信的多种通信与计算资源的车联网环境下的计算迁移问题进行分析,提出联合通信切换和计算迁移的自适应算法。算法基于车辆与环境信息,进行通信接入节点与计算迁移节点进行选择,通过权衡端到端时延优化收益与通信-计算迁移开销,将问题描述为整数线性规划问题,通过分支定界思想对资源进行自适应调整选择以适应动态变化的场景。实验数据表明,所提算法能够有效降低应用端到端时延,减少服务中断时间,适应异构车联网高速变化,满足用户服务低延时、连续性的需求。

关键词：车载边缘计算计算迁移 C-V2X 容器技术通信切换

车载边缘计算中基于深度强化学习的计算卸载与资源分配研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

车载边缘计算中基于深度强化学习的计算卸载与资源分配研究

作者：何坤中南大学

学位级别：硕士

随着第五代移动通信技术(5G)时代的到来,诸如自动驾驶、安全预警系统等新兴车载应用逐渐兴起,车辆自身有限的计算资源难以满足这些应用对计算和时延需求。在车载边缘计算(VEC)中,计算卸载技术允许车辆将计算任务卸载至其它边缘计算节点... 详细信息

随着第五代移动通信技术(5G)时代的到来,诸如自动驾驶、安全预警系统等新兴车载应用逐渐兴起,车辆自身有限的计算资源难以满足这些应用对计算和时延需求。在车载边缘计算(VEC)中,计算卸载技术允许车辆将计算任务卸载至其它边缘计算节点上执行,进而解决车辆自身计算能力不足的问题。然而,边缘节点的计算资源也是有限的,如何合理地制定卸载策略、充分利用边缘节点的计算资源成为了降低任务执行时间的关键。传统的优化算法计算复杂度非常大,缺乏很好的学习能力,难以适应动态变化的网络环境。因此,本文引入深度强化学习来解决VEC环境下计算卸载与资源分配问题,主要研究内容如下:(1)提出基于深度强化学习的自适应任务卸载策略。针对任务不可拆分的场景,研究了VEC环境下的“端-边-云”协同卸载问题,为了最大程度降低任务的处理时间,将该卸载问题描述为一个多条件约束下的最小化任务处理时间优化问题。由于该问题一个混合整数线性规划问题,使用诸如博弈论等传统优化算法很难求解。针对以上考虑,本文提出了一种基于Q学习(Q-learning)的计算卸载方案COQL和一种基于深度Q学习(DQN)的自适应卸载方案CODQL。仿真实验结果表明,CODQL方案比COQL方案具有更好的性能,此外,相比于基线方法,所提方案能够有效降低任务总处理时间。(2)提出基于深度强化学习的具有任务依赖关系的计算卸载与资源分配方案。针对车辆应用中具有任务依赖关系的计算卸载问题,本文首先使用有向无环图(DAG)对应用建模。其次,确定DAG中每个子任务的优先级,得到任务调度的优先级序列。然后,将计算卸载问题转化为马尔科夫决策过程(MDP)。此外,考虑到在计算卸载问题中,任务卸载决策这个动作是离散的,计算资源分配这个动作是连续的,因而MDP的动作空间中同时包含离散动作和连续动作。针对DQN存在无法有效处理连续动作的问题,提出了一种基于DQN和深度确定性策略梯度算法(DDPG)相结合的计算卸载与资源分配方案。仿真实验结果表明,所提方案能够有效提高应用完成率、降低应用的平均完成时间。图25幅,表7个,参考文献61篇

关键词：车载边缘计算深度强化学习计算卸载资源分配

车载边缘计算中高效的数据迁移服务与激励机制研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

车载边缘计算中高效的数据迁移服务与激励机制研究

作者：张侃文中南大学

学位级别：硕士

在车载边缘计算(VEC)中,卸载任务的执行不仅需要请求车辆上传的任务数据,还需要一些额外的数据(如数据库、链接库等任务执行环境数据)来支撑任务的顺利完成,而如何高效地缓存和获取这些支撑数据成为了任务卸载的关键问题。由于提供任务... 详细信息

在车载边缘计算(VEC)中,卸载任务的执行不仅需要请求车辆上传的任务数据,还需要一些额外的数据(如数据库、链接库等任务执行环境数据)来支撑任务的顺利完成,而如何高效地缓存和获取这些支撑数据成为了任务卸载的关键问题。由于提供任务卸载服务的VEC服务器可能没有任务执行所需的全部支撑数据,因此需要通过数据迁移从其他服务器中获取所需数据。本文聚焦于VEC中数据迁移时延的优化,同时考虑数据迁移服务各方的自私性,设计了高效的数据协同缓存策略和数据迁移激励机制,主要研究内容如下:(1)提出一种基于软件定义网络的VEC架构,分析了支撑数据的数据迁移方式与VEC服务器之间的缓存协作机制。为了最小化支撑数据的迁移时延,提出了一个基于区-组-块划分的高效数据协同缓存策略,该策略根据车辆密度把VEC服务区域划分为密集区和普通区,根据请求数据间的相似性将服务器分成多组,同时将服务器的存储空间划分为三块,以此兼顾VEC服务器自身、所在组以及全局的数据需求,从而达到存储资源的高效利用。实验表明,与其他方案相比,所提出的缓存策略在平均数据迁移时延方面具有更好的性能。(2)考虑到边缘服务器的资源有限性,将闲置车辆的空闲资源进行聚合并构建了车载资源聚合平台。针对各服务提供方的自私性,设计了一种基于边-平台协同的数据迁移激励机制,在该机制下执行任务的VEC服务器可以向拥有支撑数据的VEC服务器和平台发送数据迁移请求。针对三者之间的交互行为,合理定义了各方的效用函数,建立了两阶段的Stackelberg博弈模型,并采用逆向归纳法分析证明了上述的Stackelberg博弈均衡存在唯一性。此外,提出了一种梯度寻优算法以快速地确定三者间的最优策略集。最后,通过广泛的仿真实验,验证了所提出的数据迁移激励机制的有效性和优越性。图29幅,表4个,参考文献67篇

关键词：车载边缘计算协同缓存数据迁移激励机制博弈论

车载边缘计算中基于深度强化学习的协同计算卸载方案

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机科学 2021年第5期48卷 270-276页

作者：范艳芳袁爽蔡英陈若愚北京信息科技大学计算机学院北京100101

车载边缘计算(Vehicular Edge Computing,VEC)是一种可实现车联网低时延和高可靠性的关键技术,用户将计算任务卸载到移动边缘计算(Mobile Edge Computing,MEC)服务器上,不仅可以解决车载终端计算能力不足的问题,而且可以减少能耗,降低... 详细信息

车载边缘计算(Vehicular Edge Computing,VEC)是一种可实现车联网低时延和高可靠性的关键技术,用户将计算任务卸载到移动边缘计算(Mobile Edge Computing,MEC)服务器上,不仅可以解决车载终端计算能力不足的问题,而且可以减少能耗,降低车联网通信服务的时延。然而,高速公路场景下车辆移动性与边缘服务器静态部署的矛盾给计算卸载的可靠性带来了挑战。针对高速公路环境的特点,研究了临近车辆提供计算服务的可能性。通过联合MEC服务器和车辆的计算资源,设计并实现了一个基于深度强化学习的协同计算卸载方案,以实现在满足任务时延约束的前提下最小化所有任务时延的目标。仿真实验结果表明,相比于没有车辆协同的方案,所提方案可以有效降低时延和计算卸载失败率。

关键词：移动边缘计算车载边缘计算计算卸载深度强化学习协同计算