- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 564672 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174624
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 3
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
|---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
|
移动边缘计算中节能高效的资源联合优化若干问题研究 # X) X) g3 ~" U5 m
. A/ \( H3 M" b/ G4 L# ~
( P0 D- @2 ?8 D0 y2 M( Z% O+ @' ~
i" Y* M. r0 D/ h, Q
随着物联网技术和 5G 移动通信技术的持续快速发展,种类丰富的移动端服, M& d- n* G& Q2 O+ Y! B9 z3 q* r7 |! s
务和应用已成为人们日常生活的一部分,比如在线游戏、网络直播、虚拟现实、( Z e5 V: p3 e2 G, a
增强现实等。这些新兴的移动端服务和应用,虽然极大丰富了人们的生活,但是
( W, R& y8 S' ~也占用了智能移动设备巨大的计算、存储、网络与电池等资源。移动边缘计算作' S* W; \2 {9 y2 ?3 [
为一种高效的解决方案应运而生,其将计算任务卸载到边缘服务器,利用边缘服
0 i% b5 h: ^8 C务器强大的计算能力扩展智能移动设备的资源,缓解智能移动设备因资源不足带
8 `; _# I5 \, m/ B8 C1 h来的问题。作为继云计算之后提出的一种新型计算模式,移动边缘计算通过将云
3 {8 Y# R: r9 {) @- V中心的计算能力下沉到网络边缘,智能移动设备实现了在近距离下与边缘服务器
7 i+ b- x8 L$ c+ _进行交互,满足移动端服务和应用对低延迟、低功耗的需求。随着物联网、5G、" z( i# K3 y+ G0 Y+ G' B6 l- q
人工智能、大数据等领域技术的快速发展,移动边缘计算将凸显出越来越重要的( d/ ?$ K+ L' v( d0 Z5 M
价值,成为无线通信领域必不可少的支撑技术。
6 Q$ o, E5 D1 X3 M1 ^; [考虑到移动边缘计算中智能移动设备在能效方面的不足,以降低能耗为目的' J4 u* r6 W+ a# y& d6 ]
的联合优化计算和通信资源分配问题的研究工作已有很多。然而,随着以在线游7 Z1 H5 w+ F- {
戏、虚拟现实等为代表的移动应用和人工智能、大数据等技术的结合,智能移动1 w, F: T: e& j
设备的电池已不能满足这类具有复杂数据处理功能的移动应用的需求。同时,电
* r( K5 G; m" n9 S池的续航能力将直接影响用户对移动端服务的体验。因此,本文以保障用户服务, l* d" {. Z$ q. k
体验为前提展开对最小化电能消耗为目标的研究,研究内容包括:在移动边缘计3 G% A# @) O( e6 Y- }# i3 [ L
算中如何实现针对任务依赖图型的移动应用的节能高效的资源优化方案;在设备1 A# m' u% S* o$ R- d
协作移动边缘计算中,如何实现协作高效的双层计算和通信资源的联合优化机制;
2 c& J& y# M6 o( } v j& I/ f在通信辅助移动边缘计算中,如何实现节能高效的中继路由选择策略和资源分配3 P- Z4 @+ {* L' B3 o9 Y
策略。本文的具体贡献如下:" ?9 h* s' x6 j7 t' B, L
首先,针对存在依赖关系的多个功能模块或任务组成的移动应用在移动边缘
/ g7 X6 _( V) U计算环境下的计算卸载研究,提出了以 DAG 任务依赖图对应问题进行建模,同4 @6 o/ F% C- y' k, w: `7 c+ K7 B
时考虑了部分卸载的任务计算结果回传对卸载策略的影响。为实现资源最大化利
% d: |( T3 D( ]! E& x用的同时最小化消耗电能的目的,建立了一个最小化移动设备电能问题,提出联+ R8 H, q" Z3 S" D/ z" J7 @' l
I 吉林大学博士学位论文& f2 n! D/ A ^& S
合优化卸载比率、通信的上传功率和 CPU 计算频率的优化问题。针对形式化得
; p$ u, T: ~% f/ ]到的优化问题结合凸优化技术将问题转化为有约束的非线性方程的问题,并提出" m3 k+ ] ?1 ^. U4 `/ B: J6 x
了基于二分搜索算法的最优解算法。模拟实验表明所提出的计算卸载策略明显降
: T) p/ M$ @7 b5 k( G7 r低了电能消耗。* }& }6 i7 s% {! _4 a/ p- c$ K( M
其次,针对智能穿戴设备等低性能设备的远距离任务卸载存在的通信能耗过
% `6 P: D' F! X大的问题,提出了结合设备协作的移动边缘计算系统。低性能设备将部分计算任* Y& f( a' E/ B. O! D
务卸载到作为设备协作的智能手机等高性能设备,高性能设备在接收到卸载数据' o3 s6 S0 W6 J/ C6 [
后,部分卸载数据在其上处理,其余部分通过无线网络传输到就近的边缘服务器
7 V( q) d1 ~" B: `% F完成,构成了两层计算卸载系统。为实现整体移动设备能耗最小化的目的,提出. _5 B1 t- r3 _% n) _& w( B
了联合优化协作节点、边缘服务器和智能穿戴设备的计算、通信资源的基于块坐
, ?3 B/ z4 s& c; `0 k9 y7 _标下降法的迭代优化算法。模拟实验证明所提出的迭代优化算法明显降低了移动
! B( e# Y3 ~( c! {1 h' p: w设备能耗(10%),且求解算法的执行时间相对很少。- k' o5 P; s- c+ j9 b& b+ I! \
最后,针对移动边缘计算中远距离任务卸载的问题,提出在 D2D 通信辅助: E6 {3 E/ D+ S0 B& D$ k- R
边缘计算系统下通过联合优化中继选择策略和资源分配策略,在满足计算、通信9 r0 T! y2 {7 }4 d6 d
和延迟等约束的条件下,最小化移动设备电能消耗的优化问题。该优化问题被形
" F! h3 M! I( k1 y0 y) e& {式化为混合整数非凸优化问题,并提出了两阶段优化算法。采用凸优化技术,如+ k; R5 g, B/ @; z. L
离散变量松弛技术、线性化,将原始问题转化为凸优化问题。在算法的第一阶段
. G4 e. ~0 K8 }6 u b& j采用拉格朗日乘子法对问题进行求解,得到最优中继选择策略。在算法的第二阶
2 Q( P) W& X" [. r- w段,结合凸优化技术和中继选择策略获得最优资源分配策略。模拟实验证明所提( ~) k; Q" x' u, {$ C% K) [
出的两阶段联合优化算法在保证服务质量的同时具有更低的电能消耗(10%-' N* x. w) D5 b, _, c% G
20%),且所提出算法性能更好。/ c7 Q5 ?3 M" ]4 y" W8 c
综上所述,针对以上三个研究问题,文章分别提出了适用于该研究问题对应' p) J2 M2 i8 Z$ |( q
的移动边缘计算框架,详细阐述了问题形式化过程中所涉及到的通信、计算等系 2 m1 f- b( K# a; [" V% I
统模型,准确详尽地列出了问题求解过程中推导、化简过程,给出了模拟实验验
) z! v' b7 i+ r' a证所提算法的正确性和有效性。; H u* ^& q' ^/ g& ?
8 @) F$ p8 |+ C4 V6 Y! S
8 c) w4 M Z0 T# ?! Z
|
zan
|