边缘计算项目创意列表 第一部分

什么是边缘计算？

边缘计算技术利用传统和云数据中心之外的计算能力，将负担转移到数据生成位置附近，并能够根据对该数据的评估执行操作。开发人员可以通过利用和控制远程站点（例如工厂、零售店、仓库、酒店、配送中心或车辆）可用的计算能力来开发以下应用程序：

• 显著降低网络带宽要求
• 提高敏感数据的隐私性
• 即使通道中断也能运行。

构成边缘生态系统的一些基本要素包括：

• 云
  公共或私有云可作为基于容器的工作负载（如应用程序和机器学习模型）的存储库。此外，这些云还托管和运行协调和控制众多边缘节点所需的软件。这些云上的工作负载将与边缘（包括本地和设备工作负载）的工作负载通信。其他节点所需的任何数据也可以是云中的源或目的地。
• 边缘设备
  边缘节点是一种具有特定用途且内置处理能力的设备。边缘设备，如工厂车间装配线、ATM机、智能摄像头或汽车，可以完成有趣的工作。边缘设备通常具有受限的处理资源，这通常是出于经济考虑。边缘设备通常采用1或4核的ARM或x86类处理器，256兆字节内存，以及可能1千兆字节的本地存储设备。尽管边缘设备有可能变得更复杂，但目前这仍是例外而非普遍情况。
• 边缘节点
  在此语境中，用于边缘计算的任何边缘小工具、边缘客户端或边缘路由器都称为“边缘节点”。
• 边缘集群/服务器
  边缘集群或服务器是一种广义上的IT计算机，位于远程操作设施，例如工厂、零售机构、酒店、配送中心或银行。边缘集群/服务器采用传统的工业PC或堆叠计算机外形尺寸构建。具有8、16甚至更多CPU核心、16GB内存和数十千兆本地存储的边缘服务器很受欢迎。业务应用程序负载和支持功能通常在边缘集群或服务器上执行。
• 边缘网关
  边缘网关是指可以托管业务应用程序操作和共享服务，并提供网络任务（包括协议转换、网络终止、隧道、防火墙或无线连接）的边缘集群或服务器。尽管某些边缘设备可以托管网络活动或充当小型网关，但边缘网关通常独立于边缘设备。

物联网传感器是固定功能设备，它们将数据广播和收集到边缘或云端，但缺乏板载处理能力、内存和存储。由于其固定功能特性，这些边缘设备未在图1中显示，尽管它们连接到多个节点。因此，无法在其上启动容器。

在对边缘设备有了基本了解之后，让我们简要探讨一下5G及其对边缘计算的影响，然后再深入探讨边缘计算的优势和挑战。

边缘计算项目创意列表

计算-边缘计算中的服务和数据重新调度

项目描述

对于边缘网络中的复杂请求，物联网的协作如今看起来很有前景。物联网服务通常在此上下文中表示物联网设备的功能。数据或计算密集型物联网服务可以通过需要大量计算能力或消耗大量传感数据来满足请求。在功能上等效的物联网服务，同时仍遵守这些服务预定的空间限制，是很难找到的。

这是因为在物联网服务当前部署时，某些物联网服务可能不存在。我们提出了一种节能型数据和计算密集型服务迁移和调度机制，以将特定服务从其托管设备重新调度到请求指定地理区域内的设备，作为解决此问题的方案。广泛的测试和评估表明，与最新方法相比，我们的DCMS在降低平均延迟和能耗方面具有前景。

基于深度学习的物联网边缘网络作业调度

项目描述

边缘计算（EC）使资产物联网（IoT）应用程序能够在网络边缘使用低延迟服务，最近已成为一种可行的范式。为了最大化长期任务满意度（LTSD），许多任务被调度到安装在边缘服务器上的虚拟机（VM）。然而，由于边缘服务器的处理资源有限，调度应用程序任务极其困难。这项工作使用EC场景来研究任务调度问题。该问题被构建为马尔可夫决策过程（MDP），包括状态、动作、政府转换和奖励。

考虑到任务的多样性和可用资源的异构性，我们使用深度强化学习（DRL）来解决时间调度（即任务执行顺序）和资源分配（即任务分配给哪个虚拟机）的问题。任务调度问题通过全神经网络（FCN）解决，并提出了一种基于策略的REINFORCE解决方案。仿真结果表明，所提出的基于DRL的任务调度在平均任务完成度和成功率方面优于现有文献中的主流方法。

一种用于边缘网络的深度强化学习作业卸载框架

项目描述

由于移动数据的快速增长和对计算能力前所未有的需求，资源受限的边缘设备无法成功满足物联网（IoT）应用程序和卷积神经网络（DNN）计算的要求。边缘卸载是一种分布式计算范式，可以通过将复杂作业从互联设备转移到边缘云服务器，克服物联网设备的资源限制，减轻计算机的负担，提高任务处理的效率。

然而，由于最优过载决策问题是NP难的，因此使用传统的优化技术难以高效地产生结果。此外，当前的深度学习技术仍然存在显著问题，例如学习速度慢和适应新环境的能力差。我们建议采用一种深度元强化学习卸载（DMRO）技术来解决这些问题，该技术结合了多个并发DNN和Q学习，以产生精确的卸载判断。

通过结合深度学习的感知能力、强化学习的决策能力和元学习的快速环境学习能力，可以快速灵活地从不断变化的环境中获得最佳卸载策略。通过多项模拟研究，我们评估了DMRO的功效，发现与传统的深度强化学习（DRL）方法相比，DMRO的卸载效果可以提高17.6%。该模型可以快速适应新的MEC工作环境，并且在做出实时卸载决策时具有出色的可移植性。

延迟约束下的节能边缘网络

项目描述

5G之后网络的主要目标之一是绿色通信。然而，随着越来越多的延迟敏感应用被开发出来，任务延迟要求与节能之间的冲突在设备侧变得更加明显。本研究专注于具有有限本地和边缘计算能力的网络边缘计算系统，这可能导致因延迟违规而拒绝任务。

首先，针对部分和二进制卸载模式制定了最小化能耗的问题。在这两种模式下，任务分配和资源分配分别使用低复杂度的启发式方法和拉格朗日对偶方案进行联合优化。与基线方案相比，通过深入模拟验证了所提出方案的有效性。特别是，创建了一个完成给定任务优先级模型，以有效地降低被放弃任务的数量并提高MEC服务器的服务性能。

移动边缘云上DNN驱动应用程序的节能推理卸载

项目描述

随着对机器学习（AI）应用程序的日益关注，深度神经网络（DNN）已成功应用于多个应用领域。由于DNN中层厚度和神经元的不断增加，执行已学习的DNN模型需要大量的处理能力。现代配备GPU的大规模数据中心可以满足DNN不断增长的资源需求。

然而，随着移动边缘计算和5G技术的普及，它们为DNN驱动的AI应用开辟了新的机遇，特别是当这些应用利用分散在多个位置的数据集时。在移动边缘云中，算法应用的关键过程之一是根据设备生成的新图像和视频输入采用推理或运行预训练的DNN。

为了尽可能多地满足DNN推理请求，我们研究了5G移动边缘云（MEC）技术中的DNN推理查询卸载。我们为MEC的推理卸载问题提供了精确的本地解决方案。我们还考虑了推理请求的动态任务卸载，并提供了可更改的实时计算。通过真实的测试平台实现和广泛的模拟评估了所提出的方法。实验结果表明，所提出的算法优于其理论等效项和文献中描述的其他类似启发式算法。

边缘云网络上的混合工作流重新调度

项目描述

物联网应用程序可以被认为是结合流处理和批处理的过程，以在智能家居、医疗保健、生物信息学、天文学和教育等各种应用领域实现数据分析目标。这种组合的最大困难在于区分批量计算和流计算在服务质量限制方面的差异。

流处理对延迟极其敏感，而批处理则更可能占用大量资源。在本研究中，我们提出了一个两阶段框架，用于边缘云系统上的端到端混合调度问题。梯度下降搜索（GDS）是一种线性优化方法，是我们第一阶段提出的资源估算方法的基础。在第二阶段，我们为不同边缘云资源上的混合流程提供了基于集群的采购和规划技术。在截止时间和吞吐量限制下，我们为执行时间和货币成本提供了一种多目标建模方法。

结果表明，该框架可以有效地调整多个参数，例如流到达率、计算吞吐量和工作流复杂性，以调节混合工作流的执行。与使用粒子群优化（PSO）的元启发式方法相比，所提出的调度程序在执行时间和成本方面为大规模混合工作流提供了显著改进，平均分别为8%和35%。

一种用于边缘计算环境中数据放置和重新调度的先进蝴蝶优化技术

项目描述

移动边缘计算（MEC）是一种有趣的技术，旨在在移动设备（MD）边缘提供多样化的电力和内存资源。然而，MEC的资源量有限。因此，有效管理这些资源以避免资源浪费非常重要。工作流调度过程旨在根据某些目标将活动与最佳资源匹配。

本研究使用Levy飞行方法介绍了DBOA，一种蝴蝶优化技术（BOT）的离散变体，可加速收敛并防止局部最优问题。为了确定科学工作流中的任务执行顺序，我们还使用了任务优先级技术。然后，在MEC环境中，我们使用基于DVFS的数据密集型流程规划和数据放置或DBOA进行动态电压和频率调整。

对各种大小的众多知名科学工作流进行了广泛的模拟，以评估所提出的调度方法的有效性。实验结果表明，我们的方法在功耗、共享数据开销和其他因素方面优于其他算法。

移动边缘计算中的资源分配和在线计算卸载

项目描述

由于移动智能设备的普及，许多计算密集型应用程序，例如增强现实和互动游戏应运而生。为了满足应用程序的低延迟要求，移动边缘计算（EC）被提议作为云计算的扩展。本文的主题是在一个具有许多基站的密集网络中构建的EC系统。在网络中移动的智能设备上连续生成异构计算任务。

设备用户希望获得最佳的任务卸载策略、CPU频率和传输功率调度，以随着时间的推移减少任务完成延迟和能耗。然而，由于动态网络条件和随机任务生成，这个问题尤其具有挑战性。我们借鉴强化学习的灵感，将问题转化为马尔可夫决策过程。然后，我们提出了一种基于注意力的双深度Q网络（DDQN）策略，该策略使用两个神经网络来估计每个动作产生的总能量和延迟奖励。

此外，上下文感知注意力机制旨在自适应地为每个动作的值分配权重。我们还进行了广泛的模拟，以评估我们提出的策略与几种基于DDQN和启发式基线相比的性能。

网络边缘计算的自适应作业调度

项目描述

移动边缘计算是一种新兴范式，支持物联网和车载网络等资源受限环境中的低延迟应用程序。MEC使得能够快速响应或干预移动终端用户或物联网设备生成的海量数据和服务请求。尽管如此，构成MEC框架的PC通常具有有限的处理资源，这些资源必须由许多任务和许多同步服务请求共享。

在MEC系统中，调度和分派终端用户的计算任务是一个难题，特别是对于对延迟敏感的应用程序。为了提供资源高效的低延迟服务响应，本文提出了一种自适应任务调度和分派策略。利用强化学习，所提出的方法通过根据任务属性确定计算任务的优先级来解决调度问题。通过模拟和MEC测试平台上的小规模案例研究，证实了所提出方案的可行性和效率，表明其既有效又高效。

智能医疗保健中支持边缘的传感器网络基于RL的作业卸载

项目描述

传感器节点或医疗物联网（IoMT）设备的广泛使用配备了传感器。这些联网传感器用于收集来自众多智能医疗保健应用程序的大量数据，生成的数据用于协助决策。边缘计算是收集传感器数据的有效工具，它提供计算资源。

与此同时，人工智能（AI）提供的智能和精确的资源管理受到了关注，特别是在医疗保健系统中。人工智能将显著提高基于IoMT的医疗保健设备的计算速度和范围。然而，这些耗能大、电池寿命短且对延迟不敏感的便携式设备的问题在于它们使用过时且低效的传统公平资源分配模式。

本研究提出了基于强化学习的计算卸载（CORL）方案，以减少延迟和能耗。通过将问题表述为延迟和能耗成本降低的联合挑战，满足了受限电池和服务延迟截止时间限制的不足。

此外，所提出的方法寻找具有可用资源的最佳节点来卸载任务，以平衡延迟和能耗。为了在合理假设下验证所提出的系统，我们正在使用iFogSim模拟器。实验结果证明了所提出方案在节能、降低延迟和优化边缘物联网系统节点资源利用方面的优势。

一种基于模拟的优化策略，用于设计边缘计算中注重可靠性的服务

项目描述

边缘计算是一种为应对物联网（IoT）兴起而开发的尖端架构。它用于提高标准云计算系统的性能和安全性。借助服务计算方法，边缘计算系统可以更灵活地适应应用程序需求。在服务计算中，服务组合是最重要的问题之一，它在大型边缘云计算中面临各种新挑战，包括复杂的协议栈、持续发生的故障和恢复，以及搜索空间的爆炸式增长。

在本研究中，我们试图通过开发一种基于模拟的优化策略来解决这些问题，以实现服务性服务组合。引入复合随机Petri网策略来表述边缘计算系统之间的动力学，并进行相关的定量分析。采用时间尺度分解技术提高模型解决方案的有效性，以解决复杂网络或复杂服务过程中的状态膨胀问题。

为了显著缩小搜索空间，引入了基数优化技术以及用于性能分析和改进的模拟方案。最后，我们根据实际数据进行实验，结果证实了该方法的有效性。

雾计算环境中作业调度的蚁群交配优化模型

项目描述

雾计算是开发未来低带宽需求应用程序的平台。雾计算的主要问题是如何有效地利用其资源执行对延迟敏感的操作，因为所使用的设备通常资源有限且广泛分散。为了解决这个问题，我们提出并测试了一种新的作业调度方法，以降低雾计算平台的能耗和整个系统的完工时间。

蚁群交配优化（AMO）是一种新颖的生物启发优化技术，以及作业在附近雾节点之间的最佳分布，是所提出策略的两个主要部分。目标是确定系统寿命和雾云计算所需的能耗之间的最佳权衡，由最终用户设备确定。根据我们的经验性能评估结果，所提出的方法在完工时间和能耗方面优于蜜蜂生活算法、传统粒子群优化和遗传算法。

移动边缘物联网应用的自主计算卸载

项目描述

通过卸载计算，移动资产设备可以完成需要高计算能力的操作。移动云是一种众所周知的卸载平台，它通常使用远端网络解决方案来利用资源有限的移动设备的计算能力。由于远端网络解决方案，用户设备会产生更高的延迟或网络延迟，从而对实时无线物联网（IoT）应用产生负面影响。因此，本文提出了用于移动边缘/雾中计算卸载的近端网络方法。

移动设备的移动性、异构性和地理分布使移动边缘/雾中的计算卸载变得复杂。然而，为了处理许多移动设备的计算资源需求，提出了一种基于深度Q学习的副交感神经管理系统。为了提供边缘/雾计算服务，分布式边缘/雾网络控制器（FNC）搜寻边缘/雾资源，例如处理器、内存和网络。

由于资源可用性的随机性和分配这些资源进行卸载计算的广泛可能性，该问题适合通过马尔可夫决策过程（MDP）建模并通过强化学习解决。所提出的模型使用MATLAB进行模拟，同时考虑不断变化的资源需求和最终用户设备的移动性。

通过减少服务计算的延迟，所提出的基于自主深度Q学习的技术显著提高了计算卸载的性能。为了进行比较研究，还研究了不同卸载决策产生的总功耗，证明了所提出的方法与尖端计算卸载替代方案相比的能效。