边缘计算项目创意列表 第二部分

我们已经在之前的教程中讨论了边缘计算及其各种特性。让我们扩展在边缘计算项目列表想法第一部分中讨论的想法。

基于深度强化学习的车载边缘计算卸载调度

项目描述

一种名为车载云服务 (VEC) 的新型计算范式有可能大大提高车载终端 (VT) 处理资源密集型车载应用程序的能力，同时将延迟降至最低并最大限度地提高能源效率。由于任务特性的多样性、无线环境的动态性质以及车辆移动带来的频繁切换事件，理想的调度策略应同时考虑每个任务的位置（本地计算或卸载）和时间（执行顺序和时间）。在本文中，我们研究了典型 VEC 情况下的一个关键计算卸载调度挑战，即沿着高速公路行驶的 VT 希望规划其排队的任务，以通过平衡任务延迟和能源使用来降低长期成本。

该项目的实施

• 我们使用精心构建的马尔可夫决策过程 (MDP) 来描述具有挑战性的随机优化问题，并使用深度网络学习 (DRL) 来处理巨大的状态空间。
• 尖端的近端策略优化 (PPO) 技术是构建我们 DRL 实施的基础。
• 策略和值函数通过参数网络架构和卷积神经网络 (CNN) 进行近似，可以有效地提取代表性特征。
• 对状态和奖励表示进行了一些更改，以提高训练效率。
• 广泛的仿真试验以及与六种知名基线方法及其启发式组合的彻底比较充分说明了所建议的基于 DRL 的卸载调度方法的优势。

利用移动边缘云计算进行智能作业预测和处理器卸载

项目描述

边缘计算是目前移动边缘分布式技术研究的前沿和焦点。边缘计算解决了传统云计算的高连接延迟问题，并为移动设备提供了高可靠性、高带宽的计算服务。然而，由于移动消费者不断增长的需求和服务，简单的边缘设备的卸载技术已不再适用于 MEC 架构。

该项目的实施

• 结合人工智能技术，本研究提出了一种基于智能计算卸载的新型 MEC 设计。
• 根据手机设备的计算任务数据大小和边缘计算节点的性能特征，提出了一种基于任务预测的计算卸载和任务迁移策略。
• 通过边缘云调度方案的任务迁移、基于 LSTM 算法的计算任务预测以及基于任务预测的移动设备计算卸载技术，优化了边缘计算卸载模型。
• 实验表明，我们建议的设计和技术即使在数据和子任务增加的情况下也能减少总任务时间。

基于深度强化学习的移动边缘环境下任务卸载研究

项目描述

随着互联网技术和移动终端的快速发展，用户对快速网络的需求不断增长。为了减少网络延迟并提高用户服务质量，移动边缘计算提出了一种分布式缓存技术来处理高数据流量对通信网络的影响。本研究提出了一种深度学习方法来解决多服务节点面临的任务卸载问题。

该项目的实施

实验使用 Google Cluster Trace 数据集和仿真软件 iFogSim 进行。最终结果表明，基于 DDQN 算法的任务卸载方法对能耗和成本具有积极影响，验证了深度学习算法在边缘设备中应用的潜力。

具有基于高级深度学习计算卸载的多级车载边缘云网络

项目描述

最近，由于低延迟通信和有效带宽使用（VEC）的承诺，焦点已从车载云计算 (VCC) 转向车载边缘计算。本文提出了一种用于多层汽车边缘云计算网络的改进计算卸载算法。

该项目的实施

• 将集成认知卸载和资源分配模型构建为二进制最优控制问题，以减少整个系统的时延和能耗，同时确保各种车辆之间共享基础设施的有效利用。
• 由于命运问题，该问题被认为是 NP 难问题，其解决方案计算成本高昂，特别是对于大规模车辆。
• 因此，我们构建了一个等效的监督学习形式，并提出了一种分布式深度学习方法，以识别使用并行运行的多个深度神经网络的接近最优的计算卸载选择。
• 最后，仿真结果表明，与基准解决方案相比，所提出的方法可以表现出快速收敛性并大大减少系统总体使用量。

在无线城域网中，云端位置和用户到云端的最佳分配

项目描述

虽然便携式移动设备计算能力有限，但移动应用程序越来越计算密集。将应用程序的工作卸载到附近的云端（由计算机组组成）是加快应用程序在移动设备上完成运行时间的一种有效方法。在给定网络中放置云端以提高移动应用程序性能的关注度非常低。然而，关于移动云端卸载技术存在大量研究。

该项目的实施

• 在这项研究中，我们调查了云端的部署以及大都会无线网络 (WMAN) 中移动用户到雾节点的分配。
• 为了解决这个问题，我们开发了一种算法，将云端放置在 WMAN 用户密集区域
• 此外，我们将移动用户分配到已部署的云端，同时匹配他们的工作负载。
• 此外，我们模拟了我们的实验。仿真结果表明，所提出的方法表现出非常有希望的性能。

移动应用程序在最佳级别上的联合管理和云卸载

项目描述

在资源受限的移动设备上支持计算密集型应用程序需要云卸载。在本文中，我们提出了无线感知联合调度和计算加载 (JSCO) 的系统间概念，其中就应卸载哪些组件及其调度顺序做出最佳选择。JSCO 技术不再采用编译器预定的组件调度顺序，而是采用更具无线感知能力的调度顺序，为解决方案提供了额外的自由度。

该项目的实施

• 通过在移动设备和云中并行处理相关部分，所提出的方法可以减少特定组件依赖图架构的执行时间。
• 根据通信延迟、应用程序系统执行时间和元素优先级顺序的限制，我们建立了一个权衡移动设备存储热量的净效用。
• 使用运行在 HTC 智能手机和 Amazon EC2 上具有 WiFi 卸载功能的多组件应用程序的真实数据测量来解决线性优化问题。
• 使用各种组件交互图拓扑和大小进一步检查效率。
• 结果表明，更长的程序运行时截止日期、更快的无线速度和更低的卸载数据负载都会带来更大的能源节省。

移动云计算：用于高效应用程序卸载的分布式巨额定价

项目描述

为了鼓励公平和高质量的云服务，我们提出了三种不同的定价结构：与多维资源分配相对应的多维价格、惩罚价格以及鼓励在不同云维度之间更均匀地提供资源的好处折扣因子。

该项目的实施

• 我们提供了一种基于这些价格的分布式价格调整机制，用于有效的资源分配和注重 QoS 的卸载调度。
• 这使用假设和定价机制管理移动云系统中的应用程序加载。
• 我们证明该方法可以在有限的迭代次数内达到均衡核心分配，其中移动云系统最大化了整体系统效益并实现了帕累托效率。
• 仿真结果表明，我们提出的定价方案大大提高了系统的性能。

边缘节点资源管理框架

项目描述

随着越来越多的设备连接到互联网，当前使用云作为主机计算机的计算方法将变得不可行。这突显了雾计算的重要性，它将云计算与路由器、基站和交换机等网络节点上的边缘计算相结合。然而，控制边缘节点将是实现雾计算必须克服的障碍。

该项目的实施

• 本文的目的是讨论资源管理问题。
• 有建议的机制用于提供引擎边缘节点资源。
• 本地高级资源管理 (ENORM) 是我们创建的第一个边缘节点管理框架。
• 该框架的生存能力通过类似 PokéMon Go 的在线游戏用例得到证明。
• 使用 ENORM 时，应用程序延迟减少 20-80%，而网络边缘和云之间的数据传输和连接频率最多减少 95%。
• 这些发现表明雾计算如何提高客户满意度和服务水平。

通过使用主动容错方法提高云服务的可靠性

项目描述

云计算服务广泛用于托管商业和工业应用程序，这使得云服务可靠性成为消费者和云服务提供商关注的主要问题。现有解决方案很少考虑许多协同完成并发应用程序的虚拟机 (VM) 之间的协调问题。

该项目面临的挑战

• 没有 VM 协调，并发应用程序执行的结果将存在缺陷。
• 已提出两种容错策略，即反应式和主动式，以提高云服务可靠性。

为了解决这个问题，我们首先根据 VM 的特性提出了一种初始虚拟集群分配机制，这将有助于减少数据中心的整体网络资源和能源使用。然后，我们对 CPU 温度 (PM) 进行建模，为系统降级做准备。我们将虚拟机 (VM) 从已识别的降级 PM 移动到某些理想的 PM。最后一步是使用改进的粒子群优化方法描述和解决最佳目标 PM 的选择。在运行多个并发应用程序时，在总传输开销、总网络资源使用和执行时间方面，我们将我们的技术与五种类似替代方案进行比较。实验结果表明了我们策略的效率和成功。

考虑用户移动性的移动边缘计算任务分配

项目描述

为了为移动和大容量数据应用程序提供无处不在的处理和存储解决方案，移动计算 (MEC) 已发展成为一种潜在的计算范式。MEC (MEN) 中部署了大量小型蜂窝基站 (SBS) 以创建移动边缘网络。

该项目的实施

• 移动用户通常可以直接访问这些基站。
• 计算活动首先从移动用户传输到 MEN，然后在一个或多个特定大小的基站中执行。
• 卸载选项已得到仔细考虑，而 MEN 侧的总完成延迟受到的关注较少。
• 本研究旨在利用任务调度减少 MEN 的任务执行延迟。我们考虑了作业特性、用户移动性和网络限制。
• 该问题定义为一个约束满足问题，并建议了一种快速调度启发式算法作为轻量级解决方案。
• 为了研究建议的工作效果如何，我们进行了仿真试验。
• 结果表明，我们的工作可以大大缩短 MEN 中作业的完成时间，这也缩短了 MEC 中任务的完成时间。

期限感知便携式边缘计算系统任务调度

项目描述

一种名为移动边缘计算 (MEC) 的新型计算策略允许移动设备 (MD) 执行的计算工作可以卸载到 MEC 服务器或在本地执行。由于计算作业必须在特定日期前完成，并且 MD 电池电量不足，因此规划如何有效地分配每个任务的能源至关重要。与其他研究相反，我们研究了一个更复杂的场景，其中许多移动 MD 共享不同的 MEC 服务器，并定义了期限感知 MEC 系统中最低能耗的挑战。由于该问题被证明是 NP 难问题，因此提出了两种近似技术，分别侧重于单 MD 和多 MD 情况。理论研究和模拟用于改变某些算法的功能。

一种基于移动边缘计算的物联网应用隐私保护数据采集方案

项目描述

随着 5G 和物联网技术的快速发展，许多具有特定传感能力的移动设备可以访问网络和大量数据。低延迟和快速数据访问是传统云计算架构无法满足的物联网应用需求。在移动边缘计算 (MEC) 的帮助下，这些问题可以得到解决，并且可以提高系统的执行效率。

该项目的实施

• 在这项研究中，我们提供了一种用于 MEC 辅助物联网应用的数据聚合技术。
• 我们的方法包括三个参与者——终端设备 (TD)、边缘服务器 (ES) 和云基础设施中心 (PCC)。
• TD 产生的数据在发送到 ES 之前进行加密，ES 然后编译数据并将其发送到 PCC。
• 最后，PCC 可以使用其私钥检索组合的明文数据。
• 我们的系统提供源真实性和完整性，并确保 TD 的数据隐私。
• 我们的计划非常适合 MEC 辅助物联网应用，与以前的范例相比，可以将通信成本降低一半。

物联网网络中电源受限边缘计算的最大处理能力

项目描述

下一代网络受益于移动边缘计算 (MEC)。它旨在提供低延迟计算服务并提高物联网 (IoT) 处理能力。对于具有有限电源和不可预测任务的 MEC 物联网网络，我们在这项研究中研究了一种资源分配机制，以优化可用处理能力 (APC)。APC 描述了服务物联网设备的计算能力和速度，这首先得到指定。然后研究任务分区和资源分配之间的链接以获得其表达式。

该项目的实施

• 该表达式用于研究单个 Mec 服务器的功率分配策略，并考虑影响 APC 改进的因素。
• 为多用户 MEC 系统构建了具有通用效用函数的 APC 优化问题，并推导了资源分配的各种重要标准。
• 使用这些标准，提供了一种次优方法来在用户之间分配子载波。
• 提出了一种二分查找液体算法来解决本地 CPU 和许多子载波之间接收到的功率。
• 最后，使用蒙特卡罗模拟来验证所建议技术的正确性。

使用重复策略游戏在线调度边缘计算事件

项目描述

边缘服务提供商 (ESP) 的主要职责是根据请求动态地将资源分配给已经在边缘进行的任务。然而，这个角色很困难，因为它需要在不知道何时会有人到达、依靠请求完成任务以及管理资源的情况下立即做出决策。

该项目的实施

• 首先，我们将此问题表示为具有长期和短期选项的重复博弈。
• 为了克服这些困难，我们提供了一个基于重复博弈的在线调度系统，该系统将各种作业分配给可用的相关资源。
• 为了优化任务的总体满意度，有需求的用户首先在每个游戏回合的适用预算内确定计算需求的单位定价。
• 我们建议的方法在 Isp 和用户之间提供了非合作博弈均衡。
• ESP 然后扮演追随者的角色。它使用资源与任务匹配并将它们分配到具有各种资源类型的边缘中心（边缘移动设备）的策略，以根据用户不同回合的价格最大化用户的长期利润。
• 然后根据任务分配评估我们想法的成功。

绿色虚拟网络云计算中多用户多任务的卸载。

项目描述

通过利用网络边缘已经存在的资源，移动边缘云计算 (MECC) 已成为一种有吸引力的方法，用于增加移动设备 (MD) 的存储和计算能力。在这项研究中，我们考虑了在便携式边缘云中的计算卸载，该云包含一组无线设备 (WD)，每个设备都包含一个从环境中捕获太阳能的设备。此外，多个 MD 希望同时将其工作卸载到便携式边缘云。

该项目的实施

• 我们首先构建了绿色 MECC 的多用户多任务资源配置问题。
• 然后我们使用替代启发式方法来确定能量回收策略：每个 WD 收集多少能量，以及任务卸载时间表：允许进入便携式边缘云的云计算环境请求集，委派给每个卸载请求的 WD 集；以及分配的 WD 要消化的工作负载量。
• 然后证明任务卸载调度问题是 NP 难问题，并为集中式和分布式解决方案引入了贪婪最大调度程序。
• 还涵盖了所提出方案的性能限制。
• 彻底评估了所建议算法的有效性。

多服务器便携式计算网络中的资源分配和任务卸载

项目描述

一种名为移动边缘计算 (MEC) 的新概念允许通过将云计算能力毛细管地分散到蜂窝接入网络的边缘，在靠近最终用户的地方提供复杂的服务和应用程序。

该项目的实施

• 在这项研究中，考虑了一个具有 MEC 功能的多蜂窝无线网络。
• 每个基站 (BS) 都配备了一个 MEC 服务器，通过任务卸载帮助移动用户执行计算密集型作业。
• 为了优化用户任务卸载收益（通过任务完成时间和能耗的加权和减少来确定），探讨了联合任务卸载和资源分配的问题。

该项目面临的挑战

• 手头的问题是一个混合整数非线性程序，它需要联合优化任务卸载决策、移动用户的上行传输功率和 MEC 服务器资源分配。
• 问题的组合结构使其对于大型网络来说难以解决并且成本高昂，无法获得理想的解决方案。

为了解决这个问题，我们建议将原始问题分解为两个单独的问题：一个任务卸载问题，它优化了与 RA 问题对应的正确功能，以及一个具有固定任务卸载选择的资本分配问题。我们使用凸优化和半优化方法来解决 RA 问题。我们为 TO 问题提供了一种独特的启发式方法，该方法在多项式时间内产生次优结果。

仿真结果表明，我们的方法性能几乎与理想解决方案一样好，并且与传统方法相比，它大大提高了客户的卸载效用。