移动边缘计算的计算卸载和资源分配策略研究

发布时间：2021-03-21 17:36

　　随着移动智能终端大量普及以及新型的计算密集且延迟敏感的应用高速发展,当今蜂窝异构网络的延迟和能耗问题逐渐凸显,对未来的蜂窝网络数据速率需求和绿色通信的实现提出了更高的要求。这些需求促使创新性的移动边缘计算（Mobile Edge Computing,MEC）概念的诞生。在移动网络边缘的基站部署计算能力,结合蜂窝异构网络的双层结构,使得移动终端用户可以将待处理的计算任务卸载到MEC服务器进行处理,从而有效地减少用户可感知的延迟和能量消耗。本文主要研究的内容为关于MEC面向用户的三个关键挑战,分别是决定用户的计算卸载、频谱资源分配和MEC计算资源分配。针对现有策略的不足,本文在蜂窝异构网络下研究了三种不同的系统模型,以联合最小化延迟和能量消耗为目标,提出了两种不同的计算卸载策略和一种联合计算卸载、无线频谱资源分配和计算资源分配的策略。首先,提出的第一种基于用户选择的计算卸载策略。考虑的的系统模型为一个部署MEC服务器的宏蜂窝基站（Macro cell base station,MBS）和一个可作为中继的小蜂窝基站（Small cell base station,SBS）。以最小化MEC系统... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：97 页

【学位级别】：硕士

【部分图文】：

计算卸载决策结果

终端用户应当本地用户。在第二个步骤中，由其的计算卸载优先级。第三个 用 户 分 配 无 线 频 谱 资 源其中I 是迭代次数， N 代表献中展示的数值结果，与没能耗。此外，随着 MEC 计算加。文献[30]考虑了部分卸载可计算卸载部分的情况，如分卸载到 MEC 服务器。作者其复杂度高达 O 2N ，为了法，次优算法的复杂度降低的信干噪比（Signal and I能效果。

示卸载计算任务，1 表示移动终端本地执行任务文献中提出的最优解决方案复杂度高达 22NO N Binary Particle Swarm Optimizer, BPSO）的启发式计算复杂度为 2O GKN ，其中，G 是迭代次数，就能量消耗而言，BPSO 算法能够实现与文献[3同的效果。文献[31]和文献[32]明显的缺点在于 M用户。文献[33]解决了多个移动终端用户的计算中，待解决应用被分成各部分全部可卸载，并在卸载计算。文献中假设移动终端用户可以确定应载到 MEC 服务器。问题先是被建立成高复杂度线性规划问题，其复杂度为 O N ，其中 N 为执果显示，与无卸载情况相比，使用穷举搜索最优。使用低复杂度的启发式算法可以为终端节省 3

【参考文献】：
期刊论文
[1]移动边缘计算卸载技术综述[J]. 谢人超,廉晓飞,贾庆民,黄韬,刘韵洁.  通信学报. 2018(11)
[2]基于雾计算的物联网基础安全架构[J]. 李昕,杨波.  黄山学院学报. 2017(05)
[3]大数据应用的现状与展望[J]. 唐国宇,陆文成.  电子技术与软件工程. 2017(19)
[4]基于雾计算的NB-IoT框架、关键技术及应用[J]. 张红,王玉峰.  中兴通讯技术. 2017(01)
[5]移动边缘计算技术及其本地分流方案[J]. 张建敏,谢伟良,杨峰义,武洲云,谢亮.  电信科学. 2016(07)
[6]移动边缘计算促进5G发展的分析[J]. 戴晶,陈丹,范斌.  邮电设计技术. 2016(07)
[7]大数据分析[J]. 陈明.  计算机教育. 2014(05)

硕士论文
[1]LTE-Advanced系统中的MIMO技术研究[D]. 黄宗治.重庆邮电大学 2010



本文编号：3093271