因素随机场景下边缘计算性能优化研究

发布时间：2021-10-09 19:02

　　移动互联网和物联网技术的快速发展催生了许多计算量较大且对时延敏感的应用,例如云游戏、自动驾驶、视频直播、人脸识别等。这些应用不仅增加用户设备（User Equipment,UE）和物联网节点自身的计算负担,还产生了大量的数据传输业务,加重了网络的传输压力,且不适合部署在具有较大传输时延的云计算模式中。边缘计算是一种将计算和存储资源部署在近用户端的分布式服务计算模式,能够为UE或物联网节点提供低传输时延的计算和存储服务,有助于降低骨干网的数据传输量,减轻云中心的数据传输和处理压力。此外,UE或节点可以将自身计算业务迁移至边缘服务器端,在增强算力的同时还可以降低自身计算能耗。得益于上述优势,边缘计算已成为当前服务计算领域的热点方向,引起了学术界和产业界的广泛关注。边缘计算的关键性能指标包括时延、能耗、可靠性等,对其进行优化具有重要的理论意义和实用价值,是相关研究的热点领域。已有的研究主要关注业务量等因素确定场景下的性能优化问题,忽略了相关因素的随机波动所带来的影响。另外,现有研究在考虑时延代价时,一般认为时延是固定的,或仅考虑平均时延代价,忽略了时延抖动的影响。本文在充分考虑时延和业务资源... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：134 页

【学位级别】：博士

【文章目录】：
致谢
摘要
ABSTRACT
缩略语表
1 绪论
    1.1 研究背景与研究意义
        1.1.1 边缘计算的起源
        1.1.2 边缘应用场景
        1.1.3 边缘计算基本架构
        1.1.4 边缘计算性能优化
        1.1.5 边缘计算性能优化的研究意义
    1.2 研究现状
        1.2.1 针对用户端的性能优化
        1.2.2 针对服务器端的性能优化
        1.2.3 已有研究的不足
    1.3 主要研究内容与创新点
    1.4 论文的结构
2 抗时延抖动的多接入边缘计算任务调度
    2.1 引言
    2.2 相关研究
    2.3 系统模型
        2.3.1 HEFT算法
    2.4 考虑时延随机性的任务调度
        2.4.1 时延风险概率与最大可忍受时延
        2.4.2 概率密度估计
        2.4.3 优化模型
        2.4.4 问题的求解
        2.4.5 CHEFT的高斯近似算法
    2.5 仿真结果
        2.5.1 仿真环境设置
        2.5.2 时延性能仿真结果
    2.6 本章小结
3 基于负载均衡和资源配置的协作式边缘计算能耗优化
    3.1 引言
    3.2 相关研究
    3.3 系统模型
        3.3.1 服务风险概率
        3.3.2 DVFS配置策略
        3.3.3 计算业务量的PDF估计
        3.3.4 能耗模型
    3.4 能耗与SRP的权衡
        3.4.1 优化模型
        3.4.2 最优CCF配置策略
        3.4.3 基于二分搜索的CCF优化算法
        3.4.4 业务量呈高斯分布时CCF优化
    3.5 多接入边缘计算负载均衡与计算资源配置
        3.5.1 优化模型
        3.5.2 业务量分布不确定
        3.5.3 业务量高斯分布
    3.6 算法性能测试
        3.6.1 随机生成数据测试结果
        3.6.2 PlanetLab VM计算业务量数据集测试结果
    3.7 本章小结
4 基于QoS控制和资源配置的服务可靠性优化
    4.1 引言
    4.2 相关研究
    4.3 系统模型
        4.3.1 VM与容器在资源使用上的差异性
        4.3.2 服务可靠性概率
    4.4 服务可靠性最大化问题
        4.4.1 ASRP最大化问题
        4.4.2 RAP的求解
        4.4.3 SQCP的求解
        4.4.4 ASRP的求解
        4.4.5 SSRP最大化问题
    4.5 仿真结果
        4.5.1 仿真环境设置
        4.5.2 基准算法
        4.5.3 ASRPMP仿真结果
        4.5.4 SSRPMP仿真结果
    4.6 本章小节
5 基于多维度资源配置的服务可靠性优化
    5.1 引言
    5.2 相关研究
    5.3 系统模型
        5.3.1 VM环境下的SRP
        5.3.2 容器环境下的SRP
    5.4 VM环境下的多维度资源配置
        5.4.1 优化问题
        5.4.2 基于Logistic近似的交替优化算法
    5.5 容器环境下的多维度资源配置
        5.5.1 优化模型
        5.5.2 目标函数的凹性分析
        5.5.3 基于对数变换的求解算法
    5.6 仿真结果
        5.6.1 仿真设定
        5.6.2 VM模式仿真结果
        5.6.3 容器模式仿真结果
    5.7 本章小节
6 总结与展望
    6.1 本文总结
    6.2 研究展望
参考文献
作者简历及博士在读期间科研成果
学位论文数据集


【参考文献】：
期刊论文
[1]云原生边缘计算架构分析[J]. 张琦,贾玄,张森,殷薇,欧争光,王烽.  电信科学. 2019(S2)
[2]An Efficient Scheduling Scheme for Fronthaul Load Reduction in Fog Radio Access Networks[J]. Sovit Bhandari,Hong Ping Zhao,Hoon Kim.  中国通信. 2019(11)
[3]5G URLLC标准、关键技术及网络架构的研究[J]. 朱红梅,林奕琳,刘洁.  移动通信. 2017(17)
[4]Fog Computing Dynamic Load Balancing Mechanism Based on Graph Repartitioning[J]. SONG Ningning,GONG Chao,AN Xingshuo,ZHAN Qiang.  中国通信. 2016(03)
[5]云计算及其关键技术[J]. 陈全,邓倩妮.  计算机应用. 2009(09)



本文编号：3426839