移动边缘计算中资源管理问题的研究

发布时间:2023-03-07 18:34
  物联网技术和无线通信技术的快速迭代更新,使得移动终端设备和数据流量迅猛增长,并且催生了一系列诸如虚拟现实、超高清视频、和智能驾驶等具有计算密集、延迟敏感特征的应用。然而,传统的集中式云计算网络架构因受限于过重的回程链路负载和过长的服务响应时延,无法满足海量移动终端及其新兴应用所需的低时延、高带宽、本地化处理等需求。移动边缘计算(Mobile Edge Computing,MEC)作为一种新的应用范式,提出将计算、存储、处理等功能从云服务器下沉到无线网络边缘,为移动用户提供邻近的实时计算和本地化处理能力,以减少网络延迟、提升用户体验。在移动边缘计算中,用户可将计算密集和延迟敏感型应用从本地迁移到边缘服务器,以解决自身计算资源和电池容量受限等问题。同时边缘服务器可预先缓存一部分用户所需的内容,以降低内容访问时延,提升用户体验。然而,由于移动边缘计算将计算和存储等资源引入到无线网络边缘,原有的无线网络资源分配和部署方案因不涉及计算和存储资源而不再适用。为此,本论文致力于研究如何将移动边缘计算中的计算和存储资源与无线通信相融合,进一步以异构蜂窝网络和车载边缘网络为典型无线网络场景,分别针对计算...

【文章页数】:126 页

【学位级别】:博士

【文章目录】:
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 移动边缘计算概述
        1.2.1 移动边缘计算的定义与技术特征
        1.2.2 移动边缘计算的垂直分层架构
        1.2.3 移动边缘计算的关键问题
    1.3 国内外研究现状
        1.3.1 二元计算迁移研究现状
        1.3.2 部分计算迁移研究现状
        1.3.3 边缘缓存研究现状
        1.3.4 智能移动边缘计算研究现状
    1.4 论文主要研究内容与贡献点
    1.5 论文结构及内容安排
第二章 异构蜂窝网络下多任务的计算迁移和用户关联
    2.1 引言
    2.2 系统模型与问题描述
        2.2.1 基于异构蜂窝网络的移动边缘计算系统模型
        2.2.2 计算迁移通信模型
        2.2.3 单个任务的计算迁移时延与能耗模型
        2.2.4 多个任务的计算迁移时延与能耗模型
        2.2.5 多任务计算迁移和用户关联优化问题
    2.3 针对多任务的计算迁移和用户关联算法
        2.3.1 用户关联
        2.3.2 计算迁移和资源分配
        2.3.3 多任务的计算迁移和用户关联联合优化算法
    2.4 仿真结果与分析
        2.4.1 参数设置
        2.4.2 算法收敛性
        2.4.3 性能评估
    2.5 本章小结
第三章 异构蜂窝网络下基于深度强化学习的计算迁移
    3.1 引言
    3.2 系统模型与问题描述
        3.2.1 多用户异构蜂窝智能云-边-端协同架构
        3.2.2 多用户异构蜂窝移动边缘计算系统模型
        3.2.3 计算迁移的时延与能耗模型
        3.2.4 基于深度强化学习的计算迁移和资源分配优化问题
    3.3 基于深度强化学习的计算迁移和资源分配算法
        3.3.1 基于DDPG的计算迁移和资源分配算法
        3.3.2 动作修正
    3.4 仿真结果与分析
        3.4.1 参数设置
        3.4.2 性能评估
        3.4.3 参数对性能的影响
    3.5 本章小结
第四章 车载边缘网络下计算迁移和负载均衡
    4.1 引言
    4.2 系统模型与问题描述
        4.2.1 车载边缘计算网络系统模型
        4.2.2 计算迁移传输时间模型
        4.2.3 计算迁移和负载均衡优化问题
    4.3 车载边缘计算网络下计算迁移和负载均衡联合优化算法
        4.3.1 边缘服务器选择决策
        4.3.2 计算资源分配与计算迁移比率优化问题
        4.3.3 边缘服务器选择和计算迁移联合优化算法
    4.4 仿真结果与分析
        4.4.1 参数设置
        4.4.2 性能评估
        4.4.3 负载均衡性
    4.5 本章小结
第五章 车载边缘网络下高效安全的边缘缓存
    5.1 引言
    5.2 车载边缘计算网络下高效安全边缘缓存框架
        5.2.1 高效安全边缘缓存框架
        5.2.2 基于许可链的边缘缓存机制
    5.3 基于深度强化学习边缘缓存方案
        5.3.1 基于Manhattan移动模型的边缘缓存问题
        5.3.2 基于深度强化学习的边缘缓存算法
    5.4 轻量级许可链区块验证方案
        5.4.1 效用证明共识机制
        5.4.2 基站效用评估
    5.5 安全性分析与仿真结果
        5.5.1 安全性分析
        5.5.2 边缘缓存的性能评估
        5.5.3 效用函数分析
    5.6 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 下一步工作展望
致谢
参考文献
攻读博士学位期间取得的成果



本文编号:3757678

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/xxkjbs/3757678.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户23166***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com