6G网络细粒度资源切片与调度算法研究与实现

这是一篇关于6G,细粒度切片,弹性接入,任务卸载,资源分配的论文, 主要内容为随着网络技术的不断发展,对于网络的要求也在不断增加,未来的6G网络将形成全域覆盖和海量连接的泛在智能的场景。对比5G网络,服务将会根据业务进行更细致的划分,将产生更多的指标和功能,例如比特率、流量容量、覆盖率、服务可用性和可持续性等,即便是同一指标也会有着更细致的划分。这些都需要网络提供更细致的定制化、场景化服务,所以业务指标需要更精细化的划分。针对6G细粒度切片中的接入切换和资源调度问题,本文主要从以下三个方面展开对6G细粒度资源切片与调度算法的研究:(1)针对大带宽业务细粒度切片的网络切换问题,提出了基于二分图匹配的6G网络弹性切换算法。该算法通过完成“用户-切片-基站”的最优关联,最大化用户和速率,将接入问题建模为层次化二分图稳定匹配问题。算法采用“切片-基站”一体化和“先切片再基站”两阶段的两种匹配思想,使用Gale-Shapley匹配算法,实现网络的自适应切换。同时,该算法考虑弹性接入的思想,用户可以选择任何能够满足业务需求的切片接入,并且优先选择提供用户速率高的切片。仿真结果表明,所提的一体化和两阶段匹配算法的接入成功率与传统方法相比分别提升15%和10%,用户和速率也有明显提升。(2)针对多业务下的任务卸载与切片资源调度问题,提出了基于A3C的任务卸载和资源分配联合算法。考虑多用户多MEC的细粒度切片场景,将任务时延和能耗作为系统成本,以最小化系统成本的目标,完成任务卸载和资源分配。任务卸载决策时会包含切片维度,卸载决策和资源分配复杂度上升,传统算法难以满足求解需求。因此使用A3C算法,通过异步并行的方式,将每个MEC作为智能体进行本地训练,并将结果更新到全局网络,加快收敛速度。仿真结果表明,此算法在满足用户需求的前提下,可以减少系统成本。(3)设计并实现了一个节能弹性网络切片系统,该系统通过核心控制器收集用户、位置等信息,实现对基站和用户的管控。在用户业务切换时,系统会自动选择最合适的基站和切片进行接入,并对当前未被使用的基站进行休眠操作,以减少不必要的资源消耗和达到节能效果。当需要服务时,系统会自动唤醒相应基站,实现对网络资源的高效利用。该系统设计可应用于各种场景中,可以有效降低网络能耗,同时提高网络资源的利用率。测试结果表明,此系统可以实现用户对基站和切片的自适应接入和基站的自适应激活与休眠。

雾计算网络任务卸载和安全分片方案研究

这是一篇关于雾计算,任务卸载,区块链,信誉模型,分片的论文, 主要内容为雾计算网络位于物联网(Internet of Things,Io T)设备和云之间,可为Io T设备(Io T Devices,IDs)提供传输、计算和缓存资源,以降低IDs应用传输时延,提高服务质量(Quality of Service,Qo S)。由于雾节点(Fog Nodes,FNs)计算资源有限,需优化卸载决策和资源分配方案以提高资源利用率,降低网络开销。同时,由于FNs的离散部署,导致用户数据安全和网络抗攻击能力面临巨大的挑战。现有研究中,采用区块链技术来保证传输数据的安全性。但是,由于区块链可扩展性限制,网络吞吐量低,共识时延高。针对以上问题,本文研究了雾计算网络任务卸载和安全分片方案。首先,本文研究了雾计算网络中任务卸载与区块共识方案。为了最小化网络开销,分别针对任务卸载能耗和区块链共识时延提出卸载目标动态匹配(Offloading Target Dynamic Matching,OTDM)算法和基于信誉值的委托拜占庭容错(Reputation-based Delegated Byzantine Fault Tolerant,R-DBFT)算法。首先,提出基于区块链技术的雾计算网络模型,并引入设备到设备(Device-To-Device,D2D)链路辅助任务卸载。同时,基于FNs的信誉值筛选候选区块链节点(Candidate Blockchain Nodes,CBNs)集,并识别网络中的恶意节点。其次,基于IDs的任务量、时延容忍度等因素提出OTDM算法,为IDs匹配最优卸载目标,从而降低能耗。最后,提出R-DBFT算法,从CBNs中选取区块链节点(Blockchain Nodes,BNs),从而在保证网络安全的条件下,降低共识时延。并且,通过仿真验证所提算法的有效性。进一步,为提高网络吞吐量,本文研究了基于分片的区块链验证方案。该方案采用分片技术将FNs拆分成多个分片,以降低对单个FN的计算和存储需求。首先,建立基于区块链技术的雾计算网络模型,并采用基于FNs信誉值的拜占庭容错(Practical Byzantine Fault Tolerance,PBFT)算法实现快速共识。其次,提出信誉模型,结合历史信誉值以及决策信息更新FNs信誉值,并以此识别网络中的恶意节点。再次,使用归一化熵计算网络中恶意节点的比例,求解最佳分片数量。然后,联合考虑最佳分片数量、FNs地理位置以及片内节点数量等因素,提出一种基于位置的雾节点可靠分片(Location based fog nodes Reliable Sharding,LRS)算法,以提升网络性能。最后,通过仿真验证算法的有效性,并基于springboot框架搭建可视化验证平台。

基于微服务架构的工业互联网网关的设计与实现

这是一篇关于工业互联网,微服务,协议适配,任务卸载,云边交互的论文, 主要内容为随着工业互联网的飞速发展,工业环境中部署的传感器数量日益增长,工业互联网的规模不断扩大,但是还存在着诸多问题:1)传感器的数量增加,导致工业互联网中的数据量正在以爆炸式的速度增长;2)传感器具有异构性,使用的通信协议各有不同,数据的解析方式也存在着不同,难以用统一的框架处理;3)工业互联网应用属于时延敏感型应用,传统的云计算在海量数据占用过多带宽的情况下处理时延急剧增加。为了解决以上问题,本文结合边缘计算低时延、高可靠性、高可扩展性等优点,设计并实现了一个基于微服务架构的工业互联网网关,在边缘侧搭建了一个集“网络-计算-存储-应用”核心能力为一体的网关平台,为传感器提供计算服务。本文提出网关的整体架构分为四个部分,分别是:协议适配层、基础服务层、任务应用层和云边交互层,各个层中完成的具体工作如下:协议适配层研究了多种工业环境中常用的通信协议,如Modbus、MQTT、TCP等协议,本文对其通信模式及流程进行分析,设计并实现了协议适配服务,将下层的数据采用统一格式封装,并将上层下发的命令解析成不同传输协议可以识别的格式。从而使网关能够适配多种协议,解决工业互联网的异构性的问题。基础服务层作为网关的基础平台,主要功能是为上层应用提供基础服务。本文在这一层中实现了数据存储服务、设备管理服务和远程配置服务。数据存储将近期数据保存在网关平台,为网络边缘的设备提供了数据支持;设备管理服务提供了对底层传感器的高效管理;远程配置服务为网关的配置更新提供了便利。任务应用层研究了工业互联网中的任务卸载与资源分配,提出了任务的多级卸载模型,并通过启发式算法求解最优的网关任务多级卸载的调度策略。同时,本文设计并实现了网关任务的卸载调度功能,将网关中具有高实时性需求的任务卸载到边缘服务器执行,通过全局任务卸载调度器的调度,使得任务完成的总时间显著减小,从而解决了云计算时延较长的问题。云边交互层主要分为数据导出服务和API网关服务两部分。数据导出服务用于管理网关数据的统一出口;API网关服务则为云端访问网关集群提供了统一的入口,实现云边交互的统一化与规范化。最后,本文对所实现的工业互联网网关各个层次进行测试,测试结果表明本文能够有效解决工业互联网中存在的数据的海量性、多源异构性等问题,降低任务的时延,对工业网关的应用有着重要意义。

基于受限环境的分布式任务卸载系统的设计与实现

这是一篇关于任务卸载,受限环境,Kubernetes,DPSO,TOPSIS的论文, 主要内容为任务卸载是分布式计算中一个突出的研究课题,最小化任务卸载开销和优化计算延迟对提高分布式计算性能至关重要。随着边缘计算的快速发展,它为用户提供了强大的计算支持。然而,随着边缘计算架构应用场景的不断扩大,要求边缘计算在受限的环境中也能提供计算支持并保证计算效率。本论文主要研究受限环境下的任务卸载问题。基于云-边-端三层架构,在边层部署了不同的任务卸载策略,以解决不同类型计算任务在计算和网络受限下的任务卸载问题。本论文的主要研究内容如下:1.研究受限情况下的多集群的资源监控方法。针对受限的网络与计算环境,本论文的分布式框架基于边缘计算的云-边-端架构进行搭建。针对单机节点计算资源受限问题,在边层部署多个Kubernetes集群,通过主节点对集群内工作节点进行管理与数据采集;针对网络环境受限问题,采用低网络负载的心跳方式实现相邻集群的协同通信。该架构具备可扩展性、灵活配置等重要优点。2.研究最小化任务卸载开销的任务卸载策略。本文针对集群内任务卸载效率较低的问题,将任务划分为不可拆分任务,针对单个任务的卸载,对节点能耗开销系数进行优化,提出了基于贪心算法的单任务卸载策略(STS);针对多任务的整体卸载,对任务聚类构建带优先级的任务输入,对离散粒子群算法进行改进,以最小化整体任务卸载开销为目标函数,对粒子群模型的惯性系数和学习系数进行优化,提出基于离散粒子群算法的多任务竞争卸载策略(RC-DPSO)。实验测试结果表明,对比不同的任务卸载算法,该策略能提高集群内系统性能并减少任务卸载开销。3.研究均衡多集群资源利用率的任务卸载策略。本文针对多集群间协同资源利用率较低的问题,对TOPSIS算法进行改进,通过层次分析为不同的资源指标指定不同的组合权重,为可拆分任务选取相邻最佳卸载节点,以最大化多集群资源利用率为目标,提出基于TOPSIS的多资源最优节点选取算法(CMN-TOPSIS)。实验测试结果表明,该策略能显著提高多集群的资源利用均衡性。4.研究任务卸载系统的设计与实现。通过提出的优化任务卸载策略,搭建了一个管理和配置集群节点的可视化平台,为受限环境下不同类型的任务卸载问题提出一种解决方法。

面向偏远地区电力通信的边缘计算卸载与能耗管理策略

这是一篇关于能源互联网,电力通信网,服务缓存,任务卸载,李雅普诺夫优化的论文, 主要内容为偏远地区分布式能源系统建设发展已成为当前能源互联网发展主要方向,电力通信网作为能源互联网数据通信的重要手段,在偏远地区建设缓慢,难以满足海量分布式电源智能感知的计算需求。在目前偏远地区分布式能源业务数据计量通信场景中,海量设备接入和通信需求和业务数据低时延数据感知和快速控制需求是最为突出的两类需求,边缘计算(edge computing)与5G通信(5th generation mobile communication)技术的结合,为偏远地区分布式能源业务通信场景提供实时高频感知和数据计算支撑。现有工作重点关注电力通信接入网的通信性能优化,偏远地区电力边缘计算终端计算能耗难以维持系统长期运行问题缺乏关注,因此亟需对偏远地区电力通信场景下的边缘计算卸载与能耗管理策略进行研究。针对偏远地区电力无线通信场景下的任务卸载与资源分配策略开展研究,主要研究内容和创新点如下:首先,针对偏远地区电力通信与分布式电力计量业务的通信需求,本文设计了包括云平台调度层、基站调度层和终端设备层的偏远地区分布式能源业务三层通信架构,通过5G无线公网通信技术和设备间直连通信实现信息传输、资源调度及设备间的协同计算,为后续在满足海量分布式智能终端接入和毫秒级业务通信时延要求的同时实现服务缓存、协同卸载与能耗管理策略奠定了模型基础。其次,针对偏远地区终端远距离分散部署,部分计量或传感终端无法直接与基站和其他设备通信问题,本文提出了无人机辅助的终端设备混合通信组网方案。构建无人机与计量设备间的多跳与任务卸载模型,建立了系统设备总能耗优化目标的任务卸载策略与多跳路径规划问题,并设计了卸载决策与路径规划双层迭代算法对该问题进行求解。最后,针对偏远地区分布式电源计量通信有限缓存资源下的任务卸载策略受缓存数据分布限制问题,本文考虑动态缓存策略,使设备可以根据任务到达规律更新自身服务缓存列表以提高缓存命中率。以系统长期运行总能耗期望最小为目标,建立了面向多时间尺度的边缘协同缓存与计算策略联合优化问题。针对优化问题中多时隙耦合以及未来信息无法获取的问题,本文进一步提出基于李雅普诺夫的在线卸载与缓存共享策略,通过终端之间共享服务缓存内容,提高有限能量与缓存容量下的任务计算效率。

雾计算网络任务卸载和安全分片方案研究

这是一篇关于雾计算,任务卸载,区块链,信誉模型,分片的论文, 主要内容为雾计算网络位于物联网(Internet of Things,Io T)设备和云之间,可为Io T设备(Io T Devices,IDs)提供传输、计算和缓存资源,以降低IDs应用传输时延,提高服务质量(Quality of Service,Qo S)。由于雾节点(Fog Nodes,FNs)计算资源有限,需优化卸载决策和资源分配方案以提高资源利用率,降低网络开销。同时,由于FNs的离散部署,导致用户数据安全和网络抗攻击能力面临巨大的挑战。现有研究中,采用区块链技术来保证传输数据的安全性。但是,由于区块链可扩展性限制,网络吞吐量低,共识时延高。针对以上问题,本文研究了雾计算网络任务卸载和安全分片方案。首先,本文研究了雾计算网络中任务卸载与区块共识方案。为了最小化网络开销,分别针对任务卸载能耗和区块链共识时延提出卸载目标动态匹配(Offloading Target Dynamic Matching,OTDM)算法和基于信誉值的委托拜占庭容错(Reputation-based Delegated Byzantine Fault Tolerant,R-DBFT)算法。首先,提出基于区块链技术的雾计算网络模型,并引入设备到设备(Device-To-Device,D2D)链路辅助任务卸载。同时,基于FNs的信誉值筛选候选区块链节点(Candidate Blockchain Nodes,CBNs)集,并识别网络中的恶意节点。其次,基于IDs的任务量、时延容忍度等因素提出OTDM算法,为IDs匹配最优卸载目标,从而降低能耗。最后,提出R-DBFT算法,从CBNs中选取区块链节点(Blockchain Nodes,BNs),从而在保证网络安全的条件下,降低共识时延。并且,通过仿真验证所提算法的有效性。进一步,为提高网络吞吐量,本文研究了基于分片的区块链验证方案。该方案采用分片技术将FNs拆分成多个分片,以降低对单个FN的计算和存储需求。首先,建立基于区块链技术的雾计算网络模型,并采用基于FNs信誉值的拜占庭容错(Practical Byzantine Fault Tolerance,PBFT)算法实现快速共识。其次,提出信誉模型,结合历史信誉值以及决策信息更新FNs信誉值,并以此识别网络中的恶意节点。再次,使用归一化熵计算网络中恶意节点的比例,求解最佳分片数量。然后,联合考虑最佳分片数量、FNs地理位置以及片内节点数量等因素,提出一种基于位置的雾节点可靠分片(Location based fog nodes Reliable Sharding,LRS)算法,以提升网络性能。最后,通过仿真验证算法的有效性,并基于springboot框架搭建可视化验证平台。

基于区块链的IoT资源优化与调度研究

这是一篇关于任务卸载,区块链,物联网,强化学习,联邦学习的论文, 主要内容为随着IoT应用和服务的不断发展,移动终端设备已经成为互联世界中非常重要的一部分,这些设备的连接将生成大量数据或任务,这些数据或任务需要存储、传输或计算。然而,如何快速安全地处理这些任务面临着诸多挑战:第一,IoT设备在处理能力、电池电量和存储空间方面具有资源限制,复杂和繁重的计算任务很难在这些设备上独立执行;第二,需要确保收集到的数据的安全性和真实性,区块链技术能够对数据进行可信存储,但是原始数据的直接传输依旧导致用户隐私难以保证;第三,许多应用存在数据的可信存储与监控需求,需要设计出区块链授信数据管理的系统模型、平台及部署模式。基于以上需求,本文以MEC计算任务卸载为基本场景,融合了区块链、边缘计算、DRL、联邦学习等多种技术,设计方案并开发相关系统,成功利用计算、通信和缓存等资源提供低延迟卸载决策、资源分配策略、隐私保护策略和资源监控服务。本文的主要工作如下:1.提出了一种基于DQN的IoT任务卸载优化方案,将MEC、控制器和区块链集成到系统中。鉴于系统的高维复杂性,通过充分考虑系统的可调整因素,将共识和卸载过程设计为MDP,并引入DQN算法来动态选择卸载动作(包括验证节点选择、块大小调整、任务卸载服务器选择和块间隔调整)。为了加速优化,本文根据任务的规模和计算复杂性设计了一个新的奖励函数。为了减少区块链对整体性能的影响,系统考虑了区块链的共识延迟和吞吐量,在实现系统的最佳总体性能的同时,保证了数据的安全性和完整性。仿真实验表明,与没有进行优化的方案相比,本文设计的方案在任务卸载数量和区块链吞吐量方面等表现更好。2.为了在满足合法合规的前提下进行数据价值流转,提出面向IoT隐私安全的资源调度方案,能够满足数据隐私要求,并避免直接共享数据。在每个计算任务的状态列表中加入是否接受传输原始数据,将联邦学习系统加入系统中,每个单元中的设备数据在其对应的MEC服务器上针对子模型进行训练,并且子模型参数在云服务器上聚合以生成全局模型。为了防止中央服务器的单点崩溃,提出了由区块链辅助的去中心化联邦学习框架,以提供可溯源和可靠的任务卸载和模型训练环境。除此之外,还考虑了区块链的优化。仿真实验表明,与其他方案相比,本文设计的方案在几乎所有区间都取得了更高的奖励值,并且收敛速度更快。3.基于实际应用对IoT数据进行可信的监控和管理的需求,设计并开发面向区块链应用的数据授信资源监控系统,系统性地管理监控节点资源并存储授信文件。基于国产区块链,实现了上链存证与查询监管等功能。用户界面可以对系统进行实时的监控,如查看节点数、消息处理能力、交易量、文件数等系统参量,可以观测服务性能、分布式存储性能、各种节点CPU占用率与链监控情况。

基于受限环境的分布式任务卸载系统的设计与实现

这是一篇关于任务卸载,受限环境,Kubernetes,DPSO,TOPSIS的论文, 主要内容为任务卸载是分布式计算中一个突出的研究课题,最小化任务卸载开销和优化计算延迟对提高分布式计算性能至关重要。随着边缘计算的快速发展,它为用户提供了强大的计算支持。然而,随着边缘计算架构应用场景的不断扩大,要求边缘计算在受限的环境中也能提供计算支持并保证计算效率。本论文主要研究受限环境下的任务卸载问题。基于云-边-端三层架构,在边层部署了不同的任务卸载策略,以解决不同类型计算任务在计算和网络受限下的任务卸载问题。本论文的主要研究内容如下:1.研究受限情况下的多集群的资源监控方法。针对受限的网络与计算环境,本论文的分布式框架基于边缘计算的云-边-端架构进行搭建。针对单机节点计算资源受限问题,在边层部署多个Kubernetes集群,通过主节点对集群内工作节点进行管理与数据采集;针对网络环境受限问题,采用低网络负载的心跳方式实现相邻集群的协同通信。该架构具备可扩展性、灵活配置等重要优点。2.研究最小化任务卸载开销的任务卸载策略。本文针对集群内任务卸载效率较低的问题,将任务划分为不可拆分任务,针对单个任务的卸载,对节点能耗开销系数进行优化,提出了基于贪心算法的单任务卸载策略(STS);针对多任务的整体卸载,对任务聚类构建带优先级的任务输入,对离散粒子群算法进行改进,以最小化整体任务卸载开销为目标函数,对粒子群模型的惯性系数和学习系数进行优化,提出基于离散粒子群算法的多任务竞争卸载策略(RC-DPSO)。实验测试结果表明,对比不同的任务卸载算法,该策略能提高集群内系统性能并减少任务卸载开销。3.研究均衡多集群资源利用率的任务卸载策略。本文针对多集群间协同资源利用率较低的问题,对TOPSIS算法进行改进,通过层次分析为不同的资源指标指定不同的组合权重,为可拆分任务选取相邻最佳卸载节点,以最大化多集群资源利用率为目标,提出基于TOPSIS的多资源最优节点选取算法(CMN-TOPSIS)。实验测试结果表明,该策略能显著提高多集群的资源利用均衡性。4.研究任务卸载系统的设计与实现。通过提出的优化任务卸载策略,搭建了一个管理和配置集群节点的可视化平台,为受限环境下不同类型的任务卸载问题提出一种解决方法。

基于统计时延保障的星地融合网络资源调度优化研究

这是一篇关于移动边缘计算,随机网络演算,深度强化学习,资源分配,任务卸载,时延保障的论文, 主要内容为随着卫星通信技术的不断发展,卫星物联网设备接入量和数据传输量不断增长,从而导致卫星物联网业务存在较明显的时空不均匀性、突发性与随机性,传统卫星网络架构易遇到高时延、高能耗等问题。为了应对这些挑战,本文基于融合边缘计算(Multi-access Edge Computing,MEC)的星地协同架构,研究能够表征卫星业务特性的业务建模和多星计算卸载的时延模型、基于统计时延保障的星地协同资源分配与计算卸载算法、星地网络仿真平台,对于提高卫星网络的效率和性能,以及提高卫星用户服务质量(Quality of Service,Qos)保障的可靠性具有重要研究意义。本文主要研究工作如下:首先,针对星地协同网络业务的突发性和随机性问题,本文提出一种基于随机网络演算的卫星业务建模分析方法。分别选用泊松模型和状态马尔科夫链对卫星的业务到达和信道服务过程进行表征,推导出卫星业务的随机到达曲线和随机服务曲线;基于随机网络演算理论并结合星地协同场景下的多跳卸载工作流程,推导卫星任务在多跳卸载时的时延模型;接着,针对理论时延模型进行仿真,分析不同通信参数对卫星多跳卸载性能的影响,验证所得理论性能边界与实际仿真性能的相符性。然后,针对卫星星地协同时延高度敏感问题和资源管理问题,本文提出一种基于统计时延保障的星地协同资源分配与计算卸载算法。利用随机网络演算理论分别对本地计算、接入星计算和多卫星协同计算三种策略下的统计时延概率边界进行了推导,获得三种策略的时延模型;以系统任务完成率为优化目标,进一步构建出资源分配和任务卸载的联合优化模型,将联合问题公式化为一个混合整数非线性规划问题;采用基于统计时延保障的资源分配算法求解公平资源分配,采用深度Q网络(Deep Q-Network,DQN)算法学习最优卸载决策,以提高任务时延保障的可靠性和卫星网络的资源利用率,并进行卸载策略的仿真实验以及分析评估。最后,针对卫星动态资源分配与卸载策略的高成本测试问题,本文提出一种基于STK的星地网络仿真平台。通过STK和MATLAB软件搭建星地网络仿真平台,基于功能需求进行平台框架和功能模块的设计,平台能够模拟卫星智能体与环境交互学习的过程;接着,开展星地网络仿真平台的构建与实验,进行仿真平台初始化测试以及卫星通信场景的搭建测试,所建平台能够实现不同网络规模需求的网络场景设计和通信参数调节,能够模拟多种资源调度策略,并提供卫星网络场景的多维度可视化展示。