基于区块链的边缘计算可信卸载方法和系统设计实现
这是一篇关于移动边缘计算,区块链,智能合约,任务卸载,博弈论的论文, 主要内容为5G技术的发展和物联网技术的普及,数据量呈指数级增长。移动边缘计算利用靠近数据源头的计算节点对数据进行处理,减少网络开销。然而现有边缘计算研究方案中,任务数据保护方法和卸载决策方法大多采用集中式方案,容易受到恶意篡改攻击,同时存在拥塞拥塞问题。除此之外,在卸载过程中,多方会为了自身利益做出不利于整个网络架构的行为。任务数据的不安全和卸载中的不诚实行为,会极大程度降低网络架构的可信度。可信度是MEC服务器和终端设备参与卸载的重要因素。失去可信度将严重影响MEC服务器和终端设备的参与积极性。区块链技术作为一种新兴技术,可以有效解决边缘计算中的数据安全和信任问题。因此,研究基于区块链的边缘计算可信任务卸载方法和系统具有现实意义。本文针对分布式边缘计算场景信任问题进行了研究,建立了问题模型,采用效用作为评估标准,得到虚拟机与卸载任务的效用函数。将卸载问题转化为双边效用最大的匹配问题。考虑到分布式计算卸载中个体理性的问题,本文建立了非合作博弈目标函数,并提出了基于博弈论的任务匹配算法,该算法满足纳什均衡状态,可以让个体在分布式计算卸载中做出最优选择,保证卸载的公平公正。为了解决中心化决策组织恶意获利、决策过程不透明带来的问题,本文提出了基于区块链的可信卸载方法,代替中心化决策组织,使得卸载过程公开透明。基于真实数据集的实验表明,所提出的分布式算法性能相似于集中式最优算法,能在牺牲较少性能的情况下,保证卸载过程的可信和透明。本文针对计算卸载中的任务数据安全问题,结合卸载决策算法,提出一种基于区块链的边缘计算可信卸载系统。本系统的核心主要采用Hyperledger Fabric联盟链框架并结合星际文件系统,形成“链上索引,链下存储”的协同存储模式。系统将任务详情数据和卸载数据的索引信息链上存储,确保任务详情数据和卸载数据索引的去中心化存储、不可篡改优势,缓解网络拥塞,避免恶意篡改数据。系统利用星际文件系统技术,在链下存储卸载数据,有效地降低了系统的存储压力。本文对所提出的系统进行设计和实现,包括总体设计、系统核心功能模块的设计、区块链层设计和实现、星际文件系统的搭建。针对系统进行系统仿真测试。测试结果表明,所提出的基于区块链的边缘计算可信卸载系统具有良好性能,卸载决策智能合约具有较小的计算开销,能够满足用户的使用需求。最后,本文对所提出的系统和方法进行可信度分析,验证其有效性。
移动边缘计算网络中的计算卸载及负载均衡算法研究
这是一篇关于移动边缘计算,计算卸载,卸载决策,资源分配,负载均衡的论文, 主要内容为随着移动互联网以及物联网的飞速发展,越来越多的终端设备以及新型应用(如增强现实、人脸识别和交互式游戏等)出现在人们的日常生活中。这些新型应用通常具有计算密集型和时延敏感型的特点,对终端设备的计算和存储等能力提出了较高的要求。移动边缘计算(Mobile Edge Computing,MEC)的出现很好地解决了终端设备计算和存储能力不足等问题。用户设备可以将自身难以处理的复杂计算任务卸载到移动网络边缘的MEC服务器,并利用其丰富的计算和存储资源进行任务处理,有效地提升用户的体验质量。MEC在带来诸多优势的同时,也存在着如何根据有限的计算资源(用于任务处理)和无线资源(用于任务传输)来制定合理高效的计算卸载机制,以及MEC服务器中由于卸载任务量的分布不均所带来的负载均衡问题。对此,本文针对MEC网络中的计算卸载和负载均衡算法展开研究,具体内容如下:1.针对单小区-多用户MEC场景下的计算卸载问题,综合考虑用户任务卸载决策以及有限的无线和计算资源对计算卸载的影响,提出了任务卸载决策及资源分配的联合优化问题。首先,采用自适应遗传算法制定卸载决策及后续的更新操作。具体地,在每一次卸载决策更新的情况下,将原问题分解为功率分配和计算资源分配两个子问题;然后,根据凸优化及准凸优化理论,利用二分搜索法和拉格朗日乘子法分别求出功率分配和计算资源分配的最优解。仿真结果表明,所提出的方案在保证用户时延约束的同时,降低了用户总开销,有效地提升了系统的性能及用户体验质量。2.针对密集异构网络MEC场景下的计算卸载问题,考虑不同小小区间的同信道干扰对计算卸载的性能影响,提出了卸载决策和资源分配的联合优化问题。首先,采用混沌变异二进制粒子群算法优化用户的卸载决策,并在特定卸载决策下,采用拉格朗日乘子法对用户进行计算资源分配;然后,在满足用户最低传输速率和最大可容忍干扰的条件下采用改进的Kuhn-Munkre算法来对卸载用户进行子信道分配。仿真结果表明,所提出的方案相比于其他方案能够节省更多的开销,有效地提升系统性能。3.针对未来密集部署MEC服务器负载均衡问题,考虑了由于在不同时间内网络中的卸载任务量的变化情况,选择对MEC服务器进行休眠操作,以节省不必要的能量消耗。首先采用M/M/m多服务台排队理论对网络中的卸载任务量进行建模,然后根据网络中的卸载任务量利用集合均值迭代比较算法筛选出具有较少卸载任务量的MEC服务器集合,并对该集合内的MEC服务器进行逐一判断,进行休眠操作。仿真结果表明,所提方案能够明显地降低系统的能耗。
移动边缘计算场景下微服务部署优化系统设计
这是一篇关于负载预测,云计算,微服务,多头自注意力机制,移动边缘计算,长短期记忆神经网络的论文, 主要内容为近年来,微服务架构软件以更接近用户的形式,部署在移动边缘计算(Mobile Edge of Computing,MEC)侧。由于部分服务对时延要求较高,且边缘侧资源有限。因此怎么保证时延敏感型微服务的服务质量,并充分利用有限的边缘计算资源十分重要。基于上述问题,本文研究内容如下:为保证时延敏感型微服务的服务质量,需提前预测服务负载,并扩容微服务实例。本文考虑微服务特征,基于边缘计算场景,提出了M-ED-MUL负载预测模型。预测流程首先对负载序列进行平稳性验证,针对平稳序列采用线性预测模型。对于非平稳序列,首先对存在微服务调用关系的上游微服务负载序列,进行相关度计算并排序筛选降维,得到相关度最高的几项。之后利用无抽取的小波变换算法,将待预测负载序列分解为更利于计算分析的近似信号与细节信号。最后将其这些序列联合输入到M-ED-MUL预测模型。M-ED-MUL预测模型利用长短期记忆编码-解码网络,对目标负载进行多时间步预测,并利用多头注意力机制,挖掘负载序列前后依赖关系。最终在阿里云的微服务数据集上,对本文提出的负载预测方法和其他方法进行充分实验对比,验证了本文方法的有效性。为高效利用有限的边缘侧资源,本文提出多边缘集群微服务优化部署系统。整个系统以保证时延敏感型微服务的服务质量、均衡高效利用边缘资源为优化目标,将不同边缘集群统一管理。在边缘集群内部,采用基于抢占式、定制化预选、优选等服务部署策略的Kubernetes平台统一管理。在不同的边缘集群之间,采用中心化系统统一管理。中心化系统能够预测微服务负载,跨集群迁移服务实例,高效利用多边缘集群资源。实验表明,多边缘集群调度系统能够最大化利用多个边缘集群资源。通过与Kubernetes固有部署策略相比,本文提出的部署策略有效保证了时延敏感型微服务的服务质量,降低了微服务的SLA违法率,有效降低了服务时延。
基于移动边缘计算的任务调度系统的设计与实现
这是一篇关于移动边缘计算,工作流调度,延时优化,能耗优化,多目标优化的论文, 主要内容为随着5G时代的到来,移动边缘计算(Mobile edge computing,MEC)作为一种在网络边缘利用计算资源的技术,正迅速发展。然而,MEC环境中的工作流调度仍面临许多挑战:首先,移动设备的工作流调度需要提供低能耗和低延迟的服务需求,否则会严重影响用户体验,现有的工作流调度算法仍有提升空间;其次,任务调度过程中如果不考虑网络拥塞,则数据传输速度会难以预估。针对这些问题,本文提出了相应解决方法。本文相关工作和特色如下:1.针对MEC环境下移动设备工作流任务调度不合理的问题,本文提出了一种基于能耗和延时感知的改进随机漂移粒子群工作流调度优化算法。该算法综合考虑了移动设备工作流任务的能耗约束和延时敏感性,建立了在能耗约束下以系统延时最小化为目标的优化模型。该算法首先根据工作流子任务之间的依赖关系生成任务执行序列,保证任务执行的有序性;然后,利用MEC节点的相关信息对工作流的执行能耗和时间进行计算;最后,通过粒子群算法寻求最佳调度方案,该算法在随机漂移粒子更新过程中加入交叉操作,保证了粒子的多样性与全局性。2.针对MEC环境下工作流调度算法多个重要指标之间存在冲突的问题,本文提出一种MEC环境下基于多目标优化的改进NSGA-II工作流调度算法。除了生成任务执行序列,还建立了多目标优化模型,采用改进的NSGA-II算法,保证工作流调度方案生成均匀的帕累托前沿,求解工作流任务的最优调度位置。改进NSGA-II-WS算法能提高解的均匀性和全局性。3.本文基于spring boot、vue等框架实现了针对延时优化和多目标优化的MEC工作流调度系统。通过测试说明,系统功能完备。
协作边缘缓存与推荐联合优化策略研究
这是一篇关于多智能体强化学习,协作边缘缓存,推荐系统,移动边缘计算的论文, 主要内容为在5G时代,为了应对爆炸式增长的移动端流量,通常将数据中心中的内容缓存到边缘基站,在减轻骨干网带宽压力的同时提高用户体验,即移动边缘缓存。与此同时,越来越多的互联网内容提供商开始依赖推荐系统为用户提供个性化的内容推荐服务,提高用户服务满意度。可以看出,在5G边缘计算时代,边缘缓存策略和推荐策略相互影响。联合优化边缘缓存和推荐策略有助于进一步提高缓存的利用率和提升用户的服务质量,具有重要的研究价值。考虑到多个边缘节点往往可以相互协作,这给协作区域内的联合优化边缘缓存与推荐内容带来了巨大挑战。为了解决这一难题,本文深入研究了联合协作边缘缓存与推荐优化问题,并设计了两种策略对该问题进行求解。本文首先提出了一种启发式的集中求解策略对联合协作边缘缓存与推荐优化问题进行近似求解。由于缓存与推荐两个求解目标是紧密耦合的且难以直接求解,因此将该联合优化问题分解为两个可以求解的子问题;即推荐感知的协作边缘缓存问题与缓存感知的推荐问题。使用对偶分解和次梯度算法对协作边缘缓存问题进行迭代求解;基于求得的缓存结果,设计了一种延迟最优的推荐策略来求解缓存感知的推荐问题。由于启发式的集中求解策略的可扩展性较差,因此,本文进一步提出了一种基于多智能体强化学习的分布式策略。将联合协作边缘缓存与推荐联合优化问题重新建模为多端多臂老虎机问题,并提出了两种基于多智能体强化学习的分布式策略。在第一种分布式策略中,改进了基于启发式的集中式策略,多智能体强化学习仅应用于求解协作边缘缓存子问题,使其可以分布式部署并提高缓存效率。更进一步,在第二种分布式策略中,提出了一种可以直接求解联合优化问题的多智能体强化学习策略,并对该策略进行了充分的理论分析,证明了其性能的优越性。本文使用Moive Lens数据集对所提出的三种协作缓存与推荐联合优化策略进行了一系列性能表现评估。与最新的方法相比,平均下载延迟最多降低了60%,同时平均缓存命中率提升了23%,证明了本文所提出的协作缓存与推荐联合优化策略的有效性。
移动边缘环境下可靠性增强的服务部署方法研究
这是一篇关于移动边缘计算,服务质量,服务可靠性,k容错部署,强化学习的论文, 主要内容为移动边缘计算作为一种分布式计算架构,将数据处理和存储中心迁移到靠近用户和数据源的边缘节点,减少了核心网带宽资源占用并降低服务延时,极大提升了服务质量和用户体验。目前在移动边缘计算中,通常使用基于容器的虚拟化方式进行服务部署来提升资源利用率,然而在该部署方式下,单台物理服务器宕机会导致其上部署的多个容器均无法正常提供服务。为了应对该情况,本文主要研究在移动边缘环境下如何进行服务部署,能实现在节约部署成本的前提下,考虑不同边缘节点服务之间的通信与协同,最终达到有效提升服务的可靠性的目的。本文的研究内容主要分为两部分。第一部分针对移动边缘环境下物理机宕机造成部署服务失效的问题,提出了基于容器的微服务k容错部署方法。研究首先将k容错部署和多重k容错部署问题建模为组合优化问题,并通过改进人工蜂群算法对该问题进行求解,最终仿真实验结果表明该算法在控制物理资源使用的情况下,大大提升了服务的可靠性。第二部分对可靠性增强的组合服务部署方法进行研究,考虑了组合服务中不可忽视的通信带宽。研究将组合服务部署问题建模为虚拟网络映射问题,首先通过资源备份将原始的虚拟请求网络拓展为可生存容器架构,同时引入跨域映射使得服务部署更适用于边缘计算环境,并使用基于策略的强化学习方法解决该问题,最终实验结果表明,该部署策略可提供更优的长期收益成本比以及更高的资源利用率。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计工坊 ，原文地址：https://m.bishedaima.com/lunwen/47231.html
