论文部分内容阅读
随着移动互联网和物联网技术的快速发展,虚拟现实、增强现实以及人脸识别等一系列具有计算密集、延迟敏感特征的新型应用不断涌现。然而,由于移动终端受自身计算能力和电池容量的限制,导致其难以满足用户对这些应用的需求。移动边缘计算(Mobile edge computing,MEC)作为解决上述问题的一种新的计算范式,通过在网络边缘部署计算能力较强的MEC服务器,使得终端任务可卸载到MEC服务器进行计算,有效降低了任务执行时延和终端能耗。考虑到MEC系统资源的有限性和卸载请求的动态性,如何合理有效地设计任务卸载策略和资源分配方案成为MEC研究中亟待解决的问题。本文针对MEC中任务卸载及资源分配问题进行重点研究,主要研究内容和创新工作如下:1.针对当前基于平均值设计的MEC系统的不合理而导致难以满足用户低时延高可靠需求的问题,提出了一种基于Lyapunov的任务卸载与资源分配算法。首先,该算法在多MEC服务器多用户的移动边缘系统架构下,设计用户和MEC服务器的任务队列动态调度模型并以队列上溢概率和资源总量为约束,建立了最大化MEC系统平均收益的资源优化模型。其次,利用马尔可夫不等式将概率混合优化问题转化为无概率优化问题,然后运用Lyapunov优化理论设计一种基于单时隙的资源联合分配算法。最后,将原优化问题转化为用户本地计算资源分配、功率与带宽资源分配以及MEC服务器计算资源分配三个子问题分别进行求解。仿真结果表明,该算法在满足用户服务质量(Quality of Service,Qo S)需求的同时提高了MEC系统时间平均收益。2.针对移动边缘网络中业务流量空间分布不均而导致边缘节点计算资源利用率低的问题,提出了一种基于边缘协作的任务卸载与资源分配算法。首先,该算法考虑了一种基于SDN的MEC系统架构,以MEC服务器计算资源为约束,联合优化卸载决策和计算资源分配,建立了一个公平感知的用户时延优化模型。其次,由于优化问题为混合整数非线性规划(Mixed Integer Non-Linear Programming,MINLP)问题。为了降低求解难度,本文将原优化问题解耦成任务卸载和计算资源分配两个子问题,并提出了一种基于二搜索分法和模拟退火算法的迭代求解方案,从而得到优化问题的近似最优解。最后,仿真结果验证了该算法的收敛性,并且表明了边缘协作机制有效降低了用户任务时延,提高了资源的利用率。