针对传统基于机器学习的网络流量分类方法中样本标签的正确性会直接影响结果精度的问题,提出一种噪声容忍的网络流量分类方法。该方法基于深度残差网络的方法,首先,对网络流量数据进行归一化以及数据增强处理后映射成灰度图片,并对其样本标签进行不同程度的加噪;然后,基于Res2Net深度残差神经网络设计适用于网络流量噪声干扰下的维度模块,构造可以适用于流量标签噪声容忍的深度神经网络模型。基于公开数据集的实验结果表明,与传统的噪声容忍分类算法相比,基于改进的深度残差神经网络在不同噪声率下均提升了分类精度,并且在高噪声率下提升更为显著。

针对现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的问题,提出了一种利用深度学习模型进行特征融合的方法。该方法试图融合调制信号的时序特征和空间特征,以获得差异性更加明显的识别特征。首先,获取调制信号的A/P信号和I/Q信号;然后,搭建卷积长短时记忆模块与复数密集残差卷积模块分别提取A/P信号的时序特征和I/Q信号的空间特征并将之进行融合,获取融合互补的识别特征;最后,将识别特征输入分类网络,得到识别结果。实验结果表明,基于开源数据集,当信噪比大于5 dB时,识别率达到了93.25%,与基于单一特征识别相比,识别准确率高出3%～11%;利用实际采集数据进行分类识别,进一步证实了所提特征提取模型与融合策略的有效性。

云边协同计算中,计算资源分散在移动设备、边缘服务器和云服务器。将应用程序中的计算密集型任务从本地卸载到远程设备执行,利用远程资源来扩展本地资源,是解决移动设备资源受限问题的一个有效途径。针对云边协同计算中存在依赖关系的任务调度问题,提出一种基于强化学习的无模型方法。首先,将移动应用程序建模为有向无环图,建立云边协同计算中的任务调度问题模型。其次,将任务调度过程建模为马尔可夫决策过程,即使用Q学习通过与网络环境交互学习合理的调度策略。实验结果表明,所提出的基于Q学习的依赖型任务调度方法在不同场景下均优于所对比的基准算法,有效地减少了应用程序的执行时间。

针对车辆边缘计算的问题与挑战,提出了一种车-路-边协同的场景模型。以车辆密度为切入点,定义通信链路中断概率最小化问题,建立关于车流密度的通信速率模型。结合车辆卸载、定价以及资源分配3种策略将系统优化目标描述为车辆侧成本最小化,同时最大化RSU侧效用值的问题,引入问题分解的思想降低问题耦合度,将原始优化目标转换为卸载与定价之间的平衡问题以及资源分配问题。验证卸载与定价博弈的Nash均衡点的存在性,并提出一种基于Stackelberg博弈的分布式算法(SDA)求解优化问题。最后通过仿真实验验证了车流密度对于传输速率的影响,以及SDA为车辆降低了24%的卸载成本,为RSU提高了11%的收益。

当前边缘服务器放置问题已成为边缘计算发展的关键环节。现有边缘服务器放置方法结合放置成本、网络延迟与系统能耗等指标进行优化,但大多数工作忽略了边缘服务器之间的负载均衡。文中以最小化边缘服务器服务延迟与负载均衡为优化目标,建立边缘服务器放置优化模型,根据该优化模型选择最佳放置位置,并提出了一种基于改进的元启发式算法的边缘服务器放置方案MIWOA-ESP,完成模型中多目标优化并确定基站到边缘服务器映射关系,给出最优放置与分配方案。最后,使用上海电信基站数据集进行性能分析。实验结果表明,与其他基准方案相比,所提MIWOA-ESP放置策略在网络延迟和服务器负载均衡方面具有更好性能。

在物联网大规模多用户场景中,远端节点需通过中继接入网络。为解决中继在异构接入技术环境下的自适应接入控制问题,提出一种基于深度强化学习的智能中继接入控制策略,将中继对远端用户数据的收发过程视为一个部分可观察马尔可夫决策过程,通过动态决策中继工作状态,以实现最大化系统的总吞吐量和节点公平性目标。首先,建立具有中继的无线异构网的上行链路模型,以提高系统总吞吐量为优化目标,建立中继动态决策优化模型;其次,构建含有LSTM隐藏层的深度Q网络(DQN)作为行为状态值函数,以优化系统总吞吐量。测试结果表明深度强化学习无线异构网络中继决策方案(DRL-RAP)可在确保原有用户服务质量的前提下,为远端用户提供网络接入,系统总吞吐量在原有网络基础上显著提高,吞吐量最大可提高30%。

在移动边缘计算(MEC)与非正交多址接入(NOMA)技术相结合的应急通信场景中,针对用户自身电池电量受限所导致的无法满足用户业务需求的问题,提出了一个以最小化用户总能耗为目标的无人机辅助NOMA-MEC应急通信系统,设计了一种低复杂度的联合任务卸载比例和传输功率分配迭代算法(JTORATPAIA)。仿真结果表明,与其他基准方案相比,该方案更有效地降低了所有用户的能耗。特别是当输入数据大小为7.5Mbits时,本文所提方案下的能耗与文献[30]相比降低了约40%左右。可见,该方案对于改善应急通信场景下的用户能耗是非常适用的。

基于毫米波通信和大规模多输入多输出(Multi-input Multi-output,MIMO)技术,构建了适用于蜂窝车联网(C-V2X)等多用户多数据流场景的毫米波大规模MIMO系统,以降低系统的总功耗、硬件复杂度和计算复杂度。设计一种基于比特流的自适应连接大规模MIMO架构,与其他自适应连接架构相比,所提自适应连接架构在阵列分组更小的情况下,使用的移相器和交换开关更少;并且随着阵列分组数的增加,该架构在毫米波多用户MIMO(MU-MIMO)系统中的功耗逐渐降低。仿真结果表明,在采用该架构的毫米波MU-MIMO-OFDM系统中,随着数据流总数的增加,一些现有混合预编码方案可以获得更高的数据传输速率。

移动边缘计算(Mobile Edge Computing,MEC)作为一种新兴的计算范式,旨在弥补物联网中移动设备的计算、存储和带宽等资源的不足。由于地域、时间等因素,边缘服务器间的负载差异大,因此边缘服务器的负载均衡至关重要。文中提出了一种基于博弈论的边缘服务器负载均衡策略,其满足边缘服务器间的负载均衡需求。首先,将MEC服务器负载均衡问题建模为非合作博弈,引入基于近端分解算法(Proximal Decomposition Algorithm,PDA)的正则化方法来得到唯一的纳什均衡解。然后,根据建立的博弈模型,提出了一种分布式边缘服务器负载均衡算法(Distributed Load Balancing Algorithm,DLBA),优化系统响应时间与能耗。实验结果表明,DLBA能够通过较少的迭代次数快速达到纳什均衡点,且DLBA得到的策略在平均响应时延方面较本地计算策略、基于计算能力分配策略降低了18.39%和9.91%;在平均能耗方面较本地计算策略、基于计算能力分配策略降低了2.42%和7.33%;与粒子群遗传算法得到的最优策略差距较小,但计算时间仅为粒子群遗传算法的1.81%。因此,该策略可以有效降低系统响应时间和能量消耗,且执行时间较短,适用于真实场景。

在边缘服务器中缓存服务可缩短请求响应时间,提升用户体验。现有研究主要从整体上优化系统性能,例如最大化系统吞吐量,而无法保障个体用户请求异构服务的公平性。针对用户异构计算任务的不公平服务问题,研究边缘协同计算中的服务缓存和任务卸载策略,基于最大最小公平原则,构建了一个最大化最小服务完成率问题,并证明了其NP难解性。为此,利用线性松弛将原问题从0-1整数规划转化为线性规划,设计了一种近似比为MS/N(S－2 ln S)的随机舍入算法,其中S为边缘服务器数,N为服务数,M为终端设备数。同时,基于优先缓存和卸载完成率最小的服务及其任务,提出了一种快速高效的贪心算法。实验结果表明,与已有最大化系统吞吐量算法相比,提出的随机舍入算法和贪心算法将最小服务完成率分别提升至少44.1%和90.6%,并且其额外的系统吞吐量损失分别不超过22.4%和27.0%。

近年来区块链发展迅速,交易频率低成为限制区块链进一步发展的障碍。闪电网络作为解决区块链交易频率问题的最优解决方案之一,具有确认时间短、费用低的优点;但也存在着通道容量低、路由代价大、通道易发生拥堵的问题。现有优化方案多是采用第三方托管,延长交易等待时间,但不能从根源解决通道拥堵问题。针对上述问题,文中提出了一种新的闪电网络优化方案。首先在闪电网络内设置超级节点,并赋予超级节点代币用于相互构建通道,用户通过Ethereum Request for Comment标准将比特币转化为代币进入闪电网络;其次提出逃逸值概念,用户节点通过逃逸值计算选择加入一个超级节点;最后改进landmark算法对网络通道进行修剪,提升网络可扩展性,解决通道拥堵问题。仿真结果表明,此方案对闪电网络内交易量较大时的网络拥堵、路径寻优时间长等问题有良好效果。

将移动边缘计算技术应用到车载网络所形成的车载边缘计算系统,能够通过任务卸载为其他移动设备提供计算服务。然而,由于车载设备的移动性,导致了车载任务卸载环境是动态变化和不确定的,具有快速变化的网络拓扑、无线信道状态和计算负载,这些不确定性让任务卸载过程非理想化。针对这些不确定性,考虑将MEC服务器的计算资源下沉到车载设备,研究车辆之间的任务卸载,并提出了一种解决方案,使得车辆能够在未知状态信息的前提下学习周围车辆的服务性能并卸载任务。基于多臂老虎机框架,设计了一种二阶探索的强化学习算法,以最大化用户平均卸载回报,并且在一个卸载阶段结束后提出了一种服务集更新方式,以保证用户的服务质量。仿真结果表明,与现有的基于置信上限的算法相比,所提方案下的卸载回报提高了约34%。

针对正交相移键控(Quadrature Phase Shift Keying,QPSK)接收机检测信号准确率低以及复杂度高的问题,提出了一种基于长短期记忆(Long Short-term Memory,LSTM)神经网络的QPSK智能接收机设计方案。该方案中的神经网络模型由LSTM和全连接层构成,其利用LSTM提取接收信号的时间相关性,具有较低复杂度。仿真实验结果表明,在加性高斯白噪声、同相和正交( Inphase and Quadrature,IQ)失衡、频率偏差信道因素影响下,与现有QPSK接收机相比,所提出的QPSK智能接收机显著提高了检测性能。