在数据爆发的大背景下,传统的云计算存在本地云资源不足和扩展成本高的窘境,而最新兴起的混合云结合了资源丰富的公有云与数据敏感的私有云,成为当下研究和应用的热点方向。而工作流作为一种有吸引力的范式,其数据规模和计算规模一直都在增长,因此工作流调度是混合云研究方向中的关键问题。为此,文中首先对混合云环境下的工作流调度技术做了深入的调查和分析,然后将混合云环境下的工作流调度进行分类与比较,重点阐述面向截止期限、成本、节约能耗和多目标约束的混合云工作流调度。在此基础上分析和总结了混合云环境下工作流调度的未来研究方向,如Serverless平台应用工作流调度、利用边缘服务器网络协同的工作流调度、融合Argo的云原生工作流调度和融合雾计算的工作流调度。

由多个任务组成的众包任务(Bag-of-Tasks,BoT)被广泛应用于各种领域,一般在混合云下执行。与调度问题中传统的截止时间约束不同,交付期约束允许BoT应用程序的完成时间超过预先指定的交付期,但会产生延迟惩罚。在这种情况下,为了降低总成本,文中提出了一种高效的和声搜索算法(Efficient Harmony Search,EHS),用于在混合云下优化调度任务。该算法通过随机搜索和微调得到初始任务序列,然后通过改进和声搜索步骤和产生新和声记忆库的方式,在一次搜索过程中可以获得大量优质和声,大大提高了和声搜索的效率,加快了算法的收敛速度。通过不断迭代,获得全局最优解,即使总成本最低的BoT应用调度方案。实验结果表明,相比其他算法,该算法在性能上有显著提升,可以有效地降低调度众包任务的总成本。

针对降低峰均功率比(Peak-to-Average Power Ratio,PAPR)的主要技术的降低效果普遍不理想的情况,文中提出一种基于混沌序列低相关性的部分传输序列法(Chaotic Sequence with Low Correlation of Partial Transmission Sequence,CL-PTS)。该方法使用自相关性较低的数条混沌序列与原始信号相乘,经过快速傅里叶逆变换(Inverse Fast Fourier Transform,IFFT)降低OFDM系统的瞬时功率平均值。仿真结果表明,在互补累积分布函数(Complementary Cumulative Distribution Function,CCDF)为10^－3时,该方法降低PAPR的效果相比其他同类算法有1 dB左右的增益,但算法的计算复杂度过高且需消耗较多的频谱资源。在此情况下,提出了改进的相关性算法(Chaotic Sequence with Low Correlation of Modified Partial Transmission Sequence,CM-PTS),分析了PTS算法的子块数对计算量的影响。利用IFFT变换的特点,通过改变序列在系统中的插入位置达到降低PAPR的目的。实验结果表明,CM-PTS算法在增加较少计算量的同时可以使PAPR的值降低约0.5 dB,同时不会引起误比特率的提高。

毫米波通信是5G网络的关键技术,因为它可以提供较高数量级的频谱,但它具有更大的路损,采用大规模天线阵列和定向波束成形技术可以有效解决这一问题。随着天线数量的增加,传统数字预编码器的硬件和能量成本非常高,需采用混合预编码来克服这一困难,但全连接结构中该算法的功耗较高,因此提出了一种新的基于子连接结构的混合预编码算法。该算法首先将发射天线阵列分为几个独立的子阵列;然后分别对每个子阵列的模拟预编码矩阵进行设计,并依次优化每个子阵列的频谱效率,以最大限度地提高总频谱效率;最后,在求得的模拟预编码矩阵的基础上,利用最小二乘法求解数字预编码矩阵。仿真结果显示,该算法的频谱效率与正交匹配追踪算法相差不超过3bps/Hz,但能量效率最多可提高23.8%;与功率迭代算法相比,该算法的频谱效率更高,且能量效率可提高4%左右。因此,所提算法具有很好的实际应用价值。

在多输入多输出(Multiple Input Multiple Output,MIMO)雷达系统的角度估计中,混入接收机的噪声通常被假设为均匀的。然而,实际场景下往往是非均匀噪声,使得噪声协方差矩阵是未知的。若直接应用传统的子空间估计算法,如二维多重信号分类(Two-dimensional Multiple Signal Classification,2D-MUSIC)算法,则会导致角度估计性能下降或算法失效,因此需要设计新的算法,用于估计噪声协方差矩阵,以求得噪声子空间。相对于迭代类处理算法而言,非迭代噪声子空间估计算法无需进行迭代计算,从而降低了计算复杂度。基于此,研究和分析了一种适用于非均匀噪声条件下的一维非迭代噪声子空间估计算法,并将其扩展至MIMO雷达二维角度估计。首先通过理论分析验证了该扩展的可行性,其次通过实验验证了其对目标的联合离开角(Direction of Departure,DOD)和到达角(Direction of Arrival,DOA)的估计具有较好的测角性能。

非合作通信场景下,自动调制识别是实现频谱感知、频谱管理、频谱利用的关键一环,也是进行高效信号处理的重要前提。传统基于模式识别的AMR方法需要手工进行特征提取,面临着设计复杂性高、识别精度低、泛化能力弱等难题。为此,学术界将目光转向以提取数据中隐含特征见长的深度学习方法,提出了多种面向AMR的深度神经网络架构。相比传统方法,ADNN取得了更高的识别精度,且泛化能力更强,适用范围更广。文中对ADNN领域的研究进行了全面的梳理总结,使从业者可以更好地了解该领域的研究现状,明晰该领域存在的问题以及未来的发展方向。首先,介绍了ADNN设计中涉及的典型DL方法;其次,描述了AMR问题的内涵,简述了传统解决方案;然后,详细介绍了ADNN的工作流程、方法分类和各类方法中的典型代表;最后,在公开数据集上对代表性方案进行了实验对比,并指出了该领域未来需要重点研究的几个方向。

随着窄带物联网技术的蓬勃发展,窄带物联网设备越来越多,但是严重的同频干扰和信号衰减,导致边缘窄带物联网设备的服务质量难以得到保证。针对此问题,提出了集能型中继非正交多址接入窄带物联网。基于该网络模型,建立了以窄带物联网设备数据速率比例公平性为优化目标的传输功率、数据调度以及时隙调度多维资源分配模型,以在优化网络性能的同时,保证每个窄带物联网设备的数据速率需求。通过发掘该模型的凸优化特性,基于KKT条件提出了多维资源优化分配算法。仿真结果验证了所提算法的有效性,其数据速率比例公平性提升了11.9%,频谱效率提升了55.4%,网络能效提升了44.1%。

前向纠错编码是一种在网络传输中应对丢包的技术。在传输过程中加入冗余数据,使接收端在丢包场景下可通过冗余数据直接恢复出原始数据。在丢包多、时延大的场景下,适当加入前向纠错编码可以大量节省超时重传的等待时间,从而提高网络传输的服务质量。过多地添加冗余会造成带宽的浪费,而过少地添加冗余会导致服务器端接收到的数据不足以恢复在传输过程中丢失的数据,因此实际应用前向纠错编码的难点在于恰当地控制冗余数据的比例。目前,前向纠错编码研究大多基于传统网络协议。而随着QUIC (Quick UDP Internet Connections)协议的崛起,由于其具有0-RTT (Round Trip Time)连接、多路复用以及连接无缝迁移等特性,因此更多的前向纠错研究开始结合QUIC协议,以进一步提升传输性能。文中首先对前向纠错编码(Forward Error Correction Coding,FEC)进行了概述,介绍了其应用场景、基本策略和自适应冗余控制策略;然后详细介绍了单播场景和组播场景中,前向纠错编码在传统协议中的研究现状;最后介绍了前向纠错编码在QUIC协议中的研究现状及仍面临的挑战。

在移动边缘计算(MEC)与非正交多路接入(NOMA)技术相结合的车联网系统中,针对用户处理计算密集型和时延敏感型任务时面临的高时延问题,提出了一种基于博弈论和Q学习的任务卸载、迁移与缓存优化策略。首先,对基于NOMA-MEC的车联网任务卸载时延、迁移时延与缓存时延进行建模;其次,采用合作博弈算法获得最优用户分组,以实现卸载时延优化;最后,为避免出现局部最优,通过Q学习算法优化用户分组中的迁移缓存联合时延。仿真结果表明,所提方案相比对比方案,能有效提升卸载效率并降低约22%~43%的任务时延。

作为一种新型计算范式,边缘计算已成为解决大规模科学应用程序的重要途径。针对边缘环境下的科学工作流调度问题,考虑到任务计算过程中的服务器执行性能波动和数据传输过程中的带宽波动造成的不确定性,文中基于模糊理论,使用三角模糊数表示任务计算时间和数据传输时间,同时提出一种基于遗传算法算子的自适应离散模糊粒子群优化算法(Adaptive Discrete Fuzzy GA-based Particle Swarm Optimization,ADFGA-PSO),目的是在满足工作流截止日期约束的前提下,降低其模糊执行代价。该方法引入遗传算法的两点交叉算子以及关于任务优先级的邻域变异算子和关于服务器编号的自适应多点变异算子,避免粒子陷入局部最优,有效提高算法的搜索性能。实验结果表明,与其他调度策略相比,基于ADFGA-PSO的调度策略能够更加有效地降低边缘环境下带截止日期约束的科学工作流的模糊执行代价。