作为未来自动驾驶汽车的核心技术之一,蜂窝车联网(Cellular-V2X,C-V2X)在快速普及应用的同时,还面临着一系列与网络连通性相关的发展痛点,如车辆移动性、网络覆盖、频谱资源等问题。C-V2X车路协同连通性直接反映了C-V2X网络联网车辆的整体性能,对于保证信息在C-V2X网络内实现远距离、自适应、低时延、高可靠传输具有重要意义。不同于传统的蜂窝移动通信网络,C-V2X联网车辆具有移动速度快、节点间链路持续时间短暂、无线通信环境可预测性强、移动模型受限于道路拓扑等特点,在高效利用频谱进行通信的同时,还具有自组织网络的无中心和自组织等诸多特性。首先简要介绍了C-V2X的优点与特点,包括C-V2X的进展与结构体系;然后介绍了C-V2X车联网中车路协同连通性的定义及相关发展约束,在此基础上对C-V2X网络连通性研究中基于交通场景、通信方式选择、路侧单元(Road Side Unit,RSU)位置部署、功率控制、模型驱动的研究方法进行了总结与分类;最后探讨了C-V2X的发展趋势,对其未来应用进行展望。

针对连续群智感知中隐私要求提高、收集到的感知数据不可靠和用户参与感知任务积极性低等问题,提出了一种基于对称加密和双层真值发现的连续群智感知激励机制(Symmetric Encryption and Double Truth Discovery Based Incentive Mechanism,SDIM)。首先,使用对称加密算法对感知数据进行隐私保护,在隐私要求较高并且感知数据量较大时,可以降低计算开销,减少数据加密和奖励计算的时间。其次,基于双层真值发现模型提出了一种支持数据可靠性评估的激励机制,实现连续群智感知的实时奖励,并在参与者有恶意行为时提高奖励公平性。最后给出了SDIM的双重隐私性分析。仿真结果表明,SDIM可以根据数据可靠性有效地计算出真值和奖励,在数据加密和奖励分发的时间上明显优于对比模型,并在参与者有恶意行为时能够更加公平地计算奖励。

移动边缘计算将云计算的服务资源移向更靠近终端的边缘,满足了密集计算和低时延需求。地面网络在复杂地形、设备故障等场景中面临挑战,通过无人机辅助,可提升移动边缘计算网络部署的灵活性和鲁棒性。无人机具有成本低廉、操控便捷、机动灵活等优点,但也由于受体积、重量等限制,其功率、通信、计算等资源往往很有限,并且当多无人机协同工作时,其资源的异构性和动态性特征逐步显现,因此,如何高效利用其资源成为研究的热点。从综述的角度,梳理了无人机边缘计算网络中推广应用时面临的问题与挑战,分析总结在功率控制、信道分配、计算服务资源管理以及资源联合优化等方面的研究现状,并分类总结对比了资源管理可行的优化解决方法,最后对资源管理优化的未来发展趋势进行分析和展望。

移动群智感知是一种新兴的感知模式,通过复用现有大量空地移动感知资源,从而实现低成本、大规模的城市感知。因此,联合利用空地移动感知资源实现空地协同移动群智感知,对提高移动感知资源的利用率,促进智慧城市发展具有重要意义。为此,对近年来空地协同移动群智感知研究工作进行综述。首先介绍空地协同移动群智感知兴起的背景和发展现状;然后分别从基于地面移动设备和基于空中移动设备两个维度对现有的移动群智感知研究工作进行分析,总结当前存在的问题;最后提出空地协同移动群智感知在跨平台的用户信息学习、跨空地的移动设备调度、跨任务的感知资源分配3个未来重要的研究方向,为相关研究人员提供有价值的参考。

传统的云供应商单独为用户提供服务,这导致了本地云资源不足和扩展费用较高等问题。而新兴的多云组合地理位置不同的云供应商的服务,为用户提供了更多的选择,逐渐成为了研究的热点。同时,工作流调度又是多云研究的关键问题之一。为此,文中首先对多云环境下的工作流调度技术做了深入的调查和分析,然后将多云下的工作流调度方法进行分类和比较,重点阐述了面向成本、面向完工时间的单目标优化工作流调度,面向成本和完工时间,面向响应时间和成本,面向可靠性、成本和完工时间的多目标优化工作流调度,以及面向其他多目标优化的多云工作流调度。最后,在此基础上讨论了多云环境下工作流调度的未来研究方向:不确定性工作流调度、能耗与其他目标的联合调度优化、与边缘服务器协同的调度优化、虚拟机和Serverless平台混合调度。

被动式室内人员定位是实现普适无线感知系统的基础。然而在实际生活中,商用WiFi信号易受到周围环境的影响,导致现有基于WiFi的被动式室内定位工作难以从复杂的接收信号中准确分离出目标人员动态分量。针对上述问题,提出了一种精确的被动式室内人员定位系统WiPasLoc,其通过利用商用WiFi设备中提取到的信道状态信息(Channel State Information,CSI),实现了高精度的室内定位。首先,结合CSI子载波的信号质量完成动态多普勒频移(Doppler Frequency Shift,DFS) 估计;然后,通过基于双窗口的信号到达角(Angle of Arrive,AoA)的估计方法,从信道状态信息中精准分离出目标人员的信号分量;最后,结合人员的初始位置信息提出轨迹拟合算法,实现了精确的被动式室内人员定位。实验结果表明:WiPasLoc对室内人员运动轨迹定位的中值误差为80cm,相比现有典型的Widar2.0定位精度提升了25.9%。

边缘智能指利用人工智能算法为网络边缘设备提供数据分析能力的一种服务形式。然而,边缘计算环境比云计算更加复杂和多变。在构建边缘智能的过程中存在很多问题,例如缺乏量化的评价标准、异构计算平台、复杂的网络拓扑、不断变化的用户需求等,其中比较突出的是算法模型的高资源需求与边缘设备资源储备低之间的矛盾。机器学习是边缘智能的主要工作负载,它需要大量的计算资源,然而边缘设备的计算资源有限,两者的供求关系并不匹配,边缘智能负载的部署和优化成为了一个难题。因此,针对边缘智能负载性能优化问题,文中提出了基于负载特征的边缘智能性能优化CECI(Cloud -Edge Collaborative Inference)策略,从模型选择、批量自适应调整和云边协同方面对不同机器学习负载进行了优化。在模型选择方面,使用基于目标权重的模型自适应选择策略,实现在多个条件约束下,综合权衡多个性能优化目标的效果。在批量自适应调整方面,提出了基于开销反馈的批量自适应调整算法,使得模型在运行时能够达到更好的性能。在云边协同方面,通过结合网络状态和用户时延要求设计出了云边协同策略,进而达到了动态利用云端计算资源的效果。实验结果表明,与云智能相比,所提出的基于负载特征的边缘智能能够缩短50.79%的程序运行时间,降低了42.46%的系统能耗,并提升了4.52%的模型准确率。

移动通信技术的快速发展促使了移动边缘计算(Mobile Edge Computing,MEC)的出现。作为第五代(5G)无线网络的关键技术,MEC可利用无线接入网络就近提供电信用户所需服务和云端计算功能,从而创造出一个具备高性能、低延迟与高带宽的服务环境,加速网络中的各项内容、服务及应用。然而,如何实现MEC环境下有效且性能有保障的服务卸载和迁移仍然是一个巨大的挑战。针对这一问题,大多数现有的解决方案都倾向于将任务卸载视为一个离线决策过程,使用用户的瞬时位置作为模型输入。而文中考虑了一种预测轨迹感知的在线MEC任务卸载策略,即PreMig。该策略首先通过多项式滑动窗口模型对服务所属边缘用户的未来轨迹进行预测,然后计算用户在边缘服务器信号覆盖范围内的停留时间,最后以一种贪心策略进行边缘服务的分配。为了验证所设计的方法的有效性,基于真实MEC部署数据集和校园移动轨迹数据集开展了模拟实验,实验结果显示,所提策略在平均服务率和用户服务迁移次数两个关键性能指标上均优于传统策略。

蜻蜓网络(Dragonfly network)是由Kim等提出的一种适用于高性能计算系统的拓扑结构。在蜻蜓网络中,网络被组织成两级架构,计算节点与交换机连接,交换机被分为成多个组。在每一组内部的每个交换机之间互相有一条边相连,任意两组之间有一条边相连接。完全独立生成树在信息的可靠传输、信息的并行传输和安全分发以及并行故障服务器诊断算法中具有非常重要的应用。在实际应用中,随着网络规模的不断增大,信息传输的效率以及安全性等要求越来越高。因此,研究网络的完全独立生成树具有重要意义。目前,有许多关于网络中完全独立生成树的研究,但是缺乏蜻蜓网络上的完全独立生成树的研究成果。文中提出了蜻蜓网络全局链路分别以相对链接、绝对链接以及循环链接下的完全独立生成树划分的构造算法,并在此划分的基础上给出了完全独立生成树边集合的构造算法,并对以上算法的正确性进行了证明。最后分析了算法的时间复杂度。

针对现有协议识别方法无法有效提取协议数据的时间和空间特征导致协议识别准确率不高的问题,提出了一种基于一维残差网络和循环神经网络的应用层协议识别方法。所构造的协议识别模型由一维预激活残差网络(PreResNet)和双向门控循环神经网络(BiGRU)组成,利用一维PreResNet提取协议数据的空间特征,利用 BiGRU提取协议数据的时间特征,在此基础上通过注意力机制提取与协议识别有关的关键特征来提高协议识别的准确率。所提方法首先从网络流量中提取应用层协议数据,对数据进行预处理,从而将其转化为一维向量;然后利用训练数据对分类模型进行训练,得到成熟的协议识别模型;最后用训练好的分类模型识别应用层协议。在公开数据集ISCX2012上进行测试实验,结果表明,所提协议识别模型的总体准确率为96.87%,平均F值为96.81%,高于对比的协议识别模型。

分片技术是解决区块链可扩展性问题的核心技术之一。当将P2P网络中的交易按规则汇集到既定分片,且验证节点随机均衡分配到各分片后,由于个别分片的交易验证负载可能远远超过平均负载,因此该分片内的交易可能会拥堵。为了解决分片间的负载不均衡,提出了利用状态归约的分片负载均衡方法。首先,给出了状态归约模型,允许性能高的节点存储更多的相邻状态,并据此将节点性能做出粗略分类;然后,根据每一时隙的交易验证情况将未经验证的交易作为剩余负载,并将其作为调整下一时隙分片内验证能力的依据;最后,对节点进行评分、等级划分,根据剩余负载、共识验证节点集合的平均评分,给出节点选取策略,合理且随机分配节点,并对高负载分片的剩余负载向上归约。实验结果表明,利用状态归约的分片负载均衡方法在不降低单个分片的交易验证率的基础上,有效处理了个别分片的异常过载。

分布式交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)是求解大规模机器学习问题使用最广泛的方法之一。现有大多数分布式ADMM算法都基于完整的模型更新。随着系统规模及数据量的不断增长,节点间的通信开销逐渐成为限制分布式ADMM算法发展的瓶颈。为了减少节点间通信开销,提出了一种通信高效的通用一致性异步分布式ADMM算法(General Form Consensus Asynchronous Distributed ADMM,GFC-ADADMM ),该算法通过分析高维稀疏数据集的特性,节点间利用关联模型参数代替完整模型参数进行通信,并对模型参数进行过滤以进一步减少节点间传输负载。同时结合过时同步并行(Stale Synchronous Parallel,SSP)计算模型、allreude通信模型及混合编程模型的优势,利用异步allreduce框架并基于MPI/OpenMP混合编程模型实现GFC-ADADMM算法,提高算法计算与通信效率。文中利用GFC-ADADMM算法求解稀疏logistic回归问题,实验测试表明,与现有分布式ADMM算法相比,GFC-ADADMM算法可减少15%~63%的总运行时间,且算法收敛时可达到更高的准确率。

工业物联网(Industrial Internet of Things,IIoT)可以将各种工业设备、监测仪表以及传感器进行相互连接,设备的运行状态可通过监测仪表与传感器进行全面感知,并根据感知数据对设备状态进行分析与预测。然而要对海量的感知数据进行分析处理需要大量的存储空间与计算能力,将其传送到云平台势必将占用大量的带宽并产生较大的时延,很难满足对设备状态实时分析与诊断的需求。因此,针对工业设备状态感知的数据,提出了基于最优差分和线性拟合降熵变换的无损压缩方法,在数据采集的边缘侧对感知数据进行无损压缩,从而大大提高传输效率,使得感知数据能快速传送到云平台进行分析与处理。该方法根据数据差值序列方差大小和采集频率高低从最优差分和曲线拟合差值中选取有效的降熵变换进行压缩,并采用LZO(Lempel-Ziv-Oberhumer)压缩算法进行二次压缩。在两类不同的数据集上对所提方法进行了测试,实验结果表明,该方法的压缩率最低与最高分别可达77%和93%,同时验证了其无损重构的特性。

在情景感知计算(Context Aware Computing,CAC)的研究与应用过程中,不可避免地会遇到情景信息的不确定性问题。而情景信息不一致性是不确定性问题中最难解决的突出问题,因此如何合理、有效地处理情景信息的不一致性尤为重要。针对情景信息不一致性问题,提出了一种基于集对分析(Set Pair Analysis,SPA)和情景信息综合质量指标(Quality of Comprehensive IndeXes,QoX)的不一致性消除算法,其使用QoX对情景信息综合质量进行度量和评估,提高了情景信息综合质量度量的完整性和精确性;同时,该算法使用SPA对所求质量指标从同一度、对立度、差异度3个方面进行定量分析,从而保证情景信息质量计算过程所考虑的因素更为全面。实验结果表明,相比传统的不一致性处理算法,所提算法的判决正确率有明显提升。

云环境中的工作流调度是如今最具挑战性的问题之一。它关注于在指定的服务质量需求下,以将相互依赖的任务映射到虚拟机的方式来执行工作流应用程序。云服务提供商以不同的价格提供不同性能的虚拟机。同样的工作流,配置不同的虚拟机,会产生不同的完工时间以及货币成本。云中工作流调度的主要问题之一是在满足用户给定的截止时间约束的前提下,找到一种更廉价的调度方法。为解决上述问题提出了一种云环境中满足截止时间约束且优化成本的工作流调度策略DCCO。它基于δ-alap对截止时间进行分配,并考虑了两个任务可能被分配到同一虚拟机的情况。实验结果表明,相比于其他经典调度算法,在不同类型工作流测试下,DCCO具有最高的成功率,且满足截止时间约束,同时可以优化执行成本。

精准地预测无线通信网络流量能够辅助运营商进行精细化运营,更高效地配备与部署基站资源,从而满足大量涌现的各种业务需求。然而,高度复杂的时空依赖性以及多源跨域因素的影响使得无线通信流量的精准预测面临着巨大的挑战。首先,对无线通信流量从时间属性、空间属性、社会属性、以及自然属性进行相关性分析,数据分析表明,无线通信流量具有多源跨域性;其次,基于对无线通信流量多重属性的全面分析,提出了一种改进的密集全连接网络模型MST-DenseNet。该模型利用单个DenseUnit结构的卷积操作捕获无线通信流量的空间相关性,利用多个并列的DenseUnit结构捕获无线通信流量在不同时间尺度上的相关性,同时考虑跨域数据对流量的影响,最终将通信流量自身的时空特征与跨域数据中的社会特征、自然特征高效融合,实现对无线通信流量的精准预测。在实际蜂窝数据集上与现有模型进行预测误差的对比,结果表明MST-DenseNet具有更高的预测精度。

在卫星通信保障压力不断增加的背景下,需要不断提高通信卫星任务调度的效率。任务调度的矛盾主要集中在通信任务的申请时间和资源带宽的冲突上,文中通过松弛任务申请条件的方式,建立通信卫星任务调度的松弛模型,通过小幅度的时间和带宽调整来减少任务之间的冲突,增加任务获取卫星资源的可能性,提高任务的可执行率。在此基础上,提出一种基于人工蜂群的超启发算法对模型进行求解,该算法采用人工蜂群算法作为高层选择策略,并根据卫星资源调度问题的特点选择7种低层启发算子进行序列优化,同时采用模拟退火方式作为接受准则避免陷入局部最优。最后通过仿真实验及算法对比验证了提出的松弛模型和改进算法的有效性。

无线传感器网络是由监测范围内的节点构成而且能够相互通信的自组织网络。针对传统粒子群蒙特卡洛算法存在定位时间长、定位精度低的问题,提出了一种改进的粒子群蒙特卡洛定位算法(IPSOMCL)。利用蒙特卡洛算法获取待定位节点的估计坐标,通过粒子群算法修正估计距离与测量距离的误差。在改进过滤阶段,提取锚节点信息的跳数得到一个精度更高的采样区域代替传统算法通过通信半径确定采样区域的方式进行过滤。引入交叉变异使算法能够跳出局部最优解并找到更加准确的位置坐标节点,提高定位的效率和定位精度。

针对现有的可靠性评估算法无法直接应用于软件定义网络(SDN),以及传统网络可靠性评估过程中专家权重难以合理设置等问题,提出了一种面向SDN的移动网络可靠性评估算法,设计了细粒度的专家权重自适应调整方法,并详细地给出了网络可靠性评估的流程。首先,对SDN中的移动网络节点设备进行可靠性评估,在评估过程中引入专家评估模糊数,以更细粒度地对专家权重进行应调整;其次,根据基于SDN的移动网络拓扑结构对移动网络节点进行关键重要程度分析,来衡量不同类型节点设备在网络功能服务中的关键程度,以此计算出节点对网络整体可靠性的影响;最后,综合以上两个结果对整体网络进行可靠性分析与评估。通过实例和仿真实验验证了所提算法的有效性,相比同类算法可达到更高的评估准确性。

随着物联网终端设备联网产生大量计算密集型的任务,文中提出了一种针对边云协同计算中成本优化的大数据处理方法。首先,所提算法考虑网络传输带宽约束及计算资源约束,联合优化带宽资源、计算资源分配以及动态卸载策略。其次,应用MapReduce框架,建立边云协同计算模型,通过Lyapunov优化理论将目标公式拆分成4个子问题,分别进行优化求解。大量对比实验结果表明,通过合理利用边缘和云的力量,在保证系统稳定性的前提下,所提算法可以有效地提高云计算的数据处理效率,降低服务供应商的数据处理开销,同时,该算法可降低任务成本总开销及提高性价比(队列长度与运营成本的比值),在物联网数据处理过程中,应用边云协同计算方法对降低成本开销并提高性价比具有重要意义。

随着人工智能技术的发展,智能干扰源可通过改变自身发射功率来提高干扰效果,导致传统基于接收信号强度的定位技术失效。为此,引入传感器唤醒机制,研究基于块压缩感知的多干扰源定位方法。首先,周期性地唤醒传感器节点,同时提高传感器节点利用有效性和定位信息采集精确性;其次,考虑到在干扰源发射功率未知且变化的情况下无法确定距离与接收信号强度之间的关系,引入参考功率对智能变化的干扰源功率进行处理;然后,基于压缩感知理论,将定位问题建模为块稀疏向量重构问题;最后,通过探索功率变化规律设计出一种基于变分贝叶斯均值-期望的Wake-VBEM重构算法,精确重构目标位置向量。仿真证明,所提方法在干扰源功率未知且变化时,可同时实现多干扰源位置估计并有效提高网络使用寿命。

云平台是支撑当今诸多高新技术发展的重要基础设施之一。作为云计算系统体系规划的一个重要组成部分,调度技术直接关系着云计算组成系统中的任务完成时间和能耗问题。为保证基础设施及服务模式下的云任务高效调度,提出了一种基于三支聚类的云任务优化调度算法(Three-Way Clustering Optimal scheduling Programming,TWOCP)。针对云任务属性的多样化特点,结合三支聚类算法对重叠任务和模糊任务进行粒化,并依次调度每个类簇的核心域任务和边界域任务;通过结合动态规划算法对粒化任务进行优化调度,以期实现最少任务完成时间。Cloudsimplus实验仿真结果表明,所提算法可以降低任务完成时间和能源消耗,有效保障云数据中心的可用性。

针对虚拟软件定义网络的故障恢复问题,提出了基于最小生成树的虚拟软件定义网络故障恢复算法,以期解决虚拟软件定义网络故障恢复时间长这一难点。该算法一方面是根据节点与链路的资源和拓扑属性,设定节点与链路重要度,并据此对节点与链路进行等级划分;在此基础上,针对不同的物理网络,调整备份与迁移的比例,从而在提升请求接受率的同时减少故障后的完全恢复时间,达成对物理网络资源的充分利用;另一方面是对虚拟网络进行连通性分析,运用最小生成树算法优先恢复虚拟网络的连通性,然后完成剩余链路的故障恢复,在保障虚拟网络连通性的基础上进一步减少故障恢复时间。仿真实验表明,该算法能在保障较高虚拟网络请求接受率与故障恢复率的基础上,缩减故障恢复时间。

多状态网络是指网络及其组成单元具有多种不同的性能水平,该网络模型已被广泛应用于描述现实中众多技术网络的行为特征。费用约束下的多状态网络可靠性Rel_(d,b)是指网络能够把d单位的需求流量从源点成功输送到汇点且总的流传输费用不超过给定预算b的概率,该可靠性指标可以通过费用约束下的极小容量向量(简称(d,b)-MCV)来计算。由于(d,b)-MCV问题是典型的 NP-hard 问题,求解时间会随着网络规模增加呈指数增长,为提高求解效率,利用边的容量下限建立了关于(d,b)-MCV的改进数学模型,并从求解复杂度方面证明了该模型的优势;并且,利用超越数的概念,建立了(d,b)-MCV与实数之间的一一映射关系;基于此关系,提出了一种新的(d,b)-MCV去重方法。复杂度分析表明,该去重方法比现有方法更实用、更高效。最后,利用数值实验对提出的(d,b)-MCV算法的性能进行了检验;结果表明,该算法在求解(d,b)-MCV方面具有明显的效率优势,从而为费用约束下的多状态网络可靠性评估提供了一种新方法。

在移动边缘计算(Mobile Edge Computing,MEC)中,本地设备可以将任务卸载到边缘服务器执行,以此来提高服务质量(Quality of Service,QoS)。但在受灾地区或遇到紧急情况时,地面固定的基站可能会出现大面积瘫痪,为了应急通信,无人机(Unmanned Aerial Vehicle,UAV)支持的移动边缘计算系统应运而生。作为新兴的应急通信手段,无人机可以携带边缘服务器,地面用户设备可以将其计算任务卸载给无人机执行,但在多用户网络中部署多个无人机基站是具有挑战性的。为此,重点研究无人机基站的战略部署问题,将该问题建模为多目标优化问题,旨在平衡无人机基站之间的工作负载,最小化地面用户和无人机基站之间的访问延迟。与单目标优化问题相比,多目标之间相互作用并且解不唯一,给模型求解带来了一定困难。为此,提出基于K-中心点(K-medoids)的帕累托边界搜索算法求解该问题,之后进一步提出利用主成分分析算法(Principal Component Analysis,PCA)从帕累托边界中寻找最合适的解作为最终的无人机基站部署策略。实验使用真实的数据集,并与其他几种基线方法进行性能比较,验证了所提解决方案的有效性。

随着物联网的普及以及5G等无线通信技术的发展,各类新型业务层出不穷,移动数据流量也呈指数级的增长趋势。为了保证服务质量,移动计算模式从传统的云计算转变为了移动边缘计算(MEC),移动边缘计算的主要特点是将网络资源“下沉”到网络边缘,以满足时延敏感型和计算密集型业务的需求,从而给用户提供更好的服务。而任务卸载是移动边缘计算的主要研究问题之一,文中对近几年移动边缘计算中的任务卸载研究现状进行了归纳和总结,首先,对MEC的基本概念、架构以及典型应用场景进行了介绍,然后阐述了任务卸载问题,分别从最小化时延、最小化能耗以及最小化时延和能耗的加权和3个方面分析和总结了业内的研究现状,最后从数据依赖性、用户移动性、资源公平性和信息安全性4个方面对未来的研究方向进行了展望。

近年来,随着物联网技术的发展与智慧城市概念的提出,基于位置的服务快速发展,尤其是由基于卫星信号的全球定位系统(GPS)提供定位的室外位置服务已经深入日常生活的方方面面。然而,GPS在室内定位中受复杂的室内环境影响有着较大的误差,为了提高室内位置服务的定位精度,多种室内定位技术被相继提出。其中,利用现有设备(如Wi-Fi、低能耗蓝牙(BLE)和智能手机等)提供的多种信号信息,通过数据分析、机器学习等技术来提供室内定位服务,具有成本低、部署使用便捷等优点,受到了越来越多的关注。文中梳理了近年来低成本室内定位技术的相关成果,介绍了其基本原理、实现方法以及能达到的定位精度,分析了各种技术的优缺点,并对未来发展趋势进行了展望。

频谱地图可协助认知用户准确感知和利用频谱空洞,实现网络节点间的干扰协调,提升无线网络的频谱效率和鲁棒性。然而,当认知用户在利用和共享频谱地图时,面临着计算复杂度高和分发时延开销大的问题,限制了认知用户对空间频谱态势的实时感知能力。为了解决该问题,提出了一种边缘智能网络中基于强化学习的频谱地图构建与分发方法。首先,在频谱地图构建上,采用了一种克里金插值和超分辨率相结合的低复杂度构建技术;其次,通过引入边缘计算,将频谱地图构建与分发过程中的计算迁移策略选择问题建模为一个混合整数非线性规划问题;最后,将人工智能和边缘计算相结合,采用了一种集中式训练、分布式执行的强化学习框架,对不同网络场景下的频谱地图构建和分发策略进行学习。实验结果表明,所提方法具备良好的适应性,可有效降低频谱地图构建与分发的能耗和时延,支持认知用户在移动边缘网络场景下对频谱地图的近实时级应用。

车载边缘计算(Vehicular Edge Computing,VEC)是移动边缘计算(Mobile Edge Computing,MEC)在车联网中的一个重要应用。在VEC中,请求服务的车辆可以通过付费的方式,将计算任务卸载到VEC服务器或者空闲计算资源丰富的服务车辆上,从而满足车辆任务对计算服务的需求。然而,对于VEC运营商来说,收益最大化是其追求的目标之一。由于系统中的计算需求和计算资源是动态变化的,因此如何在车辆协同场景下确定一个合理的定价策略是一个不容忽视的问题。针对该问题制定了一个动态定价策略,使VEC服务器和服务车辆的价格随着计算资源的供需关系而动态调整。基于此,设计了运营商收益最大化的车辆协同计算卸载方案,通过将时延约束下的VEC运营商收益最大化问题转化为多用户匹配问题,使用Kuhn-Munkres(KM)算法求得卸载结果。仿真实验表明,相比已有定价策略,该动态定价策略下VEC服务器和服务车辆的价格均可以根据计算资源供需关系动态调整,从而实现运营商收益最大化;相比已有卸载方案,该方案可以在满足任务时延约束的前提下提高运营商的收益。

面向算力网络新兴研究领域,针对其迫切需要提升智能性与精准服务能力的问题,提出了云边端算力资源、网络资源、智能模型及算法协同共生的融智算力网络建设理念,引入了内生智能和业务智能两个层面的智能性。内生智能指算力网络为保障系统准确运行所具备的自感知、自适应、自决策、自学习能力,业务智能指算力网络为增强对行业/应用的适应性所具备的智能资源封装及自主部署能力、业务编排与认知能力。进一步地,设计了层次化功能架构,从基础资源、资源管理、业务编排、运营服务以及系统优化5个层面明确了AI赋能融智算力网络内生智能与业务智能的具体表现。最后,将智能制造及智慧安防两类应用中的3个场景(车间物流、基于机器视觉的质检品控、社区及道路监测)作为仿真实验原型场景,并设计了对比实验组。实验结果表明,应用融智算力网络至车间物流场景中,性能提升幅度与场景规模有关,规划用时提升了约2~50倍,规划结果提升了约2~5倍;基于机器视觉的质检品控场景中,算力设备部署成本下降为原来的1/5、检测准确率提升约4.5%;社区及道路监测场景中,系统的算力部署成本可降低为原来的1/10。