在当前的移动边缘计算(Mobile Edge Computing,MEC)模型中,由于任务是直接上传到MEC服务器执行,存在边缘服务器的计算压力大、空闲移动设备上的资源未得到充分利用等问题。使用边缘网络中的空闲设备进行协同计算,能够实现用户闲置资源的合理利用,增强MEC的计算能力。因此,提出了一种利用终端直通(Device-to-Device,D2D)进行协同计算的部分卸载MEC模型(D2D Collaborative MEC for Partial Offloading,DCM-PO)。在该模型中,除本地计算和MEC服务器计算外,还能将部分任务上传到空闲D2D设备进行辅助计算。首先,以最小化边缘网络的时延、能耗和费用为目标建立多目标优化问题。然后,在多染色体混合编码、自适应交叉率和变异率等方面对基于参考点的非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm III,NSGA-III)进行改进,使之适合DCM-PO模型中的多目标优化问题求解。最后,仿真结果表明,相比基准MEC模型,DCM-PO模型在多项性能指标上有明显优势。

随着信息技术的高速发展,互联网的规模逐渐增大,与此同时,网络的能耗也随之攀升。业界普遍采用关闭利用率较低的链路来降低网络能耗。然而,目前的网络节能方案并不能有效平衡能量节约率、计算开销和路径拉伸度三者之间此消彼长的关系。为了应对上述问题,文中提出了一种基于链路关联度模型的绿色节能路由框架。该框架支持不同的链路关联度模型,仅需要网络拓扑结构,而不需要网路中的实时流量矩阵,更易于在实际网络中部署。基于提出的链路关联度模型的绿色节能路由算法的框架,文中实现了链路行关联度算法LRC(Link Row Correlation)、链路列关联度算法LCC(Link Column Correlation)、链路行-列关联度算法LRCC(Link Row Column Correlation)和链路介数关联度LBC(Link Betweenness Correlation)4种不同的绿色节能路由算法。实验结果表明,在The Internet Topology Zoo公布的真实拓扑和由Brite模拟生成的拓扑中,LRC,LCC,LRCC和LBC的平均能量节约率比DLF算法的平均能量节约率高12.65%和7.17%,且它们的平均路径拉伸度比DLF算法的平均路径拉伸度低3.00%和13.75%。

由于容迟网络的间歇性连接等特点,以及节点自身缓存、能量等资源受限,DTN中的节点往往会表现出一定的自私性。自私节点的存在可能会提高网络的开销,降低消息的成功投递率。为了促进自私节点参与合作,提出了一种基于虚拟货币交易的高效率路由算法PVCT(Efficient RoutingAlgorithm Based on Virtual Currency Transaction in DTN),并结合容迟网络的小世界特性,提高了路由算法的效率。该算法利用虚拟货币交易的方式,并根据节点的基本属性、位置属性、社会属性等进行定价,节点根据设计的价格函数给出对应的报价,并利用价格函数合理地分配消息副本数。在PVCT策略中,节点根据判断情况分为正常节点和自私节点,当消息的跳数小于或等于两跳时,按照概率路由的策略进行转发;反之,当消息的跳数大于两跳时,若遇到的为自私节点,则执行虚拟货币交易的路由算法。携带消息节点的出价若高于转发节点的价格,则进行交易,更新各自的收益状态;否则,进入二次价格调整阶段以协调节点双方之前的虚拟报价。仿真实验表明,PVCT路由算法在DTN中能更好地促进消息的转发,从而提升网络的整体性能。

无人机(Unmanned Aerial Vehicles,UAVs)与多接入边缘计算(Multi-access Edge Computing,MEC)技术的结合突破了传统地面通信的局限性,已成为解决MEC中任务卸载问题的重要手段。由于单无人机可提供的计算资源和能量有限,为了应对日益扩大的网络规模,考虑了多无人机辅助MEC环境中的任务卸载问题。基于问题定义,任务卸载过程可以视为一个在平行链路上进行的、具有玩家特定延迟函数的Wardrop路由博弈,目的是得到均衡状态和最优状态下的卸载策略,并量化分析两者间的差距。由于均衡解难以计算,因此构造了一个新的势函数,将均衡问题转换成最小化势函数问题。同时使用Frank-Wolfe算法最终获得均衡和最优卸载策略。算法在每次迭代中将目标函数线性化,通过求解线性规划得到可行方向,进而沿此方向在可行域内作一维搜索。仿真实验表明,相比其他基准测试方法,基于平行链路Wardrop路由博弈的均衡卸载策略能够有效降低模型总成本,且与最优卸载策略下总成本的比值约为1。

随着射频识别(Radio Frequency Identification,RFID)技术的发展,人们对其应用的要求越来越高,在阅读器部署方面的研究也逐渐深入。为了解决规定区域内RFID阅读器位置规划问题,在划定的区域内,以标签覆盖率、阅读器间的碰撞干扰、负载均衡为目标来建立数学优化模型,在白鲸算法的基础上提出了一种改进型白鲸算法。首先,针对标准白鲸算法存在易陷入局部最优、丢失次优解的缺陷,提出了一种更新精英群体机制;其次,为了增强算法的探索能力,加入了反向学习策略;最后,运用该算法来解决RFID网络规划问题。通过在一定环境中放置不同数量集群和随机分布的标签,将改进型白鲸算法与粒子群算法、灰狼算法和标准白鲸算法进行对比。仿真结果表明,在相同环境下,改进型白鲸算法的性能相比粒子群算法平均提高了21.1%,比灰狼算法提高了28.5%,比白鲸算法提高了3.3%,说明该算法相比其他3种算法在搜索精度上具有更好的性能,并通过阅读器优化部署测试,验证了该应用的有效性和可行性。

为了解决物联网设备众多、协议众多,以及协议架构和应用场景不同引发的物联网设备互操作性问题,针对应用层使用广泛的HTTP等4种协议,提出了一种基于协议包解析和关键方法映射的高效可扩展的应用层协议转换方案。考虑到4种协议的基础架构、消息格式、通信模式以及应用场景具有较大差异,该方案通过对协议原始数据包进行解析和关键信息提取,然后统一以键值对的形式进行信息存储,解决了不同协议信息存储的统一性问题。通过构造关键方法映射表,将不同协议的方法进行映射,实现了不同协议之间的互联。实验结果表明,基于所提方案实现的协议转换系统能很好地完成4种协议之间的消息转换。相比同类型的Ponte方法,在相同实验条件下,所提方案的转换速度都优于Ponte,甚至在某些情况下表现出了将近10倍的速度差距,同时支持多出一倍的转换类型。实验结果验证了所提方法在可扩展性和转换时间等效率方面相比同类型的协议转换算法具有显著提升。

车载边缘计算中的任务卸载决策主要解决任务何时卸载,以及卸载至哪里执行的问题。车辆的高速行驶会造成卸载接入设备频繁变化,卸载通信链路随时可能中断,这要求车辆一旦获得卸载机会,就必须立即做出卸载决策。现有的卸载决策研究专注于如何最大化任务卸载执行增益,未充分考虑卸载决策时效对卸载策略的影响,导致提出的卸载决策方法的时间复杂度和空间复杂度高,无法用于高速行驶车辆的在线任务卸载决策。为解决上述问题,首先综合考虑卸载决策时效和卸载增益因素的影响,建立高速行驶车辆的任务卸载决策模型,并将其转化为类秘书问题。然后,提出了一种基于加权二部图匹配的在线车载任务卸载决策算法OODA,以协助车辆在依次经过多个异构的边缘服务器时,做出实时的任务卸载决策,并最大化整体卸载执行增益。最后,理论分析OODA算法的竞争比,并采用仿真实验验证该算法的可行性和有效性。

随着计算机技术的快速发展,云计算技术成为了解决用户存储、算力需求的最佳方法之一。其中,基于NUMA架构的动态虚拟机调度成为了学术界和工业界关注的热点方向。但是,目前的研究中,基于启发式的算法难以对虚拟机进行实时调度,并且大多数文献没有考虑NUMA架构下虚拟机调度产生的能耗等问题。对此,提出了一种基于深度强化学习的大型移动云中心虚拟机服务迁移框架,构建了NUMA架构下的能耗模型;提出了自适应奖励的分层自适应柔性演员评论家算法(Hie-rarchical Adaptive Sampling Soft Actor Critic,HASAC);在云计算场景下,将所提算法与3种经典的深度强化学习方法进行实验对比。实验结果表明,所提改进算法在不同场景下可以处理更多的用户请求,且消耗的能源较少。此外,对算法中各种策略进行消融实验,证明了所提策略的有效性。

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策略仍是一个值得深入探讨的问题。因此,提出了一种移动感知的服务预缓存模型和任务预迁移策略,将任务迁移问题转化为最优分簇与边缘服务预缓存的组合优化问题。首先,基于用户的移动轨迹对当前执行任务状态进行预测,引入动态协作簇和迁移预测半径的概念,提出了一种面向移动和负载两种任务场景的预迁移模型,解决了何时何地迁移的问题。然后,针对需要迁移的任务,基于最大容忍时延约束分析协作簇半径和簇内目标服务器数量的极限值,提出了以用户为中心的分布式多服务器间动态协作分簇算法(Distributed Dynamic Multi-server Cooperative Clustering Algorithm,DDMC)以及面向服务缓存的深度强化学习算法(Cache Based Double Deep Q Network,C-DDQN),解决了最优分簇和服务缓存问题。最后,利用服务缓存的因果关系,设计了一种低复杂度的交替最小化服务缓存位置更新算法,求解出了最佳迁移目标服务器集合,实现了任务迁移中的服务器协作及网络负载均衡。实验结果表明,提出的迁移选择算法具有良好的鲁棒性和系统性能,相比其他迁移算法所消耗的总成本降低了至少12.06%,所消耗的总时延降低了至少31.92%。

网络遥测是一种新型的网络测量技术,具有实时性强、准确性高、开销低的特点。现有网络遥测技术存在无法收集多粒度网络数据、无法有效存储大量原始网络数据、无法快速提取及生成网络遥测信息、无法利用内核态及用户态特性设计网络遥测方案等问题。为此,提出了一种融合内核态及用户态的、基于遥测数据图和同步控制块的多粒度、可扩展、覆盖全网的网络遥测机制(a nEtwork telemetry mechAnism based on telemetry data Graph in kerneL and usEr mode,EAGLE)。EAGLE设计了一种能够收集多粒度数据且数据平面上灵活可控的网络遥测数据包结构,用于获取上层应用所需的数据。此外,为快速存储、查询、统计、聚合网络状态数据,实现网络遥测数据包所需遥测数据的快速提取与生成,EAGLE提出了一种基于遥测数据图及同步控制块的网络遥测信息生成方法。在此基础上,为了最大化网络遥测机制中网络遥测数据包的处理效率,EAGLE提出了融合内核态及用户态特性的网络遥测信息嵌入架构。在Open vSwitch上实现了EAGLE方案并进行了测试,测试结果表明,EAGLE能够收集多粒度数据并快速提取与生成遥测数据,且仅增加极少量的处理时延及资源占用率。

作为5G及未来通信网络的关键使能技术,网络切片凭借其在垂直行业定制、服务质量保障、灵活性、可靠性等方面的潜在优势,获得了运营商和学术界的广泛关注和认可。目前,已有不少相关组织以专题报告的形式呈现了其对网络切片的理解及未来发展设想。但是,这些报告的侧重点各有不同且相关术语尚未规范统一,此类问题的存在给研究人员理解网络切片带来了诸多阻碍。为便于研究人员把握网络切片的发展脉络、技术架构,以及管理编排等具体内容,文中对相关研究进行了综述。首先介绍了网络切片的产生背景、具体含义以及功能特性。其次,针对端到端网络切片的实现,分别就接入网切片、承载网切片以及核心网切片这3方面的内容,对近年来的网络架构发展、技术突破以及标准化成果展开了论述。而后就网络切片管理与编排的具体内容进行了介绍与分析,并依据切片场景的不同对相关研究进行了分类梳理与比较。最后,结合网络切片的发展需求和现实困境,指出了目前研究所面临的一些开放性挑战。

室内多目标的高精度定位技术是实现定制化智能服务的关键。当前,基于射频识别技术(Radio Frequency Identification,RFID)的室内定位技术因其成本低、易于部署和多目标感知等优势,受到了学术界和产业界的广泛关注。然而,传统的基于RFID的多目标相对定位系统需要使用多组接收天线进行数据收发,这导致系统的部署成本高昂,同时接收信号强度指示(Received Signal Strength Indication,RSSI)序列还会出现数据中断的问题。为解决这些问题,提出了一种基于RSSI序列特性的RFID多标签相对定位方法。该方法首先采用匀速移动天线的方式来获取多目标标签的接收RSSI信号序列;然后,对接收RSSI数据进行预处理来填充缺失数据,并构建基于余弦相似度的序列相似度量表;最后,从多个组维度设计不同的标签分组算法,以实现RFID多标签的相对定位。通过对典型室内多组RFID标签阵列进行大量相对定位测试,实验结果表明,所提方法的RFID标签相对定位平均准确率超过92％,对5*5的天线阵列平均定位计算时长小于1 s,相比其他工作计算效率提高了近10倍。

随着深度学习与万物互联的快速发展,将深度学习与移动终端设备结合已经成为了一大研究热点。深度学习给终端设备带来性能提升的同时,将模型部署在资源受限的终端设备时也面临诸多挑战,如终端设备计算和存储资源受限,深度学习模型难以适应不断变化的设备状态等。基于此,研究了资源自适应的深度学习模型自适应量化问题。提出资源自适应混合精度模型量化方法,利用门控网络和骨干网络进行模型构建,以层为粒度寻找模型最佳量化策略,结合边端设备降低模型资源消耗。为了寻找最优模型量化策略,采取基于FPGA的深度学习模型部署。需要将模型部署在资源受限的边端设备上时,根据资源约束进行自适应训练,采取量化感知方法降低模型量化带来的精度损失。实验结果表明,该方法能够在保留78%的准确率的同时,降低50%的存储空间;同时,在FPGA设备上模型精度下降不超过2%,而能源消耗降低60%。

联邦学习有效解决了数据孤岛问题,但仍然存在一些挑战。首先,联邦学习的训练节点具有较大的硬件异构性,对训练速度和模型性能存在影响,现有工作主要集中于联邦优化,但多数方法没有解决同步通信模式下各节点计算时间难以协调导致资源浪费的问题;此外,联邦学习中多数训练节点为移动设备,网络环境差,通信开销高,导致了更严重的网络瓶颈。已有方法通过对训练节点上传的梯度进行压缩来降低通信开销,但不可避免地带来了模型性能损失,难以达到较好的质量和效率的平衡。针对上述难题,在计算阶段,提出了自适应梯度聚合(Adaptive Federated Averaging,AFA),根据各个节点的硬件性能自适应协调本地训练的迭代周期,使得等待全局梯度下载的空闲时间整体最小化,提高了联邦学习的计算效率。在通信阶段,提出双重稀疏化(Double Sparsification,DS),通过在训练节点端和参数服务器端进行梯度稀疏化来最大化降低通信开销。此外,各个训练节点根据本地梯度信息和全局梯度信息的丢失值进行误差补偿,以较小的模型性能损失换取较大的通信开销降低。在图像分类数据集和时序预测数据集上进行实验,结果证明,所提方案有效提高了联邦学习训练的加速比,对模型性能也有一定提升。

对于多用户大规模空间调制多输入多输出(Spatial Modulation Multiple Input Multiple Output,SM-MIMO)系统,消息传递检测(Message Passing Detection,MPD)是常用的检测算法,但其复杂度较高。针对该问题,引入基于分层消息传递机制的分层MPD(Layered MPD,LMPD)算法以加快算法收敛速度,降低算法复杂度。进一步,将低密度奇偶校验码(Low-density Parity-check,LDPC)与SM-MIMO系统相结合,提出联合LMPD-BP(Joint LMPD Belief Propagation,JLMPD-BP)算法,LMPD算法可利用BP算法反馈的概率信息,提升系统检测性能。理论分析与仿真结果表明:与传统MPD算法相比,LMPD算法在不损失误码率性能的前提下可加快算法收敛速度,当信噪比(Signal-to-Noise Ratio,SNR)为4 dB时,MPD算法需3次迭代才能达到收敛,而LMPD算法仅需2次迭代即可收敛;同时,通过与LDPC码结合,JLMPD-BP算法极大地降低了系统误码率,如在迭代次数为(2,2,2)、SNR=2 dB时,与迭代次数为(4,4,0)的LMPD-BP算法相比,JLMPD-BP算法的误码率由10^－2降至5×10^－3。

为了兼容Linux标准套接字,同时利用RDMA提高使用套接字的程序的性能,提出在上层应用与底层RDMA之间搭建一个中间件——Viscore Socket adaptor(简称vsocket);通过拦截socket API,将上层应用通过套接字收发的数据流无缝转接到RDMA承载上。vsocket绕过管理收发缓冲区的内核,针对TCP和UDP分别实现了用户空间的内存管理机制,使用RC类型的RDMA网络支持TCP加速,使用UD类型的RDMA网络支持UDP加速,并重用Linux UDP来辅助其路由。实验结果表明vsocket能够保证Linux标准套接字接口的兼容性,提升网络性能,摆脱Linux内核网络协议栈的限制,改善收发数据的延迟与带宽。

随着物联网(IoT)和 5G 技术的快速发展,移动边缘计算以其低访问延迟、低带宽成本和低能源消耗的优点引起了工业界和学术界的广泛关注。在移动边缘计算中,边缘服务器为移动端用户的请求提供服务,其放置位置对边缘计算性能和用户体验具有重要影响。目前边缘服务器的放置算法只考虑基站的地理位置,而缺乏对基站连接的用户数目因素的考虑。因此在实际用户分布不均的情况下,现有算法得到的服务器放置位置导致用户平均访问延迟较大。为了更好地解决上述问题,提出了基于谱聚类的延迟最小化边缘服务器放置算法LAMP。该算法在考虑边缘服务器放置位置时,不仅考虑了基站的地理位置,而且考虑了不同基站连接的用户数目这一重要参数,能够有效地降低用户的平均访问时延,同时实现边缘服务器的工作负载均衡。在仿真实验中,使用了上海电信的真实基站数据集来测试LAMP算法的性能。大量的实验结果表明,在用户访问延迟方面,LAMP算法的性能比传统的K-means 算法提高了37.9%。在负载均衡方面,LAMP算法的性能与K-means算法相比最大可提高82.85%。LAMP算法在降低访问延迟和平衡边缘服务器工作负载方面均表现出了优越的性能。

地理位置路由协议由于开销较低和可扩展性较好而在FANET网络中得到了广泛应用,但其贪婪转发过程中依据最靠近目的地的邻居节点作为中继的策略还存在一定的局限性。文中通过感知链路质量,提出了一种适用于拓扑变化频繁、网络环境拥挤的跨层链路质量状态感知的无人机地理位置路由协议(CLAQ-GPSR)。通过设立通信安全区,建立链路负载和流间干扰度量模型,采用交付比ETX衡量链路质量,结合物理层、MAC层、网络层数据综合衡量最可靠的中继节点,以提升通信质量。同时采用左右手组合转发规则,加快路径恢复中的转发速度,避免传统周边转发出现的路由循环等问题。通过网络仿真平台比对分析可知,相比传统的GPSR,W-GeoR和DGF-ETX协议,所提协议在数据包分组投递成功率、端到端时延和跳数等指标上更具优势。

为了满足运行速度快、时延低、性能好、公平性好等特点,提出了多服务器门限服务系统,并利用BiLSTM(Bi-direc-tional Long Short-Term Memory)神经网络对其进行预测分析,使用多服务器接入方式来降低网络时延,改善系统性能。多个服务器调度时,可以采用同步和异步两种方式。首先,研究多服务器门限服务的系统模型。其次,在单服务器的基础上,利用嵌入马尔可夫链和概率母函数的分析方法对多服务器门限服务的平均排队队长、平均循环周期和平均时延进行求解;同时,利用Matlab进行仿真实验,分别将单服务器系统与多服务器系统的理论值与仿真值进行系统分析,对比多服务器同步和异步两种方式。最后,构建BiLSTM神经网络来预测多服务器系统的性能。实验结果表明,该多服务器系统异步方式优于同步和单服务器系统,多服务器异步系统的性能更好,时延更低,效率更高。综合对比多服务器的3种基本服务系统,在保证公平性的情况下,门限服务系统更加稳定。并且使用BiLSTM神经网络预测算法能够准确预测系统的性能,提高计算效率,对轮询系统的性能评价具有指导意义。

边缘计算通过在网络边缘侧提供更优的计算和存储能力,能够有效降低用户设备的执行时延和能耗。随着应用程序对计算和存储资源的需求越来越大,任务卸载作为消除用户设备固有限制的一种有效手段,成为了主要的研究热点之一。然而,在已有的任务卸载研究中,常常忽略不同类型的任务对服务需求的多样性以及边缘服务器服务缓存有限的情形,从而导致不可行的卸载决策。因此,在服务缓存约束下,研究了能够使得用户设备执行成本最优的任务卸载问题。首先设计了云服务器、边缘服务器和本地设备的协同卸载模型,用于平衡边缘服务器的负载问题,同时借助云服务器弥补边缘服务器有限的服务缓存能力。然后,提出了适用于云边端协同的任务卸载算法,优化用户设备的执行成本。当任务被卸载时,先采用改进的贪婪算法选择最佳的边缘服务器,再通过比较任务在不同位置上的执行成本,来确定任务的卸载决策。实验结果表明,所提算法相比对比算法能够有效降低用户设备的执行成本。

随着移动智能终端的普及,众包采集大规模感知数据变得越来越容易。众包工人的自私性使得他们想通过最少的努力获得最多的报酬,甚至互相勾结、随意提交众包数据,导致众包任务完成质量不高。文中提出了一种基于陪审团的质量控制策略,该机制解决了数据验证问题。针对降低众包质量的行为,在判断是否存在垃圾邮件员工和共谋组织后,使用社区影响力检测算法(CIDA)来检测出共谋团伙领导者及其所在组织,最后使用改进的相似性检测算法(PI-Cosine)筛查垃圾邮件员工。从这两个方面来提高众包数据质量。实验结果表明,所提方法在accuracy和F1-score衡量指标上相比Cosine相似度检测算法提高了12.3%。

随着越来越多的计算密集型依赖应用被卸载到云环境中执行,工作流调度问题受到了广泛的关注。针对云环境多目标优化的工作流调度问题,考虑到任务执行过程中服务器可能会发生性能波动和宕机等问题,基于模糊理论,使用三角模糊数表示任务执行时间和数据传输时间,提出了一种基于遗传算法的自适应粒子群优化算法(Adaptive Particle Swarm Optimization based GA,APSOGA),目的是在工作流的可靠性约束下,综合优化工作流的完成时间和执行代价。该算法为了避免传统粒子群优化算法存在的过早收敛问题,引入了遗传算法的随机两点交叉操作和单点变异操作,有效地提升了算法的搜索性能。实验结果表明,与其他策略相比,基于APSOGA的调度策略能够有效地降低云环境中面向可靠性约束的科学工作流的模糊总代价。

随着海量用频设备的涌现,无人机执行任务的电磁环境愈加复杂,对无人机认知环境和自主避障能力提出了更高的要求。鉴于此,提出了一种基于边缘智能感知的无人机空间航迹规划方法。首先,提出了一个基于边缘智能感知的无人机航迹规划框架,通过边缘服务器、传感器终端和无人机的协同通信与计算,提高无人机的环境感知和自主避障能力;其次,提出了一种基于深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法优化的人工势场方法,避免无人机航迹规划陷入局部最小值点,同时行能耗;最后,在静态和动态干扰环境中对所提算法进行仿真实验,结果表明,与现有航迹规划方法相比,所提方法可以优化无人机的飞行航迹和传输数据速率,在静态和动态干扰环境中,无人机飞行能耗分别降低5.59%和11.99%,传输速率分别提高7.64%和16.52%,显著提高了无人机的通信稳定性和对复杂电磁环境的适应性。

在大规模动态变化的交通场景下,快速准确地预测车辆驾驶行为是智能交通领域极具挑战的问题之一。车辆驾驶行为的预测不仅要考虑通信的有效性,而且要考虑车辆历史行驶轨迹以及车辆之间的相互影响。文中综合考虑了上述因素,提出了一种新的基于边-增强图卷神经网络的通信有效的分布式机器学习框架EGCN-CeDML(Edge-enhanced Graph Convolutional Neural Network-Communication-efficient Distributed Machine Learning)。相比面向单一设备的集中式预测框架,EGCN- CeDML是通信有效的分布式机器学习框架,该框架无需将所有原始数据发送到云服务器,而是直接将用户数据在本地边缘设备存储、处理和计算。这种在多个边缘设备训练神经网络的方式缓解了集中训练神经网络的压力,降低了传输数据量和通信延迟,提升了数据处理效率,在一定程度上也保护了用户隐私。各个边缘设备部署的复合图卷积网络(EGCN-LSTM)利用边-增强注意力机制和图卷积神经网络的特征传递机制,当周围车辆数量增长至十几辆时仍能快速提取和传递车辆间的交互信息,保证了较准确的预测性能和较低的时间复杂度。不限于车辆驾驶行为预测,各边缘设备可以根据自身的计算能能力和存储能力,在保证神经网络性能的前提下灵活控制神经网络的类型和规模以适用于不同的应用场景。EGCN-CeDML在公开数据集NGSIM上的实验结果表明:无论交通复杂程度如何,EGCN-CeDML的计算时间和预测性能都优于以往模型,精准率可达0.939 1,召回率可达0.955 7,F1分数可达0.947 3;预测时长为1 s时,预测准确率达到了91.21%;即使车辆数目增加,算法也能保持较低的时间复杂度,且稳定在0.1 s以内。

虚拟网络功能(Virtual Network Function,VNF)以服务功能链(Service Function Chain,SFC)的形式提供服务,能够满足不同服务的性能需求。由于网络具有动态性,为VNF实例分配固定资源会导致VNF实例的资源过多或者不足的问题。以往的研究对于VNF配置文件相关网络负载特征的重要性未做区分,因此,提出了一种基于特征权重感知的动态VNF资源需求预测方法。首先,使用ECANet学习VNF特征的权重值,以此来减少无用特征对模型预测结果的消极影响。其次,由于VNF配置文件数据集具有结构化特性,构建VNF资源预测模型时需要考虑以加强特征交互的方式来挖掘特征间深层的相互关系,提出使用深度特征交互网络(Deep Feature-Interactive Network,DIN) 增强网络负载特征与VNF性能特征之间的交互能力,提高模型预测精度。最后,在基准数据集上将所提方法与同类方法进行对比实验,发现其在预测的有效性与精确性上更具优势。

软件定义网络(Software Defined Network,SDN)以其强大的可编程性和集中控制的优势得到了学术界的广泛关注。现有的SDN设备在执行报文转发时仍然使用最短路径协议,当最短路径中的结点发生故障时,网络仍然需要重新收敛,在此期间报文可能会被丢弃,进而无法传递至目的结点,给实时性应用的流畅性造成了冲击,影响用户体验。学术界普遍采用路由保护的方案来应对网络故障,现有的路由保护方案存在以下两个方面的问题:(1)故障保护率低;(2)当网络出现故障时,备份路径可能会出现路由环路。为了解决上述两个问题,首先提出了备份下一跳计算规则;然后基于此规则设计了一种软件定义网络下的高故障保护率的路由保护算法(Routing Protection Algorithm with High Failure Protection Ratio,RPAHFPR),该算法融合了路径生成算法(Path Generation Algorithm,PGA)、旁支优先算法(Side Branch First Algorithm,SBF)和环路规避算法(Loop Avoidance Algorithm,LAA),可以同时解决已有路由保护方法面临的故障保护率低和路由环路问题;最后在大量的真实网络拓扑和模拟网络拓扑中验证了RPAHFPR方案的性能。与经典的NPC和U-TURN相比,RPAHFPR的故障保护率分别提高了20.85%和11.88%,并且在86.3%的拓扑中可以达到100%的故障保护率,在所有拓扑中可以达到99%以上的故障保护率。RPAHFPR的路径拉伸度基本接近1,不会引入过多的时间延迟。

随着车联网应用服务体系日益丰富,计算资源有限的车辆难以处理这些计算密集和时延敏感的车联网应用。计算卸载作为移动边缘计算中的一种关键技术可以解决这一难题。对于车联网中动态的多车辆多路侧单元的任务卸载环境,提出了一种基于联邦深度强化学习的任务卸载算法。该算法将每辆车都看作是智能体,采用联邦学习的框架训练各智能体,各智能体分布式决策卸载方案,以最小化系统的平均响应时间。设置评估实验,在多种动态变化的场景下对提出的算法的性能进行对比分析。实验结果显示,提出的算法求解出的系统平均响应时间短于基于规则的算法和多智能体深度强化学习算法,接近于理想方案,且求解时间远短于理想方案。实验结果表明,所提算法能够在可接受的算法执行时间内求解出接近于理想方案的系统平均响应时间。

针对目前运营商网络中构建的跨域虚拟私有网实现复杂、自治系统边界设备负载过重、存在单点故障等问题,提出了采用虚拟化方式构建跨域虚拟私有网的解决方案。该方案包括公网隧道的建立、本地VPN实例的建立、自治系统边界设备的虚拟化、边界设备私网路由的交互4个关键步骤。为评估方案的可行性,对方案进行了测试与验证,测试与验证结果表明该方案达到了预期设计的目标。为了评估方案的优越性,与传统多跳EBGP方式构建的跨域虚拟私有网在交换容量、路由条目、标签条目等维度进行了对比分析。对比结果表明,采用该方案构建的跨域虚拟私有网增强了自治系统边界设备的数据处理能力,并减少了自治系统边界设备需处理的数据量,是一种构建跨域私有网的改进方案。

物联网设备中大量未被充分利用的计算资源,正是移动边缘计算所需要的。一种基于设备对设备通信技术和无线充电技术的边缘卸载框架,可以最大化利用闲置物联网设备的计算资源,提升用户体验。在此基础上,可以建立物联网设备的D2D-MEC网络模型。在该模型中,主设备根据当前环境信息和估计的设备状态信息,选择向多个边缘设备卸载不同数量的任务,并应用无线充电技术提升传输的成功率和计算的稳定性。运用强化学习方法解决任务分配和资源分配的联合优化问题,也就是最小化计算延迟、能量消耗和任务丢弃损失,最大化边缘设备利用率和任务卸载比例的优化问题。除此之外,为了适应状态空间更大的情况,提高学习速度,提出了一种基于深度强化学习的卸载方案。基于以上理论和模型,使用数学推导计算出了D2D-MEC系统的最优解及性能上限。仿真实验证明了D2D-MEC卸载模型及其卸载策略的综合性能更好,更能充分利用物联网设备的计算资源。

云平台资源预测对于云资源管理和节能具有非常重要的意义。云虚拟机技术是云平台为了充分利用物理资源而实施的一种虚拟化手段,但是有效的云虚拟机负载预测仍具有挑战性,因为云虚拟机负载具有周期性和非周期性的变化模式以及突变的负载峰值,云虚拟机负载受到用户随机提交作业的影响。为了准确分析云虚拟机负载的变化模式,提升云虚拟机CPU负载预测性能,提出了一种基于分解-预测的云虚拟机负载预测方法。通过经验模态分解和主成分分析的云虚拟机负载模式分解,得到不同尺度的特征波动序列;预测模型的卷积层能够充分提取分解后的特征,并通过双向门控循环神经网络双向学习序列的前向和后向依赖关系,提高了预测模型学习云虚拟机负载变化模式的能力。最后,在真实云环境微软Azure 产生的 2019 VM数据集上进行单步和多步预测实验,验证了所提预测方法的有效性。