Computing Resource Allocation of Mobile Edge Computing Networks Based on Potential Game Theory
移动边缘计算(MEC)网络是实现超可靠和低延迟通信的关键技术之一。为了保证MEC网络的计算资源效率,需要精心设计计算资源分配方案。为了降低MEC网络的能耗,提高MEC网络的计算资源效率,提出了一种基于势博弈理论的计算资源分配方案。计算资源分配解决方案包括两部分:第一部分是基于势博弈论的功率控制方案,第二部分是基于线性规划的计算资源分配方案。功率控制方案是找到一组基站(BS)的发射功率,最大限度地提高MEC网络的潜在功能。计算资源分配方案是基于功率控制方案的结果来最大化MEC网络的平均计算资源分配系数。仿真结果表明,与传统方案相比,所提计算资源分配方案的计算资源利用率和能量效率都有显著提高。
2019-01-02 cs.NI
MAB-based Client Selection for Federated Learning with Uncertain Resources in Mobile Networks
提出了一种在无法估计客户端计算和通信资源的情况下,用于联邦学习(FL)的客户端选择方法,该方法利用移动客户端丰富的数据和计算资源训练机器学习(ML)模型,而无需在中央系统收集其数据。具有客户端选择的常规FL根据给定客户端的计算能力和吞吐量来估计FL轮所需的时间,并且确定客户端集合以减少FL轮中的时间消耗。然而,这是很难获得准确的资源信息,为所有客户端进行FL过程之前,因为可用的计算和通信资源的变化很容易根据后台计算任务,后台流量,瓶颈链路等,因此,FL运营商必须选择客户端通过探索和开发过程。提出一种基于多臂强盗(MAB)的客户端选择方法,以解决移动网络中FL的探索和开发权衡,并减少时间消耗。所提出的方法平衡了对资源量不确定的客户端和已知具有大量资源的客户端的选择。仿真结果表明,在资源波动的情况下,所提出的方案需要更少的学习时间比传统的方法。
2020-09-29 cs.NI
Efficient Batch Update of Unique Identifiers in a Distributed Hash Table for Resources in a Mobile Host
可以使用基于随机数的标识符来标识分布式系统中的资源。当使用分布式哈希表来将这样的标识符解析为网络位置时,直接的方法是将网络位置直接存储在与标识符相关联的哈希表条目中。当移动主机包含大量资源时,这要求当其网络地址改变时,必须更新所有关联的哈希表条目。我们提出了一种替代方法,在该方法中,我们将主机标识符存储在与资源标识符相关联的条目中,并将主机的实际网络地址存储在单独的主机条目中。这可以大大减少移动主机更改其网络地址时更新分布式哈希表所需的时间。我们还研究了在哪些情况下应该或不应该使用我们的方法。我们评估和确认我们的方法的实用性与实验上运行的OpenDHT。
2010-06-21 cs.NI
Mobile-service based Max-Min Fairness Resource Scheduling for Heterogeneous Vehicular Networks
本文研究了异构车辆网络的资源调度问题,其中一些移动车辆被选择和调度作为帮助中继,以协助路边基础设施和其他移动车辆之间的信息传输。针对这种系统,提出了一种基于移动业务的最大最小公平资源调度方案,该方案采用更适合高移动性场景的业务量来表征链路的信息传输能力,采用最大最小准则来满足移动车辆的公平性要求.仿真结果证明了该方案的有效性。结果表明,我们提出的方案档案更高的吞吐量和更好的公平性相比,随机调度方案和非中继方案。
2016-03-11 cs.NI
LORD: Leader-based framework for Resource Discovery in Mobile Device Clouds
本文提出了一种新的解决方案,用于由自私节点组成的移动终端云中的资源发现。移动终端云(MDC)是指考虑到资源共享目标而形成的具有通信能力的设备的协作布置。我们的工作的动机是观察到,随着MDC的应用程序不断增长,它是必不可少的,以快速定位在这样的云提供的资源,其中的资源可以是内容,计算资源,或通信资源。目前的RD方法可以分为两种模型:分散式模型,其中RD由每个节点单独处理;和集中式模型,其中RD由集中式实体(如蜂窝网络)辅助。然而,我们提出了主,一个领导者为基础的框架,在MDC的RD,这不仅是自组织的,不容易有一个单一的故障点,如集中式模型,但也能够平衡MDC参与者之间的能量消耗比分散式模型。此外,我们提供了一个基于信用的激励机制,以激励参与的自私节点在领导者的选择过程中,并提出了第一个能源意识的领导者选择机制,基于信用的模型。仿真结果表明,LORD算法与分散式模型相比,能够均衡节点间的能量消耗,延长整个网络的生命周期。
2017-04-16 cs.NI
EdgeChain: Blockchain-based Multi-vendor Mobile Edge Application Placement
最先进的移动边缘应用程序正在产生密集的流量,并对服务提供商提出严格的延迟要求。虽然跨多个服务提供商的资源共享可以最大限度地利用网络边缘的有限资源,但它需要由所有各方维护的集中式存储库,以便服务提供商共享状态。此外,服务提供商必须为了资源分配公平而相互信任,这是困难的,因为潜在的利益冲突。我们提出了EdgeChain,这是一种基于区块链的架构,可以为多个服务提供商做出移动边缘应用程序放置决策。首先,我们制定了一个随机规划问题,最大限度地减少移动边缘应用程序放置场景的放置成本。在此基础上,提出了一种启发式移动边缘应用布局算法.作为一个去中心化的公共账本,区块链将我们算法的逻辑作为智能合约,并考虑到参与系统的所有移动边缘主机的资源。该算法由各方同意,结果只会被区块链上的大多数采矿节点接受。当做出放置决定时,将以最低的成本选择满足消费者延迟和预算要求的边缘主机。所有放置交易都存储在区块链上,并且可以由在移动边缘消耗资源的每个移动边缘服务提供商和应用程序供应商跟踪。
2018-01-12 cs.NI
Energy Efficient Resource Allocation and User Scheduling for Collaborative Mobile Clouds with Hybrid Receivers
在本文中,我们研究的资源分配和用户调度算法,以最大限度地减少数据传输的能量成本的OFDMA协作移动云(CMC)的背景下,同时无线信息和功率传输(SWIPT)接收器。由多个协作MT组成的CMC为下行链路内容分发和终端侧的能耗降低提供了一种潜在的解决方案。同时,由于射频信号可以同时携带信息和能量,因此感应SWIPT在移动节点的能量效率设计中受到了广泛的关注。以往的CMC系统设计工作主要集中在云计算或能量效率的研究上,而如何分配无线资源和调度用户传输则缺乏关注。以最小化系统能耗为目标,提出了一个联合考虑子信道分配、功率分配和用户调度的SWIPT接收机组优化问题。制定的问题是通过凸优化技术。仿真结果表明,提出的用户调度和资源分配算法可以实现显着的节能性能。
2014-10-01 cs.NI
Radio Access Network and Spectrum Sharing in Mobile Networks: A Stochastic Geometry Perspective
下一代移动网络将更加依赖资源共享。本文研究了移动运营商之间的无线接入网和频谱共享问题。我们评估共享这两种类型的资源对空间分布的移动网络的性能的影响。我们应用随机几何观察的综合效果,例如,部署的基站之间的空间集群的水平,共享网络的大小,或在共享频谱使用的网络覆盖和预期的用户数据率的协调。我们发现了一些复杂的影响移动网络资源共享,其中涉及非线性缩放增益和性能权衡共享场景或空间集群水平。
2017-02-06 cs.NI
CABaRet: Leveraging Recommendation Systems for Mobile Edge Caching
最近提出了联合缓存和推荐,以提高移动边缘缓存的效率。虽然以前的工作假设移动网络运营商和内容提供方(谁控制的推荐系统)之间的合作,这可能是具有挑战性的,在今天的经济生态系统,现有的协议和架构。在本文中,我们提出了一种方法,使缓存感知的建议,而不需要网络和内容提供方的合作。我们利用推荐系统公开提供的信息,并构建一个提供缓存友好和高质量推荐的系统。我们将我们的方法应用于YouTube服务,并对YouTube视频推荐和视频请求实验进行测量,以评估缓存命中率的潜在收益。最后,我们分析研究的缓存优化问题,根据我们的方法。我们的研究结果表明,在实践中可以实现显着的缓存增益;从缓存感知的建议,缓存命中率增加8至10倍,并从缓存优化额外增加2倍。
2018-06-07 cs.NI
Mobility Impact on Performance of Mobile Grids
无线移动网格是一种新兴的网格类型,它有助于集中多个愿意合作的移动设备的资源来解决计算密集型任务。移动网格面临着更大的挑战,如设备的移动性管理,提供对网格资源的透明访问,任务管理和有限资源的处理,使资源有效地共享。这些设备上的任务执行不应受到其移动性的影响。提出了一种基于正常步行移动模型的无线移动网格性能评估方法。正常行走模型表示用户的日常运动,并且运动的方向在现实生活环境中大多是对称的,因此它在移动站的位置更新中是有效的,并且反过来有助于这些可用移动站之间的任务分配。讨论了任务执行时间、任务失败率、代理服务器通信开销和监控开销等性能指标。
2010-02-09 cs.NI
Distributed Resource Allocation and Application Deployment in Mesh Edge Networks
CIRRELT;GERAD;Polytechnique Montréal(蒙特利尔理工学院);Humanitas Solutions
本文提出了一种适用于移动边缘网络的虚拟网络嵌入方法,通过三种优化策略解决快速拓扑变化和资源限制问题,实验表明在移动环境中性能优于传统方法。
2025-12-12 cs.NI
Exact Resource Allocation for Fair Wireless Relay
针对中继蜂窝网络中的资源分配问题,提出一种线性复杂度的精确方案,实现移动用户间的最大最小公平,显著优于现有方法。
2024-02-05 cs.NI
Grid Computing Model for Mobile: A Better Mobile Grid Computing Model
网格计算是一种正在研究中的新型网络技术思想。在这个基于技术的领域有大量的炒作,因此它得到了计算社区的大量关注。网格计算利用PC(个人计算机)、网络服务器或其他基于计算技术的系统的集群。这些系统正在联合起来处理复杂的计算、通信和协作。网格计算提供了大量的支持,使企业能够利用其空闲的计算能力或系统处理周期来产生一种类型的超级计算机配置。网格计算技术已经从传统的基于高性能和分布式技术的计算系统转移到基于实用和普适的计算安排。这些基于技术的结构具有无线网络通信和协作的优越潜力,并且具有薄、轻和可远程访问的设备。这就产生了移动网格计算这一新的计算技术范式。这项研究将评估和分析基于网格计算和移动计算技术的安排。本文将对移动网格计算进行可行性分析。本研究将分析网格计算技术在移动领域的映射。在这个场景中,我将评估如何在移动设备中实现网格架构。为了实现一个移动网格的安排,我将分析现有的网格计算模型和讨论的设计,实现,体系结构和它的局限性。本研究也将突出网格计算对移动设备负载均衡、高处理效率和减少网络通信的影响。
2019-03-18 cs.NI
Wireless Network Slicing: Generalized Kelly Mechanism Based Resource Allocation
无线网络切片(即,网络虚拟化)是用于解决与5G蜂窝网络相关的移动数据服务中的快速增长的需求的问题的潜在技术之一。它在逻辑上将当前的蜂窝网络分为两个实体:基础设施提供商(InP)和移动虚拟网络运营商(MVNO)。基站的资源(例如,由InP拥有的资源块、传输功率、天线)被共享给需要用于其移动用户的资源的多个MVNO。具体而言,InP的物理资源被抽象为多个隔离的网络切片,然后将其分配给MVNO的移动用户。在本文中,研究了网络切片中的两级分配问题,同时实现了有效的资源利用、切片间隔离(即,切片之间没有干扰),以及切片内隔离(即,在同一切片中的用户之间没有干扰)。设计了一种广义凯利机制(GKM),在此基础上实现了资源分配问题的上层(即,在InP和MVNO之间)被寻址。使用这种资源投标和分配框架的好处是,卖方(InP)不需要知道投标人(MVNO)的真实估值。为了解决较低级别的资源分配问题(即,在MVNO和它们的移动用户之间),通过使用KKT条件,从每个MVNO到它的移动用户导出最优资源分配。然后,将带宽资源分配给MVNO的用户。最后,通过仿真验证了本文提出的无线网络切片中两级资源分配问题的理论分析。
2019-07-05 cs.NI
A Comprehensive Utility Function for Resource Allocation in Mobile Edge Computing
在移动边缘计算(MEC)中,重要的挑战之一是应该将哪个移动边缘服务器(MES)的多少资源分配给哪个用户设备(UE)。现有的资源分配方案只考虑CPU作为所请求的资源,并假设MES的效用是随机变量或仅取决于所请求的CPU。本文提出了一种新的综合效用函数用于MEC中的资源分配。效用函数考虑UE卸载到MES的应用的异构性质。提出的效用函数考虑了所有重要参数,包括CPU、RAM、硬盘空间、所需时间和距离,以计算MES更现实的效用值。此外,我们改进了一些通用的算法,用于资源分配在MEC和云计算,考虑我们提出的效用函数。我们将这些资源分配方案的改进版本命名为综合资源分配方案。UE请求被建模以表示UE所请求的资源量以及UE已经请求这些资源的时间。效用函数取决于UE请求和UE与MES之间的距离,并且用作不同类型的UE请求之间的比较的现实手段。选择具有要分配给每个UE请求的最佳资源量的最佳MES是一项具有挑战性的任务。我们表明,MES资源分配是次优的,如果CPU是唯一考虑的资源。考虑到其他资源,即,RAM,磁盘空间,请求时间,距离的效用函数,我们证明了资源分配算法的服务率,效用,MES能耗方面的改进。
2020-12-18 cs.NI
Collaborative Pipeline Using Opportunistic Mobile Resources via D2D for Computation-Intensive Tasks
本文提出了设备到设备(D2D)通信设置中的移动管道计算概念,并研究了相关问题,其中D2D可能基于5G移动通信中的毫米波(mmWave)。所提出的机会系统采用移动中的流水线资源有限设备的集群来处理当前云计算技术可能不适合的实时现场计算密集型任务。随着高速低延迟无线技术的成熟,这种系统的可行性是可以预期的。通过定义系统级和流水线级的体系结构、基本功能和流程,提出了一个系统模型。提出了一种流水线寻路算法和多任务优化框架。为了最小化搜索空间,因为该算法可能需要运行在资源有限的移动设备上,提出了一种基于邻接矩阵功率的图修剪技术,并使用仿真进行验证。利用实验和计算机模拟对我们提出的技术进行了初步的可行性评估。作为可行性评估的一部分,针对单管道和并发多管道场景分析和检查了毫米波阻塞对管道稳定性的影响。本文的设计和分析结果对系统设计具有一定的指导意义,并为今后的工作奠定了基础。
2020-06-16 cs.NI
Latency and Reliability-Aware Task Offloading and Resource Allocation for Mobile Edge Computing
虽然移动边缘计算(MEC)消除了移动设备的计算和功率限制,但在将任务卸载到远程MEC服务器时会产生额外的延迟。在这项工作中,在任务卸载的上下文中的功率延迟权衡研究在多用户MEC的情况下。与依赖于平均度量的当前系统设计(例如,平均队列长度和平均延迟),提出了一种新的网络设计,其中考虑了延迟和可靠性约束。这是通过对用户的任务队列长度施加概率约束,并调用极值理论的结果来表征队列长度(或排队延迟)违规方面的低概率事件的发生。该问题被制定为一个计算和发射功率最小化的延迟和可靠性的约束,并解决了使用工具从李雅普诺夫随机优化。仿真结果表明,所提出的方法的有效性,同时检查功率延迟的权衡和所需的计算资源,为各种计算强度。
2017-10-02 cs.NI
Resource Awareness in Unmanned Aerial Vehicle-Assisted Mobile-Edge Computing Systems
研究了一种无人机辅助的移动边缘计算系统,无人机为地面移动边缘计算系统提供计算资源的补充。UAV通过创建对应的虚拟机来处理从移动用户(MU)接收的计算任务。由于MEC系统中UAV的有限共享I/O资源,每个MU竞争跨决策时期调度本地以及远程任务计算,旨在最大化预期的长期计算性能。将MU之间的非合作交互建模为一个随机博弈,其中MU的决策依赖于全局状态统计,所有MU的任务调度策略是耦合的。为了近似纳什均衡解,我们提出了一种基于长短期记忆和深度强化学习(DRL)技术的主动方案。建立MEC系统的数字孪生模型以离线训练主动DRL方案。使用所提出的计划,每个MU只与自己的信息进行任务调度决策。数值实验表明,该计划的平均效用每MU在整个决策时期的显着的性能增益。
2019-11-15 cs.NI
Efficient and Fair Collaborative Mobile Internet Access
激增的全球移动数据流量对蜂窝网络的经济可行性提出了挑战,并要求创新的解决方案来减少网络拥塞和改善用户体验。在这种情况下,用户提供的网络(UPN),移动用户共享他们的互联网接入,利用他们的不同的网络资源和需求,是非常有前途的。使用高级手持设备的异构用户可以以分布式方式建立连接,并释放网络边缘的休眠网络资源。然而,这种服务的成功在很大程度上取决于用户贡献其资源的意愿,例如网络接入和设备电池能量。在本文中,我们介绍了UPN服务的一般框架,并设计了一个基于讨价还价的分布式激励机制,以确保用户的参与。所提出的机制确定了每个用户应该贡献的资源,以最大化UPN中的聚合数据率,并在用户之间公平地分配收益。数值结果表明,该服务总是可以提高性能,并且这种改善随着用户资源的多样性而增加。在数量上,即使只有6个移动用户,它也可以达到典型场景的总服务流量平均30%的增长。
2016-12-15 cs.NI
Joint Task Offloading and Resource Allocation for Multi-Server Mobile-Edge Computing Networks
移动边缘计算(MEC)是一种新兴的范例,其向无线接入网络的边缘提供云计算能力的毛细分布,从而使丰富的服务和应用能够靠近最终用户。在这篇文章中,MEC使能的多小区无线网络被认为是每个基站(BS)配备有MEC服务器,可以帮助移动用户执行计算密集型任务,通过任务卸载。研究了联合任务卸载和资源分配(JTORA)问题,以最大化用户的任务卸载收益为目标,通过减少任务完成时间和能量消耗来衡量。所考虑的问题被制定为一个混合的非线性规划(MINLP),涉及联合优化的任务卸载决策,移动用户的上行链路传输功率,并计算资源分配在MEC服务器。由于该问题的NP-困难性,求解最优解对于大规模网络是困难的和不切实际的。为了克服这个缺点,我们的方法是分解成(i)一个资源分配(RA)问题与固定的任务卸载决策和(ii)任务卸载(TO)问题,优化的最佳价值函数对应的RA问题。我们使用凸和准凸优化技术解决RA问题,并提出了一种新的启发式算法,在多项式时间内实现次优解的TO问题。数值模拟结果表明,该算法性能接近最优解,并显着提高了用户的卸载效用比传统的方法。
2017-05-01 cs.NI
Resource Management and Quality of Service Provisioning in 5G Cellular Networks
随着5G技术的商业推出和蜂窝网络基础设施的快速扩张,预计蜂窝和移动网络流量将呈指数级增长。此外,新的服务预计将广泛传播,例如连接到移动网络的物联网。这将在业务负载方面增加额外的负担。因此,一些研究表明,与现在产生的流量相比,移动流量可能会增加1000多倍。这意味着必须以智能的方式管理和控制用于移动服务的网络资源,因为资源总是有限的,但是对服务的需求和保持用户设备总是连接到移动网络的需要可以被认为是无限的,从而在巨大的服务需求和可用资源之间留下差距。为了缩小这一差距,应主要考虑网络资源的管理,以避免高峰时段和流量高峰期间的网络拥塞和性能下降,并允许更多客户在需求高时访问网络服务。另一方面,保证各种新业务的服务质量要求是5G网络必须满足的另一个挑战。在本文中,我们将回顾5G网络的特点和规范,然后对资源管理和QoS提供进行调查,以提高和管理5G网络中的资源利用率。
2020-08-21 cs.NI
Constraint-Aware Deep Reinforcement Learning for End-to-End Resource Orchestration in Mobile Networks
网络切片是一种很有前途的技术,它允许移动网络运营商有效地服务于5G中的各种新兴用例。优化网络基础设施的利用率,同时根据服务水平协议(SLA)保证网络切片的性能是具有挑战性的。为了解决这个问题,我们提出了SafeSlicing,它引入了一种新的约束感知深度强化学习(CaDRL)算法,可以在两个步骤内学习最佳资源编排策略,即,在模拟环境中进行离线训练,以及利用真实网络系统进行在线学习。在优化资源编排时,利用拉格朗日乘子将切片统计性能的约束条件加入到奖励函数中,并通过策略网络解决拉格朗日松弛问题。为了满足对系统容量的约束,我们设计了一个约束网络来映射从策略网络生成的潜在动作到编排动作,使得分配给网络切片的总资源不超过系统容量。我们在使用OpenAirInterface LTE、基于OpenDayLight的SDN和CUDA GPU计算平台开发的端到端测试平台上对SafeSlicing进行了原型设计。实验结果表明,与其他解决方案相比,SafeSlicing在满足网络切片SLA的同时减少了20%以上的资源使用。
2021-10-08 cs.NI
Decentralized Computation Offloading and Resource Allocation in Heterogeneous Networks with Mobile Edge Computing
我们考虑一个具有移动边缘计算的异构网络,其中用户可以将其计算卸载到多个服务器中的一个。特别是,我们最大限度地减少了系统范围内的计算开销,通过联合优化个人的计算决策,用户的传输功率和计算资源在服务器上。问题的关键在于多用户卸载决策的组合性质、优化目标的复杂性以及小区间干扰的存在。然后,将问题分解为两个子问题:一是卸载决策,包括用户关联和子信道分配两个阶段;二是联合资源分配,进一步分解为发射功率和计算资源分配问题。为了实现分布式计算卸载,我们依次应用多对一匹配游戏的用户关联和一对一匹配游戏的子信道分配。此外,卸载用户的发射功率使用二分法近似的小区间干扰,并分配给卸载用户的计算资源通过对偶方法来实现。所提出的算法是收敛和稳定的。最后,我们提供模拟来验证所提出的算法的性能,以及与现有的框架进行比较。
2018-03-02 cs.NI
SOARAN: A Service-oriented Architecture for Radio Access Network Sharing in Evolving Mobile Networks
移动网络正经历向软件定义网络(SDN)基础设施的快速演进,以适应不断增长的移动流量,并克服技术创新和服务市场不断加速演进所导致的网络管理噩梦。演进的载波无线网络倾向于在多个(虚拟)网络运营商之间共享无线电接入网络(RAN)以便增加网络容量并降低费用。然而,现有的RAN共享模型是面向运营商的,为了资源共享的目的,其向参与的网络运营商暴露了大量的资源细节,例如基础设施和频谱。这些老式的模型违反了SDN抽象的设计原则,并且无法管理按需定制服务的蓬勃发展的流量。本文提出了一种面向服务的移动网络RAN共享框架SOARAN,该框架用于从LTE/LTE高级演进到软件定义载波无线网络(SD-CWNs)的移动网络中,通过提供应用级差异化服务,从无线资源上为网络运营商提供服务。SOARAN定义了一系列具有不同体验质量(QoE)要求的抽象应用。中央控制器周期性地计算关于运行时业务需求和信道条件的用于每个无线电元件的应用级资源分配,并且将这些分配决定作为面向服务的策略传播到各个元件。无线电元件然后独立地确定每个应用内的流级资源分配以实现这些策略。我们制定的应用程序级资源分配作为一个优化问题,并开发了一个快速算法来解决它与一个可证明的近似保证。
2015-08-03 cs.NI
Spontaneous Proximity Clouds: Making Mobile Devices to Collaborate for Resource and Data Sharing
移动云计算的基本动机是通过将应用卸载到强大的云资源上来增强移动设备的能力。然而,由于移动终端和云之间的长物理距离所带来的高卸载成本,这一目标无法完全实现。为了解决这个问题,我们提出了一个应用程序卸载到附近的移动云组成的移动设备在附近的一个自发的邻近云。我们介绍了我们提出的动态,蚂蚁启发,双目标卸载中间件-ACOMA,并解释其扩展执行一个密切的移动应用程序卸载。利用ACOMA基于学习的卸载决策过程,结合协同资源共享,移动设备可以协同进行决策缓存共享。我们使用真实的基准人脸识别和Monte-Carlo算法评估了ACOMA在协作模式下的性能,并实现了50%的执行时间增益。
2016-11-03 cs.DC cs.NI
Spatio-Temporal Bayesian Learning for Mobile Edge Computing Resource Planning in Smart Cities
智慧城市通过利用物联网(IoT)等技术收集和处理数据以进行决策,从而提高运营效率和生活舒适度。为了更好地支持智慧城市,物联网收集的数据应该得到适当的存储和处理。然而,物联网设备通常是任务专用和资源受限的,因此,它们在计算和存储方面严重依赖在线资源来完成各种任务。此外,这些基于云的解决方案通常集中资源,远离终端物联网,并且当大量任务通过核心网卸载时,由于网络拥塞而无法及时响应用户。因此,通过将资源分散到空间上靠近物联网设备的地方,移动边缘计算(MEC)可以减少延迟并提高智能城市的服务质量,在智能城市中,服务请求可以在附近完成。由于服务需求具有时空特征,因此在最佳位置部署MEC服务器并分配MEC资源对于有效满足智慧城市的服务需求至关重要。在这方面,必须了解资源需求在时间和空间上的分布。在这项工作中,我们首先提出了一个时空贝叶斯分层学习方法来学习和预测MEC资源需求在空间和时间上的分布,以促进MEC部署和资源管理。其次,对所提出的模型进行了训练,并在真实数据上进行了测试,结果表明,所提出的方法可以达到非常高的精度。第三,我们通过模拟任务卸载来演示所提出的方法的应用。最后,模拟结果表明,根据我们的模型的预测分配的资源被更有效地利用比资源平均分配给所有服务器在未观察到的区域。
2021-03-13 cs.NI
Clustering Effects on Wireless Mobile Ad-Hoc Networks Performances
无线移动自组织网络的新时代正在到来,其中通信将使用一组称为集群的移动设备来完成,因此称为集群网络。在集群网络中,这些移动设备使用的协议与有线网络中使用的协议不同,这有助于有效地节省计算时间和资源。本文重点研究了基于路由器的路由协议和动态源路由。本文提出的结果说明了实施的Ad-hoc按需距离矢量路由协议,以提高移动节点的性能和生命周期在一个集群网络,并演示了如何在无线移动Ad Hoc网络的时间效率和资源节约这种路由协议的结果。
2014-03-12 cs.NI
Efficient Resource Allocation for On-Demand Mobile-Edge Cloud Computing
移动边缘云计算是一种在普适无线电接入网络的边缘靠近移动用户处提供云计算能力的新范例。针对提供灵活的按需移动边缘云服务,本文提出了一个综合框架,包括面向用户的资源高效计算卸载机制和面向网络运营商的联合通信和计算(JCC)资源分配机制。具体来说,我们首先研究了用户的资源有效的计算卸载问题,以减少用户的资源占用,通过确定其最佳的通信和计算资源配置文件具有最小的资源占用,同时满足QoS约束。然后,我们解决的关键问题,用户准入控制JCC资源分配,以适当地选择一组用户的资源需求的满足。我们发现的准入控制问题是NP-难的,因此开发了一个有效的近似解决方案,通过仔细设计的用户排名标准,严格推导出其性能保证的低复杂度。为防止部分用户在获取移动边缘云服务时虚报估值的操纵行为,进一步借助临界值法这一有力工具,设计出JCC资源分配的真实定价方案。广泛的性能评估表明,所提出的方案可以实现按需移动边缘云计算的卓越性能。
2018-06-08 cs.DC cs.NI
Wireless Mobility Management with Prediction, Delay Reduction and Resource Management in 802.11 Networks
在802.11无线基础设施网络中,当移动节点从一个接入点移动到另一个接入点时,如果切换是平滑的并且如果在目标接入点中预留了足够的资源,则活动连接将不会被严重丢弃。在一个5 × 5的接入点网格中,在一个6 × 6的区域网格中,通过位置跟踪和数据采掘,我们预测移动节点的移动模式具有良好的准确性。移动节点的预扫描,以及预认证的相邻接入点和预重新关联被用来减少扫描延迟,认证延迟和重新关联延迟分别。该模型利用预测结果进行第一阶段预留,并根据分组内容类型进行第二阶段预留,使得移动节点在切换到下一个接入点时能够预留足够的资源。因此,整个移动性管理方案减少了切换延迟。性能仿真验证了所提出的模型。
2014-10-08 cs.NI
Group Handover Management in Mobile Femtocellular Network Deployment
移动毫微微蜂窝是毫微微蜂窝网络部署的新范例。它可以提高车内用户的服务质量。移动毫微微蜂窝基站的部署产生了大量的切换呼叫。此外,在移动毫微微蜂窝网络部署中发现了许多组切换场景。在本文中,我们专注于移动毫微微蜂窝网络部署中的组切换的资源管理。我们讨论了一些组切换的情况。提出了一种包含带宽自适应策略和动态带宽预留策略的资源管理方案。仿真结果表明,所提出的带宽管理方案在不降低带宽利用率的情况下,显著降低了切换呼叫掉线概率。
2018-10-05 cs.NI
Resource Allocation in Mobile Networks: A Decision Model Of Jockeying in Queues
该研究针对下一代通信网络资源供需差距问题,提出多租户换队行为模型,让租户基于预期等待时间评估自主决策换队以降低排队延迟,并通过数值模拟揭示了行为的参数依赖关系,为多队列去中心化管理提供基础。
2024-05-17 cs.NI
Resource-efficient Generative Mobile Edge Networks in 6G Era: Fundamentals, Framework and Case Study
Guangdong University of Technology(广东工业大学);Guangdong-Hong Kong-Macao Joint Laboratory for Smart Discrete Manufacturing(粤港澳智慧离散制造联合实验室);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Nanyang Technological University(南洋理工大学);Sungkyunkwan University(成均馆大学)
本文提出6G时代生成式移动边缘网络概念,构建资源高效型生成式激励机制框架,结合模型划分与基于GDM的Stackelberg模型开展案例研究,并给出未来开放研究方向。
2023-12-19 cs.AI cs.GT cs.NI
Collaboration in the Sky: A Distributed Framework for Task Offloading and Resource Allocation in Multi-Access Edge Computing
最近,无人机(UAV)辅助的多址边缘计算(MEC)系统成为向地面基础设施覆盖范围之外的移动用户提供计算服务的有前途的解决方案。然而,由于每个UAV独立地操作,由于UAV的MEC服务器处的有限计算能力以及UAV的能量约束,满足移动用户的计算需求是具有挑战性的。因此,需要无人机之间的合作。本文提出了一种多无人机协同MEC系统与MEC使能地面基站(BS)集成。然后,通过优化卸载决策以及通信和计算资源的分配,在满足移动用户和无人机能量约束的前提下,研究了如何最小化系统中移动用户所经历的总延迟的问题.所提出的问题被证明是一个非凸的,混合整数非线性问题(MINLP),是棘手的。因此,制定的问题被分解为三个子问题:i)用户任务卸载决策问题,ii)通信资源分配问题和iii)无人机辅助MEC决策问题。然后,拉格朗日松弛法和交替方向乘子法(ADMM)的方法来解决分解的问题,交替。仿真结果表明,与贪婪搜索和穷举搜索方法相比,该方法的平均延迟分别降低了40.7%和4.3%。
2021-07-30 cs.NI eess.SP
Self-Explaining Reinforcement Learning for Mobile Network Resource Allocation
研究移动网络资源分配问题,核心方法是用自解释神经网络参数化PPO智能体策略并聚合局部解释为全局解释,主要贡献是性能接近最优深度学习方法且显著优于启发式方法,全局解释相关性强,在高风险强化学习中有潜力。
2026-07-23 cs.LG cs.NI
Unifying Futures and Spot Market: Overbooking-Enabled Resource Trading in Mobile Edge Networks
通过有效的资源交易来保护边缘计算过程所需的资源,成为支持计算密集型移动应用程序的关键技术。传统的现场现货交易可以通过适当的激励来促进这种模式,然而,这会导致过度的决策延迟/能量消耗,并进一步导致动态资源的利用不足。受此启发,提出了一个统一期货和现货的混合市场,以促进边缘服务器(卖方)和多个智能设备(买方)之间的资源交易,通过鼓励一些买方提前与卖方签订远期合同,同时让剩余的买方与现货交易竞争可用资源。具体而言,由于动态资源需求,采用超额预订以实现实质性的利用率和利润优势。通过将超额预订集成到期货市场,可以实现互利和风险可容忍的远期合约与适当的超额预订率依赖于分析与未来的资源需求和通信质量,这是由一个替代的基于优化的协商方案确定的历史统计。此外,研究了统一/差别定价规则下的现货交易问题,提出了两种基于非凸优化和背包问题的双边协商方案。实验结果表明,所提出的机制实现了互利的参与者的效用,同时在关键指标上优于基线方法,例如,决策延迟、资源使用等。
2021-08-16 cs.DC cs.NI
Mobile Edge Computation Offloading Using Game Theory and Reinforcement Learning
由于资源匮乏和延迟受限的移动应用程序越来越受欢迎,远程云的计算和存储功能已部分迁移到移动边缘,从而产生了移动边缘计算(MEC)的概念。虽然MEC服务器享有与终端用户的紧密接近以以减少的延迟和较低的能量成本提供服务,但是它们遭受计算和无线电资源的限制,这要求MEC服务器中的公平有效的资源管理。然而,由于下一代无线网络的超高密度、分布式性质和固有的随机性,该问题具有挑战性。在这篇文章中,我们专注于应用博弈论和强化学习的有效分布式资源管理MEC,特别是计算卸载。我们简要回顾了前沿研究,并讨论了未来的挑战。此外,我们开发了一个节能的分布式边缘服务器激活的博弈论模型,并研究了几种学习技术。数值结果来说明这些分布式学习技术的性能。此外,在MEC服务器的资源管理的背景下,开放的研究问题进行了讨论。
2017-11-20 cs.GT cs.NI
Anticipatory Radio Resource Management for Mobile Video Streaming with Linear Programming
在预期组网中,信道预测被用来提高通信性能。本文介绍了一种新的方法,分配资源的视频流业务,同时占服务质量。所提出的方法是基于将用户的本地播放缓冲器的模型集成到无线电接入网络中。这个模型的线性允许制定一个线性规划问题,优化分配的资源和媒体流的停滞时间之间的权衡。我们的模拟结果表明,在一个简单的,但有代表性的情况下,预期优化的全部力量。与瞬时自适应相比,我们的预期解决方案在可行的计算时间内表现出令人印象深刻的频谱效率和停滞持续时间的增益,同时对预测误差具有鲁棒性。
2016-03-08 cs.MM cs.NI
HetMEC: Latency-optimal Task Assignment and Resource Allocation for Heterogeneous Mobile Edge Computing
由于对边缘设备(ED)的低延迟服务的巨大需求,已经提出了移动边缘计算(MEC)以实现无线电接入网络边缘处的计算能力。然而,传统的MEC服务器具有诸如有限的计算能力、阻止及时处理计算密集型任务的缺点。为了缓解这个问题,我们提出了异构MEC(HetMEC),其中不能在边缘及时处理的数据被允许卸载到上层MEC服务器,并最终卸载到具有更强大计算能力的云中心(CC)。我们设计的延迟最小化算法,共同协调的任务分配,计算和传输资源之间的ED,多层MEC服务器,和CC。仿真结果表明,我们提出的算法可以实现更低的延迟和更高的处理速率比传统的MEC方案。
2019-01-27 cs.NI eess.SP
Optimal Task Scheduling in Communication-Constrained Mobile Edge Computing Systems for Wireless Virtual Reality
移动边缘计算(MEC)有望成为通过无线网络提供360度虚拟现实(VR)视频的有效解决方案。与之前的计算受限MEC框架通过增加通信资源消耗来减少移动VR设备的计算资源消耗相比,本文开发了一种通信受限MEC框架,通过增加计算资源消耗和利用移动VR设备的缓存资源来减少通信资源消耗。具体地,根据任务模块化,MEC服务器只能交付VR设备中未存储的组件,然后VR设备使用接收到的组件和对应的缓存组件来构建任务,导致低通信资源消耗但高延迟。MEC服务器也可以自己计算任务以减少延迟,但是由于整个任务的交付,它消耗更多的通信资源。因此,我们提出了一个任务调度策略来决定MEC服务器应该运行哪种计算模型,以最小化延迟约束下的通信资源消耗。最后,我们讨论了通信,计算和缓存之间的权衡,在拟议的系统。
2017-08-02 cs.IT cs.NI math.IT
A Business Model for Resource Sharing in Cell-Free UAVs-Assisted Wireless Networks
无人机(UAV)被广泛部署以增强无线网络容量并向基础设施覆盖范围之外的移动用户提供通信服务。近年来,在网络虚拟化技术的帮助下,多个服务提供商(SP)可以共享移动网络运营商(MNO)拥有的基础设施和无线资源。然后,它们使用从MNO获得的资源向其移动用户提供特定服务。然而,SP之间的无线资源共享是具有挑战性的,因为每个SP希望自私地最大化其效用/利润,同时满足其移动用户的QoS要求。因此,在本文中,我们提出了联合用户关联和无线资源共享问题的无蜂窝无人机辅助无线网络的目标,最大限度地提高总的网络效用的SP,同时确保其移动用户的QoS约束和资源约束的无人机部署的移动网络运营商。为了解决所提出的混合整数非凸问题,我们将所提出的问题分解为两个子问题:用户关联和资源共享问题。然后,一个双边匹配算法部署,以解决用户关联问题。我们进一步部署鲸鱼优化和拉格朗日松弛算法来解决资源共享问题。最后,大量的数值结果,以显示我们所提出的算法的有效性。
2021-07-02 cs.NI eess.SP
Joint Optimization of Radio and Computational Resources for Multicell Mobile-Edge Computing
将计算密集型任务从移动设备迁移到资源更丰富的云服务器是一种很有前途的技术,可以提高移动设备的计算能力,同时节省电池电量。在本文中,我们考虑一个MIMO多小区系统,多个移动用户(MU)要求计算卸载到一个共同的云服务器。我们制定的卸载问题的无线电资源的联合优化的MU的发射预编码矩阵和计算资源的CPU周期/秒分配的云到每个MU,以最大限度地减少整体用户的能量消耗,同时满足延迟约束。由此产生的优化问题是非凸的(在目标函数和约束中)。然而,在单用户的情况下,我们能够表示在封闭的形式的全局最优解。在更具挑战性的多用户场景中,我们提出了一种迭代算法,基于一种新的连续凸逼近技术,收敛到原来的非凸问题的局部最优解。然后,我们重新制定的算法在一个分布式和并行实现的无线接入点,只需要一个有限的协调/信令与云。数值结果表明,所提出的方案优于不相交优化算法。
2014-12-29 cs.IT cs.NI math.IT
NEWCAST: Anticipating Resource Management and QoE Provisioning for Mobile Video Streaming
由于移动应用程序和服务以及智能手机传感器提供了丰富的上下文信息,了解移动网络中未来吞吐量变化的可能性越来越大。甚至可能的是,这样的上下文信息(可能包括业务、移动性和无线电条件)将导致尚未想到的新颖的敏捷资源管理。在本文中,我们提出了一个框架(称为NEWCAST),预计吞吐量的变化,提供视频流内容。我们开发了一个优化问题,实现了关键指标,影响用户的感知体验质量(QoE)和系统利用率的成本之间的基本权衡。从[1]中收集的模拟和真实世界吞吐量跟踪都被用来评估NEWCAST的性能。特别是,我们的数值结果表明,NEWCAST提供了新的5G架构在计算复杂性和鲁棒性方面所需的效率。我们还实现了一个原型系统的NEWCAST和评估它在一个真实的环境中与一个真实的播放器,以显示其效率和可扩展性相比,基线自适应比特率算法。
2018-01-25 cs.MM cs.NI
Joint Computation Offloading, SFC Placement, and Resource Allocation for Multi-Site MEC Systems
网络功能虚拟化(NFV)和移动边缘计算(MEC)是支持对资源要求高的移动应用的有前景的5G技术。在NFV中,必须处理服务功能链(SFC),其中必须以特定顺序执行一组网络功能。此外,MEC技术使得能够将服务请求从移动用户计算卸载到远程服务器,以潜在地减少移动应用的能量消耗和处理延迟。本文研究了多站点MEC系统中计算卸载、资源分配和SFC布局的优化问题。我们的设计目标是最小化加权归一化能量消耗和计算成本的最大可容忍延迟约束。为了解决潜在的混合整数和非线性优化问题,我们采用分解方法,其中我们迭代地优化计算卸载、SFC放置和计算资源分配以获得有效的解决方案。数值结果表明,不同的参数对系统性能的影响和性能的优越性,所提出的算法相比,基准算法。
2020-03-28 cs.DC cs.NI
MOSDEN: An Internet of Things Middleware for Resource Constrained Mobile Devices
物联网(IoT)是未来互联网的一部分,将包括数十亿个互联网连接对象(ICO)或“事物”,其中事物可以感知,通信,计算和潜在地驱动,以及具有智能,多模式接口,物理/虚拟身份和属性。从这些对象收集数据是一项重要的任务,因为它允许软件系统更好地理解环境。许多不同的硬件设备可能参与收集传感器数据并将其上传到云的过程,其中可能发生复杂的处理。此外,由于技术和经济原因,我们不能期望所有这些对象都与计算机连接。因此,我们应该能够利用资源受限的设备来收集来自这些ICO的数据。另一方面,在将收集到的传感器数据发送到云端之前对其进行处理至关重要,以确保由于能源限制而导致的基础设施的可持续性。这需要将传感器数据处理任务移向资源受限的计算设备(例如,移动电话)。在本文中,我们提出了移动传感器数据处理引擎(MOSDEN),这是一种基于插件的移动设备物联网中间件,允许收集和处理传感器数据,而无需编程。我们的架构还支持感知即服务模型。我们提出的评估结果,证明其适用于现实世界的部署。我们提出的中间件是建立在Android平台上。
2013-10-15 cs.DC cs.NI
Modeling and Resource Allocation for HD Videos over WiMAX Broadband Wireless Networks
移动视频被认为是WiMAX和LTE等宽带无线网络的主要应用和收入来源。因此,由于视频业务是吞吐量消耗和延迟敏感的,因此设计合适的移动视频资源分配方案是重要的。
2016-03-25 cs.MM cs.NI
Game Theory based Joint Task Offloading and Resources Allocation Algorithm for Mobile Edge Computing
移动边缘计算(MEC)已经出现,通过允许移动用户将计算密集型任务卸载到MEC服务器来降低能耗和延迟。由于小小区网络中的频谱复用,小区间干扰对MEC性能有很大影响。为了减少MEC的能耗和延迟,本文提出了一种基于博弈论的方法,将MEC系统中的任务卸载决策和资源分配结合起来。该算法将移动用户的卸载决策、CPU容量调整、发射功率控制和网络干扰管理视为一个博弈。在这个博弈中,基于最佳反应策略,每个移动用户使自己的效用最大化,而不是使整个系统的效用最大化。证明了该博弈是一个正合势博弈,并且该博弈的纳什均衡(NE)存在。为了达到NE,应用最佳响应方法。我们计算这三个变量的最佳对策。此外,我们研究了该算法的性质,包括收敛性,计算复杂性,和无政府代价(PoA)。理论分析表明,小区间干扰对MEC的性能影响很大。这个博弈的NE是帕累托效率。最后,我们通过仿真来评估该算法的性能。仿真结果表明,该算法对提高多用户MEC系统的性能是有效的。
2019-12-16 cs.DS cs.NI
SAMI: Service-Based Arbitrated Multi-Tier Infrastructure for Mobile Cloud Computing
移动云计算(MCC)是旨在缓解移动设备资源匮乏的最新移动计算技术。最近,已经提出了若干方法和技术来通过利用云计算来增强移动设备。然而,长WAN延迟和信任仍然是MCC的两个主要问题,阻碍了其愿景。本文对MCC进行了分析,并对其存在的问题进行了讨论。我们利用面向服务的架构(SOA),提出了一个仲裁的多层基础设施模型命名为SAMI MCC。我们的体系结构由三个主要层组成,即SOA、仲裁器和基础设施。该架构的主要优势在于其多层基础设施层,该层利用来自云、移动网络运营商(MNO)和MNO授权经销商这三个主要来源的基础设施。在基础设施层之上,仲裁器层被设计为基于诸如资源需求、延迟和安全性等多个度量对服务进行分类并为其分配合适的资源。利用SAMI可以促进基于服务的平台中立移动应用程序的开发和部署。
2012-06-27 cs.DC cs.NI
Enhancing Mobile Crowdsensing Efficiency: A Coverage-aware Resource Allocation Approach
本研究针对移动群智感知网络,提出一种覆盖感知的资源分配方法,通过联合优化用户选择、子信道与任务分配,并采用匈牙利算法及双向交换方法,在保证覆盖性能的同时最小化任务延迟。
2025-03-27 cs.NI eess.SP
Publishing and Discovery of Mobile Web Services in Peer to Peer Networks
由于蜂窝设备和移动通信技术的进步,在移动终端上托管Web服务现在是可行的。然而,移动互联网的可靠性、可用性和响应性取决于各种因素,包括可用网络的特性、计算资源以及搜索它们所提供的服务的更好手段。P2P增强了移动主机在商业环境中的采用。P2P中的移动节点可以协作共享各个节点的资源。P2P还增强了大量Web服务的服务发现,这可能与移动互联网有关。还可以利用具有关键字权重和上下文感知的帖子过滤等高级功能来选择最佳的移动Web服务。本文提出了P2P网络中移动服务的概念,并给出了移动P2P网络中Web服务的发布和发现方法。
2010-07-18 cs.IR cs.NI
The three primary colors of mobile systems
在本文中,我们提出了“移动3C系统"的概念,其中“通信”、“计算”和“缓存”(即,3C)构成了移动系统的三个主要资源/功能,类似于三原色。我们认为,在未来的移动网络中,计算和缓存的作用是内在的和必不可少的通信,只有集体使用这三个主要资源可以支持移动系统的可持续发展。通过定义3C资源的规范形式,我们揭示了一个重要的事实,即“缓存”通过引入非因果关系到系统中的移动系统的性能,而“计算”通过执行跨移动系统实体的逻辑操作来实现容量增益。许多现有的能力增强技术,如编码多播,协作传输,和主动内容推送,可以投到本机3C框架的分析易处理性。我们进一步说明了移动3C的概念与实际的例子,包括一个系统的广播-单播融合的大规模媒体内容交付。移动3C设计范式开辟了新的可能性,也是具有学术和实践意义的关键研究问题。
2016-03-11 cs.IT cs.NI math.IT
Backhaul-aware Drone Base Station Placement and Resource Management for FSO-based Drone-assisted Mobile Networks
在无人机辅助的移动网络中,无人机安装的基站(DBS)响应性和灵活性地部署在任何感兴趣的地方(POI),例如零星的热点和受灾地区,其中现有的移动网络基础设施无法提供无线覆盖。在本文中,DBS是一种空中基站,用于中继附近的宏基站(MBS)和用户之间的业务。此外,自由空间光学(FSO)被应用作为回程解决方案,以显著增加MBS和DBS之间的回程链路的容量。大多数现有的DBS放置解决方案假设基于FSO的回程链路提供足够的链路容量,这可能不是真的,特别是当DBS远离MBS放置时(例如,> 10公里)或在恶劣的天气条件下。在本文中,我们制定了一个问题,以联合优化带宽分配和DBS的位置,考虑基于FSO的回程链路容量约束。设计了一种回程带宽全位置和DBS布局算法(BROAD),并通过大量的仿真验证了算法的性能。
2022-11-28 cs.NI eess.SP
Let's Share: A Game-Theoretic Framework for Resource Sharing in Mobile Edge Clouds
移动边缘计算寻求为不同的延迟敏感应用提供资源。这是一个具有挑战性的问题,因为边缘云服务提供商可能没有足够的资源来满足所有资源请求。此外,将可用资源最佳地分配给不同的应用也是具有挑战性的。不同边缘云服务提供商之间的资源共享可以解决上述限制,因为某些服务提供商可能具有可以由其他服务提供商“租用”的可用资源。但是,边缘云服务提供商可能有不同的目标或\emph{utilities}。因此,需要有一种高效率和有效的机制,在服务提供者之间分享资源,同时考虑到各提供者的不同目标。本文将资源共享问题建模为多目标优化问题,并提出了一个基于\emph{Cooperative Game Theory}(CGT)的解决框架。我们考虑的策略,每个服务提供商分配资源的本地应用程序第一,并与其他服务提供商的应用程序共享剩余的资源。我们证明了,对于单调的,非递减的效用函数,游戏是规范和凸。因此,\emph{core}不是空的,大联盟是稳定的。我们提出了两个算法\emph{Game-theoretic Pareto optimal allocation}(GPOA)和\emph{Polyandrous-Polygamous Matching based Pareto Optimal Allocation}(PPMPOA),提供从核心的分配。因此,所获得的分配是\emph{Pareto}最优的,并且所有服务提供者的大…
2020-01-02 cs.DC cs.MA cs.NI
MDLdroid: a ChainSGD-reduce Approach to Mobile Deep Learning for Personal Mobile Sensing
RMIT University(皇家墨尔本理工大学)
个人移动传感正在迅速渗透到我们的日常生活中,以实现活动监测、医疗保健和康复。与深度学习相结合,这些应用在近年来取得了重大成功。与传统的基于云的范例不同,在设备上运行深度学习提供了几个优点,包括数据隐私保护和模型推理和更新的低延迟响应。由于数据汇集在现实中是昂贵的,谷歌的联邦学习不仅提供了完整的数据隐私,而且基于多个用户数据提供了更好的模型鲁棒性。然而,个人移动传感应用大多是用户特定的,受环境的影响很大。因此,连续的局部变化可能会严重影响由联邦学习生成的全局模型的性能。此外,在本地服务器上部署联邦学习,例如,边缘服务器由于资源的限制和受到攻击的严重故障,可能很快达到瓶颈。为了推动设备上的深度学习,我们提出了MDLdroid,一个新的分散式移动深度学习框架,使资源感知的个人移动传感应用程序的设备上的协作学习。为了解决资源的限制,我们提出了一个ChainSGD减少方法,其中包括一个新的链定向同步随机梯度下降算法,以有效地减少多个设备之间的开销。我们还设计了一个基于代理的多目标强化学习机制,以公平和有效的方式平衡资源。我们的评估表明,我们在现成移动设备上的模型训练比单设备训练快2倍到3.5倍,比主从方法快1.5倍。
2020-02-15 cs.LG cs.NI stat.ML
Energy-aware Resource Management for Federated Learning in Multi-access Edge Computing Systems
在联邦学习(FL)中,通过鼓励移动用户在其本地数据上执行模型训练并以迭代方式聚合输出的本地模型参数来开发全局统计模型。然而,由于移动设备的能量和计算能力有限,为了满足局部能量最小化的目标,模型训练的性能总是岌岌可危。在这方面,支持多访问边缘计算(MEC)的FL通过允许用户将其本地数据集的一部分卸载到边缘服务器以进行模型训练来解决模型性能与移动设备的能耗之间的权衡。由于边缘服务器具有高计算能力,因此在边缘服务器处的模型训练的时间消耗是微不足道的。然而,数据集从移动用户卸载到边缘服务器的时间消耗对总时间消耗有显著影响。因此,MEC使能FL中的资源管理是具有挑战性的,其中目标是减少总时间消耗,同时节省移动设备的能量消耗。在本文中,我们制定了一个能源意识的资源管理MEC使FL模型训练损失和总的时间消耗联合最小化,同时考虑到移动设备的能源限制。此外,我们重新制定的问题作为一个广义纳什均衡问题(GNEP),以捕捉无线电资源管理和数据集卸载之间的耦合约束。然后,我们分析了数据集卸载和计算资源分配对模型训练损失、时间和能耗的影响。
2021-01-11 cs.NI cs.SY eess.SY