论文部分内容阅读
近年来,随着互联网的快速发展和智能终端的日益普及,不断涌现出诸如人脸识别、增强现实、虚拟现实、互动游戏、实时全息投影等时延敏感型新兴应用。移动云计算(Mobile Cloud Computaion,MCC)已经不能满足此类应用的时延需求,并迫使移动网络架构发生了变革。不同于MCC,移动边缘计算(Mobile Edge Computation,MEC)通过在网络边缘部署MEC服务器,可以为邻近的用户设备(User Equipment,UE)提供低时延计算服务。但是MEC服务器需要用有限的资源为广大UE提供服务。因此,如何对资源进行最优分配已经成为移动边缘网络的一个关键问题。同时,卸载流量的爆炸式增长也给传输网带了巨大压力,如何利用现有技术减少数据传输量也成为了移动边缘网络的一个研究热点。针对以上问题,本文将数据压缩技术引入到MEC中,研究了移动边缘网络中最小化时延的资源优化算法,主要工作如下:(1)针对单MEC服务器多用户场景,本文提出了一种基于自适应权重粒子群优化(Particle Swarm Optimization,PSO)的资源优化算法。该算法在保证UE最大能耗约束的基础上,联合优化了UE的任务卸载比例、卸载任务中选取压缩部分的比例、传输功率以及MEC服务器的计算资源分配,目标是最小化UE的任务执行总时延。仿真结果表明,本文所提算法能够显著降低UE的任务执行总时延。并且,与基于传统PSO、随机权重PSO和线性递减权重PSO的资源优化算法相比,本文所提算法全局搜索能力更强,不易陷入局部最优。仿真结果还表明,随着任务数据量和任务强度的增长,引入数据压缩技术在降低UE任务执行总时延方面性能更优。(2)针对多MEC服务器多用户场景,本文提出了一种基于改进遗传算法(Genetic Algorithm,GA)的资源优化算法。不同于问题(1),该算法联合考虑了计算资源和通信资源的优化,目标是最小化UE的任务执行总时延。此外,为了提高传统GA的全局搜索能力,本文所提算法对传统GA进行了以下两点改进:a)借鉴了PSO中的种群学习思想,以保证种群最优个体能够在GA选择操作中被选中。b)交叉和变异操作后,均对种群进行适应度值评估,从而保留交叉操作中产生的全局最优解。仿真结果表明,随着UE和MEC服务器数目的增多,与最近距离卸载法和随机卸载法相比,本文所提算法在降低UE任务执行总时延方面性能更优。