【摘 要】
:
随着网络智能设备的日益激增,移动网络边缘产生了大量的异构数据,为了更好的处理这些异构数据,研究人员提出移动边缘计算(Mobile Edge Computing,MEC)架构,其通过将计算、储存能力下沉到网络边缘以消除云的压力,从而加快内容交付、提高服务质量。此外,随着移动网络上丰富的流媒体服务的数量不断增加,移动设备的流量和计算量都有了巨大的增长。边缘缓存作为一种新兴技术出现在移动网络的边缘,用于
论文部分内容阅读
随着网络智能设备的日益激增,移动网络边缘产生了大量的异构数据,为了更好的处理这些异构数据,研究人员提出移动边缘计算(Mobile Edge Computing,MEC)架构,其通过将计算、储存能力下沉到网络边缘以消除云的压力,从而加快内容交付、提高服务质量。此外,随着移动网络上丰富的流媒体服务的数量不断增加,移动设备的流量和计算量都有了巨大的增长。边缘缓存作为一种新兴技术出现在移动网络的边缘,用于解决移动网络中海量内容访问造成的负载、延迟过高的问题,以支持快速增长的物联网服务和应用。然而,缓存空间受限的边缘服务器不可能缓存所有用户请求的内容。因此,如何在资源受限的边缘服务器上实现高效的内容缓存,进而降低内容访问延迟,成为亟待解决的问题。另外,为了应对目前大多数基于优化的方法在动态环境中缺乏自适应能力的挑战,基于学习的缓存方法通常以集中式的方式提出。但在集中式的训练和数据传输过程中,可能会产生网络资源过度消耗及主干网络压力过大等问题。近年来,联邦学习(Federated Learning,FL)作为一种分布式的训练方式被提出,将联邦学习应用到边缘缓存策略中可以降低主干网络压力、提高缓存效率以及有效保护用户隐私。但联邦学习也面临着用户移动频繁、用户数据异构以及用户设备资源受限等问题。因此,讨论面向联邦学习的训练优化问题以及基于联邦学习的边缘缓存问题,具有较重要的理论和实际意义。针对上述问题,本文从以下几个方面展开讨论:(1)针对基于联邦学习的移动边缘计算环境下,用户具有移动性以及用户设备资源受限导致联邦学习训练精度低、训练延迟过长等问题,本文提出了面向联邦学习的参与者选择与资源分配联合优化方法。首先,描述了基于联邦学习的移动边缘计算系统框架、分析了面向联邦学习的参与者选择与资源分配联合优化问题并介绍了联邦学习训练步骤。然后,通过构建参与者选择以及联邦学习训练的传输与计算模型,建立了最小化联邦学习长期训练延迟的优化目标。由于面向联邦学习的参与者选择与资源分配联合优化问题是一个NP难题,本文将参与者选择与资源分配联合优化问题表述为马尔可夫决策过程,运用深度Q学习(Deep Q Learning,DQL)来求解近似最优策略。最后,搭建基于联邦学习的移动边缘计算仿真环境,将Random算法、Greedy算法和Q-learning算法作为基准算法,与所提出的基于深度Q学习的参与者选择与资源分配联合优化算法进行实验对比。实验结果显示,本文算法能选择合适的移动用户设备参与联邦学习,并在一定能耗限制条件下有效地降低联邦学习长期训练延迟。(2)针对移动边缘计算环境下,存储空间受限的边缘服务器和用户移动性之间的矛盾导致内容平均访问延迟增加和缓存命中率下降等问题,本文提出了基于联邦深度强化学习的边缘协作缓存方法,旨在保护用户隐私的前提下实现动态自适应的边缘缓存。首先,分析了移动边缘环境下基于联邦学习的边缘缓存问题。然后,通过构建用户移动性模型、协作缓存模型以及内容访问延迟模型,建立了最小化边缘缓存长期平均内容访问延迟的优化目标。本文将边缘协作缓存模型表述为马尔可夫决策过程,运用竞争深度Q网络学习(Dueling Deep Q Network Learning,DDQNL)来求解近似最优策略,并采用联邦学习的方式来训练。最后,将LRU算法、PBC算法和DRL-EC算法作为基准算法,与所提出的基于联邦深度强化学习的边缘协作缓存算法进行实验对比。实验结果显示,本文算法能够在一定程度上有效地降低平均内容访问延迟,提高缓存命中率。
其他文献
得力于深度学习技术,现阶段语音合成过程已得到极大地简化,合成语音的自然度也得到了极大地提高。但在中文语音合成领域中仍存在着一些难点和特色:(1)当使用音素作为输入时,中文语音合成模型需要前端处理网络将中文文本转化为音素,并且现阶段缺少开源的<文本,拼音>数据集进行模型训练;(2)中文语音合成模型存在训练时间较长、合成质量有待提高的问题;(3)语音克隆模型存在合成语音相似度不高的问题。本文围绕中文语
随着卷积神经网络(CNN)技术的不断发展,为完成更复杂的特征提取任务、获得更高的识别精度,CNN的层次越来越深,计算量与参数量也越来越大,这使CNN算法对所部署设备的计算资源、内存资源以及能量资源有越来越高的需求。然而,在许多现实应用中,需要广泛地将CNN技术应用到计算资源、内存资源以及能量资源受限的移动嵌入式设备中,而且这些设备往往有着实时性、低功耗的要求。因此,对CNN的计算速度、计算能效以及
内河运输是交通运输的重要组成部分,随着在航船舶数量的不断增长,各种水上交通事故数量也随之增加。船舶自动识别系统AIS通过内置的GPS或北斗定位模块向周边广播船舶自身的位置及其他信息,实现船舶的导航与避碰。但由于播发周期较长及信道共享抢占而产生的丢包问题,无法满足桥区港区等重要水域实时监管的要求。在重点监管水域,通常由AIS与雷达共同组成船舶交通服务系统VTS,以满足实时监管的要求。然而,现有VTS
智能设备的日益普及,机器学习的不断发展以及网络数据的指数级增长给无线通信网络数据的收集、传输与处理带来了如下挑战:机器学习技术的发展离不开巨量数据的驱动,然而随着互联网用户对于数据隐私和信息安全重视程度的不断提高,无线网络中持有数据的分布式客户端节点出于对隐私泄露的担忧,向服务器传输数据的频率逐渐降低甚至拒绝传输数据,这导致大多数行业的数据逐渐呈现孤岛现象。由此,可有效保护分布式数据隐私的联邦学习
智能交通系统(Intelligent Transportation System,ITS)的快速发展和急剧增长的车辆应用对车辆通信网络系统提出了重大挑战。为了在道路上建立稳定的车辆网络,基于节点地理位置分布的车辆雾计算(Vehicular Fog Computing,VFC)网络受到了广泛的关注。通过建立车辆雾计算网络,可以将云计算服务扩展到处于网络边缘的道路上,为车辆提供低时延高可靠的各类服务。
本文利用文献研究分析中小企业数字化转型现状,发现数字化转型过程中面临的困境涉及资金来源、技术基础、组织架构、战略柔性等诸多方面,利用TOE框架分析影响中小企业数字化转型的因素,发现中小企业完成数字化战略转型涉及到多种因素,企业转型过程中应注重各方面协调配合,统筹推进企业转型。本文丰富了针对中小企业实施数字化转型的一些相关研究,以期为推动中小企业开展数字化转型减轻现实困难,提供方法指导。
生物网络是用图模型来抽象表示生物复杂系统的一种复杂网络。比如,蛋白质相互作用网络、基因共表达网络、信号传递网络和生物代谢网络等都属于生物网络范畴。在后基因组时代,面向复杂生物网络的功能模块识别算法研究是一项十分重要的研究方向,有助于人们在生命起源、新型药物开发、疾病机理研究等众多领域有更进一步的理解和认识。随着高通量技术的发展,生物组学数据量急剧提升,如何在如此大量的网络数据中识别具有生物意义的功
数字经济与企业创新是新常态下经济发展的重要议题。企业传统的创新模式过于单一,无法支撑企业跨越式发展。作为市场主体,企业不仅要通过双元创新(即探索式创新与利用式创新)确保自己的竞争优势,实现可持续发展。同时,也要顺应数字经济的变化趋势,完成当下的数字化转型。本文通过梳理传统创新模式及现有的双元创新局限性,以资源基础理论为基础,通过数字化转型手段,协调企业双元创新的内外部环境资源分配,以期通过企业创新
随着大数据时代的发展,作为一种能在保证客户端私有数据不出本地的前提下实现协作学习的机器学习技术,联邦学习(Federated Learning,FL)受到越来越多的关注。凭借其无需客户端上传原始数据就可以实现分布式处理数据任务的优点,联邦学习有望在未来的网络通信系统中发挥出重要的作用。但是,联邦学习这种独特的优势却使得服务器很难预估客户端对全局模型的贡献,从而难以有效地以一种公平的方式激励客户端参
目前大多数声纹识别技术使用复杂度较高的网络模型,以达到更准确的识别精度。模型复杂度过高不适用于存储空间和计算资源不足的设备,例如手机、手环等。相比于高复杂度的模型,轻量级神经网络模型无论在存储空间,还是计算资源方面的需求都低得多。近年,基于深度可分离卷积的轻量级神经网络模型表现出了卓越的性能,将其中较为优秀的模型应用到声纹识别任务上发现,这些模型在性能和轻量化上无法达到很好的平衡。此外,日常生活中