【摘 要】
：
随着信息技术行业的不断发展,以车联网为代表的物联网技术规模不断扩大。车联网场景由于符合未来交通的发展趋势也越来越被人们期待。基于边缘计算的车联网通过端边协同实现资源调度,减少对汽车自身所需的算力要求,降低执行任务的时延。目前车联网场景下面向不同任务的端边协同的资源调度处理主要包括传统的批处理任务与复杂的深度学习应用。混合宏基站（Macro Base Stations,MABS）与路边单元（Road
论文部分内容阅读
随着信息技术行业的不断发展,以车联网为代表的物联网技术规模不断扩大。车联网场景由于符合未来交通的发展趋势也越来越被人们期待。基于边缘计算的车联网通过端边协同实现资源调度,减少对汽车自身所需的算力要求,降低执行任务的时延。目前车联网场景下面向不同任务的端边协同的资源调度处理主要包括传统的批处理任务与复杂的深度学习应用。混合宏基站（Macro Base Stations,MABS）与路边单元（Road Side Units,RSU）的车联网场景下面向批处理任务的资源调度主要关注数据任务的执行与管理,但当前亟需对批处理任务的完成时延与整体系统的资源利用率协同优化。面向深度学习应用的资源调度重点关注深度学习应用的准确率与执行任务系统的可靠性,而忽略了车联网应用场景对时延的严格要求。因此,针对车联网环境下面向端边协同的资源调度存在以下挑战:1)如何有效利用混合RSU与MABS场景中的边缘服务器实现批处理任务,建立相关的时延与资源利用率模型,在优化时延的情况下提高系统整体的资源利用率;2)在车联网场景对时延有着严格限制的情况下,如何高效地解决深度学习应用,在优化时延的情况下同时权衡任务执行的准确率。有鉴于此,本文对车联网环境下面向端-边协同的资源调度展开研究,主要工作如下:（1）车联网环境下面向批处理任务的端边协同资源调度:为综合考虑端边系统的服务器资源利用率和与任务执行时延,提出时延与资源利用率权衡的资源调度方法。具体而言,基于对混合RSU与MABS车联网场景中资源状态的综合分析,建立资源调度过程中的时延模型与资源利用率模型,利用多目标优化算法、简单加权法和多目标属性决策得出最优的分配策略。（2）车联网环境下面向深度学习应用的端边协同资源调度:为在处理深度学习应用时能协同优化结果的准确率与任务执行的时延,提出联合优化时延与准确率的资源调度方法。具体而言,基于对网络模型、资源状态的综合分析,建立资源调度过程中的传输时延、计算时延模型。以Res Net101模型作为基础模型,参考提前退出策略设计带有退出分支的网络结构。推导基于时延与准确率的奖励函数与决策向量,利用深度强化学习自动选取最佳退出点,进而实现深度学习应用的时延与准确率联合优化。
其他文献
随着电子信息技术的发展,图像作为一种信息的载体,在人们的日常生产生活中被广泛地用来传输信息。但是,在图像的传输、压缩、存储或者相机的拍摄过程中都有可能产生信息丢失,从而导致图像整体质量的下降。因此,如何建立一个高效、准确的图像质量评价方法成为了计算机视觉领域的重要问题。随着深度学习的发展,越来越多的方法将卷积神经网络应用到图像质量评价领域中,并取得了良好的预测准确性。然而,失真图像中包含丰富的图像
图像版权保护通常是通过数字水印来实现的,因此数字水印也广泛应用于数据保护和数据所有权认证领域。然而,现有的数字水印存在固有的缺点,需要完全可信的第三方作为仲裁方,泄露风险和成本较高。第二,图像水印算法在对图像数据进行操作时不可避免地会导致图像数据的丢失,而这通常是不可逆的。零水印算法可以解决数据丢失的问题,但与传统的数字水印相比,零水印算法更依赖于可信第三方,这使得其应用前景受到限制。总体而言,本
行人重识别（Person re-ID）的目标是匹配由拍摄视角不重叠的不同摄像头捕获的相同行人身份的图像。目前基于监督学习的行人重识别方法在单域上的性能提升最大,但是将一个在单域上取得高性能的模型直接运用到没有标签的新域上时,往往性能会出现下降的情况。这是因为不同域间样本由于拍摄的摄像机不同,因此会有比较大的域间差,这也是无法高效地将行人重识别使用在实际生活中的一大原因。为解决上述问题,学术界提出了
随着人工智能技术的快速发展,神经网络与气象领域的结合更加紧密。在灾害预警方面,短临预报系统发挥着重要的作用,当前业务上主要的方法是基于雷达回波的外推法,但是预报效果还有很大提升空间。本文从深度学习的角度出发,研究和改进了基于长短时记忆网络（Long Short-Term Memory,LSTM）的预报方法。本文的主要研究内容如下:（1）本文提出了一种残差卷积长短时记忆模型。在高强度回波外推场景下,
隐写技术一直是信息隐藏技术的一个重要分支,它可以很好地保护机密信息的安全传输,例如军事信息、商业信息的传递等,具有重要的现实意义。过去,主要是通过经典隐写的方法来保护信息的安全传输,但随着近些年来人工智能技术和量子技术的不断发展和突破,经典隐写面临着越来越大的风险和挑战。因此,设计出能够抵御未来量子计算机攻击的隐写协议是十分有必要的。为此,本文利用量子图像的特性以及经典编码的优点,对具有高嵌入效率
当前基于数字水印技术的图像版权保护方案中采用的传统水印算法主要适用于单幅图像,而在为大量图像提供保护时,重复性的操作会花费大量的时间和认证费用。零水印算法相较于传统水印算法不仅不会修改图像的数据,而且更适合对多幅图像同时进行版权保护。现有的多幅图像零水印算法虽然能够实现同时为两幅或三幅及以上的图像提供版权保护,但这类算法难以保护图像集内的全部图像,而且重复性操作还会降低算法的执行效率。因此,本文针
短临降水预报是一项重要且具有挑战性的世界性难题。由于降水本身具有高度非线性、随机性和复杂性的特性,使得传统方法的预报准确率不足以满足气象业务的需求。目前短临降水预报的主要手段是基于天气雷达资料的雷达回波外推技术,基于深度学习方法进行雷达回波外推已经受到研究人员的广泛关注。深度学习方法具备对非线性复杂系统进行建模的能力,且在准确率方面已经超越了传统方法。但目前提出的雷达回波外推模型仍存在一定的不足,
当今时代,人们在互联网中产生的数据在以每18个月翻一番的速度迅猛增长,其中占据最大比例的数据形式是图像。在巨大网络资源涌入的背景下,人们也面临着信息安全的巨大挑战。以图像为主要数据载体的信息安全相关研究已经受到了广大研究者们的关注,其中一项重要的研究工作就是以图藏图。以图藏图技术是把需要隐藏的大容量信息分散、嵌入和融合到另一张载体图像中的隐蔽通信技术。该技术的发展得益于近年来快速兴起的深度学习。以
在科学研究与工程应用领域,多目标优化问题普遍存在。这些问题由多个互相冲突的目标构成,难以在有限时间内采用常规方法求解,目前普遍采用进化算法来快速地搜索出一组近似最优解。进化算子是进化算法中的搜索引擎,研究表明,单一进化算子难以处理各种类型的优化问题,因此结合多种进化算子来提高算法的泛化性逐渐成为这一领域的主流研究方向。本文为提高多目标进化算法在求解不同特征优化问题时的能力,从优化现有自适应算子进化
近年来,人工智能技术飞速发展。其中,人机会话系统是当前研究的热点。传统的会话生成技术主要以序列到序列框架为基础,该框架从海量数据集中学习会话上下文的语义信息并生成相关的回复,但基于该框架生成的回复有生成通用响应且包含较少信息等问题。这个问题在一定程度上影响了用户使用体验,降低了人机会话的持续性。利用外部知识可以加深语义理解,丰富响应表达,提供除会话上下文之外的语义信息,使得模型生成更具多样的回复。