【摘 要】
:
随着车联网技术持续迭代升级,大量新型车载应用设备不断涌现,这些应用设备在提供服务的过程中会产生大量数据,而车联网中车辆自身的计算能力有限,无法处理庞大数据量。将移动边缘计算(Mobile Edge Computing,MEC)引入车联网,通过将具有计算能力的MEC服务器部署到车辆周边设备,把车辆数据卸载到服务器上进行计算,从而降低数据处理时延。但在实际应用中,车辆数目的增多会造成MEC服务器在处理
论文部分内容阅读
随着车联网技术持续迭代升级,大量新型车载应用设备不断涌现,这些应用设备在提供服务的过程中会产生大量数据,而车联网中车辆自身的计算能力有限,无法处理庞大数据量。将移动边缘计算(Mobile Edge Computing,MEC)引入车联网,通过将具有计算能力的MEC服务器部署到车辆周边设备,把车辆数据卸载到服务器上进行计算,从而降低数据处理时延。但在实际应用中,车辆数目的增多会造成MEC服务器在处理数据过程中计算资源不足,同时过多的车辆数据卸载也会造成通信过程中信道资源不足。为解决以上问题本文主要开展了以下研究:1.为解决车辆数目增多造成MEC服务器计算资源不足的问题,提出了一种车联网中基于MEC的多任务部分卸载方案。该方案引入车辆雾网络(Vehicle Fog Network,Ve FN)的概念,可以使车辆综合运用本地车辆、MEC服务器和邻近车辆的计算资源,实现处理任务数据低时延的目的。首先为研究多任务卸载问题,构建系统模型;其次以最小任务处理时延为目标,选择一跳通信范围内符合条件的车辆用户作为其卸载部分任务数据进行处理的邻近车辆;然后以最大可容忍时延阈值和可用计算资源为约束,分配最优部分任务卸载决策比例;最后将任务按比例部分卸载到MEC服务器和邻近车辆上进行数据处理并反馈给车辆。仿真结果证明,所提多任务部分卸载方案可有效降低时延。2.为解决多车辆数据卸载造成信道资源不足的问题,在车联网中引入非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术,提出了一种基于NOMA的多任务卸载方案。该方案为实现最小化总任务传输时延的目的,分别设计了多用户分组算法和自适应发射功率分配算法。首先在有限的信道资源情况下,以车辆用户集合、子信道集合和效用函数构建博弈论模型,其次以效用函数最大化为目标通过迭代循环为多车辆用户分配最优用户分组,然后在最大传输时延约束和NOMA接收机制特性下为每组车辆用户分配最优发射功率,最后以NOMA方式进行数据卸载传输。仿真结果表明,所提多任务卸载方案能够有效地优化任务传输时延,为更多的车辆用户提供任务卸载服务。
其他文献
<正> 赤麂(Muntiacus muntjak)是脊椎动物中已知染色体数目最少的动物,2n=(?)7,♀6,NF=12。赤麂的同源种或近缘种小麂(M.reevesi)的染色体数为2n=46,NF=46。这两个外部形态十分相似的近缘种,核型却有如此巨大的差别,在哺乳动物核型进化的研究中,仍是一个十分令人迷惑的问题。更使人惊奇的是,这两个核型差别如此明显的物种居然还可以杂交。在上海西郊公园,雄性赤麂
近年来,管道是储存和运输液体的最常见系统之一。布拉格光纤光栅传感器是一种低成本、抗干扰和低能耗的传感器。由于管道受外界条件影响,时常发生泄漏事件,造成经济损失和人力浪费,因此研究新型传感器用于泄漏效应而出现在管道壁中的振动信号频谱中监测系统是有重要研究意义。针对石油管道定位系统存在着物理特征难提取、识别精度不高、系统安装困难、外界干扰过大等问题,本文提出一种基于布拉格光纤光栅传感器结合变分模态分解
标语口号是人民群众广为熟知的一种语言现象。高校校园标语不仅是其校园文化建设的重要部分同时也是大学开展思想政治教育工作的重要载体。高校是我国思想政治教育的主阵地,高校校园标语是学校进行思想政治教育的重要载体,也是学校对高校大学生进行的一种隐性教育。高校校园标语在学校各个角落随处可见,从学校宏伟大门伊始,到学校的教学楼、办公楼、食堂、图书馆、宿舍都能找到标语的存在。校园标语早已融入学校师生的生活,同时
随着5G技术以及智能设备的普及,使得互联网上的数据信息急速增长。因此,如何准确地获取隐含的有价值的信息是数据挖掘方法的研究热点。邻域学习方法作为数据挖掘技术的一种,在数据分类和属性约简等领域有着良好的潜力。且由于邻域学习方法的简单有效以及对复杂数据的健壮性使其被学者广泛地研究。然而,现有基于邻域的算法模型仍然存在一些问题值得研究。一方面,现存改进的模型以及算法仅通过距离最小的邻域给测试对象分类,未
近年来,我国城市化建设不断推进,公共基础设施建设越来越完善,工程量也越来越大,PPP模式为我国公共基础设施项目建设提供了巨大的动力。本文从PPP模式下公共基础设施项目融资风险管理的内涵入手,分析了PPP模式下公共基础设施项目融资风险的识别和评价方法,并提出了融资风险管理的创新策略。
聚类是数据挖掘和机器学习中应用最广泛的分析方法之一,传统的聚类算法也叫硬聚类或二支聚类。为了解决重叠数据集的聚类问题,众多学者对硬聚类算法进行扩展提出了许多软聚类或三支聚类算法。然而,现有的软聚类算法中仍然存在一些缺陷。一方面,现有的三支K-Means算法中,分类阈值是人为确定的,而且对象对于类簇的权重计算方法也需要人工参数,具有一定的主观性。另一方面,为了对形状不规则的类簇进行聚类,许多基于DB
人脸检测是确定在给定的图像上是否存在人脸,并且在有人脸的情况下返回每个人脸在图像中的位置。该技术又是多种面部分析算法的基础,因此其在图像检索、智能监控等领域有广泛的应用意义。而相较于受控环境,非受控环境更接近于现实世界,因此在非受控环境下的人脸检测就尤为重要。随着深度学习的发展,非受控人脸检测方法在性能方面取得了巨大进步,但其仍不能覆盖部分简单场景以及极端场景下的人脸。因此,如何提高上述场景下的人
随着遥感技术的快速发展,人们对遥感图像数据进行准确分类的实际需求显著增加。遥感图像分类作为遥感领域的热点应用研究方向,广泛应用于灾害监测、资源规划等领域。传统的机器学习分类算法难以处理遥感图像丰富的空间语义特征,导致其分类精度不高。同时,由于遥感图像繁琐的标注处理工序,研究人员较难获得大规模的标注遥感图像数据集。而常规的深度学习算法离不开标注数据的驱动,导致其无法适用于小样本条件下的遥感图像分类。