【摘 要】
：
移动边缘计算(Mobile Edge Computing,MEC)是5G的关键技术.由于MEC服务器的计算资源有限,如何对其计算资源分配以提高收益至关重要.为此,提出一种边缘服务器收益优化策略.将MEC服务器收益最大化问题建模为以服务器端任务执行次序为优化变量的最优化问题.在用户对时延和金钱偏好程度不同及子任务具有顺序执行关联性的情况下,提出基于蚁群算法的任务最优执行次序求解算法.仿真结果表明,同等条件下采用该算法获得的收益比SearchAdjust算法提高了33.6％.
【机 构】
：
桂林电子科技大学广西无线宽带通信与信号处理重点实验室 广西 桂林541004
论文部分内容阅读
移动边缘计算(Mobile Edge Computing,MEC)是5G的关键技术.由于MEC服务器的计算资源有限,如何对其计算资源分配以提高收益至关重要.为此,提出一种边缘服务器收益优化策略.将MEC服务器收益最大化问题建模为以服务器端任务执行次序为优化变量的最优化问题.在用户对时延和金钱偏好程度不同及子任务具有顺序执行关联性的情况下,提出基于蚁群算法的任务最优执行次序求解算法.仿真结果表明,同等条件下采用该算法获得的收益比SearchAdjust算法提高了33.6％.
其他文献
传统的语义数据流推理使用前向或后向链式推理产生确定性的答案,但是在复杂的传递规则推理中效率不高,无法满足实时数据流处理场景对答案的及时性要求.因此,提出一种基于联合嵌入模型的知识表示方法,并应用于语义数据流处理中.将规则与事实三元组联合嵌入并利用深度学习模型进行训练,在推理阶段,根据查询中涉及的规则建立推理模板,利用深度学习模型对推理模板产生的三元组进行预测和分类,将结果作为查询和推理答案输出.实验表明,对于复杂规则推理,基于知识表示学习的实时语义数据流推理能够在保障较好推理准确性和命中率的前提下有效地降
子序列匹配是时间序列挖掘的经典课题,旨在发现大型数据集中的相似数据序列.很多文献关注固定时间段的序列的查询.但对于多种不同时间段的查询的问题仍然未解决好.基于时间段的查询含义是有时间窗口限制的查询.为了满足多时间段上的查询,简单地为每个时间段的子序列构建索引既耗时又耗存储空间.从目前的文献来看,已有的索引无法满足具有不同窗口限制的大量查询.提出一种基于聚类的轻量级的可变窗口索引方法(CBI),通过压缩不同窗口的索引来减少索引时间和空间开销.实验结果表明,该索引不仅节省了时间和空间开销,同时在支持多种类型的
常规储层预测方法对地震属性之间的隐含关系挖掘不充分、地震属性种类繁多难以选择.针对以上问题,为提高储层岩性的分类预测精度,提出一种结合特征选择与神经网络的储层预测方法.以DenseNet与SENet为基础,使用正则惩罚项进行网络输入层稀疏化,得到每个输入节点权重,进一步使用ReLU激活函数构建特征选择层,实现地震属性的筛选.实验使用胜利油田的地震属性数据与钻井岩性数据,结果表明,该方法对储层岩性分类效果具有明显的提升,分类准确率超过70％,验证了神经网络模型与该特征选择方法的有效性.
随着地震台站数量大大增加,测量数据量也急剧增长.传统的串行化相对波速变化计算方法面向海量数据时存在计算速度慢、消耗时间长等问题,已不能满足日常业务的需求.针对此问题,提出一种面向海量数据的相对波速变化计算的并行化方法.通过对地震数据集的划分和算法调度,将数据集分布到基于Spark计算框架的分布式集群上进行并行运算.实验表明,该方法提高了相对波速变化计算的速度,显示出计算模型的稳定性和可扩展性.
随着局部放电数据增多,为了提高放电数据的参数提取和模式构造的效率,将放电数据参数分析与Storm相结合,设计并使用Storm平台下双阈值过滤参数提取算法.该算法在框架组件中分别对各个阶段进行编程实现,通过数据流连通,将其产生的任务提交至集群完成,有效提取基本参数并且绘制图谱.实验结果表明,该算法与Storm框架结合具有低延迟和高吞吐量,能够提高处理效率.
针对疲劳识别率有待提高和现行疲劳检测设备不便携带的问题,提出一种以便携式眼镜为载体结合处理头动与眼电信号的疲劳检测方法.利用便携式眼镜采集头动与眼电信号并通过蓝牙将数据传输到手机终端.采用融合卡尔曼滤波算法处理头动信号并提取点头频率特征,采用Perclos算法P80原理和分段平均功率比值法处理眼电信号得到眨眼频率和低高频功率比值特征.根据主成分分析法(PCA)进行特征融合,得到疲劳特征值,从而判定疲劳程度,并结合Pearson法分析与通过脑电信号检测疲劳程度结果的相关性.实验结果表明,该方法的疲劳检测识别
各种Web服务器和大数据框架每天都会生成大量日志,在服务管理中,会将原始日志转换为结构化格式,然后应用数据挖掘模型来分析服务状态,其中最为关键的步骤之一是日志解析.细粒度的解析和LCS可以提供更好的日志解析质量,而粗粒度的解析和简单的相似性度量可以达到更好的解析性能.对此,提出一个基于两层框架的在线日志解析方法(ML-Parser),可以获得更好的解析质量而又不会过多牺牲性能.实验结果表明,该方法可以有效地提升日志的解析质量,其性能可以满足大数据量下日志的解析.
针对现有血压预测方法难以表征药物治疗、生活方式干预等降压措施对于血压长期且复杂的影响,提出一种基于实值深度置信网络(Real-valued Deep Belief Nets,RDBN)的人体血压预测模型,用于预测高血压患者及高危人群采取降压措施一个随访周期后的血压变化情况.该模型通过双层高斯结构的受限波尔兹曼机单元(Gaussian-Gaussian Restricted Boltzmann Machine,GG-RBM)堆叠形成的深层网络自动提取作用于未来血压的影响因素,挖掘血压与其影响因素之间复杂的非
污水处理过程具有多变量、强非线性和强扰动等特性,且系统输入具有随机性,不同天气状况和不同时间段的污水的排量不同.扩展卡尔曼滤波存在估计精度低和鲁棒性差等缺陷,当系统模型参数变化和外界环境噪声较大时,扩展卡尔曼滤波估计性能下滑.将无迹卡尔曼滤波算法应用到污水处理系统中,并与扩展卡尔曼滤波算法相比较,结果显示,无迹卡尔曼滤波可以对污水系统运行的实际状态进行更好的估计.该方法不仅提升了估计精度,更提高了估计的鲁棒性.
可视化技术已经成为大数据分析的重要研究方向.非线性支持向量机(SVM)可视化表达有利于理解分类模型内在分析机制,增强分类可信度,对支持向量机应用推广具有重要意义.将超过两维空间的非线性核SVM模型分为三维特征模型与多维特征模型两类.针对不同模型研究实现了基于移动最小二乘法拟合的三维特征模型超平面可视化策略与基于t-SNE点重构的多维特征模型超平面可视化策略.在UCI公开数据集上验证所提出的策略,实验结果表明,该可视化策略能够剖析SVM模型的分类机制,在一定程度上解决了多维空间非线性核超平面难以刻画的问题.