无人机—边缘—云计算环境中高效节能的计算卸载策略的研究

来源 :江南大学 | 被引量 : 0次 | 上传用户:xhbing520
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
移动边缘计算(Mobile Edge Computing,MEC)作为5G可能的关键性技术基础,通过将服务节点下沉到更接近用户的位置,在网络边缘为用户提供计算、通信与存储服务,从而减少处理任务产生的时延和能耗。考虑到无人机灵活、易部署的特点,可以将它作为移动边缘服务器,为终端设备提供有效的通信覆盖。此外,还可以将它作为供能平台,利用无线充电技术为设备提供任务卸载的能量。然而,环境造成的信号阻塞和阴影、无人机携带的资源有限等问题都会导致计算密集型任务无法成功卸载到无人机。此外,偏远地区物联网终端设备也存在供能不便的问题。因此,本文针对无人机供能和任务卸载问题进行了研究。本文的研究工作总结如下:(1)针对终端设备供能不便的情况,提出基于单无人机辅助的无线供电MEC网络,以便终端设备在卸载任务的同时还可以为设备进行无线充电,而无需要更换电池。于是,该网络的优化问题被设计为,根据实时的信道增益为终端设备任务提供卸载决策。考虑到组合优化的复杂性,提出了一个基于深度强化学习的卸载算法,该算法通过深度神经网络从经验中学习二进制卸载决策,从而消除了求解组合优化问题的需要,大大降低了计算复杂度。(2)受无人机高度灵活性和可控性的启发,提出一种多无人机辅助的“云边一体”网络架构,用于卸载终端设备中计算密集型任务,其中无人机可以提供近用户边缘计算。基于这种架构,计算卸载问题将是一个混合整数非线性规划问题,通常很难求得最优解,因此提出一种基于重要性采样深度强化学习的高效计算卸载算法,以获得最佳计算卸载策略。该算法根据输出的目标值与实际值为每个样本设置优先级,使得神经网络在进行训练时,会选择优先级较高的样本,从而加快神经网络的拟合速度。(3)为使算法能够有效的应用在生产环境中,提出基于Unity3D和3Dmax搭建的移动边缘计算可视化平台,其中3Dmax负责绘制模型,Unity3D负责编写各个模型对应的逻辑功能。平台运行过程中,根据用户所选中的终端设备,设备的任务信息以及每个设备任务的卸载决策都会被呈现在显示面板上。此外,每个任务在被处理完之后,处理结果也会保存到数据库中。
其他文献
人脸检测技术是指一种从给定图像中识别出所有人脸,并返回对应的人脸边界框的技术,是当前计算机视觉领域的热点研究内容之一。目前人脸检测技术已被广泛应用于智能手机的美颜拍照、刷脸支付以及小区的安防门禁等应用场景中。尽管人脸检测技术在最近十多年里已经发展得比较成熟,但它在无约束环境下的性能仍然有很大的提升空间,同时在移动设备上的性能和检测速度也不令人满意。因此,人脸检测技术仍然存在着深入研究的学术价值和工
学位
相比于多目标优化问题(Multi-Objective Optimization Problems,MOPs),同时考虑目标数大于3的高维多目标优化问题(Many-Objective Optimization Problems,MaOPs)更符合实际应用。随着目标个数不断增多以及目标问题的复杂度增加,目前的多目标优化方法无法很好的解决高维目标空间中性能退化问题,如无法很好的筛除性能差的支配抵抗解(D
学位
脑肿瘤是一种常见的神经系统疾病,可分为原发与继发两大类。其中原发性脑肿瘤起源于颅内组织或脊髓病变,而继发性则是由其他器官的恶性肿瘤转移而来。相较于继发性脑肿瘤,原发性的发病率和死亡率更高,其中最为常见是胶质瘤,它起源于颅内胶质细胞的异常增生。尽管神经胶质瘤研究取得了相当大的进展,但患者的诊断仍然很差。准确的脑肿瘤分割是诊断和治疗的前提,这项任务的主要挑战在于胶质瘤及其子区域在外观、位置和形状上具有
学位
分布式传感器网络在单传感器滤波的基础上,利用传感器间通信交换多目标后验分布,对多目标后验分布进行信息融合达到提高多目标跟踪精度的目的。受限于单传感器检测能力、监控视野非完全一致以及复杂环境下目标漏跟或杂波干扰,传感器间滤波后验分布差异较大,直接采用广义协方差交集(Generalized Covariance Intersection,GCI)融合易丢失目标分布信息,探索有效的多传感融合方法仍值得深
学位
视频多目标跟踪是计算机视觉领域的一个重要分支,如今视频目标检测技术日益提高,现有目标检测器对单张图片中的物体类别以及物体位置有较高的识别率,但依然会有漏检测和错检测的产生。针对这一问题,视频多目标跟踪技术可以利用视频上文信息,对目标的运动信息以及外观信息进行建模,并用各自的标签标记身份来记录目标轨迹信息,可以减少检测器的误检测和漏检测问题。同时视频多目标跟踪技术还需解决如何有效识别新生目标、如何进
学位
方面级情感分析是文本情感分析任务的研究重点,其基础子任务包括:目标词抽取、意见词抽取和方面级情感分类。传统的目标词和意见词抽取工作是独立完成的,割裂了目标词与意见词之间的联系。针对上述问题,最近的研究工作提出了面向目标的意见词抽取任务,其旨在根据句子中特定的目标词抽取与其对应的意见词。当一个句子中存在多个目标词时,准确的捕捉目标词和相应意见词之间的联系仍然非常具有挑战性。本文针对面向目标的意见词抽
学位
频繁-高效用项集挖掘作为数据挖掘的一个重要领域,能够帮助用户在数据集中寻找到频繁出现且有着较高效用值的项集。相比于仅关注项集出现的频次或项集的效用,频繁-高效用项集能够满足用户多元的需求。传统算法在求解频繁-高效用项集挖掘问题时,会遇到搜索空间爆炸和参数设计的困难。近期,有学者将频繁-高效用项集挖掘问题定义为一个多目标优化问题,并提出了基于多目标演化的算法来求解此问题。利用多目标演化的方法挖掘频繁
学位
现代社会城市化进程的加快和人均车辆保有率的增长使城市交通管理面临着巨大的压力。随着计算机、物联网技术的快速发展,智能交通系统在城市交通管理和智慧城市建设中发挥着越来越重要的作用。交通流预测是智能交通系统的基础,精准的交通预测对很多应用来说是必不可少的。当前,交通预测仍然十分具有挑战性,主要体现在两方面:一是由于交通网络中蕴含了复杂的时空关联和非线性变化,导致现有模型的预测精度不够理想,尤其是在长期
学位
随着深度学习技术的迅猛发展,深度神经网络已全面应用到图像质量评价中,并且逐渐占据主导地位。深度神经网络可以自动学习出有用的特征,不再需要繁琐的特征工程,并且在图像质量评价任务上取得了超越其他算法的性能,网络性能的强大得益于精心研究和设计的神经网络结构。设计出高性能的神经网络结构通常需要大量的专业知识与反复试验,成本极高,随着网络结构越来越复杂,神经网络结构的设计,也正在从手工设计转型为机器自动设计
学位
随着智能视频监控的不断发展,行人重识别研究受到了工业界和学术界的广泛关注。行人重识别旨在完成不同相机下相同身份的行人图像关联任务。当前,大部分的研究工作主要关注有监督的场景,即给定的训练数据都拥有身份标签信息。然而,这些方法依赖于大量昂贵的标签数据,并且要求训练和测试数据必须来自相同的相机网络或者相同的数据集。当这些行人重识别模型直接的应用于不同的数据集时,性能将会出现严重的下降。这极大的限制了处
学位