目前,大量的新服務(wù)的產(chǎn)生使得移動(dòng)數(shù)據(jù)流量正處于一個(gè)非�？斓脑鲩L(zhǎng)階段。在數(shù)據(jù)挖掘的新時(shí)代,大量需要處理的數(shù)據(jù)將由傳感器或IoT設(shè)備收集完成。某些應(yīng)用程序需要在非常短的延遲內(nèi)處理任務(wù)數(shù)據(jù),但是普通的傳感器要運(yùn)行復(fù)雜的程序難度高,且將數(shù)據(jù)再上傳到云端的延遲大,有時(shí)要遠(yuǎn)遠(yuǎn)大于某些應(yīng)用程序的低延遲約束,從而對(duì)任務(wù)的服務(wù)質(zhì)量產(chǎn)生影響。為了克服這個(gè)問(wèn)題,移動(dòng)邊緣計(jì)算(MEC)在網(wǎng)絡(luò)邊緣引入了計(jì)算功能,它旨在確保有效的網(wǎng)絡(luò)操作和服務(wù)交付的基礎(chǔ)上有效的減少延遲,并將內(nèi)容和服務(wù)推向用戶(hù)附近,使得應(yīng)用程序、服務(wù)和內(nèi)容被部署離用戶(hù)更近的本地,從而為用戶(hù)提供低延遲、高帶寬和實(shí)時(shí)的服務(wù)環(huán)境。移動(dòng)邊緣計(jì)算(MEC)通過(guò)將計(jì)算密集型工作負(fù)載轉(zhuǎn)移到MEC服務(wù)器,極大地改善計(jì)算體驗(yàn)的質(zhì)量,但是由于卸載過(guò)程中存在資源競(jìng)爭(zhēng)執(zhí)行及如何最優(yōu)的選擇服務(wù)器等問(wèn)題,計(jì)算卸載策略面臨新的挑戰(zhàn)。本文主要研究?jī)?nèi)容闡述如下:(1)基于多服務(wù)器場(chǎng)景的任務(wù)卸載問(wèn)題,提出了服務(wù)器區(qū)域劃分算法,減少傳輸能耗,將算法應(yīng)用到邊緣計(jì)算任務(wù)卸載中,達(dá)到能耗和任務(wù)總體執(zhí)行時(shí)間之間的權(quán)衡,最小化任務(wù)執(zhí)行總開(kāi)銷(xiāo)。將問(wèn)題建模為任務(wù)分配與卸載的資源聯(lián)合優(yōu)化問(wèn)題,考慮了...

【文章頁(yè)數(shù)】：48 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容與貢獻(xiàn)
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 相關(guān)技術(shù)基礎(chǔ)
    2.1 移動(dòng)邊緣計(jì)算相關(guān)知識(shí)
        2.1.1 MEC概念
        2.1.2 MEC用例和應(yīng)用程序
    2.2 任務(wù)卸載相關(guān)知識(shí)
        2.2.1 計(jì)算卸載的概念
        2.2.2 計(jì)算卸載決策
    2.3 能量收集
        2.3.1 射頻能量收集概念
        2.3.2 射頻能量收集基本原理
    2.4 本章小結(jié)
第3章 基于圖劃分的移動(dòng)邊緣計(jì)算任務(wù)卸載與調(diào)度
    3.1 引言
    3.2 基于圖劃分的服務(wù)器分簇算法
    3.3 系統(tǒng)模型
        3.3.1 本地計(jì)算
        3.3.2 MEC計(jì)算
        3.3.3 納什均衡
    3.4 數(shù)值仿真與討論
    3.5 本章小結(jié)
第4章 基于能量收集的移動(dòng)設(shè)備的邊緣計(jì)算任務(wù)卸載
    4.1 引言
    4.2 系統(tǒng)模型
        4.2.1 本地計(jì)算
        4.2.2 卸載計(jì)算
        4.2.3 能量收集
        4.2.4 QoS成本函數(shù)
    4.3 最優(yōu)化模型
    4.4 數(shù)值仿真與討論
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
在讀期間發(fā)表的學(xué)術(shù)論文及研究成果
致謝



本文編號(hào)：3849176