The Internet of Things(IoT)and allied applications have made real-time responsiveness for massive devices over the Internet essential.Cloud-edge/fog ensembles handle such applications'computations.For Beyond 5 th ...The Internet of Things(IoT)and allied applications have made real-time responsiveness for massive devices over the Internet essential.Cloud-edge/fog ensembles handle such applications'computations.For Beyond 5 th Generation(B5G)communication paradigms,Edge Servers(ESs)must be placed within Information Communication Technology infrastructures to meet Quality of Service requirements like response time and resource utilisation.Due to the large number of Base Stations(BSs)and ESs and the possibility of significant variations in placing the ESs within the IoTs geographical expanse for optimising multiple objectives,the Edge Server Placement Problem(ESPP)is NP-hard.Thus,stochastic evolutionary metaheuristics are natural.This work addresses the ESPP using a Particle Swarm Optimization that initialises particles as BS positions within the geography to maintain the workload while scanning through all feasible sets of BSs as an encoded sequence.The Workload-Threshold Aware Sequence Encoding(WTASE)Scheme for ESPP provides the number of ESs to be deployed,similar to existing methodologies and exact locations for their placements without the overhead of maintaining a prohibitively large distance matrix.Simulation tests using open-source datasets show that the suggested technique improves ESs utilisation rate,workload balance,and average energy consumption by 36%,17%,and 32%,respectively,compared to prior works.展开更多
边缘计算作为实现5G通讯标准的关键技术,其通过将用户的终端任务卸载到附近具有计算与存储资源的边缘服务器上,达到提高服务质量的目的。论文针对边缘服务器的放置问题,提出了一种在5G网络中最小化用户时延的边缘服务器放置方法ESPFA(Ed...边缘计算作为实现5G通讯标准的关键技术,其通过将用户的终端任务卸载到附近具有计算与存储资源的边缘服务器上,达到提高服务质量的目的。论文针对边缘服务器的放置问题,提出了一种在5G网络中最小化用户时延的边缘服务器放置方法ESPFA(Edge Server Placement based on Firefly Algorithm),将用户平均时延、边缘服务器负载均衡量和边缘服务器平均资源利用率进行加权、并作为指标衡量系统整体性能。仿真结果表明,与主流的放置方法相比,在放置边缘服务器数量为10时,论文提出的萤火虫算法降低时延效果明显,比传统K-Means算法下降了16.2%,并且算法系统性能优良,分别比Random算法和Top-K算法提升了9.4%和22.6%。展开更多
移动边缘计算通过在终端设备和云之间部署边缘设备,能够在移动用户的近端提供服务,可降低网络时延、减缓网络带宽的压力.然而在移动服务计算环境中,用户的移动性导致其所访问的边缘服务器经常切换,导致传统的QoS(quality of service)预...移动边缘计算通过在终端设备和云之间部署边缘设备,能够在移动用户的近端提供服务,可降低网络时延、减缓网络带宽的压力.然而在移动服务计算环境中,用户的移动性导致其所访问的边缘服务器经常切换,导致传统的QoS(quality of service)预测方法在移动边缘服务环境下会出现较大的偏差.本文提出一种移动边缘计算环境下的服务QoS预测方法EQoSP,通过聚类分析自然地为不同用户/边缘服务器确定各自的相似用户/边缘服务器,在用户所访问的边缘服务器发生切换后,利用相似用户/边缘服务器提供的数据,对用户在新位置使用目标服务的QoS进行预测,从而更真实地反映用户位置发生改变后可能得到的QoS值.与现有方法的对比实验表明,本文所提出的方法对移动边缘环境中未知QoS的预测更为准确.展开更多
基金the Deanship of Research and Graduate Studies at King Khalid University for funding this work through the Large Research Project under grant number RGP2/603/46。
文摘The Internet of Things(IoT)and allied applications have made real-time responsiveness for massive devices over the Internet essential.Cloud-edge/fog ensembles handle such applications'computations.For Beyond 5 th Generation(B5G)communication paradigms,Edge Servers(ESs)must be placed within Information Communication Technology infrastructures to meet Quality of Service requirements like response time and resource utilisation.Due to the large number of Base Stations(BSs)and ESs and the possibility of significant variations in placing the ESs within the IoTs geographical expanse for optimising multiple objectives,the Edge Server Placement Problem(ESPP)is NP-hard.Thus,stochastic evolutionary metaheuristics are natural.This work addresses the ESPP using a Particle Swarm Optimization that initialises particles as BS positions within the geography to maintain the workload while scanning through all feasible sets of BSs as an encoded sequence.The Workload-Threshold Aware Sequence Encoding(WTASE)Scheme for ESPP provides the number of ESs to be deployed,similar to existing methodologies and exact locations for their placements without the overhead of maintaining a prohibitively large distance matrix.Simulation tests using open-source datasets show that the suggested technique improves ESs utilisation rate,workload balance,and average energy consumption by 36%,17%,and 32%,respectively,compared to prior works.
文摘边缘计算作为实现5G通讯标准的关键技术,其通过将用户的终端任务卸载到附近具有计算与存储资源的边缘服务器上,达到提高服务质量的目的。论文针对边缘服务器的放置问题,提出了一种在5G网络中最小化用户时延的边缘服务器放置方法ESPFA(Edge Server Placement based on Firefly Algorithm),将用户平均时延、边缘服务器负载均衡量和边缘服务器平均资源利用率进行加权、并作为指标衡量系统整体性能。仿真结果表明,与主流的放置方法相比,在放置边缘服务器数量为10时,论文提出的萤火虫算法降低时延效果明显,比传统K-Means算法下降了16.2%,并且算法系统性能优良,分别比Random算法和Top-K算法提升了9.4%和22.6%。
文摘随着移动边缘计算(mobile edge computing,MEC)技术的不断演进发展,大量的用户设备分散在边缘服务器密集部署的各个区域内。然而,在任务时延与资源受限的前提下,如何选择合适的服务器进行任务卸载,仍然是一个具有挑战性的难题。研究用户-服务器关联、卸载比例以及资源分配的联合优化问题,在考虑需求和服务异构性下最小化系统能耗。该问题被建模为混合整数非线性规划问题,并分解为用户-服务器关联子问题、卸载率和资源分配子问题进行求解。对于第一个子问题,在同时考虑通信质量与服务类型条件下,利用改良的带权匈牙利算法(Kuhn-Munkres matching algorithm,K-M)实现用户-服务器关联。为了处理第二个高度非凸问题,提出一种有效的双层算法,内层采用拉格朗日对偶法得到计算与通信资源分配;外层采用一维搜索方法得到卸载比例。最后,利用块坐标下降技术交替求解两个子问题,直到收敛。仿真结果表明,与随机算法、贪婪算法和带权匈牙利匹配-本地计算(Kuhn-Munkres matching and local computing,KM-LC)算法相比,文中所提出的算法能有效降低系统能耗。
文摘移动边缘计算通过在终端设备和云之间部署边缘设备,能够在移动用户的近端提供服务,可降低网络时延、减缓网络带宽的压力.然而在移动服务计算环境中,用户的移动性导致其所访问的边缘服务器经常切换,导致传统的QoS(quality of service)预测方法在移动边缘服务环境下会出现较大的偏差.本文提出一种移动边缘计算环境下的服务QoS预测方法EQoSP,通过聚类分析自然地为不同用户/边缘服务器确定各自的相似用户/边缘服务器,在用户所访问的边缘服务器发生切换后,利用相似用户/边缘服务器提供的数据,对用户在新位置使用目标服务的QoS进行预测,从而更真实地反映用户位置发生改变后可能得到的QoS值.与现有方法的对比实验表明,本文所提出的方法对移动边缘环境中未知QoS的预测更为准确.
