伴隨著5G時代的到來,在線游戲、人臉識別等要求低時延的計算密集型任務相繼出現(xiàn),傳統(tǒng)云計算無法為用戶提供毫秒級任務卸載服務,因此移動邊緣計算（Mobile Edge Computing,MEC）應運而生。MEC將云計算功能下沉到到網(wǎng)絡邊緣,有效降低了用戶任務計算卸載延遲。雖然目前關于計算卸載研究工作眾多,但也存在許多局限性。首先,現(xiàn)有的關于計算卸載的研究工作側(cè)重于獨立任務,而非依賴性任務,獨立任務卸載策略無法解決真實場景下任務依賴性帶來的挑戰(zhàn)。其次,現(xiàn)有研究工作側(cè)重于單用戶任務卸載,忽視了多用戶場景下任務競爭資源的問題。最后,現(xiàn)有工作多關注靜態(tài)卸載場景,忽略了任務動態(tài)到達、計算資源可變等動態(tài)場景下的挑戰(zhàn)�；谝陨蠁栴}及挑戰(zhàn),本文在多用戶場景下研究了依賴性任務在專用以及共享服務器上在線卸載策略,其目標是減小任務響應時間以及延遲時間。在專用邊緣服務器上,計算資源是靜態(tài)穩(wěn)定的。本文針對任務動態(tài)到達問題提出了基于鏈表的依賴性任務在線滑動卸載及調(diào)度算法。該算法通過為任務節(jié)點分配非固定執(zhí)行時間,解決了任務依賴關系約束導致的難調(diào)度的問題。此外,為了進一步優(yōu)化算法調(diào)度解,本文提出了兩個優(yōu)化算法:自適應回... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

邊緣計算示例圖

圖 1.2 增強現(xiàn)實技術(shù)處理流程圖性任務卸載與調(diào)度忽視了現(xiàn)實生活中動態(tài)性大多只關注靜態(tài)場景，忽視了真實動態(tài)環(huán)境下的挑戰(zhàn)態(tài)調(diào)度與卸載的研究工作相對較少。動態(tài)性主要包含務器上任務動態(tài)到達問題。在本文中，專用服務器一戶，其處理速度為靜態(tài)穩(wěn)定的。目前關于專用服務器依為靜態(tài)卸載決策。其假設任務信息已知，根據(jù)當前服務載決策，然而靜態(tài)卸載策略難以應用在任務動態(tài)到達的任務調(diào)度算法側(cè)重于獨立任務。文獻[18,19]側(cè)重于獨立依賴性任務細粒度的調(diào)度，這將會導致在真實環(huán)境中務器上計算資源的動態(tài)性。在共享邊緣服務器上，任

華 中 科 技 大 學 碩 士 學 位 論務器獲取所有的計算卸載請求信息，根據(jù)全局信息生成卸載解。而分布式卸載算法由于決策信息簡單也涌現(xiàn)出一部分研移動傳輸功率，提出了一個整數(shù)優(yōu)化問題，使總能耗和卸載接收功率小于一定閾值時，卸載算法才是正向收益。在本文中配方案。

【參考文獻】：
碩士論文
[1]面向LTE行業(yè)應用的無線基站準入控制機制[D]. 孫嘉璐.北京郵電大學 2018



本文編號：3220232