文摘
基于移动计算和边缘用户感知技术,分析和讨论了各自的优点和缺点的重要优化模型和移动模型的动画艺术设计,以及无线数据块传输机制和协议。为了解决这个问题,用户移动性不能感觉到,做好移动边缘动画艺术设计提出了基于用户移动感知机制。这种机制全面计算中心用户的感知节点,动画设计的闲置率,和用户的停留时间在小范围之内。移动边缘网络控制器集成了每个边缘用户的感知节点的信息,计算每个边缘用户的感知节点的重要性,重视它,并选择适当的内容动画设计用户感知节点根据排名结果。最后,各种模拟或平台进行了测试实验的设计方案,和实验结果进行了分析。仿真实验结果表明,与传统动画设计机制相比,动画艺术设计系统有效地降低了啤酒花的平均数量为用户获得15.9%的内容,提高边缘用户感知节点动画设计的命中率至少13.7%,并减少交通进入核心网络32.1%。根据比较结果,这项工作中的各种设计可以成功地使用传感器数据preclassify迁移任务在移动网络环境。与最新的数据块传输协议相比,它有一个显著的性能改进,减少34.8%的数据分布的延迟,从而有助于提高移动边界计算的整体效率。
1。介绍
移动边缘计算已成为计算模型,将为移动提供无处不在的计算和存储服务和大数据的应用程序。在网络边缘,由于小基站的部署,可以建立移动边缘计算服务网络(1]。这些小基站通常能够直接连接到移动用户和为他们提供快速反馈低延迟服务。因此,移动用户可以上传和一些计算密集型或对延迟敏感的任务迁移到当前连接小基站。移动计算边缘网络使用硬件资源等小型基站协助用户处理任务(2]。执行任务迁移的决定在这个新的计算模型面临着许多新挑战等复杂的任务需求,高用户移动性、多样化的应用程序和服务,和有限的计算和存储资源的小基站(3]。因此,如何收集和使用移动edge网络的新特性和改进所涉及的任务分配决策和数据传输效率的任务迁移过程都是值得深入研究的主题和方向(4- - - - - -6]。
整个移动互联网的快速发展和新一代的无线网络的发展,为了解决上述问题,小型基站与特定的计算和存储能力一直放在边缘的大规模移动网络(7]。因此,如何使用这些小基站散布在网络的边缘,为用户提供更低的延迟和更高的带宽服务和承担的任务减轻负担在核心网络变得尤其重要8]。因此,任务迁移下移动边缘计算不仅可以用来作为一种扩大终端资源也是一种有效的方法来提高网络吞吐量,减少任务延迟。在这种背景下,研究任务迁移决策、任务迁移分配和高性能块数据传输机制具有重要的现实意义(9]。具体来说,任务的迁移决策和分配,独特的数据或设备特性(如传感器数据),可以提供的移动智能终端或移动物联网终端用于结合任务对计算资源的需求,减少处理时间。扩展和减少能源消耗的目标设备的目的是设计一个更优化的迁移策略,从而达到更详细的部门和决策的任务迁移或是否user-aware节点进行处理(10]。
在此基础上,本文主要设计和验证以下移动边缘计算三个方面的工作:一个服务模型结构,认为移动用户的特征和迁移任务预先分级机制,基于用户移动迁移优化算法和高性能数据块可靠的传输协议。为了解决这种情况,内容动画设计位置和边际用户感知节点动画设计空间不足,本文提出了一种基于年龄和受欢迎的动画设计机制的内容信息。这种机制使用沟通的三个属性,计算,和动画设计边缘用户的感知节点和使用的通信能力,计算能力,和用户感知节点的动画设计能力作为评价指标来衡量用户感知节点的重要性。节点动画设计内容由用户所需,当动画设计空间不足,信息时代和受欢迎程度的动画设计内容动画设计用户感知节点作为参考指标内容替换。仿真实验表明,相比之下,动画设计机制和概率动画设计机制,本文算法提高边缘用户感知节点动画设计的容错率12.3%和10.8%,分别。
2。相关工作
移动互联网的发展使得视频应用的蓬勃崛起,和视频交通占据主导地位的爆炸式增长,数据流量在全球范围内。移动数据流量的增长,传统的云computing-based移动互联网体系结构不能满足视频应用的低延迟需求,以及网络带宽的消耗急剧增加。因此,移动通信网络架构的中心已经从基站信息和内容。移动边缘网络(男性)包括移动fronthaul网络(无线电频率单位和销售单位之间),移动midhaul网络(单位分布集中的单位)和移动回程网络(以上集中的单位)11- - - - - -13]。
在提高用户行为特征的识别精度,丛et al。14]从传感器数据,如不同的方向和位置提供的智能手机和实验和分析方法。在这个工作中,两个实验将智能手机放置在不同的用户携带的位置。实验包含10个用户参与测试和6每日用户行为特征。他们建立了一个基于三维加速度信号特征向量来计算平均和标准偏差,建立了一个基于实例的分类器。通过组织加速度信号到相同的坐标系统,显著提高其识别的准确性。沙et al。15)使用加速度传感器来区分七行为特征生成用户的日常活动。它认为,澄清了6种手机的位置。与以前的工作相比,这项工作能够构建更多的特性,因为它收集更多的时域和频域特性7的用户参与实验。最后,一个支持向量机分类器是用来测试分类结果。当放置的位置是已知的,整体 - - - - - -分数可以达到94.8%。Zhang et al。16]试图最小化任务执行延迟与一维搜索算法在单用户场景中。算法输出的任务决定了是否迁移策略根据用户的计算和处理能力的移动设备和小型基站,以及动画设计队列状态应用程序的任务。此外,该模型提出了工作也考虑到无线信道的特征之间的用户设备和基站。在任务迁移作者提出的计算模型,任务迁移决策是完成任务迁移策略模块的用户设备。
王等人。17)提出,动画设计的内容通过D2D通信设备是共享的;在每一个时间段,每个用户应该动画设计数据以恒定速率,然后,每个用户传输D2D链接以恒定速率作为一个凸优化问题。在SBS动画设计、动画设计的内容小基站(SBS)。如果用户所需内容动画设计在SBS,当地的SBS将直接分发到设备的内容。一般来说,SBSs在同一地区之间的信息共享;即数据内容或动画设计的资源使用SBS邻近SBSs。苗族et al。18]提出对SBS进行动画设计;也就是说,在每个时期,它是理想的设计数据以恒定速率和重新定义作为一个凸规划问题。然后,对偶分解方法用于解决这个凸的问题,和次梯度算法寻找最优的双变量提出了。最后,最优传播权力结构在MBS SBS和最佳动画设计策略。一些学者使用用户文件和用户社会关系的相关性预测内容的流行通过协同过滤和预测某些用户提供主动服务的需求通过设计受欢迎的内容提前动画基站和设备。这种方法可以大大减少数据流量的高峰需求。研究人员让时变估计基于用户请求的人气和新鲜的内容和使用泊松噪声模型来估计流行分布先验(19- - - - - -21]。
3所示。建设一个在线动画艺术设计模型基于移动边缘计算
3.1。用户感知水平分布
用户预期的数据中心的功能主要包括移动网络控制、管理和调度。移动核心网络的功能主要包括控制平面网络移动性管理等功能(AMF),会话管理(SMF),和用户数据管理(可以)。网关的功能,比如用户平面函数(UPF)相互连接的集中的单位移动边缘网络或其他macrobase站形成区域融合网络(22,23]。移动网络是由一个移动fronthaul网络边缘,移动midhaul网络和移动回程网络。图1是用户预期的层次拓扑结构。
每个用户感知节点将根据slot-transmission时间槽的三个州,接待时间槽,槽和睡眠时间。然后,数据分布和传输的工作将完成具体的形式传播;也就是说,用户感知节点只会传送下一个页面的数据在当前页面subuser感知节点收到的数据结构。
跑网络已经从二级结构组成的基带处理单元和远程射频单元4 g网络集中单元(CU),分布式单元(DU)和无线单元(俄文)。集中的单位和分布式单元可以单独或联合部署。根据他们不同的部署方法,运行网络分为不同的网络:射频单元之间的分布式单元fronthaul网络和分布式单元。
集中的单位之间的中间传输网络,以上集中在回程网络单元。核心网络分为两个部分:一个新的核心网络单元和一个移动边缘计算(MEC)单元。移动边缘网络进一步分为移动fronthaul网络,移动midhaul网络和移动回程网络。
具体来说,在网络资源管理方面,与网络虚拟化技术作为技术支持,云控制层执行统一的和抽象的描述物理和网络资源实现资源池和统一调度。对于不同的物联网应用程序,基于云计算的控制层构建动态边缘网络优势网络资源的需求和实现协同管理部署虚拟网关。首先,它可以支持的数据分布传播形式多次反射管道,和不同的页面数据可以同时传送不同的啤酒花,从而减少整个数据分布;二是建立重传机制,确保最终的数据传输的可靠性。
位图可以用于请求消息表明丢失的数据包,并为整个文件对象,使用位图来表示它可能占用大量空间有限的消息有效负载,甚至失败来表示它。然而,它会小的多,如果一个位图用于表示一个页面的数据,所以它也可以适当地放置在一个请求消息。已经收到所有的页面数据时,数据块传输的可靠性会减少。它是保证。
3.2。移动边缘计算算法
任务移动边缘计算模型可以处理的三种方法,即让本地任务执行,通过边缘小基站,或上层macrobase站请求移动边缘计算服务进行任务处理。通过计算生成的能源消耗和延迟成本不同的访问方法,实现能源消耗成本最低为优化目标,结合的最小延迟限制用户的任务。
算法在这个阶段,判断的标准三个类别如下:如果任务执行本地能够满足其最低延迟要求和当地执行的能源消耗的能源消耗不超过迁移任务,它将保留在本地执行;如果任务,不能满足当地执行的最小延迟要求必须迁移到移动边缘计算系统执行,任务在其他情况下表示这种类型的第三种类型和任务将最终决定是否要在第一阶段任务迁移到移动边缘计算用户感知节点根据无线通信状态。图2是一个边缘用户感知节点的移动计算的柱状图。
动画设计的核心理念机制基于年龄和受欢迎的内容信息如下:首先,根据固有的三个通信、计算、和动画设计边缘用户感知节点的属性,选择适当的内容所需的边缘用户感知节点动画设计。确定边缘用户感知节点的过程是通过计算边缘的距离用户感知节点用户感知节点描述用户感知节点的通信能力;协作性边缘用户感知节点共享的数量动画设计内容描述用户感知节点的计算能力。免费的动画设计空间感知节点的代表了动画设计边缘用户感知节点的能力。最后,每条边的总分获得用户感知节点和边的动画设计优先级用户感知节点排序,和几个选择。
在当前网络视频数据流量已取代语音数据流量作为主要交通类型。在许多情况下,D2D沟通使设备接近彼此分享内容或相互作用,比如游戏和社交网络。同时,D2D通信可以提高网络效率在很多方面:首先,它可以节省大量的信令资源和降低传输延迟;其次,它可以节省大量元素相对于通过基站传输;此外,由于路径损耗小得多比基地station-to-device沟通损失,它可以提高频谱效率。
3.3。动画艺术构成元素
在动画艺术、移动用户迁移计算量和时间敏感的任务设备移动边缘计算网络由多个小基站计算和存储能力。在这个移动计算系统边缘,我们考虑一套小型基站 ,在哪里 ,和分配网络中的数据根据提到的同样的网格拓扑分布传播。所有的小型基站可以接收、执行和传输任务,需要搬迁。此外,我们还假定软件定义网络体系结构用于移动边缘网络;也就是说,所有小基站控制和监控由中央控制器。其中,条件C1 C3是延迟的担保条件,使用三种不同的方法;条件C4 C6的任务只能选择一种方式来执行,目的是避免工作重复和浪费计算和能源资源。它是确保信道分配不冲突;C8条件限制渠道占领的总数不超过渠道可以分配的数量。
MEC的基本结构规范文档中给出。MEC系统宏观的分为三个层次,即系统层、主机层和网络层。图3是动画艺术的基本结构元素的分布。最上面一层是系统层,这是管理实体MEC的系统水平。它管理全球MEC系统抽象系统作为一个接口,用户和第三方开发人员使用;中间一层是核心主机层,这是MEC主办的。它由两部分组成,MEC主机管理,包括底层硬件资源层和虚拟化层,它提供担保有关虚拟化的切换功能,存储和计算。
其中,unloadable任务必须在本地执行车辆,如用户交互、输入和输出,以及外围接口。unloadable部分动画处理器可以执行的任务,也可以传播到MEC服务器RSU一侧与路边单元通过建立联系。unloadable任务通常不需要与本地设备交互。假设每个车辆用户的任务不能被分成多个子任务在细粒度的粒度;所有移交给当地执行或都卸载。路边单元检测到动画的任务状态,最大限度地减少总体服务延迟根据动画的状态和任务,计划卸货战略和任务调度,安排订单和安排卸货任务的优先级。
3.4。设计模型重量迭代
为了评估控制动画设计采取的优化决策系统在每个州,这一节使用延时约束下的资源使用成本来表示系统的成本函数。主要用户的资源使用成本主要是由生成的能源消耗和资源价格体系。为了最大限度地使用可再生元素,使用可再生的成本元素可以设置为零。
一个优势所带来的用户的计算密集型任务迁移到移动边缘计算小基站是它可以减少执行延迟。当用户的本地设备执行所有计算任务本身(即不执行任务迁移),执行延迟(Dl)代表的时间执行任务上本地用户设备。对于计算密集型任务迁移到移动边缘计算小基站进行处理,执行延迟(做)包括以下三个部分:(1)传输迁移数据到移动计算边缘用户感知节点持续时间(点);(2)计算和处理时间(计划)的迁移任务的小型基站移动边缘计算系统;(3)迁移任务处理后,用户设备接收到处理传回的小型基站接收结果数据(金龟子)。
图4是动画艺术设计水平的模型。随着用户预期的任务的数量增加,任务上处理本地设备的比例也在增加,因为尽管卸载任务可以大大减少延迟,由于单通道特点,任务需要排队和等待时间,随着任务数量的增加,也会增加和本地处理可以并行执行,因此当地的计算有很大的优势。我们达到收敛迭代100次,找到最优卸载策略,并实现最小总体系统时间成本。和我们比较改进的二进制粒子群算法和原始二进制粒子群算法,既能达到收敛,收敛速度更快,但全局搜索算法使所有粒子跟随最优粒子的位置,逐步往往是相同的。早熟的现象出现,陷入局部最优的情况,不能跳出找到全局最优解。GA-BPSO算法增强全局搜索能力通过交叉和变异操作,以便获得最终结果。性能优于全局搜索策略。因此,从的角度算法的收敛性和收敛速度,虽然算法的收敛速度不是那么快的全局搜索算法,离散粒子群优化算法引入遗传算法在优化能力,显著改善和系统延时性能提高约9.2%。
4所示。动画艺术网络设计模型的应用和分析基于移动边缘计算和用户感知
4.1。移动边缘计算数据预处理
这个实验的硬件环境是英特尔(R) (TM)核心i7 - 640 m CPU @2.8 GHz和8 G内存,和软件环境是Ubuntu 16.04 LTS MATLAB 2016 64位。最后,它是与动画设计机制如冰和概率缓存机制问题和比较,分析了三个评价指标内容源用户的感知节点的平均数量的请求,动画设计命中率,平均请求延迟。
请求的平均数量接受的内容源用户感知节点反映源用户感知节点的次数已经访问了。请求负载越低,动画设计命中率越高边缘用户的感知节点将;核心网络的流量将减少,和相应的动画艺术设计机制的性能会更好。本文使用基于均值的边缘信心转向描述检测边缘信息的平均概率点真正的边缘点。程度的差异越大,概率越高,检测到的边缘点是真正的边缘点。同时,我们使用边缘检测结果重建动画和计算原始图像的重建相似性指数,评估边缘检测结果的完整性和弥补缺陷边缘的信心指数;采用线性插值重建方法重建方法。
图5是移动的相似性指数曲线边缘重建。实验结果表明,随着辅助用户的数量增加,基于李雅普诺夫的系统总成本的计算迁移策略显示了明显的下行趋势。这是因为更多的辅助用户SDs参与D2D-ECN,卸载和联合优化策略的任务,功率控制,和计算资源分配可以用来实现分布式任务传输和数据处理,减少每个辅助用户的能源,从而减少系统开销。可以看出,请求的平均数量接受内容源用户感知节点的三个动画设计机制逐渐随的增加而减小 。其中,AoIPC机制内容源用户感知节点接受最少的请求和流到核心网络。这是因为增加 ,大部分的内容要求由用户直接动画在边缘用户感知节点,用户可以直接获取所请求的内容,所以收到的请求的平均数量内容源用户感知节点。与AoIPC机制相比,概率仍不足动画设计内容的多样性在用户感知节点,所以它仍然引起一定量的内容冗余。最后,用户收到的请求的平均数量的感知节点内容源相对较大。如冰机制AoIPC和概率相比,有相同的动画设计的所有内容资源所有用户感知节点。即使动画设计容量的增加,仍然有很多内容的冗余。内容源用户感知节点获得它,和内容源用户感知节点平均接受最请求。
4.2。动画艺术在线设计模拟
在本节中,MATLAB R2014b软件是用来模拟和验证任务迁移算法在一个单一的周期。为了验证双向匹配相关算法的性能,我们使用了随机请求相关策略作为基准比较和分析动画工具和边缘服务器实用程序。
此外,在双向匹配过程中,动画的影响,边缘服务器协会申请人或协会决策者各自偏好的效用进行了分析通过模拟。另一方面,除了采用双向匹配,以满足各自的偏好效用动画和边缘服务器,在实际的经济模式,资源供需方也将最大化总收入从合作的角度(社会福利)来设计动画和边缘服务器。这个问题可以被描述为一个0 - 1线性规划问题,最大化的加权效用动画和边缘服务器。相关分析和筛选单位的帮助下,我们可以选择所有的传感器参数积极与用户的首选应用程序和服务,通过他们的学习单位培训。我们使用的学习工具进行分类,选择传感器更特定的应用程序和服务的关键,并为小型基站提供服务引用相应的移动计算网络。
考虑的丰富性和多样性的边缘细节动画,边缘检测实验与样本库由20个图像,平均值和均方误差是用来计算边缘的信心和重建的结果相似,结合 - - - - - -测试。当显著性检验值大于0.05,这意味着之间没有显著差异的影响,两种检测方法,反之亦然,它表明,两种检测方法的影响是明显不同的。图6显示移动的传感器参数计算边缘。
为了实现长期的平均任务之间的最佳折中服务延迟和长期平均系统的能源消耗,任务卸载的联合优化问题,计算资源分配和能量调度设计。从时域的角度来看,网络流量显示周期性变化在工作日和周末。从空间的角度来看,网络流量呈现单峰和multipeak特征在不同的地区。此外,商业交通高峰和低谷有很强的随机性。一个物联网设备,根据不同的业务需求,业务数据的生成具有较强的随机特征。可以看出,再生元素的分布呈现周期性的确定性的特点,周期性的不确定性,和完整的随机性。可以看出从业务数据的时间和空间分布特征和可再生元素,在真实网络场景中,很难用一个确定的分布或关闭表达准确反映数据和能量分布的特点,在不同的时间和空间条件下。仿真结果证明,本文提出的算法可以有效地减少系统的平均响应延迟处理任务通过比较它与其他算法和确保应用程序服务提供者的成本对租赁基站资源维持在相对较低的水平。
4.3。示例应用程序和分析
在该模型框架中,我们选择使用朴素贝叶斯方法作为一个简洁的学习工具。边缘重建信心和相似性用于定量评估检测边缘点的信息,统计样本用于定量评估结果的平均值和标准偏差,和检测方法用于计算边缘重建信心和20相似图像。由于不同的强和弱边缘检测效果的方法在这篇文章中,样品分为两类:包含大量强边缘信息的动画和动画包含大量的弱边缘信息。
电池驱动的设备,可能计算中断、能量收集技术是用来保证数据传输的连续性和业务处理。这个考虑的一个方面是朴素贝叶斯只需要少量的训练数据来估计传感器参数分类。另一方面,本部分主要提出了这种创新的模型框架,而不是一个特定的学习算法。这个学习工具被选中,是因为其部署的效率的框架。因此,计算迁移系统需要设计一个匹配计算偏移算法基于这种随机性和不确定性,以确保计算迁移过程的连续性。图7显示了基于移动计算的不确定性分布优势。
OCA-CLJP算法的曲线趋势和OCA-SSCR算法很接近,但前者将,违反了长期平均成本约束条件下,寻求一个解决方案以更好的成本通过不断迭代。因此,在0-20时段,OCA-CLJP算法之间不断切换找到一个解决方案以更好的成本和一个解决方案以更好的延迟,导致延误曲线出现更大的波动性,但这也使得成本收敛更快。其中,高频算法没有基站之间的合作机制,所以大量的任务路由到远程云进行处理,导致更高的平均响应系统的延迟。然而,SFCC算法有一个固定的开销限制时间段(设置为160)。与OCA-OSCR和OCACLJP算法相比,服务链条可以动画和处理任务将会减少,所以它的性能优于在本文中。
可以看出,这三个性能指标的内容动画设计命中率,请求的平均数量接受的内容源用户感知节点,和普通用户访问延迟是最好的在考虑信息时代内容和内容流行,且仅被认为是内容信息。动画设计系统的性能是第二个当时代不考虑内容的流行,但动画设计系统的性能是最差的时候只考虑不考虑内容的流行的时代内容的信息。
图8显示动画艺术设计的信心基于边缘移动。可以看出,本文方法的整体优势信心略低于相的方法。结合主观定性观察,就可以发现的错误检测的噪声信息;再利用高信心的主要原因,和过滤方法有太多的谎言。边让他们信心低。因为噪声的有效抑制信息和虚假边缘在这种方法中,信心更表示为一个判断真正的边缘。
重建方法的相似性本文基本上是比其他方法,但值得注意的是,错误的边缘也会导致高重建相似。如前所述,本文边缘的信心越高表明本文方法更少的假边缘,和动画的重建是基于真正的边缘。可以看出,本文方法检测到的边缘更完整和连续。总之,本文的方法可以有效地检测动画的边缘信息,具有显著的优势的准确性和完整性边缘与其他方法相比。它可以得出结论,仅使用一个单一的指标的影响比使用两个指标的影响同时,因为每个指标的内容措施不同的方向和内容的信息时代认为在当前时刻的内容。内容的流行认为内容已要求的次数在过去一段时间,因此本文认为信息时代的内容和内容的流行指标来衡量动画设计的内容来提高动画设计系统的性能。
5。结论
为了最大化双方的用户感知的偏好,本文设计一个动画艺术设计机制基于移动计算边缘匹配理论。不同于0−1规划问题的方法,最大化用户认知偏好,matching-based协会算法是基于参与者的严格的优先顺序,在有限数量的移动计算,他们达到相互满意的协会的结果。首先,根据开放用户感受到的分层排队网络理论,分析了平均延迟处理任务的服务链条,然后量化服务的动画设计和任务路由决策链。然后,在长期平均成本约束集的应用程序服务提供者,本文设计一个在线成本基于移动计算技术,自适应算法把未来长期的最小化问题,需要全球任务信息只有单槽问题当前时间段的任务信息。在此基础上,本文设计了一种联合优化算法动画访问模式选择和任务分配的高速动画环境,旨在满足多样化的应用程序的需求,考虑到系统的能源消耗。针对这一复杂的混合整数规划问题,提出了一种多路存取协调计算迁移策略基于强化学习。理论和仿真结果证明本文计算迁移算法具有良好的性能和收敛性。仿真结果验证该协作计算偏移算法可以显著降低动画艺术设计的平均服务延迟,降低系统的能耗。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由高层次人才的引进沈阳理工大学的研究支持项目(项目名称:研究视觉符号和设计信息传播的关系,项目编号1010147001009)。