-
公开(公告)号：CN113950113A
公开(公告)日：2022-01-18
申请号：CN202111169755.0
申请日：2021-10-08
申请人： 东北大学
摘要： 本发明属于车联网信息交互技术领域，提出了一种基于隐马尔科夫的车联网切换决策算法，算法包括信息交互模块、切换触发模块、网络选择模块、信息维护模块和数据转发模块五个模块。根据维护在数据库中的可接收信号强度预测当前连接网络在未来一段时间内的可接收信号强度，从而判断出是否需要进行网络切换。并通过隐马尔科夫模型中的元素以及车辆的观测状态信息，得到车辆从一个网络切换至另一个网络的概率，判决出最佳的目标网络。切换完成后，根据切换前后的网络信息修改隐马尔科夫模型。改善了现有的网络切换算法切换时延高、丢包率高以及容易发生“乒乓效应”的问题。
-
公开(公告)号：CN117835329B
公开(公告)日：2024-07-05
申请号：CN202410241235.3
申请日：2024-03-04
申请人： 东北大学
IPC分类号： H04W28/084 , H04W4/029 , H04W4/48 , H04W4/44 , G06N3/0442 , G06N3/0455 , G06N3/096
摘要： 本发明属于边缘计算应用技术领域，公开一种车载边缘计算中基于移动性预测的服务迁移方法。获取车辆位置数据，使用车辆移动性预测模型预测车辆位置；根据预测的车辆位置，使用预测误差估计模型进行预测误差估计，并根据估计的预测误差修正车辆位置预测结果；基于修正的车辆位置预测结果，通过服务迁移决策模型制定基于双策略蒸馏深度强化学习服务迁移策略。本发明可以减少服务迁移的中断时间。通过使用两个深度强化学习模型互相学习的方式，加快模型的学习速度，增强模型的探索能力，提升模型决策的效果。通过引入动作价值函数，让服务迁移策略的评价不再只依赖于状态价值函数，而是转换为动作价值函数与状态价值函数的比较，以提升蒸馏效率。
-
公开(公告)号：CN113950081B
公开(公告)日：2024-03-22
申请号：CN202111169754.6
申请日：2021-10-08
申请人： 东北大学
IPC分类号： H04W24/02
摘要： 本发明属于移动边缘计算网络领域，提出了一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法。利用Lyapunov优化将考虑移动性的连续优化问题分解为多个时隙的在线优化问题，由于用户的移动性，正在进行的服务经常在不同的基站之间迁移，这需要一定的迁移成本，为了平衡迁移成本与系统效益，使用Lyapunov优化和随机舍入方法来解决服务部署和请求路由两种决策变量，并通过理论分析证明该方法具有性能保证。对于微服务部署的多单元移动边缘网络中，该方法可以达到最佳的平均时间效用，自适应地平衡服务迁移成本和在线系统效益，且可以有效利用边缘服务器的存储和计算资源，在保证服务迁移成本稳定的同时，最大化MEC网络的长期系统效益。
-
公开(公告)号：CN113950081A
公开(公告)日：2022-01-18
申请号：CN202111169754.6
申请日：2021-10-08
申请人： 东北大学
IPC分类号： H04W24/02
摘要： 本发明属于移动边缘计算网络领域，提出了一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法。利用Lyapunov优化将考虑移动性的连续优化问题分解为多个时隙的在线优化问题，由于用户的移动性，正在进行的服务经常在不同的基站之间迁移，这需要一定的迁移成本，为了平衡迁移成本与系统效益，使用Lyapunov优化和随机舍入方法来解决服务部署和请求路由两种决策变量，并通过理论分析证明该方法具有性能保证。对于微服务部署的多单元移动边缘网络中，该方法可以达到最佳的平均时间效用，自适应地平衡服务迁移成本和在线系统效益，且可以有效利用边缘服务器的存储和计算资源，在保证服务迁移成本稳定的同时，最大化MEC网络的长期系统效益。
-
公开(公告)号：CN117835329A
公开(公告)日：2024-04-05
申请号：CN202410241235.3
申请日：2024-03-04
申请人： 东北大学
IPC分类号： H04W28/084 , H04W4/029 , H04W4/48 , H04W4/44 , G06N3/0442 , G06N3/0455 , G06N3/096
摘要： 本发明属于边缘计算应用技术领域，公开一种车载边缘计算中基于移动性预测的服务迁移方法。获取车辆位置数据，使用车辆移动性预测模型预测车辆位置；根据预测的车辆位置，使用预测误差估计模型进行预测误差估计，并根据估计的预测误差修正车辆位置预测结果；基于修正的车辆位置预测结果，通过服务迁移决策模型制定基于双策略蒸馏深度强化学习服务迁移策略。本发明可以减少服务迁移的中断时间。通过使用两个深度强化学习模型互相学习的方式，加快模型的学习速度，增强模型的探索能力，提升模型决策的效果。通过引入动作价值函数，让服务迁移策略的评价不再只依赖于状态价值函数，而是转换为动作价值函数与状态价值函数的比较，以提升蒸馏效率。
-
公开(公告)号：CN116249202A
公开(公告)日：2023-06-09
申请号：CN202310237384.8
申请日：2023-03-13
申请人： 东北大学
摘要： 本发明的一种物联网设备的联合定位与计算支持方法，包括收集IoT设备与锚节点的距离信息和剩余电量信息，获得IoT设备的可用锚节点集合；可用锚节点数小于3时，收集IoT设备与其他IoT设备的距离信息；UAV根据收集的信息构建定位模型，通过加权最小二乘和半正定松弛将定位问题转为半正定规划问题，求解IoT设备的坐标；UAV以最小化系统总能耗和延迟为优化目标，采用深度强化学习法得到计算任务卸载、UAV轨迹规划和UAV计算资源分配的联合决策；通过逐次凸逼近法得到最优下行功率分配决策，目标是最大化最小下行吞吐量；UAV执行最优联合决策以支持IoT设备的卸载请求，执行最优下行功率分配决策提升系统的下行吞吐量。
-
公开(公告)号：CN113950113B
公开(公告)日：2022-10-25
申请号：CN202111169755.0
申请日：2021-10-08
申请人： 东北大学
摘要： 本发明属于车联网信息交互技术领域，提出了一种基于隐马尔科夫的车联网切换决策算法，算法包括信息交互模块、切换触发模块、网络选择模块、信息维护模块和数据转发模块五个模块。根据维护在数据库中的可接收信号强度预测当前连接网络在未来一段时间内的可接收信号强度，从而判断出是否需要进行网络切换。并通过隐马尔科夫模型中的元素以及车辆的观测状态信息，得到车辆从一个网络切换至另一个网络的概率，判决出最佳的目标网络。切换完成后，根据切换前后的网络信息修改隐马尔科夫模型。改善了现有的网络切换算法切换时延高、丢包率高以及容易发生“乒乓效应”的问题。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.018 秒)
