移動物聯網智能通信與計算

宁兆龙

博士，重庆邮电大学教授，主要研究内容为车联网高 效接入、通信和计算。近三年作为第 一或通信作者发表论文70余篇，包括：ESI 0.1%热点论文5篇，ESI 1%高被引论文23篇，中科院一区论文20余篇，中科院二区论文近40篇，相关研究成果发表在：IEEE COMST、IEEE TII、IEEE COMMAG、IEEE WCOM、IEEE TITS、IEEE TVT、IEEE TASE、IEEE IoT、IEEE TETC、IEEE TCCN、ACM Mobicom、WWW等，授权专利6项。

第 1章 基於移動邊緣計算的動態服務遷移 1

1.1　引言　1

1.2　服務遷移模型　2

1.2.1　服務執行效用　4

1.2.2　服務遷移開銷　6

1.3　問題描述　6

1.4　基於移動邊緣計算的動態服務遷移算法　7

1.4.1　基於李雅普諾夫優化的隊列穩態　7

1.4.2　基於採樣平均近似的未來效用估計　8

1.4.3　基於馬爾可夫優化的動態服務部署　9

1.5　實驗評估　10

1.5.1　實驗環境及參數設置　10

1.5.2　系統性能分析　11

第　2章 面向普適邊緣計算的多智能體模仿學習：分佈式計算卸載算法　14

2.1　引言　14

2.2　系統模型和問題表述　16

2.2.1　系統概述　16

2.2.2　通信和計算模型　18

2.2.3　問題公式化　19

2.3　基於多智能體模仿學習的計算卸載算法　20

2.3.1　算法概述　20

2.3.2　隨機博弈公式　21

2.3.3　優化問題轉化　22

2.3.4　專家策略　23

2.3.5　智能體策略　26

2.3.6　算法分析　29

2.4　性能評價　30

2.4.1　模擬設置　30

2.4.2　模擬結果　30

第3章　關鍵信齡最小化：部分觀測下基於模仿學習的調度算法　36

3.1　引言　36

3.2　系統模型與問題構建　38

3.2.1　系統模型　38

3.2.2　AoCI　40

3.2.3　問題構建　41

3.3　信息感知啟發式算法　44

3.3.1　子問題轉換　44

3.3.2　總體步驟　45

3.4　基於模仿學習的調度算法　46

3.4.1　問題轉換　47

3.4.2　通過模仿的信息更新調度　48

3.4.3　基於模仿學習的調度　50

3.4.4　理論分析　52

3.5　性能評估　53

3.5.1　模擬設置　53

3.5.2　模擬結果　54

第4章　移動區塊鏈中集中式資源管理　59

4.1　系統模型　61

4.2　問題建模　64

4.3　解決方案　65

4.4　性能評估　70

4.4.1　模擬參數設置　70

4.4.2　模擬設計　73

4.4.3　性能分析　73

第5章　基於移動邊緣計算的醫療物聯網健康監測　77

5.1　引言　77

5.2　動機　78

5.3　醫療物聯網模型　79

5.3.1　醫療重要性　80

5.3.2　監測數據新鮮度　80

5.3.3　監測能耗　81

5.4　問題描述　82

5.4.1　系統開銷最小化問題　83

5.4.2　IWS子問題　84

5.4.3　BWS子問題　84

5.5　無線人體局域網內部合作博弈　85

5.6　無線人體局域網外部非合作博弈　86

5.7　實驗評估　88

5.7.1　實驗環境及參數設置　88

5.7.2　系統性能分析　88

第6章　基於5G無人機 社區的計算卸載：協同任務調度和路徑規劃　91

6.1　系統模型　93

6.1.1　通信模型　94

6.1.2　計算模型　95

6.2　問題描述　96

6.2.1　問題概述　96

6.2.2　約束分析　96

6.2.3　問題描述　97

6.2.4　問題轉化　98

6.3　協同路徑規劃和任務調度　99

6.3.1　基於社區的時間近似　99

6.3.2　基於吞吐量最大化的拍賣　100

6.3.3　動態任務調度　102

6.3.4　性能分析　103

6.4　性能評估　105

6.4.1　模擬設置　105

6.4.2　數值結果　106

第7章　智能交通系統中分佈式資源管理　110

7.1　系統模型　111

7.1.1　終端層　113

7.1.2　邊緣層　114

7.1.3　遠端管理層　115

7.2　問題建模　115

7.2.1　用戶數據安全　116

7.2.2　系統時延　117

7.2.3　用戶效用　120

7.2.4　問題公式化　121

7.3　解決方案　122

7.3.1　問題分解　123

7.3.2　解決問題P7.1的基於深度強化學習的算法　125

7.3.3　解決問題P7.2′的交替方向乘子法算法　128

7.3.4　求解問題P7.3′的基於雙邊匹配的算法　135

7.4　性能評估　136

7.4.1　模擬設置　138

7.4.2　問題P7.1的性能　139

7.4.3　問題P7.2′的性能　141

7.4.4　問題P7.3′的性能　146

第8章　基於DRL的智能車聯網計算卸載方案　147

8.1　動機　148

8.2　貢獻　148

8.3　系統模型　149

8.3.1　模型概述　149

8.3.2　微雲模型　150

8.3.3　霧模型　151

8.3.4　重定向模型　152

8.4　問題描述　153

8.4.1　優化目標　153

8.4.2　流重定向　154

8.4.3　卸載決策　155

8.5　DRL概述　155

8.6　基於DRL的卸載算法　156

8.6.1　流重定向　156

8.6.2　最小化能耗的DRL　157

8.6.3　復雜度分析　159

8.7　性能評估　160

第9章　基於邊緣計算的5G車聯網部分卸載　165

9.1　引言　165

9.2　5G車聯網模型　166

9.2.1　5G車聯網場景介紹　166

9.2.2　卸載策略　167

9.2.3　系統利潤函數　168

9.3　問題描述　170

9.4　部分卸載和自適應任務調度算法　171

9.4.1　傳輸調度策略　171

9.4.2　最優卸載比率　173

9.4.3　計算卸載服務定價　173

9.5　實驗評估　174

9.5.1　實驗環境及參數設置　174

9.5.2　系統性能分析　175

第　10章 遷移感知的智能車聯網聯合資源分配策略　178

10.1　引言　178

10.2　遷移感知的資源分配模型　180

10.2.1　通信模型　181

10.2.2　計算模型　181

10.2.3　緩存模型　182

10.3　問題描述　183

10.3.1　效益函數　183

10.3.2　目標函數　184

10.4　基於DRL的資源分配算法　185

10.4.1　基於DRL的車聯網系統框架　185

10.4.2　基於策略梯度的DRL算法　186

10.5　實驗評估　189

10.5.1　實驗環境及參數設置　189

10.5.2　收斂性分析　190

10.5.3　系統性能分析　191

第　11章 基於模仿學習的在線VEC任務調度　194

11.1　引言　194

11.2　系統模型與問題表述　196

11.2.1　系統概述　196

11.2.2　服務時延和能源消耗模型　197

11.2.3　問題規劃　199

11.3　基於模仿學習的任務調度算法　200

11.3.1　算法概述　200

11.3.2　SPV聚類　201

11.3.3　專家模仿學習　203

11.3.4　算法分析　205

11.4　性能評估　206

11.4.1　模擬設置　206

11.4.2　模擬結果　208

第　12章 邊緣協同的IoV聯合資源分配策略　215

12.1　引言　215

12.2　邊緣協同資源分配模型　217

12.2.1　通信模型　218

12.2.2　計算模型　218

12.2.3　緩存模型　220

12.2.4　系統開銷　221

12.3　問題描述　222

12.4　在線邊緣協同卸載策略　223

12.4.1　李雅普諾夫優化框架　223

12.4.2　邊緣協同平衡算法　225

12.5　智能資源聯合分配策略　228

12.5.1　分支定界優化框架　228

12.5.2　基於模仿學習的分支定界算法　229

12.6　實驗評估　232

12.6.1　實驗環境及參數設置　232

12.6.2　系統性能分析　233

12.6.3　時間復雜度分析　236

參考文獻　238