摘要:LoRaWAN是一种具有代表性的低功耗广域网(LPWAN, low power wide area network)技术,受到了业界和学术界的高度关注。在物联网(IoT, Internet of things)新时代,LoRaWAN可以极大地提高海量边缘设备的连接能力。简要回顾了LoRaWAN的基础知识,并从通信性能、目标定位、无线网络安全和混合网络4个方面调研了LoRaWAN的最新研究成果。还从商业模式、监管制度、技术创新和新兴应用4个方面讨论了LoRaWAN在中国发展所面临的机遇和挑战。
摘要:通过在网络边缘布置大量的边缘服务器,边缘计算能够为用户提供低时延、高带宽的服务。然而,大量布置边缘服务器也带来了高能耗等问题。当用户将任务从终端设备分派到不同的边缘服务器时,边缘服务器的异构性,会产生不同的能耗和时延。因此,如何在众多边缘服务器中选择一个最优的服务器进行任务分派,使得能耗和时延都比较低是具有挑战性的。提出了一种基于在线学习的具有服务质量(QoS, quality of service)保证的能耗感知任务分派方法,它可以通过与环境进行交互来获取实时的信息,从而在分派任务时,在保证QoS可接受的基础上,总体能耗最低。实验结果表明,与其他方法相比,提出的方法可以高效地将任务分派到最优的边缘服务器上,显著降低边缘计算网络的整体能耗。
摘要:移动边缘计算(MEC, mobile edge computing)作为将计算基础设施从远程云数据中心推向边缘设备的新架构模式,为满足物联网(IoT, Internet of things)应用时延敏感、计算密集等需求提供了新方案。针对可切分任务在多用户多 MEC 服务器系统中的任务卸载与调度问题进行研究,每个用户任务均可切分为多个相互关联的子任务,且子任务均可在本地执行或被卸载到某 MEC 服务器执行,系统通过对子任务的卸载和调度决策来提高网络性能。使用用户体验(QoE, quality of experience)和用户间公平性来表征网络性能,将优化问题建模为一个可切分任务卸载和调度(J-DTOS, joint dependent task offloading and scheduling)优化问题。该问题是一个NP-hard非线性混合整数规划问题,因此,所提方案进一步通过引入中间变量重新构造了原问题,并基于此提出了一个近似最优解。仿真结果表明,所提的卸载和调度策略能显著提高系统的性能。
摘要:近年来,无人机的自主导航技术在多个行业中受到了广泛的关注,相比于传统的导航技术,采用图像感知的深度学习方法具有很好的泛化能力并且不受全球定位系统(GPS, global positioning system)信号的影响,被证明是一种具有前景的自主导航方法。然而,深度学习的推断需要较大功耗,这对于能耗资源十分有限的无人机来说是一项挑战。针对该问题,基于边缘智能理论,将强化学习技术引入无人机端侧的推断过程中,根据无人机所处的环境复杂度实时感知信息,动态配置卷积神经网络的结构参数,使得无人机在保持稳定导航的同时,尽可能地减少计算功耗开销,实现无人机高可靠、低时延与高能效的自主导航飞行能力。该算法在仿真环境和现实环境中分别进行了验证,实验结果表明,相比于对比算法,所提的基于强化学习动态配置算法能够让无人机花费更少的计算能耗开销具有更长的飞行距离与更高的成功率。
摘要:合理利用节点的能量异构特性延长网络生命周期是异构无线传感器网络(HWSN, heterogeneous wireless sensor network)的主要目标之一。因此,根据节点能量的异构性提出了一种基于模拟退火(SA, simulated annealing)算法和改进灰狼优化器(GWO, grey wolf optimizer)的HWSN路由协议SA-MGWO(SA-modified grey wolf optimizer)。首先,该协议通过为能量异构的节点定义不同的适应度函数进行初始簇的选取;然后计算节点的适应值,并将其视为灰狼优化器中的初始权重;同时,根据狼群与猎物的距离以及系数向量对权重进行动态更新,提高灰狼优化器的寻优能力;最后,利用模拟退火算法保证异构网络中最优簇集的选取。仿真结果表明,相比于SEP(stable election protocol)、分布式能量有效成簇(DEEC, distribute energy efficient clustering)、M-SEP及FIGWO(fitness value based improved grey wolf optimizer)协议,SA-MGWO协议的网络生命周期分别提高了53.1%、31.9%、46.5%和27.0%。