移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署服务器,提供计算和存储资源,可为用户提供超低时延和高带宽业务。网络功能虚拟化(Network Function Virtualization,NFV)与MEC技术相结合,可在MEC服务器上提供服务功能链(Ser...移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署服务器,提供计算和存储资源,可为用户提供超低时延和高带宽业务。网络功能虚拟化(Network Function Virtualization,NFV)与MEC技术相结合,可在MEC服务器上提供服务功能链(Service Function Chain,SFC),提升用户的业务体验。为了保证移动用户的服务质量,需要在用户跨基站移动时将SFC迁移到合适的边缘服务器上。主要以最小化用户服务的端到端时延和运行成本为目标,提出了MEC网络中具有资源容量约束的SFC迁移策略,以实现移动用户业务的无缝迁移。仿真结果表明,与现有方案相比,该策略具有更好的有效性和高效性。展开更多
现存用户移动性规律发现方法,如PMM(periodic mobility model)、W3等的核心缺陷在于,不能将时间对于用户访问位置变化与地理位置之间关联制约的两种重要影响真实、量化地反映出来,因而无法准确预测用户未来的签到位置。针对该问题,提出...现存用户移动性规律发现方法,如PMM(periodic mobility model)、W3等的核心缺陷在于,不能将时间对于用户访问位置变化与地理位置之间关联制约的两种重要影响真实、量化地反映出来,因而无法准确预测用户未来的签到位置。针对该问题,提出基于向量自回归的位置转移演化算法(location transfer evolution algorithm based on vector autoregressive,LTE),基于用户签到位置的变化历史,学习得到用户位置转移随时间、空间变化的规律性,且基于此进行用户位置的准确预测。基于Foursquare和Gowalla真实签到数据集,进行大量、深入的实验分析,实验结果表明,相对于W3,LTE算法的准确率提升4.43%~21.31%,相对于PMM,LTE算法的准确率提升25.07%~38.50%。展开更多
文摘在移动边缘计算网络中,联合考虑用户的移动性和服务满意度,实现数字孪生(Digital Twin, DT)的有效部署是一个极大的挑战。针对该问题,提出了一种边缘网络中基于用户移动性预测的数字孪生部署策略。首先,利用双向长短期记忆网络(Bidirectional Long Short-Term Memory Network, Bi-LSTM)和注意力机制建立一种轨迹预测模型,对移动用户进行轨迹序列预测;然后,利用整数线性规划(Integer Linear Programming, ILP)对数字孪生的部署问题进行建模;最后,以最大化由信息新鲜度(Age of Information, AoI)定义的效用增益函数为优化目标,提出一种基于用户移动性预测的数字孪生部署策略算法对提出的问题进行求解。该算法根据获取到的移动用户轨迹数据,利用数字孪生部署的边际效用递减特性进行设计,以实现最优的数字孪生部署策略。仿真分析验证了所提算法在预测精度和效用增益方面的有效性,且该算法与基准算法相比显示出性能提升不低于10.7%。
文摘移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署服务器,提供计算和存储资源,可为用户提供超低时延和高带宽业务。网络功能虚拟化(Network Function Virtualization,NFV)与MEC技术相结合,可在MEC服务器上提供服务功能链(Service Function Chain,SFC),提升用户的业务体验。为了保证移动用户的服务质量,需要在用户跨基站移动时将SFC迁移到合适的边缘服务器上。主要以最小化用户服务的端到端时延和运行成本为目标,提出了MEC网络中具有资源容量约束的SFC迁移策略,以实现移动用户业务的无缝迁移。仿真结果表明,与现有方案相比,该策略具有更好的有效性和高效性。
文摘现存用户移动性规律发现方法,如PMM(periodic mobility model)、W3等的核心缺陷在于,不能将时间对于用户访问位置变化与地理位置之间关联制约的两种重要影响真实、量化地反映出来,因而无法准确预测用户未来的签到位置。针对该问题,提出基于向量自回归的位置转移演化算法(location transfer evolution algorithm based on vector autoregressive,LTE),基于用户签到位置的变化历史,学习得到用户位置转移随时间、空间变化的规律性,且基于此进行用户位置的准确预测。基于Foursquare和Gowalla真实签到数据集,进行大量、深入的实验分析,实验结果表明,相对于W3,LTE算法的准确率提升4.43%~21.31%,相对于PMM,LTE算法的准确率提升25.07%~38.50%。
