-
题名基于区块链的边缘计算IIoT架构研究
被引量：9
- 1
-
-
作者
高洁
闫献国
梁波
郭宏
-
机构
太原科技大学机械工程学院
太原师范学院计算机系
-
出处
《计算机应用研究》
CSCD
北大核心
2020年第7期2160-2166,共7页
-
基金
国家自然科学基金资助项目(U1610112)。
-
文摘
在智能制造系统中,工业物联网通过先进的管理技术将制造设备互连,实现了信息的实时传输、设备的范在化感知和数据的快速分析处理。但是由于制造设备的异构性、物联网网关(Io T网关)数据分析能力的有限性、制造设备的存储力低下、设备和数据的低安全性等缺陷严重阻碍了智能制造的发展。BEIIoT架构从制造企业的实际生产过程与应用角度出发,将区块链技术与边缘计算相结合,通过对服务器进行P2P组网以实现对设备去中心化管理;通过对边缘设备进行服务化封装,增强设备的安全性与实时分析能力,降低设备的异构性;使用DAG双链式数据存储结构,提高数据的冗余度与安全性,实现生产线数据的异步并发备份存储。BEIIoT架构为智能制造的实施提供了体系支持。
-
关键词
工业物联网
边缘计算
区块链
去中心化
DAG双链式存储结构
-
Keywords
industrial Internet of Things(IIoT)
edge computing(ec)
blockchain(BC)
decentralize
DAG doublechain storage structure
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名边缘计算下基于区块链的隐私保护联邦学习算法
被引量：4
- 2
-
-
作者
陈宛桢
张恩
秦磊勇
洪双喜
-
机构
河南师范大学计算机与信息工程学院
智慧商务与物联网技术河南省工程实验室(河南师范大学)
-
出处
《计算机应用》
CSCD
北大核心
2023年第7期2209-2216,共8页
-
基金
国家自然科学基金资助项目(62002103,61901160)
河南省科技攻关计划项目(212102210388)
河南省软科学研究计划项目(212400410109)。
-
文摘
针对在边缘计算(EC)场景下进行的联邦学习(FL)过程中存在的模型参数隐私泄露、不可信服务器可能返回错误的聚合结果以及参与训练的用户可能上传错误或低质量模型参数的问题,提出一种边缘计算下基于区块链的隐私保护联邦学习算法。在训练过程中,每个用户首先使用全局模型参数在其本地数据集上进行训练,并将训练得到的模型参数以秘密共享的方式上传至附近的边缘节点,从而实现对用户本地模型参数的保护;然后由边缘节点在本地计算它们所收到的模型参数的份额之间的欧氏距离,并将结果上传至区块链;最后由区块链负责对模型参数之间的欧氏距离进行重构,进而在去除有毒的更新后,再进行全局模型参数的聚合。通过安全分析证明了所提算法的安全性:即使在部分边缘节点合谋的情况下,用户的本地模型参数信息也不会泄露。同时实验结果表明该算法具有较高的准确率:在投毒样本比例为30%时,它的模型准确率为94.2%,接近没有投毒样本时的联邦平均(FedAvg)算法的模型准确率97.8%,而在投毒样本比例为30%时FedAvg算法的模型准确率下降至68.7%。
-
关键词
边缘计算
联邦学习
区块链
投毒攻击
隐私保护
-
Keywords
edge computing(ec)
Federated Learning(FL)
blockchain
poisoning attack
privacy-preserving
-
分类号
TP309.2
[自动化与计算机技术—计算机系统结构]
-
-
题名基于深度强化学习的SWIPT边缘网络联合优化方法
被引量：3
- 3
-
-
作者
王哲
王启名
李陶深
葛丽娜
-
机构
广西民族大学人工智能学院
广西民族大学电子信息学院
广西混杂计算与集成电路设计分析重点实验室(广西民族大学)
广西大学计算机与电子信息学院
广西民族大学网络通信工程重点实验室
-
出处
《计算机应用》
CSCD
北大核心
2023年第11期3540-3550,共11页
-
基金
国家自然科学基金资助项目(61862007)
广西自然科学基金资助项目(2020GXNSFBA297103)
广西民族大学引进人才科研启动项目(2019KJQD17)。
-
文摘
边缘计算(EC)与无线携能通信(SWIPT)技术能够提升传统网络性能,但同时也增加了系统决策制定的难度和复杂度。而基于最优化方法所设计的系统决策往往具有较高的计算复杂度,无法满足系统的实时性需求。为此,针对EC与SWIPT辅助的无线传感网络(WSN),联合考虑网络中波束成形、计算卸载与功率控制问题,建立了系统能效最优化数学模型;其次,针对该模型的非凸与参数耦合特征,通过设计系统的信息交换过程,提出基于深度强化学习的联合优化方法,该方法无须建立环境模型,采用奖励函数代替Critic网络对动作进行评估,能降低决策制定难度并提升实时性;最后,基于该方法设计了改进的深度确定性策略梯度(IDDPG)算法,并与多种最优化算法和机器学习算法进行仿真对比,验证了联合优化方法在降低计算复杂度、提升决策实时性方面的优势。
-
关键词
无线传感网络
深度强化学习
无线携能通信
边缘计算
联合优化
-
Keywords
Wireless Sensor Network(WSN)
deep reinforcement learning
SWIPT(Simultaneous Wireless Information and Power Transfer)
edge computing(ec)
joint optimization
-
分类号
TN929.5
[电子电信—通信与信息系统]
TP18
[电子电信—信息与通信工程]
-
-
题名基于改进深度强化学习的边缘计算服务卸载算法
被引量：3
- 4
-
-
作者
曹腾飞
刘延亮
王晓英
-
机构
青海大学计算机技术与应用系
-
出处
《计算机应用》
CSCD
北大核心
2023年第5期1543-1550,共8页
-
基金
国家自然科学基金资助项目(62101299,62162053)
青海省自然科学基金资助项目(2020‑ZJ‑943Q)。
-
文摘
在边缘计算(EC)网络中,针对边缘节点计算资源和存储空间有限的问题,提出一种基于改进深度强化学习(DRL)的边缘计算服务卸载(ECSO)算法,以降低节点处理时延和提高服务性能。具体来说,将边缘节点服务卸载问题转化为资源受限的马尔可夫决策过程(MDP),利用DRL算法解决边缘节点的请求状态转移概率难以精确预测的问题;考虑到边缘节点执行缓存服务的状态动作空间过大,定义新的动作行为替代原有动作,并依据提出的动作筛选算法得到最优动作集合,以改进计算动作行为奖励值的过程,进而大幅度降低动作空间大小,提高算法训练的效率以及收益。仿真实验结果表明,对比原深度Q网络(DQN)算法、邻近策略优化(PPO)算法以及传统的最流行(MP)算法,ECSO算法的总奖励值分别提升了7.0%、12.7%和65.6%,边缘节点服务卸载时延分别降低了13.0%、18.8%和66.4%,验证了算法的有效性,说明ECSO能有效提升边缘计算服务的卸载性能。
-
关键词
边缘计算
缓存服务
服务卸载
深度强化学习
动作行为奖励
-
Keywords
edge computing(ec)
caching service
service offloading
Deep Reinforcement Learning(DRL)
action behavior reward
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—计算机科学与技术]
-
-
题名一种联合边缘服务器部署与服务放置的方法
- 5
-
-
作者
张俊娜
韩超臣
陈家伟
赵晓焱
袁培燕
-
机构
河南师范大学计算机与信息工程学院
河南师范大学智慧商务与物联网技术河南省工程实验室
中山大学系统科学与工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第10期266-280,共15页
-
基金
科技创新2030—"新一代人工智能"重大项目(2022ZD0118502)
国家自然科学基金(62072159)
河南省科技攻关资助项目(232102211061,222102210011)。
-
文摘
边缘计算(EC)在靠近用户的网络边缘部署边缘服务器(ES),并将服务放置在ES上,从而可以满足用户的服务需求。独立研究ES部署和服务放置问题的成果已有很多,但两者存在高度耦合关系。考虑到EC系统的收益,有必要提供付费服务,使得EC系统处理用户服务请求时会获得相应收入。同时,EC系统处理用户服务请求时会产生时延和能耗成本,为了最大化EC系统的收益,在用户服务请求和服务价格不同的约束下,需要合适的服务放置方案来提高EC系统的收益。为此,在ES与基站之间的位置关系、ES部署和服务放置之间的耦合关系、服务副本数和服务价格等约束下,提出一种包括改进的k-means算法和多智能体强化学习算法的两步方法,使EC系统的收益最大化。首先,构建一个联合ES部署和服务放置模型,其中ES部署明确考虑了基站之间的位置关系,服务放置明确考虑了ES部署的位置,以及不同的服务请求和价格;然后,基于基站的位置关系和基站的服务请求负载,通过带约束的k-means算法,在不同约束条件下分别确定最佳的ES部署位置以及ES的协作域;最后,以最大化EC系统收益为目标,通过多智能体强化学习算法在ES上放置服务。实验结果表明,与对比方法相比,所提方法能够提高收益7%~23%。
-
关键词
边缘计算
边缘服务器部署
服务放置
K-MEANS聚类算法
多智能体强化学习算法
-
Keywords
edge computing(ec)
edge Server(ES)deployment
service placement
k-means clustering algorithm
multi-agent reinforcement learning algorithm
-
分类号
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于DQN的去中心化优先级卸载策略
- 6
-
-
作者
张俊娜
李天泽
赵晓焱
袁培燕
-
机构
河南师范大学计算机与信息工程学院
河南师范大学智慧商务与物联网技术河南省工程实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第9期235-245,共11页
-
基金
中央高校基本科研业务费专项资金(2023JBZX007)
国家自然科学基金(62072159)
河南省科技攻关资助(232102211061,222102210011)。
-
文摘
边缘计算(EC)可在网络边缘为用户提供低延迟、高响应的服务。因此,资源利用率高、时延低的任务卸载策略成为研究的热门方向。但大部分现有的任务卸载研究是基于中心化的架构,通过中心化设施制定卸载策略并进行资源调度,容易受到单点故障的影响,且会产生较多的能耗和较高的时延。针对以上问题,提出一种基于深度Q网络(DQN)的去中心化优先级(DP-DQN)卸载策略。首先,设置通信矩阵模拟现实中边缘服务器有限的通信状态;其次,通过对任务设定优先级,使任务可以在不同边缘服务器之间跳转,保证各边缘服务器均可以自主制定卸载策略,完成任务卸载的去中心化;最后,根据任务的跳转次数为任务分配更多的计算资源,提高资源利用效率和优化效果。为了验证所提策略的有效性,针对不同DQN下参数的收敛性能进行了研究对比,实验结果表明,在不同测试情景下,DP-DQN的性能均优于本地算法、完全贪婪算法和多目标任务卸载算法,性能可提升约11%~19%。
-
关键词
边缘计算
任务卸载
资源分配
去中心化
优先级
深度Q网络
-
Keywords
edge computing(ec)
task offloading
resource allocation
decentration
priority
Deep Q Network(DQN)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名协同感知系统中一种基于信息年龄优化的服务策略
- 7
-
-
作者
周浚辉
徐鹏
孙胜利
-
机构
中国科学院上海技术物理研究所
上海科技大学信息科学与技术学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第8期165-181,共17页
-
文摘
边缘计算(EC)技术通过在网络边缘实时处理数据,解决了单车感知、传感器处理和传输延迟等问题,为提供高效、安全的自动驾驶服务提供支持。时敏信息是自动驾驶的核心问题,信息年龄(AoI)成为解决实时性和性能问题的关键指标。将AoI引入自动驾驶EC场景,在协同感知系统架构中,以AoI为主要优化目标,提出最大信息年龄优先的服务策略。通过计算服务策略的时间指标理论值,寻找影响系统性能的关键参数。采用蒙特卡洛方法对传统服务策略和所提的策略进行对比实验。仿真结果表明,在随机初始化的批次结构下,所提的服务策略具有最低的平均AoI,相比并行服务策略降低了54.57%,证明其在AoI优化上的显著优势。
-
关键词
信息年龄
协同感知
边缘计算
服务策略
先来先服务
-
Keywords
Age of Information(AoI)
collaborative perception
edge computing(ec)
service strategy
First Come First Served(FCFS)
-
分类号
TN92
[电子电信—通信与信息系统]
-
