下载文档原格式
如何优化边缘计算技术的任务调度与资源分配边缘计算技术是一种将计算资源靠近数据产生源头的技术，可以实现数据的快速处理和低延迟响应。
在边缘计算系统中，任务调度与资源分配是关键的环节，直接影响着系统的性能与效率。
因此，优化边缘计算技术的任务调度与资源分配对于提升系统的整体性能具有重要意义。
本文将探讨如何优化边缘计算技术的任务调度与资源分配。
首先，针对边缘设备的异构性，优化任务调度是至关重要的一步。
在边缘计算系统中，边缘设备的计算能力、存储容量和网络带宽都有所不同。
因此，将任务合理地调度到适应其计算能力和资源的设备上，可以最大程度地提高系统的性能。
一种可行的优化策略是使用智能调度算法。
这些算法能够根据边缘设备的资源状态和任务的需求，动态地将任务分配给合适的设备，实现负载均衡和资源最优利用。
常见的智能调度算法包括遗传算法、粒子群算法和模拟退火算法等。
通过这些算法的应用，可以有效地优化任务调度，提高系统的整体性能。
其次，资源分配是另一个需要优化的关键因素。
在边缘计算系统中，资源的分配与任务的调度密切相关，合理的资源分配可以使得任务能够在边缘设备上得到充分利用，提高系统的运行效率。
一种常见的资源分配优化方法是基于分布式机制的资源协同调度。
这种方法将边缘设备看作是一个分布式的计算系统，通过协同调度实现资源的共享与分配。
例如，基于虚拟化技术的资源分配方法可以将边缘设备的资源进行抽象，形成一个资源池，再根据任务的需求和设备的状态，动态地将资源分配给任务。
这种方法可以最大限度地提高资源的利用效率，提升系统的整体性能。
此外，在资源分配过程中，考虑到边缘设备的能量消耗也是一项重要的优化因素。
边缘设备通常具有有限的电池寿命，因此在资源分配过程中，需要合理地平衡设备的能耗与任务的需求。
通过动态调整资源分配策略，可以将任务合理地分配到具有更低能量消耗的设备上，实现能量的节约与优化。
另外，边缘计算系统的安全性也是需要考虑与优化的方面。
优化边缘计算环境中的任务调度与资源分配方法边缘计算作为一种新兴的计算模式，将计算和数据处理功能移到距离终端设备更近的边缘节点上，以提高计算效率和降低延迟。
在边缘计算环境中，任务调度和资源分配是关键的技术问题，直接影响着系统的性能和用户体验。
因此，优化边缘计算环境中的任务调度与资源分配方法是一项具有挑战性的研究任务。
任务调度与资源分配在边缘计算环境中的主要目标是实现高效的计算资源利用、负载均衡和低延迟的任务响应。
为了达到这些目标，需要考虑以下几个方面。
首先，基于边缘节点的计算资源特点，可以采用资源感知的任务调度策略。
资源感知策略考虑边缘节点的计算能力、存储容量、网络带宽等因素，将任务分配到最适合的边缘节点上。
这样可以最大程度地利用边缘节点的计算资源，提高整个系统的计算效率。
其次，负载均衡是边缘计算中的关键问题。
由于边缘节点分布密集且资源有限，可能出现一些节点负载过高而一些节点空闲的情况。
为了达到负载均衡，可以采用基于任务迁移的调度策略。
当某个边缘节点负载过高时，可以将部分任务迁移至负载较低的节点上，以实现整体的负载均衡。
另外，低延迟的任务响应是边缘计算环境的重要特征之一。
边缘计算往往用于处理实时数据和应用，因此需要将任务快速分配给合适的边缘节点进行处理。
为了实现低延迟的任务响应，可以采用就近调度的策略，将任务分配给距离最近的边缘节点，以减少传输延迟和数据拷贝。
此外，边缘计算环境中可能存在不稳定的网络连接和节点故障等问题，因此需要具备容错能力的任务调度方案。
容错任务调度策略可以在节点故障或网络断开时自动将任务重新分配到可用节点上，以保证任务的连续性和可靠性。
最后，为了实现高效的任务调度和资源分配，可以结合机器学习和优化算法。
通过对边缘节点的历史数据进行分析和预测，可以建立起任务负载模型和资源利用模型，并基于这些模型进行任务调度和资源分配的决策，以实现高效的系统性能。
总之，优化边缘计算环境中的任务调度与资源分配方法是一项具有挑战性的研究任务。
边缘计算技术中的任务分配与调度优化方法总结边缘计算作为一种将计算资源和服务推向网络边缘的新兴技术，为满足日益增长的计算需求和数据处理要求提供了有效的解决方案。
然而，边缘计算环境中的任务分配与调度优化是一个关键问题，对于实现高效的计算和资源利用至关重要。
本文总结了边缘计算技术中的任务分配与调度优化方法，包括负载均衡、任务划分和资源调度三个方面。
首先，负载均衡是边缘计算中的一个重要挑战。
由于边缘设备资源有限，而任务的到达率和数量不断增长，需要合理分配任务到边缘节点上，以避免资源过载或不均衡。
传统的负载均衡方法如随机选择、轮询算法等并不能满足边缘计算环境中的需求。
因此，边缘计算中的负载均衡方法主要包括动态负载均衡、任务迁移和混合负载均衡。
其中，动态负载均衡方法根据节点的运行状态和负载情况，动态调整任务分配策略，以实现更好的负载均衡效果。
任务迁移方法将任务从负载较高的节点迁移到负载较低的节点上，从而减轻负载压力。
混合负载均衡方法将静态和动态负载均衡结合起来，以实现更加灵活和高效的任务分配与调度。
其次，任务划分是边缘计算中的另一个关键问题。
在边缘环境中，任务可以分成多个子任务并行处理，以提高计算效率。
任务划分方法可以根据任务的性质和资源限制进行优化，以最大程度地利用边缘节点的计算能力。
常见的任务划分方法包括静态任务划分和动态任务划分。
静态任务划分将任务划分为若干个子任务，并将每个子任务分配给特定的边缘节点。
动态任务划分在运行时根据节点的可用性和负载情况，动态地划分任务，以实现更好的任务处理效果。
动态任务划分方法具有更好的适应性和灵活性，能够根据边缘环境的变化进行实时调整。
最后，资源调度是边缘计算中的关键环节。
资源调度方法可以根据任务的需求和边缘设备的特性，合理分配和利用计算资源，以提高任务的执行效率和整体系统的性能。
常用的资源调度方法包括基于优先级的调度、任务约束调度和能耗优化调度等。
基于优先级的调度方法根据任务的优先级和资源状况进行调度，以保证高优先级任务的及时性和可靠性。
5G环境下的移动边缘计算应用在当今数字化快速发展的时代，5G 技术的出现无疑是一场通信领域的重大变革。
而与之相伴相生的移动边缘计算，正逐渐成为推动各行各业创新发展的关键力量。
5G 技术以其高速率、低延迟和大容量连接的特点，为我们打开了一个充满无限可能的新世界。
然而，要充分发挥 5G 的优势，单纯依靠传统的云计算架构是远远不够的。
这时候，移动边缘计算应运而生。
移动边缘计算（Mobile Edge Computing，MEC）是一种在靠近移动用户的网络边缘提供计算和存储资源的技术。
简单来说，它把计算能力从遥远的数据中心带到了更接近用户的地方，比如基站、路由器等。
在 5G 环境下，移动边缘计算有着广泛而重要的应用。
首先，在智能交通领域，它发挥着至关重要的作用。
想象一下，自动驾驶汽车在行驶过程中需要实时处理大量的数据，包括车辆周围的环境信息、路况以及其他车辆的动态等。
如果这些数据都要传输到遥远的数据中心进行处理，然后再将结果反馈回来，那必然会造成严重的延迟，这在分秒必争的交通场景中是无法接受的。
而移动边缘计算可以在靠近车辆的边缘设备上快速处理这些数据，几乎瞬间做出决策，大大提高了自动驾驶的安全性和可靠性。
在医疗领域，移动边缘计算也带来了巨大的改变。
远程医疗诊断需要实时传输高清的医疗图像和患者的生理数据，对于延迟和带宽都有很高的要求。
通过移动边缘计算，这些数据可以在靠近医疗设备的边缘节点进行快速处理和分析，医生能够及时获得准确的诊断结果，从而为患者提供更及时、更有效的治疗。
再者，在工业物联网中，移动边缘计算也大显身手。
工厂里的各种设备和传感器会产生海量的数据，用于监测生产过程、设备状态和产品质量等。
利用移动边缘计算，可以在工厂内部的边缘服务器上对这些数据进行实时分析和处理，实现对生产过程的精确控制和优化，提高生产效率和产品质量，降低生产成本。
另外，在增强现实（AR）和虚拟现实（VR）应用中，移动边缘计算也能带来更流畅、更逼真的体验。
移动边缘计算技术移动边缘计算技术（Mobile Edge Computing，MEC）是一种新兴的计算模式，旨在将计算和存储能力放置在网络边缘，使得移动应用可以更快速、可靠地响应用户需求。
在传统的移动网络架构中，用户的数据和计算任务需要通过网络传输到远程的云服务器进行处理，而MEC的出现将计算和存储资源移近到网络边缘，从而实现更低延迟和更高带宽的移动应用。
一、MEC带来的优势1. 低延迟：MEC将计算资源放置在离用户更近的地方，通过缩短数据传输距离，从而降低了网络延迟。
对于需要实时数据处理的应用，如在线游戏、智能交通等，MEC可以提供更好的用户体验。
2. 带宽优化：传统的移动网络中，大量的数据需要通过网络传输到云服务器进行处理。
而MEC通过在网络边缘提供计算和存储能力，可以将部分数据处理任务在边缘节点上完成，减少了对网络带宽的需求，提高了整体系统的吞吐量。
3. 数据安全：MEC的计算任务可以在网络边缘进行处理，使得用户的数据可以在本地完成计算，不再需要传输到远程云服务器。
这样一来，用户的数据隐私可以得到更好的保护，并减少了数据泄露的风险。
4. 能源效率：传统的移动网络需要将大量的数据传输到云服务器进行处理，消耗了大量的能源。
而MEC将计算和存储资源放置在网络边缘，可以减少数据传输量，从而降低了系统的能耗。
二、MEC的应用场景1. 智能交通：MEC可以在路边基站上运行交通控制算法，实现实时的交通监控和优化。
通过将计算任务放置在网络边缘，可以更快速地处理交通数据，提高交通系统的效率和安全性。
2. 增强现实：在使用增强现实应用时，通常需要通过网络传输大量的视频和图像数据。
而MEC可以在网络边缘执行图像识别和处理任务，将计算与感知结合起来，提供更低延迟的增强现实体验。
3. 工业物联网：工业物联网中的大量传感器需要采集并处理数据。
而MEC可以将计算任务放置在工厂内部的边缘节点上，实现实时数据处理和分析，提高生产效率和质量。
边缘计算技术中的任务分配与调度优化方法总结在边缘计算环境中，任务分配与调度是关键的技术挑战之一。
由于边缘设备和云端之间的网络传输延迟较大，通常需要将任务分配到边缘设备上执行，以提高响应速度和降低网络负载。
因此，任务分配与调度的优化方法在边缘计算系统中具有重要意义。
本文将总结边缘计算技术中常用的任务分配与调度优化方法，并探讨其优劣和适用场景。
首先，任务分配与调度技术可以分为静态和动态两种类型。
静态分配与调度方法在任务提交前即确定任务分配方案，适用于任务需求相对稳定的场景。
而动态分配与调度方法根据任务及系统状态动态调整任务分配方案，适用于任务需求变化频繁的场景。
静态任务分配与调度方法中，最常用的是基于启发式算法的方法。
启发式算法通过对任务和边缘设备的特征进行分析，设计一系列启发式规则来确定任务的分配方案。
这种方法的优点是速度快，但是对于复杂的任务分配问题，难以找到全局最优解。
另一种静态任务分配与调度方法是基于图论的方法。
该方法将任务分配问题建模成图论问题，然后利用图论算法求解最优分配方案。
这种方法可以得到较好的分配解，但是在任务规模较大时，计算量较大。
动态任务分配与调度方法中，最常用的是基于强化学习的方法。
强化学习通过建立任务分配和调度的策略模型，并通过与环境的交互来学习最优策略。
这种方法适用于任务需求变化频繁或者不确定的场景，具有较好的适应性和灵活性。
除了上述方法，还有一些其他的任务分配与调度优化方法。
例如，基于遗传算法的方法可以通过遗传机制不断优化任务分配方案。
基于模糊逻辑的方法可以处理任务需求不确定的情况。
基于机器学习的方法可以通过训练任务和边缘设备的历史数据，预测最优的任务分配和调度方案。
不同的任务分配与调度优化方法适用于不同的边缘计算场景。
在任务规模较小且相对稳定的情况下，静态分配与调度方法更为适用。
而在任务需求变化频繁或者不确定的情况下，动态分配与调度方法更具优势。
然而，边缘计算环境中的任务分配与调度仍然面临着一些挑战。
边缘计算中的资源优化与分配随着移动互联网的快速发展，各种智能设备的普及，以及物联网技术的横空出世，越来越多的数据被生成和传输。
这些海量数据需要进行处理和分析，而边缘计算技术的出现，成为解决这一难题的有效方式。
边缘计算将数据处理与数据存储靠近数据源的边缘节点上，大大减少了数据的传输时间和成本，提高了数据的实时性和安全性。
然而，边缘计算技术的实现涉及到资源的优化和分配问题，这也是边缘计算技术能否发挥其最大作用的关键。
一、边缘计算中的资源优化为了优化边缘计算的资源，需要考虑以下几个方面。
1. 硬件资源的优化边缘计算涉及到的硬件资源包括服务器、传感器、无线通信设备等。
针对不同的应用场景和数据规模，需要选择合适的硬件设备。
同时，为了提高硬件利用率，需要对硬件资源进行有效的管理和调度。
例如，采用虚拟化技术，将多个虚拟机部署在同一台物理机上，可以提高硬件资源的利用效率，减少能源消耗。
2. 网络资源的优化边缘计算的网络资源包括数据传输网络和通信网络。
数据传输网络需要保障数据的实时传输和可靠性，同时减少传输延迟；通信网络需要保障设备之间的通信质量和稳定性。
为了优化网络资源，需要进行网络计划和设计，提高网络带宽和网络传输速率，并采取适当的网络拓扑结构，提高网络的可扩展性和可靠性。
3. 软件资源的优化边缘计算涉及到的软件资源包括操作系统、数据库、虚拟化软件、编程语言等。
为了提高软件资源的利用率，需要采用开源软件和自主研发软件，对软件进行优化和定制化开发。
同时，采用容器化技术部署和管理软件，可以有效提高软件的运行效率和管理效率。
二、边缘计算中的资源分配资源分配是边缘计算中的一个核心问题，它涉及到数据处理的速度和数据分析的准确性。
1. 负载均衡负载均衡是边缘计算中的一个重要组成部分。
通过将数据分配到多个边缘设备上进行处理，可以实现负载均衡，提高数据处理的效率。
负载均衡的实现需要考虑到设备的性能、处理速度、网络带宽等因素。
如何优化边缘计算技术的系统资源调度算法边缘计算是指将计算资源和数据存储靠近用户或数据源的网络节点上进行处理的一种计算模式。
随着物联网和人工智能等技术的迅猛发展，边缘计算技术的重要性越来越被人们所关注和认可。
而在大规模的边缘计算系统中，如何优化系统资源调度算法成为了一个关键问题。
本文将讨论如何优化边缘计算技术的系统资源调度算法。
首先，边缘计算系统的资源调度算法需要考虑三个主要方面：任务调度、数据管理和资源利用率。
对于任务调度，一种有效的方法是采用负载均衡算法。
负载均衡算法可以将任务均匀地分配给不同的边缘节点，以实现最佳的性能和响应时间。
其中，一种常用的负载均衡算法是基于任务迁移的算法。
该算法可以根据边缘节点的负载情况，将任务从负载较高的节点迁移到负载较低的节点，从而实现资源的均衡利用。
其次，边缘计算系统的数据管理也是需要考虑的重要问题。
由于边缘计算系统通常涉及大量的数据传输和存储，合理的数据管理策略可以提高系统的效率和性能。
一种常用的数据管理策略是基于数据复制的方法。
这种方法可以将数据在不同的边缘节点上进行复制，并根据任务的要求选择最近的副本进行处理。
这样可以减少数据传输的延迟，并提高数据的可靠性和可用性。
最后，边缘计算系统的资源利用率也是一个需要优化的关键问题。
边缘节点通常具有有限的计算和存储资源，合理地利用这些资源可以提高系统的性能和效率。
一种有效的方法是采用动态资源分配算法。
这种算法可以根据任务的优先级和资源需求来动态调整边缘节点的资源分配。
例如，当有紧急任务时，系统可以将更多的资源分配给该任务，以确保其及时完成。
除了上述的三个方面，在优化边缘计算技术的系统资源调度算法时，还应该考虑到以下几点：首先，要保证系统的可扩展性和灵活性。
边缘计算系统往往是面向大规模用户和设备的，因此，系统的资源调度算法应该能够适应不断增长的需求，并能够根据具体情况做出相应的调整。
其次，要注重系统的安全性和隐私保护。
边缘计算技术的资源优化与调度策略边缘计算是一种将计算资源和应用程序部署在距离终端用户更近的位置，以降低延迟、减少数据传输和提高用户体验的计算模型。
边缘计算技术的兴起，给传统的云计算带来了新的挑战和机遇。
在边缘计算环境中，如何合理优化资源并有效调度任务，成为了一个关键问题。
资源优化在边缘计算中至关重要。
边缘节点的资源比云端服务器少，因此如何在有限的资源下提供高质量的服务成为了挑战。
首先，边缘节点应具备合适的计算和存储能力，以应对各种任务需求。
通过细致地测量用户的需求，以及对不同任务类型的深入理解，可以有针对性地选择合适的边缘节点，以最大程度地提高资源利用效率。
其次，边缘计算中的资源优化还需要考虑网络带宽的限制。
由于边缘节点与终端用户的距离较近，可以在一定程度上减少数据的传输。
但是，边缘计算任务中仍然可能存在大量的数据传输，因此需要合理规划网络资源来满足任务的需求。
通过优化网络连接、合理安排数据分发和传输策略，可以降低网络延迟，提高数据处理速度，从而提供更好的用户体验。
针对边缘计算环境中的任务调度问题，有效的调度策略是必不可少的。
传统的云计算调度策略将任务集中在云端进行处理，而边缘计算中的任务调度涉及到多个边缘节点的选择和任务分配。
一种常见的调度策略是基于边缘节点的负载均衡，通过根据节点负载情况选择最适合的节点进行处理。
这种策略可以有效地提高资源利用效率，避免节点负载不均衡的问题。
此外，还可以利用机器学习等智能技术来优化边缘计算资源的调度。
通过对历史任务数据进行分析，构建预测模型，可以根据任务的特性和需求，预测最适合的边缘节点和调度时间。
这种智能调度策略可以更好地适应任务的变化和资源的动态调整，提高整体的资源利用效率。
资源优化与调度策略在边缘计算中具有重要的作用。
通过合理优化资源分配和任务调度，可以提升边缘计算的性能和效率，为用户提供更好的服务体验。
未来，随着边缘计算技术的不断发展和进步，资源优化与调度策略将进一步提升，为边缘计算的广泛应用打下坚实基础。
边缘计算技术的计算任务划分与调度优化措施随着物联网和5G技术的迅速发展，边缘计算作为一种新型的计算模式正在受到越来越多的关注。
边缘计算通过将计算资源移到离终端设备更近的边缘节点上，能够实现低延迟、高带宽和更好的用户体验。
然而，边缘计算面临着计算任务划分与调度优化的挑战，本文将探讨这些挑战，并介绍相应的解决方法。
一、计算任务划分计算任务划分是指将一个大的计算任务分解为多个子任务，并将这些子任务分配给不同的边缘节点进行处理。
合理的计算任务划分能够提高整体的处理效率，并减少网络传输的负载。
首先，对于计算密集型的任务，可以采用任务划分的方式将任务分解为多个相对简单的子任务，然后将这些子任务分配给多个边缘节点进行并行处理。
这样可以充分发挥多个节点的计算能力。
其次，对于数据密集型的任务，可以将原始数据按照地理位置或其他属性进行划分，并将划分后的数据分配给不同的边缘节点进行处理。
这样可以减少数据传输的时间和网络带宽的压力。
此外，还需要考虑任务之间的依赖关系。
一些任务可能需要依赖其他任务的结果进行计算，因此需要确保这些相关任务被分配到同一个边缘节点进行处理，以保证任务之间的协同工作。
二、调度优化措施边缘计算环境中，需要采取一些调度优化措施来最大限度地提高计算资源的利用率，并确保任务能够按时完成。
首先，可以采用任务选择算法来选择合适的边缘节点执行任务。
任务选择算法可以根据节点的计算能力、网络带宽和当前负载情况等因素，选择最合适的节点执行任务。
这样可以避免在高负载节点上执行任务，提高整体的处理效率。
其次，可以采用任务调度算法来动态地调度任务的执行顺序。
任务调度算法可以根据任务的优先级、计算量和资源需求等因素，合理地安排任务的执行顺序，从而减少任务之间的等待时间，并提高整体的响应速度。
此外，还可以采用资源预留策略来提高系统的可靠性。
资源预留策略可以在边缘节点的负载达到一定阈值之前，提前预留一部分资源给新的任务使用。
这样可以避免节点的过载和任务的丢失，从而提高系统的可靠性和稳定性。
Journal of Computer Applications 计算机应用，2019, 39( 1): 22 -25ISSN 1001-9081CODEN JYIIDU2019-01-10http://w w 文章编号：1001-9081 (2019)01-0022-04 DOI：10.11772/j.issn. 1001-9081.2018071615增强现实场景下移动边缘计算资源分配优化方法余韵，连晓灿,朱宇航，谭国平，(河海大学通信与信息系统研究所，南京211100)(*通信作者电子邮箱gptan@hhu. edu. cn)摘要:针对高速数据传输及计算所带来时延和终端设备能耗问题，提出了一种在上行链路采用等功率分配的传输方案。
首先,依据增强现实（A R)业务的协作属性建立了针对A R特性的系统模型；其次，详细分析了系统帧结构，建立以最小化系统消耗总能量为优化目标的约束条件；最后，在保障延迟和功耗满足约束的条件下，建立了基于凸优化的移动边缘计算（MEC)资源优化求解数学模型，从而获得最优的通信和计算资源分配方案。
与独立传输相比，该方案在最大延迟时间分别为0.1s和0.15 s时的总能耗降幅均为14.6%。
仿真结果表明，在相同条件下，与基于用户独立传输的优化方案相比，考虑用户间协作传输的等功率M EC优化方案能显著减少系统消耗的总能量。
关键词：增强现实；移动边缘计算；资源分配;协作计算迁移；凸优化中图分类号：TN929.5; TP393 文献标志码:AResource allocation optimization method foraugment reality applications based on mobile edge computingYU Yun, LIAN Xiaocan, ZHU Yuhang, TAN Guoping(Communication and Information Systems Institute, Hohai University, Nanjing Jiangsu211100, China) Abstract：Considering the time delay and the energy consumption of terminal equipment caused by high-speed data transmission and calculation,a transmission scheme with equal power allocation in uplink was proposed.Firstly,based on collaborative properties of Augment Reality (AR)services,a system model for AR characteristics was established.Secondly,system frame structure was analyzed in detail,and the constraints to miniinize total energy consumption of system were established.Finally, with the time delay and energy consumption constraints satisfied,a mathematical model of Mobile Edge Computing (MEC)resource optimization based on convex optimization was established to obtain an optimal communication and computing resource allocation pared with user independent transmission scheme,the total energy consumption of the proposed scheme with a maximum time delay of0.1 s and0.15 s was both 14. 6%.The simulation results show that under the same conditions,compared with the optimization scheme based on user independent transmission,the equal power MEC optimization scheme considering cooperative transmission between users can significantly reduce the total energy consumption of system.Key words：Augment Reality (AR);Mobile Edge Computing (MEC);resource allocation;collaborative computing migration;convex optimizationo引百增强现实（Augment Reality,AR)应用程序正在日渐发展，且受到越来越多的关注，因为它能将计算机生成的数据和 现实世界通过硬件设备结合在一起。
A R应用对延迟是极其敏感的，而且对计算和通信的要求都很高，并且，在移动设备 上执行A R应用时，在对移动设备电池的消耗方面[1_3]，一直 无法满足用户的期望。
为了解决这个问题，文献[3-6]已经 提出了采用移动边缘计算的方法来解决目前遇到的问题，用 户将运行A R应用涉及到的大量数据的计算迁移到就近与基 站相连的云服务器上执行，同本地计算相比可节省本地能量 的消耗，与中央云计算相比，可减少传输延迟时间。
文献[7-8]的工作表明，通过对通信资源和计算资源的 分配进行联合优化，可能在时延约束下显著降低移动能量消 耗，他们的工作能在多个用户独立运行通用应用程序上应用，但是，A R应用程序有其独特的性质，所有的用户都可能上传 和下载一部分相同的数据，且其计算任务也在一个或多个服 务器上共享，因此,可以通过联合优化通信和计算资源来减少 通信和计算开销[9]。
A R应用程序通过移动设备的屏幕和摄像头将一些计算 机图像叠加到现实世界的影像中，图1所示的框图说明了这 一过程。
完成这一过程需要五个组成部分[3_4] :1)视频源，它 可以先从移动摄像机中获得原始的视频帧;2)跟踪器，在当 前环境下识别并跟踪用户的相对位置;3)映射器，对当前所 处环境建立一个模型;4)对象识别器，识别当前环境中的已 知物体;5)逭染器，显示处理过的帧。
视频源和逭染器组件 必须在移动设备中执行，而计算量最大的跟踪器、映射器和对 象识别器组建所进行的计算可以卸载到云端进行。
此外，如 果对任务进行卸载，映射器和对象识别器可以从处在相同地 理位置的所有用户设备中收集输人，限制用户上行链路中传收稿日期:2018-07-19;修回日期:2018-08-16;录用日期:2018-08-16。
基金项目：中央高校基本科研业务费专项（2015B18914);中国科学院上海微系统与信息技术研究所无线传感网与通信重点实验室开放课题项目（2016001)。
作者简介:余韵（1995—），女，浙江杭州人，硕士研究生，主要研究方向:移动边缘计算；连晓灿（1992—），女，福建泉州人，硕士研究生，主 要研究方向:移动边缘计算、移动自组网；朱宇航（1998—），男，安徽安庆人，主要研究方向：移动边缘计算；谭国平（1975—），男，湖南澧县 人，教授，博士,CCF会员，主要研究方向:移动自组网、无线多媒体通信、随机网络优化与控制、网络信息论。
第1期余韵等：增强现实场景下移动边缘计算资源分配优化方法23输的冗余信息。
此外，映射器和对象识别器计算的结果可以 从云端组播到下行链路中所有同位置的用户。
图1A R应用元件模型示意图Fig. 1Schematic diagram of component-based model of AR application 与文献[7]和[8]不同，本文明确地说明了 A R应用程序的 协作性，以此来解决在延迟约束条件下，通过通信和计算资源分 配最大限度地减少移动能耗的问题[1°_11]。
文献[9]中采用连续 凸近似方法求解移动能耗最小化问题，求解方式复杂。
1系统模型戌-个比特需要以单播方式发送给每个用户k2系统传输处理过程图3详细描述了系统的帧结构，在数据帧中，首先执行共享 的通信和计算任务，然后执行传统的独立迁移任务，如下所述。
Shared Seperatedi I i\d i m\CJfsFc丨|\Dym\：|A"i/^,i|\\A D u z m|A C2//2F c|A D i/Ri\Dym\||Ar f i/<ili|AD^AC-jm A D i/Rimax(7；u)*rs：max(rf>J Ti^J r2 ^J^图3尺=3时计算共享下的帧结构Fig. 3 Data frame structure for computation sharing system with K = 3本章给出了 A R场景下的移动边缘计算模型，如图2[7_8]所示。
其中，考虑一个基站下，共有K个用户运行A R应用，用户集合为X=丨1，2,…，幻，基站配有一个高计算能力的云 服务器用于处理用户上传的数据。
云端服务器连接到单天线 基站，通过频率平坦的衰落信道，使用时分双工（Time Division Duplexing,TDD)为小区中的所有用户提供服务。
在 上一章所介绍内容的基础上，本文假设迁移的应用程序共享 输人、输出和计算任务，它们与跟踪器、映射器和对象识别器 组件有关。
本章具体介绍了传输过程中的协作性[12]。
CloudletUser2图2 A R应用的移动边缘计算卸载和计算共享Fig. 2 Mobile edge computation offloading andcomputation sharing in AR applicationsi.i上行链路传输当一个区域内用户e I运行A R应用时要将待处理数 据如对象识别的输人比特代发送至云服务器进行处理[12]，假设其中有一部分输人比特^在各个用户的输人比特中是相同的，这就意味着这部分数据可以由该区域中的所有用户 协同传输，而不需要多个用户重复上传。
