Jan, 2022

跟随我云：当云服务跟随移动用户

PDF
TL;DRFollow-Me Cloud (FMC) is a design for cloudification of the 3GPP LTE mobile network architecture, providing users with optimal data anchor and mobility gateways, and cost-effective, performance-optimized service migration decisions through Markov-Decision-Process-based algorithm, with two alternative schemes for service continuity based on Software Defined Networking or Locator/Identifier Separation Protocol.
发现论文，激发创造
  • 移动微云中的移动诱导服务迁移

    本文研究了移动微云在分布式计算中的应用，探讨了用户移动时由于不同的基站或接入点附带不同的微云而引起的问题，提出了基于马尔可夫决策过程模型的优化服务迁移算法。

    Mar, 2015

  • 移动边缘计算系统中基于可靠性不敏感客户端的联邦学习加速

    本文设计了一种称为 HybridFL 的多层联邦学习协议，该协议结合了边缘节点和云端两层不同的模型聚合策略，并使用概率方法在不确定的末端设备状态下通过区域弹性因子来选择客户端，实验证明了该协议在不同规模的 MEC 系统中显著提高了 FL 训练过程的效率，缩短了联邦轮次长度，加速了全局模型的收敛速度（最多快 12 倍），并降低了末端设备的能耗（最多降低 58%）。

    Jul, 2020

  • 跟随我在边缘：面向移动边缘计算的移动感知动态服务部署

    本文研究了移动边缘计算下长期成本预算约束条件下的移动边缘服务性能优化问题，并应用 Lyapunov 优化将问题分解为一系列实时优化问题，提出了一种基于马尔科夫逼近的近似算法和一种基于最佳响应更新技术的分布式逼近方案，理论分析和严格评估证明了这些方法的有效性。

    Sep, 2018

  • 移动边缘异构资源联邦学习的客户端选择

    本篇论文中，我们介绍了一种基于移动边缘计算，利用分布式客户端数据和计算资源进行高性能机器学习模型训练的框架，该框架扩展了联邦学习的分布式学习框架，以实现与实际基于蜂窝网络的异构客户端的协作；我们的新 FL 协议（FedCS）通过解决具有资源限制的客户端选择问题来提高训练效率，在公开可用的大规模图像数据集上进行实验，实验结果表明，与原始 FL 协议相比，FedCS 能够在显著缩短的时间内完成训练。

    Apr, 2018

  • CamFlow: 云服务的托管数据共享

    本研究探讨了云数据安全的问题，提出了利用信息流控制 (IFC) 实现数据保护与共享的方法，为云服务及物联网架构提供了新思路。

    Jun, 2015

  • 边缘计算中联邦学习与区块链的结合：机遇与挑战

    本文评估了 FLchain 在 MEC 网络中的机会，提出了几个主要问题，包括通信成本、资源配置、激励机制、安全和隐私保护。 我们介绍了 FLchain 设计的关键解决方案，并探讨了在流行的 MEC 领域中应用 FLchain 的应用。 同时，本文也指出了重要的研究挑战和未来方向。

    Apr, 2021

  • 移动边缘网络中的联邦学习：一项全面调查

    本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。

    Sep, 2019

  • 基于马尔科夫决策过程的移动边缘计算动态服务迁移

    本文提出了一种以马尔科夫决策过程 (MDP) 为基础的服务迁移方法，通过近似移动用户和服务位置之间的距离计算最优策略，优化移动边缘计算环境下的服务迁移问题，并在实际场景中表现出卓越的性能。

    Jun, 2015

  • 移动云系统中的多用户多任务卸载和资源分配

    此研究探讨了一个多用户移动云计算系统中的任务离线决策、资源分配等问题，并且通过提出有效算法使用计算接入点 (CAP) 来优化整个系统的能量、计算和时延成本，从而带来了相当的成本效益。

    Mar, 2018

  • 边缘隐私保护移动计算网络中的无监督循环联邦学习用于人气预测

    文章提出了一种无监督的隐私保护的流行度预测框架，涵盖了无线通信，移动边缘计算，工业物联网等内容，并介绍了本地和全局流行度的概念和每个用户的时间变化流行度建模方法。通过提出的 URFL 算法，使得预测精度显著提高了。

    Jul, 2022