移动边缘计算场景关联的激励机制研究
网络体系架构图
随着移动通信和智能终端技术不断成熟，孕育并产生了各种新型物联网信息服务。云计算技术使用户能获得更全面的服务和虚拟可用资源，但不能满足低时延和高带宽需求。为此，研究学者们提出移动边缘计算架构来满足新应用挑战，但边缘计算需要合理激励来提高用户提供终端资源的主动性。本项目全面分析数据质量、网络质量和服务质量之间的内在联系，重点研究激励机制与数据质量的自适应调节、与网络质量的动态协同、与服务质量的多样性匹配三个科学问题，突破基于数据质量的差异化分级激励、基于异构网络质量的动态协同激励和基于服务质量的双边拍卖激励等关键技术，为移动边缘计算中的激励机制实现“五个不同”：针对不同的服务质量需求，根据不同的网络传输质量和用户提供的不同数据质量，采用不同的激励机制，实现不同的用户体验。项目研究成果将为本地数据收集、本地流量控制和本地内容分发三大边缘计算应用场景中的激励机制进行有益探索。
Publications
骆淑云, 温宇宙, 徐伟强, 朱升宏. 移动智能边缘计算激励机制研究, 物联网学报, 2019, 3(2): 80-88.
Shuyun Luo, Zhenyu Wen, Xiaomei Zhang, Weiqiang Xu*, Albert Y Zomaya and Rajiv Ranjan. GoSharing: An Intelligent Incentive Framework based on Users’ Association for Cooperative Content Sharing in Mobile Edge Networks[J]. Future Generation Computer Systems, 2019,95：601-614
工业边缘计算–面向视频分析任务的计算卸载策略研究
系统架构图
主要挑战
计算密集和时延敏感任务
网络动态性对数据传输时延影响很大
解决方案
提出一种基于深度强化学习的任务卸载策略
工业边缘计算–基于区块链的可信计算卸载策略研究
系统架构图
现有的边缘计算任务卸载方案主要关注卸载的通信性能与能耗问题，缺少对数据一致性和完整性、网络抗攻击能力和卸载交易可追溯等应用安全的考虑。此外，第三方边缘计算平台在利益的驱动下，很可能存在恶意管理员对卸载数据进行修改等不当操作，并返回虚假的卸载结果。因此，如何保证卸载结果的准确性是一个需要关注的问题。
本项目提出一种基于智能合约的任务卸载方法，并在此基础上提出一种基于博弈论的卸载结果验证方法。
工业大数据分析–化纤条干值在线软测量研究
化纤产品生产过程示意图
主要工作
研究基于纺丝和卷绕数据的深度学习软测量模型
提出一种基于在线时序半监督回归的条干值预测算法