国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于移動邊緣計算的車聯(lián)網(wǎng)資源分配方案研究

2022-07-10 09:52歐陽中輝馮韶華凌云峰陳青華
兵器裝備工程學(xué)報 2022年6期
關(guān)鍵詞:資源分配排序邊緣

歐陽中輝,馮韶華,凌云峰,陳青華

(海軍航空大學(xué), 山東 煙臺 264001)

1 引言

隨著近年來,智能化各軍種聯(lián)合作戰(zhàn)體系的建設(shè)已成為各國軍隊的發(fā)展趨勢。為實現(xiàn)對多兵種多編隊的作戰(zhàn)資源進行輔助指揮及決策,實時觀測戰(zhàn)場態(tài)勢,軍用通信系統(tǒng)的發(fā)展至關(guān)重要。未來戰(zhàn)爭對軍用5G、軍用物聯(lián)網(wǎng)等戰(zhàn)場通信有更高要求,作戰(zhàn)系統(tǒng)必須具備快速的信息交互能力和強大的計算能力,能低時延地完成各作戰(zhàn)單元的海量數(shù)據(jù)處理和分析。

智能化戰(zhàn)場通信的問題主要體現(xiàn)在通信傳播、通信時延以及能耗3個方面。軍隊由于數(shù)據(jù)傳輸穩(wěn)定性差,保密要求高等特點,加上數(shù)據(jù)集中式的指揮中心并不能適應(yīng)復(fù)雜多變的戰(zhàn)場環(huán)境,現(xiàn)階段以云計算應(yīng)用為核心的指揮信息系統(tǒng)大大受限,無法滿足海量數(shù)據(jù)的處理。使用邊緣計算在靠近數(shù)據(jù)源的位置進行處理,可以很好地解決這一問題,也與現(xiàn)階段改革使作戰(zhàn)單位要有獨立行動能力的目標相符。

得益于現(xiàn)代通信事業(yè)的不斷發(fā)展,邊緣計算近年來得到了迅速發(fā)展。在國外,美國國防部高級研究計劃局(DARPA)2017年資助了DCOMP重點項目,探究邊緣計算在軍事領(lǐng)域應(yīng)用;2019年,亞馬遜以AWS Greengrass進軍邊緣計算設(shè)備,走在行業(yè)前面。同期微軟、谷歌也聚焦于邊緣的人工智能應(yīng)用和邊緣物聯(lián)網(wǎng)設(shè)備開發(fā)兩大領(lǐng)域。在國內(nèi),除了騰訊、阿里、百度等公司開始研究邊緣計算外,我國還從國家層面對邊緣計算展開了政策規(guī)劃和科研布局。其實自從疫情以來,遠程辦公室進行大量的數(shù)據(jù)處理和存儲,而運用邊緣服務(wù)端能減少網(wǎng)絡(luò)寬帶承受的巨大壓力,即靠近源的數(shù)據(jù)處理的方法,就是邊緣計算一種體現(xiàn)。

車聯(lián)網(wǎng)領(lǐng)域是邊緣計算重要的研究熱點,本文以現(xiàn)代民用物聯(lián)網(wǎng)發(fā)展作為背景,為提供低時延的移動服務(wù),對資源分配、任務(wù)卸載優(yōu)化,提出了一種基于分層MEC(mobile edge computing)的車聯(lián)網(wǎng)方案,致力于戰(zhàn)場環(huán)境智能特種車輛的指揮決策提供有效方法,也希望為其他軍事裝備類似功能的升級改造貢獻思路。

2 邊緣計算車聯(lián)網(wǎng)系統(tǒng)

2.1 邊緣計算網(wǎng)絡(luò)構(gòu)架

車聯(lián)網(wǎng)(internet of vehicles)是由車輛位置、速度和路線等信息構(gòu)成的巨大網(wǎng)絡(luò),是互聯(lián)網(wǎng)的一種擴展范式。隨著第五代移動通信技術(shù)的突飛猛進,依托軍用5G、WIFI等無線通信技術(shù)建造穩(wěn)定的軍事車聯(lián)網(wǎng)已成為可能。

傳統(tǒng)特種車輛網(wǎng)絡(luò)中,車輛上的基礎(chǔ)裝備設(shè)施都配備了智能設(shè)備,特種車輛通過智能設(shè)備從周圍收集信息,再通過無線通信設(shè)備統(tǒng)一上傳到指揮中樞的云端進行處理,但由于計算能力受限、傳輸時延過大等問題,作戰(zhàn)單位得不到及時反饋,嚴重影響戰(zhàn)時行動。移動邊緣計算(mobile edge computing,MEC)使計算任務(wù)能夠在網(wǎng)絡(luò)邊緣執(zhí)行,已經(jīng)成為云計算的有效補充。在MEC技術(shù)的推動下,智能設(shè)備上的計算任務(wù)被卸載到邊緣計算設(shè)備(edge computing device,ECD)上,這些設(shè)備比云平臺更接近智能設(shè)備,由于每個ECD中都有一臺服務(wù)器通過將工作負載卸載到ECD來輔助數(shù)據(jù)處理,數(shù)據(jù)傳輸時間大大縮短,車聯(lián)網(wǎng)用戶的體驗質(zhì)量得到了極大的提高。

以民用車聯(lián)網(wǎng)絡(luò)架構(gòu)的基本原理和思路為參考,建設(shè)特種車輛網(wǎng)絡(luò)架構(gòu)。在傳統(tǒng)的車聯(lián)網(wǎng)框架中,從云擴展到邊緣端,設(shè)計了一種基于MEC的層次化車聯(lián)網(wǎng)網(wǎng)絡(luò)體系結(jié)構(gòu),其原理如圖1所示。在自底向上的視圖中,該體系結(jié)構(gòu)可明確看出邊緣計算架構(gòu)和傳統(tǒng)云計算架構(gòu)的區(qū)別。

圖1 車聯(lián)網(wǎng)網(wǎng)絡(luò)體系結(jié)構(gòu)原理示意圖Fig.1 Schematic diagram of vehicle networking edge computing framework

該體系結(jié)構(gòu)由3層組成:用戶終端、邊緣端和云端。

1) 用戶終端:該層由路邊單元和路邊單元通信范圍內(nèi)的車輛組成。在作戰(zhàn)方面即有位置動態(tài)感知和數(shù)據(jù)傳輸接入點的特種車輛組成。

2) 邊緣端:每個基站配備一個MEC服務(wù)器,為那些卸載的任務(wù)提供管理和計算服務(wù)。每個MEC服務(wù)器包含一定的資源計算能力。

3) 云端:云層是遠離車輛,擁有一系列多功能服務(wù)組成的系統(tǒng),一般部署在指揮終端。在傳統(tǒng)的基于云的指揮中樞中,這個層負責(zé)控制和處理信息,但在邊緣計算架構(gòu)中的指揮中樞,為指揮作戰(zhàn),并不要求大量數(shù)據(jù)實時收發(fā),可緩解通信擁堵或通信干擾的情況。

2.2 邊緣服務(wù)器模塊

資源分配和資源計算功能是通過MEC設(shè)備內(nèi)各部分模塊的協(xié)作實現(xiàn)的,如圖2所示。

圖2 邊緣服務(wù)器模塊示意圖Fig.2 Edge server module diagram

MEC預(yù)處理管理器對任務(wù)進行分類,并標記優(yōu)先級和相關(guān)信息,如數(shù)據(jù)包頭中的源/目標MAC地址、IP地址、TCP/UDP端口。此外,它還負責(zé)重新排序任務(wù)。

MEC任務(wù)處理器是資源分配的決策者。為重新排序的任務(wù)分配適當數(shù)量的計算資源,負責(zé)基本的運營維護。

虛擬化基礎(chǔ)設(shè)施用以承載各類MEC應(yīng)用資源和負責(zé)執(zhí)行移動邊緣平臺接收到的流量規(guī)則,并實現(xiàn)流量轉(zhuǎn)發(fā)。該管理器將計算資源劃分為幾個大的資源集,每個資源集包含幾個小的資源塊。本文將資源集命名為“RS”,資源塊命名為“RB”。

MEC平臺提供一系列功能,用以實現(xiàn)MEC應(yīng)用在特定虛擬化基礎(chǔ)設(shè)施上運行并使提供移動邊緣服務(wù)。

在MEC服務(wù)器的幫助下,終端可以利用車載網(wǎng)絡(luò)最邊緣較近的處理能力,車輛的計算任務(wù)不會被卸載到遠程集中的云服務(wù)器上,而是在附近分布靈活的MEC服務(wù)器上進行處理。該體系結(jié)構(gòu)保證了延遲和移動性的要求,更好地處理來自車輛的大容量數(shù)據(jù),同時降低了核心網(wǎng)絡(luò)負載。

與一些集中控制系統(tǒng)不同,在該分散式系統(tǒng)中,決策可以在每個MEC服務(wù)器的協(xié)調(diào)器中獨立、智能地進行,實現(xiàn)分布式自主管理。此外,MEC編配器中功能管理器的特殊設(shè)計使其更適合于面向計算的車聯(lián)網(wǎng)場景中的任務(wù)處理。

2.3 系統(tǒng)建立

設(shè)路邊單元均勻分布在道路上,道路為雙向的,每個路邊單元都能輻射相同面積的區(qū)域。在道路上中,每輛戰(zhàn)車都以其各自的速度自然行駛,取n輛車的平均行駛速度為={,,…,},每輛車都有一定處理數(shù)據(jù)能力,也可同時收發(fā)計算數(shù)據(jù)。

在整個系統(tǒng)通信過程中,特種車輛與基礎(chǔ)設(shè)施之間通信,車與車之間通信和車與網(wǎng)絡(luò)之間通信等均采用V2X(vehicles to everything)技術(shù)。如圖3所示的車聯(lián)網(wǎng)邊緣計算過程。

圖3 系統(tǒng)通信技術(shù)流程框圖Fig.3 System communication flow chart

開始時,車輛可將計算任務(wù)卸載到離車最近的路邊單元和其他空閑的車載終端,進行資源分配和數(shù)據(jù)處理。對于數(shù)據(jù)量較小的任務(wù),任務(wù)分配卸載到不同車輛的車載終端上進行處理;對于數(shù)據(jù)量較大的任務(wù),任務(wù)卸載到路邊單元處的邊緣服務(wù)器上進行處理,邊緣服務(wù)器經(jīng)過任務(wù)分類、標記、排序和調(diào)度4個步驟,具體處理流程如表1所示,最后通過車輛所在區(qū)域的路邊單元傳回車輛用戶端。由于車速不同,車輛會在不同的路邊單元間來回切換。邊緣服務(wù)器也將處理后的任務(wù)結(jié)果上傳云端進行數(shù)據(jù)存儲。本文不考慮車輛之間的交互能力和計算能力,只研究車輛終端-路邊單元-邊緣端該過程的系統(tǒng)。

表1 MEC服務(wù)器處理流程Table 1 MEC server processing flow chart

在V2X通信中,計算任務(wù)的時效性主要體現(xiàn)在延遲容忍度上,不同的任務(wù)有不同的時延要求,將任務(wù)的延遲容忍度劃分為4個等級,如表2所示。

表2 任務(wù)優(yōu)先級分類Table 2 Task priority classification table

3 邊緣計算網(wǎng)絡(luò)優(yōu)化算法

3.1 任務(wù)優(yōu)先級算法

本小節(jié)研究處理最小化任務(wù)的總延遲。總延遲由5個部分組成,設(shè)任務(wù)從車輛傳遞到路邊單元的延遲為;任務(wù)重新排序的延遲為;任務(wù)排完序后,需等待前面任務(wù)執(zhí)行完的等待時間延遲為;任務(wù)執(zhí)行時間為;任務(wù)通過路邊單元返回車輛終端的延遲為。車輛單元和路邊單元都采用C-V2X無線技術(shù)進行通信。由于路邊單元通過有線連接獲得MEC服務(wù)器的計算資源,因此它們之間的傳輸延遲可以忽略不計。

設(shè)系統(tǒng)4個優(yōu)先級為={1,2,3,4}。設(shè)處理相同優(yōu)先級任務(wù)所需要的資源、時間等都是則每個部分的完成延遲可以表示為

(1)

(2)

(3)

(4)

=++++

(5)

其中:、分別表示優(yōu)先級為的上傳和下載的數(shù)據(jù)的大小。、是任務(wù)的上傳和下載階段的傳輸速率。表示計算優(yōu)先級為的任務(wù)所需的CPU周期。是提供的計算能力。是通過資源分配算法為任務(wù)分配的數(shù)目。表示用于計算任務(wù)的負載狀態(tài)。導(dǎo)入的任務(wù)流遵循參數(shù)的泊松分布。延遲由重排序算法提供。

現(xiàn)實情況信號傳輸需要考慮瑞利衰落、陰影衰落和路徑損耗等情況。戰(zhàn)場環(huán)境甚至要考慮大規(guī)模電磁干擾情況。假設(shè)車輛數(shù)量上有足夠的正交無線信道,則忽略車輛之間的干擾。通信原理香農(nóng)公式如下:

=·log(1+)

(6)

(7)

由于車輛的高機動性,車輛的位置變化迅速,并且在任務(wù)處理期間車輛可以通過多個路邊單元。在任務(wù)卸載和結(jié)果下載的時刻,從車輛到路邊單元的距離是不同的。從上段的參數(shù)介紹可以看出,車輛與路邊單元的距離直接影響信噪比的大小,信噪比的大小直接影響傳輸速率。通過這種方法,可將車輛的機動性問題建模為車輛與路邊單元之間的距離對信噪比的影響,即車輛位置對傳輸速率的影響。

3.2 資源分配優(yōu)化算法

網(wǎng)絡(luò)優(yōu)化資源分配算法包含2個子算法,即任務(wù)重排序子算法和資源分配子算法。前者采用優(yōu)化后的Q’學(xué)習(xí)算法進行重新排序任務(wù),后者采用傳統(tǒng)的Q學(xué)習(xí)算法為已經(jīng)重新排序好的任務(wù)分配計算資源。

任務(wù)以到達率的泊松分布傳輸?shù)組EC服務(wù)器。MEC編排器將任務(wù)標識為不同的優(yōu)先級,然后重新排序任務(wù)。

未改進的重排序子算法采用傳統(tǒng)的基于Q學(xué)習(xí)的重排序算法。傳統(tǒng)Q學(xué)習(xí)算法的原理為按優(yōu)先級對任務(wù)進行排序,保證任務(wù)的優(yōu)先執(zhí)行。但是,低優(yōu)先級任務(wù)必須在隊列結(jié)束時等待很長時間,從而導(dǎo)致超時。為了解決這一問題,需要對算法進行改進,根據(jù)時間組和分數(shù)值兩個概念,優(yōu)化新的排序方法此表示為Q’學(xué)習(xí)算法。Q’學(xué)習(xí)算法的重排序流程如圖4所示。

圖4 Q’學(xué)習(xí)算法重排序流程框圖Fig.4 Q’learning algorithm reordering flow chart

圖4中,MEC預(yù)處理管理器將每個任務(wù)按到達順序劃分為一個時間組,早到的時間組總是優(yōu)先于晚到的時間組。重新排序過程發(fā)生在時間組中,對同一時間組中的任務(wù)重新排序。這種機制確保低優(yōu)先級任務(wù)不會一直處于等待狀態(tài)。

結(jié)果值綜合表達了任務(wù)的到達時刻和優(yōu)先級,如公式所示:

(8)

式中:為任務(wù)的優(yōu)先級;為任務(wù)的實際到達時刻;、分別為任務(wù)所在時間組中第一個和最后一個任務(wù)的到達時刻;為結(jié)果值的一個因子。

分層車聯(lián)網(wǎng)網(wǎng)絡(luò)中的MEC環(huán)境是復(fù)雜多變的。此外,由于車輛分布和資源需求的規(guī)律性,利用機器學(xué)習(xí)學(xué)習(xí)規(guī)律是可行的。因此,考慮通過強化學(xué)習(xí)來解決資源分配問題。

Q學(xué)習(xí)算法作為一種典型的強化學(xué)習(xí)算法,能夠以較低的復(fù)雜度解決相同的資源分配問題。MEC平臺管理器充當行動選擇的代理。虛擬化基礎(chǔ)架構(gòu)管理器提供算法所需環(huán)境的參數(shù)。

Q學(xué)習(xí)算法最初是由Watkins等提出的一種無模型的值函數(shù)強化學(xué)習(xí)算法。該算法可用馬爾科夫決策過程框架來形式化描述。通過定義狀態(tài)空間、行為空間和報酬函數(shù),將資源優(yōu)化配置問題建模為一個馬爾可夫決策過程,該過程的應(yīng)用如下:

1) 狀態(tài)空間。由于代理一直在分配MEC服務(wù)器的計算資源,因此需要及時更新可用資源。將狀態(tài)空間設(shè)計如下:

={,}

(9)

={steate,state,…,state}

(10)

={,,…,}

(11)

狀態(tài)空間包括兩部分,和。前者是每個的負載狀態(tài),后者是每個上剩余的數(shù)量,是的數(shù)量。

2) 行為空間。在系統(tǒng)中,代理必須決定選擇哪個和。規(guī)定為一個任務(wù)選擇的必須集中在同一個中,并且和的具體選擇取決于代理的選擇。此外,結(jié)合優(yōu)先級給出了分配數(shù)的上界。因此,動作空間可以表示為:

={,,…,}

(12)

式中動作空間表示當前循環(huán)的動作選擇。∈{0,1},取=1,這有助于找出哪些被選中。表示整個MEC服務(wù)器中的總數(shù)。

3) 報酬函數(shù)。獎勵值是在做出行動決策后,來自環(huán)境的反饋。根據(jù)式(7),該算法優(yōu)化目標是最小化完成總延遲。大的獎勵值是首選,因此定義獎勵值是延遲的倒數(shù),對于超過延遲容差最大值的任務(wù),定義其獎勵值為-100。獎勵函數(shù)總結(jié)如下:

(13)

因此,選擇Q學(xué)習(xí)算法來作為最佳的資源分配策略。Q學(xué)習(xí)算法選擇狀態(tài)動作值函數(shù)(,)作為估計函數(shù)。Q學(xué)習(xí)的基本思想是用時差法求(,),值如式(14):

(14)

式(14)中:為學(xué)習(xí)效率,用于控制收斂。越大,前一訓(xùn)練效果保持的越少是折現(xiàn)系數(shù)。越大,越重視長期獎勵;越小,越重視即時獎勵。在Q學(xué)習(xí)中,每個(,)都有Q表的相應(yīng)位置,根據(jù)Q表查詢結(jié)果即可得到對應(yīng)的結(jié)果。

在基于Q’學(xué)習(xí)算法優(yōu)化任務(wù)重排序之后,用具有資源分配的傳統(tǒng)Q學(xué)習(xí)算法分配計算資源。這樣,代理就可以通過查詢Q表,自主地為不同優(yōu)先級的任務(wù)分配資源。

4 仿真與分析

4.1 仿真條件設(shè)定

由MEC分層架構(gòu),設(shè)一個基站包含一個MEC服務(wù)器,MEC服務(wù)器下有3個路邊單元。在每個路邊單元的覆蓋區(qū)域內(nèi),有多輛特種戰(zhàn)車連續(xù)生成計算任務(wù)。

設(shè)MEC服務(wù)器輸入的計算任務(wù)與參數(shù)服從泊松分布。設(shè)所有路邊單元具有相同的傳輸功率26 dBm,覆蓋半徑500 m,所有車輛具有相同的傳輸功率23 dBm,所有車輛以相同的平均速度5 m/s行駛,信道帶寬為10 MHz,高斯功率0.01 W。

設(shè)上傳數(shù)據(jù)大小為{0.5,1,3,6}Mbits,下載數(shù)據(jù)大小為{0.25,0.5,1.5,3}Kbits,CPU所需周期為{1,2,3,4}×10周,結(jié)果因子為30,最大值為{20,150,300,500}。資源集數(shù)量為3,每個中資源塊數(shù)量分別為3、6、9,計算能力均為10 GHz。

4.2 績效考核結(jié)果

設(shè)為02,為04,全局值由每次的值組成,則延遲性能越好,全局值越高。根據(jù)式(13)和式(14),當獎勵值和值的設(shè)置不變時,值與獎勵值正相關(guān),而獎勵值與延遲負相關(guān)。因此,延遲越小,回報越大,值越高。全局值結(jié)果如圖5所示。

圖5 全局Q值結(jié)果曲線Fig.5 Global algorithm comparison

從圖5可以看出,Q’學(xué)習(xí)算法相對于Q學(xué)習(xí)算法的獎勵值軌跡更好,收斂速度更快,當回合數(shù)為6 000時Q’學(xué)習(xí)算法已經(jīng)收斂于最優(yōu)解了,其全局Q值高于Q學(xué)習(xí)算法,這表明所提出的重排序算法是可行的。

4.3 重排序算法比較

傳統(tǒng)的基于Q學(xué)習(xí)和Q’學(xué)習(xí)算法2種重排序機制的資源分配算法,比較2種排序算法的中斷概率(完成延遲時大于延遲容限最大值的概率),如圖6所示。

圖6 不同重排序方案下4個優(yōu)先級的中斷概率直方圖Fig.6 Outage probability of four priorities under different reordering schemes

圖6顯示了不同排序算法對不同優(yōu)先級任務(wù)的中斷概率的影響。對于優(yōu)先級為1的任務(wù),Q’學(xué)習(xí)算法的中斷概率略低于Q學(xué)習(xí)算法,保持在2%。對于優(yōu)先級為2、3和4的任務(wù),發(fā)現(xiàn)Q’學(xué)習(xí)算法顯著降低了中斷概率,這反映了時間組和得分值的有效性。

不同任務(wù)到達率的效果下的不同排序算法的中斷概率如圖7所示。由圖7可以發(fā)現(xiàn),Q’學(xué)習(xí)算法中斷概率低于Q學(xué)習(xí)算法,當每秒到達MEC服務(wù)器的任務(wù)數(shù)超過90個,中斷概率大幅度提高,表明發(fā)生擁塞,導(dǎo)致處理效率顯著降低。

圖7 任務(wù)到達率的影響λ不同重排序方案下的中斷概率曲線Fig.7 Impact of task arrival rate λ outage probability under different reordering schemes

4.4 資源分配算法性能比較

為了驗證本文優(yōu)化的的的資源分配方案的延遲性能,對Q學(xué)習(xí)算法和Q’學(xué)習(xí)算法效果進行了仿真。平均等待時間如圖8所示。

圖8 平均等待時間曲線Fig.8 Average waiting time comparison chart

圖8為評估平均等待時間和任務(wù)到達率之間的關(guān)系。Q學(xué)習(xí)算法只按優(yōu)先級對任務(wù)進行重新排序,低優(yōu)先級的任務(wù)會等待很長時間,Q’學(xué)習(xí)算法在平均等待時間上具有更低的值和更平緩的趨勢。

每個優(yōu)先級任務(wù)的不同算法的平均完成延遲如圖9所示。由圖9可得:Q學(xué)習(xí)算法忽略了低優(yōu)先級任務(wù)的延遲要求,低優(yōu)先級任務(wù)的調(diào)度機制過于死板。Q’學(xué)習(xí)算法的平均完成時延最低,此外,其在保證高優(yōu)先級任務(wù)優(yōu)先執(zhí)行的同時,控制了低優(yōu)先級任務(wù)平均完成延遲的上升趨勢。仿真結(jié)果表明:Q’學(xué)習(xí)算法能夠有效地降低平均時延,應(yīng)用該算法的方案可以更智能、更合理地分配資源。

圖9 平均完成延遲直方圖Fig.9 Average completion delay comparison

5 結(jié)論

針對移動邊緣計算的延遲問題,對資源分配采用Q學(xué)習(xí)算法,任務(wù)重排序采用優(yōu)化后的Q’學(xué)習(xí)算法,設(shè)計了一種能有效作用于邊緣服務(wù)器模塊的資源分配方案?;趥鹘y(tǒng)Q學(xué)習(xí)算法,借鑒時間組和分數(shù)值2個概念優(yōu)化得出了Q’學(xué)習(xí)算法,對其性能進行仿真,經(jīng)過仿真對比可知,Q’學(xué)習(xí)算法在多方面的中斷概率、平均時延都優(yōu)于傳統(tǒng)Q學(xué)習(xí)算法,證明優(yōu)化方案的可行性。

猜你喜歡
資源分配排序邊緣
作者簡介
恐怖排序
節(jié)日排序
基于動態(tài)規(guī)劃理論的特種設(shè)備檢驗資源分配研究
基于動態(tài)規(guī)劃理論的特種設(shè)備檢驗資源分配研究
云環(huán)境下公平性優(yōu)化的資源分配方法
一張圖看懂邊緣計算
TDMA無線網(wǎng)絡(luò)中視頻動態(tài)傳輸方法
在邊緣尋找自我
走在邊緣