论文总字数：35702字

摘 要

应5G技术、物联网产业发展的需要，边缘计算作为一个新兴的分布式计算架构，正发挥着应对海量数据传输与处理的重要作用。在电力行业，泛在电力物联网的建设也离不开边缘计算技术的支撑。

本文首先从三个方面：供需领域、家庭能源管理领域和输配电智能化领域对边缘计算在电力系统中的应用进行了总结。然后分析了华为云的边缘计算平台的组成、工作机制，并提出了结合边缘计算平台管理的变电站蓄电池智能管理方案。

接着讨论了移动边缘计算中的任务卸载问题。首先建立了单用户场景下的任务卸载模型,提出了最小化整体负载的优化目标。然后采用本地执行负载最优调度策略、基于流水线的调度策略建立了任务卸载的优化模型，再利用二进制粒子群算法求解最优的卸载方法。仿真实验的结果显示了该算法下的卸载策略能够显著降低用户的整体负载。

在单用户场景的基础上，本文又提出了多用户场景模型，在任务执行选择上增加了上传至云端的方案，将卸载决策分成两阶段，建立了基于非合作博弈的求解纳什平衡的算法。通过仿真实验能够看出，大部分的任务选择了卸载，且该卸载算法能获得比本地执行、全部卸载和云端执行更小的整体负载，从而验证了边缘计算在降低时延、能耗上的优势。 最后，分析了论文可以进一步研究的内容，为之后的MEC任务卸载调度方案研究提供了新的思路。

关键词：边缘计算，智能边缘平台，任务卸载，粒子群算法，纳什平衡

Abstract

In response to the needs of 5G technology and the development of the Internet of things(IoTs) industry, edge computing, as an emerging distributed computing architecture, is playing an important role in coping with mass data transmission and processing. In the power industry, the construction of ubiquitous power Internet of things is also inseparable from edge computing.

Three aspects are mentioned to analyze the application of edge computing in power system: supply and demand field, home energy management field and intelligent power transmission and distribution. Then the components and working mechanism of the edge computing platform of huawei cloud are analyzed. According to this, an intelligent management scheme of substation battery combined with the edge computing platform is proposed.

After that, the task unloading problems in MEC are discussed in detail. A task offloading model in a single user scenario is firstly established. The optimization goal is set to minimize the overall load. Then the local execution load optimal scheduling strategy and pipeline-based scheduling strategy are adopted to establish an optimization model of task unloading, and the binary particle swarm optimization algorithm is used to solve the optimal unloading question.

On the basis of single user scenario, a multi-user scenario model is proposed. A scheme of uploading to the cloud is added in task execution selection. Also, the unloading decision is divided into two stages, then an algorithm based on non-cooperative game is used to work out Nash equilibrium state. Through the simulation experiment, it can be seen that most tasks choose to unload, and the unloading algorithm can obtain a smaller overall load than local execution, full unloading and cloud execution, thus verifying the advantages of edge computing in reducing time delay and energy consumption.

Finally, the content that can be further studied in this paper is analyzed, which provides new ideas for the future study of MEC task unloading scheduling schemes.

KEY WORDS: edge computing, intelligent edge fabric, task unloading, particle swarm optimization, Nash equilibrium

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1课题研究背景 1

1.1.1研究背景 1

1.1.2边缘计算简介 2

1.2国内外研究现状 4

1.2.1任务迁移研究现状 4

1.2.2边缘计算在电力系统中的研究现状 6

1.3论文主要研究内容以及组织结构 9

第二章 智能边缘计算平台框架 10

2.1平台相关的基本概念 10

2.2平台的功能 11

2.3平台的工作模式 12

2.4边缘平台在电力系统中的应用 13

2.5 本章小结 14

第三章 单用户场景下的任务卸载策略 15

3.1单用户模型场景描述 15

3.2任务卸载模型构建 15

3.2.1系统模型 15

3.2.2 任务队列模型 16

3.2.3 本地计算模型 17

3.2.4 MEC计算模型 18

3.2.5 计算任务负载模型 20

3.3联合任务卸载策略 21

3.3.1 本地执行负载最优调度策略 21

3.3.2 基于流水线调度的调度策略 21

3.3.3 基于二进制粒子群的任务调度策略 23

3.4仿真实验结果与分析 24

3.4.1仿真实验参数选择 24

3.4.2 仿真实验结果与分析 25

3.5 本章小结 27

第四章 多用户场景下的任务卸载策略 28

4.1多用户场景描述 28

4.2多用户场景任务卸载模型的构建 29

4.2.1 系统模型 29

4.2.2 通信模型 29

4.2.3 计算任务负载模型 30

4.2.4 基于排队论的MEC服务器等待时间预测 33

4.3联合任务卸载策略 34

4.3.1 多用户博弈模型 34

4.3.2 基于两阶段任务卸载算法求解纳什平衡 35

4.4仿真实验结果与分析 37

4.4.1 仿真实验参数选择 37

4.4.2 实验结果与分析 38

4.5本章小结 41

结论与展望 42

参考文献 43

致 谢 45

绪论

1.1课题研究背景

1.1.1研究背景

21世纪以来云计算技术（Cloud Computing）在互联网的推动下得到了快速的发展。众多的云服务提供商借着Internet的高速发展在各个领域已经部署了基于各自战略而定的云服务应用，云服务的形式可以分为基础设施即服务（IaaS，Infrastructure as a Service）、平台即服务（PaaS，Platform-as-a-Service）、软件即服务（SaaS，Software-as-a-Service）。

无线宽带的发展为信息社会的发展以及网络的发展提供了动力，20世纪头二十年的末尾通信技术迎来了从4G向5G的迈进。5G的特点可以概括为高速率、低时延和广连接。“5G网络的性能相较4G将会提升千倍”^[1]；5G网络的时延的数量级可低至十毫秒级；5G的入网设备将大幅度增加，智能终端设备的智能控制将使得“万物互联”成为5G时代的主旋律。

剩余内容已隐藏，请支付后下载全文，论文总字数：35702字