面向智慧城市移动边缘计算资源规划的时空贝叶斯学习
网络与互联网体系结构
2021-06-10 v1
摘要
智慧城市通过利用物联网（IoT）等技术收集和处理数据以辅助决策，从而提升运行效率与生活舒适度。为更好地支撑智慧城市，物联网收集的数据应被妥善存储与处理。然而，物联网设备通常任务专用且资源受限，因而严重依赖计算与存储方面的在线资源来完成各类任务。此外，这些基于云的解决方案往往将资源集中化且远离终端物联网，当海量任务经核心网卸载时因网络拥塞而无法及时响应用户。因此，通过将资源在空间上去中心化至靠近物联网设备处，移动边缘计算（MEC）可降低时延并提升智慧城市服务质量，使服务请求能在邻近处被满足。由于服务需求呈现时空特征，在最优位置部署 MEC 服务器并分配 MEC 资源，对高效满足智慧城市服务需求起着关键作用。对此，学习资源需求在时间与空间上的分布至关重要。本工作中，我们首先提出一种时空贝叶斯层次学习方法，以学习和预测 MEC 资源需求在时空上的分布，从而辅助 MEC 部署与资源管理。其次，所提模型在真实数据上训练与测试，结果表明该方法可达到很高精度。第三，我们通过模拟任务卸载展示了所提方法的一个应用。最后，模拟结果显示，基于我们模型预测分配的资源，比在未观测区域均分至所有服务器的资源利用更高效。
引用
@article{arxiv.2103.07814,
title = {Spatio-Temporal Bayesian Learning for Mobile Edge Computing Resource Planning in Smart Cities},
author = {Laha Ale and Ning Zhang and Scott A. King and Jose Guardiola},
journal= {arXiv preprint arXiv:2103.07814},
year = {2021}
}