<acronym id="ogceg"><center id="ogceg"></center></acronym>
<acronym id="ogceg"><center id="ogceg"></center></acronym>
<acronym id="ogceg"></acronym>
答辯公告
我的位置在: 首頁 > 答辯公告 > 正文
胡俊艷預答辯公告
瀏覽次數:日期:2020-10-19編輯:研究生教務辦2

胡俊艷預答辯公告

論文題目

/邊緣環境下基于博弈論的計算資源分配算法及應用

答辯人

胡俊艷

指導教師

李克勤

答辯委員會

主席

陽王東

學科專業

計算機科學與技術

學院

信息科學與工程學院

答辯地點

視頻答辯

答辯時間

20201021日 晚1900

學位論文簡介

在云/邊緣計算環境下,合理的資源分配服務機制不僅能滿足用戶的各種任務需求,還能最大程度的提高資源利用率,避免資源的浪費和閑置都是一個很重要的課題。本項目面向云/邊緣環境中多用戶的效益優化問題和同時優化多提供商效益和用戶效益問題,擬以合作博弈、非合作博弈以及任務調度、資源分配、任務卸載理論等關鍵技術,設計實現優化多用戶的聯合效益系統理論模型和同時優化多提供商效益和用戶效益的模型。取得了以下主要創新性研究成果:

  1. 針對既從云客戶的效益角度又從服務提供商的效益角度考慮的多屬性資源購買機制問題。從非合作博弈的角度提出了一種用于多屬性云計算資源提供的價格競價機制??紤]到公平價格競爭,提出了一種新穎的關于服務質量(QoS)和競價的激勵性資源購買模型。然后,結合用戶的資源購買模型,將提供商的價格競標問題轉化為一個博弈模型來為每個云提供商找到合適的價格。

  2. 針對一群需要各種deadline的同類云實例的客戶傾向于以協作的方式購買資源,即使用聯合博弈來降低購買成本的問題。提出了一種機制來顯示客戶之間的協作交互,并確定從每個提供商購買的服務程序的數量,以向每個云客戶收取最低費用。建立了一個基于多客戶資源采購的聯盟博弈,證明了聯盟博弈中存在滿足個人穩定性和群體穩定性的獨特最優解決方案。另外,最佳解決方案是這樣一種解決方案,其中每個聯盟的選定服務程序可以優化每位客戶的成本并最大化資源利用率。

  3. 針對計算能力有限的MEC應該考慮如何將計算資源分配給移動設備MD,以最大化所服務MD的數量問題。每個MD希望在接受延遲范圍內將能耗最小化。提出了一種基于博弈的計算卸載(GCO)算法,其中包括MEC的任務卸載配置文件和每個MD的傳輸功率控制。具體來說,提出了貪婪修剪算法,以確定可以將任務卸載到MECMD。同時,每個MD都通過使用其傳輸功率控制策略來競爭計算資源。

主要學術成果

  1. Junyan Hu, Kenli Li, Chubo Liu, Keqin Li. A Game-based Price Bidding Algorithm for Multi-attribute Resource Provision in Cloud Computing[J]. IEEE Transactions on Services Computing doi:10.1109/TSC.2018.2860022. (SCI 2區,第一作者)

  2. Junyan Hu, Kenli Li, Chubo Liu, Keqin Li. Game-based Multi-User with QoS Computation Offloading for Mobile Edge Computing of limited computation capacity. NPC 2019: International Conference on Network and Parallel Computing. pp:16-27 (CCF C會議, 第一作者, Best Paper Award)

  3. Junyan Hu, Kenli Li, Chubo Liu, Keqin Li. Game-Based Task Offloading of Multiple Mobile Devices with QoS in Mobile Edge Computing Systems of Limited Computation Capacity[J]. ACM Transactions on Embedded Computing Systems July 2020 No.:29 https://doi.org/10.1145/3398038 (SCI 3區,CCF B第一作者)

  4. Hao Li, Kenli Li, Junyan Hu, Keqin Li. An Efficient Parallelization Approach for Large-scale Sparse Non-nagative Matrix Factorization Using Kullback-Leibler Divergence on Multi-GPU. The 15th IEEE International Symposium on Parallel and Distributed Processing with Applications. 2017, cores b, Qualis b3 (CCF C,第三作者)

     

 

上海时时彩