无线通信和移动计算

随着智能传感设备的快速推广和应用，移动人群传感（MCS）已经取得了快速发展。MCS调动各种传感设备的人员收集数据。任务分发作为MCS领域的关键点和难度引起了学者的广泛关注。但是，目前关于参与者选择方法的研究，其主要目标是数据质量不够深。本文研究了MCS中多任务条件的参与者选择方案的大多数研究。根据参与者完成的任务，参与者的累积声誉和意愿用于构建服务质量模型（QoS）。在最大化QoS的基础上，两个启发式贪婪算法用于解决参与;提出了两个选项：以任务为中心和以用户为中心。距离约束因子，完整性约束因子和信誉约束因子被引入到我们的算法中。目的是在确保QoS的前提下，选择最合适的参与者，尽可能改善平台的最终收入和参与者的好处。 We used a real data set and generated a simulation data set to evaluate the feasibility and effectiveness of the two algorithms. Detailedly compared our algorithms with the existing algorithms in terms of the number of participants selected, moving distance, and data quality. During the experiment, we established a step data pricing model to quantitatively compare the quality of data uploaded by participants. Experimental results show that two algorithms proposed in this paper have achieved better results in task quality than existing algorithms.

本文提出了一种基于在线学习的自适应边缘服务放置机制和基于因子图模型的预测边缘服务迁移方法，以解决边缘计算维度的边缘计算服务放置问题。首先，在线混乱舆论的发展的时间序列是使用混沌相空间重建理论的关键字索引趋势的矢量化集合的平台。其次，有必要使用主要索引方法来判断时间序列是否具有网络公共意见数据的混沌特征。仿真结果表明，网络舆论是混沌时间序列的发展特征。最后，通过使用复杂的网络拓扑改进了预测模型。通过网络舆论和混沌时间序列的仿真实验，结果表明，改进的模型具有精度，快速和自适应的优点，可以应用于其他领域。

网络表示学习的目标是从数据特征中提取深度抽象，该数据特征也可以被视为将高维数据转换为低维特征的过程。学习两个向量空间之间的映射功能是一个重要问题。在本文中，我们提出了一种基于传统机器学习的新的相似性指数，它集成了公共邻居，本地路径和优先附加的概念。此外，为了将链路预测方法应用于节点分类的字段，我们创新地建立了名为MultiTask Graph AutalEncoder的体系结构。具体地，在结构深网络嵌入的上下文中，架构通过计算来自多个角度的节点相似度来设计高阶损耗功能的框架，使得模型可以弥补二阶损耗函数的缺陷。通过参数微调，高阶损耗功能被引入优化的AutoEncoder。通过有效的实验证明，框架通常适用于大多数经典相似性指标。

正交频分复用（OFDM）广泛应用于窄带互联网的下行链路（NB-IOT）。然而，OFDM系统的高峰平均功率比（PAPR）导致发射器效率降低。因此，研究人员提出了基于人工神经网络（ANN）的PAPR减少方案。然而，这些方案具有高复杂性或无法克服传统方案的缺陷的缺点。本文提出了一种基于神经网络（NNS）的新型PAPR减少方案，用于OFDM系统。该方案建立了基于NN的PAPR减少模块，该模块使用通过简化的剪切和滤波（SCF）方法获得的低PAPR数据训练。为了克服SCF方案的不良BER性能的缺陷，在接收器处引入恢复模块，以恢复失真的信号。为了实现同时提高BER性能和PAPR的减少，两种模块基于多目标优化共同培训。基于100 MHz OFDM信号的实验结果表明，该方案可以将PAPR减少4.5 dB。同时，该方案的BER可以减少到SCF方案的0.001倍。

事物互联网（IOT）已成为连接巨大物理设备的平台，以收集和分析决策数据。IOT中的无线设备通常是能量约束的，因此需要由稳定且可靠的能源供电，以便保持长网络寿命。一种无人驾驶飞行器（UAV）作为能源是一种适当且适用的方法，可以提供对IOT的无线设备的能量，因为它的灵活性和提供了用于无线空气到地的视线（LOS）链路的潜力渠道。在本文中，呈现了一种UAV辅助无线供电的中继通信系统，其中UAV首先向源和中继发射能量，然后，源和继电器协同地将信息发送到其目的地。为了探讨系统的性能限制，通过共同优化UAV和时间分配来最大化系统的可实现信息率来制定问题。通过导出UAV的最佳位置和最佳时间分数的显式表达式，因此不受限制地解决非凸优化问题。仿真结果表明，我们提出的方法显着优于基准方法。

动态二进制转换（DBT）在移动计算中越来越重要。移动边缘计算（MEC）增强了具有强大服务器的移动设备，而边缘服务器和智能手机通常基于异构架构。为了利用服务器上的高性能资源，代码卸载是一种依赖于DBT的理想方法。此外，配备多核处理器和GPU的移动设备正在变得无处不在。通过使用DBT将X86_64应用程序二进制文件迁移到移动设备，也可以为提供各种移动应用程序，例如多媒体应用程序进行贡献。但是，由于运行时开销和翻译代码的低质量，因此，DBT的翻译效率和整体性能都不令人满意。同时，传统的DBT系统没有完全利用多核处理器提供的计算资源，尤其是在翻译顺序访客应用程序时。在这项工作中，我们专注于利用普遍存在的多核处理器来通过在翻译期间并行化顺序应用来提高DBT性能。为此，我们提出LLPEMU，一个与多面体优化的二进制转换相结合的DBT框架。我们调查将现有多面体优化在编译器中调整到DBT的障碍，并提出了一种克服这些问题的可行方法。 In addition, LLPEMU adopts static-dynamic combination to ensure that sequential binaries are parallelized while incurring low runtime overhead. Our evaluation results show that LLPEMU outperforms QEMU significantly on the PolyBench benchmark.