公开(公告)号：CN116668453A

公开(公告)日：2023-08-29

申请号：CN202310713465.0

申请日：2023-06-15

Applicant: 重庆邮电大学

Inventor： 李云 ,  喻世鑫 ,  左琳立

IPC: H04L67/104 ,  H04L67/1074 ,  H04L9/40 ,  H04L9/00 ,  G06N5/04 ,  G06N20/00 ,  G06N3/098

Abstract: 本发明属于数据共享激励机制技术领域，具体涉及一种基于区块链和演化博弈的数据共享激励方法；该方法包括：构建数据共享激励模型；根据数据共享激励模型计算用户采用不同策略的期望收益；根据用户采用不同策略的期望收益计算复制动态力学方程；根据复制动态力学方程求解演化稳态点并根据演化稳态点分析稳态条件，得到共享激励方案；本发明可以实现用户参与率的提高。

公开(公告)号：CN118433787A

公开(公告)日：2024-08-02

申请号：CN202410608883.8

申请日：2024-05-16

Applicant: 重庆邮电大学

Inventor： 李云 ,  陈冰旖 ,  左琳立

IPC: H04W28/084 ,  G06N3/092 ,  G06N7/01 ,  H04W4/44 ,  H04W28/082 ,  H04L67/10 ,  H04L67/12

Abstract: 本发明属于移动通信技术领域，涉及一种基于车联网的服务缓存和任务迁移机制，包括：建立基于车联网的系统模型，根据系统模型构建服务缓存模型和任务迁移模型；根据服务缓存模型和任务迁移模型构建服务缓存和任务迁移的联合优化问题；将服务缓存和任务迁移的联合优化问题抽象为马尔科夫决策过程；基于马尔科夫决策过程采用多智能体强化学习方法求解服务缓存和任务迁移的联合优化问题，得到最优缓存决策和迁移决策；本发明通过联合优化服务缓存和任务迁移，进一步降低了服务缓存过程中的时延和能耗以及任务迁移的成本，提升了系统的服务质量。

公开(公告)号：CN116669111A

公开(公告)日：2023-08-29

申请号：CN202310802546.8

申请日：2023-07-03

Applicant: 重庆邮电大学

Inventor： 李云 ,  康梅艳 ,  鲜永菊 ,  左琳立 ,  吴广富

IPC: H04W28/084 ,  H04W28/08 ,  H04W28/088 ,  H04W12/106 ,  H04W12/108 ,  H04L9/00

Abstract: 本发明属于移动通信技术领域，具体涉及一种基于区块链的移动边缘计算任务卸载方法，包括针对多服务器的动态MEC场景，建立基于区块链的移动边缘计算任务卸载模型；以最小化用户完成计算任务的成本以及最大化用户参与挖矿获得的效用为目标，在多维资源约束的条件下，建立任务卸载和资源分配联合优化模型；考虑到随机时变的网络环境和环境状态的部分可观测性，将任务卸载成本问题和区块链挖矿效用问题抽象为部分可观测的马尔可夫决策过程；根据所建立的系统模型获得MDP问题的状态空间和动作空间，并构建奖励函数；采用多智能体强化学习算法做出最优卸载和资源分配决策；本发明实现了更低的任务卸载成本和更高的区块链挖矿效用。

公开(公告)号：CN116566838A

公开(公告)日：2023-08-08

申请号：CN202310700813.0

申请日：2023-06-14

Applicant: 重庆邮电大学

Inventor： 李云 ,  陈振涵 ,  鲜永菊 ,  左琳立

IPC: H04L41/14 ,  H04L41/142 ,  H04L67/10 ,  H04L67/12

Abstract: 本发明属于移动通信技术领域，具体涉及一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法；该方法包括：构建车联网系统模型；基于车联网系统模型构建任务卸载决策模型、内容缓存决策模型和区块链模型；根据任务卸载决策模型、内容缓存决策模型和区块链模型构建最小化系统能耗与开销优化问题；采用A3C算法求解最小化系统能耗与开销优化问题，得到车联网任务卸载和内容缓存方案；本发明在减少系统时延、降低系统能耗和计算开销上具有显著的优势，并且提高了用户的服务质量，同时本发明的复杂度较低。

公开(公告)号：CN115175217A

公开(公告)日：2022-10-11

申请号：CN202210758663.4

申请日：2022-06-30

Applicant: 重庆邮电大学

Inventor： 夏士超 ,  姚枝秀 ,  左琳立 ,  李云 ,  吴广富

IPC: H04W24/02 ,  H04W24/06

Abstract: 本发明属于移动通信技术领域，涉及一种基于多智能体的资源分配和任务卸载优化方法；所述方法包括将异构网络环境中的边缘云服务器和能量收集使能的移动设备均视为可独立决策的智能体单元，结合实际计算卸载场景，将边缘云资源分配和移动设备任务卸载的收益构造出斯塔克尔伯格博弈模型，考虑到随机时变的边缘环境和不完备的状态观测，将斯塔克尔伯格博弈模型再次建模为部分可观测马尔可夫决策过程，并建立采用多智能体的深度强化学习算法求解部分可观测马尔可夫决策过程博弈模型，以学习最优的边缘云资源协同分配策略和任务卸载策略。本发明能够有效提高边缘云服务器的任务计算成功率，并降低移动设备的任务丢弃率。