Augmented Reality (AR)-Anwendungen gewinnen immer mehr an Bedeutung, da sie computergenerierte Daten mit der realen Welt durch Hardware-Geräte kombinieren können. AR-Anwendungen reagieren extrem empfindlich auf Verzögerungen und haben hohe Anforderungen an die Datenverarbeitung und Kommunikation. Bei der Ausführung von AR-Anwendungen auf mobilen Geräten konnte der Batterieverbrauch der mobilen Geräte [1-3] die Anforderungen der Benutzer nicht erfüllen. erwarten. Um dieses Problem zu lösen, wird in der Literatur [3-6] der Einsatz von mobilem Edge Computing vorgeschlagen, um die aktuellen Probleme zu lösen. Die Benutzer verlagern die Berechnung vieler Daten, die für die Ausführung von AR-Anwendungen erforderlich sind, auf einen nahe gelegenen Cloud-Server, der mit der Basisstation verbunden ist. Die Ausführung kann im Vergleich zum lokalen Computing den lokalen Energieverbrauch einsparen und im Vergleich zum zentralen Cloud Computing die Übertragungsverzögerungszeit verringern.
Mit Blick auf die Probleme der Verzögerung und des Energieverbrauchs der Endgeräte, die durch die Hochgeschwindigkeitsdatenübertragung und -berechnung verursacht werden, wird ein Übertragungsplan mit gleichmäßiger Leistungsverteilung im Uplink vorgeschlagen. Zunächst wird ein Systemmodell für AR-Eigenschaften auf der Grundlage der kollaborativen Attribute von Augmented Reality (AR)-Diensten erstellt; zweitens wird die Systemrahmenstruktur im Detail analysiert, und es werden Einschränkungen festgelegt, um den Gesamtenergieverbrauch des Systems als Optimierungsziel zu minimieren; schließlich wird unter der Bedingung, dass der Ressourcenverbrauch und der Energieverbrauch die Einschränkungen erfüllen, ein mathematisches Modell für die Optimierung von MEC-Ressourcen (Mobile Edge Computing) auf der Grundlage konvexer Optimierung erstellt, um den optimalen Plan für die Zuweisung von Kommunikations- und Rechenressourcen zu erhalten. Im Vergleich zur unabhängigen Übertragung beträgt die Gesamtenergieeinsparung dieses Plans 14,6%, wenn die maximale Verzögerungszeit 0,1 s bzw. 0,15 s beträgt. Die Simulationsergebnisse zeigen, dass unter den gleichen Bedingungen der Optimierungsplan, der auf der unabhängigen Übertragung von Nutzern basiert, mit dem MEC-Optimierungsplan mit gleicher Leistung, der die kooperative Übertragung zwischen Nutzern berücksichtigt, den Gesamtenergieverbrauch des Systems erheblich reduzieren kann.
Mit der explosionsartigen Zunahme der Anzahl mobiler Geräte und dem Aufkommen zahlreicher neuer Anwendungen ist der Datenverkehr in Mobilfunknetzen exponentiell gestiegen. Die herkömmliche zentralisierte Netzarchitektur kann die Anforderungen der mobilen Nutzer aufgrund überlasteter Backhaul-Verbindungen und langer Verzögerungen nicht erfüllen. Daher wird eine neue Architektur vorgeschlagen, die die Netzkapazitäten vom Kernnetz auf das Randnetz überträgt, nämlich Mobile Edge Computing (MEC). Mobile Edge Computing kann leichtgewichtige Cloud-Computing- und Speicherfunktionen am Rande des Mobilfunknetzes bereitstellen. Für das mobile Edge Computing werden die neuesten Forschungsergebnisse im Detail besprochen: Zunächst werden der Entwicklungsprozess, die Schlüsselfragen und die unterstützenden Technologien des mobilen Edge Computing skizziert; dann werden die vier zentralen Forschungsfragen der MEC-Architektur, der Rechenmigration, des marginalen Cachings und der Service-Orchestrierung erörtert. Es wird ein umfassender Überblick gegeben und es werden typische Anwendungsfälle des mobilen Edge Computing wie Augmented Reality, Virtual Reality, dynamische Inhaltsbereitstellung, Internet der Fahrzeuge und Internet der Dinge besprochen; schließlich wird von der Funktionsverbesserung des mobilen Edge Computing, der Service-Qualitätssicherung und der Sicherheitsverfügbarkeit ausgegangen Diese drei Aspekte geben einen Ausblick auf die offenen Forschungsherausforderungen und künftigen Entwicklungstrends des mobilen Edge Computing.Edge-Computing-Gateway
Arbeiten in der Literatur zeigen, dass durch eine gemeinsame Optimierung der Zuteilung von Kommunikations- und Rechenressourcen der Energieverbrauch von Mobilgeräten unter Einhaltung von Verzögerungsvorgaben erheblich gesenkt werden kann. Ihre Arbeit kann auf mehrere Benutzer angewendet werden, die allgemeine Anwendungen unabhängig voneinander ausführen. AR-Anwendungen Das Programm hat jedoch seine eigene, einzigartige Natur. Alle Nutzer können einige der gleichen Daten hoch- und herunterladen, und auch die Rechenaufgaben werden auf einem oder mehreren Servern geteilt. Daher können die Kommunikations- und Rechenressourcen durch eine gemeinsame Optimierung der Kommunikations- und Rechenressourcen reduziert werden. overhead.
AR-Anwendungen überlagern die Bilder der realen Welt durch den Bildschirm und die Kamera des Mobilgeräts mit einigen Computerbildern. Das in Abbildung 1 dargestellte Blockdiagramm veranschaulicht diesen Prozess. Zur Durchführung dieses Prozesses sind fünf Komponenten erforderlich [3-4]: 1) Videoquelle, die zunächst die Original-Videobilder von der Handykamera erhält; 2) Tracker, der die relative Position des Benutzers in der aktuellen Umgebung identifiziert und verfolgt; 3) Mapper, der ein Modell der aktuellen Umgebung erstellt; 4) Objekterkenner, der bekannte Objekte in der aktuellen Umgebung identifiziert; 5) Renderer, der die verarbeiteten Bilder anzeigt. Die Komponenten Videoquelle und Renderer müssen auf dem mobilen Gerät ausgeführt werden, während die Berechnungen der rechenintensivsten Komponenten Tracker, Mapper und Objekterkennung in die Cloud ausgelagert werden können. Wenn die Aufgabe ausgelagert wird, können Mapper und Zielerkenner außerdem Eingaben von allen Benutzergeräten am gleichen geografischen Standort sammeln, wodurch redundante Informationen, die über den Uplink des Benutzers übertragen werden, begrenzt werden. Darüber hinaus können die Ergebnisse von Mapper- und Objekterkennungsberechnungen von der Cloud aus im Multicast-Verfahren an alle Benutzer an denselben Standorten im Downlink übertragen werden.