Efficient mobile edge computing development with drone integration

Sanatkar, Talaye (2024). Efficient mobile edge computing development with drone integration. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

Mobile Edge Computing (MEC) has revolutionized mobile networks by bringing computation and storage closer to users. The integration of drones enhances this approach by introducing dynamic mobility and flexibility, thereby expanding the capabilities of edge computing. Drones and Software-Defined Networking (SDN) technology integrate intricately to form an innovative MEC system development method. Drones within MEC present both unique challenges and opportunities, acting as mobile edge servers in remote or densely populated areas where conventional infrastructure is lacking, dynamically deploying to areas with sudden demand spikes, optimizing resource allocation, and enhancing quality of service (QoS). SDN is a key part of making drones, MEC servers, and traditional network infrastructure work together. It does this by separating the control and data planes, which allows for centralized management and dynamic resource allocation. This increases scalability, flexibility, and efficiency while facilitating seamless integration with existing networks and enabling efficient routing and traffic management in dynamic MEC environments.

This master’s thesis delves into a comprehensive framework for developing efficient MEC systems with drone integration and SDN. Drone-Enabled MEC Architecture This innovative design leverages unmanned aerial vehicles (UAVs) as mobile edge servers to enhance the capacity and reach of MEC infrastructure. SDN-Based Using real-time network circumstances and application needs, a centralized SDN controller dynamically orchestrates the deployment and operation of MEC servers and drones.

Advanced deep learning algorithms are utilized for the prediction and optimization of Quality of Service (QoS). Firstly, enhance the effectiveness of deep learning models by training them to accurately forecast QoS measures, including latency, throughput, and packet loss. Such models can utilize intricate patterns in input characteristics to offer more precise predictions and enhance QoS optimization. Secondly, Apply deep learning methods to enhance quality of service (QoS) by dynamically optimizing resource allocation and routing decisions using projected QoS metrics. Implementing these strategies can guarantee the consistent fulfillment of service level agreements (SLAs), hence improving the user experience in dynamic multi-access edge computing (MEC) environments.

By integrating deep learning into the model, we can improve the effectiveness, scalability, and robustness of mobile edge computing (MEC) systems by incorporating drone integration, software-defined networking (SDN), and machine learning approaches. Deep learning techniques improve prediction accuracy, enable adaptive decision-making, and facilitate proactive security measures, thereby optimizing performance and advancing the development of edge computing infrastructures.

Titre traduit

Développement efficace de l’informatique en périphérie mobile avec l’intégration des drones

Résumé traduit

L’informatique en périphérie mobile (MEC) a transformé les réseaux mobiles en rapprochant le calcul et le stockage des utilisateurs. Les drones augmentent cette innovation en ajoutant mobilité et adaptabilité, renforçant ainsi les capacités de l’informatique en périphérie. L’intégration des drones avec la technologie des réseaux définis par logiciel (SDN) forme une nouvelle approche pour développer des systèmes MEC. Les drones dans le MEC introduisent des défis et des opportunités uniques, servant de serveurs de périphérie mobiles dans des zones dépourvues d’infrastructures conventionnelles ou connaissant des pics de demande soudains. Ce déploiement dynamique optimise l’allocation des ressources et améliore la qualité de service (QoS). Le SDN joue un rôle crucial dans l’intégration des drones, des serveurs MEC et des infrastructures de réseau traditionnelles en séparant les plans de contrôle et de données, permettant ainsi une gestion centralisée et une allocation dynamique des ressources. Cela améliore l’évolutivité, la flexibilité et l’efficacité, garantissant une intégration transparente des réseaux et un routage efficace dans des environnements MEC dynamiques.

Ce mémoire de maîtrise présente un cadre complet pour le développement de systèmes MEC efficaces avec l’intégration des drones et du SDN. L’architecture MEC habilitée par drones utilise des véhicules aériens sans pilote (UAV) comme serveurs de périphérie mobiles pour étendre la capacité et la portée de l’infrastructure MEC. Un contrôleur SDN centralisé orchestre dynamiquement le déploiement et l’exploitation des serveurs MEC et des drones en fonction des conditions du réseau en temps réel et des exigences des applications. Des algorithmes avancés d’apprentissage profond sont employés pour prédire et optimiser la QoS, améliorant la précision des modèles pour prévoir des mesures de QoS telles que la latence, le débit et la perte de paquets. Ces modèles identifient des motifs d’entrée complexes pour des prédictions précises et une optimisation de la QoS. Les méthodes d’apprentissage profond optimisent également dynamiquement l’allocation des ressources et le routage à l’aide des métriques de QoS prédites, garantissant ainsi le respect constant des accords de niveau de service (SLA) et améliorant l’expérience utilisateur dans les environnements MEC dynamiques.

En intégrant l’apprentissage profond, l’intégration des drones, le SDN et l’apprentissage automatique, l’efficacité, l’évolutivité et la robustesse des systèmes MEC sont considérablement améliorées. L’apprentissage profond améliore la précision des prévisions, permet une prise de décision adaptative et soutient les mesures de sécurité proactive, optimisant ainsi les performances et faisant progresser le développement des infrastructures d’informatique en périphérie.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 67-70).
Mots-clés libres:	informatique en périphérie mobile (MEC), véhicules aériens sans pilote (UAV), réseaux définis par logiciel (SDN), techniques d’apprentissage profond, optimisation
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kadoch, Michel
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	20 mars 2025 19:20
Dernière modification:	20 mars 2025 19:20
URI:	https://espace.etsmtl.ca/id/eprint/3553

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt