CN106844051A - 一种边缘计算环境中功耗优化的负载任务迁移算法 - Google Patents
一种边缘计算环境中功耗优化的负载任务迁移算法 Download PDFInfo
- Publication number
- CN106844051A CN106844051A CN201710043453.6A CN201710043453A CN106844051A CN 106844051 A CN106844051 A CN 106844051A CN 201710043453 A CN201710043453 A CN 201710043453A CN 106844051 A CN106844051 A CN 106844051A
- Authority
- CN
- China
- Prior art keywords
- node
- task
- migration
- queue
- migrated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
- G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种边缘计算环境中功耗优化的负载任务迁移算法,包括:在边缘计算集群中监测获得各个节点CPU利用率和节点的温度;将所得节点CPU利用率和温度分别与预设阈值比较,确定所有的超负载节点;将所有的超负载节点进行随机排列,生成一个超负载节点队列,并根据迁移目标生成迁移目标队列;根据最少迁移任务个数原则统计待迁移任务并生成待迁移任务队列;选择新迁移任务队列中迁移时间最短的节点并将其作为待迁移任务的迁移目标节点;将每个待迁移任务和选取的目标节点按照对应关系生成迁移列表,以生成任务迁移方案。本发明可减少边缘计算系统中的服务等级协议的违规和性能下降,通过均衡边缘计算系统的功耗,使得任务执行更加均衡和高效。
Description
技术领域
本发明涉及一种边缘计算环境中功耗优化的负载任务迁移算法,属于云计算技术与物联网技术应用结合的技术领域。
背景技术
边缘计算是一种基于互联网共享计算资源、存储资源、数据资源和应用资源的服务方式,为其他设备在虚拟计算环境中提供优化的计算服务。边缘计算区别于传统的云计算,边缘计算在靠近终端的部分有一层“边缘”层,该“边缘”层是由一些性能不一、更为分散的各类计算系统组成,其基本结构框架如图1所示,渗入工厂、汽车、电器、街灯、无线基站及人们生活中的各类用品,有了这层“边缘”层之后,有些云计算任务就可以在“边缘”层执行,并不需要将任务发送到云计算中心,因为这些任务更加靠近任务的服务对象即用户,通过这种方式有可能节省传输功耗并大大降低任务处理的时延。
随着边缘计算和物联网的快速发展,生活中越来越多的物联网设备也接入整个云计算环境中。这种计算和传统的云计算有着不同的特点,他比传统的云计算多了一层“边缘”层,与云计算相比,边缘计算所采用的架构更呈分布式,更接近网络边缘。边缘计算将数据、数据处理和应用程序集中在网络边缘的设备中,而不像云计算那样将他们几乎全部在云服务中心执行,数据的存储及处理更灵活的使用更接近用户的边缘计算节点而非远端的云节点。
边缘端的计算设备一般来说都是某些系统资源受限的设备,如CPU和内存计算资源、存储容量等。在边缘计算中,任务执行随着实际的需要通常可以在边缘端和云端之间迁移,例如将耗计算资源的任务发送到云端处理,而将时延要求较高的任务发送到边缘计算节点。这种任务的迁移方式可以缩短任务的执行时间、均衡系统能耗、减少服务等级协议(SLA)的违规、获取更好的用户体验。不过在任务迁移的过程中也需要额外消耗一些资源,如传输功耗、流量等。当发生任务迁移的时候,该任务迁移时间的最小化也是实现满意的服务质量的关键因素,因此如何权衡负载任务在边缘节点和云端是否应该迁移,以及应该如何迁移都是这种边缘计算系统架构中需要解决的问题。
现有的任务迁移技术通常仅仅探讨如何将任务动态或者静态划分,根据划分所分配给边缘端或者云端的计算设备执行,从而静态的预先设定负载任务调配方式。当前已知的这一类的调度算法有:先入先出调度算法,计算能力调度算法和公平调度算法。(1)先入先出调度算法思想是首先按照负载任务的优先级的高低,再按照任务到达的时间先后,来调度任务的执行。算法思想简单,调度器的开销小,但忽视了不同任务的需求差异。(2)计算能力调度算法通常使用多个任务队列,组织任务到队列中,每个队列可以占有一定比例的集群资源,在同一个队列的任务共享队列资源。每一个队列内部还是优先按照任务优先级,其次比较任务的到达时间来给任务分配资源。每个队列强制的分配给每个用户受限制的容量,这样保证队列中的资源不被一个任务所占用。该调度对公平性的考虑较少,因而会出现一个任务长时间占用大量测试资源,以至于其后的任务只能等待,这样就会使用户的体验较差。(3)公平调度算法目的是让所有的任务随着时间的推移,都能平均的获取近似等同的共享资源。仅仅一个任务在运行时,它将使用整个集群资源。当有其他的任务提交上来时,系统会将CPU空闲时间片赋给这些新的任务,以使得每个任务大概获取等量的执行时间,该调度算法比较适合多用户,小任务较多的共享集群任务调度。这一类算法的缺点在于,其均没有考虑到边缘计算的边缘端远离云节点靠近用户的这个特点,另外一方面这些算法对因任务迁移的时间过长而产生的边缘计算系统的性能影响亦均未作考虑。
边缘计算架构中通常存在着较多的分布式的异构计算节点,而现有技术将任务动态分配至边缘计算端或者到云计算端进行处理,尚未充分优化整个边缘计算系统中富余的计算能力。在边缘计算架构中,边缘节点处于远离云计算中心的地理位置,其对迁移时间的影响不可忽视,所以在边缘环境中的任务迁移调度算法必然要考虑到迁移时间对服务质量带来的影响。另外一方面,目前尚未存在针对边缘计算的功耗、CPU利用率和温度等度量指标对节点任务进行优化调度的算法,而边缘计算本身也是一个近几年来出现的新概念,其本身也是处在原型研究阶段,在边缘计算架构中如何实现系统功耗优化和负载均衡仍然是一个开放问题。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种边缘计算环境中基于迁移时间最小的功耗优化的负载任务迁移算法,解决现有技术在边缘环境下的各种节点无法结合节点的功耗、CPU利用率和温度,迁移时间等度量指标,对节点任务进行均衡调度的问题,以减少边缘计算系统中的服务等级协议SLA的违规和性能下降。
本发明具体采用以下技术方案解决上述技术问题:
一种边缘计算环境中功耗负载均衡优化的负载任务迁移算法,包括以下步骤:
步骤1、在边缘计算集群中监测获得各个节点的指标,其中节点指标包括节点的CPU利用率和节点的温度;
步骤2、将监测所得每个节点的CPU利用率和节点温度分别与预设阈值比较,确定所有的超负载节点;
步骤3、将所有的超负载节点进行随机排列,生成一个超负载节点队列Q;将边缘计算集群中所有未写入超负载节点队列Q中的节点列为迁移目标,并根据所述迁移目标生成迁移目标队列L;
步骤4、从超负载节点队列Q中每个超负载节点上根据最少迁移任务个数原则统计待迁移任务,并生成超负载节点队列Q中所有节点的待迁移任务队列T;
步骤5、根据所述待迁移任务队列T中的待迁移任务和迁移目标队列L,计算每一个待迁移任务Ti执行迁移到迁移目标队列中第j个节点Lj所需要的花销函数Ci(j);根据所述花销函数Ci(j)排序并选出迁移目标队列中花销函数Ci(j)低于预设花销阈值的所有节点,及根据所选出的节点生成新迁移任务目标队列根据待迁移任务Ti执行迁移到新迁移任务队列所需迁移时间进行排序,选择新迁移任务目标队列中迁移时间最短的节点并将其作为该待迁移任务Ti的迁移目标节点;
步骤6、将每个待迁移任务Ti和其选取的目标节点按照对应关系生成迁移列表,以生成任务迁移方案。
进一步地,作为本发明的一种优选技术方案:所述步骤4还包括根据每个超负载节点上单个待迁移任务的CPU利用率排序,并优先选择CPU利用率最大的任务写入待迁移任务队列T直到该节点的CPU利用率低于预设阈值为止。
进一步地,作为本发明的一种优选技术方案:所述步骤5评估每一个待迁移任务Ti所需要的花销函数Ci(j),采用公式:
Ci(j)=ηi(j)·Λi(j)·ti(j)+αj·Λi(j)
其中,ηi(j)表示待迁移任务Ti迁移到迁移目标队列中第j个节点Lj的单位时间内传输单位字节数据的能耗;Λi(j)表示待迁移任务Ti迁移到迁移目标队列中第j个节点Lj所需要传输的总数据字节数;ti(j)表示传输时间;αj是迁移目标队列中第j个节点Lj上处理单位字节的数据所需要的能耗。
进一步地,作为本发明的一种优选技术方案:所述步骤5还包括当迁移目标队列L中不存在待迁移任务Ti的目标节点,则将待迁移任务Ti写入无法迁移任务进程队列F并上报。
本发明采用上述技术方案,能产生如下技术效果:
本文提出了一种边缘计算环境中功耗优化的负载任务迁移算法,本方法和传统的在云计算环境下进行的任务调度算法不同,本方法针对基于边缘计算的环境中将迁移时间和功耗优化联合考虑,该方法使用的弹性较大。该调度方法在调度过程中:第一,考虑了最少迁移任务个数策略,避免任务在节点之间来回迁移产生过多功耗,产生迁移震荡;第二,本发明把温度这一重要影响因素考虑到算法之中,这是在基于边缘计算的其他文献中尚未有人提及的,这样对功耗的减少和提高任务的处理效率更加准确;第三,本发明采用改进的任务迁移算法可以优化任务调度的过程的花销的同时最小化迁移的时间,从而通过均衡边缘计算系统的功耗以减少边缘计算系统中的服务等级协议SLA的违规和性能下降。
综上可见,该方法在通过任务迁移的方法均衡边缘计算系统的功耗,从而使得任务的执行更加的高效,为边缘计算架构创造更高的效益,提高用户的服务质量。
附图说明
图1为现有技术中边缘计算的基本结构框架示意图。
图2为本发明的边缘计算环境中功耗优化的负载任务迁移算法的流程示意图。
图3为本发明的生成超负载节点队列Q的流程示意图
图4为本发明中生成待待迁移任务队列T的流程示意图。
图5为本发明中生成任务迁移方案的流程示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图2所示,本发明设计了一种边缘计算环境中功耗优化的负载任务迁移算法,包括以下步骤:
步骤1、在边缘计算系统的边缘计算集群中监测获得各个边缘节点和云节点的工作指标,其中工作指标包括节点CPU利用率和温度。
步骤2、将监测所得每个计算节点的CPU利用率或温度分别与预设阈值比较,确定所有的超负载节点,其中预设阈值可以根据人为设定或通过计算确定的节点最佳CPU利用率和温度。即:若监测所得每个节点的CPU利用率或温度中只要有一项超出预设阈值,则认为该节点为超负载节点,并且该超负载节点上存在部分任务需要被迁移。并且对整个边缘计算集群中的节点进行遍历,直至所有的超负载节点都被确定。
步骤3、将所有的超负载节点进行随机排列,生成一个超负载节点队列Q;将边缘计算集群中所有的未写入队列Q中的节点被列为迁移目标,并据此生成迁移目标队列L,其流程示意如图3所示。
步骤4、选择一个超负载节点队列Q中每个超负载节点上的待迁移任务,统计确定所有超负载节点上需要待迁移的任务,并根最少迁移任务个数原则将统计的所有待迁移任务排列生成待迁移任务队列T,该原则优先选择占用该节点CPU较多的任务进程,使得任务进程迁移的个数最少。其流程示意如图4所示,该过程具体如下:
步骤4-1、首先,通过访问超负载节点队列Q上的一个节点Qi确定该超负载节点上可以迁移的任务列表S,其中i为自然数,表示第i个超负载节点。
步骤4-2、在该节点的所有可迁移任务列表S中,根据其CPU占有率排序,优选根据每个超负载节点上单个待迁移任务的CPU利用率排序,并优先选择CPU利用率最大的任务写入待迁移任务队列T直到该节点的CPU利用率低于预设阈值为止。即:选取CPU利用率最大的可迁移任务进程的标识号Sm同该节点的节点名Qi一同写入待迁移的任务队列T,并将Sm从S中移除,其中m为自然数,表示第m个任务进程。
步骤4-3、计算该超负载节点的当前CPU利用率减去任务进程Sm的CPU利用率得出一个差值△P,如果这个差值△P大于预设的阈值,则重复步骤4-2,如果这个差值小于预设的阈值,则重复步骤4-1直到遍历完超负载节点队列Q的所有超负载节点进入步骤5。
步骤5、根据步骤4所产生的待迁移任务队列T中的待迁移任务和步骤3中产生的迁移目标队列L,对每一个待迁移任务进程Ti模拟计算并确定其迁移目标节点,其流程示意如图5所示,该过程具体如下:
步骤5-1、计算该待迁移任务进程Ti执行本次迁移到迁移目标队列中第j个节点Lj上所需要的花销函数Ci(j),这里i和j均为自然数,i表示第i个待迁移任务,j表示第j个迁移目标节点:
Ci(j)=ηi(j)·Λi(j)·ti(j)+αj·Λi(j) (1)
公式中,ηi(j)表示实现第i个待迁移任务Ti迁移到迁移目标队列L中第j个迁移目标节点Lj中单位时间内传输单位字节数据的能耗;Λi(j)表示实现待迁移任务Ti迁移到迁移目标队列L中第j个迁移目标节点Lj所需要传输的总数据字节数;ti(j)表示传输时间;αj表示迁移过程中第j个迁移目标节点Lj上处理单位字节的数据所需要的能耗。
步骤5-2、重复步骤5-1直至遍历所有迁移目标队列L中的节点,并根据L中所有节点Ci(j)的值排序,然后选出在这些节点中针对任务Ti的迁移花销低于预设花销阈值的所有目标结点并生成新队列这里优选地,如果迁移目标队列L中不存在适合迁移的目标节点,则将待迁移任务Ti写入一个无法迁移队列F并上报,然后重复步骤5-1处理下一个待迁移进程Ti+1。
步骤5-3、通过节点相互之间响应时间检测获得Ti迁移到中每一个节点的迁移时间,并将迁移时间进行排序,选择中迁移时间最短的节点作为任务Ti的迁移目标节点。
步骤5-4、重复步骤5直到T中所有的待迁移任务进程Ti被遍历完。
步骤6、将每个待迁移任务Ti和其选取的目标节点按照对应关系生成一个迁移列表,以生成任务迁移方案,同时系统获取得到上报的无法迁移任务进程队列F。
本发明结合节点的工作温度这一重要影响因素和最小迁移时间提出一种新的任务调度算法,该方法综合考虑到边缘节点处于远离云计算中心的地理位置,其对迁移时间的影响不可忽视,本发明将迁移时间对服务质量带来的影响和功耗均衡统一考虑针对边缘计算的功耗、CPU利用率和温度,迁移时间等度量指标对节点任务进行联合优化调度。
综上,本发明方法在保证任务在规定时间完成的情况下均衡边缘系统的功耗,从而减少边缘计算系统中的服务等级协议SLA的违规和性能下降。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种边缘计算环境中功耗优化的负载任务迁移算法,其特征在于,包括以下步骤:
步骤1、在边缘计算集群中监测获得各个节点的指标,其中节点指标包括节点的CPU利用率和节点的温度;
步骤2、将监测所得每个节点的CPU利用率和节点温度分别与预设阈值比较,确定所有的超负载节点;
步骤3、将所有的超负载节点进行随机排列,生成一个超负载节点队列Q;将边缘计算集群中所有未写入超负载节点队列Q中的节点列为迁移目标,并根据所述迁移目标生成迁移目标队列L;
步骤4、从超负载节点队列Q中每个超负载节点上根据最少迁移任务个数原则统计待迁移任务,并生成超负载节点队列Q中所有节点的待迁移任务队列T;
步骤5、根据所述待迁移任务队列T中的待迁移任务和迁移目标队列L,计算每一个待迁移任务Ti执行迁移到迁移目标队列L中第j个节点Lj所需要的花销函数Ci(j);根据所述花销函数Ci(j)排序并选出迁移目标队列中花销函数Ci(j)低于预设花销阈值的所有节点,及根据所选出的节点生成新迁移任务队列根据待迁移任务Ti执行迁移到新迁移任务队列上每一个节点所需迁移时间进行排序,选择新迁移任务队列中迁移时间最短的节点并将其作为该待迁移任务Ti的迁移目标节点;
步骤6、将每个待迁移任务Ti和其选取的目标节点按照对应关系生成迁移列表,以生成任务迁移方案。
2.根据权利要求1所述边缘计算环境中功耗优化的负载任务迁移算法,其特征在于,所述步骤4还包括根据每个超负载节点上单个待迁移任务的CPU利用率排序,并优先选择CPU利用率最大的任务写入待迁移任务队列T直到该节点的CPU利用率低于预设阈值为止。
3.根据权利要求1所述边缘计算环境中功耗优化的负载任务迁移算法,其特征在于,所述步骤5计算每一个待迁移任务Ti所需要的花销函数Ci(j),采用公式:
Ci(j)=ηi(j)·Λi(j)·ti(j)+αj·Λi(j)
其中,ηi(j)表示待迁移任务Ti迁移到迁移目标队列中第j个节点Lj的单位时间内传输单位字节数据的能耗;Λi(j)表示待迁移任务Ti迁移到迁移目标队列中第j个节点Lj所需要传输的总数据字节数;ti(j)表示传输时间;αj是迁移目标队列中第j个节点Lj上处理单位字节的数据所需要的能耗。
4.根据权利要求1所述边缘计算环境中功耗优化的负载任务迁移算法,其特征在于,所述步骤5还包括当迁移目标队列L中不存在待迁移任务Ti的目标节点,则将待迁移任务Ti写入无法迁移任务进程队列F并上报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710043453.6A CN106844051A (zh) | 2017-01-19 | 2017-01-19 | 一种边缘计算环境中功耗优化的负载任务迁移算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710043453.6A CN106844051A (zh) | 2017-01-19 | 2017-01-19 | 一种边缘计算环境中功耗优化的负载任务迁移算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106844051A true CN106844051A (zh) | 2017-06-13 |
Family
ID=59119428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710043453.6A Pending CN106844051A (zh) | 2017-01-19 | 2017-01-19 | 一种边缘计算环境中功耗优化的负载任务迁移算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106844051A (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509276A (zh) * | 2018-03-30 | 2018-09-07 | 南京工业大学 | 一种边缘计算环境中的视频任务动态迁移方法 |
CN108499100A (zh) * | 2018-03-30 | 2018-09-07 | 南京工业大学 | 一种基于边缘计算的云游戏错误恢复方法及系统 |
CN109358967A (zh) * | 2018-09-26 | 2019-02-19 | 中国联合网络通信集团有限公司 | 一种me平台app实例化迁移方法及服务器 |
CN109688177A (zh) * | 2017-10-18 | 2019-04-26 | 中国移动通信有限公司研究院 | 一种数据同步方法及装置、设备、存储介质 |
CN109714382A (zh) * | 2018-09-18 | 2019-05-03 | 贵州电网有限责任公司 | 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 |
CN109885397A (zh) * | 2019-01-15 | 2019-06-14 | 长安大学 | 一种边缘计算环境中时延优化的负载任务迁移算法 |
CN109905859A (zh) * | 2019-01-14 | 2019-06-18 | 南京信息工程大学 | 一种用于车联网应用的高效边缘计算迁移方法 |
CN109936615A (zh) * | 2017-12-15 | 2019-06-25 | 财团法人工业技术研究院 | 行动边缘平台服务器及用户设备内容的迁移管理方法 |
CN110190981A (zh) * | 2019-04-11 | 2019-08-30 | 浙江工业大学 | 一种基于非正交多址接入的多任务计算迁移能耗优化方法 |
CN110231976A (zh) * | 2019-05-20 | 2019-09-13 | 西安交通大学 | 一种基于负载预测的边缘计算平台容器部署方法及系统 |
CN110348681A (zh) * | 2019-06-04 | 2019-10-18 | 国网浙江省电力有限公司衢州供电公司 | 一种电力cps动态负荷分配方法 |
CN110535896A (zh) * | 2018-05-25 | 2019-12-03 | 中兴通讯股份有限公司 | 一种边缘计算应用迁移的方法和装置 |
CN110716580A (zh) * | 2018-07-11 | 2020-01-21 | 南京工业大学 | 一种边缘计算环境中的无人机编队负载均衡机制 |
CN110928658A (zh) * | 2019-11-20 | 2020-03-27 | 湖南大学 | 一种车边云协同架构的协同任务迁移系统及算法 |
CN111092755A (zh) * | 2019-12-05 | 2020-05-01 | 桂林电子科技大学 | 一种基于资源占用的边缘服务迁移仿真方法 |
CN111143059A (zh) * | 2019-12-17 | 2020-05-12 | 天津大学 | 改进的Kubernetes资源调度方法 |
CN111274035A (zh) * | 2020-01-20 | 2020-06-12 | 长沙市源本信息科技有限公司 | 边缘计算环境下的资源调度方法、装置和计算机设备 |
CN111459628A (zh) * | 2020-03-12 | 2020-07-28 | 重庆邮电大学 | 基于改进量子蚁群算法的Spark平台任务调度方法 |
CN111629046A (zh) * | 2020-05-22 | 2020-09-04 | 中国联合网络通信集团有限公司 | 边缘计算协同方法、边缘计算设备及终端 |
CN111901424A (zh) * | 2020-07-28 | 2020-11-06 | 苏州大学 | 云边协同网络资源平滑迁移与重构方法及系统 |
CN111954236A (zh) * | 2020-07-27 | 2020-11-17 | 河海大学 | 一种基于优先级的分层边缘计算卸载方法 |
CN111967766A (zh) * | 2020-08-18 | 2020-11-20 | 中新软件(上海)有限公司 | 一种基于绩效指标的串行任务分派方法 |
CN112087509A (zh) * | 2020-09-03 | 2020-12-15 | 哈尔滨工业大学 | 一种边缘计算平台中任务迁移方法 |
CN112511649A (zh) * | 2020-12-21 | 2021-03-16 | 新疆品宣生物科技有限责任公司 | 多接入边缘计算方法及设备 |
CN112925692A (zh) * | 2021-02-24 | 2021-06-08 | 重庆大学 | 一种多终端自主协同监测装置及其系统 |
US20210176174A1 (en) * | 2019-12-05 | 2021-06-10 | Institute For Information Industry | Load balancing device and method for an edge computing network |
CN113032145A (zh) * | 2021-03-18 | 2021-06-25 | 北京计算机技术及应用研究所 | 基于国产化多numa节点cpu结温均衡策略的任务调度方法 |
WO2021139726A1 (zh) * | 2020-01-07 | 2021-07-15 | 中科寒武纪科技股份有限公司 | 任务迁移的方法、装置、计算机设备及可读存储介质 |
CN113169990A (zh) * | 2018-11-30 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 具有动态卸载的深度学习推理的分割 |
CN113534867A (zh) * | 2020-04-13 | 2021-10-22 | 成都鼎桥通信技术有限公司 | 一种终端的温度控制方法 |
CN114039980A (zh) * | 2021-11-08 | 2022-02-11 | 郑州轻工业大学 | 面向边缘协同计算的低时延容器迁移路径选择方法及系统 |
CN117707741A (zh) * | 2024-02-05 | 2024-03-15 | 山东省计算中心(国家超级计算济南中心) | 基于空间位置的能耗均衡调度方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102790793A (zh) * | 2012-05-08 | 2012-11-21 | 北京邮电大学 | 一种面向云计算虚拟机迁移的决策方法及控制模块 |
CN103226467A (zh) * | 2013-05-23 | 2013-07-31 | 中国人民解放军国防科学技术大学 | 数据并行处理方法、系统及负载均衡调度器 |
CN104636197A (zh) * | 2015-01-29 | 2015-05-20 | 东北大学 | 一种数据中心虚拟机迁移调度策略的评价方法 |
CN104978236A (zh) * | 2015-07-07 | 2015-10-14 | 四川大学 | 一种基于多衡量指标的hdfs负载源宿节点选取方法 |
CN106095940A (zh) * | 2016-06-14 | 2016-11-09 | 齐鲁工业大学 | 一种基于任务负载的数据迁移方法 |
-
2017
- 2017-01-19 CN CN201710043453.6A patent/CN106844051A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102790793A (zh) * | 2012-05-08 | 2012-11-21 | 北京邮电大学 | 一种面向云计算虚拟机迁移的决策方法及控制模块 |
CN103226467A (zh) * | 2013-05-23 | 2013-07-31 | 中国人民解放军国防科学技术大学 | 数据并行处理方法、系统及负载均衡调度器 |
CN104636197A (zh) * | 2015-01-29 | 2015-05-20 | 东北大学 | 一种数据中心虚拟机迁移调度策略的评价方法 |
CN104978236A (zh) * | 2015-07-07 | 2015-10-14 | 四川大学 | 一种基于多衡量指标的hdfs负载源宿节点选取方法 |
CN106095940A (zh) * | 2016-06-14 | 2016-11-09 | 齐鲁工业大学 | 一种基于任务负载的数据迁移方法 |
Cited By (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688177B (zh) * | 2017-10-18 | 2022-02-25 | 中国移动通信有限公司研究院 | 一种数据同步方法及装置、设备、存储介质 |
CN109688177A (zh) * | 2017-10-18 | 2019-04-26 | 中国移动通信有限公司研究院 | 一种数据同步方法及装置、设备、存储介质 |
CN109936615A (zh) * | 2017-12-15 | 2019-06-25 | 财团法人工业技术研究院 | 行动边缘平台服务器及用户设备内容的迁移管理方法 |
CN109936615B (zh) * | 2017-12-15 | 2021-06-01 | 财团法人工业技术研究院 | 行动边缘平台服务器及用户设备内容的迁移管理方法 |
CN108509276A (zh) * | 2018-03-30 | 2018-09-07 | 南京工业大学 | 一种边缘计算环境中的视频任务动态迁移方法 |
CN108509276B (zh) * | 2018-03-30 | 2021-11-30 | 南京工业大学 | 一种边缘计算环境中的视频任务动态迁移方法 |
CN108499100A (zh) * | 2018-03-30 | 2018-09-07 | 南京工业大学 | 一种基于边缘计算的云游戏错误恢复方法及系统 |
CN108499100B (zh) * | 2018-03-30 | 2021-02-19 | 南京工业大学 | 一种基于边缘计算的云游戏错误恢复方法及系统 |
US11637891B2 (en) | 2018-05-25 | 2023-04-25 | Zte Corporation | Method and apparatus for transferring an edge computing application |
CN110535896A (zh) * | 2018-05-25 | 2019-12-03 | 中兴通讯股份有限公司 | 一种边缘计算应用迁移的方法和装置 |
CN110716580A (zh) * | 2018-07-11 | 2020-01-21 | 南京工业大学 | 一种边缘计算环境中的无人机编队负载均衡机制 |
CN109714382A (zh) * | 2018-09-18 | 2019-05-03 | 贵州电网有限责任公司 | 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 |
CN109714382B (zh) * | 2018-09-18 | 2021-06-25 | 贵州电网有限责任公司 | 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 |
CN109358967A (zh) * | 2018-09-26 | 2019-02-19 | 中国联合网络通信集团有限公司 | 一种me平台app实例化迁移方法及服务器 |
CN109358967B (zh) * | 2018-09-26 | 2021-01-05 | 中国联合网络通信集团有限公司 | 一种me平台app实例化迁移方法及服务器 |
CN113169990A (zh) * | 2018-11-30 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 具有动态卸载的深度学习推理的分割 |
CN113169990B (zh) * | 2018-11-30 | 2024-04-05 | 阿里巴巴集团控股有限公司 | 具有动态卸载的深度学习推理的分割 |
CN109905859A (zh) * | 2019-01-14 | 2019-06-18 | 南京信息工程大学 | 一种用于车联网应用的高效边缘计算迁移方法 |
CN109905859B (zh) * | 2019-01-14 | 2021-09-28 | 南京信息工程大学 | 一种用于车联网应用的高效边缘计算迁移方法 |
CN109885397B (zh) * | 2019-01-15 | 2023-04-07 | 长安大学 | 一种边缘计算环境中时延优化的负载任务迁移算法 |
CN109885397A (zh) * | 2019-01-15 | 2019-06-14 | 长安大学 | 一种边缘计算环境中时延优化的负载任务迁移算法 |
CN110190981A (zh) * | 2019-04-11 | 2019-08-30 | 浙江工业大学 | 一种基于非正交多址接入的多任务计算迁移能耗优化方法 |
CN110190981B (zh) * | 2019-04-11 | 2021-10-29 | 浙江工业大学 | 一种基于非正交多址接入的多任务计算迁移能耗优化方法 |
CN110231976B (zh) * | 2019-05-20 | 2021-04-20 | 西安交通大学 | 一种基于负载预测的边缘计算平台容器部署方法及系统 |
CN110231976A (zh) * | 2019-05-20 | 2019-09-13 | 西安交通大学 | 一种基于负载预测的边缘计算平台容器部署方法及系统 |
CN110348681B (zh) * | 2019-06-04 | 2022-02-18 | 国网浙江省电力有限公司衢州供电公司 | 一种电力cps动态负荷分配方法 |
CN110348681A (zh) * | 2019-06-04 | 2019-10-18 | 国网浙江省电力有限公司衢州供电公司 | 一种电力cps动态负荷分配方法 |
CN110928658B (zh) * | 2019-11-20 | 2024-03-01 | 湖南大学 | 一种车边云协同架构的协同任务迁移系统及算法 |
CN110928658A (zh) * | 2019-11-20 | 2020-03-27 | 湖南大学 | 一种车边云协同架构的协同任务迁移系统及算法 |
CN111092755A (zh) * | 2019-12-05 | 2020-05-01 | 桂林电子科技大学 | 一种基于资源占用的边缘服务迁移仿真方法 |
CN111092755B (zh) * | 2019-12-05 | 2022-05-03 | 桂林电子科技大学 | 一种基于资源占用的边缘服务迁移仿真方法 |
US20210176174A1 (en) * | 2019-12-05 | 2021-06-10 | Institute For Information Industry | Load balancing device and method for an edge computing network |
CN111143059A (zh) * | 2019-12-17 | 2020-05-12 | 天津大学 | 改进的Kubernetes资源调度方法 |
CN111143059B (zh) * | 2019-12-17 | 2023-10-20 | 天津大学 | 改进的Kubernetes资源调度方法 |
WO2021139726A1 (zh) * | 2020-01-07 | 2021-07-15 | 中科寒武纪科技股份有限公司 | 任务迁移的方法、装置、计算机设备及可读存储介质 |
CN111274035B (zh) * | 2020-01-20 | 2024-03-08 | 长沙市源本信息科技有限公司 | 边缘计算环境下的资源调度方法、装置和计算机设备 |
CN111274035A (zh) * | 2020-01-20 | 2020-06-12 | 长沙市源本信息科技有限公司 | 边缘计算环境下的资源调度方法、装置和计算机设备 |
CN111459628B (zh) * | 2020-03-12 | 2023-11-28 | 大庆市凯德信信息技术有限公司 | 基于改进量子蚁群算法的Spark平台任务调度方法 |
CN111459628A (zh) * | 2020-03-12 | 2020-07-28 | 重庆邮电大学 | 基于改进量子蚁群算法的Spark平台任务调度方法 |
CN113534867A (zh) * | 2020-04-13 | 2021-10-22 | 成都鼎桥通信技术有限公司 | 一种终端的温度控制方法 |
CN113534867B (zh) * | 2020-04-13 | 2023-05-12 | 成都鼎桥通信技术有限公司 | 一种终端的温度控制方法 |
CN111629046A (zh) * | 2020-05-22 | 2020-09-04 | 中国联合网络通信集团有限公司 | 边缘计算协同方法、边缘计算设备及终端 |
CN111954236A (zh) * | 2020-07-27 | 2020-11-17 | 河海大学 | 一种基于优先级的分层边缘计算卸载方法 |
CN111954236B (zh) * | 2020-07-27 | 2021-11-09 | 河海大学 | 一种基于优先级的分层边缘计算卸载方法 |
CN111901424A (zh) * | 2020-07-28 | 2020-11-06 | 苏州大学 | 云边协同网络资源平滑迁移与重构方法及系统 |
CN111901424B (zh) * | 2020-07-28 | 2021-09-07 | 苏州大学 | 云边协同网络资源平滑迁移与重构方法及系统 |
CN111967766B (zh) * | 2020-08-18 | 2023-10-24 | 中新软件(上海)有限公司 | 一种基于绩效指标的串行任务分派方法及设备 |
CN111967766A (zh) * | 2020-08-18 | 2020-11-20 | 中新软件(上海)有限公司 | 一种基于绩效指标的串行任务分派方法 |
CN112087509A (zh) * | 2020-09-03 | 2020-12-15 | 哈尔滨工业大学 | 一种边缘计算平台中任务迁移方法 |
CN112087509B (zh) * | 2020-09-03 | 2022-04-19 | 哈尔滨工业大学 | 一种边缘计算平台中任务迁移方法 |
CN112511649A (zh) * | 2020-12-21 | 2021-03-16 | 新疆品宣生物科技有限责任公司 | 多接入边缘计算方法及设备 |
CN112925692B (zh) * | 2021-02-24 | 2024-01-30 | 重庆大学 | 一种多终端自主协同监测装置及其系统 |
CN112925692A (zh) * | 2021-02-24 | 2021-06-08 | 重庆大学 | 一种多终端自主协同监测装置及其系统 |
CN113032145A (zh) * | 2021-03-18 | 2021-06-25 | 北京计算机技术及应用研究所 | 基于国产化多numa节点cpu结温均衡策略的任务调度方法 |
CN113032145B (zh) * | 2021-03-18 | 2023-12-26 | 北京计算机技术及应用研究所 | 基于国产化多numa节点cpu结温均衡策略的任务调度方法 |
CN114039980A (zh) * | 2021-11-08 | 2022-02-11 | 郑州轻工业大学 | 面向边缘协同计算的低时延容器迁移路径选择方法及系统 |
CN117707741A (zh) * | 2024-02-05 | 2024-03-15 | 山东省计算中心(国家超级计算济南中心) | 基于空间位置的能耗均衡调度方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844051A (zh) | 一种边缘计算环境中功耗优化的负载任务迁移算法 | |
Wang et al. | Dynamic resource scheduling in mobile edge cloud with cloud radio access network | |
Zhang et al. | Cost efficient scheduling for delay-sensitive tasks in edge computing system | |
CN103475538B (zh) | 一种基于多接口的自适应的云服务测试方法 | |
CN103491024B (zh) | 一种面向流式数据的作业调度方法及装置 | |
CN103401939A (zh) | 一种采用混合调度策略的负载均衡方法 | |
CN110069341A (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
Ma et al. | Fast algorithms for capacitated cloudlet placements | |
Karimiafshar et al. | Effective utilization of renewable energy sources in fog computing environment via frequency and modulation level scaling | |
CN106656555A (zh) | 一种云计算系统的服务资源动态调节方法 | |
Rawas et al. | Power and Cost-aware Virtual Machine Placement in Geo-distributed Data Centers. | |
Durga et al. | Context-aware adaptive resource provisioning for mobile clients in intra-cloud environment | |
Tao et al. | Congestion-aware traffic allocation for geo-distributed data centers | |
Qin et al. | Optimal workload allocation for edge computing network using application prediction | |
CN106357800A (zh) | 一种基于QoE的云计算服务架构 | |
Ma et al. | A novel approach to cost-efficient scheduling of multi-workflows in the edge computing environment with the proximity constraint | |
Chen et al. | Geo-distributed IoT data analytics with deadline constraints across network edge | |
He et al. | Online computation offloading for deadline-aware tasks in edge computing | |
Wang et al. | An online mean field approach for hybrid edge server provision | |
Fang et al. | Latency aware online tasks scheduling policy for edge computing system | |
Gao et al. | Overbooking-Enabled Task Scheduling and Resource Allocation in Mobile Edge Computing Environments | |
Li et al. | Data & computation-intensive service re-scheduling in edge networks | |
Han et al. | Service-aware based virtual network functions deployment scheme in edge computing | |
Xu et al. | Optimizing the cost-performance tradeoff for coflows across geo-distributed datacenters | |
Sengupta et al. | Collaborative learning-based schema for predicting resource usage and performance in F2C paradigm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |