CN107122249A - 一种基于边缘云定价机制的任务卸载决策方法 - Google Patents
一种基于边缘云定价机制的任务卸载决策方法 Download PDFInfo
- Publication number
- CN107122249A CN107122249A CN201710326505.0A CN201710326505A CN107122249A CN 107122249 A CN107122249 A CN 107122249A CN 201710326505 A CN201710326505 A CN 201710326505A CN 107122249 A CN107122249 A CN 107122249A
- Authority
- CN
- China
- Prior art keywords
- task
- edge cloud
- resource
- mrow
- processing
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于边缘云定价机制的任务卸载决策方法,属于移动通信网络技术领域。所述方法包括:将移动终端本身的资源抽象为一种与边缘云竞争的虚拟本地资源,然后将用户发起的请求划分成多个任务,通过边缘云价格动态变化,调整用户发起请求中任务卸载比例。根据边缘云与虚拟本地资源的联合效用值,并选取所述联合效用值最大时候的边缘云价格作为最终的定价。本发明公开的基于边缘云定价机制的任务卸载决策方法,在确保每一个任务服务质量的同时,可以有效平衡本地资源与边缘云资源的负载,充分利用系统各部分计算资源,使系统整体效用最大化。
Description
技术领域
本发明属于移动通信网络技术领域,涉及一种基于边缘云定价机制的任务卸载决策方法。
背景技术
在过去的几十年中,移动通信系统经历了从承载简单的语音业务到承载各类应用业务的迅猛发展,很大程度改变了人们的生活方式,同时成为推动国民经济发展、提升社会信息化水平的重要引擎。随着智能设备的普及,移动通信已经成为人们日常生活的一部分。而智能设备普及的结果就是一系列新的面向用户的移动多媒体应用随之而来,例如移动视频会议、流媒体、电子医疗和在线游戏等。这些新兴多媒体应用的引进使业务数据量呈指数倍的增长。近年来,研究人员采用移动云计算解决了业务数据量极具增长的问题。其中,任务卸载(Offloading)是移动云计算的基本实现方式,但该方式不能够总保持节省能量的状态。对于运算任务量比较小的时候,卸载可能比在本地处理消耗的能量更多。例如当一个修改代码编译后的大小为500KB,卸载需要消耗大约5%的设备电量用来通信,在本地处理需要大约10%的电量。在这种情况下,卸载节省了大约一半的电量。然而,当数据大小为250KB时,能效反而减少了30%。因为当数据量较小时,卸载比本地处理消耗了更多的电量。因此,决定是否卸载和卸载应用的哪一部分数据对于提高能效来说非常关键。
发明内容
有鉴于此,本发明的目的在于提供一种基于边缘云定价机制的任务卸载决策方法,可以有效平衡本地资源与边缘云资源的负载,充分利用系统各部分计算资源,使系统整体效用最大化。
为达到上述目的,本发明提供如下技术方案:
一种基于边缘云定价机制的任务卸载决策方法,包括以下步骤:
S1:将终端本身的计算资源抽象为一种与边缘云竞争的虚拟本地资源,并将终端发起的请求划分成多个任务;
S2:根据虚拟本地资源与边缘云资源的联合效用值,选取该联合效用值最大时的边缘云价格作为最终定价;
S3:通过边缘云价格的最终定价,调整终端发起的任务在虚拟本地资源或者卸载到边缘云处理的比例。
进一步,所述终端发起的任务卸载到边缘云处理需满足每一个任务的服务质量;所述每一个任务的服务质量表示为执行任务时关于时延和价格的表达式。
进一步,所述终端发起的任务的到达服从泊松分布,设总到达率为λ,选择在虚拟本地资源处理的任务比例为fl,选择卸载到边缘云处理的任务比例为fe,则虚拟本地资源任务到达率为flλ,边缘云处理的任务达到率为feλ,且fe+fl=1。
进一步,所述任务选择在虚拟本地资源处理时,完成任务所经历的总时间为tp(l)=tle+tlw,其中tle表示本地处理的时延,tlw表示本地处理等待的时延;
所述任务卸载到边缘云处理时,完成任务所经历的总时间tp(e)=twl+tb+tew+tee,其中twl表示终端将任务卸载到边缘云在无线链路所用的传输时延,tb表示任务卸载在基站和边缘云之间的传输时延,tew表示任务在边缘云排队等待时间,tee表示任务在边缘云处理的时延。
进一步,所述终端发起的任务的效用函数u(α)=R-ρE(tp(α))-ηpα,其中α∈{e,l},η,ρ>0,η与ρ分别是价格与时延对应的加权值,表示使用计算资源付出的费用与任务所经历的平均时延的重要程度,R表示完成一个任务的固定收益,对于每一个卸载到边缘云处理的任务,边缘云都会获得一定的收益pe,pe是任务使用边缘云资源付出的费用,任务使用本地资源处理的时候,需要付出的费用为pl;假定每个任务要求的收益最小为u0≥0;则有u(α)≥u0。
进一步,所述虚拟本地资源与边缘云资源的联合效用值由边缘云的效用函数决定,由收益和成本构成;成本是关于部署资源量ue相关的函数,当ue为定值时,成本也为一个定值,即运营成本Ce;设fe表示选择边缘云处理的任务比例,终端发起的任务总到达率为λ,则边缘云的任务达到率为feλ;边缘云的效用函数为Ue=feλpe-Ce;设fl表示选择在本地处理的任务比例,其中fe+fl=1,本地计算资源任务到达率为flλ,本地计算资源的效用函数为:Ul=flλpl-cl。
进一步,所述S3按照下列公式确定:
Ue>0;
fe+f1=1;
0≤fl≤1;
其中,Ul表示虚拟本地资源的效用,Ue表示边缘云资源的效用,u(α)表示完成一个任务的效用,fe表示选择边缘云进行处理的任务比例,fl表示选择在本地处理的任务比例,u0表示每个任务必须达到的最小收益。
本发明的有益效果在于:对在有边缘云部署的移动云计算场景中,本发明能合理调整任务在云端的卸载比例,有效平衡本地资源与边缘云资源的负载,使系统的负载达到均衡,充分利用系统各部分计算资源,提高资源利用率,在确保每一个任务服务质量(Quality of Service,QoS)的同时,使系统整体效用最大化。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为任务卸载决策场景示意图;
图2为任务划分与价格调整流程图;
图3为任务卸载决策流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明提供一种基于边缘云定价机制的任务卸载决策方法,请参阅图1,所述方法包括:
将终端自身的计算资源看作为虚拟本地资源,则虚拟本地资源可以抽象为一种边缘云的竞争者,移动终端发起的任务会选择在虚拟本地资源或者卸载到边缘云处理。而用户终端本身资源即虚拟本地资源是有限的。如果任务要使用虚拟本地资源处理,需要排队等待。而与本地资源相比,边缘云的计算资源虽然比较大,但是仍然是有限的,同时由于边缘云服务的范围比较广,所以任务在边缘云处理仍然需要排队。
将每一个任务的服务质量抽象表达为一个执行任务时关于时延和价格的表达式。任务在进行卸载决策时,首先需要满足每一个任务的服务质量。
联合考虑虚拟本地资源和边缘云资源的总体效用,当该效用值最大时,此时的边缘云价格和任务卸载比例就是最终的边缘云价格和任务卸载比例。
进一步地,将终端自身的计算资源看作为虚拟本地资源之后,所述方法还包括:
将用户发起的请求划分成相同的多个任务,可以选择在虚拟本地资源或者边缘云资源处理。假定计算任务的到达服从泊松分布,总到达率为λ。选择在本地处理的任务比例为fl,选择在边缘云处理的任务比例为fe;其中fe+fl=1。
进一步地,所述方法还包括:
当任务选择使用在移动终端本身即虚拟本地资源处理时,完成任务所经历的总时间tp(l)为:
tp(l)=tle+tlw
其中tle表示本地处理的时延,tlw表示本地处理等待的时延。
当任务选择在边缘云处理时,完成任务所经历的总时间tp(e)为:
tp(e)=twl+tb+tew+tee
其中twl表示移动终端将任务卸载到边缘云在无线链路所用的传输时延,tb表示任务卸载时,在基站和边缘云之间的传输时延,tew表示任务在边缘云排队等待时间,tee表示任务在边缘云处理的时延。
进一步地,将每一个任务的服务质量抽象表达为一个执行任务时关于时延和价格的表达式,任务在进行卸载决策时,首先需要满足每一个任务的服务质量包括:
完成一个任务的效用函数u(α)为:
u(α)=R-ρE(tp(α))-ηpα
其中α∈{e,l},η,ρ>0,η与ρ分别是价格与时延对应的加权值,表示使用计算资源付出的费用与任务所经历的平均时延的重要程度。R表示完成一个任务的固定收益,对于每一个卸载到边缘云计算的任务,边缘云都会获得一定的收益pe。这里需要说明:pe是任务使用边缘云资源付出的费用,任务使用本地资源处理的时候,需要付出的费用为pl。E(tp(α))表示任务经历的平均时延,每个任务只要满足QoS要求就可以认为此任务顺利完成。假定每个任务要求的收益最小为u0≥0。则有u(α)≥u0。
进一步地,联合考虑虚拟本地资源和边缘云资源的总体效用,当该效用值最大时,此时的边缘云价格和任务卸载比例就是最终的边缘云价格和任务卸载比例包括:
对于边缘云来说,边缘云的效用函数由两部分构成:收益和成本。部署的成本是关于部署资源量ue相关的函数,当ue为定值时,部署的成本也为一个定值,这个定值就是前文所提到的运营成本Ce。假定fe表示选择边缘云进行处理的任务比例。移动终端发起的任务总到达率为λ,则边缘云的任务达到率为feλ。边缘云的收益与任务到达率和处理每个任务收取的费用紧密相关。边缘云的效用函数Ue为:
Ue=feλpe-Ce
进一步地,所述方法还包括:
本地资源的效用函数与边缘云的效用函数类似,假定fl表示选择在本地处理的任务比例。为了确保移动终端发起的所有任务被完成,所以fe+fl=1。本地计算资源任务到达率为flλ。本地计算资源的效用函数Ul为:
Ul=flλpl-cl
进一步地,按照下述公式确定最终的边缘云价格与任务卸载比例:
Ue>0;
fe+f1=1;
0≤fl≤1;
其中,Ul表示虚拟本地资源的效用,Ue表示边缘云资源的效用,u(α)表示完成一个任务的效用,fe表示选择边缘云进行处理的任务比例,fl表示选择在本地处理的任务比例,u0表示每个任务必须达到的最小收益。
具体地,图2为为任务划分与价格调整流程图,包括以下步骤:
步骤201:将终端自身的计算资源看作为虚拟本地资源,则虚拟本地资源可以抽象为一种边缘云的竞争者,移动终端发起的任务会选择在虚拟本地资源或者卸载到边缘云处理。而用户终端本身资源即虚拟本地资源是有限的。如果任务要使用虚拟本地资源处理,需要排队等待。而与本地资源相比,边缘云的计算资源虽然比较大,但是仍然是有限的,同时由于边缘云服务的范围比较广,所以任务在边缘云处理仍然需要排队。用户根据自身业务的需要发起请求。
步骤202:将用户发起的请求划分成相同的多个任务,可以选择在虚拟本地资源或者边缘云资源处理。假定计算任务的到达服从泊松分布,总到达率为λ。选择在本地处理的任务比例为fl,选择在边缘云处理的任务比例为fe;其中fe+fl=1。将每一个任务的服务质量抽象表达为一个执行任务时关于时延和价格的表达式。任务在进行卸载决策时,首先需要满足每一个任务的服务质量。
步骤203:当任务选择使用在移动终端本身即虚拟本地资源处理时,完成任务所经历的总时间tp(l)为:
tp(l)=tle+tlw
其中tle表示本地处理的时延,tlw表示本地处理等待的时延。
当任务选择在边缘云处理时,完成任务所经历的总时间tp(e)为:
tp(e)=twl+tb+tew+tee
其中twl表示移动终端将任务卸载到边缘云在无线链路所用的传输时延,tb表示任务卸载时,在基站和边缘云之间的传输时延,tew表示任务在边缘云排队等待时间,tee表示任务在边缘云处理的时延。计算u(α)=R-ρE(tp(α))-ηpα,其中α∈{e,l},η,ρ>0,η与ρ分别是价格与时延对应的加权值,表示使用计算资源付出的费用与任务所经历的平均时延的重要程度。R表示完成一个任务的固定收益,E(tp(α))表示任务经历的平均时延。
步骤204:每个任务要求的收益最小为u0≥0,判断u(α)≥u0是否成立。
步骤205:当满足任务的最小收益要求的时候,说明此时价格偏低,所以提高价格获取更多的利润。
步骤206:当不满足任务最小收益要求的时候,说明此时价格偏高,任务不能按照要求完成,用户体验降低,所以要降低价格。
参阅图3,具体来说,本发明提供的方法包括以下流程:
步骤301:计算边缘云的效用函数由两部分构成:收益和成本。部署的成本是关于部署资源量ue相关的函数,当ue为定值时,部署的成本也为一个定值,这个定值就是前文所提到的运营成本Ce。假定fe表示选择边缘云进行处理的任务比例。移动终端发起的任务总到达率为λ,则边缘云的任务达到率为feλ。边缘云的收益与任务到达率和处理每个任务收取的费用紧密相关。边缘云的效用函数Ue为:
Ue=feλpe-Ce
本地资源的效用函数与边缘云的效用函数类似,假定fl表示选择在本地处理的任务比例。为了确保移动终端发起的所有任务被完成,所以fe+fl=1。本地计算资源任务到达率为flλ。本地计算资源的效用函数Ul为:
Ul=flλpl-cl
分别计算Ue与Ul。
步骤302:按照下述公式确定最终的边缘云价格与任务卸载比例:
Ue>0;
fe+f1=1;
0≤fl≤1;
其中,Ul表示虚拟本地资源的效用,Ue表示边缘云资源的效用,u(α)表示完成一个任务的效用,fe表示选择边缘云进行处理的任务比例,fl表示选择在本地处理的任务比例,u0表示每个任务必须达到的最小收益。
步骤303:此时卸载到边缘云处理的效用函数更大,所以卸载到边缘云处理。
步骤304:此时卸载到虚拟本地资源处理的效用函数更大,所以卸载到虚拟本地资源处理。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.一种基于边缘云定价机制的任务卸载决策方法,其特征在于:该方法包括以下步骤:
S1:将终端本身的计算资源抽象为一种与边缘云竞争的虚拟本地资源,并将终端发起的请求划分成多个任务;
S2:根据虚拟本地资源与边缘云资源的联合效用值,选取该联合效用值最大时的边缘云价格作为最终定价;
S3:通过边缘云价格的最终定价,调整终端发起的任务在虚拟本地资源或者卸载到边缘云处理的比例。
2.根据权利要求1所述的一种基于边缘云定价机制的任务卸载决策方法,其特征在于:所述终端发起的任务卸载到边缘云处理需满足每一个任务的服务质量;所述每一个任务的服务质量表示为执行任务时关于时延和价格的表达式。
3.根据权利要求1所述的一种基于边缘云定价机制的任务卸载决策方法,其特征在于:所述终端发起的任务的到达服从泊松分布,设总到达率为λ,选择在虚拟本地资源处理的任务比例为fl,选择卸载到边缘云处理的任务比例为fe,则虚拟本地资源任务到达率为flλ,边缘云处理的任务达到率为feλ,且fe+fl=1。
4.根据权利要求1或3所述的一种基于边缘云定价机制的任务卸载决策方法,其特征在于:所述任务选择在虚拟本地资源处理时,完成任务所经历的总时间为tp(l)=tle+tlw,其中tle表示本地处理的时延,tlw表示本地处理等待的时延;
所述任务卸载到边缘云处理时,完成任务所经历的总时间tp(e)=twl+tb+tew+tee,其中twl表示终端将任务卸载到边缘云在无线链路所用的传输时延,tb表示任务卸载在基站和边缘云之间的传输时延,tew表示任务在边缘云排队等待时间,tee表示任务在边缘云处理的时延。
5.根据权利要求1所述的一种基于边缘云定价机制的任务卸载决策方法,其特征在于:所述终端发起的任务的效用函数u(α)=R-ρE(tp(α))-ηpα,其中α∈{e,l},η,ρ>0,η与ρ分别是价格与时延对应的加权值,表示使用计算资源付出的费用与任务所经历的平均时延的重要程度,R表示完成一个任务的固定收益,对于每一个卸载到边缘云处理的任务,边缘云都会获得一定的收益pe,pe是任务使用边缘云资源付出的费用,任务使用本地资源处理的时候,需要付出的费用为pl;假定每个任务要求的收益最小为u0≥0;则有u(α)≥u0。
6.根据权利要求1所述的一种基于边缘云定价机制的任务卸载决策方法,其特征在于:所述虚拟本地资源与边缘云资源的联合效用值由边缘云的效用函数决定,由收益和成本构成;成本是关于部署资源量ue相关的函数,当ue为定值时,成本也为一个定值,即运营成本Ce;设fe表示选择边缘云处理的任务比例,终端发起的任务总到达率为λ,则边缘云的任务达到率为feλ;边缘云的效用函数为Ue=feλpe-Ce;设fl表示选择在本地处理的任务比例,其中fe+fl=1,本地计算资源任务到达率为flλ,本地计算资源的效用函数为:Ul=flλpl-cl。
7.根据权利要求1所述的一种基于边缘云定价机制的任务卸载决策方法,其特征在于:所述S3按照下列公式确定:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>e</mi>
</msub>
<mo>)</mo>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mi>l</mi>
</msub>
<mo>+</mo>
<msub>
<mi>U</mi>
<mi>e</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>&alpha;</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mi>e</mi>
<mo>,</mo>
<mi>l</mi>
<mo>}</mo>
<mo>;</mo>
</mrow>
Ue>0;
fe+f1=1;
0≤fl≤1;
其中,Ul表示虚拟本地资源的效用,Ue表示边缘云资源的效用,u(α)表示完成一个任务的效用,fe表示选择边缘云进行处理的任务比例,fl表示选择在本地处理的任务比例,u0表示每个任务必须达到的最小收益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710326505.0A CN107122249A (zh) | 2017-05-10 | 2017-05-10 | 一种基于边缘云定价机制的任务卸载决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710326505.0A CN107122249A (zh) | 2017-05-10 | 2017-05-10 | 一种基于边缘云定价机制的任务卸载决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107122249A true CN107122249A (zh) | 2017-09-01 |
Family
ID=59727453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710326505.0A Pending CN107122249A (zh) | 2017-05-10 | 2017-05-10 | 一种基于边缘云定价机制的任务卸载决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122249A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766135A (zh) * | 2017-09-29 | 2018-03-06 | 东南大学 | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 |
CN107995312A (zh) * | 2017-12-19 | 2018-05-04 | 上海海事大学 | 一种边界网络服务流量分流系统及动态分流方法 |
CN107995660A (zh) * | 2017-12-18 | 2018-05-04 | 重庆邮电大学 | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 |
CN108418850A (zh) * | 2018-01-11 | 2018-08-17 | 上海交通大学 | 基于半分布式的高能效云端融合计算方法及系统 |
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 |
CN108920273A (zh) * | 2018-06-21 | 2018-11-30 | 河南科技大学 | 一种边缘云的计算卸载激励方法 |
CN109005057A (zh) * | 2018-07-19 | 2018-12-14 | 华北电力大学 | 一种基于契约匹配理论的计算资源分配与任务卸载方案 |
CN109104743A (zh) * | 2018-07-09 | 2018-12-28 | 南京邮电大学 | 一种异构无线网络中基于定价的数据卸载方法 |
CN109165972A (zh) * | 2018-07-30 | 2019-01-08 | 广东工业大学 | 一种基于任务迁移机制的移动区块链资源分配方法 |
CN110928691A (zh) * | 2019-12-26 | 2020-03-27 | 广东工业大学 | 一种面向交通数据的端边协同计算卸载方法 |
CN111274037A (zh) * | 2020-01-21 | 2020-06-12 | 中南大学 | 一种边缘计算任务卸载方法、系统 |
CN111447512A (zh) * | 2020-03-09 | 2020-07-24 | 重庆邮电大学 | 一种面向边缘云卸载的节能方法 |
CN111796942A (zh) * | 2020-07-13 | 2020-10-20 | 郑州轻工业大学 | 一种感知云资源成本支出的边缘部署方法 |
CN112099932A (zh) * | 2020-09-16 | 2020-12-18 | 广东石油化工学院 | 边缘计算中软-硬截止期任务卸载的最佳定价方法及系统 |
CN112799833A (zh) * | 2021-01-26 | 2021-05-14 | 华南理工大学 | 面向边缘计算的车辆应用卸载的分布式定价方法与系统 |
CN113114733A (zh) * | 2021-03-24 | 2021-07-13 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
-
2017
- 2017-05-10 CN CN201710326505.0A patent/CN107122249A/zh active Pending
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766135A (zh) * | 2017-09-29 | 2018-03-06 | 东南大学 | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 |
CN107766135B (zh) * | 2017-09-29 | 2021-04-27 | 东南大学 | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 |
CN107995660A (zh) * | 2017-12-18 | 2018-05-04 | 重庆邮电大学 | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 |
CN107995312A (zh) * | 2017-12-19 | 2018-05-04 | 上海海事大学 | 一种边界网络服务流量分流系统及动态分流方法 |
CN107995312B (zh) * | 2017-12-19 | 2021-02-09 | 上海海事大学 | 一种边界网络服务流量分流系统及动态分流方法 |
CN108418850B (zh) * | 2018-01-11 | 2020-12-22 | 上海交通大学 | 基于半分布式的高能效云端融合计算方法及系统 |
CN108418850A (zh) * | 2018-01-11 | 2018-08-17 | 上海交通大学 | 基于半分布式的高能效云端融合计算方法及系统 |
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 |
CN108920273A (zh) * | 2018-06-21 | 2018-11-30 | 河南科技大学 | 一种边缘云的计算卸载激励方法 |
CN108920273B (zh) * | 2018-06-21 | 2022-01-28 | 河南科技大学 | 一种边缘云的计算卸载激励方法 |
CN109104743A (zh) * | 2018-07-09 | 2018-12-28 | 南京邮电大学 | 一种异构无线网络中基于定价的数据卸载方法 |
CN109104743B (zh) * | 2018-07-09 | 2021-08-03 | 南京邮电大学 | 一种异构无线网络中基于定价的数据卸载方法 |
CN109005057A (zh) * | 2018-07-19 | 2018-12-14 | 华北电力大学 | 一种基于契约匹配理论的计算资源分配与任务卸载方案 |
CN109005057B (zh) * | 2018-07-19 | 2021-02-12 | 华北电力大学 | 一种基于契约理论和匹配理论的资源分配与任务卸载方法 |
CN109165972A (zh) * | 2018-07-30 | 2019-01-08 | 广东工业大学 | 一种基于任务迁移机制的移动区块链资源分配方法 |
CN110928691A (zh) * | 2019-12-26 | 2020-03-27 | 广东工业大学 | 一种面向交通数据的端边协同计算卸载方法 |
CN111274037A (zh) * | 2020-01-21 | 2020-06-12 | 中南大学 | 一种边缘计算任务卸载方法、系统 |
CN111274037B (zh) * | 2020-01-21 | 2023-04-28 | 中南大学 | 一种边缘计算任务卸载方法、系统 |
CN111447512B (zh) * | 2020-03-09 | 2021-10-26 | 重庆邮电大学 | 一种面向边缘云卸载的节能方法 |
CN111447512A (zh) * | 2020-03-09 | 2020-07-24 | 重庆邮电大学 | 一种面向边缘云卸载的节能方法 |
CN111796942A (zh) * | 2020-07-13 | 2020-10-20 | 郑州轻工业大学 | 一种感知云资源成本支出的边缘部署方法 |
CN111796942B (zh) * | 2020-07-13 | 2021-03-30 | 郑州轻工业大学 | 一种感知云资源成本支出的边缘部署方法 |
CN112099932A (zh) * | 2020-09-16 | 2020-12-18 | 广东石油化工学院 | 边缘计算中软-硬截止期任务卸载的最佳定价方法及系统 |
CN112799833A (zh) * | 2021-01-26 | 2021-05-14 | 华南理工大学 | 面向边缘计算的车辆应用卸载的分布式定价方法与系统 |
CN112799833B (zh) * | 2021-01-26 | 2023-02-10 | 华南理工大学 | 面向边缘计算的车辆应用卸载的分布式定价方法与系统 |
CN113114733A (zh) * | 2021-03-24 | 2021-07-13 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
CN113114733B (zh) * | 2021-03-24 | 2022-07-08 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122249A (zh) | 一种基于边缘云定价机制的任务卸载决策方法 | |
CN111240701B (zh) | 一种端-边-云协同计算的任务卸载优化方法 | |
Zhou et al. | Reverse auction-based computation offloading and resource allocation in mobile cloud-edge computing | |
CN107682443A (zh) | 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法 | |
Chen et al. | On the computation offloading at ad hoc cloudlet: architecture and service modes | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN107295109A (zh) | 自组织网络云计算中的任务卸载与功率分配联合决策方法 | |
Chen et al. | Delay guaranteed energy-efficient computation offloading for industrial IoT in fog computing | |
CN109002358A (zh) | 基于深度强化学习的移动终端软件自适应优化调度方法 | |
CN111132235B (zh) | 基于改进hrrn算法和多属性决策的移动卸载迁移算法 | |
CN107708152B (zh) | 异构蜂窝网络的任务卸载方法 | |
CN111163519A (zh) | 系统收益最大化的无线体域网资源分配与任务卸载算法 | |
CN110069325A (zh) | 基于任务分类的移动边缘计算任务调度方法 | |
CN109144719B (zh) | 移动云计算系统中基于马尔科夫决策过程的协作卸载方法 | |
CN111949409B (zh) | 一种电力无线异构网中计算任务卸载方法及系统 | |
CN110519370B (zh) | 一种基于设施选址问题的边缘计算资源分配方法 | |
CN105446817B (zh) | 移动云计算中一种基于鲁棒优化的联合资源预留配置算法 | |
CN110096362A (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
CN110968366B (zh) | 一种基于有限mec资源的任务卸载方法、装置及设备 | |
CN110489176A (zh) | 一种基于装箱问题的多接入边缘计算任务卸载方法 | |
CN104484233B (zh) | 一种资源分配方法 | |
CN106095529B (zh) | 一种c-ran架构下的载波迁移方法 | |
WO2023142402A1 (zh) | 基于d2d通信的多任务联合计算卸载与资源分配方法 | |
CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
Kan et al. | QoS-aware mobile edge computing system: Multi-server multi-user scenario |
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 |
Application publication date: 20170901 |
|
RJ01 | Rejection of invention patent application after publication |