CN107708152B - 异构蜂窝网络的任务卸载方法 - Google Patents
异构蜂窝网络的任务卸载方法 Download PDFInfo
- Publication number
- CN107708152B CN107708152B CN201711213245.2A CN201711213245A CN107708152B CN 107708152 B CN107708152 B CN 107708152B CN 201711213245 A CN201711213245 A CN 201711213245A CN 107708152 B CN107708152 B CN 107708152B
- Authority
- CN
- China
- Prior art keywords
- user
- unloading
- function
- backlog
- time slice
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
Abstract
本发明涉及通信技术领域,特别涉及一种异构蜂窝网络的任务卸载方法,包括:建立用户卸载任务请求,并预置参数;构造李雅普诺夫函数以及目标函数;最大化用户卸载效用的同时最小化队列积压量,根据网络异构对其用户卸载任务的影响,其WIFI连接时间是否确定并求解最优卸载量的方法,即如果设置的WIFI连接时间确定,则采取拉格朗日优化方法求解最优卸载量;否则采取随机规划求解最优卸载量;本发明考虑用户系统卸载效用最大化,减少卸载队列积压量,考虑用户的移动性,网络异构对其用户卸载任务的影响,使得用户卸载效用最大的同时,不但大幅降低了用户端卸载任务的积压,而且减少了系统的拥塞。
Description
本发明涉及云计算技术领域,特别涉及一种异构蜂窝网络的任务卸载方法。
背景技术
在“移动”时代,产业之间加速相互渗透整合,而技术和服务仍然是竞争的焦点所在。国际市场调研机构eMarketer公布的数据显示,2016年全球使用智能手机的人数已超过20亿人。智能手机市场趋于饱和,基于智能手机的相关业务进入快速发展阶段。这些业务包括移动支付、手机游戏、移动电商、移动资讯、移动出行等。然而移动终端(如智能手机、平板电脑)作为人们处理业务的重要工具,越来越多的人将重要的业务放到移动终端上来运行,而移动终端相对于台式计算机在运算能力,内存以及电池能耗上劣势,基于移动云服务的移动云计算孕育而生,是一种将云计算和移动互联网相融合的新技术,已成为一个新兴研究领域,受到了国内外学者的广泛关注。因此移动云计算成为了人们便捷生活和工作的有力保障。
为提高计算处理能力,降低终端能耗,提高用户满意度,移动用户可以将数据处理和存储迁移到云端来改善其移动终端处理能力弱、存储空间小以及电池续航时间短等性能缺陷。云端可将移动终端的数据处理和存储作为一种业务应用来为用户提供相应的服务。移动云计算中的无线信道与传统移动互联网中的无线信道一样,都是随时空的不同动态变化的,且较低的传输速率会导致较高的传输能耗。在传统移动互联网中,一些学者采用适当延缓数据交付的方式来优化传输能耗,文献“J.Lee and N.Jindal,“Energy-EfficientScheduling of Delay Constrained Traffic over Fading Channels,”IEEETrans.Wireless Commun.,vol.8,no.4,pp.1866-75,Apr.2009.”将这一能耗优化问题建模为延时受限的能耗最优化问题,并采用凸优化方法来求解最优解,但是这种方式很难满足用户对不同业务的延时需求,因此具有一定的局限性。文献“C.-P.Li,M.J.Neely,“Energy-Optimal Scheduling with Dynamic Channel Acquisition in WirelessDownlinks,”IEEE Transactions on Mobile Computing,Vol.9,no.4,pp.527-539,Apr.2010.”所提方法仅从数据在信道中传输的角度来考虑问题,虽然可满足用户对不同业务的延时需求,但是当用户长期处于弱覆盖或干扰严重的区域时,不断到达信道的业务数据也会促使系统在信道状态较差时向用户交付数据,从而导致较高的传输能耗。由此可见,针对用户进行数据采集、传输和处理等方面的应用。仅从业务交付的角度来考虑问题不能有效地减少传输能耗。当前的研究只是针对用户的吞吐量与能耗等方面做了大量的研究,未曾想过用户卸载任务的最终目的是获得更多的收益。然而,另一方面用户在将应用卸载云端处理的时候以及需要通过无线传输才能交付给移动终端;考虑网络异构,不同链接(蜂窝、WIFI)对卸载应用成本产生影响;显然卸载的带宽成本是用户考虑是否卸载、卸载多少业务量的关键因素之一;减少用户卸载任务产生的卸载成本是需要解决的问题;考虑业务的实时性以及数据积压量,也需要谨慎决策,需要综合考虑应用卸载带来的卸载任务所获得的效用和数据积压量。
发明内容
针对以上技术问题,本发明提出异构蜂窝网络的任务卸载方法,使得用户系统卸载效用最大的同时,而且大幅降低了用户端卸载任务的积压,减少了系统的拥塞。
本发明异构蜂窝网络的任务卸载方法,包括:
建立用户卸载任务请求,并预置参数;
构造李雅普诺夫函数以及目标函数;
根据在异构网络中,根据其目标函数,最大化用户卸载系统效用,减少用户端积压,并根据网络中WIFI连接时间是否确定来选择求解最优卸载量的方法,若为确定,则采取拉格朗日优化方法求解最优卸载量;否则采取随机规划求解最优卸载量。
优选的,所述建立用户卸载任务请求包括:
可以得到系统中每个用户卸载业务数据积压量的动态变化关系为:
Qi,k+1=max[0,Qi,k-bi,k]+Ai,k;
其中,用户端的每个用户队列积压量为Qi,k,用户到达的数据量为Ai,k,卸载到云端的数据量为bi,k。
优选的,所述构造李雅普诺夫函数以及第一目标函数包括:
构造李雅普诺夫函数,其次在第k时间片内李雅普诺夫函数的变化得到李雅普诺夫转移函数,并获取控制阀值V有关的第一惩罚函数;
根据李雅普诺夫优化方法,通过控制参数阀值V在数据积压与系统卸载效用之间获取一个折中点,可以通过控制阀值V来进行控制用户卸载应用获得效用与队列积压,证明用户卸载效用和队列与控制阀值V之间的关系;
估计在第k时间片内李雅普诺夫函数的变化得到李雅普诺夫转移函数,获取控制阀值V有关的第二惩罚函数;
根据李雅普洛夫优化方法和第二惩罚函数得到第一目标函数。
进一步地,所述求解最优卸载量包括:
当前用户与云端在WIFI网络下的连接时间不确定的情况下,采用了随机规划的方法对其用户的移动性所带来的卸载带宽成本进行估测。
本发明使得用户系统卸载效用最大的同时,而且大幅降低了用户端卸载任务的积压,减少了系统的拥塞,考虑了用户与云端之间的网路连接,在WIFI网络中的连接时间确定下和不确定下的方法找到最优卸载量,从而在最大化系统卸载效用和减低队列积压。
附图说明
图1为本发明中任务卸载决策算法整体框架图;
图2为本发明的系统模型图;
图3为本发明中队列积压与系统卸载效用随着控制阀值V的变化;
图4为本发明中队列积压随着不同数据到达率的变化;
图5为本发明中系统卸载效用随着不同的数据到达率的变化。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本发明一种异构蜂窝网络的任务卸载方法,如图1,包括:
建立用户卸载任务请求,并预置参数;
构造李雅普诺夫函数以及目标函数;
根据目标函数最大化用户系统卸载效用,减少用户队列积压,再根据设置的WIFI连接时间是否确定来选择求解最优卸载量的方法,若为确定,则采取拉格朗日优化方法求解最优卸载量;否则采取随机规划求解最优卸载量。
本发明的系统模型由移动用户端,异构蜂窝网络,云端数据中心三个部分组成,如图2,假设当前网络中存在n个移动用户,即i={1,2,…,n},其中i表示当前的用户数,K表示系统参数总时间片数,且k∈(1,2,....K)。在每个k时间片内,用Qi,k={Q1,k,Q2,k...,Qn,k}表示由第i个移动用户卸载应用产生的业务数据队列(例如:内容,多媒体业务);Qi,k表示第i个用户在第k时间片内卸载应用的业务数据积压量,当用户终端接收到应用卸载请求时,假设第i个用户在第k时间片内到达的业务数据量为Ai,k,其中Ai,k是服从均值为λi的泊松分布且Ai,k独立同分布,表示为且第i个用户卸载数据量存在最大的业务到达数据量所有的用户即i∈{1,2,...n}以及所有的时间片内都满足bi,k表示第i个用户在第k时间片内发送到云端的业务数据量,且存在最大的发送业务量为且所有的用户以及所有的时间片内即i∈(1,2,...n)内都满足bi,k={b1,k,b2,k...,bn,k}。
本发明定义了用户的卸载收益函数,其次定义了计算成本函数,最后考虑网络异构不同链接(蜂窝、WIFI)对移动用户卸载产生的影响,定义了带宽成本函数。本发明采用对数函数表示用户卸载应用到云端所获得的收益函数:根据在第k个时间片到达的业务量和网络之间的连接来决定该用户发送多少业务量到云端进行处理。则用户卸载应用的卸载收益定义为Pi,k,则:
Pi,k=αlog[1+bi,k];
这里和bwf,k表示WIFI网络下用户与云端数据中心的连接时间和网络带宽,bi,k表示第i个用户在第k时间片内卸载到云端的业务数据量,γ和θ分别表示在WIFI网络和蜂窝网络中传输业务数据的单位时间带宽传输成本,其中γ<θ;用户在每个时间片内卸载应用过程中,根据用户卸载应用到云端获得的收益与相应的计算成本与带宽成本,则可以计算出该用户卸载应用过程中获得的效用函数Ui,k:
本发明考虑当网络的连接情况导致的数据传输的积压问题时,采用李雅普诺夫优化理论来进行解决问题,其中李雅普诺夫函数表示影响系统稳定的状态量,在发明中这些状态量是由队列长度Qi,k反映的队列稳定状态量,在保证系统的稳定下,则根据用户卸载业务数据积压量的动态变化关系,构造李雅普诺夫函数,其次估计在第k时间片内李雅普诺夫函数的变化得到李雅普诺夫转移函数,增加一个与控制阀值V有关的第一惩罚函数即可得到转移-惩罚项,最后给定任意控制阀值V>0,在任bi,k={b1,k,b2,k...,bn,k},Ai,k={A1,k,A2,k...,An,k}下,根据李雅普洛夫优化方法,得到第一推理函数:
从上述公式可以得出以下结论,可以通过控制阀值V来进行控制用户卸载任务的传输与队列积压之间的关系,通过李雅普诺夫优化方法,为了获得任何能够满足系统稳定的系统效用最大化以及数据积压的任务传输策略的特征,以及Caratheodory理论,假设存在极限阈值ε>0使得λ+ε∈Λ,其中Λ表示网络数据容量,其范围根据当前的网络数据容量而定,则最后得到系统卸载效用和数据积压量上限分别为:
其中,为队列的平均値Qi,k表示第i个用户在第k时间片内卸载应用的业务数据积压量,为效用函数的平均值,Uk表示稳定的调度算法系统的效用,表示稳定的调度算法系统的最优效用,Umax表示稳定的调度算法系统的最大效用,B为常数,K表示系统参数总时间片数,且时间单元k∈(1,2,....K),n表示用户数量,λ为Ai,k的期望。
得到了用户卸载效用和数据积压与控制阀值V的折中关系后,其次为了最大化用户卸载效用以及减少用户卸载过程中用户端的积压量,估计在第k时间片内李雅普诺夫函数的变化得到李雅普诺夫转移函数,重新定义一个与控制阀值V有关的第二惩罚函数即可得到转移-惩罚项,最后给定任意控制阀值V>0,在任bi,k={b1,k,b2,k...,bn,k},Ai,k={A1,k,A2,k...,An,k}下,根据李雅普洛夫优化方法,得到第二推理函数:
因此,从第二推理函数中到了的需要解决问题的第二目标函数:
Minimize:
Subject to:
其中,bcf,k表示第i个用户在第k时间片内蜂窝网络中的带宽传输速率。保证系统队列稳定。式子卸载任务量小于系统的当前第k时间片内到达的任务量和积压总和。约束条件i=[1,...,n]确保了第i个用户在第k时间片内到达的任务量小于最大的到达数据约束条件i=[1,...,n]确保了第i个用户在第k时间片内到达的任务量小于最大的到达数据
得到目标函数之后,因为这里的B值是一个常数,将第一目标函数进行转化,得到第二目标函数:
约束条件:
variables bi,k≥0,i=1,...,n
在异构网络中,求解最优解的过程中,在给定当前用户与云端在WIFI网络下的连接时间值时,推导出当前满足目标函数最小化的最优值注意到,在第k时间片内,每个用户的数据到达量Ai,k为不可控参数,为了使得第二目标函数最大化,同时在满足一些约束条件下,最优解可以利用拉格朗日乘数法进行计算,即构造拉格朗日函数:
这里的A为:
本发明还考虑了网络连接的随机性,当前用户与云端在WIFI网络下的连接时间不确定的情况下,采用了随机规划的方法对其用户的移动性所带来的卸载带宽成本进行估测。定义Ωi为用户i在第k时间片内的WIFI网络下的连接时间的样本空间值,对所有的用户进行采样,本发明定义Ω为Ωi的笛卡尔积集合,i∈(1,2,...n),则为:
本发明将随机模型定义为:
约束条件:
variables bi,k≥0,i=1,...,n
为了进一步说明本专利的有效性,图3-5为MATLAB环境下本发明与现有技术系统性能仿真图。本发明用户卸载任务请求的到达过程建模为一个服从参数为20Mbit/s的泊松分布过程,并且设置时间片数K=100,每个时间片T=60s,仿真中为移动用户数N=10,用户与云端WIFI下的连接时间服从指数分布函数,均值设置为14,不同网络的设置参数如下:WIFI网络下网络带宽为11Mpbs,蜂窝网络下的带宽为5Mbps,WIFI网络和蜂窝网络中传输业务数据单位时间传输成本γ=0.5,θ=1.5,α=2.5,为了简单起见,这里所有的用户在云端数据中心的单位时间计算单价:βi=0.065,仿真结果可以看出,本发明与部分卸载任务方法相比,通过数值分析,系统的队列积压随着不同的数据到达率的变化如图4所示,本发明与e-Time卸载任务方法相比,系统队列积压性能提升约18.09%;本发明随机估计方法性能提升了62.11%;并且对比其他的算法,本发明提出的方法平均积压量增长较为缓慢,有利于用户卸载的进程,减少系统队列的拥塞;同时,图5可以看出,随着控制到达率的数值增大,系统的卸载效用的随之增加,本发明与e-Time卸载任务方法相比,系统卸载效用性能提升约27.37%;本发明随机估计方法性能提升了71.67%;并且对比其他的算法,本发明提出的方法大大提升了用户卸载效用,有效的避免因数据量积压过大而导致较高的卸载开销的问题,而且在保证系统队列稳定的前提下,通过阈值V进行有效控制找到一个折中点,如图3所示,当V=4200为数据积压与系统卸载效用相反数的折中点,最大化用户系统效用的同时有效地控制减少系统的积压。
综上所述,根据本发明的上述实施例,提供了异构蜂窝网络的任务卸载方法,提高计算处理能力,降低终端能耗,使得用户卸载效用最大的同时,而且大幅降低了用户端卸载任务的积压,减少了系统的拥塞,考虑了用户与云端WIFI下的连接时间确定下和不确定下的方法找到最优卸载量,从而在最大化用户卸载效用的同时减少了用户卸载任务的队列积压。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
此外,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量,由此,限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括至少一个该特征,不能理解为对本发明的限制。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种异构蜂窝网络的任务卸载方法,其特征在于,包括:
建立用户卸载任务请求,并预置参数;
根据建立的用户卸载请求,构造李雅普诺夫函数以及第一目标函数,即包括:
构造李雅普诺夫函数,并估计在第k时间片内李雅普诺夫函数的变化得到李雅普诺夫转移函数,并获取与控制阀值V有关的第一惩罚函数和第一推理函数;
根据李雅普诺夫优化方法,采取控制阀值V在数据积压与系统卸载效用之间获取一个折中点,通过控制阀值V来控制用户卸载效用与队列积压之间的关系,获得用户卸载效用和队列积压与控制阀值V之间的关系;
估计在第k时间片内李雅普诺夫函数的变化得到李雅普诺夫转移函数,获取控制阀值V有关的第二惩罚函数和第二推理函数;
根据李雅普洛夫优化方法和第二惩罚函数得到目标函数;
根据目标函数最大化用户系统卸载效用,减少用户队列积压,再根据设置的WIFI连接时间是否确定选择求解最佳卸载量的方法,即若设置的WIFI连接时间为确定,则采取拉格朗日优化方法求解最优卸载量,否则采取随机规划求解最优卸载量。
2.根据权利要求1所述的异构蜂窝网络的任务卸载方法,其特征在于,所述建立用户卸载任务请求包括:
系统中每个用户卸载业务数据积压量的动态变化关系为:
Qi,k+1=max[0,Qi,k-bi,k]+Ai,k;
其中,Qi,k+1第i个用户在第k+1时间片内的业务数据积压量;Ai,k为第i个用户在第k时间片内到达的业务数据量,bi,k为第i个用户在第k时间片内发送到云端的数据量;Qi,k表示第i个用户在第k时间片内的业务数据积压量。
6.根据权利要求1所述的异构蜂窝网络的任务卸载方法,其特征在于,所述根据李雅普洛夫优化方法和第二惩罚函数得到第二目标函数包括:
第二目标函数为:
Minimize:
Subject to:
其中,V为控制阀值,表示括号内函数的期望收益,表示计算成本,表示第i个用户在第k时间片内卸载业务到云端数据中心产生的传输带宽成本,Ai,k第i个用户在第k时间片内到达的业务数据量,其中,Ai,k是服从均值为λi的泊松分布且Ai,k独立同分布,表示为且所有的用户都满足bi,k第i个用户在第k时间片内卸载到云端的数据量,且所有的用户都满足Amax为Ai,k到达任务量的最大值,bmax为bi,k发送任务量的最大值;Qi,k表示第i个用户在第k时间片内卸载的业务数据积压量,Pi,k表示卸载收益,B为常数,Qk表示队列积压的向量,n表示用户数;为当前第k时间片内到达的任务量和积压总和,表示为 bcf,k表示第i个用户在第k时间片内蜂窝网络中的带宽传输速率,表示WIFI网络下用户与云端数据中心的连接时间,bwf,k表示WIFI网络下用户与云端数据中心的网络带宽,Tk为一个时间片的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711213245.2A CN107708152B (zh) | 2017-11-28 | 2017-11-28 | 异构蜂窝网络的任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711213245.2A CN107708152B (zh) | 2017-11-28 | 2017-11-28 | 异构蜂窝网络的任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107708152A CN107708152A (zh) | 2018-02-16 |
CN107708152B true CN107708152B (zh) | 2021-06-18 |
Family
ID=61181134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711213245.2A Active CN107708152B (zh) | 2017-11-28 | 2017-11-28 | 异构蜂窝网络的任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107708152B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343904B (zh) * | 2018-09-28 | 2021-12-10 | 燕山大学 | 一种基于Lyapunov优化的雾计算动态卸载方法 |
CN109739513B (zh) * | 2018-11-22 | 2021-11-02 | 北京信息科技大学 | 一种多边缘云下服务请求动态调度方法及装置 |
CN109857546B (zh) * | 2019-01-03 | 2021-02-02 | 武汉理工大学 | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 |
CN109600774B (zh) * | 2019-01-17 | 2021-09-28 | 南京邮电大学 | 一种LTE网络中基于联盟博弈的WiFi卸载方法 |
CN109947545B (zh) * | 2019-03-11 | 2020-10-16 | 重庆邮电大学 | 一种基于用户移动性的任务卸载及迁移的决策方法 |
CN111258677B (zh) * | 2020-01-16 | 2023-12-15 | 北京兴汉网际股份有限公司 | 面向异构网络边缘计算的任务卸载方法 |
CN112600921B (zh) * | 2020-12-15 | 2022-05-10 | 重庆邮电大学 | 一种面向异构移动边缘网络的动态任务卸载方法 |
CN112860409B (zh) * | 2021-03-09 | 2022-10-04 | 合肥工业大学 | 基于李雅普诺夫优化的移动云计算随机任务序列调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105657716A (zh) * | 2016-01-21 | 2016-06-08 | 桂林电子科技大学 | 一种蜂窝网动态流量分担的频谱拍卖方法 |
CN107249218A (zh) * | 2017-06-05 | 2017-10-13 | 东南大学 | 一种mec中无线资源和云资源的联合分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2962485B1 (en) * | 2013-03-01 | 2019-08-21 | Intel IP Corporation | Wireless local area network (wlan) traffic offloading |
-
2017
- 2017-11-28 CN CN201711213245.2A patent/CN107708152B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105657716A (zh) * | 2016-01-21 | 2016-06-08 | 桂林电子科技大学 | 一种蜂窝网动态流量分担的频谱拍卖方法 |
CN107249218A (zh) * | 2017-06-05 | 2017-10-13 | 东南大学 | 一种mec中无线资源和云资源的联合分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107708152A (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107708152B (zh) | 异构蜂窝网络的任务卸载方法 | |
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
CN110113195B (zh) | 一种移动边缘计算系统中联合卸载判决和资源分配的方法 | |
CN106900011B (zh) | 一种基于mec的蜂窝基站间任务卸载方法 | |
CN110098969B (zh) | 一种面向物联网的雾计算任务卸载方法 | |
CN109951869B (zh) | 一种基于云雾混合计算的车联网资源分配方法 | |
CN111182570B (zh) | 提高运营商效用的用户关联和边缘计算卸载方法 | |
CN110798849A (zh) | 一种超密网边缘计算的计算资源分配与任务卸载方法 | |
Nath et al. | Multi-user multi-channel computation offloading and resource allocation for mobile edge computing | |
CN110351760A (zh) | 一种移动边缘计算系统动态任务卸载及资源分配方法 | |
CN112600921A (zh) | 一种面向异构移动边缘网络的动态任务卸载方法 | |
CN107820278B (zh) | 蜂窝网络时延与成本均衡的任务卸载方法 | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN111475274A (zh) | 云协同多任务调度方法及装置 | |
CN111836284B (zh) | 基于移动边缘计算的能耗优化计算、卸载方法和系统 | |
Fragkos et al. | Artificial intelligence enabled distributed edge computing for Internet of Things applications | |
CN114938381B (zh) | 一种基于深度强化学习的d2d-mec卸载方法 | |
KR102562732B1 (ko) | Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법 | |
CN113821346B (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
CN111542091B (zh) | 网络切片的无线与计算资源联合分配方法 | |
CN110177383B (zh) | 移动边缘计算中基于任务调度和功率分配的效率优化方法 | |
Wang et al. | Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing | |
CN117202265A (zh) | 边缘环境下基于dqn的服务迁移方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |