CN108809723A - 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 - Google Patents
一种边缘服务器联合任务卸载及卷积神经网络层调度方法 Download PDFInfo
- Publication number
- CN108809723A CN108809723A CN201810613456.3A CN201810613456A CN108809723A CN 108809723 A CN108809723 A CN 108809723A CN 201810613456 A CN201810613456 A CN 201810613456A CN 108809723 A CN108809723 A CN 108809723A
- Authority
- CN
- China
- Prior art keywords
- task
- edge server
- cnn
- indicate
- unloading
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1014—Server selection for load balancing based on the content of a request
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明涉及一种边缘服务器联合任务卸载及卷积神经网络层调度方法,属于无线通信技术领域。该方法包括以下步骤:S1:建模用户设备任务变量;S2:建模边缘服务器变量;S3:建模多层CNN模型;S4:建模任务总时延;S5:建模任务卸载及CNN层调度约束条件;S6:确定边缘服务器任务卸载及CNN层调度策略,实现了任务总时延最小化。本发明综合考虑用户设备拟执行任务的时延需求及边缘服务器任务处理性能,将云服务器处部署的多层CNN部署至距离用户设备更近的边缘服务器处,基于边缘服务器的服务能力调用多层CNN的部分层对用户设备的任务进行预处理,从而实现用户的服务质量提升及网络性能优化。
Description
技术领域
本发明属于无线通信技术领域,涉及一种边缘服务器联合任务卸载及卷积神经网络层调度方法。
背景技术
随着移动互联网的快速发展和智能终端的普及,增强现实(Augment Reality,AR)、虚拟现实(Virtual Reality,VR)和移动高清视频等应用对服务质量(Quality ofService,QoS)的需求越来越高。然而,智能用户设备处理能力不足以及传统移动云计算(Mobile Cloud Computing,MCC)技术的性能局限导致网络难以满足用户短时间内处理大量数据的业务需求。针对这一问题,移动边缘计算技术应运而生,通过在距离智能用户设备较近的基站处部署边缘服务器,使用边缘服务器对用户任务进行预处理,可有效缩减用户设备需要上传至云服务器的数据量,以满足用户任务的低时延需求。
多层卷积神经网络(Convolutional Neural Network,CNN)能够学习提取数据的高级特征,提高信息处理的效率,有效缩短用于信息推理的时间,因而,在远端云服务器部署多层CNN有助于提升其数据分析的能力;而通过将远端云服务器处多层CNN模型的部分层部署至边缘服务器,对原始任务数据进行信息处理及特征提取,进而将数据量缩减后的中间数据至远端云服务器进行深度分析,可有效提升任务处理效率,降低处理时延。
目前已有研究考虑边缘服务器多层CNN的部署问题,有文献提出基于边缘服务器负载最大化的CNN层调度方案,但现有方案较少考虑时延优化问题,导致网络传输性能严重受限;此外,较少研究考虑边缘服务器与用户任务的关联策略,导致所提算法难以实现网络性能的优化。
发明内容
有鉴于此,本发明的目的在于提供一种以任务总时延为优化目标的边缘服务器联合任务卸载及CNN层调度方法,假设在用户设备的基站处部署边缘服务器,在远端云服务器训练CNN,进而将训练所得的CNN部署至边缘服务器。边缘服务器基于任务需求,服务能力及上行带宽选择使用适当层数的CNN对任务数据进行预处理后上传至云服务器,从而减少任务时延。
为达到上述目的,本发明提供如下技术方案:
一种边缘服务器联合任务卸载及卷积神经网络层调度方法,具体包括以下步骤:
S1:建模用户设备任务变量;
S2:建模边缘服务器变量;
S3:建模多层CNN模型;
S4:建模任务总时延;
S5:建模任务卸载及CNN层调度约束条件;
S6:确定边缘服务器任务卸载及CNN层调度策略,以实现任务总时延最小化。
进一步,所述步骤S1具体包括:
令T={T1,…,Ti,...,TM}表示任务集合,其中Ti表示第i个任务,1≤i≤M,M为任务总数目;令表示任务数据量的集合,表示任务Ti所需处理的数据量,Pi表示用户执行任务Ti对应的数据发送功率。
进一步,所述步骤S2具体包括:
令E={E1,...,Ej,...,EN}表示边缘服务器集合,其中Ej表示第j个边缘服务器,1≤j≤N,N为边缘服务器的数量;Cj表示第j个边缘服务器的服务能力,Bj表示第j个边缘服务器与云服务器间通信的上行带宽。
进一步,所述步骤S3具体包括:
在每个边缘服务器均部署一个CNN,记CNNj为部署于边缘服务器Ej的CNN,K为多层CNN的总层数;令xij表示任务Ti卸载至边缘服务器Ej的调度决策标识,xij=1表示任务Ti卸载到边缘服务器Ej进行处理,否则,xij=0;令表示任务Ti经过边缘服务器Ej多层CNN的第k层处理后输入数据的缩减率;经过边缘服务器Ej的k层CNN处理后,任务Ti的输出数据量为
进一步,所述步骤S4具体包括:
建模任务总时延为其中,Dij表示任务Ti卸载至边缘服务器Ej上进行处理对应的时延,建模为其中,
表示任务Ti传输至边缘服务器Ej上所需传输时延,建模为Rij表示任务Ti卸载至边缘服务器Ej对应的传输速率,建模为其中Bij表示任务Ti卸载至边缘服务器Ej所占用的传输带宽,gij表示任务Ti卸载到边缘服务器Ej时的信道增益,σ2表示信道噪声功率;
表示任务Ti在边缘服务器Ej上进行k层CNN数据预处理所需处理时延,建模为其中表示边缘服务器Ej上第k0层CNN处理单位输入数据所需浮点计算次数,表示边缘服务器Ej针对卸载至其上的任务Ti的CNN层数调度决策标识,k∈[1,K]表示边缘服务器Ej调用了k层的CNN来处理任务Ti;
表示任务Ti经边缘服务器Ej上k层CNN处理后的中间数据上传至云服务器所需上行传输时延,建模为
表示云服务器对来自边缘服务器的数据进行后续处理并将分析结果传输至用户设备所需时延,本发明视为常数α。
进一步,所述步骤S5具体包括:
任务卸载约束条件建模为任务卸载数据传输时延约束条件建模为其中为任务Ti卸载至边缘服务器Ej时可允许最大传输时延;
CNN层调度约束条件建模为基于CNN调度层数,任务的处理时延约束条件建模为其中为任务Ti在边缘服务器Ej的最大处理时延;任务预处理后数据上传传输时延约束条件建模为其中为任务Ti经由边缘服务器Ej上传至云服务器可允许最大传输时延。
进一步,所述步骤S6具体包括:在满足任务卸载及CNN层调度约束条件的前提下,以任务总时延的最小化为目标,优化确定边缘服务器任务卸载及CNN层调度策略,即其中表示任务Ti卸载至边缘服务器Ej的最优调度决策,表示边缘服务器Ej针对卸载至其上的任务Ti的第k层CNN最优调度决策。
本发明的有益效果在于:本发明综合考虑用户设备执行任务的时延需求及边缘服务器任务处理性能,提出将云服务器处部署的多层CNN部署至距离用户设备更近的边缘服务器处,基于边缘服务器的服务能力调用多层CNN的部分层对用户设备的任务进行预处理,从而实现用户的服务质量提升及网络性能优化。
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为边缘CNN架构图;
图2为本发明所述方法的流程示意图。
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。
本发明所述的一种边缘服务器联合任务卸载及卷积神经网络(CNN)层调度方法,假设用户设备存在一定待执行任务,部署CNN的边缘服务器具有一定的任务处理能力,以满足任务卸载约束及CNN层调度约束为前提,用户将选择合适的边缘服务器进行任务卸载,同时边缘服务器可以灵活变动部署在其上的多层CNN的调用层数,平衡卸载到边缘服务器上的任务的处理时延与传输时延,实现任务总时延的最小化。建模以任务总时延为优化目标,优化确定边缘服务器任务卸载及CNN层调度策略,实现边缘服务器任务卸载及CNN层调度的联合优化。
图1为边缘CNN架构,如图1所示,网络中存在多个任务待执行的用户设备,基于任务卸载约束及CNN层调度约束,用户将选择合适的边缘服务器进行任务卸载,通过优化用户任务卸载和边缘服务器CNN层调度策略实现任务总时延的最小化。
图2为本发明所述方法的流程示意图,如图2所示,本发明所述方法具体包括以下步骤:
1)建模用户设备任务变量
令T={T1,…,Ti,...,TM}表示任务集合,其中Ti表示第i个任务,1≤i≤M,M为任务总数目;令表示任务数据量的集合,表示任务Ti所需处理的数据量,Pi表示用户执行任务Ti对应的数据发送功率。
2)建模边缘服务器变量
令E={E1,...,Ej,...,EN}表示边缘服务器集合,其中Ej表示第j个边缘服务器,1≤j≤N,N为边缘服务器的数量;Cj表示第j个边缘服务器的服务能力,Bj表示第j个边缘服务器与云服务器间通信的上行带宽。
3)建模多层CNN模型
在每个边缘服务器均部署一个CNN,记CNNj为部署于边缘服务器Ej的CNN,K为多层CNN的总层数;令xij表示任务Ti卸载至边缘服务器Ej的调度决策标识,xij=1表示任务Ti卸载到边缘服务器Ej进行处理,否则,xij=0;令表示任务Ti经过边缘服务器Ej多层CNN的第k层处理后输入数据的缩减率;经过边缘服务器Ej的k层CNN处理后,任务Ti的输出数据量为
4)建模任务总时延
建模任务总时延为其中,Dij表示任务Ti卸载至边缘服务器Ej上进行处理对应的时延,建模为其中,表示任务Ti传输至边缘服务器Ej上所需传输时延,建模为Rij表示任务Ti卸载至边缘服务器Ej对应的传输速率,建模为其中Bij表示任务Ti卸载至边缘服务器Ej所占用的传输带宽,gij表示任务Ti卸载到边缘服务器Ej时的信道增益,σ2表示信道噪声功率;表示任务Ti在边缘服务器Ej上进行k层CNN数据预处理所需处理时延,建模为其中表示边缘服务器Ej上第k0层CNN处理单位输入数据所需浮点计算次数,表示边缘服务器Ej针对卸载至其上的任务Ti的CNN层数调度决策标识,k∈[1,K]表示边缘服务器Ej调用了k层的CNN来处理任务Ti;表示任务Ti经边缘服务器Ej上k层CNN处理后的中间数据上传至云服务器所需上行传输时延,建模为 表示云服务器对来自边缘服务器的数据进行后续处理并将分析结果传输至用户设备所需时延,本发明视为常数α。
5)建模任务卸载及CNN层调度条件
任务卸载约束条件建模为任务卸载数据传输时延约束条件建模为其中为任务Ti卸载至边缘服务器Ej时可允许最大传输时延;
CNN层调度约束条件建模为基于CNN调度层数,任务的处理时延约束条件建模为其中为任务Ti在边缘服务器Ej的最大处理时延;任务预处理后数据上传传输时延约束条件建模为其中为任务Ti经由边缘服务器Ej上传至云服务器可允许最大传输时延。
6)确定边缘服务器任务卸载及CNN层调度策略以实现任务总时延最小化
确定边缘服务器任务卸载及CNN层调度策略以实现任务总时延最小化,在满足任务卸载及CNN层调度约束条件的前提下,以任务总时延的最小化为目标,优化确定边缘服务器任务卸载及CNN层调度策略,即其中表示任务Ti卸载至边缘服务器Ej的最优调度决策,表示边缘服务器Ej针对卸载至其上的任务Ti的第k层CNN最优调度决策。
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)
1.一种边缘服务器联合任务卸载及卷积神经网络层调度方法,其特征在于,该方法具体包括以下步骤:
S1:建模用户设备任务变量;
S2:建模边缘服务器变量;
S3:建模多层卷积神经网络(Convolutional Neural Network,CNN)模型;
S4:建模任务总时延;
S5:建模任务卸载及CNN层调度约束条件;
S6:确定边缘服务器任务卸载及CNN层调度策略,以实现任务总时延最小化。
2.根据权利要求1所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法,其特征在于,所述步骤S1具体包括:
令T={T1,...,Ti,...,TM}表示任务集合,其中Ti表示第i个任务,1≤i≤M,M为任务总数目;令表示任务数据量的集合,表示任务Ti所需处理的数据量,Pi表示用户执行任务Ti对应的数据发送功率。
3.根据权利要求2所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法,其特征在于,所述步骤S2具体包括:
令E={E1,...,Ej,...,EN}表示边缘服务器集合,其中Ej表示第j个边缘服务器,1≤j≤N,N为边缘服务器的数量;Cj表示第j个边缘服务器的服务能力,Bj表示第j个边缘服务器与云服务器间通信的上行带宽。
4.根据权利要求3所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法,其特征在于,所述步骤S3具体包括:
在每个边缘服务器均部署一个CNN,记CNNj为部署于边缘服务器Ej的CNN,K为多层CNN的总层数;令xij表示任务Ti卸载至边缘服务器Ej的调度决策标识,xij=1表示任务Ti卸载到边缘服务器Ej进行处理,否则,xij=0;令表示任务Ti经过边缘服务器Ej多层CNN的第k层处理后输入数据的缩减率;经过边缘服务器Ej的k层CNN处理后,任务Ti的输出数据量为
5.根据权利要求4所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法,其特征在于,所述步骤S4具体包括:
建模任务总时延为其中,Dij表示任务Ti卸载至边缘服务器Ej上进行处理对应的时延,建模为其中,
表示任务Ti传输至边缘服务器Ej上所需传输时延,建模为Rij表示任务Ti卸载至边缘服务器Ej对应的传输速率,建模为其中Bij表示任务Ti卸载至边缘服务器Ej所占用的传输带宽,gij表示任务Ti卸载到边缘服务器Ej时的信道增益,σ2表示信道噪声功率;
表示任务Ti在边缘服务器Ej上进行k层CNN数据预处理所需处理时延,建模为其中表示边缘服务器Ej上第k0层CNN处理单位输入数据所需浮点计算次数,表示边缘服务器Ej针对卸载至其上的任务Ti的第k层CNN调度决策标识,k∈[1,K]表示边缘服务器Ej调用了k层的CNN来处理任务Ti;
表示任务Ti经边缘服务器Ej上k层CNN处理后的中间数据上传至云服务器所需上行传输时延,建模为
表示云服务器对来自边缘服务器的数据进行后续处理并将分析结果传输至用户设备所需时延。
6.根据权利要求5所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法,其特征在于,所述步骤S5具体包括:
任务卸载约束条件建模为任务卸载数据传输时延约束条件建模为其中为任务Ti卸载至边缘服务器Ej时可允许最大传输时延;
CNN层调度约束条件建模为基于CNN调度层数,任务的处理时延约束条件建模为其中为任务Ti在边缘服务器Ej的最大处理时延;任务预处理后数据上传传输时延约束条件建模为其中为任务Ti经由边缘服务器Ej上传至云服务器可允许最大传输时延。
7.根据权利要求6所述的一种边缘服务器联合任务卸载及卷积神经网络层调度方法,其特征在于,所述步骤S6具体包括:在满足任务卸载及CNN层调度约束条件的前提下,以任务总时延的最小化为目标,优化确定边缘服务器任务卸载及CNN层调度策略,即其中表示任务Ti卸载至边缘服务器Ej的最优调度决策,表示边缘服务器Ej针对卸载至其上的任务Ti的第k层CNN最优调度决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810613456.3A CN108809723B (zh) | 2018-06-14 | 2018-06-14 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810613456.3A CN108809723B (zh) | 2018-06-14 | 2018-06-14 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108809723A true CN108809723A (zh) | 2018-11-13 |
CN108809723B CN108809723B (zh) | 2021-03-23 |
Family
ID=64086069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810613456.3A Active CN108809723B (zh) | 2018-06-14 | 2018-06-14 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108809723B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918201A (zh) * | 2019-03-05 | 2019-06-21 | 中国联合网络通信集团有限公司 | 任务卸载的控制方法和系统 |
CN110096362A (zh) * | 2019-04-24 | 2019-08-06 | 重庆邮电大学 | 一种基于边缘服务器协作的多任务卸载方法 |
CN110222379A (zh) * | 2019-05-17 | 2019-09-10 | 井冈山大学 | 制造网络服务质量的优化方法及系统 |
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 |
CN110764833A (zh) * | 2019-04-19 | 2020-02-07 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的任务卸载方法、装置及系统 |
CN110764885A (zh) * | 2019-08-28 | 2020-02-07 | 中科晶上(苏州)信息技术有限公司 | 一种多移动设备的dnn任务的拆分和卸载方法 |
CN110794965A (zh) * | 2019-10-23 | 2020-02-14 | 湖南师范大学 | 一种移动虚拟现实语言交际模拟学习计算系统和方法 |
CN110865878A (zh) * | 2019-11-11 | 2020-03-06 | 广东石油化工学院 | 边云协同环境中基于任务多约束的智能调度方法 |
CN111126594A (zh) * | 2019-11-25 | 2020-05-08 | 北京邮电大学 | 基于边缘计算的神经网络模型动态切分方法及装置 |
CN111131835A (zh) * | 2019-12-31 | 2020-05-08 | 中南大学 | 一种视频处理方法及系统 |
CN111199740A (zh) * | 2019-12-31 | 2020-05-26 | 重庆大学 | 一种基于边缘计算加速自动语音识别任务的卸载方法 |
WO2020133098A1 (zh) * | 2018-12-27 | 2020-07-02 | 驭势科技(北京)有限公司 | 一种分布式计算网络系统与方法 |
CN111741054A (zh) * | 2020-04-24 | 2020-10-02 | 浙江工业大学 | 一种移动用户深度神经网络计算卸载时延最小化方法 |
CN112148451A (zh) * | 2020-09-27 | 2020-12-29 | 南京大学 | 一种低时延的协同自适应cnn推断系统及方法 |
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 |
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 |
CN113205513A (zh) * | 2021-05-27 | 2021-08-03 | 山东浪潮科学研究院有限公司 | 基于边缘计算的工业设备表面缺陷故障预警方法 |
CN113296941A (zh) * | 2021-05-12 | 2021-08-24 | 广州中国科学院沈阳自动化研究所分所 | 一种基于多边缘计算的缓存任务调度方法及装置 |
CN114629959A (zh) * | 2022-03-22 | 2022-06-14 | 北方工业大学 | 一种云环境中上下文感知的IoT服务调度策略生成方法 |
CN117032832A (zh) * | 2023-08-25 | 2023-11-10 | 重庆邮电大学 | 一种基于移动边缘计算的最小化任务调用成本卸载方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160134492A1 (en) * | 2009-10-02 | 2016-05-12 | Amazon Technologies, Inc. | Forward-based resource delivery network management techniques |
CN106453608A (zh) * | 2016-11-09 | 2017-02-22 | 武汉大学 | 一种基于云端的移动应用的后台请求自适应调度算法 |
CN106875446A (zh) * | 2017-02-20 | 2017-06-20 | 清华大学 | 相机重定位方法及装置 |
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 |
-
2018
- 2018-06-14 CN CN201810613456.3A patent/CN108809723B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160134492A1 (en) * | 2009-10-02 | 2016-05-12 | Amazon Technologies, Inc. | Forward-based resource delivery network management techniques |
CN106453608A (zh) * | 2016-11-09 | 2017-02-22 | 武汉大学 | 一种基于云端的移动应用的后台请求自适应调度算法 |
CN106875446A (zh) * | 2017-02-20 | 2017-06-20 | 清华大学 | 相机重定位方法及装置 |
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 |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020133098A1 (zh) * | 2018-12-27 | 2020-07-02 | 驭势科技(北京)有限公司 | 一种分布式计算网络系统与方法 |
US11997763B2 (en) | 2018-12-27 | 2024-05-28 | Uisee Technologies (Beijing) Ltd. | Distributed computing network system and method |
CN109918201B (zh) * | 2019-03-05 | 2021-05-11 | 中国联合网络通信集团有限公司 | 任务卸载的控制方法和系统 |
CN109918201A (zh) * | 2019-03-05 | 2019-06-21 | 中国联合网络通信集团有限公司 | 任务卸载的控制方法和系统 |
CN110764833A (zh) * | 2019-04-19 | 2020-02-07 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的任务卸载方法、装置及系统 |
CN110764833B (zh) * | 2019-04-19 | 2023-10-03 | 中国联合网络通信集团有限公司 | 一种基于边缘计算的任务卸载方法、装置及系统 |
CN110096362A (zh) * | 2019-04-24 | 2019-08-06 | 重庆邮电大学 | 一种基于边缘服务器协作的多任务卸载方法 |
CN110096362B (zh) * | 2019-04-24 | 2023-04-14 | 重庆邮电大学 | 一种基于边缘服务器协作的多任务卸载方法 |
CN110222379A (zh) * | 2019-05-17 | 2019-09-10 | 井冈山大学 | 制造网络服务质量的优化方法及系统 |
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 |
CN110764885B (zh) * | 2019-08-28 | 2024-04-09 | 中科晶上(苏州)信息技术有限公司 | 一种多移动设备的dnn任务的拆分和卸载方法 |
CN110764885A (zh) * | 2019-08-28 | 2020-02-07 | 中科晶上(苏州)信息技术有限公司 | 一种多移动设备的dnn任务的拆分和卸载方法 |
CN110794965A (zh) * | 2019-10-23 | 2020-02-14 | 湖南师范大学 | 一种移动虚拟现实语言交际模拟学习计算系统和方法 |
CN110865878B (zh) * | 2019-11-11 | 2023-04-28 | 广东石油化工学院 | 边云协同环境中基于任务多约束的智能调度方法 |
CN110865878A (zh) * | 2019-11-11 | 2020-03-06 | 广东石油化工学院 | 边云协同环境中基于任务多约束的智能调度方法 |
CN111126594A (zh) * | 2019-11-25 | 2020-05-08 | 北京邮电大学 | 基于边缘计算的神经网络模型动态切分方法及装置 |
CN111126594B (zh) * | 2019-11-25 | 2023-08-04 | 北京邮电大学 | 基于边缘计算的神经网络模型动态切分方法及装置 |
CN111199740A (zh) * | 2019-12-31 | 2020-05-26 | 重庆大学 | 一种基于边缘计算加速自动语音识别任务的卸载方法 |
CN111131835A (zh) * | 2019-12-31 | 2020-05-08 | 中南大学 | 一种视频处理方法及系统 |
CN111199740B (zh) * | 2019-12-31 | 2022-09-09 | 重庆大学 | 一种基于边缘计算加速自动语音识别任务的卸载方法 |
CN111741054B (zh) * | 2020-04-24 | 2022-07-26 | 浙江工业大学 | 一种移动用户深度神经网络计算卸载时延最小化方法 |
CN111741054A (zh) * | 2020-04-24 | 2020-10-02 | 浙江工业大学 | 一种移动用户深度神经网络计算卸载时延最小化方法 |
CN112148451B (zh) * | 2020-09-27 | 2023-12-29 | 南京大学 | 一种低时延的协同自适应cnn推断系统及方法 |
CN112148451A (zh) * | 2020-09-27 | 2020-12-29 | 南京大学 | 一种低时延的协同自适应cnn推断系统及方法 |
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 |
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 |
CN113296941B (zh) * | 2021-05-12 | 2023-10-24 | 广州中国科学院沈阳自动化研究所分所 | 一种基于多边缘计算的缓存任务调度方法及装置 |
CN113296941A (zh) * | 2021-05-12 | 2021-08-24 | 广州中国科学院沈阳自动化研究所分所 | 一种基于多边缘计算的缓存任务调度方法及装置 |
CN113205513A (zh) * | 2021-05-27 | 2021-08-03 | 山东浪潮科学研究院有限公司 | 基于边缘计算的工业设备表面缺陷故障预警方法 |
CN114629959B (zh) * | 2022-03-22 | 2023-11-17 | 北方工业大学 | 一种云环境中上下文感知的IoT服务调度策略方法 |
CN114629959A (zh) * | 2022-03-22 | 2022-06-14 | 北方工业大学 | 一种云环境中上下文感知的IoT服务调度策略生成方法 |
CN117032832A (zh) * | 2023-08-25 | 2023-11-10 | 重庆邮电大学 | 一种基于移动边缘计算的最小化任务调用成本卸载方法 |
CN117032832B (zh) * | 2023-08-25 | 2024-03-08 | 重庆邮电大学 | 一种基于移动边缘计算的最小化任务调用成本卸载方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108809723B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108809723A (zh) | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 | |
Zhao et al. | Energy-saving offloading by jointly allocating radio and computational resources for mobile edge computing | |
CN107995660A (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
CN107766889B (zh) | 一种云端边缘计算融合的深度学习计算系统和方法 | |
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 | |
CN110012039B (zh) | 一种车联网中基于admm的任务分配与功率控制方法 | |
CN107450982A (zh) | 一种基于系统状态的任务调度方法 | |
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 | |
Shi et al. | Toward energy-efficient federated learning over 5G+ mobile devices | |
CN104619029B (zh) | 一种集中式蜂窝网络架构下的基带池资源分配方法和装置 | |
CN109286664A (zh) | 一种基于拉格朗日的计算迁移终端能耗优化方法 | |
CN109710374A (zh) | 移动边缘计算环境下最小化任务卸载费用的vm迁移策略 | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
CN110365787A (zh) | 一种应用容器并基于微服务框架的边缘计算最优化布局方法 | |
CN110351754A (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
CN111475274A (zh) | 云协同多任务调度方法及装置 | |
CN104754053B (zh) | 一种分布式软件定义网络及在其中动态控制控制器的方法 | |
CN111915142B (zh) | 一种基于深度强化学习的无人机辅助资源分配方法 | |
Sun et al. | Energy-efficient multimedia task assignment and computing offloading for mobile edge computing networks | |
CN107708152A (zh) | 异构蜂窝网络的任务卸载方法 | |
CN110958625B (zh) | 一种基于移动边缘智能的实时多模态语言分析系统和方法 | |
CN109246761A (zh) | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 | |
CN113573363B (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN108418768A (zh) | 业务数据的识别方法、装置、终端及存储介质 | |
CN106095529A (zh) | 一种c‑ran架构下的载波迁移方法 |
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 |