CN108880893B - 一种移动边缘计算服务器联合能量收集及任务卸载方法 - Google Patents

一种移动边缘计算服务器联合能量收集及任务卸载方法 Download PDF

Info

Publication number
CN108880893B
CN108880893B CN201810678501.3A CN201810678501A CN108880893B CN 108880893 B CN108880893 B CN 108880893B CN 201810678501 A CN201810678501 A CN 201810678501A CN 108880893 B CN108880893 B CN 108880893B
Authority
CN
China
Prior art keywords
sub
task
server
mec
user
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
Application number
CN201810678501.3A
Other languages
English (en)
Other versions
CN108880893A (zh
Inventor
柴蓉
毛梦齐
林峻良
陈前斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810678501.3A priority Critical patent/CN108880893B/zh
Publication of CN108880893A publication Critical patent/CN108880893A/zh
Application granted granted Critical
Publication of CN108880893B publication Critical patent/CN108880893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Power Sources (AREA)

Abstract

本发明涉及一种移动边缘计算服务器联合能量收集及任务卸载方法，属于无线通信技术领域。该方法包括以下步骤：S1：建模MEC服务器电量状态；S2：建模用户联合开销；S3：建模用户任务执行时延；S4：建模用户任务执行所需能耗；S5：建模用户任务执行限制条件；S6：基于最短路径算法确定用户最优任务卸载策略。本发明通过优化确定用户任务最优卸载策略，实现任务联合开销最小化。

Description

一种移动边缘计算服务器联合能量收集及任务卸载方法
技术领域
本发明属于无线通信技术领域，涉及移动边缘计算服务器联合能量收集及任务卸载方法。
背景技术
随着移动互联网的快速发展和智能终端的普及，用户希望在智能终端上运行桌面级应用程序，例如交互式游戏，虚拟现实和自然语言处理等。然而，处理这些新兴的移动应用通常需要较高的计算及能量开销，对智能终端有限的计算能力和电池电量提出严峻挑战。针对这一问题，已有研究提出基于移动边缘计算(Mobile Egde Computing，MEC)卸载技术，通过在网络中部署具有较强计算能力的MEC服务器，将用户终端计算任务从移动设备卸载至MEC服务器进行处理，可有效提高智能终端的服务性能，显著降低终端能耗。
目前已有研究中，有文献针对单用户卸载的场景设计卸载策略，基于马尔科夫决策过程理论，在满足任务执行时延最小的情况下确定最优卸载策略。又例如，有文献研究将相对复杂的任务分解为子任务执行部分卸载处理，在满足任务执行时延约束的情况下，基于能耗最小化确定最优卸载策略。
现有任务卸载相关研究较少考虑MEC服务器能量收集及服务器分配问题，难以实现能耗优化及绿色通信。此外，现有卸载策略研究较多考虑任务执行时延优化，较少研究任务执行时延与能耗的折中，这可能导致网络能耗增加，对于能效敏感用户设备而言，传输性能及用户体验难以保障。
发明内容
有鉴于此，本发明的目的在于提供一种移动边缘计算服务器联合能量收集及任务卸载方法，确定最优卸载策略，实现时延和能耗的联合执行开销最小化。
为达到上述目的，本发明提供如下技术方案：
一种移动边缘计算服务器联合能量收集及任务卸载方法，包括以下步骤：
S1：建模MEC服务器电量状态；
S2：建模用户联合开销；
S3：建模用户任务执行时延；
S4：建模用户任务执行所需能耗；
S5：建模用户任务执行限制条件；
S6：基于最短路径算法确定用户最优任务卸载策略。
进一步，所述步骤S1具体包括：假设用户任务分为K个子任务，各子任务之间按照顺序依次执行处理；MEC服务器由N个子服务器组成，各子服务器均能执行任务卸载；另假设MEC服务器由所采集的绿色能源(如太阳能)供电，根据公式
Figure BDA0001710362920000021
建模采用nk-1个MEC子服务器处理子任务k-1后，MEC服务器的电量状态，其中，
Figure BDA0001710362920000022
表示MEC服务器处理子任务k-1时的电量状态，nk表示处理子任务k时MEC服务器开启的子服务器数目，
Figure BDA0001710362920000023
表示在处理子任务k-1期间，nk-1个MEC子服务器收集的电量，建模为
Figure BDA0001710362920000024
其中，ρ表示单位时间收集的能量，
Figure BDA0001710362920000025
表示采用nk-1个MEC子服务器处理子任务k-1时所需执行时延，
Figure BDA0001710362920000026
表示由nk-1个MEC子服务器处理子任务k-1所需的能耗，
Figure BDA0001710362920000027
表示max{min{x,B},0}，B为MEC服务器最大电量值。
进一步，其特征在于：根据公式
Figure BDA0001710362920000028
建模采用nk-1个MEC子服务器处理子任务k-1后，MEC服务器处理子任务k时最多可以开启的子服务器数目，其中，
Figure BDA0001710362920000029
表示向下取整。
进一步，所述步骤S2具体包括：根据公式
Figure BDA00017103629200000210
建模用户联合开销
Figure BDA00017103629200000211
为用户执行子任务的开销总和，其中，
Figure BDA00017103629200000212
若子任务k在本地执行处理，则nk＝0；
Figure BDA00017103629200000213
表示采用nk个MEC子服务器处理子任务k所需开销，建模为
Figure BDA00017103629200000214
其中，
Figure BDA00017103629200000215
表示采用nk个MEC子服务器处理子任务k所需的总能耗，λ1、λ2分别表示为时延和能耗的权重。
进一步，所述步骤S3具体包括：根据公式
Figure BDA00017103629200000216
建模用户任务执行时延，其中，ak＝{0,1}为子任务卸载标识，若ak＝0，表示子任务k在本地执行；若ak＝1，表示子任务k卸载至MEC服务器进行处理；
Figure BDA00017103629200000217
表示用户上传子任务k至MEC服务器所需传输时延，建模为
Figure BDA00017103629200000218
其中，Sk表示子任务k的大小，R表示用户上传子任务的传输速率，建模为
Figure BDA00017103629200000219
M表示传输带宽，p表示用户发射功率，h表示信道增益，σ2表示信道噪声功率；
Figure BDA0001710362920000031
表示采用nk个MEC子服务器处理子任务k的处理时延，建模为
Figure BDA0001710362920000032
其中，fc表示各MEC子服务器的计算能力大小，nk≠0；
Figure BDA0001710362920000033
表示用户本地处理子任务k的处理时延，建模为
Figure BDA0001710362920000034
其中，fm表示用户本地计算能力大小。
进一步，所述步骤S4具体包括：根据公式
Figure BDA0001710362920000035
建模用户任务执行所需能耗，其中，
Figure BDA0001710362920000036
表示用户上传子任务k至MEC服务器所需能耗，建模为
Figure BDA0001710362920000037
Figure BDA0001710362920000038
表示采用nk个MEC子服务器处理子任务k的能耗，建模为
Figure BDA0001710362920000039
其中，μc表示MEC服务器中子服务器CPU计算单位时间能耗；
Figure BDA00017103629200000310
表示用户本地处理子任务k的能耗，建模为
Figure BDA00017103629200000311
其中，μm表示本地计算CPU单位时间能耗权重。
进一步，所述步骤S5具体包括：子任务k处理时延限制条件建模为
Figure BDA00017103629200000312
其中，
Figure BDA00017103629200000313
表示子任务k可允许最大处理时延。
进一步，所述步骤S6具体包括：基于狄杰斯特拉算法，确定最优卸载策略
Figure BDA00017103629200000314
具体为：
将用户任务处理过程建模为带权有向图G＝＜V,E,W＞，其中，V为图中节点集合，建模为MEC服务器处理子任务时开启的子服务器数目集合，V＝{V0,V1,0,...,V1,N,...,VK,N,VK+1}，其中，V0和VK+1分别表示图中引入的源节点和目的节点，
Figure BDA00017103629200000315
表示开启nk个子服务器处理子任务k，1≤k≤K，
Figure BDA00017103629200000316
E为连接节点的边集合，
Figure BDA00017103629200000317
其中，
Figure BDA00017103629200000318
表示连接节点
Figure BDA00017103629200000319
和
Figure BDA00017103629200000320
的边，
Figure BDA00017103629200000321
表示连接源节点V0和节点
Figure BDA00017103629200000322
的边，
Figure BDA00017103629200000323
表示连接节点
Figure BDA00017103629200000324
和目的节点VK+1的边，根据
Figure BDA00017103629200000325
的值限制各节点之间的连接状态；W表示各边的权重集合，
Figure BDA00017103629200000326
其中，根据公式
Figure BDA00017103629200000327
建模
Figure BDA00017103629200000328
的权重值，
Figure BDA00017103629200000329
的权重值为0；
基于狄杰斯特拉算法，优化确定V0与VK+1之间联合开销最小的路由，即
Figure BDA00017103629200000330
本发明的有益效果在于：本发明可以通过优化确定用户任务最优卸载策略，实现任务联合开销最小化。
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MEC服务器卸载的网络示意图；
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。
本发明提出一种移动边缘计算服务器联合能量收集及任务卸载方法，假设用户需执行一定计算任务，任务可分为子任务分别处理，MEC服务器及用户本身均有一定的任务计算及处理能力，用户可采用本地执行，也可通过MEC服务器实现任务卸载。此外，MEC服务器具有能量收集的能力，MEC服务器电量状态决定了MEC服务器计算资源的分配。建模用户联合开销为优化目标，基于狄杰斯特拉算法，确定最优卸载策略实现时延和能耗的联合执行开销最小化。
如图1所示，MEC服务器由具有能量收集能力的子服务器组成，用户任务可采用本地执行，也可通过MEC服务器实习任务卸载，用户选择合适的方式卸载任务，通过优化用户任务卸载策略最小化任务联合执行开销。
如图2所示，本发明所述方法具体包括以下步骤：
1)建模MEC服务器电量状态
建模MEC服务器电量状态，具体为根据公式
Figure BDA0001710362920000041
建模采用nk-1个MEC子服务器处理子任务k-1后，MEC服务器的电量状态，其中，
Figure BDA0001710362920000042
为MEC服务器处理子任务k-1时的电量状态，nk表示处理子任务k时MEC服务器开启的子服务器数目，
Figure BDA0001710362920000043
表示在处理子任务k-1期间，nk-1个MEC子服务器收集的电量，建模为
Figure BDA0001710362920000044
其中，ρ表示单位时间收集的能量，
Figure BDA0001710362920000045
表示采用nk-1个MEC子服务器处理子任务k-1时所需执行时延，
Figure BDA0001710362920000046
表示由nk-1个MEC子服务器处理子任务k-1所需的能耗，
Figure BDA0001710362920000047
表示max{min{x,B},0}，B为MEC服务器最大电量值。
根据公式
Figure BDA0001710362920000051
建模采用nk-1个MEC子服务器处理子任务k-1后，MEC服务器处理子任务k时最多可以开启的子服务器数目，其中，
Figure BDA0001710362920000052
表示向下取整。
2)建模用户联合开销
建模用户联合开销，具体为根据公式
Figure BDA0001710362920000053
建模用户联合开销
Figure BDA0001710362920000054
为用户执行子任务的开销总和，其中，
Figure BDA0001710362920000055
表示采用nk个MEC子服务器处理子任务k所需开销，
Figure BDA0001710362920000056
若子任务k在本地执行处理，则nk＝0。
Figure BDA0001710362920000057
建模为
Figure BDA0001710362920000058
其中，
Figure BDA0001710362920000059
表示采用nk个MEC子服务器处理子任务k所需的总能耗，λ1、λ2分别表示时延和能耗的权重。
3)建模用户任务执行时延
建模用户联合开销，具体为根据公式
Figure BDA00017103629200000510
建模
Figure BDA00017103629200000511
其中，ak＝{0,1}为子任务卸载标识，若ak＝0，表示子任务k在本地执行；若ak＝1，表示子任务k卸载至MEC服务器进行处理；
Figure BDA00017103629200000512
表示用户上传子任务k至MEC服务器所需传输时延，建模为
Figure BDA00017103629200000513
其中，Sk表示子任务k的大小，R表示用户上传子任务的传输速率，建模为
Figure BDA00017103629200000514
M表示传输带宽，p表示用户发射功率，h表示信道增益，σ2表示信道噪声功率；
Figure BDA00017103629200000515
表示采用nk个MEC子服务器处理子任务k的处理时延，建模为
Figure BDA00017103629200000516
其中，fc表示各MEC子服务器的计算能力大小，nk≠0；
Figure BDA00017103629200000517
表示用户本地处理子任务k的处理时延，建模为
Figure BDA00017103629200000518
其中，fm表示用户本地计算能力大小。
4)建模用户任务执行所需能耗
建模用户任务执行所需能耗，具体为根据公式
Figure BDA00017103629200000519
建模
Figure BDA00017103629200000520
其中，
Figure BDA00017103629200000521
表示用户上传子任务k至MEC服务器所需能耗，建模为
Figure BDA00017103629200000522
表示采用nk个MEC子服务器处理子任务k的能耗，建模为
Figure BDA00017103629200000523
其中，μc表示MEC服务器中子服务器CPU计算单位时间能耗；
Figure BDA00017103629200000524
表示用户本地处理子任务k的能耗，建模为
Figure BDA0001710362920000061
其中，μm表示本地计算CPU单位时间能耗权重。
5)建模用户任务执行限制条件
建模用户任务执行限制条件，具体为子任务k处理时延限制条件建模为
Figure BDA0001710362920000062
其中，
Figure BDA0001710362920000063
表示子任务k可允许最大处理时延。
6)基于最短路径算法确定用户最优任务卸载策略
基于狄杰斯特拉算法，确定最优卸载策略
Figure BDA0001710362920000064
具体为：
将用户任务处理过程建模为带权有向图G＝＜V,E,W＞，其中，V为图中节点集合，建模为MEC服务器处理子任务时开启的子服务器数目集合，V＝{V0,V1,0,...,V1,N,...,VK,N,VK+1}，其中，V0和VK+1表示图中引入的源节点和目的节点，
Figure BDA0001710362920000065
表示开启nk个子服务器处理子任务k，1≤k≤K，
Figure BDA0001710362920000066
E为连接节点的边集合，
Figure BDA0001710362920000067
其中，
Figure BDA0001710362920000068
表示连接节点
Figure BDA0001710362920000069
和
Figure BDA00017103629200000610
的边，
Figure BDA00017103629200000611
表示连接源节点V0和节点
Figure BDA00017103629200000612
的边，
Figure BDA00017103629200000613
表示连接节点
Figure BDA00017103629200000614
和目的节点VK+1的边，根据
Figure BDA00017103629200000615
的值限制各节点之间的连接状态；W表示各边的权重集合，
Figure BDA00017103629200000616
其中，根据公式
Figure BDA00017103629200000617
建模
Figure BDA00017103629200000618
的权重值，
Figure BDA00017103629200000619
的权重值为0。基于狄杰斯特拉算法，优化确定V0与VK+1之间联合开销最小的路由，即
Figure BDA00017103629200000620
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 (1)

1.一种移动边缘计算服务器联合能量收集及任务卸载方法，其特征在于，该方法包括以下步骤：
S1：建模移动边缘计算MEC服务器电量状态；
S2：建模用户联合开销；
S3：建模用户任务执行时延；
S4：建模用户任务执行所需能耗；
S5：建模用户任务执行限制条件；
S6：基于最短路径算法确定用户最优任务卸载策略；
所述步骤S1具体包括：假设用户任务分为K个子任务，各子任务之间按照顺序依次执行处理；MEC服务器由N个子服务器组成，各子服务器均能执行任务卸载；另假设MEC服务器由所采集的绿色能源供电，根据公式
Figure FDA0002850709520000011
建模采用nk-1个MEC子服务器处理子任务k-1后，MEC服务器的电量状态，其中，
Figure FDA0002850709520000012
表示MEC服务器处理子任务k-1时的电量状态，nk表示处理子任务k时MEC服务器开启的子服务器数目，
Figure FDA0002850709520000013
表示在处理子任务k-1期间，nk-1个MEC子服务器收集的电量，建模为
Figure FDA0002850709520000014
其中，ρ表示单位时间收集的能量，
Figure FDA0002850709520000015
表示采用nk-1个MEC子服务器处理子任务k-1时所需执行时延，
Figure FDA0002850709520000016
表示由nk-1个MEC子服务器处理子任务k-1所需的能耗，
Figure FDA0002850709520000017
表示max{min{x,B},0}，B为MEC服务器最大电量值；
根据公式
Figure FDA0002850709520000018
建模采用nk-1个MEC子服务器处理子任务k-1后，MEC服务器处理子任务k时最多能够开启的子服务器数目，其中，
Figure FDA0002850709520000019
表示向下取整；
所述步骤S2具体包括：根据公式
Figure FDA00028507095200000110
建模用户联合开销
Figure FDA00028507095200000111
为用户执行子任务的开销总和，其中，
Figure FDA00028507095200000112
若子任务k在本地执行处理，则
Figure FDA00028507095200000113
表示采用nk个MEC子服务器处理子任务k所需开销，建模为
Figure FDA00028507095200000114
其中，
Figure FDA00028507095200000115
表示采用nk个MEC子服务器处理子任务k所需的总能耗，λ1、λ2分别表示为时延和能耗的权重；
所述步骤S3具体包括：根据公式
Figure FDA00028507095200000116
建模用户任务执行时延，其中，ak＝{0,1}为子任务卸载标识，若ak＝0，表示子任务k在本地执行；若ak＝1，表示子任务k卸载至MEC服务器进行处理；
Figure FDA0002850709520000021
表示用户上传子任务k至MEC服务器所需传输时延，建模为
Figure FDA0002850709520000022
其中，Sk表示子任务k的大小，R表示用户上传子任务的传输速率，建模为
Figure FDA0002850709520000023
M表示传输带宽，p表示用户发射功率，h表示信道增益，σ2表示信道噪声功率；
Figure FDA0002850709520000024
表示采用nk个MEC子服务器处理子任务k的处理时延，建模为
Figure FDA0002850709520000025
其中，fc表示各MEC子服务器的计算能力大小，nk≠0；
Figure FDA0002850709520000026
表示用户本地处理子任务k的处理时延，建模为
Figure FDA0002850709520000027
其中，fm表示用户本地计算能力大小；
所述步骤S4具体包括：根据公式
Figure FDA0002850709520000028
建模用户任务执行所需能耗，其中，
Figure FDA0002850709520000029
表示用户上传子任务k至MEC服务器所需能耗，建模为
Figure FDA00028507095200000210
Figure FDA00028507095200000211
表示采用nk个MEC子服务器处理子任务k的能耗，建模为
Figure FDA00028507095200000212
其中，μc表示MEC服务器中子服务器CPU计算单位时间能耗；
Figure FDA00028507095200000213
表示用户本地处理子任务k的能耗，建模为
Figure FDA00028507095200000214
其中，μm表示本地计算CPU单位时间能耗权重；
所述步骤S5具体包括：子任务k处理时延限制条件建模为
Figure FDA00028507095200000215
其中，
Figure FDA00028507095200000216
表示子任务k可允许最大处理时延；
所述步骤S6具体包括：基于狄杰斯特拉算法，确定最优卸载策略
Figure FDA00028507095200000217
具体为：
将用户任务处理过程建模为带权有向图G＝<V,E,W>，其中，V为图中节点集合，建模为MEC服务器处理子任务时开启的子服务器数目集合，V＝{V0,V1,0,...,V1,N,...,VK,N,VK+1}，其中，V0和VK+1分别表示图中引入的源节点和目的节点，
Figure FDA00028507095200000218
表示开启nk个子服务器处理子任务k，1≤k≤K，
Figure FDA00028507095200000219
E为连接节点的边集合，
Figure FDA00028507095200000220
其中，
Figure FDA00028507095200000221
表示连接节点
Figure FDA00028507095200000222
和
Figure FDA00028507095200000223
的边，
Figure FDA00028507095200000224
表示连接源节点V0和节点
Figure FDA00028507095200000225
的边，
Figure FDA00028507095200000226
表示连接节点
Figure FDA00028507095200000227
和目的节点VK+1的边，根据
Figure FDA00028507095200000228
的值限制各节点之间的连接状态；W表示各边的权重集合，
Figure FDA0002850709520000031
其中，根据公式
Figure FDA0002850709520000032
建模
Figure FDA0002850709520000033
的权重值，
Figure FDA0002850709520000034
的权重值为0；
基于狄杰斯特拉算法，优化确定V0与VK+1之间联合开销最小的路由，即
Figure FDA0002850709520000035
CN201810678501.3A 2018-06-27 2018-06-27 一种移动边缘计算服务器联合能量收集及任务卸载方法 Active CN108880893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810678501.3A CN108880893B (zh) 2018-06-27 2018-06-27 一种移动边缘计算服务器联合能量收集及任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810678501.3A CN108880893B (zh) 2018-06-27 2018-06-27 一种移动边缘计算服务器联合能量收集及任务卸载方法

Publications (2)

Publication Number Publication Date
CN108880893A CN108880893A (zh) 2018-11-23
CN108880893B true CN108880893B (zh) 2021-02-09

Family

ID=64295856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810678501.3A Active CN108880893B (zh) 2018-06-27 2018-06-27 一种移动边缘计算服务器联合能量收集及任务卸载方法

Country Status (1)

Country Link
CN (1) CN108880893B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109618399A (zh) * 2018-12-26 2019-04-12 东华大学 多用户移动边缘计算系统中的分布式能量管理优化方法
CN109767117B (zh) * 2019-01-11 2021-05-18 中南林业科技大学 移动边缘计算中联合任务调度的功率分配方法
CN109922479B (zh) * 2019-01-11 2020-11-24 西安电子科技大学 一种基于时延预估的计算任务卸载方法
CN109800072B (zh) * 2019-01-22 2021-07-09 深圳市简智联信息科技有限公司 基于边缘计算的任务调度优化方法和装置
CN109918894B (zh) * 2019-03-01 2020-11-27 中南大学 边缘计算网络视频处理中基于声誉的信任评估方法
CN109756912B (zh) * 2019-03-25 2022-03-08 重庆邮电大学 一种多用户多基站联合任务卸载及资源分配方法
CN109992419A (zh) * 2019-03-29 2019-07-09 长沙理工大学 一种优化的协同边缘计算低延迟任务分配卸载方法
CN110087257B (zh) * 2019-04-24 2022-04-22 重庆邮电大学 一种支持移动边缘计算的任务卸载装置及方法
CN110113190B (zh) * 2019-04-24 2021-04-09 西北工业大学 一种移动边缘计算场景中卸载时延优化方法
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
CN110113195B (zh) * 2019-04-26 2021-03-30 山西大学 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
CN110177055B (zh) * 2019-05-29 2020-08-18 电子科技大学 一种边缘计算场景下边缘域资源的预分配方法
CN110621031B (zh) * 2019-07-31 2021-05-28 中南大学 一种基于异构能量获取的多用户多任务移动边缘计算节能方法
CN110798858B (zh) * 2019-11-07 2023-04-25 华北电力大学（保定） 基于代价效率的分布式任务卸载方法
CN111741531B (zh) * 2020-08-12 2020-11-24 浙江工商大学 一种5g基站下通信设备最佳运行状态的优化方法
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
CN113159539B (zh) * 2021-04-07 2023-09-29 中山大学 多层边缘计算系统中联合绿色能量调度和动态任务分配方法
CN115686669B (zh) * 2022-10-17 2023-05-23 中国矿业大学 一种能量收集辅助的矿山物联网智能计算卸载方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106534333A (zh) * 2016-11-30 2017-03-22 北京邮电大学 一种基于mec和mcc的双向选择计算卸载方法
WO2017121478A1 (en) * 2016-01-14 2017-07-20 Sony Mobile Communications Inc. User equipment selection for mobile edge computing
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
CN107682443A (zh) * 2017-10-19 2018-02-09 北京工业大学 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
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017121478A1 (en) * 2016-01-14 2017-07-20 Sony Mobile Communications Inc. User equipment selection for mobile edge computing
CN106534333A (zh) * 2016-11-30 2017-03-22 北京邮电大学 一种基于mec和mcc的双向选择计算卸载方法
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
CN107682443A (zh) * 2017-10-19 2018-02-09 北京工业大学 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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Delay-constrained hybrid computation offloading with cloud and fog computing;Meng Xianling;《IEEE》;20171231;全文 *

Also Published As

Publication number Publication date
CN108880893A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108880893B (zh) 一种移动边缘计算服务器联合能量收集及任务卸载方法
CN108920280B (zh) 一种单用户场景下的移动边缘计算任务卸载方法
CN111240701B (zh) 一种端-边-云协同计算的任务卸载优化方法
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
CN111918339B (zh) 移动边缘网络中基于强化学习的ar任务卸载和资源分配方法
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN109767117B (zh) 移动边缘计算中联合任务调度的功率分配方法
CN112512063B (zh) 基于射频能量收集的无人机协助边缘计算的资源分配方法
CN110955463B (zh) 支持边缘计算的物联网多用户计算卸载方法
CN111913723A (zh) 基于流水线的云-边-端协作卸载方法和系统
CN110489176B (zh) 一种基于装箱问题的多接入边缘计算任务卸载方法
CN112380008A (zh) 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法
CN113286329B (zh) 基于移动边缘计算的通信和计算资源联合优化方法
CN111711962B (zh) 一种移动边缘计算系统子任务协同调度方法
CN112214301B (zh) 面向智慧城市基于用户偏好的动态计算迁移方法及装置
CN114285853A (zh) 设备密集型工业物联网中基于端边云协同的任务卸载方法
CN108009024A (zh) Ad-hoc云环境中分布式博弈任务卸载方法
CN113286317A (zh) 一种基于无线供能边缘网络的任务调度方法
CN113727362A (zh) 一种基于深度强化学习的无线供电系统的卸载策略方法
CN110149401A (zh) 一种用于优化边缘计算任务的方法和系统
CN115396953A (zh) 移动边缘计算中一种基于改进粒子群算法的计算卸载方法
CN115473896A (zh) 基于dqn算法的电力物联网卸载策略和资源配置优化方法
CN116233927A (zh) 一种在移动边缘计算中负载感知的计算卸载节能优化方法
CN117579701A (zh) 一种移动边缘网络计算卸载方法及系统
CN110851268B (zh) 一种基于拥塞博弈的边缘调度优化方法

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