CN109144719A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109144719A CN109144719A CN201810755942.9A CN201810755942A CN109144719A CN 109144719 A CN109144719 A CN 109144719A CN 201810755942 A CN201810755942 A CN 201810755942A CN 109144719 A CN109144719 A CN 109144719A
- Authority
- CN
- China
- Prior art keywords
- task
- cloud
- state
- max
- threshold value
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/5017—Task decomposition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种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,包括:(1)将任务队列状态、边缘云状态、移动自组织云状态和中心云状态组合成马尔科夫决策过程的状态空间,并计算得到状态转移概率矩阵;(2)定义动作空间;(3)以时延和能耗定义马尔科夫决策过程的立即回报函数;(4)将一系列输入任务作为统计样本,计算任务分割阈值;(5)根据已得到的阈值,通过任务分割算法实现任务的自适应分割;(6)根据子任务的大小、状态转移概率矩阵和立即回报函数,通过值迭代算法得到卸载决策结果。本发明基于马尔科夫决策过程,满足时延和能耗最小化;通过任务分割算法将任务自适应分割,实现了云计算资源的充分利用和负载均衡。
Description
技术领域
本发明涉及移动云计算技术(Mobile Cloud Computing,MCC)中基于马尔科夫决策过程的协作卸载方法。
背景技术
在移动云计算关键技术研究中,如何低时延低能耗地实现任务卸载是重点之一,而利用马尔科夫决策过程进行分析建模可以降低任务卸载的时延和能耗。
现有的卸载算法大多是将一个任务全部卸载到一个云服务器上,目的是减少卸载的时延和能耗。而在多层云的环境下,将任务卸载到一个云服务器可能导致云服务器负载过高,而其它云服务器则处于空闲状态,因此云服务器的资源没有均衡利用,导致传输时延和卸载时延未能进一步减少。因此,需要提出一个新的基于多层云协作的卸载方法。在多层云协作的条件下,减少卸载时延和能耗,并均衡各云服务器的负载。
发明内容
技术问题:本发明针对现有技术存在的问题,提供一种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,本方法基于马尔科夫决策过程,通过值迭代算法计算出时延和能耗最小的卸载方案,并通过任务分割算法将任务自适应分割,实现了云计算资源的充分利用和负载均衡。
技术方案:
一种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,该方法包括以下步骤:
(1)分析任务队列中的任务达到过程、并计算队列中任务数量q的概率分布和概率转移函数P(q|q′,a);计算边缘云的数量sm的概率分布和概率转移函数P(sm|s′m,a);分析移动自组织云的数量na和距离用户距离的状态da的概率分布,其状态转移函数分别为P(na|na′,a)和P(da|da′,a),移动自组织云的状态定义为二元组:sa=(na,da),计算移动自组织云状态转移函数P(sa|sa′,a)=P(na|na′,a)P(da|da′,a);计算中心云接收端信干噪比sr的概率分布和状态转移函数P(sr|sr′,a),将以上任务队列状态、边缘云状态、移动自组织云状态和中心云状态组合成马尔科夫决策过程的状态空间,并计算得到状态转移概率矩阵P(s|s′,a),其中a表示用户采取的动作;
(2)定义马尔科夫决策过程的动作空间:A={a|a=0,1,2,3},其中a=0表示本地执行任务;a=1表示卸载到边缘云;a=2表示卸载到移动自组织云;a=3表示卸载到中心云;
(3)将马尔科夫决策过程的立即回报函数定义为时延和能耗的函数,即决策函数;
(4)采集一系列输入任务样本,将所有任务量作为迭代法的输入,根据迭代法求解任务分割的阈值;
(5)根据已确定的阈值,比较输入任务和阈值的大小,如果输入任务大于阈值,则根据任务分割算法进行自适应任务分割,否则,不进行任务分割操作;
(6)将从步骤(5)得到的子任务的大小作为输入,根据状态转移概率矩阵P(s|s′,a)和立即回报函数,通过值迭代算法最大化值函数,得到卸载决策结果,对于每一个子任务执行同样的卸载决策操作,直到子任务全部处理完毕。
优选地,步骤(1)中的状态空间包括任务队列中的任务数量q、边缘云的数量sm、移动自组织云的数量na和距离用户的距离量化值da以及中心云接收端信干噪比的量化值sr,表示为:S={(q,sm,sa,sr)|q∈Q,sm∈Sm,sa∈Sa,sr∈Sr},其中,Q={0,1,…Qmax},Sm={0,1,…Sm,max},Sa={0,1,…Sa,max},Sr={0,1,…Sr,max},Qmax、Sm,max、Sa,max和Sr,max为各自状态的最大值,状态转移概率矩阵为各自状态转移函数的乘积,即P(s|s′,a)=P(q|q′,a)P(sm|s′m,a)P(sa|sa′,a)P(sr|sr′,a)。
优选地,步骤(3)中的立即回报函数定义为效益函数和代价函数的线性和,表示如下:
其中,是第i个用户的输入任务量,是第i个用户的效益函数,表示如下:
Ci是第i个用户的关于时延和能耗的代价函数,其定义如下:
Di表示时延,Ei表示能耗,Dmax表示允许的最大时延,Emax表示允许的最大能耗;ωu、ωc、ωD和ωE是加权系数,且ωu+ωc=1,ωD+ωE=1,0≤ωu,ωc,ωD,ωE≤1。
优选地,步骤(4)中任务分割阈值的求解过程包括如下子步骤:
4.1在一系列任务样本中,最小任务量为xmin,最大任务量为xmax,令初始阈值为
xth=(xmin+xmax)/2;
4.2根据阈值xth将任务分为两类:较大类和较小类,分别计算两者的平均任务量:xl和xr;
4.3计算新的阈值xth=(xl+xr)/2;
4.4若新的阈值xth与前一次迭代计算的阈值相同,即为最终的阈值,否则转到步骤4.2。
优选地,步骤(5)包括如下子步骤:
5.1根据输入任务的大小和已经得到的阈值,判断是否需要进行任务分割,如果任务比阈值小,则不需要进行任务分割,如果任务比阈值大,则将该任务作为步骤5.2的输入xre;
5.2观察队列中任务的数量q以及队列的容量Qc,设置加权系数u=q/Qc,计算此次的子任务量为:xj=xreq/Qc;
5.3计算剩余任务量,将其作为步骤5.1的输入xre,重复步骤5.1至5.3,直到任务分割完毕。
优选地,步骤(6)中的值迭代算法包括如下子步骤:
6.1初始化状态空间S、动作空间A、状态转移概率矩阵P、立即回报函数r、折扣系数γ和输入任务量xin;
6.2初始值V0设为0,ε设为0.01,迭代次数n初始化为0;
6.3计算:
6.4迭代次数n自加1;
6.5重复步骤6.3和6.4,直到||Vn+1(s)-Vn(s)||≤ε(1-γ)/2γ;
6.6得到此时的V以及对应的动作a。
有益效果:本发明与现有技术相比,其显著优点是:本发明基于马尔科夫决策过程使用户卸载的时延和能耗最小化,同时利用任务自适应分割算法,将任务分成若干份并卸载到多个云服务器协作处理,实现了云计算资源的充分利用和负载均衡。
附图说明
图1是本发明的移动云计算环境下的卸载场景图;
图2是本发明的任务分割的阈值求解流程;
图3是本发明的基于马尔科夫决策过程的协作卸载算法流程;
具体实施方式
本发明方法综合考虑将多层云的状态作为马尔科夫决策过程的状态空间,以及利用任务自适应分割降低时延和单个云服务器的负载,通过状态转移概率矩阵和回报函数计算最佳卸载方案,目标是最小化时延和能耗。
本发明基于马尔科夫决策过程,充分利用系统中有限的计算资源,在以最小化所有终端任务卸载时延和能耗为目标的同时,保证了各云服务器的负载均衡,满足各移动终端的任务卸载需求。
下面结合附图对本发明的实施方法作进一步的描述。
如图1所示,考虑移动云计算环境下多层云的卸载场景,包括边缘云、移动自组织云和中心云。从图中可以看出,边缘云处于中间层,移动自组织云处于最底层,中心云处于最高层。用户可以将任务卸载到任意一种云上,也可以在本地终端处理任务。
边缘云通常部署在网络的边缘,由于距离用户较近,因此边缘云可以为计算卸载提供迅速的交互式响应。移动自组织云相比于边缘云,其移动性更强,它可以通过手机、笔记本电脑组网,具有较强的灵活性,但是计算能力和存储能力有限。中心云的计算能力和存储能力最强,但是由于其一般部署在距离用户很远的地方,因而带来的时延更大。
I={i|i=1,...,N}表示系统中用户集合。用户i进行任务卸载时需要上传的任务量为xin,上行链路速率为νu,下行链路速率为νd,CPU处理速率为fe,传输每字节的能耗为εt,处理每字节的能耗为εe。用户i卸载时延包括两个部分,其中表示往返传输时延,表示任务的处理时延。用户i卸载能耗其中表示往返传输能耗,表示任务的处理能耗。如果是在本地处理,时延和能耗仅仅包含处理时延和处理能耗。
用户i的立即回报函数定义为效益函数和代价函数的线性和,表示如下。
是用户i的效益函数,表示如下。
Ci是关于时延和能耗的代价函数。其定义如下。
式(1)、(3)中ωu、ωc、ωD和ωE是加权系数,且ωu+ωc=1,ωD+ωE=1,0≤ωu,ωc,ωD,ωE≤1,加权系数可以在满足以上关系的条件下自由调整。
如图2所示,本发明的任务分割的阈值求解流程具体包括:
①在一系列任务样本中(需要大量数据统计),最小任务量为xmin,最大任务量为xmax。
令初始阈值为xth=(xmin+xmax)/2;
②根据阈值xth将任务分为两类文件:较大类和较小类。分别计算两者的平均任务量:
xl和xr;
③计算新的阈值xth=(xl+xr)/2;
④若xth不再变化,即为所要求的阈值,否则转到步骤2。
如图3所示,本发明的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包括:
(1)分析任务队列中的任务达到过程、并计算队列中任务数量q的概率分布和概率转移函数P(q|q′,a),计算边缘云的数量sm的分布和概率转移函数P(sm|s′m,a);分析移动自组织云的数量na和距离用户距离的状态da的概率分布,它们的状态转移函数为P(na|n′a,a)和P(da|d′a,a),移动自组织云的状态定义为二元组:sa=(na,da),假设na和da相互独立,计算移动自组织云状态转移函数P(sa|sa′,a)=P(na|n′a,a)P(da|d′a,a);计算中心云接收端信干噪比sr的概率分布和状态转移函数P(sr|s′r,a)。将以上任务队列状态、边缘云状态、移动自组织云状态和中心云状态组合成马尔科夫决策过程的状态空间,并计算得到状态转移概率矩阵。因此,状态空间表示为S={(q,sm,sa,sr)|q∈Q,sm∈Sm,sa∈Sa,sr∈Sr},其中,Q={0,1,…Qmax},Sm={0,1,…Sm,max},Sa={0,1,…Sa,max},Sr={0,1,…Sr,max},Qmax、Sm,max、Sa,max和Sr,max为各自状态的最大值。假设四个状态相互独立,则总体状态转移函数为各自状态转移函数的乘积,即为P(s|s′,a)=P(q|q′,a)P(sm|s′m,a)P(sa|s′a,a)P(sr|s′r,a)。其中,概率转移函数中的a表示用户采取的动作,不同的动作所对应的状态转移函数不同;
(2)定义马尔科夫决策过程的动作空间,表示用户可以采取的动作:A={a|a=0,1,2,3}。其中a=0表示本地执行任务;a=1表示卸载到边缘云;a=2表示卸载到移动自组织云;a=3表示卸载到中心云;
(3)将马尔科夫决策过程的立即回报函数定义为时延和能耗的函数,即决策函数,第i个用户的立即回报函数定义为其中是效益函数,取决于任务量定义为Ci是代价函数,定义为表示时延,Ei表示能耗,Dmax表示允许的最大时延,Emax表示允许的最大能耗;ωu、ωc、ωD和ωE是加权系数,且ωu+ωc=1,ωD+ωE=1,0≤ωu,ωc,ωD,ωE≤1,加权系数可以在满足以上关系的条件下自由调整;
(4)采集系统中一系列输入任务样本,将所有任务量作为迭代法的输入,根据迭代法求解任务分割的阈值xth,迭代法求阈值过程如图2所示;
(5)根据已确定的阈值xth,比较输入任务xin和阈值xth的大小,如果xin<xth,不需要进行任务分割操作;如果xin>xth,则需要根据任务分割算法进行第一次任务分割,子任务的大小为加权系数和剩余任务量xre的乘积(第一次分割时xre=xin),加权系数为u=q/Qc,q为队列中任务的数量以及Qc为队列的容量,因此子任务量为xj=xreq/Qc。更新剩余任务量,重复(5)步骤,直到剩余任务量小于阈值,则将剩余任务作为最后一个子任务,任务分配完毕;
(6)将每一个子任务量xj作为输入xin,根据状态转移概率矩阵P(s|s′,a)和立即回报函数r,定义其满足贝尔曼方程的值函数:其中γ是折扣系数,则目标函数为:
通过值迭代算法得到卸载决策结果π*=maxV(s,a)。对于每一个子任务执行同样的卸载决策操作,直到子任务全部处理完毕。其中,值迭代算法求解决策结果的过程如下:
①初始化状态空间S、动作空间A、状态转移概率矩阵P、回报函数r、折扣系数γ和输入任务量xin;
②初始值设为0,ε设为0.01,迭代次数初始化为0(V0=0,ε=0.01,n=0);
③计算:
④迭代次数n自加1;
⑤重复步骤③和④,直到||Vn+1(s)-Vn(s)||≤ε(1-γ)/2γ;
⑥得到此时的V以及对应的动作a,则是要求的卸载决策结果,即π*=a。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解的是,本发明可以涉及用于执行本申请中所述操作中的一项或多项操作的设备。所述设备可以为所需的目的而专门设计和制造,或者也可以包括通用计算机中的已知设备,所述通用计算机有存储在其内的程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如,计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中,所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、随机存储器(RAM)、只读存储器(ROM)、电可编程ROM、电可擦ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、磁性卡片或光线卡片。可读介质包括用于以由设备(例如,计算机)可读的形式存储或传输信息的任何机构。例如,可读介质包括随机存储器(RAM)、只读存储器(ROM)、磁盘存储介质、光学存储介质、闪存装置、以电的、光的、声的或其他的形式传播的信号(例如载波、红外信号、数字信号)等。
本技术领域技术人员可以理解的是,可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来生成机器,从而通过计算机或其他可编程数据处理方法的处理器来执行的指令创建了用于实现结构图和/或框图和/或流图的框或多个框中指定的方法。
本技术领域技术人员可以理解的是,本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
本领域技术人员不脱离本发明的实质和精神,可以有多种变形方案实现本发明,以上所述仅为本发明较佳可行的实施例而已,并非因此局限本发明的权利范围,凡运用本发明说明书及附图内容所作的等效结构变化,均包含于本发明的权利范围之内。
Claims (6)
1.一种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,其特征在于该方法包括以下步骤:
(1)分析任务队列中的任务达到过程、并计算队列中任务数量q的概率分布和概率转移函数P(q|q′,a);计算边缘云的数量sm的概率分布和概率转移函数P(sm|s′m,a);分析移动自组织云的数量na和距离用户距离的状态da的概率分布,其状态转移函数分别为P(na|n′a,a)和P(da|d′a,a),移动自组织云的状态定义为二元组:sa=(na,da),计算移动自组织云状态转移函数P(sa|s′a,a)=P(na|n′a,a)P(da|d′a,a);计算中心云接收端信干噪比sr的概率分布和状态转移函数P(sr|s′r,a),将以上任务队列状态、边缘云状态、移动自组织云状态和中心云状态组合成马尔科夫决策过程的状态空间,并计算得到状态转移概率矩阵P(s|s′,a),其中a表示用户采取的动作;
(2)定义马尔科夫决策过程的动作空间:A={a|a=0,1,2,3},其中a=0表示本地执行任务;a=1表示卸载到边缘云;a=2表示卸载到移动自组织云;a=3表示卸载到中心云;
(3)将马尔科夫决策过程的立即回报函数定义为时延和能耗的函数,即决策函数;
(4)采集一系列输入任务样本,将所有任务量作为迭代法的输入,根据迭代法求解任务分割的阈值;
(5)根据已确定的阈值,比较输入任务和阈值的大小,如果输入任务大于阈值,则根据任务分割算法进行自适应任务分割,否则,不进行任务分割操作;
(6)将从步骤(5)得到的子任务的大小作为输入,根据状态转移概率矩阵P(s|s′,a)和立即回报函数,通过值迭代算法最大化值函数,得到卸载决策结果,对于每一个子任务执行同样的卸载决策操作,直到子任务全部处理完毕。
2.根据权利要求1所述的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,其特征在于:步骤(1)中的状态空间包括任务队列中的任务数量q、边缘云的数量sm、移动自组织云的数量na和距离用户的距离量化值da以及中心云接收端信干噪比的量化值sr,表示为:S={(q,sm,sa,sr)|q∈Q,sm∈Sm,sa∈Sa,sr∈Sr},其中,Q={0,1,…Qmax},Sm={0,1,…Sm,max},Sa={0,1,…Sa,max},Sr={0,1,…Sr,max},Qmax、Sm,max、Sa,max和Sr,max为各自状态的最大值,状态转移概率矩阵为各自状态转移函数的乘积,即P(s|s′,a)=P(q|q′,a)P(sm|s′m,a)P(sa|s′a,a)P(sr|s′r,a)。
3.根据权利要求1所述的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,其特征在于:步骤(3)中的立即回报函数定义为效益函数和代价函数的线性和,表示如下:
其中,是第i个用户的输入任务量,是第i个用户的效益函数,表示如下:
Ci是第i个用户的关于时延和能耗的代价函数,其定义如下:
Di表示时延,Ei表示能耗,Dmax表示允许的最大时延,Emax表示允许的最大能耗;ωu、ωc、ωD和ωE是加权系数,且ωu+ωc=1,ωD+ωE=1,0≤ωu,ωc,ωD,ωE≤1。
4.根据权利要求1所述的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,其特征在于:步骤(4)中任务分割阈值的求解过程包括如下子步骤:
4.1在一系列任务样本中,最小任务量为xmin,最大任务量为xmax,令初始阈值为xth=(xmin+xmax)/2;
4.2根据阈值xth将任务分为两类:较大类和较小类,分别计算两者的平均任务量:xl和xr;
4.3计算新的阈值xth=(xl+xr)/2;
4.4若新的阈值xth与前一次迭代计算的阈值相同,即为最终的阈值,否则转到步骤4.2。
5.根据权利要求1所述的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,其特征在于:步骤(5)包括如下子步骤:
5.1根据输入任务的大小和已经得到的阈值,判断是否需要进行任务分割,如果任务比阈值小,则不需要进行任务分割,如果任务比阈值大,则将该任务作为步骤5.2的输入xre;
5.2观察队列中任务的数量q以及队列的容量Qc,设置加权系数u=q/Qc,计算此次的子任务量为:xj=xreq/Qc;
5.3计算剩余任务量,将其作为步骤5.1的输入xre,重复步骤5.1至5.3,直到任务分割完毕。
6.根据权利要求1所述的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,其特征在于:步骤(6)中的值迭代算法包括如下子步骤:
6.1初始化状态空间S、动作空间A、状态转移概率矩阵P、立即回报函数r、折扣系数γ和输入任务量xin;
6.2初始值V0设为0,ε设为0.01,迭代次数n初始化为0;
6.3计算:
6.4迭代次数n自加1;
6.5重复步骤6.3和6.4,直到||Vn+1(s)-Vn(s)||≤ε(1-γ)/2γ;
6.6得到此时的V以及对应的动作a。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810755942.9A CN109144719B (zh) | 2018-07-11 | 2018-07-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810755942.9A CN109144719B (zh) | 2018-07-11 | 2018-07-11 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109144719A true CN109144719A (zh) | 2019-01-04 |
CN109144719B CN109144719B (zh) | 2022-02-15 |
Family
ID=64800058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810755942.9A Active CN109144719B (zh) | 2018-07-11 | 2018-07-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109144719B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110336705A (zh) * | 2019-07-23 | 2019-10-15 | 重庆电子工程职业学院 | 一种边缘云节能方法 |
CN110851145A (zh) * | 2019-09-30 | 2020-02-28 | 烽火通信科技股份有限公司 | 一种基于容器编排的边缘云安装维护方法及系统 |
CN111988805A (zh) * | 2020-08-28 | 2020-11-24 | 重庆邮电大学 | 一种面向可靠时延保障的端边协同方法 |
CN114500551A (zh) * | 2021-12-31 | 2022-05-13 | 杭州未名信科科技有限公司 | 边缘计算传输负载均衡方法、装置、设备及存储介质 |
CN115190033A (zh) * | 2022-05-22 | 2022-10-14 | 重庆科技学院 | 一种基于强化学习的云边融合网络任务卸载方法 |
CN115623540A (zh) * | 2022-11-11 | 2023-01-17 | 南京邮电大学 | 一种移动设备的边缘优化卸载方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104754063A (zh) * | 2015-04-17 | 2015-07-01 | 北京邮电大学 | 本地云计算资源调度方法 |
CN104869151A (zh) * | 2015-04-07 | 2015-08-26 | 北京邮电大学 | 一种业务卸载方法及系统 |
US9240184B1 (en) * | 2012-11-15 | 2016-01-19 | Google Inc. | Frame-level combination of deep neural network and gaussian mixture models |
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 |
CN108170523A (zh) * | 2017-12-28 | 2018-06-15 | 合肥工业大学 | 一种移动云计算的随机任务序列调度方法 |
-
2018
- 2018-07-11 CN CN201810755942.9A patent/CN109144719B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9240184B1 (en) * | 2012-11-15 | 2016-01-19 | Google Inc. | Frame-level combination of deep neural network and gaussian mixture models |
CN104869151A (zh) * | 2015-04-07 | 2015-08-26 | 北京邮电大学 | 一种业务卸载方法及系统 |
CN104754063A (zh) * | 2015-04-17 | 2015-07-01 | 北京邮电大学 | 本地云计算资源调度方法 |
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 |
CN108170523A (zh) * | 2017-12-28 | 2018-06-15 | 合肥工业大学 | 一种移动云计算的随机任务序列调度方法 |
Non-Patent Citations (1)
Title |
---|
JUAN LIU等: "Delay-optimal computation task scheduling for mobile-edge computing systems", 《2016 IEEE INTERNATIONAL SYMPOSIUM ON INFORMATION THEORY (ISIT)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110336705A (zh) * | 2019-07-23 | 2019-10-15 | 重庆电子工程职业学院 | 一种边缘云节能方法 |
CN110336705B (zh) * | 2019-07-23 | 2020-12-22 | 重庆电子工程职业学院 | 一种边缘云节能方法 |
CN110851145A (zh) * | 2019-09-30 | 2020-02-28 | 烽火通信科技股份有限公司 | 一种基于容器编排的边缘云安装维护方法及系统 |
CN110851145B (zh) * | 2019-09-30 | 2022-06-03 | 烽火通信科技股份有限公司 | 一种基于容器编排的边缘云安装维护方法及系统 |
CN111988805A (zh) * | 2020-08-28 | 2020-11-24 | 重庆邮电大学 | 一种面向可靠时延保障的端边协同方法 |
CN111988805B (zh) * | 2020-08-28 | 2022-03-29 | 重庆邮电大学 | 一种面向可靠时延保障的端边协同方法 |
CN114500551A (zh) * | 2021-12-31 | 2022-05-13 | 杭州未名信科科技有限公司 | 边缘计算传输负载均衡方法、装置、设备及存储介质 |
CN114500551B (zh) * | 2021-12-31 | 2024-04-05 | 杭州未名信科科技有限公司 | 边缘计算传输负载均衡方法、装置、设备及存储介质 |
CN115190033A (zh) * | 2022-05-22 | 2022-10-14 | 重庆科技学院 | 一种基于强化学习的云边融合网络任务卸载方法 |
CN115190033B (zh) * | 2022-05-22 | 2024-02-20 | 重庆科技学院 | 一种基于强化学习的云边融合网络任务卸载方法 |
CN115623540A (zh) * | 2022-11-11 | 2023-01-17 | 南京邮电大学 | 一种移动设备的边缘优化卸载方法 |
CN115623540B (zh) * | 2022-11-11 | 2023-10-03 | 南京邮电大学 | 一种移动设备的边缘优化卸载方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109144719B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN109144719A (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 | |
CN113950066B (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
CN110809772B (zh) | 用于改进机器学习模型的优化的系统和方法 | |
CN113516250A (zh) | 一种联邦学习方法、装置、设备以及存储介质 | |
CN113361721B (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
CN111079780A (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN113705793B (zh) | 决策变量确定方法及装置、电子设备和介质 | |
CN114625506A (zh) | 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法 | |
CN116187483A (zh) | 模型训练方法、装置、设备、介质和程序产品 | |
CN110874627A (zh) | 数据处理方法、数据处理装置及计算机可读介质 | |
CN111343602B (zh) | 基于进化算法的联合布局与任务调度优化方法 | |
CN116366576A (zh) | 算力网络资源调度方法、装置、设备及介质 | |
US10769517B2 (en) | Neural network analysis | |
Fosson | Online optimization in dynamic environments: a regret analysis for sparse problems | |
US20210271932A1 (en) | Method, device, and program product for determining model compression rate | |
CN112966723B (zh) | 视频数据增广方法、装置、电子设备及可读存储介质 | |
US11676050B2 (en) | Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes | |
CN114217933A (zh) | 多任务调度方法、装置、设备以及存储介质 | |
Chang et al. | GraphCS: Graph-based client selection for heterogeneity in federated learning | |
Wang et al. | Resource allocation based on Radio Intelligence Controller for Open RAN towards 6G | |
Yang et al. | Pruning Convolutional Neural Networks via Stochastic Gradient Hard Thresholding | |
Amirjanov et al. | Changing range genetic algorithm for multimodal function optimisation | |
CN116737607B (zh) | 样本数据缓存方法、系统、计算机设备和存储介质 | |
Zheng et al. | Using support vector machine and dynamic parameter encoding to enhance global optimization |
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 |