CN109358953B - 一种微云中的多任务应用卸载方法 - Google Patents
一种微云中的多任务应用卸载方法 Download PDFInfo
- Publication number
- CN109358953B CN109358953B CN201811102009.8A CN201811102009A CN109358953B CN 109358953 B CN109358953 B CN 109358953B CN 201811102009 A CN201811102009 A CN 201811102009A CN 109358953 B CN109358953 B CN 109358953B
- Authority
- CN
- China
- Prior art keywords
- task
- application
- unloading
- cloud
- mobile device
- 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
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
- G06F9/4862—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate
- G06F9/4875—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate with migration policy, e.g. auction, contract negotiation
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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)
- Telephone Function (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种微云中的多任务应用卸载方法,所述方法包括:获取移动应用的完成时间、移动设备的能量消耗、任务卸载花费,建立微云中的多任务应用卸载模型;根据遗传算法求解所述模型,得到最优的多任务应用卸载策略;根据所述最优的多任务应用卸载策略执行微云中的多任务应用卸载。本发明的微云中的多任务应用卸载方法可以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费,且保证整个应用卸载的完成时间满足时间约束。
Description
技术领域
本发明涉及移动云计算技术领域,具体涉及一种微云中的多任务应用卸载方法。
背景技术
云计算作为一种高效、按需的服务技术不仅改变了传统的计算模型,而且极大地促进了社会经济的发展和人们生活水平的提高。云服务提供者通过使用虚拟化、网络存储、分布式计算等多种技术把存储、服务器、应用软件等资源转化为资源共享池,用户只需要与云服务提供者经过简单的交互就可以实现资源的访问和利用。随着科技的快速进步和人们生活水平的显著提高,手机变成了人们最常使用的移动通信终端。国际电信联盟在2012年1月份的报告显示,全球手机用户达到59亿,移动宽带用户约为12亿,而在2015年年底的报告显示,全球手机用户数已达到71亿,移动宽带用户约为35亿,从这些统计数据可以看出移动互联网业务正以飞快的速度迅猛增长。同时,以苹果公司的iOS系统和Google公司的Android系统为代表的移动操作系统为移动应用程序的高效运行提供了平台支持。然而,由于手机自身固有的一些局限性,包括电池电量有限、CPU处理能力有限、存储空间有限、环境感知能力有限等现实技术特点,使得大量的应用程序无法持续、流畅、高效地在手机端获得运行。
移动云计算技术主要通过任务卸载来增强移动设备的处理能力以及降低电量受限设备的能耗,可以很好地解决上述问题。移动云计算中的任务卸载是指把移动设备的任务发送到云平台,然后由云平台处理,最后云平台向用户返回任务结果。由于不同的任务具有不同的计算量和数据传输量,在执行任务卸载操作之前,必须制定任务卸载策略以确定使用哪个云平台。并且,任务卸载策略将直接影响移动应用程序最终的运行性能。
在网络边缘的微云环境中,移动设备需要将一部分任务卸载到微云中,以便借助微云来高效的执行任务,同时,将任务卸载到微云中需要消耗移动设备一定的能量,并且用户也需要支付一定的费用。目前,还没有现有技术联合考虑应用程序的完成时间、移动设备消耗的能量以及用户的金钱花费提出微云中的多任务应用卸载方法。
发明内容
本发明的目的在于克服现有技术中存在的缺陷,提供一种微云中的多任务应用卸载方法,以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费。
本发明采用以下技术方案:
一种微云中的多任务应用卸载方法,所述方法包括:
S1、获取移动应用的完成时间、移动设备的能量消耗、任务卸载花费,建立微云中的多任务应用卸载模型;
S2、根据遗传算法求解所述模型,得到最优的多任务应用卸载策略;
S3、根据所述最优的多任务应用卸载策略执行微云中的多任务应用卸载。
进一步,所述微云中的多任务应用卸载模型为:
最小化所述移动设备的能量消耗以及所述任务卸载花费,且保证所述移动应用的完成时间小于一个给定的阈值,即:
minF=λ1·Econ+λ2·ctotal,λ1+λ2=1
St.CT≤Tmax
其中,F表示所述微云中的多任务应用卸载模型的目标函数,λ1和λ2分别表示对移动设备的能量消耗以及任务卸载花费的关注程度,CT表示所述应用的完成时间,Tmax表示用户定义的时间阈值。
进一步,所述获取应用的完成时间包括:
S111、确定所述任务的优先级;
S112、确定每项任务的最早完成时间;
S113、确定所述应用的完成时间。
进一步,所述S111包括:
获取所述移动应用的任务队列;
获取所述移动应用的任务列表;
获取所述任务的工作负载;
将所述任务到结束任务的最长路径的长度加上所述任务的工作负载得到所述任务的优先级,计算公式如下:
其中,pri(vi)表示任务vi的优先级值,vend表示结束任务,wi表示任务vi的工作负载。
进一步,所述S112包括:
所述最早完成时间计算公式如下:
EFT(vi)=EST(vi)+ti
进一步,所述任务为在本地执行的任务,其执行时间为:
其中,wi是任务vi的工作负载,fm是移动设备CPU的处理速度;
所述任务为卸载到微云的任务,其执行时间是:
其中,fc是微云中CPU的处理速度,ui和di分别是任务vi需要上传以及下载的数据量大小,ru和rd分别是移动设备和微云之间的数据上传速率以及下载速率。
进一步,所述移动设备的能量消耗包括任务在本地执行所消耗的能量以及移动设备和微云进行数据传输所消耗的能量,表达式如下:
其中,表示任务vi在本地运行所需要消耗的能量,表示任务卸载到微云执行过程中移动设备消耗的能量,n表示一个应用中任务的个数,αi表示任务vi的执行位置,αi=0表示任务vi在本地执行,而αi=1表示任务vi被卸载到微云执行;
其中,Pm是移动设备执行任务时能量消耗的速率,wi是任务vi的工作负载,fm是移动设备CPU的处理速度;
其中,Pu和Pd分别是移动设备发送数据和接收数据所需要的传输功率,ui和di分别是任务vi需要上传以及下载的数据量大小,ru和rd分别是移动设备和微云之间的数据上传速率以及下载速率。
进一步,所述任务卸载花费包括微云的计算费用以及微云和移动设备进行数据通信的数据传输费用,表达式如下:
ctotal=ccal+ccom
其中,将任务卸载到微云的计算花费ccal为:
其中,c1表示微云中每单位时间的计算花费,fc是微云中CPU的处理速度,wi是任务vi的工作负载,n表示一个应用中任务的个数,αi表示任务vi的执行位置,αi=0表示任务vi在本地执行,而αi=1表示任务vi被卸载到微云执行;
将任务卸载到微云的通信花费ccom为:
其中,c2表示微云中每单位时间的计算花费,ui和di分别是任务vi需要上传以及下载的数据量大小。
进一步,所述步骤S2包括:
S21、初始化一个种群,种群中的每一个个体表示一种卸载策略;
S22、对于种群中的每一个个体,通过下述的公式计算出CT、ctotal、Econ以及F的值:
S23、根据fitness=exp(1/F)得到种群中每个个体的适应度函数;
S24、选择、交叉以及变异:使用概率函数p=fitnessi/sum(fitnessi)进行自然选择过程,之后淘汰适应度过小的个体,对剩下的个体进行交叉和变异;
S25、重复上述的S22-S24步骤,直到步骤S22得到的最优的F值不再变化为止,此时,该最优的F值对应的卸载策略就是最优的卸载策略。
本发明的优点和有益效果在于:
本发明提供一种微云中的多任务应用卸载方法,可以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费,且保证整个应用卸载的完成时间满足时间约束。
附图说明
图1为本发明DAG图的一个示例图;
图2为本发明需要将任务卸载到微云的一个场景示例图;
图3为本发明提供的一种微云中的多任务应用卸载方法流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的目的在于提供一种最优的微云中的多任务应用卸载任务卸载策,以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费。本发明需要解决的问题如下:
对于一个移动应用G,它可以用有向无环图(DAG)表示,即G=(V,E)。顶点集合V中的顶点vi表示应用程序中的任务。每个任务都具有正的计算负载wi。每条边(vi,vj)表示任务vj对任务vi具有依赖性。依赖集合是DAG的边集E。对于每个依赖项(vi,vj),任务vj的执行只能在vi完成时开始。图1显示了DAG图的一个示例。
考虑图2中的这种场景,一些用户由于移动设备性能不足或者能量不足等原因,需要将他们的应用程序卸载到位于他们所在的建筑物的微云中。用户关心的是应用程序的完成时间,卸载的金钱成本以及移动设备的能量消耗这三个因素。在这种场景下,本发明需要做出一个卸载决策,以便最小化用户的花费以及用户移动设备的能量消耗,并且执行了这个卸载决策之后,用户所需卸载的应用的完成时间需要小于一个给定的阈值。
本发明提供的一种微云中的多任务应用卸载方法流程示意图如图3所示,所述方法包括:
S1、获取移动应用的完成时间、移动设备的能量消耗、任务卸载花费,建立微云中的多任务应用卸载模型;
S2、根据遗传算法求解所述模型,得到最优的多任务应用卸载策略;
S3、根据所述最优的多任务应用卸载策略执行微云中的多任务应用卸载。
下面对本发明的微云中的多任务应用卸载方法过程做进一步详细的阐述。
1、计算应用的完成时间
对于一个多任务应用,当卸载决策给定时,首先需要计算出在该任务卸载决策下该应用的完成时间。本发明将任务vi的所有直接前导任务和直接后继任务的集合分别用为pred(vi)和succ(vi)表示。假设应用G有一个开始任务vstart,没有任何前导任务,并且假设有一个结束任务vend,没有任何后继任务。
在一个给定的卸载决策的情况下,计算一个应用的完成时间需要经过以下几个步骤:
决定任务的优先级:在此阶段,任务vi根据其调度的优先级进行从小到大的排序。任务的优先级由vi到结束任务vend的最长路径的长度加上任务vi的工作负载wi表示。
1)令pri(vi)表示任务vi的优先级值,则pri(vi)由以下式子递归定义:
2)计算每项任务的最早完成时间:在此阶段,需要定义两个参数,即最早开始时间(EST)和最早完成时间(EFT)。任务vi在其所有输入都可用之前无法开始执行。因此,任务vi的最早开始时间被定义为任务vi的所有直接前导任务的最大最早完成时间,并且任务vi的最早完成时间被定义为任务vi的最早开始时间加上vi的执行时间。EST(vi)和EFT(vi)的值的计算公式计算如下所示:
EFT(vi)=EST(vi)+ti
其中ti是任务的执行时间。ti的值取决于任务vi的执行位置(即本地运行或卸载到微云执行)。对于在本地执行的任务,其执行时间为:
其中wi是任务vi的工作负载,fm是移动设备CPU的处理速度(IPS每秒处理的指令数)。
对于卸载到微云的任务vi,其执行时间是:
其中,fc是微云中CPU的处理速度,ui和di分别是任务vi需要上传以及下载的数据量大小,ru和rd分别是移动设备和微云之间的数据上传速率以及下载速率,上式由三部分组成:在微云上任务vi的执行时间,将数据传输到微云所用的时间,以及将微云的执行结果从微云传输到移动设备所用的时间。
2)计算应用的完成时间:移动应用的完成时间作为本发明的最优化问题的约束条件。应用程序的完成时间(CT)需要低于用户定义的阈值Tmax,即CT≤Tmax。对于一个应用,其应用的完成时间应该是结束任务vend的最早完成时间,即CT=EFT(vend)≤Tmax。
2.计算移动设备的能量消耗
使用αi表示任务vi的执行位置,αi=0表示任务vi在本地执行,而αi=1表示任务vi被卸载到微云执行。
对于一个需要进行任务卸载的应用来说,移动设备所需要消耗的能量包括任务在本地执行所消耗的能量以及移动设备和微云进行数据传输所消耗的能量。移动设备总的能量消耗Econ由以下式子定义:
其中,Pm是移动设备执行任务时能量消耗的速率。
其中,Pu和Pd分别是移动设备发送数据和接收数据所需要的传输功率,ui和di分别是任务vi需要上传以及下载的数据量大小,ru和rd分别是移动设备和微云之间的数据上传速率以及下载速率。
3.计算用户进行任务卸载的花费
将任务卸载到微云中,用户需要支付一定的任务卸载费用。这笔费用包括微云的计算费用以及微云和移动设备进行数据通信的数据传输费用。令c1为微云中每单位时间的计算花费,c2为微云与移动设备进行数据传输过程中每单位数据量的通信花费,则将任务卸载到微云的计算花费c2为:
将任务卸载到微云的通信花费ccom为:
任务卸载总的花费ctotal为:
ctotal=ccal+ccom
4.建立目标函数
基于上述对应用的完成时间,移动设备消耗的能量以及总花费的定义,本发明提出的目标函数如下所示:
minF=λ1·Econ+λ2·ctotal,λ1+λ2=1
St.CT≤Tmax
其中,F表示所述微云中的多任务应用卸载模型的目标函数,λ1和λ2分别表示对移动设备的能量消耗以及任务卸载花费的关注程度。本发明提出的目标函数表示需要最小化移动设备的能量消耗以及任务卸载花费。
5.利用遗传算法对目标函数进行求解
在上述系统模型和优化目标下,本发明提出了基于遗传算法的卸载决策。
遗传算法(GA)是受自然进化中观察到的过程启发的启发式算法。GA通过依靠生物启发的变异,交叉和选择等运算符来生成高质量的优化问题的解决方案。本发明使用遗传算法来解决前面提出的最优化问题,其具体步骤为:
1)初始化一个种群,种群中的每一个个体表示一种卸载策略;
2)对于种群中的每一个个体,通过下述的公式计算出CT、ctotal、Econ以及F的值:
3)根据fitness=exp(1/F)得到种群中每个个体的适应度函数,这个适应度函数表明个体(即卸载决策)的F值越小,该个体的适应度函数值就越大,该个体就越应该保留下来;
4)选择、交叉以及变异:使用概率函数p=fitnessi/sum(fitnessi)进行自然选择过程,i表示种群中的每一个个体,这个概率函数表明个体的适应度越大,就越有可能保留下来。经过上述选择过程之后,一些适应度过小的个体会被淘汰,种群的个体数量会减少,本发明通过对剩下的个体进行交叉和变异来模拟自然界的繁衍过程,增加新的个体,以保持种群的数量不变;
5)重复上述的2)-4)步骤,直到步骤2)得到的最优的F值不再变化为止,此时,该最优的F值对应的卸载策略就是最优的卸载策略。
本发明提供一种微云中的多任务应用卸载方法,可以最小化多任务应用在任务卸载过程中移动设备消耗的能量以及用户的花费,且保证整个应用卸载的完成时间满足时间约束。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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 (8)
1.一种微云中的多任务应用卸载方法,其特征在于,所述方法包括:
S1、获取移动应用的完成时间、移动设备的能量消耗、任务卸载花费,建立微云中的多任务应用卸载模型;
S2、根据遗传算法求解所述模型,得到最优的多任务应用卸载策略;
S3、根据所述最优的多任务应用卸载策略执行微云中的多任务应用卸载;
所述微云中的多任务应用卸载模型为:
最小化所述移动设备的能量消耗以及所述任务卸载花费,且保证所述移动应用的完成时间小于一个给定的阈值,即:
minF=λ1·Econ+λ2·ctotal,λ1+λ2=1
St.CT≤Tmax
其中,F表示所述微云中的多任务应用卸载模型的目标函数,λ1和λ2分别表示对移动设备的能量消耗以及任务卸载花费的关注程度,CT表示所述应用的完成时间,Tmax表示用户定义的时间阈值,Econ表示移动设备的能量消耗,Ctotal表示任务卸载花费。
2.如权利要求1所述的方法,其特征在于,所述获取应用的完成时间包括:
S111、确定所述任务的优先级;
S112、确定每项任务的最早完成时间;
S113、确定所述应用的完成时间。
6.如权利要求1所述的方法,其特征在于,所述移动设备的能量消耗包括任务在本地执行所消耗的能量以及移动设备和微云进行数据传输所消耗的能量,表达式如下:
其中,表示任务vi在本地运行所需要消耗的能量,表示任务卸载到微云执行过程中移动设备消耗的能量,n表示一个应用中任务的个数,αi表示任务vi的执行位置,αi=0表示任务vi在本地执行,而αi=1表示任务vi被卸载到微云执行;
其中,Pm是移动设备执行任务时能量消耗的速率,wi是任务vi的工作负载,fm是移动设备CPU的处理速度;
其中,Pu和Pd分别是移动设备发送数据和接收数据所需要的传输功率,ui和di分别是任务vi需要上传以及下载的数据量大小,ru和rd分别是移动设备和微云之间的数据上传速率以及下载速率。
8.如权利要求1所述的方法,其特征在于,所述步骤S2包括:
S21、初始化一个种群,种群中的每一个个体表示一种卸载策略;
S22、对于种群中的每一个个体,通过下述的公式计算出CT、ctotal、Econ以及F的值:
S23、根据fitness=exp(1/F)得到种群中每个个体的适应度函数;
S24、选择、交叉以及变异:使用概率函数p=fitnessi/sum(fitnessi)进行自然选择过程,之后淘汰适应度过小的个体,对剩下的个体进行交叉和变异;
S25、重复上述的S22-S24步骤,直到步骤S22得到的最优的F值不再变化为止,此时,该最优的F值对应的卸载策略就是最优的卸载。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811102009.8A CN109358953B (zh) | 2018-09-20 | 2018-09-20 | 一种微云中的多任务应用卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811102009.8A CN109358953B (zh) | 2018-09-20 | 2018-09-20 | 一种微云中的多任务应用卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109358953A CN109358953A (zh) | 2019-02-19 |
CN109358953B true CN109358953B (zh) | 2020-09-08 |
Family
ID=65351102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811102009.8A Active CN109358953B (zh) | 2018-09-20 | 2018-09-20 | 一种微云中的多任务应用卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109358953B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947551B (zh) * | 2019-03-19 | 2021-04-23 | 中南大学 | 一种多轮次任务分配方法、边缘计算系统及其存储介质 |
CN110366210B (zh) * | 2019-06-20 | 2023-01-06 | 华南理工大学 | 一种针对有状态数据流应用的计算卸载方法 |
CN111310922A (zh) * | 2020-03-27 | 2020-06-19 | 北京奇艺世纪科技有限公司 | 处理深度学习计算任务的方法、装置、设备和存储介质 |
CN112181655A (zh) * | 2020-09-30 | 2021-01-05 | 杭州电子科技大学 | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 |
CN112835715B (zh) * | 2021-02-01 | 2022-12-09 | 哈尔滨工业大学(深圳) | 基于强化学习的无人机任务卸载策略的确定方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8843652B2 (en) * | 1999-09-30 | 2014-09-23 | Rockwell Automation Technologies, Inc. | Distributed real-time operating system |
CN104158855A (zh) * | 2014-07-24 | 2014-11-19 | 浙江大学 | 基于遗传算法的移动服务组合计算卸载方法 |
CN105765910A (zh) * | 2013-01-17 | 2016-07-13 | 埃克索科茨股份有限公司 | 利用卸载处理器的调度和通信量管理 |
CN107295109A (zh) * | 2017-08-16 | 2017-10-24 | 重庆邮电大学 | 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 |
CN107465748A (zh) * | 2017-08-18 | 2017-12-12 | 东南大学 | 移动边缘云计算系统中基于演进博弈的动态资源分配方法 |
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 |
-
2018
- 2018-09-20 CN CN201811102009.8A patent/CN109358953B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8843652B2 (en) * | 1999-09-30 | 2014-09-23 | Rockwell Automation Technologies, Inc. | Distributed real-time operating system |
CN105765910A (zh) * | 2013-01-17 | 2016-07-13 | 埃克索科茨股份有限公司 | 利用卸载处理器的调度和通信量管理 |
CN104158855A (zh) * | 2014-07-24 | 2014-11-19 | 浙江大学 | 基于遗传算法的移动服务组合计算卸载方法 |
CN107295109A (zh) * | 2017-08-16 | 2017-10-24 | 重庆邮电大学 | 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 |
CN107465748A (zh) * | 2017-08-18 | 2017-12-12 | 东南大学 | 移动边缘云计算系统中基于演进博弈的动态资源分配方法 |
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 |
Non-Patent Citations (1)
Title |
---|
"移动自组织云中任务卸载决策的研究";李双全;《中国优秀硕士学位论文全文数据库信息科技辑》;20141215(第201412期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109358953A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109358953B (zh) | 一种微云中的多任务应用卸载方法 | |
CN109829332B (zh) | 一种基于能量收集技术的联合计算卸载方法及装置 | |
Xu et al. | Multiobjective computation offloading for workflow management in cloudlet‐based mobile cloud using NSGA‐II | |
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 | |
CN103401939B (zh) | 一种采用混合调度策略的负载均衡方法 | |
US20220004858A1 (en) | Method for processing artificial neural network, and electronic device therefor | |
CN111429142B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN110809291B (zh) | 基于能量采集设备的移动边缘计算系统双层负载平衡方法 | |
CN111310922A (zh) | 处理深度学习计算任务的方法、装置、设备和存储介质 | |
CN113220356A (zh) | 一种移动边缘计算中的用户计算任务卸载方法 | |
WO2024098872A1 (zh) | 任务处理方法、系统、装置、设备及计算机可读存储介质 | |
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 | |
CN108769253A (zh) | 一种分布式系统访问性能优化的自适应预取控制方法 | |
Huang et al. | Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud | |
Aldmour et al. | New cloud offloading algorithm for better energy consumption and process time | |
CN113778675A (zh) | 一种基于面向区块链网络的计算任务分配系统及方法 | |
CN117135131A (zh) | 一种面向云边协同场景的任务资源需求感知方法 | |
CN116954866A (zh) | 基于深度强化学习的边缘云下任务调度方法及系统 | |
CN112527409A (zh) | 一种面向移动医疗健康管理的边缘云计算卸载方法 | |
CN111124439A (zh) | 一种云边协同的智能动态卸载算法 | |
CN112866358B (zh) | 一种物联网服务重调度的方法、系统及装置 | |
CN113626175B (zh) | 数据处理的方法和装置 | |
CN114461299A (zh) | 一种卸载决策确定方法、装置、电子设备及存储介质 | |
CN114138493A (zh) | 一种基于能耗感知的边缘算力资源调度方法 | |
CN113518122A (zh) | 边缘智能网络保障低时延传输的任务卸载方法、装置、设备及介质 |
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 |