CN109656681B - 一种云端融合环境下的能源调度方法 - Google Patents

一种云端融合环境下的能源调度方法 Download PDF

Info

Publication number
CN109656681B
CN109656681B CN201811466614.3A CN201811466614A CN109656681B CN 109656681 B CN109656681 B CN 109656681B CN 201811466614 A CN201811466614 A CN 201811466614A CN 109656681 B CN109656681 B CN 109656681B
Authority
CN
China
Prior art keywords
energy
node
fog
task
fog node
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
CN201811466614.3A
Other languages
English (en)
Other versions
CN109656681A (zh
Inventor
顾琳
金海�
蔡晶晶
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201811466614.3A priority Critical patent/CN109656681B/zh
Publication of CN109656681A publication Critical patent/CN109656681A/zh
Application granted granted Critical
Publication of CN109656681B publication Critical patent/CN109656681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种云端融合环境下的能源调度方法，属于云端融合领域。该方法以最小化能源消耗为目标构建能源调度模型，对待调度的每个时刻采集雾网络的能源特征变量属性值，将其作为能源调度模型的输入，求解模型确定最小化能源消耗的调度方案即每个时刻处理任务的目标雾节点以及其它雾节点向目标雾节点传送的可再生能源。本发明在雾节点上添加可再生能源的供能方式，利用多个雾节点合作处理任务，使得能源开销最小。

Description

一种云端融合环境下的能源调度方法
技术领域
本发明属于云端融合技术领域，更具体的，涉及一种云端融合环境下的能源调度方法。
背景技术
云计算具有资源利用率高，计算能力强，可靠性高等优势，为许多用户提供多功能的服务。然而，随着近年来移动流量的激增，将巨大数据量传输到云端不仅给通信带宽造成了沉重的负担，而且还给终端用户带来了难以承受的传输延迟和服务质量下降。为了应对上述挑战，思科在2014年提供了雾计算概念。雾计算是将云计算扩展到了网络边缘，它利用资源有限的路由器，网关和接入点或者是具有过多计算资源的移动设备来为其他人提供服务。通过将网络边缘用户的部分计算工作负载在网络边缘的雾节点上直接处理可以有效的减少传输延迟，减轻互联网的流量拥塞，提高用户体验。
随着云中心在全球不断的部署应用，数据中心的能耗问题也是一个日益受到关注的问题。据估计，到2020年，信息和通信技术(ICT)将占全球能源消耗的大约14％。而数据中心的能源消耗占ICT能源消耗总量的近25％。因此，数据中心的能源消耗成为一个迫切需要解决的问题。美国国内在2011年生产了12.7％的包括太阳能和风能在内的可再生能源。可再生能源将被广泛采用，以减少ICT的棕色能源消耗。谷歌在全球范围内建立了许多绿色数据中心，并且有35％的谷歌数据中心利用可再生能源。由于可再生能源的间歇性和不可预测性，仅使用本地风能和太阳能而没有大规模存储的情况下为数据中心供电是具有挑战性的。而边缘节点不仅能够在数据传输方面缓解能源消耗，而且由于其本身的规模比数据中心的小很多，可以更好的使用可再生能源来进行供电以减少棕色能源的消耗。
在云端融合环境下提供的服务不仅有效解决了云计算无法满足时延敏感等应用的需求，还有效的节约了能源消耗。然而目前的研究主要侧重于如何将工作负载从缺少可再生能源的地方迁移到拥有可再生能源的数据中心，或者是考虑如何让多个雾节点合作处理一些任务使效率更高而没有考虑可再生能源的使用。
发明内容
针对现有技术的缺陷或改进需求，本发明提供了一种云端融合环境下的能源调度方法，其目的在于，在雾节点上添加可再生能源的供能方式，利用多个雾节点合作处理任务，使得能源开销最小。
一种云端融合环境下的能源调度方法，包括以下步骤：
对待调度的每个时刻t采集雾网络的能源特征变量属性值，将其作为能源调度模型的输入，求解模型确定最小化能源消耗的调度方案即每个时刻t处理任务的目标雾节点以及其它雾节点向目标雾节点传送的可再生能源
Figure BDA0001889962840000021
所述能源调度模型构建如下：
任务执行条件：某时刻只有一个雾节点作为目标雾节点执行任务，其它雾节点将该时刻的任务迁移给目标雾节点；
能源约束条件：某时刻源雾节点j向目标雾节点i迁移的可再生能源
Figure BDA0001889962840000022
不能超过该时刻源雾节点j所拥有的全部可再生能源；目标雾节点i所获取的全部可再生能源
Figure BDA0001889962840000023
不能超过处理任务所需的能源
Figure BDA0001889962840000024
能源优化目标：T时段内雾网络的所有能源消耗最小。
进一步地，所述雾节点i执行任务所需的能源
Figure BDA0001889962840000025
的计算方式为：
Figure BDA0001889962840000026
其中，
Figure BDA0001889962840000027
或0，1表示时刻t节点i为执行任务的雾节点，0表示节点i不是执行任务的雾节点；
Figure BDA0001889962840000031
表示节点j的任务数量，E是处理单位任务所需的能量，
Figure BDA0001889962840000032
或0，1表示时刻t-1节点j为执行任务的目标雾节点，0表示时刻t-1节点j不是执行任务的雾节点，V是迁移虚拟机的单位代价,Hji为雾节点j与i之间的网络跳数，W是迁移任务的单位代价，I为雾节点集合。
进一步地，所述雾节点i执行任务所获取的全部可再生能源
Figure BDA0001889962840000033
的计算方式为：
Figure BDA0001889962840000034
其中，
Figure BDA0001889962840000035
表示时刻t雾节点j向目标雾节点i传送的可再生能源，I为雾节点集合，Aji为网络能量传输衰减率。
进一步地，所属能源优化目标中的雾网络能源消耗为棕色能源消耗
Figure BDA0001889962840000036
计算方式为：
Figure BDA0001889962840000037
其中，I为雾节点集合。
进一步地，所属能源优化目标中的雾网络能源消耗为可再生能源消耗
Figure BDA0001889962840000038
计算方式为：
Figure BDA0001889962840000039
其中，I为雾节点集合。
进一步地，源雾节点j向目标雾节点i迁移的可再生能源
Figure BDA00018899628400000310
满足如下条件：
每个时刻的可再生能源可能不完全传输，每个时刻t雾节点j上剩余的可再生能源
Figure BDA00018899628400000311
进行存储,剩余的可再生能源
Figure BDA00018899628400000312
为上一时刻剩余的可再生能源
Figure BDA00018899628400000313
加上这一时刻产生的可再生能
Figure BDA00018899628400000314
减去这一时刻消耗的，即
Figure BDA0001889962840000041
且传输的能量不能超过该节点所拥有的能量总和，即
Figure BDA0001889962840000042
或0，1表示时刻t节点i为执行任务的雾节点，0表示节点i不是执行任务的雾节点。
进一步地，以变量
Figure BDA0001889962840000043
表示时刻t节点i是否为执行任务的目标雾节点，在求解能源调度模型中将获得的每个时刻t的变量
Figure BDA0001889962840000044
放缩为[0,1]的实数，获得基础解集，从基础解集中选出最大值，其对应的节点为执行任务的目标雾节点；将表征目标雾节点的变量
Figure BDA0001889962840000045
设置为1，其它的设置为0。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明在雾节点上利用可再生能源进行供能，通过对任务和能源进行调度有效的利用可再生能源。
2、本发明利用多个雾节点上的可再生能源合作处理任务，通过可再生能源的迁移使其得到更充分的利用，进一步降低棕色能源的使用。
3、本发明利用预估窗口的作用综合考虑多个时刻的任务数量和能量产生数量，对可再生能源进行了更智能的调度，降低了可再生能源在传输过程中的损耗。
4、本发明综合考虑任务和任务迁移的代价以及可再生能源的损耗来选择处理任务的节点以及传输可再生能源的数量，以达到最小化棕色能源消耗的目的。
附图说明
图1为本发明实施例的云端融合环境下的能源调度方法的流程图；
图2为本发明实施例的一个网络和能量的综合拓扑图；
图3为本发明实施例的在n1节点上处理任务的综合拓扑图；
图4为本发明实施例的在n2节点上处理任务的综合拓扑图；
图5为本发明实施例的在n3节点上处理任务的综合拓扑图。
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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
首先对本发明涉及的专业术语进行解释：
雾节点：雾计算是将云计算扩展到了网络边缘，它利用资源有限的路由器，网关和接入点或者是具有过多计算资源的移动设备来为其他人提供服务。而雾节点便是这些更靠近用户的网络边缘节点。
可再生能源：包括太阳能、水能、风能、生物质能、波浪能、潮汐能、海洋温差能、地热能等。它们在自然界可以循环再生。
棕色能源：非可再生能源，包括煤、原油、天然气、油页岩、核能等，它们是不能再生的，用掉一点，便少一点。
本发明的技术思路是：以最小化能源消耗为目标构建能源调度模型，对待调度的每个时刻t采集雾网络的能源特征变量属性值，将其作为能源调度模型的输入，求解模型确定最小化能源消耗的调度方案即每个时刻t处理任务的目标雾节点以及其它雾节点向目标雾节点传送的可再生能源
Figure BDA0001889962840000052
能源特征变量属性值包括每个时刻t每个雾节点i上的任务到达数量和可再生能源产生量，雾节点与雾节点之间的网络跳数以及可再生能源传输衰减率。
本发明能源调度模型按照如下方式构建：
第一，任务执行条件：某时刻只有一个雾节点作为目标雾节点执行任务，其它雾节点将该时刻的任务迁移给目标雾节点；
第二，能源约束条件：由于可再生能源并不是无限量供应的，因此为了保证能够正常的供能，某时刻源雾节点j向目标雾节点迁移的可再生能源
Figure BDA0001889962840000051
不能超过该时刻源雾节点j所拥有的全部可再生能源；当能源充足的情况下，由于能源可进行存储，为了减少能源的损耗，目标雾节点i所获取的全部可再生能源
Figure BDA0001889962840000061
不能超过处理任务所需的能源
Figure BDA0001889962840000062
第三，能源优化目标：T时段内雾网络的所有能源消耗最小。
在任务执行条件中，由于整个雾网络中只考虑使用一个虚拟机进行任务的执行，因此两个时刻t之间如果选择的目标雾节点不同则需要进行虚拟机的迁移。
在能源约束条件中，某时刻源雾节点j向目标雾节点迁移的可再生能源
Figure BDA0001889962840000063
和网络能源传输衰减率Aji与最终获取的能源数量
Figure BDA0001889962840000064
有关，某个节点上获取的总可再生能源数量为其它节点上传输的能源数量与传输衰减数量的差，即
Figure BDA0001889962840000065
I为雾节点集合。节点内的传输衰减率为0。
处理任务所需的能源
Figure BDA0001889962840000066
包括目标雾节点处理任务本身，迁移任务以及迁移虚拟机消耗的能源。由于只考虑一个虚拟机，因此
Figure BDA0001889962840000067
Figure BDA0001889962840000068
其中，
Figure BDA0001889962840000069
或0，1表示时刻t节点i为执行任务的雾节点，0表示节点i不是执行任务的雾节点；
Figure BDA00018899628400000610
表示节点j的任务数量，E是处理单位任务所需的能源，
Figure BDA00018899628400000611
或0，1表示时刻t-1节点j为执行任务的目标雾节点，0表示时刻t-1节点j不是执行任务的雾节点，V是迁移虚拟机的单位代价,Hji为雾节点j与i之间的网络跳数，W是迁移任务的单位代价。
在能源优化目标中，由于棕色能源是不可再生的能源，使用的越多就减少的越多，因此优先考虑最小化雾网络的棕色能源消耗
Figure BDA00018899628400000612
Figure BDA00018899628400000613
在棕色能源消耗
Figure BDA00018899628400000614
可忽略不计时，为了更充分的利用能源，则需以最小化雾网络的可再生能源消耗
Figure BDA00018899628400000615
为目标，计算方式为：
Figure BDA00018899628400000616
求解模型时可采用譬如Gurobi的求解器求解能源调度模型。Gurobi是由美国Gurobi公司开发的新一代大规模数学规划优化器，适用于LP、QP等场景，提供了C，C++，java，python，MATLAB，R语言等多种语言的接口，方便于我们模型的求解。求解过程中源雾节点j向目标雾节点迁移的可再生能源
Figure BDA0001889962840000071
满足如下条件：
为了减少浪费以及能源传输过程中的损耗，每个时刻的可再生能源可能不完全传输，每个时刻t雾节点j上剩余的可再生能源
Figure BDA0001889962840000072
进行存储,剩余的可再生能源
Figure BDA0001889962840000073
为上一时刻剩余的可再生能源
Figure BDA0001889962840000074
加上这一时刻产生的可再生能
Figure BDA0001889962840000075
减去这一时刻消耗的，即
Figure BDA0001889962840000076
由于可再生能源并不是无限量存在的，因此为了正常供能，传输的能量不能超过该节点所拥有的能量总和，即
Figure BDA0001889962840000077
或0，1表示时刻t节点i为执行任务的雾节点，0表示节点i不是执行任务的雾节点。
以变量
Figure BDA0001889962840000078
或0来表示时刻t雾节点i是否为执行任务的目标雾节点。由于我们的能源调度模型属于NP(non-deterministic polynomial)难问题，在数据规模较大的情况下无法在线性时间内得到解。因此在求解模型的过程中将每个时刻t的变量
Figure BDA0001889962840000079
放缩为[0,1]的实数，获得基础解集，从基础解集中选出最大值，其对应的节点为执行任务的目标雾节点；将表征目标雾节点的变量
Figure BDA00018899628400000710
设置为1，其它的设置为0。
下面给出一个实例：
如图2所示为本发明示例的一个简单的综合网络能量拓扑图，其中有三个雾节点n1，n2，n3，VM的初始位置在n1。在该图中A代表两个节点之间能量传输衰减率，H代表两个节点之间的网络跳数。当时间T只有一个时刻t时，在t时刻，n1节点上到达5单位的任务，产生10单位的可再生能源，n2节点上到达3单位的任务，产生20单位的可再生能源，n3节点上到达2单位的任务，产生15单位的可再生能源。假设处理每单位任务所需的能源为5单位能源，则处理全部10单位的任务需要50单位的能源。示例中设置迁移每单位任务每跳数的代价为1单位能源，迁移VM每跳数的代价也为1单位能源。
假设将所有节点上产生的可再生能源都进行全部传输，通过计算可得每个节点上可获取的可再生能源数量都不超过处理任务本身所需的能源数量，因此为了最小化棕色能源的消耗，以下在任何一个节点上处理任务都是通过全部传输的方式来计算可获取的可再生能源数量。
如图3所示，如果在n1节点上处理任务，则任务迁移的代价为13单位能源，通过计算可以得到获取的可再生能源数量为38单位能源，因此需要消耗的棕色能源数量为25单位。
如图4所示,如果在n2节点上处理任务，由于只有一个VM，所以需要将VM从n1迁移到n2节点上，产生了3单位能源的迁移代价。迁移任务的代价为17单位能源，通过计算可以得到获取的可再生能源数量为41.5单位，因此需要消耗的棕色能源数量为28.5单位。
如图5所示,如果在n3节点上处理任务，由于只有一个VM，所以需要将VM从n1迁移到n3节点上，产生了2单位能源的迁移代价，迁移任务的代价为13单位能源，通过计算可以得到获取的可再生能源数量为41单位，因此需要消耗的棕色能源数量为24单位。
由此可以看出在每个节点上处理任务所需的能量是不同的，本发明就是通过放缩模型中的0/1变量，找到最节省棕色能源的节点n3，将
Figure BDA0001889962840000081
设置为1，其他节点的能量全部传输到节点n3上，得到最后的能源消耗。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种云端融合环境下的能源调度方法，其特征在于，包括以下步骤：
对待调度的每个时刻t采集雾网络的能源特征变量属性值，将其作为能源调度模型的输入，求解模型确定最小化能源消耗的调度方案即每个时刻t处理任务的目标雾节点以及其它雾节点向目标雾节点传送的可再生能源
Figure FDA0001889962830000011
所述能源调度模型构建如下：
任务执行条件：某时刻只有一个雾节点作为目标雾节点执行任务，其它雾节点将该时刻的任务迁移给目标雾节点；
能源约束条件：某时刻源雾节点j向目标雾节点i迁移的可再生能源
Figure FDA0001889962830000012
不能超过该时刻源雾节点j所拥有的全部可再生能源；目标雾节点i所获取的全部可再生能源
Figure FDA0001889962830000013
不能超过处理任务所需的能源
Figure FDA0001889962830000014
能源优化目标：T时段内雾网络的所有能源消耗最小。
2.根据权利要求1所述的云端融合环境下的能源调度方法，其特征在于，所述雾节点i执行任务所需的能源
Figure FDA0001889962830000015
的计算方式为：
Figure FDA0001889962830000016
其中，
Figure FDA0001889962830000017
或0，1表示时刻t节点i为执行任务的雾节点，0表示节点i不是执行任务的雾节点；
Figure FDA0001889962830000018
表示节点j的任务数量，E是处理单位任务所需的能量，
Figure FDA0001889962830000019
或0，1表示时刻t-1节点j为执行任务的目标雾节点，0表示时刻t-1节点j不是执行任务的雾节点，V是迁移虚拟机的单位代价,Hji为雾节点j与i之间的网络跳数，W是迁移任务的单位代价，I为雾节点集合。
3.根据权利要求1所述的云端融合环境下的能源调度方法，其特征在于，所述雾节点i执行任务所获取的全部可再生能源
Figure FDA0001889962830000021
的计算方式为：
Figure FDA0001889962830000022
其中，
Figure FDA0001889962830000023
表示时刻t雾节点j向目标雾节点i传送的可再生能源，I为雾节点集合，Aji为网络能量传输衰减率。
4.根据权利要求1所述的云端融合环境下的能源调度方法，其特征在于，所属能源优化目标中的雾网络能源消耗为棕色能源消耗
Figure FDA00018899628300000215
计算方式为：
Figure FDA0001889962830000024
其中，I为雾节点集合。
5.根据权利要求1所述的云端融合环境下的能源调度方法，其特征在于，所属能源优化目标中的雾网络能源消耗为可再生能源消耗
Figure FDA0001889962830000025
计算方式为：
Figure FDA0001889962830000026
其中，I为雾节点集合。
6.根据权利要求1所述的云端融合环境下的能源调度方法，其特征在于，源雾节点j向目标雾节点i迁移的可再生能源
Figure FDA0001889962830000027
满足如下条件：
每个时刻的可再生能源可能不完全传输，每个时刻t雾节点j上剩余的可再生能源
Figure FDA0001889962830000028
进行存储,剩余的可再生能源
Figure FDA0001889962830000029
为上一时刻剩余的可再生能源
Figure FDA00018899628300000210
加上这一时刻产生的可再生能
Figure FDA00018899628300000211
减去这一时刻消耗的，即
Figure FDA00018899628300000212
且传输的能量不能超过该节点所拥有的能量总和，即
Figure FDA00018899628300000213
Figure FDA00018899628300000214
或0，1表示时刻t节点i为执行任务的雾节点，0表示节点i不是执行任务的雾节点。
7.根据权利要求1所述的云端融合环境下的能源调度方法，其特征在于，以变量
Figure FDA0001889962830000031
表示时刻t节点i是否为执行任务的目标雾节点，在求解能源调度模型中将获得的每个时刻t的变量
Figure FDA0001889962830000032
放缩为[0,1]的实数，获得基础解集，从基础解集中选出最大值，其对应的节点为执行任务的目标雾节点；将表征目标雾节点的变量
Figure FDA0001889962830000033
设置为1，其它的设置为0。
CN201811466614.3A 2018-12-03 2018-12-03 一种云端融合环境下的能源调度方法 Active CN109656681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811466614.3A CN109656681B (zh) 2018-12-03 2018-12-03 一种云端融合环境下的能源调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811466614.3A CN109656681B (zh) 2018-12-03 2018-12-03 一种云端融合环境下的能源调度方法

Publications (2)

Publication Number Publication Date
CN109656681A CN109656681A (zh) 2019-04-19
CN109656681B true CN109656681B (zh) 2022-12-02

Family

ID=66111205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811466614.3A Active CN109656681B (zh) 2018-12-03 2018-12-03 一种云端融合环境下的能源调度方法

Country Status (1)

Country Link
CN (1) CN109656681B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107919986A (zh) * 2017-11-09 2018-04-17 北京邮电大学 超密集网络中mec节点间vm迁移优化方法
CN108156226A (zh) * 2017-12-15 2018-06-12 南京邮电大学 一种云雾融合的工业物联网认知能源管理系统及计算方法
EP3407194A2 (en) * 2018-07-19 2018-11-28 Erle Robotics, S.L. Method for the deployment of distributed fog computing and storage architectures in robotic modular components

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10439890B2 (en) * 2016-10-19 2019-10-08 Tata Consultancy Services Limited Optimal deployment of fog computations in IoT environments

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107919986A (zh) * 2017-11-09 2018-04-17 北京邮电大学 超密集网络中mec节点间vm迁移优化方法
CN108156226A (zh) * 2017-12-15 2018-06-12 南京邮电大学 一种云雾融合的工业物联网认知能源管理系统及计算方法
EP3407194A2 (en) * 2018-07-19 2018-11-28 Erle Robotics, S.L. Method for the deployment of distributed fog computing and storage architectures in robotic modular components

Also Published As

Publication number Publication date
CN109656681A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
US11581732B2 (en) Establishing communication and power sharing links between components of a distributed energy system
Li et al. On enabling sustainable edge computing with renewable energy resources
Kumar et al. Vehicular delay-tolerant networks for smart grid data management using mobile edge computing
Huang et al. An optimistic job scheduling strategy based on QoS for cloud computing
Gao et al. An energy-aware ant colony algorithm for network-aware virtual machine placement in cloud computing
CN106844051A (zh) 一种边缘计算环境中功耗优化的负载任务迁移算法
Giacobbe et al. An approach to reduce carbon dioxide emissions through virtual machine migrations in a sustainable cloud federation
Okwuibe et al. SDN-enabled resource orchestration for industrial IoT in collaborative edge-cloud networks
Perin et al. Towards sustainable edge computing through renewable energy resources and online, distributed and predictive scheduling
Achary et al. Dynamic job scheduling using ant colony optimization for mobile cloud computing
Bhalaji Delay diminished efficient task scheduling and allocation for heterogeneous cloud environment
CN105450684A (zh) 云计算资源调度方法和系统
Qayyum et al. IoT-Orchestration based nanogrid energy management system and optimal time-aware scheduling for efficient energy usage in nanogrid
Liu et al. A distributed dependency-aware offloading scheme for vehicular edge computing based on policy gradient
CN104519106B (zh) 一种任务迁移方法及网络控制器
Miglani et al. Modified particle swarm optimization based upon task categorization in cloud environment
Wang et al. Task scheduling for MapReduce in heterogeneous networks
Ou et al. Research on network performance optimization technology based on cloud-edge collaborative architecture
CN104102532A (zh) 一种异构集群中基于低能耗的科学工作流调度方法
CN109656681B (zh) 一种云端融合环境下的能源调度方法
CN113159539A (zh) 多层边缘计算系统中联合绿色能源调度和动态任务分配方法
Prakash et al. A novel scheduling approach for workflow management in cloud computing
Butt et al. Optimization of response and processing time for smart societies using particle swarm optimization and levy walk
Li et al. Research on Task Unloading Algorithm Based on Edge Terminal Server of Power Distribution Station Area
Setia et al. Literature survey on various scheduling approaches in grid computing environment

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