CN109819030A - 一种基于边缘计算的数据资源预先调度方法 - Google Patents

一种基于边缘计算的数据资源预先调度方法 Download PDF

Info

Publication number
CN109819030A
CN109819030A CN201910059184.1A CN201910059184A CN109819030A CN 109819030 A CN109819030 A CN 109819030A CN 201910059184 A CN201910059184 A CN 201910059184A CN 109819030 A CN109819030 A CN 109819030A
Authority
CN
China
Prior art keywords
data
task
nest
bird
indicate
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.)
Pending
Application number
CN201910059184.1A
Other languages
English (en)
Inventor
高岭
马景超
吴旭东
王文涛
周俊鹏
赵悦蓉
牛秀娟
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.)
Northwest University
Original Assignee
Northwest University
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 Northwest University filed Critical Northwest University
Priority to CN201910059184.1A priority Critical patent/CN109819030A/zh
Publication of CN109819030A publication Critical patent/CN109819030A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

一种基于边缘计算环境下数据资源的预先调度方法。本方法考虑了在边缘计算环境下，通过智能路由器或基站对所获数据进行预处理，由边缘服务器对经过预处理的数据进行调度与整合，基于终端产生的任务对数据进行松弛调整，同时结合数据相关度，计算数据节点支持度和任务节点依赖度，并利用其简化数据放置与任务调度，并通过Raft算法保持多边缘节点间数据的一致性。同时，从云中心获取的相关任务依赖数据请求频率的历史数据，利用布谷鸟算法不断优化调度模型，实现在边缘计算环境下数据资源的预先调度。

Description

一种基于边缘计算的数据资源预先调度方法
技术领域
本发明属于信息服务技术领域，具体涉及一种基于边缘计算的数据资源预先调度方法。
背景技术
随着互联网的普及和移动终端的发展，各式各样的嵌入式设备、无线传感器、智能终端的功能不断强大，大量拥有感知、计算和存储能力的智能设备已经具备形成智能系统网络的条件，传统处理方法大多数将其数据交互汇总到云端进行处理。但随着数据量的继续增加以及数据处理多样化的要求，基于云端的大数据处理面临诸多挑战。
以当下火热的自动驾驶汽车为例，从产品形态上看，自动驾驶汽车更像是一个「移动数据中心」,由于配备了非常多的传感器，汽车随时随地都在感知周围环境，从而源源不断地产生数据。汽车需要将这些数据实时处理，形成汽车行驶过程的指令。
在此背景下，边缘计算应运而生。边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。它可以作为联接物理和数字世界的桥梁，使能智能资产、智能网关、智能系统和智能服务。布谷鸟搜索(Cuckoo Search，CS)是由Xin-She Yang和Suash Deb于2009年开发的自然启发式算法。CS基于布谷鸟的寄生性育雏(brood parasitism，又巢寄生)行为。该算法可以通过所谓的Levy飞行来增强，而不是简单的各向同性随机游走。研究表明，该算法可能比遗传算法、PSO以及其他算法更有效。通过在边缘计算平台上使用改进后的布谷鸟算法，进行数据资源调度模型的优化，使边缘计算平台的数据调度达到一个最优化的状态。
发明内容
为了克服上述现有技术的不足，本发明的目的是提供一种基于边缘计算的数据资源预先调度方法，本方法考虑了在边缘计算环境下，通过智能路由器或基站对所获数据进行预处理，在边缘服务器对经过预处理的数据进行调度与整合，对终端请求的任务进行建模，基于终端产生的任务对数据进行松弛调整，同时结合数据相关度，计算数据节点支持度和任务节点依赖度，利用其简化数据放置与任务调度，并通过Raft算法保持多边缘节点间数据的一致性。同时，从云中心获取的相关任务依赖数据请求频率的历史数据，利用改进的布谷鸟算法不断优化调度模型，实现在边缘计算环境下数据资源的预先调度。
为了实现上述目的，本发明采用的技术方案是：
一种基于边缘计算的数据资源预先调度方法，包括以下步骤：
1)任务预处理：边缘服务器获取终端的产生的相关任务，对相关任务进行建模，任务集设为其中假设任务编译后的指令长度是可知的，leni表示ti的指令长度；表示调度ti的边缘节点；表示ti所需的数据集；
对终端产生的任务集进行预处理，通过智能路由器或基站，具有一定的运算能力、存储能力及对任务进行简单处理的能力，对所有用户产生的任务信息进行收集，并在其中进行相应的任务剔除预处理工作；
2)数据预处理：对边缘服务器中伴随任务产生的相关数据进行建模，数据集设为其中si表示数据di的大小：表示di放置的节点；表示di所支持的任务集；同时，任务ti对边缘节点dnj的依赖度设为TaskDepi,j，表示ti对dnj的支持度大小，其计算如下表示：
其中，表示ti所需的数据和边缘节点dnj所拥有的共同数据。TaskDepi,j越大，说明dnj存在ti所需数据越多，那么dnj调度ti，数据本地化越高，则ti越依赖dnj。根据计算机局部性原理，最近访问的数据很可能会再次访问，所以，离当前时间越近的数据访问其权重越大；
3)调度策略：数据节点支持度和任务节点依赖度对数据传输的影响。在边缘环境中，数据和任务是多对多的关系，即一个任务需要多个数据，一个数据支持多个任务，多个任务共享多个数据。数据应该尽可能实现就近化，也就是说数据应该选择放置在边缘节点支持度较大的节点，这样可以支持尽可能多的任务，使数据就近化，减少数据传输。同样，任务也尽可能选择被依赖度较大的边缘节点节点调用。
4)改进的布谷鸟算法优化策略：布谷鸟算法规则为：(1)布谷鸟一次只产一个蛋，并随机地选择鸟巢进行孵化；(2)高质量鸟巢将会直接被保留至下一代；(3)宿主鸟巢数量n是固定de，布谷鸟蛋被主人发现的概率为Pa∈[0,1]。布谷鸟寻巢的路径和位置更新为
其中，和为第i个布谷鸟巢在第k和k+1代的位置向量；为点对点乘法；Levy(λ)为Levy飞行随机搜索路径；α为路径长短调节因子。随机搜索路径与时间t的关系服从下式的Levy分布
Levy～μ＝t-λ1＜λ≤3
其中λ为幂次系数。在实际优化问题中，鸟巢的位置Xik代表问题解的有效取值空间，鸟巢的适应度值代表目标函数值。由于在调度过程中，最优方案求解过程是一个离散型组合优化问题，导致易限于局部最优解，无法搜索出全局最优解。改进后的布谷鸟搜索的单个鸟巢陷入局部极值时，利用柯西分布的全局变异和离散分布特点，对单个鸟巢进行柯西变异以增加鸟巢的多样性，有利于跳出局部极值进行全局搜索，同时提高搜索速度和质量。由于柯西分布更易产生远离远点的随机数，柯西变异的扰动能力比高斯变异能力强，能有效防止算法陷入局部最优。
扰动时机为：
其中，Tpre表示向前比较的代数；Tcur表示当前代数；Fi表示第i代当前鸟巢的适应度值；其中Tpre＜i≤Tcur；δ为扰动因子。
扰动方法是：
其中，代表第k代鸟巢群中第i个鸟巢的第j个蛋；C(0,1)表示柯西变异公式。其流程图如图所示。
经过改进后的布谷鸟算法调整，达到任务与数据支持度全局最优，实现在边缘计算环境下的数据预先调度。
2)此外，为了保障边缘节点间的数据一致性，使用Raft算法提高边缘计算节点之间的容错。Raft算法在实际应用场景中更多的是体现在不同节点之间的数据一致性，客户端发送请求到任何一个节点都能收到一致的返回，当一个节点出故障后，其他节点仍然能以已有的数据正常进行。在选主之后的复制日志就是为了达到这个目的。
6)在搭建好的边缘计算环境下，包括云端—边缘服务器—移动终端这样的整体架构，经智能路由进行预处理后的数据，上传至边缘服务器，在边缘服务器对经过预处理的数据进行调度与整合，对终端请求的任务进行建模，基于终端产生的任务对数据进行松弛调整，同时结合数据相关度，计算数据节点支持度和任务节点依赖度，利用其简化数据放置与任务调度，并通过Raft算法保持多边缘节点间数据的一致性。同时，从云中心获取的相关任务依赖数据请求频率的历史数据，利用改进的布谷鸟算法不断优化调度模型，实现在边缘计算环境下数据资源的预先调度。
所述的边缘计算环境包括云中心—边缘服务器—移动终端所构建的整体架构，经智能路由及基站进行预处理后的数据，上传至边缘服务器，在边缘服务器进行对产生的任务与数据进行松弛调整，同时结合数据相关度，计算数据节点支持度和任务节点依赖度，利用其简化数据放置与任务调度，利用改进的布谷鸟算法不断优化调度模型，并通过Raft算法保持多边缘节点间数据的一致性。
所述改进后的布谷鸟搜索的单个鸟巢陷入局部极值时，利用柯西分布的全局变异和离散分布特点，对单个鸟巢进行柯西变异以增加鸟巢的多样性，有利于跳出局部极值进行全局搜索，同时提高搜索速度和质量。由于柯西分布更易产生远离远点的随机数，柯西变异的扰动能力比高斯变异能力强，能有效防止算法陷入局部最优。
本发明的有益效果是：
通过用户携带的智能设备产生任务及其依赖数据，在边缘计算环境下，通过智能路由器或基站对所获数据进行预处理，在边缘服务器对经过预处理的数据进行调度与整合，对终端请求的任务进行建模，基于终端产生的任务对数据进行松弛调整，同时结合数据相关度，计算数据节点支持度和任务节点依赖度，利用其简化数据放置与任务调度，并通过Raft算法保持多边缘节点间数据的一致性。同时，从云中心获取的相关任务依赖数据请求频率的历史数据，利用改进的布谷鸟算法不断优化调度模型，实现在边缘计算环境下数据资源的预先调度。
附图说明
图1是本发明实施实例提供的基于边缘环境下数据资源的预先调度的整体结构图；
图2是本发明提出的在边缘环境下形成的云中心—边缘服务器—移动终端整体架构的框架；
图3是本发明提出的基于边缘环境下改进的布谷鸟算法的流程图。
具体实施方式
以下结合附图对本发明进一步叙述。
要实现在边缘计算环境下数据资源的预先调度，就必须搭建一个初步边缘计算的实验环境。如图1、2所示，边缘计算的实验环境需要能够进行任务预处理、数据预处理、部署相应的调度策略、保障数据一致性，包括以下步骤：
1)任务预处理：边缘服务器获取终端的产生的相关任务，对相关任务进行建模，任务集设为其中假设任务编译后的指令长度是可知的，leni表示ti的指令长度；表示调度ti的边缘节点；表示ti所需的数据集；
对终端产生的任务集进行预处理，通过智能路由器或基站，具有一定的运算能力、存储能力及对任务进行简单处理的能力，对所有用户产生的任务信息进行收集，并在其中进行相应的任务剔除预处理工作；
2)数据预处理：对边缘服务器中伴随任务产生的相关数据进行建模，数据集设为其中si表示数据di的大小：表示di放置的节点；表示di所支持的任务集；同时，任务ti对边缘节点dnj的依赖度设为TaskDepi,j，表示ti对dnj的支持度大小，其计算如下表示：
其中，表示ti所需的数据和边缘节点dnj所拥有的共同数据。TaskDepi,j越大，说明dnj存在ti所需数据越多，那么dnj调度ti，数据本地化越高，则ti越依赖dnj。根据计算机局部性原理，最近访问的数据很可能会再次访问，所以，离当前时间越近的数据访问其权重越大；
3)调度策略：数据节点支持度和任务节点依赖度对数据传输的影响。在边缘环境中，数据和任务是多对多的关系，即一个任务需要多个数据，一个数据支持多个任务，多个任务共享多个数据。数据应该尽可能实现就近化，也就是说数据应该选择放置在边缘节点支持度较大的节点，这样可以支持尽可能多的任务，使数据就近化，减少数据传输。同样，任务也尽可能选择被依赖度较大的边缘节点节点调用。
4)改进的布谷鸟算法优化策略：布谷鸟算法规则为：(1)布谷鸟一次只产一个蛋，并随机地选择鸟巢进行孵化；(2)高质量鸟巢将会直接被保留至下一代；(3)宿主鸟巢数量n是固定de，布谷鸟蛋被主人发现的概率为Pa∈[0,1]。布谷鸟寻巢的路径和位置更新为
其中，和为第i个布谷鸟巢在第k和k+1代的位置向量；为点对点乘法；Levy(λ)为Levy飞行随机搜索路径；α为路径长短调节因子。随机搜索路径与时间t的关系服从下式的Levy分布
Levy～μ＝t-λ1＜λ≤3
其中λ为幂次系数。在实际优化问题中，鸟巢的位置代表问题解的有效取值空间，鸟巢的适应度值代表目标函数值。由于在调度过程中，最优方案求解过程是一个离散型组合优化问题，导致易限于局部最优解，无法搜索出全局最优解。改进后的布谷鸟搜索的单个鸟巢陷入局部极值时，利用柯西分布的全局变异和离散分布特点，对单个鸟巢进行柯西变异以增加鸟巢的多样性，有利于跳出局部极值进行全局搜索，同时提高搜索速度和质量。如图3所示，由于柯西分布更易产生远离远点的随机数，柯西变异的扰动能力比高斯变异能力强，能有效防止算法陷入局部最优。
扰动时机为：
其中，Tpre表示向前比较的代数；Tcur表示当前代数；Fi表示第i代当前鸟巢的适应度值；其中Tpre＜i≤Tcur；δ为扰动因子。
扰动方法是：
其中，代表第k代鸟巢群中第i个鸟巢的第j个蛋；C(0,1)表示柯西变异公式。其流程图如图所示。
经过改进后的布谷鸟算法调整，达到任务与数据支持度全局最优，实现在边缘计算环境下的数据预先调度。
5)此外，为了保障边缘节点间的数据一致性，使用Raft算法提高边缘计算节点之间的容错。Raft算法在实际应用场景中更多的是体现在不同节点之间的数据一致性，客户端发送请求到任何一个节点都能收到一致的返回，当一个节点出故障后，其他节点仍然能以已有的数据正常进行。在选主之后的复制日志就是为了达到这个目的。
6)在搭建好的边缘计算环境下，包括云端—边缘服务器—移动终端这样的整体架构，经智能路由进行预处理后的数据，上传至边缘服务器，在边缘服务器对经过预处理的数据进行调度与整合，对终端请求的任务进行建模，基于终端产生的任务对数据进行松弛调整，同时结合数据相关度，计算数据节点支持度和任务节点依赖度，利用其简化数据放置与任务调度，并通过Raft算法保持多边缘节点间数据的一致性。同时，从云中心获取的相关任务依赖数据请求频率的历史数据，利用改进的布谷鸟算法不断优化调度模型，实现在边缘计算环境下数据资源的预先调度。

Claims (3)

1.一种基于边缘计算环境下数据资源的预先调度方法，其特征在于，包括以下步骤：
1)任务预处理：
边缘服务器获取终端的产生的相关任务，对相关任务进行建模，任务集设为其中假设任务编译后的指令长度是可知的，leni表示ti的指令长度；表示调度ti的边缘节点，表示ti所需的数据集；
对终端产生的任务集进行预处理，通过智能路由器或基站，具有一定的运算能力、存储能力及对任务进行简单处理的能力，对所有用户产生的任务信息进行收集，并在其中进行相应的任务剔除预处理工作；
2)数据预处理：
对边缘服务器中伴随任务产生的相关数据进行建模，数据集设为其中si表示数据di的大小，表示di放置的节点，表示di所支持的任务集，同时，任务ti对边缘节点dnj的依赖度设为TaskDepi,j，表示ti对dnj的支持度大小，其计算如下表示：
其中，表示ti所需的数据和边缘节点dnj所拥有的共同数据，TaskDepi,j越大，说明dnj存在ti所需数据越多，那么dnj调度ti，数据本地化越高，则ti越依赖dnj，根据计算机局部性原理，最近访问的数据很可能会再次访问，所以，离当前时间越近的数据访问其权重越大；
3)调度策略：
数据节点支持度和任务节点依赖度对数据传输的影响，在边缘环境中，数据和任务是多对多的关系，即一个任务需要多个数据，一个数据支持多个任务，多个任务共享多个数据，数据应该尽可能实现就近化，也就是说数据应该选择放置在边缘节点支持度较大的节点，这样可以支持尽可能多的任务，使数据就近化，减少数据传输，同样，任务也尽可能选择被依赖度较大的边缘节点调用；
4)改进的布谷鸟算法优化策略，布谷鸟算法规则为：
A、布谷鸟一次只产一个蛋，并随机地选择鸟巢进行孵化；
B、高质量鸟巢将会直接被保留至下一代；
C、宿主鸟巢数量n是固定de，布谷鸟蛋被主人发现的概率为Pa∈[0,1]，布谷鸟寻巢的路径和位置更新为：
其中，和为第i个布谷鸟巢在第k和k+1代的位置向量；为点对点乘法；Levy(λ)为Levy飞行随机搜索路径；α为路径长短调节因子，随机搜索路径与时间t的关系服从下式的Levy分布：
Levy～μ＝t-λ1＜λ≤3
其中λ为幂次系数；
扰动时机为：
其中，Tpre表示向前比较的代数；Tcur表示当前代数；Fi表示第i代当前鸟巢的适应度值；其中Tpre＜i≤Tcur；δ为扰动因子；
扰动方法是：
其中，代表第k代鸟巢群中第i个鸟巢的第j个蛋；C(0,1)表示柯西变异公式，经过改进后的布谷鸟算法调整，达到任务与数据支持度全局最优，实现在边缘计算环境下的数据预先调度。
2.根据权利要求1所述的一种基于边缘计算环境下数据资源的预先调度方法，其特征在于，为了保障边缘节点间的数据一致性，使用Raft算法提高边缘计算节点之间的容错，Raft算法在实际应用场景中更多的是体现在不同节点之间的数据一致性，客户端发送请求到任何一个节点都能收到一致的返回，当一个节点出故障后，其他节点仍然能以已有的数据正常进行。在选主之后的复制日志就是为了达到这个目的。
3.根据权利要求1所述的一种基于边缘计算环境下数据资源的预先调度方法，其特征在于，所述改进后的布谷鸟搜索的单个鸟巢陷入局部极值时，利用柯西分布的全局变异和离散分布特点，对单个鸟巢进行柯西变异以增加鸟巢的多样性，有利于跳出局部极值进行全局搜索，同时提高搜索速度和质量，由于柯西分布更易产生远离远点的随机数，柯西变异的扰动能力比高斯变异能力强，能有效防止算法陷入局部最优。
CN201910059184.1A 2019-01-22 2019-01-22 一种基于边缘计算的数据资源预先调度方法 Pending CN109819030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910059184.1A CN109819030A (zh) 2019-01-22 2019-01-22 一种基于边缘计算的数据资源预先调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910059184.1A CN109819030A (zh) 2019-01-22 2019-01-22 一种基于边缘计算的数据资源预先调度方法

Publications (1)

Publication Number Publication Date
CN109819030A true CN109819030A (zh) 2019-05-28

Family

ID=66604744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910059184.1A Pending CN109819030A (zh) 2019-01-22 2019-01-22 一种基于边缘计算的数据资源预先调度方法

Country Status (1)

Country Link
CN (1) CN109819030A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110134507A (zh) * 2019-07-11 2019-08-16 电子科技大学 一种边缘计算系统下的合作计算方法
CN110197278A (zh) * 2019-06-04 2019-09-03 西华大学 基于改进鸡群算法优化bp神经网络的空气质量预测方法
CN110287035A (zh) * 2019-08-20 2019-09-27 中国人民解放军国防科技大学 混合边缘计算的请求调度方法、装置、设备及存储介质
CN110852387A (zh) * 2019-11-13 2020-02-28 江苏能来能源互联网研究院有限公司 一种能源互联网超实时状态研判算法
CN110928599A (zh) * 2019-11-06 2020-03-27 浙江理工大学 一种边缘计算网络中基于数据流的任务卸载方法及系统
CN111488208A (zh) * 2020-03-22 2020-08-04 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN111491013A (zh) * 2020-03-30 2020-08-04 腾讯科技（深圳）有限公司 服务器调度方法、装置、系统、存储介质及计算机设备
CN111538865A (zh) * 2020-03-27 2020-08-14 中国人民解放军国防科技大学 多方集合同步方法、装置和电子设备
CN114827028A (zh) * 2022-03-09 2022-07-29 北京邮电大学 一种多层算网一体路由系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975342A (zh) * 2016-04-29 2016-09-28 广东工业大学 基于改进布谷鸟搜索算法的云计算任务调度方法及系统
CN107329826A (zh) * 2017-06-16 2017-11-07 王海燕 一种基于Cloudsim平台上的启发式融合资源动态调度算法
US10158573B1 (en) * 2017-05-01 2018-12-18 Barefoot Networks, Inc. Forwarding element with a data plane load balancer

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975342A (zh) * 2016-04-29 2016-09-28 广东工业大学 基于改进布谷鸟搜索算法的云计算任务调度方法及系统
US10158573B1 (en) * 2017-05-01 2018-12-18 Barefoot Networks, Inc. Forwarding element with a data plane load balancer
CN107329826A (zh) * 2017-06-16 2017-11-07 王海燕 一种基于Cloudsim平台上的启发式融合资源动态调度算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王强等: ""云计算中的数据放置与任务调度算法"", 《计算机研究与发展》 *
闭眼卖布: ""共识算法：Raft"", 《简书》 *
陈洁: ""云计算环境下的启发式任务调度算法"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197278A (zh) * 2019-06-04 2019-09-03 西华大学 基于改进鸡群算法优化bp神经网络的空气质量预测方法
CN110134507A (zh) * 2019-07-11 2019-08-16 电子科技大学 一种边缘计算系统下的合作计算方法
CN110287035A (zh) * 2019-08-20 2019-09-27 中国人民解放军国防科技大学 混合边缘计算的请求调度方法、装置、设备及存储介质
CN110287035B (zh) * 2019-08-20 2019-12-13 中国人民解放军国防科技大学 混合边缘计算的请求调度方法、装置、设备及存储介质
CN110928599A (zh) * 2019-11-06 2020-03-27 浙江理工大学 一种边缘计算网络中基于数据流的任务卸载方法及系统
CN110928599B (zh) * 2019-11-06 2023-04-18 浙江理工大学 一种边缘计算网络中基于数据流的任务卸载方法及系统
CN110852387B (zh) * 2019-11-13 2022-04-22 江苏能来能源互联网研究院有限公司 一种能源互联网超实时状态研判算法
CN110852387A (zh) * 2019-11-13 2020-02-28 江苏能来能源互联网研究院有限公司 一种能源互联网超实时状态研判算法
CN111488208A (zh) * 2020-03-22 2020-08-04 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN111488208B (zh) * 2020-03-22 2023-10-31 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN111538865A (zh) * 2020-03-27 2020-08-14 中国人民解放军国防科技大学 多方集合同步方法、装置和电子设备
CN111538865B (zh) * 2020-03-27 2023-06-02 中国人民解放军国防科技大学 多方集合同步方法、装置和电子设备
CN111491013B (zh) * 2020-03-30 2021-06-25 腾讯科技（深圳）有限公司 服务器调度方法、装置、系统、存储介质及计算机设备
CN111491013A (zh) * 2020-03-30 2020-08-04 腾讯科技（深圳）有限公司 服务器调度方法、装置、系统、存储介质及计算机设备
CN114827028A (zh) * 2022-03-09 2022-07-29 北京邮电大学 一种多层算网一体路由系统及方法
CN114827028B (zh) * 2022-03-09 2023-03-28 北京邮电大学 一种多层算网一体路由系统及方法

Similar Documents

Publication Publication Date Title
CN109819030A (zh) 一种基于边缘计算的数据资源预先调度方法
Wang et al. Dynamic UAV deployment for differentiated services: A multi-agent imitation learning based approach
Wang et al. Multi-agent imitation learning for pervasive edge computing: A decentralized computation offloading algorithm
US11683831B2 (en) Systems and methods for providing resource analysis for autonomous mobility on demand
CN112016812B (zh) 多无人机任务调度方法、系统及存储介质
Wang et al. Real-time multisensor data retrieval for cloud robotic systems
CN109818786B (zh) 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法
Li et al. Energy-aware task offloading with deadline constraint in mobile edge computing
CN105729491A (zh) 机器人任务的执行方法、装置及系统
CN109275099B (zh) 水下无线传感器网络中基于voi的多auv高效数据收集方法
Tang et al. Layer dependency-aware learning scheduling algorithms for containers in mobile edge computing
Feng et al. A newborn particle swarm optimization algorithm for charging-scheduling algorithm in industrial rechargeable sensor networks
Zhang et al. Efficient Multitask Scheduling for Completion Time Minimization in UAV‐Assisted Mobile Edge Computing
Liu et al. Task offloading optimization of cruising UAV with fixed trajectory
Jiang et al. A reinforcement learning-based computing offloading and resource allocation scheme in F-RAN
Tao et al. Drl-driven digital twin function virtualization for adaptive service response in 6g networks
Hasanin et al. [Retracted] Efficient Multiuser Computation for Mobile‐Edge Computing in IoT Application Using Optimization Algorithm
Yi et al. pFedLHNs: Personalized federated learning via local hypernetworks
Yu et al. Resources sharing in 5G networks: Learning-enabled incentives and coalitional games
CN109067840A (zh) 人工智能在线服务的方法、系统和存储介质
Tang et al. Multi-user layer-aware online container migration in edge-assisted vehicular networks
Zhang et al. Octopus: SLO-Aware Progressive Inference Serving via Deep Reinforcement Learning in Multi-tenant Edge Cluster
CN116996941A (zh) 基于配网云边端协同的算力卸载方法、装置及系统
Asghar et al. A survey on scheduling techniques in the edge cloud: Issues, challenges and future directions
Guo et al. PicPick: a generic data selection framework for mobile crowd photography

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190528

RJ01 Rejection of invention patent application after publication