CN110087318B - 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 - Google Patents
基于5g移动边缘计算的任务卸载和资源分配联合优化方法 Download PDFInfo
- Publication number
- CN110087318B CN110087318B CN201910334413.6A CN201910334413A CN110087318B CN 110087318 B CN110087318 B CN 110087318B CN 201910334413 A CN201910334413 A CN 201910334413A CN 110087318 B CN110087318 B CN 110087318B
- Authority
- CN
- China
- Prior art keywords
- task
- mec
- overhead
- unloading
- offloading
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及基于5G移动边缘计算的任务卸载和资源分配联合优化方法,属于移动通信技术领域。该方法将任务卸载决策、资源块分配、计算资源分配联合建模为一个最小化系统开销问题,并分解为三个子优化问题求解。首先,考虑到实际网络中UE时延敏感度不同,提出一种基于用户设备时延优先级的分布式资源块分配算法,根据UE的时延敏感度把UE分为不同优先级,高优先级UE优先分配资源块,同时保证低优先级UE通信质量。其次,每个UE根据任务本地计算开销和任务卸载计算开销做出卸载决策。最后,以最小化总卸载任务在MEC总执行时间为目标,为UE分配计算资源。
Description
技术领域
本发明属于移动通信技术领域,涉及基于5G移动边缘计算的任务卸载和资源分配联合优化方法。
背景技术
在未来5G网络中,将会支持泛在的云计算。移动互联网与云计算技术的融合,形成了移动云计算技术。大量新应用和服务正在涌现,如实时在线游戏、虚拟现实和超高清视频流,这些都需要前所未有的高访问速度和低延迟。过去的十年见证了下一代互联网不同愿景的腾飞,包括IoT、触觉互联网(毫秒级延迟)、互联网和社交网络。据思科预测,到2020年,互联网将增加约500亿个IoT设备(例如传感器和可穿戴设备),其中大部分资源用于计算、通信和存储,并且必须依赖远程云或边缘云,以提高它们的处理能力。目前,人们普遍认为,仅依靠远程云计算不足以实现5G计算和通信的毫秒级延迟需求。此外,用户设备和远程云之间的数据交换将使回程链路饱和并降低回程网络质量,这使得利用边缘云作为云计算的补充至关重要。它将流量、计算和网络功能推向网络边缘,这也与下一代网络的关键特征相一致,即信息越来越多地在本地生成并在本地消费,这源于IoT、社交网络和内容交付应用的蓬勃发展。为了应对这一情况,欧洲电信标准协会提出了MEC概念。MEC服务器可以在无线接入网络侧提供云计算功能,将UE直接连接到最近的支持云服务的网络边缘,使得UE的业务请求不用转发到核心网,而可以直接卸载到计算功能强大的近端云处理,不仅可以减小核心网的拥塞问题,又能极大地减小数据传输时延,提升用户体验。然而,由于UE的卸载任务必须通过传统的无线通信网传输到MEC处理,任务的处理结果也必须通过无线通信网才能反馈给UE。当网络中有大量UE同时进行任务卸载时,它们之间势必会相互干扰。而且,不同类型的UE对时延敏感程度有所不同,需要优先保证高时延敏感度UE的传输需求,同时又不能对低时延敏感度UE的传输性能造成过大影响。为此,必须要进行合理的频谱资源分配才能保证UE任务的高效卸载和传输时延需求。另一方面,由于MEC的计算能力终究有限,不能容纳过多的UE同时进行任务卸载。否则,势必造成MEC计算资源枯竭,任务计算时间大大增加,得不偿失。因此需要设计合理的任务卸载决策方案和MEC计算资源分配方案,来保证任务地高效卸载和处理,降低系统总体开销。综合研究频谱资源分配、任务卸载决策和MEC计算资源分配是提高基于MEC的下一代无线网络性能的关键。
综上所述,本发明提出一种5G网络中基于移动边缘计算的任务卸载和资源分配联合优化方法。此方法将任务卸载决策、资源块分配、计算资源分配联合建模为一个系统开销最小化问题。首先,根据用户设备的时延敏感度把用户设备分为不同优先级,高优先级用户设备优先分配资源块,同时保证低优先级用户设备通信质量。其次,每个用户设备根据任务本地计算开销和任务卸载计算开销做出卸载决策。最后为用户设备分配MEC计算资源,从而实现用户任务的高效卸载,极大地降低系统开销。
发明内容
有鉴于此,本发明的目的在于提供基于5G移动边缘计算的任务卸载和资源分配联合优化方法。
为达到上述目的,本发明提供如下技术方案:
S1:最小需求资源块数量估计;
S2:任务卸载决策方案;
S3:计算资源分配方案;
S4:基于用户设备时延优先级的分布式资源块分配方案。
进一步,在步骤S1中,假设有A个UE有任务卸载需求,MEC将计算资源平均的分配给各个UE,任务卸载计算时间开销不应该超过本地计算时间开销。在此情况下,对任意CSBSs的UE us,MEC计算任务Dn的时间开销为:
为保证任务卸载到MEC计算的时间不超过本地计算时间,即:
假定临近所有CSBS对CSBS s都有干扰,可得最大需求RB数量:
其中,Itotal表示临近所有CSBS对CSBS s的干扰总和。
假定临近CSBS对CSBS s都无干扰,可得最小需求RB数量:
因此,us进行任务卸载的总开销可表示为:
进一步,在步骤S2中,UE根据任务本地计算开销和卸载计算开销的对比结果做出卸载决策:
式(10)表明,如果用户设备任务卸载到MEC的计算开销小于任务本地计算开销,则用户任务卸载到MEC计算,否则,用户任务在本地计算。
进一步,在步骤S3中,为了得到MEC计算资源分配结果,MEC的计算资源将分配给每个进行任务卸载的UE。优化目标是最小化所有任务卸载UE的总任务在MEC的总计算时间,问题可表述为:
该问题的拉格朗日函数定义如下:
进一步,步骤S4中,基于用户设备时延优先级的分布式资源块分配算法分为以下步骤:
(1)UE等级划分
由于不同UE的业务需求有所不同,其对时延的敏感程度差异较大,如表1所示为3GPP对不同UE的时延要求划分。可以看出,在线游戏UE对时延要求最高,而在线缓存视频UE对时延要求则较低。基于用户设备时延优先级的资源块分配方案,首先根据UE对时延的敏感程度,将不同的UE划分为不同的优先级,为高优先级的UE优先分配RB。其次,同等优先级的UE根据满意度以及信道质量估计值依次分配RB。
表1 UE对不同业务的时延要求
由于UE的时延敏感度不同,把具有相同优先级的UE划分到同一个优先级组中,如表2所示。在表2(a)中,UE的优先级不同,时延要求也不同,其中UE对时延要求的大小顺序为d1<d2<d3<d4<d5。初始时,根据UE的ID对UE进行排序,然后按照UE对时延要求的不同将UE划分到不同的优先级组中,并且按照优先级降序排序。如表2(a)中,UE 3和UE4都属于第一优先级,因此将它们划分到优先级组G1中,UE 1属于第二优先级UE,将它划分到优先级组G2中,以此类推,直到所有UE划分完毕,如表2(b)所示。
表2 UE优先级表
在表2(b)中,由于UE 3和UE5属于第一优先级组,因此优先给它们分配RB,UE 2属于第二优先级组,因此在第一优先级组分配完毕之后,再给它们分配RB,以此类推,直至所有UE分配完毕。
(2)UE的满意度
处于同一优先级的UE,根据UE满意度的大小由小到大依次分配RB。UE在任意时刻的满意度定义为:
UE的θ值越小,说明UE当前的满意度越低,优先分配RB。
(3)RB质量表
如果处于同一优先级UE的满意度相同,优先选择RB质量表中首位RB质量最好的UE分配RB。网络中的CSBS根据可用RB数和RB质量为每个UE创建RB质量表,并按RB质量降序排列。本节把UE us在RBn上传输数据的平均SINR定义为UE us对RBn的估计质量:
对于CSBS的UE us,其RB质量表如表3所示。
表3 RB质量表
(4)信息交互
每个CSBS把当前UE的信息,包括:UE位置、UE优先级、UE满意度θ、UERB质量表,通过光纤链路发送给MEC。当MEC收到该信息后进行汇总,并把汇总结果通过光纤链路反馈给CSBS。该汇总信息包括:所有CSBS的UE位置、UE优先级、UE满意度θ和UERB质量表。由于MEC强大的计算能力,以及MEC和CSBS之间通过光纤链路连接,所以该信息交互很快,时间忽略不计。当CSBS收到汇总信息后,可以分布式的执行RB分配算法,具体包含以下步骤:
步骤1:对于CSBS s中的所有UE;
步骤2:选择优先级最高的UE;
步骤3:判断是否有多个优先级相同的UE,如果有转到步骤4,否则转到步骤15;
步骤4:选择θ最小的UE;
步骤5:判断是否有多个θ相同的UE,如果有转到步骤6,否则转到步骤13;
步骤6:选择RB质量表中首位RB质量最高的UE
步骤7:判断是否有多个首位RB质量相同的UE,如果有转到步骤8,否则转到步骤11;
步骤8:随机选择一个UE;
步骤9:RB质量表中首位RB分配给该UE;
步骤10:更新CSBS s下所有UE的RB质量表和θ;
步骤11:把RB质量表中首位RB分配给该UE;
步骤12:更新CSBS s下所有UE的RB质量表和θ;
步骤13:把RB质量表中首位RB分配给该UE;
步骤14:更新CSBS s下所有UE的RB质量表和θ;
步骤15:把RB质量表中首位RB分配给该UE;
步骤16:更新CSBS s下所有UE的RB质量表和θ;
步骤17:RB分配结果Ys。
本发明的有益效果在于:该方法以最小化系统总开销为目标,通过任务卸载决策、资源块分配、计算资源分配等方式,实现系统开销最小化,并保证用户的时延需要和通信质量。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为基于MEC的UE任务卸载网络模型;
图2为计算卸载和资源分配联合优化流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
图1是基于MEC的UE任务卸载网络模型图。考虑一个由宏蜂窝基站(Macro CellBase Station,MBS)、认知小蜂窝基站(Cognitive Small Cell Base Station,CSBS)、MEC、UE组成的两层蜂窝异构网络。MEC部署于MBS侧,且MEC和CSBS通过光纤链路和MBS连接。S={1,2,3,…,S}表示CSBS的集合,其中s表示第s个CSBS。每个CSBS下有若干个UE,Us={1,2,3,…,Us}表示CSBS s的UE集合,us表示属于CSBS s的UE u。假设每个UE都有需要大量计算资源和时延敏感的任务需要完成,每个UE可以选择通过所属服务CSBS将任务卸载到MEC计算或本地计算。本模型采用半静态场景,假定在一个任务卸载周期内UE位置和传输信道状况保持不变。
(1)通信模型
考虑CSBS间频谱可复用,即CSBS之间存在干扰,但在CSBS内,频谱正交地分配给各个UE,因此CSBS内不存在干扰。考虑上行链路传输,即传输从UE到其所从属的CSBS,而干扰来自所有使用相同资源块(Resource Block,RB)的CSBS。系统总可用带宽为BHz,RB个数为N,用N={1,2,3,...,N}表示RB集合。对CSBS s,用表示RB分配向量,它是一个Us×N的矩阵。其中表示RBn分配给CSBS s的UEu,则表示不分配。
当UE使用被临近CSBS占用的RB时,将产生干扰。将CSBS接收到的所有干扰传输功率之和定义为干扰强度。因此,CSBS s的UE us在RBn上受到的干扰强度可由下式计算:
使用香农容量公式计算上行链路传输速率。给定CSBS s的决策向量Xs和RB分配向量Ys,CSBS s的UE us的上传速率为:
本方案中频谱分配问题主要关注CSBS之间的干扰抑制,功率分配不在本方案考虑范围内,将UE的传输功率均分给其分配的RB。
(2)计算模型
假设每个UE都有计算任务,用来描述CSBS s的UE us的任务。此任务既可以由UE本地计算,也可以卸载到MEC计算。代表任务数据量大小;代表完成任务所需要的CPU周期数,与网络设备的计算能力是相互独立的概念;表示满足该任务的卸载计算时间不大于本地计算时间的最小RB个数需求。
①本地计算开销
因此,本地计算总开销为:
②MEC计算开销
MEC在任务卸载完成后进行计算,计算时间开销为:
因此,任务卸载到MEC计算的总开销为:
(3)优化问题建模
本发明提出了一种基于MEC的两层蜂窝异构网络任务卸载、计算资源分配和频谱资源分配的综合优化模型。该问题包含以下约束条件:
首先需要决定CSBS的UE是否卸载,则卸载决策约束条件C1可表示为:
其次,需要决定CSBS的UE和RB的分配关系,则频谱资源约束条件C2可表示为:
最后需要保证所有UE卸载任务所分得的MEC计算资源总和不超过MEC的计算能力,则计算资源约束条件C3可表示为:
其中,F是MEC总的计算资源。
通过以上分析,优化问题可建模为:
此优化目标是最小化系统总开销,包括时间开销和能量开销。该优化问题有三个优化变量(其中包含二元变量),若能求得以上三个变量的最优值,即可得到全局最优解。但在实际情况下优化问题(32)难以求解,原因有以下两点:1)由于卸载决策向量X和RB分配向量Y是二元变量,导致优化问题(32)不是凸优化问题。2)优化问题(32)的计算复杂度过高。即使假定所有的变量都是二元变量,求解算法的复杂度高达O(N3)。
图2是计算卸载和资源分配联合优化流程图。为了降低问题求解复杂度,可将问题(32)分解为以下三步求解:任务卸载决策、MEC计算资源分配和RB分配,主要包括以下步骤:
步骤201:开始执行算法;
步骤202:UE任务数据量越大,对计算能力的要求越高,越倾向于把任务卸载到MEC计算。首先,选定任务数据量大于Dthres的UE进行任务卸载;
步骤203:RB个数估计,得到任务卸载UE的最小RB需求量;
步骤204:根据卸载UE的RB需求量,执行基于用户设备时延优先级的分布式资源块分配方案,为任务卸载UE分配RB;
步骤205:执行MEC计算资源分配,为任务卸载UE分配MEC计算资源;
步骤206:根据卸载UE任务本地计算开销和卸载计算开销得出卸载决策向量X;
步骤207:计算此时系统总开销Wtotal;
步骤208:查找卸载决策向量X中零元素;
步骤209:判断卸载决策向量X中的零元素是否依次查找完毕;如果没有依次查找完毕,转到步骤210,如果依次查找完毕,转到步骤214;
步骤212:本轮的系统总开销与上轮的系统总开销作比较;
步骤213:如果新一轮系统总开销小于上一轮系统总开销,则将当前的卸载向量X设为本轮迭代采用的卸载决策,即保持不变;如果新一轮系统总开销大于上一轮系统总开销,则将上一轮卸载向量作为本轮迭代采用的卸载决策,即恢复
步骤215:算法结束。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.基于5G移动边缘计算的任务卸载和资源分配联合优化方法,其特征在于:该方法根据所提网络场景的特性,联合优化用户设备任务卸载决策、资源块分配、MEC计算资源分配来最小化系统总开销,具体包括以下步骤:
S1:需求资源块数量估计;
S2:任务卸载决策方案;
S3:计算资源分配方案;
S4:基于用户设备时延优先级的分布式资源块分配方案;
在所述步骤S1中,建模任务卸载模型;
即一个由宏蜂窝基站MBS、认知小蜂窝基站CSBS、移动边缘计算MEC和用户设备UE组成的两层蜂窝异构网络;MEC部署于MBS侧,且MEC和CSBS通过光纤链路和MBS连接;S={1,2,3,…,S}表示CSBS的集合,其中s表示第s个CSBS;每个CSBS下有若干个UE,Us={1,2,3,…,Us}表示CSBSs的UE集合,us表示属于CSBSs的UEu;
若所述UE的任务本地计算开销小于等于任务卸载计算开销,则UE决策任务在本地执行,否则,卸载到MEC执行;
在所述步骤S3中,为得到MEC计算资源分配结果,以最小化所有任务卸载UE总任务在MEC的总计算时间为目标,为每个进行任务卸载的UE分配MEC计算资源;
问题表述为:
在所述步骤S4中,根据实际网络中UE时延敏感度的不同,采用一种基于用户设备时延优先级的分布式资源块分配方案,该方案根据UE的时延敏感度把UE分为不同的优先级,高优先级UE优先分配资源块,同时又不对低优先级UE造成过大的影响;其次,同等优先级的UE根据满意度以及信道质量估计值依次分配RB。
2.根据权利要求1所述的基于5G移动边缘计算的任务卸载和资源分配联合优化方法,其特征在于:在所述步骤S1中,UE任务本地计算开销由UE任务本地计算时间开销和能量开销组成;
其中时间开销由完成任务所需要的CPU周期数和UE的计算能力决定,能量开销由完成任务所需要的CPU周期数与CPU每周期能量消耗决定;UE任务卸载计算开销由UE任务传输时间开销,传输能量开销和MEC计算时间开销组成;
其中,UE任务传输时间开销由任务数据量大小以及任务传输速率决定,UE任务传输能量开销由UE发射功率及任务传输时间决定,MEC计算时间开销由MEC为UE分配的计算资源以及完成任务所需要的CPU周期数决定。
3.根据权利要求2所述的基于5G移动边缘计算的任务卸载和资源分配联合优化方法,其特征在于:在所述步骤S4中,对用户优先级的划分依据3GPP对不同UE的时延要求划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334413.6A CN110087318B (zh) | 2019-04-24 | 2019-04-24 | 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910334413.6A CN110087318B (zh) | 2019-04-24 | 2019-04-24 | 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110087318A CN110087318A (zh) | 2019-08-02 |
CN110087318B true CN110087318B (zh) | 2022-04-01 |
Family
ID=67416431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910334413.6A Active CN110087318B (zh) | 2019-04-24 | 2019-04-24 | 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110087318B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110493757B (zh) * | 2019-09-29 | 2023-03-28 | 重庆大学 | 单服务器下降低系统能耗的移动边缘计算卸载方法 |
CN110851277A (zh) * | 2019-11-08 | 2020-02-28 | 中国石油大学(华东) | 一种增强现实场景下基于边云协同的任务调度策略 |
CN111124666B (zh) * | 2019-11-25 | 2023-05-12 | 哈尔滨工业大学 | 一种移动物联网中的高效、安全的多用户多任务卸载方法 |
CN111107639B (zh) * | 2019-11-29 | 2023-05-05 | 深圳大学 | 用于视频数据处理的资源分配方法及电子设备 |
CN110891093B (zh) * | 2019-12-09 | 2022-02-22 | 中国科学院计算机网络信息中心 | 一种时延敏感网络中边缘计算节点选择方法及系统 |
CN111182569B (zh) * | 2020-01-08 | 2023-06-30 | 浙江工业大学 | 一种5g场景下的边缘计算卸载周期最小化方法 |
CN111836284B (zh) * | 2020-07-08 | 2022-04-05 | 重庆邮电大学 | 基于移动边缘计算的能耗优化计算、卸载方法和系统 |
CN111954236B (zh) * | 2020-07-27 | 2021-11-09 | 河海大学 | 一种基于优先级的分层边缘计算卸载方法 |
CN112004239B (zh) * | 2020-08-11 | 2023-11-21 | 中国科学院计算机网络信息中心 | 一种基于云边协同的计算卸载方法及系统 |
CN111918311B (zh) * | 2020-08-12 | 2022-04-12 | 重庆邮电大学 | 基于5g移动边缘计算的车联网任务卸载和资源分配方法 |
CN112188632A (zh) * | 2020-10-09 | 2021-01-05 | 上海海事大学 | 一种基于二阶梯度估计的海洋雾节点在线资源管理方法 |
CN112600873A (zh) * | 2020-11-24 | 2021-04-02 | 国网电力科学研究院有限公司 | 一种5g环境下低时延高可靠的业务卸载方法及系统 |
CN112689296B (zh) * | 2020-12-14 | 2022-06-24 | 山东师范大学 | 一种异构IoT网络中的边缘计算与缓存方法及系统 |
CN112804219B (zh) * | 2020-12-31 | 2022-02-08 | 中山大学 | 基于边缘计算的低时延实时视频分析方法 |
CN112888002B (zh) * | 2021-01-26 | 2022-04-15 | 重庆邮电大学 | 一种基于博弈论的移动边缘计算任务卸载及资源分配方法 |
CN114125063B (zh) * | 2021-08-30 | 2022-07-08 | 国网内蒙古东部电力有限公司 | 基于业务QoS的电力通信网任务卸载系统、方法及应用 |
CN114416381B (zh) * | 2022-03-28 | 2022-08-12 | 维塔科技(北京)有限公司 | 处理资源超分方法、装置、设备及存储介质 |
CN115190126B (zh) * | 2022-07-01 | 2023-08-18 | 北京理工大学长三角研究院(嘉兴) | 一种协调计算与传输的移动边缘计算系统及最优卸载方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105120482A (zh) * | 2015-09-14 | 2015-12-02 | 哈尔滨工业大学 | 一种基于资源利用率的时延优先调度方法 |
CN106598727A (zh) * | 2016-11-07 | 2017-04-26 | 北京邮电大学 | 一种通信系统的计算资源分配方法及系统 |
WO2017067586A1 (en) * | 2015-10-21 | 2017-04-27 | Deutsche Telekom Ag | Method and system for code offloading in mobile computing |
CN106937393A (zh) * | 2017-04-25 | 2017-07-07 | 电子科技大学 | 一种基于优先级的无线资源调度方法 |
CN108809695A (zh) * | 2018-04-28 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
CN108804227A (zh) * | 2018-05-23 | 2018-11-13 | 大连理工大学 | 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 |
EP3403180A1 (en) * | 2016-01-14 | 2018-11-21 | Sony Mobile Communications Inc. | User equipment selection for mobile edge computing |
CN108924254A (zh) * | 2018-08-03 | 2018-11-30 | 上海科技大学 | 以用户为中心的分布式多用户计算任务卸载方法 |
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
CN109413615A (zh) * | 2018-09-14 | 2019-03-01 | 重庆邮电大学 | 车联网下基于mec的能量感知卸载的能量延迟折衷方案 |
CN109413724A (zh) * | 2018-10-11 | 2019-03-01 | 重庆邮电大学 | 一种基于mec的任务卸载和资源分配方案 |
CN109656703A (zh) * | 2018-12-19 | 2019-04-19 | 重庆邮电大学 | 一种移动边缘计算辅助车辆任务卸载方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2919438B1 (en) * | 2014-03-10 | 2019-06-19 | Deutsche Telekom AG | Method and system to estimate user desired delay for resource allocation for mobile-cloud applications |
US10628222B2 (en) * | 2016-05-17 | 2020-04-21 | International Business Machines Corporation | Allocating compute offload resources |
-
2019
- 2019-04-24 CN CN201910334413.6A patent/CN110087318B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105120482A (zh) * | 2015-09-14 | 2015-12-02 | 哈尔滨工业大学 | 一种基于资源利用率的时延优先调度方法 |
WO2017067586A1 (en) * | 2015-10-21 | 2017-04-27 | Deutsche Telekom Ag | Method and system for code offloading in mobile computing |
EP3403180A1 (en) * | 2016-01-14 | 2018-11-21 | Sony Mobile Communications Inc. | User equipment selection for mobile edge computing |
CN106598727A (zh) * | 2016-11-07 | 2017-04-26 | 北京邮电大学 | 一种通信系统的计算资源分配方法及系统 |
CN106937393A (zh) * | 2017-04-25 | 2017-07-07 | 电子科技大学 | 一种基于优先级的无线资源调度方法 |
CN108809695A (zh) * | 2018-04-28 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
CN108804227A (zh) * | 2018-05-23 | 2018-11-13 | 大连理工大学 | 基于移动云计算的计算密集型任务卸载和最佳资源配置的方法 |
CN108924254A (zh) * | 2018-08-03 | 2018-11-30 | 上海科技大学 | 以用户为中心的分布式多用户计算任务卸载方法 |
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
CN109413615A (zh) * | 2018-09-14 | 2019-03-01 | 重庆邮电大学 | 车联网下基于mec的能量感知卸载的能量延迟折衷方案 |
CN109413724A (zh) * | 2018-10-11 | 2019-03-01 | 重庆邮电大学 | 一种基于mec的任务卸载和资源分配方案 |
CN109656703A (zh) * | 2018-12-19 | 2019-04-19 | 重庆邮电大学 | 一种移动边缘计算辅助车辆任务卸载方法 |
Non-Patent Citations (4)
Title |
---|
Joint Optimization of Offloading and Resource Allocation Scheme for Mobile Edge Computing;Joint Optimization of Offloading and Resource Allocation Scheme;《2019 IEEE Wireless Communications and Networking Conference (WCNC)》;20190418;全文 * |
Te-Yi Kan ; Yao Chiang ; Hung-Yu Wei.Task offloading and resource allocation in mobile-edge computing system.《2018 27th Wireless and Optical Communication Conference (WOCC)》.2018, * |
移动边缘计算中的计算卸载和资源管理方案;李邱苹;《电信科学》;20190319;全文 * |
面向车辆多址接入边缘计算网络的任务协同计算迁移策略;乔冠华;《物联网学报》;20190330;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110087318A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110087318B (zh) | 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 | |
CN111447619B (zh) | 一种移动边缘计算网络中联合任务卸载和资源分配方法 | |
CN109951821B (zh) | 基于移动边缘计算的最小化车辆能耗任务卸载方案 | |
CN110098969B (zh) | 一种面向物联网的雾计算任务卸载方法 | |
CN111132191B (zh) | 移动边缘计算服务器联合任务卸载、缓存及资源分配方法 | |
CN108809695B (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
CN112492626B (zh) | 一种移动用户计算任务的卸载方法 | |
CN109413724B (zh) | 一种基于mec的任务卸载和资源分配方案 | |
Liu et al. | Economically optimal MS association for multimedia content delivery in cache-enabled heterogeneous cloud radio access networks | |
CN108541027B (zh) | 一种基于边缘云网络的通信计算资源置换方法 | |
CN111586696B (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
CN110493360B (zh) | 多服务器下降低系统能耗的移动边缘计算卸载方法 | |
CN111182570B (zh) | 提高运营商效用的用户关联和边缘计算卸载方法 | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
CN112000481B (zh) | 一种d2d-mec系统计算能力最大化的任务卸载方法 | |
CN109714382B (zh) | 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 | |
CN113784373B (zh) | 云边协同网络中时延和频谱占用联合优化方法及系统 | |
CN107911856B (zh) | 一种超密集异构网络中基于匹配博弈的分离多接入方法 | |
CN112969163B (zh) | 一种基于自适应任务卸载的蜂窝网络计算资源分配方法 | |
CN110519776A (zh) | 一种雾计算系统中的均衡聚类和联合资源分配方法 | |
CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
CN111757361A (zh) | 一种雾网络中基于无人机辅助的任务卸载方法 | |
CN114363984A (zh) | 一种云边协同光载网络频谱资源分配方法及系统 | |
CN112235387B (zh) | 一种基于能量消耗最小化的多节点协作计算卸载方法 | |
CN111954230B (zh) | 基于mec与密集云接入网融合的计算迁移与资源分配方法 |
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 |