CN110134507B - 一种边缘计算系统下的合作计算方法 - Google Patents

一种边缘计算系统下的合作计算方法 Download PDF

Info

Publication number
CN110134507B
CN110134507B CN201910622248.4A CN201910622248A CN110134507B CN 110134507 B CN110134507 B CN 110134507B CN 201910622248 A CN201910622248 A CN 201910622248A CN 110134507 B CN110134507 B CN 110134507B
Authority
CN
China
Prior art keywords
edge calculations
terminal device
edge
server
task amount
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
CN201910622248.4A
Other languages
English (en)
Other versions
CN110134507A (zh
Inventor
陈松林
文红
谢非佚
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.)
CERTUSNET CORP
Nanjing Ningyi Intellectual Property Agency Co ltd
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910622248.4A priority Critical patent/CN110134507B/zh
Publication of CN110134507A publication Critical patent/CN110134507A/zh
Application granted granted Critical
Publication of CN110134507B publication Critical patent/CN110134507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/48—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
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs

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)
  • Computer And Data Communications (AREA)

Abstract

本专利提出了一种边缘计算系统下的合作计算方法，边缘服务器与众多终端就近通过网络连接，由于距离近，可以实现高速的数据安全传输，同时将算法分别在边缘设备侧和终端侧合作执行，从而充分利用边缘计算系统下众多终端的计算资源。以计算时延小、计算速度最高为目标，利用边缘服务器侧与众多终端合作计算方案达到计算资源的最优配置，解决机器学习等计算资源需求高的算法的快速实现，通过在边缘侧与有一定计算能力的终端进行计算量的合理分配，实现边缘计算系统下的最优高速合作计算。

Description

一种边缘计算系统下的合作计算方法
技术领域
本发明涉及边缘计算，尤其是物联网下的一种边缘计算系统下的合作计算方法。
背景技术
在未来无线通信系统中，智能设备涌入到无线网络中的数量将会成指数倍增长。无论是智慧城市、智能家居、智能物流、远程医疗、工业4.0、智能电网、智能传输都将迎来万物互联的时代。随着物联网中各种低时延需求的应用场景大量出现，例如无人驾驶，虚拟现实，增强现实等，物联网系统出现了新的网络架构--基于边缘计算的物联网系统。该系统是在云计算服务器和终端设备网络层引入了边缘计算服务器，实现在就近数据源头，进行数据处理。在该系统下，边缘计算提供了实时数据处理，实时决策等一系列的低时延计算模式，解决了已有云计算物联网架构的缺点。然而该模式下，仍然存在着一些潜在的问题，比如，根据摩尔定律，物联网终端设备的计算能力越来越强，仅使用边缘计算服务器执行计算任务，浪费了终端设备的部分计算能力，会造成资源浪费，能源消耗，成本增加。
发明内容
本发明所要解决的技术问题是，利用边缘计算系统的特点，提供一种基于边缘计算系统下的计算形态，通过将计算资源在边缘侧服务器与有一定计算能力的终端设备之间进行合理分配从而实现边缘计算系统下的最优高速合作计算。
本发明为解决上述技术问题所采用的技术方案是，随着物联网终端设备的计算能力逐年提升，终端设备具有一定的计算能力，本发明使用终端设备对边缘计算服务器做一定的补充以实现快速计算。进一步为实现边缘计算系统下的最优高速合作计算，本发明提出根据算法复杂度，对算法的任务进行合理的调度分配，充分体现出边缘计算系统下的低时延。
一种边缘计算系统下的合作计算方法，包括以下步骤：
1）根据计算复杂度的等级将系统所需执行的总计算任务量进行分解：
W为系统需要执行的总计算任务量，n为总计算任务的计算复杂度等级总数，计算复杂度等级从1到n依次提高；i为计算复杂度等级序号，i=1,2,…,n，w i 为第i级计算复杂度的单次计算任务量，K i 代表第i级计算复杂度的单次计算任务量的执行次数，K i w i 为第i级计算复杂度的计算任务量；
2）产生边缘计算服务器与合作的终端设备；记录边缘计算服务器与终端设备的参量属性，参量属性包括到边缘计算服务器的物理距离、本地计算速度、本地计算容量以及传输带宽；
3）将边缘计算服务器与终端设备的参量属性以及分解后的各复杂度等级下的任务量输入矩阵形式的策略优化模型中得到最优合作计算任务量分配方案X，所述矩阵形式的策略优化模型为：
T t 表示合作计算总时间，表示求目标函数T t 最小时X的值，向量w=(w 1,w 2,…,w n ) T 表示总计算任务由n种计算复杂度下的单次计算任务量w i 构成，i=1,2,…,n；j表示终端 设备序号，j=1,2,…,m；向量c=(c 0,c 1,c 2,…,c m ) T 表示边缘计算服务器的计算容量c 0与m个 终端设备的计算容量c 1,c 2,…,c m ，m为合作的终端设备总数量；向量d=(d 0=0,d 1,d 2,…,d m ) T 表示边缘计算服务器以及m个终端设备离边缘计算服务器的物理距离；长度为m+1的向量V= (1/s,1/s,1/s,…,1/s) T 表示边缘计算服务器和终端设备的数据传播速度，s为光的传播速 度；I=(1,1,1,…,1) T 表示长度为m+1的单位向量；向量=(K 1,K 2,…,K n ) T 表示n种不同计算 复杂度的计算任务量分别所需的执行次数；向量B=(0,1/B 1,1/B 2,…,1/B j ,…,1/B m ) T ，B j 为 边缘计算服务器与第j个终端设备的传输带宽，向量=(1/v 0,1/v 1,1/v 2,…,1/v j ,…,1/v m ) T 其 中，v 0 表示边缘计算服务器的计算速度，v j 表示第j个终端设备的计算速度；
求解得到的最优合作计算任务量分配方案为：
X中x i0表示边缘计算服务器分配到的第i级计算复杂度的单次计算任务量的执行次数，赋值k i0=x i0；x ij 表示第j个终端设备分配到的第i级计算复杂度的单次计算任务量的执行次数，赋值k ij =x ij ；
4）根据最优合作计算任务量分配方案产生边缘计算服务器的计算任务量W Edge 与第j个终端设备的计算任务量W jdevices 以完成边缘计算服务器和终端设备的合作计算；
，。
本发明的有益效果是：
(1)在边缘计算服务器和各终端协同计算，实现资源的最优调度，不浪费各种可利用的计算资源，节约了能源和计算成本。
(2)最大化满足了物联网场景下，对低时延业务应用的计算需求。
(3)适用于基于边缘计算的物联网系统,充分利用了该系统的网络拓扑结构，合理的分配了计算资源。
附图说明
图1为边缘计算服务器和终端设备的拓扑图。
具体实施方式
下面结合附图和一种边缘计算系统下的合作计算方法进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下描述。
如图1所示，一个边缘计算服务器E 0和m个终端设备分别为l 1,l 2,…,l m ，他们与边缘计算服务器的物理距离分别为d 1,d 2,…,d m ，传输带宽为B 1,B 2,…,B m ，其计算容量为c 1,c 2,…,c m ，计算速度为v 1,v 2,…,v m 。第m个终端设备的属性可表示为{l m :(d m ,B m ,c m ,v m )}，边缘计算服务器E 0的属性为{E 0 :(d 0 =0,B 0 =0,c 0 ,v 0 )}，这里采用j作为终端设备序号变量，j=1,2,…,m。
合作计算方法的实现具体包括以下步骤：
S1.评估总计算任务不同复杂度的计算量，将算法根据复杂度的等级进行分解；系统需要执行的总计算任务W，按照执行不同计算复杂度的计算任务量进行分解为：
按计算复杂度分为n个等级，第1级的计算复杂度为o(1)，第2级计算复杂度为o(log2n)，第n级计算杂度为o(n!)。K 1 w 1为执行复杂度为o(1)的计算任务量，w 1为执行第1种计算复杂度的单次任务量，K 1代表对应单次任务量的执行次数；K 2 w 2为执行复杂度为o(log2n)的计算任务量，w 2 为执行第2种计算复杂度的单次任务量，K 2代表对应单次任务量的执行次数，K n w n 为执行复杂度为o(n!)的计算任务量，w n 为执行第n种计算复杂度的单次任务量，K n 代表对应单次任务量的执行次数。在计算处理领域已有成熟的计算复杂度计算与划分的方法，本发明不在此赘述，在实现时，按照计算复杂度从低到高依次划分即可。这里采用i作为计算复杂度等级序号变量，i=1,2,…,n。
S2.产生边缘计算服务器与各种终端的相应的参量属性，例如物理距离，传输带宽，计算容量，计算速度。
(d,B,c,v)→（距离，传输带宽，计算容量，计算速度）
边缘计算服务器：
E 0 =(d 0 =0,B 0 =0,c 0 ,v 0 )
第j个终端设备：
l j =(d j,Bj,cj,vj )
S3.建立边缘计算系统下的合作计算总时间模型；
边缘计算系统下的合作计算总时间T t 主要包括四个部分，边缘计算服务器处理任务所需时间TE、各类终端处理任务所需时间TD、边缘计算服务器分发任务的发送时间TB以及边缘服务器将任务分别传输给各终端并将结果回传的时间TT。
其中边缘服务器执行n种复杂度的计算任务量所需的时间TE：
v 0为边缘计算服务器计算速度，k i0为边缘计算服务器执行第i种计算复杂度的单次任务量为w i 的次数。
m个终端设备执行n种复杂度的计算任务量所需的时间TD：
v j 为第j个终端的计算速度，k ij 为第j个终端执行第i种计算复杂度任务量为w i 的次数。
边缘计算服务器对m个终端在不同带宽下分发任务的发送时间TB：
B j 为第j个终端与边缘计算服务器的传输带宽。
边缘计算服务器将任务分别传输给各终端并将结果回传的时间TT：
其中s为光速，d j 为第j个终端设备与边缘计算服务器的物理距离。
为实现合作计算总时间T t 最小化，根据约束条件建立优化目标函数：
约束条件：
(1)总计算任务W中各种计算复杂度任务的总执行次数约束：
其中，w n 为执行第n种计算复杂度的任务量，K n 代表执行的次数；
K 1代表边缘计算服务器和m个终端设备总共需要执行第1种计算复杂度任务量的执行次数；
K 2代表边缘计算服务器和m个终端设备总共需要执行第2种计算复杂度任务量的执行次数；
…
K n 代表边缘计算服务器和m个终端设备总共需要执行第n种计算复杂度任务量的执行次数；
(2)各终端设备和边缘计算服务器的计算容量约束：
其中，c 0为边缘计算服务器的计算容量，k i0为边缘计算服务器执行第i种计算复杂度任务量为w i的次数，k i 为第1个终端设备执行第i种计算复杂度任务量为w i的次数，k m 为第m个终端设备执行第i种计算复杂度任务量为w i的次数，c m 为第m个终端设备的计算容量。
(3)各终端设备和边缘计算服务器的计算速度约束：
其中，v 0为边缘计算服务器的计算速度，v j 为第j个终端设备的计算速度。
(4)各终端设备和边缘计算服务器之间的传输通信带宽、物理距离约束：
其中，B j 为第j个终端设备与边缘计算服务器的传输带宽，B 0是为了构建等价矩阵运算模型，边缘计算服务器自身传输带宽的记号其值恒为零，d j 为第j个终端设备与边缘计算服务器的物理距离，d 0是为了构建等价矩阵运算模型，边缘计算服务器自身与自身的物理距离记号其值恒为零。
最终的策略优化模型为：
S4. 将最终策略优化模型等价为矩阵形式：
T t 表示合作计算总时间，表示求目标函数T t 最小时X的值，向量w=(w 1,w 2,…,w n ) T 表示总计算任务由n种计算复杂度下的单次计算任务量w i 构成，i=1,2,…,n；j表 示终端设备序号，j=1,2,…,m；向量c=(c 0,c 1,c 2,…,c m ) T 表示边缘计算服务器的计算容量c 0 与m个终端设备的计算容量c 1,c 2,…,c m ，m为合作的终端设备总数量；向量d=(d 0=0,d 1,d 2,…,d m ) T 表示边缘计算服务器以及m个终端设备离边缘计算服务器的物理距离；长度为m+ 1的向量V=(1/s,1/s,1/s,…,1/s) T 表示边缘计算服务器和终端设备的数据传播速度，s为 光的传播速度； I=(1,1,1,…,1) T 表示长度为m+1的单位向量； 向量=(K 1, K 2,…, K n ) T 表示n种不同计算复杂度的计算任务量分别所需的执行次数；向量B=(0,1/B 1,1/B 2,…,1/B j ,…,1/B m ) T ，B j 为边缘计算服务器与第j个终端设备的传输带宽，向量 =(1/v 0,1/v 1,1/v 2,…,1/v j ,…,1/v m ) T 其中，v 0 表示边缘计算服务器的计算速度，v j 表示第j个终端设备的计 算速度；
X表示边缘计算系统下的最优合作计算方法的解，由X可构成边缘计算服务器和m个终端设备执行的计算任务量。
在一个计算复杂度等级下的单次任务量确定时，只需要确定执行次数即可得到该计算复杂度的计算任务量，X中各元素实际为某一计算复杂度的单次计算任务量的执行次数。
S51. 求解目标函数最优解：
X中x i0表示边缘计算服务器分配到的第i级计算复杂度的单次计算任务量的执行次数，赋值x i0= x i0；x ij 表示第j个终端设备分配到的第i级计算复杂度的单次计算任务量的执行次数，赋值k ij =x ij ；i=1,2,…,n ，j=1,2,…,m；
S52. 根据最优解，产生边缘计算服务器和m个终端分别执行的计算任务量：
边缘计算服务器计算任务量W Edge ：
第j个终端设备计算任务量W jdevices ：
S6. 按照最优解分配计算任务，实现边缘计算服务器和多终端的合作计算，实现最低时延和高速计算。
实施例
一个边缘服务器{E 0 :(d 0 =0,B 0 =0,c 0 ,v 0 )} ，三个本地终端设备，{l 1:(d 1,B 1,c 1,v 1)}、{l 2:(d 2,B 2,c 2,v 2)}、{l 3:(d 3,B 3,c 3,v 3)}，需执行100层的神经网络算法，求边缘计算服务器和三个终端设备的合作计算方式，以实现快速计算。边缘计算服务器与终端设备的连接为无线连接或有线连接。3个终端设备的计算能力和计算容量均小于边缘计算服务器的计算能力和计算容量。系统执行总计算任务包括机器学习、数据分析和深度学习算法。
S1. 评估总计算任务不同复杂度的计算量，将算法根据复杂度的等级进行分解；
神经网络算法计算任务总量：
其中K 1=100，w 1为执行每层神经网络的计算任务量，n=1，只有一种计算复杂度的计算任务。
S2. 边缘计算服务器根据网络拓扑结构指定合作的终端设备，记录边缘计算服务器与各终端相应的参量属性，例如物理距离，计算速度，计算容量，传输带宽。
(d,B,c,v)→（距离，传输带宽，计算容量，计算速度）
边缘计算服务器：
E 0 =(d 0 =0, B 0 =0, c 0 , v 0 )
第一个终端设备：
l 1=(d 1,B 1, c 1, v 1)
第二个终端设备：
l 2=(d 2,B 2, c 2, v 2)
第三个终端设备：
l 3=(d 3,B 3, c 3, v 3)
有三个终端设备m=3。
S3.建立边缘计算系统下的合作计算总时间模型；
S4. 将最终策略优化模型等价为矩阵形式：
其中向量w=w 1表示总计算任务由1种不同复杂度的计算任务量；c=(c 0,c 1,c 2,c 3) T 表示边缘计算服务器与3个终端设备的计算容量；d=(d 0=0,d 1,d 2,d 3) T 表示3个终端设备离边 缘计算服务器的物理距离，其中，d 0是为了构建等价矩阵运算模型，边缘计算服务器自身与 自身的物理距离记号其值恒为零；V=(1/s,1/s,1/s,1/s) T ，其中s为光的传播速度；I=(1,1, 1,1) T 表示单位向量； = K 1表示总任务量仅由1种复杂度的计算任务量所需执行的次数；
矩阵 B=(0,1/B 1,1/B 2,1/B 3) T ，其中B 1, B 2, B 3为边缘计算服务器与第1,2,3个终端设 备的传输带宽， =(1/v 0,1/v 1,1/v 2,1/v 3) T 表示边缘计算服务器与3个终端设备的计算速 度；
S51. 求解目标函数最优解：
S52. 根据最优解，产生边缘服务器和M个终端分别执行的计算任务量
边缘计算服务器计算任务量W Edge ：
第一个终端设备计算任务量W 1devices ：
第二个终端设备计算任务量W 2devices ：
第三个终端设备计算任务量W 3devices ：
S6. 按照最优解分配计算任务，实现边缘计算服务器和本地多终端的合作计算，实现最低时延和高速计算。

Claims (4)

1.一种边缘计算系统下的合作计算方法，其特征在于，包括以下步骤：
1）边缘计算服务器根据计算复杂度的等级将系统所需执行的总计算任务量进行分解：
W为系统需要执行的总计算任务量，n为总计算任务的计算复杂度等级总数，计算复杂度等级从1到n依次提高；i为计算复杂度等级序号，i=1,2,…,n，w i 为第i级计算复杂度的单次计算任务量，K i 代表第i级计算复杂度的单次计算任务量的执行次数，K i w i 为第i级计算复杂度的计算任务量；
2）边缘计算服务器根据网络拓扑结构指定合作的终端设备，记录边缘计算服务器与终端设备的参量属性，参量属性包括到边缘计算服务器的物理距离、本地计算速度、本地计算容量以及传输带宽；
3）边缘计算服务器将本地与终端设备的参量属性以及分解后的各复杂度等级下的任务量输入矩阵形式的策略优化模型中得到最优合作计算任务量分配方案X，所述矩阵形式的策略优化模型为：
T t 表示合作计算总时间，表示求目标函数最小时X的值，向量w=(w 1,w 2,…,w n ) T 表 示总计算任务由n种计算复杂度下的单次计算任务量w i 构成，i=1,2,…,n；j表示终端设备 序号，j=1,2,…,m；向量c=(c 0,c 1,c 2,…,c m ) T 表示边缘计算服务器的计算容量c 0与m个终端 设备的计算容量c 1,c 2,…,c m ，m为合作的终端设备总数量；向量d=(d 0=0,d 1,d 2,…,d m ) T 表示 边缘计算服务器以及m个终端设备离边缘计算服务器的物理距离；长度为m+1的向量V=(1/s,1/s,1/s,…,1/s) T 表示边缘计算服务器和终端设备的数据传播速度，s为光的传播速度； I=(1,1,1,…,1) T 表示长度为m+1的单位向量；向量=(K 1,K 2,…,K n ) T 表示n种不同计算复 杂度的计算任务量分别所需的执行次数；向量B=(0,1/B 1,1/B 2,…,1/B j ,…,1/B m ) T ，B j 为边 缘计算服务器与第j个终端设备的传输带宽，向量=(1/v 0,1/v 1,1/v 2,…,1/v j ,…,1/v m ) T 其 中，v 0 表示边缘计算服务器的计算速度，v j 表示第j个终端设备的计算速度；
求解得到的最优合作计算任务量分配方案为：
X中x i0表示边缘计算服务器分配到的第i级计算复杂度的单次计算任务量的执行次数，赋值k i0=x i0；x ij 表示第j个终端设备分配到的第i级计算复杂度的单次计算任务量的执行次数，赋值 k ij =x ij ；
4）根据最优合作计算任务量分配方案产生边缘计算服务器的计算任务量W Edge 与各终端 设备的计算任务量W jdevices 以完成边缘计算服务器和终端设备的合作计算： ， 。
2.如权利要求1所述方法，其特征在于，边缘计算服务器与终端设备的连接为无线连接或有线连接。
3.如权利要求1所述方法，其特征在于，各终端设备的计算能力和存储大小均小于边缘计算服务器的计算能力和存储大小。
4.如权利要求1所述方法，其特征在于，所述系统执行总计算任务包括机器学习、数据分析和深度学习算法。
CN201910622248.4A 2019-07-11 2019-07-11 一种边缘计算系统下的合作计算方法 Active CN110134507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910622248.4A CN110134507B (zh) 2019-07-11 2019-07-11 一种边缘计算系统下的合作计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910622248.4A CN110134507B (zh) 2019-07-11 2019-07-11 一种边缘计算系统下的合作计算方法

Publications (2)

Publication Number Publication Date
CN110134507A CN110134507A (zh) 2019-08-16
CN110134507B true CN110134507B (zh) 2019-10-22

Family

ID=67566859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910622248.4A Active CN110134507B (zh) 2019-07-11 2019-07-11 一种边缘计算系统下的合作计算方法

Country Status (1)

Country Link
CN (1) CN110134507B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220058494A1 (en) * 2020-08-20 2022-02-24 International Business Machines Corporation Hybrid ensemble model leveraging edge and server side inference
CN112181668B (zh) * 2020-11-04 2024-05-14 深圳市蓝波湾通信技术有限公司 一种基于边缘计算端的智能管理方法、装置以及系统
CN112637359A (zh) * 2020-12-29 2021-04-09 武汉烽火富华电气有限责任公司 一种基于边缘计算的终端资源调度方法
CN112511652B (zh) * 2021-02-03 2021-04-30 电子科技大学 一种边缘计算下的合作计算任务分配方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167787A (zh) * 2018-09-06 2019-01-08 电子科技大学 一种移动边缘计算网络中安全计算卸载的资源优化方法
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN109862592A (zh) * 2018-12-06 2019-06-07 北京邮电大学 一种基于多基站协作的移动边缘计算环境下资源管理和调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10326766B2 (en) * 2017-07-13 2019-06-18 Dell Products, Lp Method and apparatus for optimizing mobile edge computing for nomadic computing capabilities as a service
CN109240818B (zh) * 2018-09-04 2021-01-15 中南大学 一种边缘计算网络中基于用户体验的任务卸载方法
CN109819030A (zh) * 2019-01-22 2019-05-28 西北大学 一种基于边缘计算的数据资源预先调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167787A (zh) * 2018-09-06 2019-01-08 电子科技大学 一种移动边缘计算网络中安全计算卸载的资源优化方法
CN109862592A (zh) * 2018-12-06 2019-06-07 北京邮电大学 一种基于多基站协作的移动边缘计算环境下资源管理和调度方法
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Clustering Based Physical-Layer Authentication in Edge Computing Systems with Asymmetric Resources;Yi Chen等;《Sensors》;20190424;第19卷(第8期);第1-20页 *
Context-Aware Data and Task Placement in Edge Computing Environments;Martin Breitbach;《2019 IEEE International Conference on Pervasive Computing and Communication (PerCom)》;20190315;第272-281页 *
Deep-Learning-Based Physical Layer Authentication for IndustrialWireless Sensor Networks;Run-Fa Liao等;《Sensors》;20190528;第19卷(第11期);第1-17页 *

Also Published As

Publication number Publication date
CN110134507A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110134507B (zh) 一种边缘计算系统下的合作计算方法
CN109491790A (zh) 基于容器的工业物联网边缘计算资源分配方法及系统
Wang et al. A deep learning based energy-efficient computational offloading method in Internet of vehicles
CN105550323A (zh) 一种分布式数据库负载均衡预测方法和预测分析器
CN109492774A (zh) 一种基于深度学习的云资源调度方法
CN106155791A (zh) 一种分布式环境下的工作流任务调度方法
CN105897584A (zh) 路径规划方法和控制器
Ewald et al. Grid implementation of a parallel multiobjective genetic algorithm for optimized allocation of chlorination stations in drinking water distribution systems: Chojnice case study
CN104536803A (zh) 一种基于组合优化的虚拟机调度方法
CN108921324A (zh) 基于配变聚类的台区短期负荷预测方法
CN113098711A (zh) 一种基于云边协同的配电物联网cps管控方法及系统
CN108270805A (zh) 用于数据处理的资源分配方法及装置
CN104363104A (zh) 一种面向用户需求的海量多元数据态势显示系统与方法
CN108196957A (zh) 一种云环境下的主机负载预测方法
CN115954933A (zh) 电网数字孪生系统构建方法、装置、电子设备和存储介质
CN109409746A (zh) 一种生产调度方法及装置
da Silva et al. Towards federated learning in edge computing for real-time traffic estimation in smart cities
Abdoos et al. Holonification of a network of agents based on graph theory
Ghobadi et al. Integration of facility location and hypercube queuing models in emergency medical systems
Li et al. Decentralized PEV power allocation with power distribution and transportation constraints
Weikert et al. Multi-objective task allocation for wireless sensor networks
CN105335376B (zh) 一种流处理方法、装置及系统
CN109145431A (zh) 一种监控电力二次系统运行状态的建模方法及装置
CN105138391B (zh) 面向广域分布云系统公平的多任务虚拟机分配方法
He et al. A hierarchical federated learning incentive mechanism in UAV-assisted edge 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
TR01 Transfer of patent right

Effective date of registration: 20211116

Address after: 210000 building 18, No. 699-22, Xuanwu Avenue, Xuanwu District, Nanjing, Jiangsu Province

Patentee after: CERTUSNET Corp.

Address before: 210000 Room 301, unit 2, building 214, Hengli Park, No. 399, Xiongzhou South Road, Longchi street, Liuhe District, Nanjing, Jiangsu Province

Patentee before: Nanjing Ningyi Intellectual Property Agency Co.,Ltd.

Effective date of registration: 20211116

Address after: 210000 Room 301, unit 2, building 214, Hengli Park, No. 399, Xiongzhou South Road, Longchi street, Liuhe District, Nanjing, Jiangsu Province

Patentee after: Nanjing Ningyi Intellectual Property Agency Co.,Ltd.

Address before: 611731 No. 2006, Xiyuan Avenue, hi tech Zone (West District), Chengdu, Sichuan

Patentee before: University of Electronic Science and Technology of China

TR01 Transfer of patent right