CN110187964B - 物联网场景中完成时间最小化雾计算迁移方法 - Google Patents
物联网场景中完成时间最小化雾计算迁移方法 Download PDFInfo
- Publication number
- CN110187964B CN110187964B CN201910374589.4A CN201910374589A CN110187964B CN 110187964 B CN110187964 B CN 110187964B CN 201910374589 A CN201910374589 A CN 201910374589A CN 110187964 B CN110187964 B CN 110187964B
- Authority
- CN
- China
- Prior art keywords
- fog
- task
- node
- nodes
- sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000013508 migration Methods 0.000 claims description 49
- 230000005012 migration Effects 0.000 claims description 49
- 238000005457 optimization Methods 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000001934 delay Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002924 energy minimization method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06F9/50—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
- G06F9/505—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 considering the load
-
- 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
- G06F9/5072—Grid computing
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明揭示了一种物联网场景中完成时间最小化雾计算迁移方法,包括如下步骤:S1、设计感知雾计算架构,所述感知雾计算架构包括相互连通的感知层与雾层;S2、感知层中的感知节点向雾层中的雾节点发送计算请求、并将数据传输到对应的雾节点中;S3、所述雾层中的雾节点从对应的感知节点中接收计算请求并执行计算任务,当该雾节点上的计算任务过载时,该雾节点将部分计算任务迁移给相邻空闲的雾节点;S4、所述雾层中的雾节点将处理结果反馈给感知层中的感知节点。本发明能够求解出任务的完成时间最小的资源分配情况,满足那些计算密集型用户对低延迟的要求,提高了用户体验质量。
Description
技术领域
本发明涉及一种雾计算方法,具体涉及一种物联网场景中完成时间最小化雾计算迁移方法,属于无线通信网络以及无线传感器网络技术领域。
背景技术
对于无线传感器网络(Wireless sensor network,WSN)、ad hoc以及物联网(Internetofthings,IoT)的应用而言,这些网络中的部分组件(如传感器等)会受到资源限制、从而对其充分发挥功率造成影响。因此,如何克服这些制约因素,发展更为节能化、高效化的数据处理也就成为了一个巨大的挑战。由此,人们提出利用雾计算的方法来解决这一问题。雾计算,是一种通过在网络边缘(本地)设备上执行数据处理来补充基于云计算系统的新模型。雾计算分散了计算资源的集中,使计算更接近用户对计算能力的要求,减轻了云中心的数据处理负担,降低了远程通信开销,显著提高了用户体验。但是在实际的使用过程中人们发现,单一的雾节点计算能力有限,也因此,为了解决单一雾节点负载过大、计算能力有限的问题,又引入了计算迁移。
近年来,在已有的大量的计算迁移方案中,其中大部分都通过优化任务迁移比例来解决最小延迟和能耗问题。为此,以下总结出了三种具有代表性的方案:
第一类方案提出了一种功率受限的延迟优化计算迁移方法,通过优化任务调度实现了最小的执行延迟。此类方案虽然降低了延迟,但却没有考虑能耗问题。
第二类方案从能量最小化的角度出发,针对移动边缘计算系统,提出了一种具有计算延迟约束的能量最小化迁移方法。此类方案虽然在最小化能耗时考虑到了延迟的约束,但却没有考虑完成时间和能耗的联合优化问题,因而不能显著提高整个系统的性能。
第三类方案基于子任务之间的并行执行模型,通过求解迁移部分和用户关联的最优解,提出了一种新的能量最小化方法,它产生了可观的能量增益,也降低了并行执行模式下的执行延迟。但是,如果能够更全面地考虑任务之间的资源分配,将会取得更好的应用效果。
由以上表述可以看出,上述三种方案的考虑角度较为单一,如果这些迁移方案有一个更全面和联合考量任务之间的各种限制资源的竞争,如联合分配本地计算资源,外部计算资源和带宽资源等,那么将会更适合实际场景的雾或边缘计算系统。也正因如此,如何在现有技术的基础上提出一种全新的雾计算迁移方法,尽可能地克服现有技术中所存在的诸多缺陷,也就成为了本领域内技术人员共同的研究目标。
发明内容
鉴于现有技术存在上述缺陷,本发明的目的是提出一种物联网场景中完成时间最小化雾计算迁移方法,包括如下步骤:
S1、设计感知雾计算架构,所述感知雾计算架构包括相互连通的感知层与雾层;
S2、感知层中的感知节点向雾层中的雾节点发送计算请求、并将数据传输到对应的雾节点中;
S3、所述雾层中的雾节点从对应的感知节点中接收计算请求并执行计算任务,当该雾节点上的计算任务过载时,该雾节点将部分计算任务迁移给相邻空闲的雾节点;
S4、所述雾层中的雾节点将处理结果反馈给感知层中的感知节点。
优选地,所述感知层由多个物联网传感设备组成,所述物联网传感设备根据其位置信息被划分为多簇感知集群,每簇所述感知集群均为一个感知节点、用于对数据进行采集。
优选地,所述雾层由多个雾节点组成,每个所述雾节点均与一个所述感知节点相对应、用于数据处理及任务计算增强。
优选地,S3具体包括如下步骤:
S31、假设一组任务集F需要由雾节点i进行处理,i∈{1,2,…K},且在雾节点i附近有m个空闲的相邻雾节点,
使用U表示雾节点CPU计算能力,单位为Mb/s,
使用B表示总信道带宽,单位为Mb/s,
使用Df表示任务集F中的任务f的数据大小,单位为Mb,
优选地,当任务f被迁移到雾节点i的相邻雾节点时,处理任务f的总完成时间Tf的表达式如下,
αf表示任务f迁移到相邻雾节点的比例,βf表示任务f占本地CPU计算资源比例,γf表示任务f占带宽资源比例,δf表示任务f占相邻雾节点CPU计算资源比例。
优选地,S3还包括如下步骤:
S32、针对任务集F的完成时间最小化问题,通过联合优化αf,βf,γf和δf这些网络资源的分配,构造如下优化问题P1,
约束条件如下,
∑f∈Fβf≤1, (c)
∑f∈Fγf≤1, (d)
∑f∈Fδf≤1, (e)
其中,优化问题P1表示处理任务集F的完成时间的最小化,
约束(a)、(b)表示任务的本地计算时间和迁移任务的完成时间都不应超过整个任务的可容忍延迟,
(c)、(d)和(e)表示任务集F的总CPU和带宽占用比不应超过1,
(f)表示任务迁移比例约束,
(g)表示CPU占用率和带宽资源占用率为非负。
优选地,S3还包括如下步骤:
S33、通过利用基于梯度下降计算迁移算法求得优化问题P1的最优解。
优选地,S33具体包括如下步骤:
将优化问题P1等价转换为如下优化问题P2,
约束条件如下,
∑f∈Fβf≤1,
∑f∈Fγf≤1,
∑f∈Fδf≤1,
与现有技术相比,本发明的优点主要体现在以下几个方面:
本发明提出了一种物联网场景中完成时间最小化雾计算迁移方法,能够求解出任务的完成时间最小的资源分配情况,满足那些计算密集型用户对低延迟的要求,提高了用户体验质量。
具体而言,本发明设计出了一种感知雾计算架构,避免了感知节点与云端服务器之间的长距离通信,有效降低了通信能耗。并且本发明中所提出的并行执行场景下的雾计算迁移的完成时间最小化问题,满足了计算密集型任务对低延迟要求,显著地提升了响应速度。
同时,本发明还设计出了一种高效的迁移算法,通过联合优化分配本地CPU、外部CPU计算资源和信道带宽资源,确定出了最优计算任务迁移比,从而获得了最小的完成时间。
此外,本发明也为同领域内的其他相关问题提供了参考,可以以此为依据进行拓展延伸,运用于与雾计算迁移方法有关的其他技术方案中,具有十分广阔的应用前景。
以下便结合实施例附图,对本发明的具体实施方式作进一步的详述,以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明所涉及的用于大数据物联网下的感知数据雾计算架构示意图;
图2为本发明的方法与其他传统方法在不同任务大小情况下的完成时间比较图;
图3为本发明的方法与其他传统方法在不同数量空闲相邻雾节点情况下的完成时间比较图;
图4为本发明的方法与其他传统方法在不同数量空闲相邻雾节点情况下的计算迁移比例比较图。
具体实施方式
本发明揭示了一种物联网场景中完成时间最小化雾计算迁移方法,下面结合具体方案的实施例,进一步阐述本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
具体而言,一种物联网场景中完成时间最小化雾计算迁移方法,其特征在于,包括如下步骤:
S1、设计感知雾计算架构,所述感知雾计算架构包括相互连通的感知层与雾层。
如图1所示,所述感知层由多个物联网传感设备组成,这些设备被部署到指定的区域进行监测(如环境参数、交通状况和火灾探测),所述物联网传感设备根据其位置信息被划分为多簇感知集群,每簇所述感知集群均为一个感知节点、用于对数据进行采集。
所述雾层由多个雾节点组成,每个所述雾节点均与一个所述感知节点相对应、用于数据处理及任务计算增强。
具体而言,所述雾节点主要包括以下两种作用:
1)数据处理:当雾节点从本地用户(雾节点)或其他区域的用户(雾节点)中接收到数据采集请求时,其会从本地感知节点采样数据并压缩。最后,将压缩数据发送给用户终端或下一个雾节点。同时,当本地雾节点上的压缩处理任务过载时,它会将部分计算任务迁移给它的空闲邻居雾节点。
2)任务计算增强:当邻居空闲雾节点接收到迁移的计算任务时,它将协同帮助该雾节点执行部分任务的计算。
S2、感知层中的感知节点向雾层中的雾节点发送计算请求、并将数据传输到对应的雾节点中。
S3、所述雾层中的雾节点从对应的感知节点中接收计算请求并执行计算任务,当该雾节点上的计算任务过载时,该雾节点将部分计算任务迁移给相邻空闲的雾节点。
S3具体包括如下步骤:
S31、假设一组任务集F包含3个任务f∈{1,2,3}需要由雾节点i进行处理,i∈{1,2,…K},且在雾节点i附近有m个空闲的相邻雾节点,这些空闲邻居雾节点可以协同帮助雾节点i执行部分计算任务,在本实施例中m=2。
使用U表示雾节点CPU计算能力,单位为Mb/s;使用B表示总信道带宽,单位为Mb/s;使用Df表示任务集F中的任务f的数据大小,单位为Mb。在实施例程中分别设置为20Mb/s、25Mb/s和6Mb。这里3个任务f的大小分别表示为D1,D2,D3,实施例中均设置为2Mb大小。
雾节点可以同步计算和传输子任务(即,子任务之间并行执行),这意味着本地计算时间和传输延迟相互重叠。根据完成时间的定义,当任务f的部分数据(即,部分任务)被迁移到雾节点i的相邻雾节点时,处理任务f的总完成时间Tf的表达式如下,
其中,αf表示任务f迁移到相邻雾节点的比例(迁移比),βf表示任务f占本地CPU计算资源比例,γf表示任务f占带宽资源比例,δf表示任务f占相邻雾节点CPU计算资源比例。由于本实施例中并行的任务数设为3个,因此βf,f∈{1,2,3}分别设置为0.40,,0.23和0.30;γf,f∈{1,2,3}分别设置为0.23,,0.30和0.40;δf,f∈{1,2,3}分别设置为0.33,,0.30和0.33。
S32、针对雾辅助物联网系统中任务集F的完成时间最小化问题,通过联合优化αf,βf,γf和δf这些网络资源的分配,构造如下优化问题P1,
约束条件如下,
∑f∈Fβf≤1, (c)
∑f∈Fγf≤1, (d)
∑f∈Fδf≤1, (e)
其中,优化问题P1表示处理任务集F的完成时间的最小化,
约束(a)、(b)表示任务的本地计算时间和迁移任务的完成时间都不应超过整个任务的可容忍延迟,
(c)、(d)和(e)表示任务集F的总CPU和带宽占用比不应超过1,
(f)表示任务迁移比例约束,
(g)表示CPU占用率和带宽资源占用率为非负。
显然,上述目标函数是一个分段函数,这表明不能直接利用传统的有效方法。由于搜索解的方法效率较低,我们考虑将该优化问题转化为等价的连续问题。通过求导以及函数的单调性,得出当时,目标函数/>取得最小值,即/>同时,为了简化求解过程,将αf用βf,γf和δf来表示,即
S33、通过利用基于梯度下降计算迁移算法求得优化问题P1的最优解。即最优计算迁移比使得完成时间最小。具体如下。
将αf代入原优化问题P1中,转换成新的优化问题P2,通过证明目标函数是凸函数,且可行域为凸集,保证了该优化问题的局部最优解即为全局最优解,P2如下,
约束条件如下,
∑f∈Fβf≤1,
∑f∈Fγf≤1,
∑f∈Fδf≤1,
S4、所述雾层中的雾节点将处理结果反馈给感知层中的感知节点。
针对当前研究方案存在的计算任务的资源分配不充分以及计算密集型用户低延迟的要求无法满足等问题,本发明整合了雾计算和计算迁移理论。针对任务计算时延的关键性特别是面向时延敏感性计算任务,为了满足时延敏感性计算密集型任务的低时延服务需求,本发明提出了一种物联网场景中计算任务完成时间最小化雾计算迁移方法,基于计算任务迁移模式,使得雾节点之间可以通过计算任务迁移有效缓解单一雾节点负载过大。
同时,基于并行计算模式,本发明构建了一个雾计算任务迁移完成时间最小化问题;提出了一个基于梯度下降的计算迁移决策算法用于求解上述优化问题,即通过本地计算资源、外部计算资源(即本地雾节点的空闲邻居雾节点)和信道带宽资源的联合优化分配,获得最优任务迁移比,从而达到最小化计算任务完成时间的目的。
最后,本发明方法的具体实施验证了本发明在计算任务完成时间方面的优势,即能更好的满足时延敏感性计算密集型任务的要求。物联网场景中完成时间最小化雾计算迁移方法在实际中的应用,如图2所示,所有计算迁移的完成时间都随着任务大小的增加而增加,与其他两种方法相比,我们提出的迁移方法的完成时间具有显著的优势,有效地分配和利用了带宽资源和本地及外部的计算资源,在完成时间上取得了明显的性能优势。
此外,如图3所示,由于可以利用更多的外部计算资源,我们提出的迁移方法和完全计算迁移的完成时间随着空闲邻居数量的增加而减少。由于本地计算独立于外部计算能力,本地计算的完成时间保持不变。无论外部计算能力如何变化,本发明完成时间最短,且随着外部计算能力的增加,完成时间的下降幅度逐渐减小。
不仅如此,如图4所示,随着邻居数量的增加,1、2、3项任务的工作量也相应增加。这一结果表明,由于可用外部计算资源的增加,雾节点i倾向于将其任务迁移给空闲邻居。当然,随着带宽资源的限制,迁移比不会无限增长,而是逐渐收敛到一个固定的值。因此,不应盲目追求空闲邻居数量的增加来提高计算迁移效果。上述分析结果进一步证实了所提出的部分计算迁移方法是一种有效的、高效的迁移策略,与其他迁移策略相比具有较大的性能优势。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神和基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种物联网场景中完成时间最小化雾计算迁移方法,其特征在于,包括如下步骤:
S1、设计感知雾计算架构,所述感知雾计算架构包括相互连通的感知层与雾层;
S2、感知层中的感知节点向雾层中的雾节点发送计算请求、并将数据传输到对应的雾节点中;
S3、所述雾层中的雾节点从对应的感知节点中接收计算请求并执行计算任务,当该雾节点上的计算任务过载时,该雾节点将部分计算任务迁移给相邻空闲的雾节点;
S3具体包括如下步骤:
S31、假设一组任务集F需要由雾节点i进行处理,i∈{1,2,…K},且在雾节点i附近有m个空闲的相邻雾节点,
使用U表示雾节点CPU计算能力,单位为Mb/s,
使用B表示总信道带宽,单位为Mb/s,
使用Df表示任务集F中的任务f的数据大小,单位为Mb,
当任务f被迁移到雾节点i的相邻雾节点时,处理任务f的总完成时间Tf的表达式如下,
αf表示任务f迁移到相邻雾节点的比例,βf表示任务f占本地CPU计算资源比例,γf表示任务f占带宽资源比例,δf表示任务f占相邻雾节点CPU计算资源比例;
S32、针对任务集F的完成时间最小化问题,通过联合优化αf,βf,γf和δf这些网络资源的分配,构造如下优化问题P1,
约束条件如下,
∑f∈Fβf≤1, (c)
∑f∈Fγf≤1, (d)
∑f∈Fδf≤1, (e)
其中,优化问题P1表示处理任务集F的完成时间的最小化,
约束(a)、(b)表示任务的本地计算时间和迁移任务的完成时间都不应超过整个任务的可容忍延迟,
(c)、(d)和(e)表示任务集F的总CPU和带宽占用比不应超过1,
(f)表示任务迁移比例约束,
(g)表示CPU占用率和带宽资源占用率为非负;
S33、通过利用基于梯度下降计算迁移算法求得优化问题P1的最优解;
S4、所述雾层中的雾节点将处理结果反馈给感知层中的感知节点。
2.根据权利要求1所述的物联网场景中完成时间最小化雾计算迁移方法,其特征在于:所述感知层由多个物联网传感设备组成,所述物联网传感设备根据其位置信息被划分为多簇感知集群,每簇所述感知集群均为一个感知节点、用于对数据进行采集。
3.根据权利要求2所述的物联网场景中完成时间最小化雾计算迁移方法,其特征在于:所述雾层由多个雾节点组成,每个所述雾节点均与一个所述感知节点相对应、用于数据处理及任务计算增强。
4.根据权利要求1所述的物联网场景中完成时间最小化雾计算迁移方法,其特征在于,S33具体包括如下步骤:
将优化问题P1等价转换为如下优化问题P2,
约束条件如下,
∑f∈Fβf≤1,
∑f∈Fγf≤1,
∑f∈Fδf≤1,
其中,r表示迭代指数,s代表迭代步长,zf为Tf的梯度函数,记为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374589.4A CN110187964B (zh) | 2019-05-07 | 2019-05-07 | 物联网场景中完成时间最小化雾计算迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374589.4A CN110187964B (zh) | 2019-05-07 | 2019-05-07 | 物联网场景中完成时间最小化雾计算迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110187964A CN110187964A (zh) | 2019-08-30 |
CN110187964B true CN110187964B (zh) | 2023-07-11 |
Family
ID=67715782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910374589.4A Active CN110187964B (zh) | 2019-05-07 | 2019-05-07 | 物联网场景中完成时间最小化雾计算迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110187964B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673475B (zh) * | 2019-09-17 | 2020-12-18 | 重庆特斯联智慧科技股份有限公司 | 具备物联传感功能的智慧建筑节能系统及控制方法 |
CN110888734A (zh) * | 2019-10-17 | 2020-03-17 | 国网浙江省电力有限公司 | 一种雾计算资源处理方法、装置、电子设备及存储介质 |
CN110677858B (zh) * | 2019-10-25 | 2022-05-17 | 国家电网有限公司 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
CN111711962B (zh) * | 2020-06-15 | 2022-04-12 | 重庆邮电大学 | 一种移动边缘计算系统子任务协同调度方法 |
CN111866181B (zh) * | 2020-08-10 | 2022-05-13 | 重庆邮电大学 | 一种基于区块链的雾网络中任务卸载优化方法 |
CN113285988B (zh) * | 2021-05-14 | 2022-07-29 | 南京邮电大学 | 一种基于雾计算的能耗最小化公平计算迁移方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107819662A (zh) * | 2017-11-23 | 2018-03-20 | 电子科技大学 | 一种应用于云雾计算网络的服务功能链实时迁移方法 |
CN108243245A (zh) * | 2017-12-20 | 2018-07-03 | 上海交通大学 | 基于混合雾计算的无线接入网络及其资源调配方法 |
-
2019
- 2019-05-07 CN CN201910374589.4A patent/CN110187964B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107819662A (zh) * | 2017-11-23 | 2018-03-20 | 电子科技大学 | 一种应用于云雾计算网络的服务功能链实时迁移方法 |
CN108243245A (zh) * | 2017-12-20 | 2018-07-03 | 上海交通大学 | 基于混合雾计算的无线接入网络及其资源调配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110187964A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187964B (zh) | 物联网场景中完成时间最小化雾计算迁移方法 | |
Hussein et al. | Efficient task offloading for IoT-based applications in fog computing using ant colony optimization | |
CN110099384B (zh) | 基于边-端协同的多用户多mec任务卸载资源调度方法 | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN107995660A (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
CN110941667A (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN105491138B (zh) | 一种基于负载率分级触发的分布式负载调度方法 | |
CN108880893A (zh) | 一种移动边缘计算服务器联合能量收集及任务卸载方法 | |
CN109951873B (zh) | 一种物联网雾计算中信息不对称不确定下的任务卸载机制 | |
CN109246761B (zh) | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 | |
CN106775949B (zh) | 感知复合应用特征与网络带宽的虚拟机在线迁移优化方法 | |
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 | |
CN112512065B (zh) | 支持mec的小小区网络中在移动感知下的卸载和迁移方法 | |
CN113965569A (zh) | 一种高能效、低时延的边缘节点计算迁移架构及配置系统 | |
CN112231085A (zh) | 一种协同环境下基于时间感知的移动终端任务迁移方法 | |
Hao et al. | Energy-aware offloading based on priority in mobile cloud computing | |
US20140215543A1 (en) | Child Node, Parent Node, and Caching Method and System for Multi-Layer Video Network | |
CN115243285A (zh) | 一种基于无人机网络的安全计算卸载方法 | |
CN112769910B (zh) | 基于动态电压调节技术的雾计算任务卸载方法 | |
CN113672372A (zh) | 一种基于强化学习的多边缘协同负载均衡任务调度方法 | |
CN113010317A (zh) | 联合服务部署与任务卸载方法、装置、计算机设备及介质 | |
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 | |
WO2024036909A1 (zh) | 一种面向边缘服务网络的负载公平卸载与迁移方法 | |
Fang et al. | Offloading strategy for edge computing tasks based on cache mechanism |
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 |