CN110213097A - 一种基于资源动态分配的边缘服务供应优化方法 - Google Patents
一种基于资源动态分配的边缘服务供应优化方法 Download PDFInfo
- Publication number
- CN110213097A CN110213097A CN201910470659.6A CN201910470659A CN110213097A CN 110213097 A CN110213097 A CN 110213097A CN 201910470659 A CN201910470659 A CN 201910470659A CN 110213097 A CN110213097 A CN 110213097A
- Authority
- CN
- China
- Prior art keywords
- service
- server
- edge
- indicate
- information mobile
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- 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
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- 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
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于资源动态分配的边缘服务供应优化方法,包括:S1.对移动用户服务使用体验的量化与建模;S2.基于服务资源动态调整的用户体验质量优化方法。本发明首次针对边缘计算框架中的服务供应优化提出了用户体验质量的量化策略,并提出了动态的资源分配策略方案,为利用服务分布式特性的边缘计算服务提供优化方案提供了新的可行可靠的方法。本发明在考虑用户与边缘服务器的交互信息的基础上,还综合考虑了边缘服务器资源与服务处理能力之间的资源‑性能关系,服务请求的时序关系,并利用这些信息对边缘府服务器运行时动态调整策略提供了辅助,能够较好的利用边缘计算组件的资源,为服务使用者提供高质量的用户体验。
Description
技术领域
本发明属于云计算、服务计算及边缘计算技术领域,具体涉及一种基于资源动态分配的边缘服务供应优化方法。
背景技术
随着移动设备技术的发展和Web服务的逐渐丰富,越来越多的复杂功能可以在移动设备上完成;移动设备和移动服务成功渗透进人们的日常生活,重新定了人与人、人与机器的交互方式,人们可以随时随地使用这些服务来学习、娱乐、社交以及进行商业活动。然而,移动设备的资源受限特性以及网络信道的不稳定性对用户的使用体验产生了极大的负面影响,低性能的计算能力、消耗速度快的电量资源以及频繁产生的网络丢包等都限制了增强计算/虚拟现实/人工智能等新兴技术的发展。随着移动设备数量的增加,这个问题将日益严峻;除了传统的移动计算领域外,物联网的发展也受到了这些因素的制约。为了解决这些问题,目前越来越多的研究者将目光投向边缘计算技术,试图借助边缘网络提高服务供应的质量和效率,从而提高用户的使用体验。
目前,对边缘网络中服务供应的研究通常包括如下几点:1.服务提供的能耗研究,这些研究以能耗与计算量传输量的正相关性为基础,通过对移动设备的建模来表述能耗,最终完成能耗优化;例如Tianze,L.等人考虑了移动设备在完成计算任务时的能源开销,对移动设备和相应的计算任务进行建模提出了一种针对边缘计算场景中基于移动自组网的多设备任务调度模型,从而降低了整体能耗[Tianze,L.,Muqing,W.,Min,Z.,Wenxing,L.:An overhead-optimizing task scheduling strategy for ad-hoc based mobile edgecomputing.IEEE Access 5,5609–5622(2017)]。2.利用服务的分布式特性进行优化,这些优化有针对性的进行服务部署,使得服务的接入方式增加,从而完成服务供应优化;例如Abdelwahab,S.等人考虑了类似的计算环境中的场景,在该场景下他们将移动设备视为许多分布式节点,利用设备数据进行数据与服务的多重备份,构建了一套LTE通信敏感的边缘计算框架,提高了服务供应系统的计算能力与存储能力[Abdelwahab,S.,Hamdaoui,B.,Guizani,M.,Znati,T.:Replisom:Disciplined tiny memory replication for massiveiot devices in LTE edge cloud.IEEE Internet of Things Journal 3(3),327–338(2016)]。3.利用服务的上下文信息进行优化,移动用户的上下文信息包含着丰富的用户特性以及环境特性,针对不同特性有针对的提供服务可以提供更可靠的服务;例如Yang,L.等人综合考虑用户的移动特性,他们为用户的移动性建立了模型,并挖掘出用户移动与服务调用的关联关系,在此基础上构建了一套服务缓存的方案,从而使服务供应系统的负载较为均衡[Yang,L.,Cao,J.,Liang,G.,Han,X.:Cost aware service placement and loaddispatching in mobile cloud systems.IEEE Transactions on Computers 65(5),1440–1452(2016)]。
在实际应用中,利用服务的分布式特性进行优化的代价相对较低,因此在诸多优化方案中可操作性更强。然而,现有的方法并没有提供针对用户体验的量化模型,也没有考虑边缘计算系统中组件受限的资源的分配所带来的服务性能变化问题。
发明内容
鉴于上述,本发明从服务系统与服务调用者两个方面综合得出了一种用户体验质量的评测指标,并利用服务资源-性能曲线结合深度强化学习算法,提出了一种基于资源动态分配的边缘服务供应优化方法,能够较好的利用边缘计算组件的资源,为服务使用者提供高质量的用户体验。
一种基于资源动态分配的边缘服务供应优化方法,包括如下步骤:
(1)为各边缘服务器以及各移动服务建立档案,并收集每台边缘服务器历史所有的移动服务调用记录;
(2)针对给定时间段t,计算该时间段t内所有服务调用请求的响应时长期望值E[T];
(3)针对给定时间段t,计算该时间段t内所有服务调用请求的响应时长方差Var[T];
(4)建立以下目标函数L并对其进行优化求解,得到时间段t内用户累积综合体验质量最大化所对应的一套服务器资源分配方案;
L=α×lnE[T]+β×Var[T]
其中:α和β均为给定的权重系数且均为负值。
进一步地,所述边缘服务器的档案包括边缘服务器的可用存储资源大小、可用计算资源大小、与其他各服务器之间的数据平均传输速率、服务覆盖范围、与服务覆盖范围内移动设备之间的数据平均传输速率。
进一步地,所述移动服务的档案包括服务功能描述、平均输入数据量、平均输出数据量、最低计算资源需求量、最低存储资源需求量、事务处理能力极限值、计算资源需求临界值。
进一步地,所述移动服务调用记录包括发起调用请求的移动设备ID、所调用的移动服务ID、请求发起时间以及请求完成时间。
进一步地,所述步骤(2)中通过以下公式计算时间段t内所有服务调用请求的响应时长期望值E[T];
其中:表示时间段t内第i号移动服务的调用请求由第j号服务器进行处理的几率,表示时间段t内第i号移动服务的调用请求被第j号服务器转发至第k号服务器进行处理的几率,n为服务器数量且其中第0号服务器为云服务器,其余服务器均为边缘服务器,m+1为移动服务的数量,vu,j表示第j号服务器与其服务覆盖范围内移动设备之间的数据平均传输速率,Bj,k表示第j号服务器与第k号服务器之间的数据平均传输速率, 表示第i号移动服务的平均输入数据量,表示第i号移动服务的平均输出数据量,表示时间段t内第i号移动服务在第k号服务器上的事务处理能力实际值。
进一步地,所述步骤(3)中通过以下公式计算时间段t内所有服务调用请求的响应时长方差Var[T];
其中:表示时间段t内第i号移动服务的调用请求由第j号服务器进行处理的几率,表示时间段t内第i号移动服务的调用请求被第j号服务器转发至第k号服务器进行处理的几率,n为服务器数量且其中第0号服务器为云服务器,其余服务器均为边缘服务器,m+1为移动服务的数量,vu,j表示第j号服务器与其服务覆盖范围内移动设备之间的数据平均传输速率,Bj,k表示第j号服务器与第k号服务器之间的数据平均传输速率, 表示第i号移动服务的平均输入数据量,表示第i号移动服务的平均输出数据量,表示时间段t内第i号移动服务在第k号服务器上的事务处理能力实际值。
进一步地,所述事务处理能力实际值的表达式如下:
其中:表示第k号服务器给第i号移动服务实际分配的计算资源,表示第k号服务器给第i号移动服务实际分配的存储资源,表示第i号移动服务的最低计算资源需求量,表示第i号移动服务的最低存储资源需求量,表示第i号移动服务的事务处理能力极限值,表示第i号移动服务的计算资源需求临界值。
进一步地,所述步骤(4)中采用DDPG(深度确定性策略梯度)算法对目标函数L进行优化求解。
本发明首次针对边缘计算框架中的服务供应优化提出了用户体验质量的量化策略,并提出了动态的资源分配策略方案,为利用服务分布式特性的边缘计算服务提供优化方案提供了新的可行可靠的方法。本发明在考虑用户与边缘服务器的交互信息的基础上,还综合考虑了边缘服务器资源与服务处理能力之间的资源-性能关系,服务请求的时序关系,并利用这些信息对边缘府服务器运行时动态调整策略提供了辅助,能够较好的利用边缘计算组件的资源,为服务使用者提供高质量的用户体验。
附图说明
图1为本发明方法所适用的边缘服务系统中组件间关系示意图。
图2为本发明基于资源动态分配的服务供应优化算法示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明基于资源动态分配的边缘服务供应优化方法,包括如下步骤:
(1)为边缘服务器建立档案,该档案包括边缘服务器的可用存储资源Ls与可用计算资源、边缘服务器之间数据平均传输速率B、边缘服务器的服务覆盖范围Rs、边缘服务器与其服务覆盖范围内的移动设备之间的数据平均传输速率vu;同时在边缘服务器中收集历史所有的移动服务调用记录,其内容包括移动设备ID、用户调用的移动服务ID、请求发起时间、请求完成时间。
(2)收集移动服务信息并为其建立档案;移动服务信息档案包括服务功能描述func、平均输入数据量Din、平均输出数据量Dout、最低计算资源需求量c↓、最低存储资源需求量d↓、事务处理能力极限值μ↑、计算资源需求临界值图1中通过示例一个服务请求的生命周期展示了系统运行的机制。
(3)根据上述信息,针对给定时间段t,首先得到所有请求的响应时长期望值E[T]:
其中:表示在t时段内第i个服务由服务器j处理的几率,而由于在边缘服务网络中,服务请求可以由一个服务器转交给另一个服务器进行处理,因此用表示在t时段内关于服务i的请求被服务器j转发到服务器k进行处理的几率,Di=Din+Dout,而则表示在t时段内服务i在服务器k上的事务处理能力实际值,根据服务的资源-性能关系,事务处理能力可表示为:
式中:与表示服务器j给服务i实际分配的计算资源与存储资源。
通过计算该期望值E[T],可以估算出移动用户调用边缘服务提供系统中的服务时每个服务的平均耗时。与此同时,所有请求的响应时长的方差可表示为Var[T]:
该方差反应出系统处理来自不同用户的服务请求时的处理能力的波动性,即系统的稳健性。综合这两者,并考虑到用户对实际性能感知的边际效应,我们用户的综合体验质量被定义为:
Q+=α×lnE[T]+β×Var[T]
其中:α与β为负值,表示不同因素的影响系数。
(4)对于t时段的所有服务器,计算资源与存储资源的分配方案可表示为Cr与Sr,定义该时刻系统的状态为xt=(g(t),Cr,Sr),其中g(t)表示t时刻对应的小时数;因此,当用矩阵Ac与As对Cr与Sr进行乘法操作后可以得到新的状态xt+1,这个操作被定义为t时段边缘服务系统的资源重分配行为yt。
对于用户使用服务的历史数据,从最初状态x1开始,利用图2所示的策略神经网络Π生成边缘服务系统的资源重分配行为y1并根据生成的行为产生下一时段的状态x2,直到给定的时段Tmax;根据边缘服务系统的历史记录,把每个时段内产生的不同状态下不同行为的记录(xt,yt,Rt,xt+1)存入缓存器M中,并重复这一过程EpisOdemax次。
(5)从缓存器M中采样N组数据(xt,yt,Rt,xt+1),用这些数据训练网络Π与评估神经网络Q,使得根据策略神经网络Π得到的边缘服务系统的资源重分配行为能让用户累积综合体验质量最大化,使得评估神经网络Q对以状态-行为(x,y)输入所得到的表示在x状态下采用行为y所产生的后续累积用户体验Qπ(x,y)最准确,这里的Qπ(x,y)可表示为:
其中:γ为0~1之间的实数,表示衰减因子。
使得根据策略神经网络Π得到的边缘服务系统的资源重分配行为能让用户累积综合体验质量最大化,即:
(6)根据所训练得到的策略神经网络Π制定服务器资源分配策略。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种基于资源动态分配的边缘服务供应优化方法,包括如下步骤:
(1)为各边缘服务器以及各移动服务建立档案,并收集每台边缘服务器历史所有的移动服务调用记录;
(2)针对给定时间段t,计算该时间段t内所有服务调用请求的响应时长期望值E[T];
(3)针对给定时间段t,计算该时间段t内所有服务调用请求的响应时长方差Var[T];
(4)建立以下目标函数L并对其进行优化求解,得到时间段t内用户累积综合体验质量最大化所对应的一套服务器资源分配方案;
L=α×lnE[T]+β×Var[T]
其中:α和β均为给定的权重系数且均为负值。
2.根据权利要求1所述的边缘服务供应优化方法,其特征在于:所述边缘服务器的档案包括边缘服务器的可用存储资源大小、可用计算资源大小、与其他各服务器之间的数据平均传输速率、服务覆盖范围、与服务覆盖范围内移动设备之间的数据平均传输速率。
3.根据权利要求1所述的边缘服务供应优化方法,其特征在于:所述移动服务的档案包括服务功能描述、平均输入数据量、平均输出数据量、最低计算资源需求量、最低存储资源需求量、事务处理能力极限值、计算资源需求临界值。
4.根据权利要求1所述的边缘服务供应优化方法,其特征在于:所述移动服务调用记录包括发起调用请求的移动设备ID、所调用的移动服务ID、请求发起时间以及请求完成时间。
5.根据权利要求1所述的边缘服务供应优化方法,其特征在于:所述步骤(2)中通过以下公式计算时间段t内所有服务调用请求的响应时长期望值E[T];
其中:表示时间段t内第i号移动服务的调用请求由第j号服务器进行处理的几率,表示时间段t内第i号移动服务的调用请求被第j号服务器转发至第k号服务器进行处理的几率,n为服务器数量且其中第0号服务器为云服务器,其余服务器均为边缘服务器,m+1为移动服务的数量,vu,j表示第j号服务器与其服务覆盖范围内移动设备之间的数据平均传输速率,Bj,k表示第j号服务器与第k号服务器之间的数据平均传输速率, 表示第i号移动服务的平均输入数据量,表示第i号移动服务的平均输出数据量,表示时间段t内第i号移动服务在第k号服务器上的事务处理能力实际值。
6.根据权利要求1所述的边缘服务供应优化方法,其特征在于:所述步骤(3)中通过以下公式计算时间段t内所有服务调用请求的响应时长方差Var[T];
其中:表示时间段t内第i号移动服务的调用请求由第j号服务器进行处理的几率,表示时间段t内第i号移动服务的调用请求被第j号服务器转发至第k号服务器进行处理的几率,n为服务器数量且其中第0号服务器为云服务器,其余服务器均为边缘服务器,m+1为移动服务的数量,vu,j表示第j号服务器与其服务覆盖范围内移动设备之间的数据平均传输速率,Bj,k表示第j号服务器与第k号服务器之间的数据平均传输速率, 表示第i号移动服务的平均输入数据量,表示第i号移动服务的平均输出数据量,表示时间段t内第i号移动服务在第k号服务器上的事务处理能力实际值。
7.根据权利要求5或6所述的边缘服务供应优化方法,其特征在于:所述事务处理能力实际值的表达式如下:
其中:表示第k号服务器给第i号移动服务实际分配的计算资源,表示第k号服务器给第i号移动服务实际分配的存储资源,表示第i号移动服务的最低计算资源需求量,表示第i号移动服务的最低存储资源需求量,表示第i号移动服务的事务处理能力极限值,表示第i号移动服务的计算资源需求临界值。
8.根据权利要求1所述的边缘服务供应优化方法,其特征在于:所述步骤(4)中采用DDPG算法对目标函数L进行优化求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470659.6A CN110213097B (zh) | 2019-05-31 | 2019-05-31 | 一种基于资源动态分配的边缘服务供应优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470659.6A CN110213097B (zh) | 2019-05-31 | 2019-05-31 | 一种基于资源动态分配的边缘服务供应优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110213097A true CN110213097A (zh) | 2019-09-06 |
CN110213097B CN110213097B (zh) | 2020-06-05 |
Family
ID=67790005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910470659.6A Active CN110213097B (zh) | 2019-05-31 | 2019-05-31 | 一种基于资源动态分配的边缘服务供应优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110213097B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112188627A (zh) * | 2020-09-27 | 2021-01-05 | 重庆邮电大学 | 一种基于状态预测的动态资源分配策略 |
CN112363829A (zh) * | 2020-11-03 | 2021-02-12 | 武汉理工大学 | 一种基于弹性尺度聚合的用户资源动态分配方法 |
CN115361453A (zh) * | 2022-08-17 | 2022-11-18 | 浙江大学中原研究院 | 一种面向边缘服务网络的负载公平卸载与迁移方法 |
US11616683B2 (en) | 2021-01-29 | 2023-03-28 | Beijing University Of Posts And Telecommunications | Deep reinforcement learning-based information processing method and apparatus for edge computing server |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103002005A (zh) * | 2011-09-07 | 2013-03-27 | 埃森哲环球服务有限公司 | 云服务监测系统 |
CN106598702A (zh) * | 2016-12-20 | 2017-04-26 | 东软集团股份有限公司 | 一种资源调整方法及装置 |
CN107612987A (zh) * | 2017-09-08 | 2018-01-19 | 浙江大学 | 一种面向边缘计算基于缓存的服务供应优化方法 |
CN108900628A (zh) * | 2018-07-20 | 2018-11-27 | 南京工业大学 | 边缘计算环境中基于定价机制的微云计算资源分配方法 |
US20180367466A1 (en) * | 2013-03-15 | 2018-12-20 | Advanced Elemental Technologies, Inc. | Purposeful Computing |
CN109067583A (zh) * | 2018-08-08 | 2018-12-21 | 深圳先进技术研究院 | 一种基于边缘计算的资源预测方法及系统 |
-
2019
- 2019-05-31 CN CN201910470659.6A patent/CN110213097B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103002005A (zh) * | 2011-09-07 | 2013-03-27 | 埃森哲环球服务有限公司 | 云服务监测系统 |
US20180367466A1 (en) * | 2013-03-15 | 2018-12-20 | Advanced Elemental Technologies, Inc. | Purposeful Computing |
CN106598702A (zh) * | 2016-12-20 | 2017-04-26 | 东软集团股份有限公司 | 一种资源调整方法及装置 |
CN107612987A (zh) * | 2017-09-08 | 2018-01-19 | 浙江大学 | 一种面向边缘计算基于缓存的服务供应优化方法 |
CN108900628A (zh) * | 2018-07-20 | 2018-11-27 | 南京工业大学 | 边缘计算环境中基于定价机制的微云计算资源分配方法 |
CN109067583A (zh) * | 2018-08-08 | 2018-12-21 | 深圳先进技术研究院 | 一种基于边缘计算的资源预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
YUNLONG GAO 等: "Optimal Resource Allocation for Scalable Mobile Edge Computing", 《IEEE COMMUNICATIONS LETTERS》 * |
陈建业: "移动边缘计算环境下的服务迁移策略设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112188627A (zh) * | 2020-09-27 | 2021-01-05 | 重庆邮电大学 | 一种基于状态预测的动态资源分配策略 |
CN112188627B (zh) * | 2020-09-27 | 2022-05-03 | 重庆邮电大学 | 一种基于状态预测的动态资源分配策略 |
CN112363829A (zh) * | 2020-11-03 | 2021-02-12 | 武汉理工大学 | 一种基于弹性尺度聚合的用户资源动态分配方法 |
CN112363829B (zh) * | 2020-11-03 | 2024-03-29 | 武汉理工大学 | 一种基于弹性尺度聚合的用户资源动态分配方法 |
US11616683B2 (en) | 2021-01-29 | 2023-03-28 | Beijing University Of Posts And Telecommunications | Deep reinforcement learning-based information processing method and apparatus for edge computing server |
CN115361453A (zh) * | 2022-08-17 | 2022-11-18 | 浙江大学中原研究院 | 一种面向边缘服务网络的负载公平卸载与迁移方法 |
CN115361453B (zh) * | 2022-08-17 | 2023-09-29 | 浙江大学中原研究院 | 一种面向边缘服务网络的负载公平卸载与迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110213097B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110213097A (zh) | 一种基于资源动态分配的边缘服务供应优化方法 | |
CN110187973A (zh) | 一种面向边缘计算的服务部署优化方法 | |
CN107612987B (zh) | 一种面向边缘计算基于缓存的服务供应优化方法 | |
Munir et al. | When edge computing meets microgrid: A deep reinforcement learning approach | |
CN107450982A (zh) | 一种基于系统状态的任务调度方法 | |
Zhang et al. | Energy-efficient workload allocation and computation resource configuration in distributed cloud/edge computing systems with stochastic workloads | |
Kumari et al. | An energy efficient smart metering system using edge computing in LoRa network | |
CN113419867B (zh) | 一种面向边云协同计算环境中节能的服务供应方法 | |
CN113993218A (zh) | 一种mec架构下基于多智能体drl的协作卸载和资源分配方法 | |
Wu et al. | Meccas: Collaborative storage algorithm based on alternating direction method of multipliers on mobile edge cloud | |
Munir et al. | Multi-agent meta-reinforcement learning for self-powered and sustainable edge computing systems | |
Gu et al. | Service management and energy scheduling toward low-carbon edge computing | |
Wu et al. | Towards collaborative storage scheduling using alternating direction method of multipliers for mobile edge cloud | |
Li et al. | Dynamic virtual machine consolidation algorithm based on balancing energy consumption and quality of service | |
Liu et al. | Computation offloading strategy for multi user mobile data streaming applications | |
CN107122235A (zh) | 基于应用优先级的公共基础设施资源调度方法 | |
CN113407249B (zh) | 一种面向位置隐私保护的任务卸载方法 | |
Lei et al. | Joint service placement and request scheduling for multi-SP mobile edge computing network | |
Wang et al. | Gradient scheduling with global momentum for asynchronous federated learning in edge environment | |
Lu et al. | A game theoretical balancing approach for offloaded tasks in edge datacenters | |
CN116302569A (zh) | 一种基于用户请求信息的资源分区智能化调度方法 | |
CN110392377A (zh) | 一种5g超密集组网资源分配方法及装置 | |
Hu et al. | Device scheduling and channel allocation for energy-efficient Federated Edge Learning | |
CN115185650A (zh) | 一种异构边缘算力网络任务调度方法 | |
Wu et al. | A computation offloading algorithm for cloud edge collaborative network based on sleep 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 |