CN110234127B - 一种基于sdn的雾网络任务卸载方法 - Google Patents
一种基于sdn的雾网络任务卸载方法 Download PDFInfo
- Publication number
- CN110234127B CN110234127B CN201910502165.1A CN201910502165A CN110234127B CN 110234127 B CN110234127 B CN 110234127B CN 201910502165 A CN201910502165 A CN 201910502165A CN 110234127 B CN110234127 B CN 110234127B
- Authority
- CN
- China
- Prior art keywords
- task
- unloading
- energy consumption
- network
- queue
- 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
- 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
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- 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
- H04L67/1029—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers using data related to the state of servers by a load balancer
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于SDN的雾网络任务卸载方法,属于移动通信技术领域。首先,针对雾节点在不同情况的任务卸载策略,采用动态服务节点更新方式建立志愿节点集,提高任务卸载效率。其次,为解决网络拥塞问题,本发明引入SDN技术,在网络信息资源交互过程中,通过SDN控制器实时监控网络负载,有效降低网络拥塞。此外,为提高网络资源利用率,本发明基于Lyapunov优化算法,充分考虑节点队列情况,将最小化任务卸载代价问题分解为最优传输功率分配和最优卸载方案两个子问题求解。本发明可降低系统总时延和能耗开销,实现任务队列的稳定和有效的资源分配。
Description
技术领域
本发明属于移动通信技术领域,涉及一种基于SDN的雾网络任务卸载方法。
背景技术
随着物联网(IoT)技术的发展,未来网络中将会接入数量巨大的资源有限的设备,由于这些节点计算能力有限,对于目前新型的应用程序,大多数终端设备的任务需要卸载决策,以获得满意的时延性能,如自动驾驶汽车,智能家庭设备、电子医疗、智能制造等。传统的网络中,这些任务通常被卸载到云中心,从而避免了长时间的处理延迟和本地终端设备资源不足的问题。然而,5G/IoT爆炸式增长的移动数据会给云服务器和所有无线链路带来沉重的网络负担,因此整个系统的性能将急剧下降。而由于终端设备和中央云之间的距离较远不能有效地支持时延敏感任务,因此,通过使用支持雾网络技术的这种更灵活高效的任务调度体系结构和方案达到优化端到端任务调度的时延性能。
在雾网络中,大量的FN分布在整个网络中,包括软件定义的网络(SDN)和网络功能虚拟化(NFV)技术的辅助使得通信、计算、中继、缓存和控制服务等功能可以灵活地部署在这些FN上。网络资源可以从中央云扩展到FN,这种新颖的网络结构提供了一个丰富的计算、通信和存储资源。在延时、能耗等性能方面,具有不同功能的FN可以联合调度以实现更好的系统性能。在雾网络中,FN具有数量大、部署灵活的特点,计算任务在任务节点上生成可分并被卸载到附近的FN而不是远端云服务器。因此,任务调度服务具有更好的服务质量(QoS),相比传统云计算能够更加有效利用任务节点现有的能力和附近资源。这些FN可以自愿贡献他们可用的资源服务相邻任务节点。
然而,在雾网络中,现有的卸载方案由于缺少对于整体网络资源和负载的监控,导致大量因网络拥塞产生的时延,针对以上现象,本发明提出一种基于SDN的雾网络任务卸载方法。针对雾节点在不同情况的任务卸载方案,采用动态服务节点更新的方式建立志愿节点集用以任务卸载,提高任务卸载的有效性。针对网络的动态负载做任务卸载决策时,可以采用软件定义网络(SDN)体系结构,在网络信息资源交互过程中,通过SDN控制器对于网络负载实时监控,有效的降低网络拥塞,做出最优的任务卸载决策。
综上所述,本发明为解决5G网络任务卸载的有效性,针对网络负载和节点能耗对任务卸载的影响,提出了一种基于SDN的雾网络任务卸载方法。建立志愿节点集作为备选卸载节点,保证用户业务处理的有效性。此外,SDN技术避免网络拥塞导致的时延损耗。为提高网络资源利用率,本发明基于Lyapunov优化算法,充分考虑节点队列情况,将最小化任务卸载代价问题分解为最优传输功率分配和最优卸载方案两个子问题求解。本发明可降低系统总时延和能耗开销,实现任务队列的稳定和有效的资源分配。
发明内容
本发明的目的在于解决雾网络中任务卸载决策问题。在卸载决策过程中,由于网络整体流量和设备负载的时变性,可能造成网络拥塞,从而增大任务处理时延。为保证任务卸载时效性、准确性,本发明引入SDN技术。在雾网络中的任务卸载网络框架包括三个平面,即用户平面、数据平面和控制平面;用户平面由产生卸载任务的用户组成;数据平面对应于雾网络中的雾节点;控制平面为网络中的SDN控制器,可作出任务卸载决策,并实现网络控制功能和传输功能的分离。
本模型中假设每个FN周期性上报当前时刻剩余处理能力比,上报周期为T,可反映当前时刻FN可用计算能力占总计算能力的比值,且所有FN可通过安装太阳能板进行能量补充。当用户平面产生任务,首先用户将卸载请求发送至SDN控制器,SDN控制器收到来自用户的卸载请求后,发送卸载指令至数据平面FN,FN向SDN上报当前时刻剩余处理能力比。上报剩余处理能力比不为0的FN称为志愿节点,其可以卸载用户端产生的任务;系统优化目标为任务卸载总代价,即任务处理时延与能耗之和,任务可通过本地执行或卸载到VN执行,根据最小化优化目标做出卸载决策。
当任务卸载到VN将形成任务队列,即存在队列时延。采用Lyapunov优化方法,联合优化任务卸载总代价和FN系统队列稳定性,做出最优决策。卸载决策综合考虑网络负载、FN剩余计算能力和FN处理队列长度,实现任务处理时延最小化。为达到上述目的,本发明提供如下技术方案:
本发明考虑在雾网络中,终端用户设备通过无线链路与网络中SDN控制器通信,SDN控制器是部署在雾网络层的虚拟设备,FN向SDN控制器上报自身剩余处理能力。用户终端设备产生的任务可通过本地执行或卸载到VN执行,计算结果传回用户设备。
一种基于SDN的雾网络任务卸载方法包括以下步骤:
S1:当用户设备任务到达时,计算本地执行的能耗及时延。同时,向SDN发送卸载请求;
本地处理能耗为:Eloc=li(t)ηkθk;其中θk是用户k一个CPU周期的能耗值,ηk是用户k处理1bit数据需要的CPU周期数;
S2:SDN控制器通过以下步骤建立VN集合:
1)SDN控制器收到用户任务卸载请求后,向数据平面所有FN发送卸载指令;
的FNi将向SDN控制器上报剩余处理能力比为0,该类节点称为非志愿节点;历史能耗低于阈值的FNi将根据当前时刻网络负载上报剩余处理能力比τi;SDN控制器收集所有FN的上报信息,形成志愿节点集合,并保存FN剩余能耗信息;
S4:采用Lyapunov优化方法联合优化卸载时延和能耗,选择最优VN作为备选卸载节点,称为帮助节点(Helpernode,HN)。在保证系统稳定性的同时,通过做出最优卸载决策,实现网络传输性能的最优化。
S5:比较本地执行和FN卸载的任务处理总时延和能耗,根据最小化优化目标做出卸载决策。
本发明的优点,包括:
在任务卸载过程中,备选卸载FN是具有卸载任务能力的VN,由于其当前负载较小,可避免由于任务拥塞造成处理时延增大。
在任务计算过程中,数据包队列呈动态变化,既有新的待处理数据包到达,也有已处理的数据包离开队列。在保持队列稳定下,优化任务卸载决策,可以减少任务卸载时延,提高用户传输体验。
以最小化整体网络任务卸载时延和能耗为目标做出最优任务卸载决策。当任务卸载到VN,任务卸载时延与队列时延,处理时延和传输时延相关。基于Lyapunov优化方程,可在保证队列稳定性的前提下,最小化任务卸载时延。
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、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为基于SDN的雾网络任务卸载场景示意图;
图2为基于SDN的VN集合建立流程图;
图3为基于SDN的雾网络任务卸载流程图;
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
参见图1,图1所示为基于SDN的雾网络任务卸载计算的场景模型图。其中网络由用户层、SDN控制器层和雾节点层构成,用户随机分布在网络中。用户任务到达后向SDN发出卸载请求,SDN根据任务相关需求信息及FN剩余能耗和计算资源计算得到卸载时延,并作出最优卸载决策。
假设在t时刻,SDN控制器收到用户k的N个任务数据包卸载请求,SDN控制器首先向FNi发送卸载指令,上报剩余处理能力比请求。FNi更新历史平均能耗及t时刻剩余计算能力,上报剩余处理能力比τi。SDN将t时刻剩余处理能力比τi小于给定阈值的FN i建立VN集合。
参见图2,图2为基于SDN的VN集合建立流程图。通过该方式可有效避免任务队列挤压,减小卸载时延,并提高用户通信质量。VN集合建立过程如下:
201、用户k发送卸载请求至SDN控制器,SDN控制器向FN发送节点τi上报请求;
Ei(t)=li(t)ηiθi
θi是FNi一个CPU周期的能耗值,ηi是FNi处理1bit数据需要的CPU周期数,处理结果的传输能耗本模型忽略不计。历史能耗值可反映FNi在t时刻的能量水平。
204、SDN控制器收集到所有FN上报的剩余处理能力比,建立VN集合,并根据VN集合信息进行VN筛选,作出卸载决策;
γi和βi是无线链路路径损耗和阴影因素。此外,Ii和n0分别为干扰功率和噪声功率谱密度。
设VN节点下行链路队列长度为Qi(t),VN数据包队列长度可以表示为:
t+1时刻的队列长度=t时刻队列长度-t时刻链路的发包数+t时刻数据包的到达数,则VN i的下行链路队列更新过程表示为:
Qi(t+1)=max{Qi(t)-Di(t),0}+Ai(t)
其中,Qi(0)=0,Ai(t)为VN i在t时刻的数据包到达数,其服从泊松分布。Di(t)为VN i在t时刻已卸载任务包数,每个数据包的大小为L,单位为bit,由此可得:
αk.i∈{0,1}表示用户k与VN i之间的连接指示变量,αk,i=1表示用户k与VN i连接,反之αk,i=0。
综上所述,为最小化系统总卸载时延和任务传输能耗,本优化问题可以表示为:
C2:0≤pi≤pmax,
约束条件C1在最小化任务卸载总代价的同时保证每个VN i队列稳定的需求;约束条件C2为单个用户的传输功率约束;约束条件C3为卸载任务的VN i最大传输功率约束;约束条件C4为卸载决策变量。αk,i=1表示用户k与VN i连接,反之αk,i=0,约束条件C5表示剩余处理能耗比和调节因子约束。
进一步,基于Lyapunov优化建模,步骤如下:
1)定义系统的Lyapunov函数:
L(Q(t))表示系统中队列的积压情况度量,取值越大表明系统中任务卸载请求的积压越多。
2)定义Lyapunov转移函数:
ΔQ(t)=E{L(Q(t+1))-L(Q(t))|Q(t)}
由此可得:
根据队列的状态更新方程可得:
Qi(t+1)2≤(Qi(t)-Di(t)+Ai(t))2
3)定义Lyapunov惩罚项:
4)系统优化问题转化:
s.t.C2~C5
根据Lyapunov优化理论,将最小化任务卸载总时延和能耗转化为每个时隙内最小化偏移函数加惩罚项,在保证系统队列稳定性前提下,最小化任务卸载代价。因此,在Lyapunov转移函数里加上Lyapunov惩罚项,即任务卸载到VN代价,可表示为:
其中,控制参数V>0是用于平衡对列稳定性和目标函数的权重因子。进一步,可得Lyapunov一阶转移惩罚项为:
据此,根据系统优化目标,可得到如下优化方程:
s.t.C1:0≤pi≤pmax,
本问题包含解决两个子问题:1)最优功率分配2)最优任务卸载决策。为降低问题的求解复杂度,通过拉格朗日对偶原理及次梯度更新方法进行求解可求得方案。采用拉格朗日对偶法求得最优功率分配,拉格朗日函数如下:
其中,αk和βm分别是约束条件C1和C2所对应的拉格朗日乘子,且对均满足αk≥0和βm≥0。假设存在最优解使得上式目标函数最优,且满足所有约束条件。根据KKT条件,可以通过拉格朗日函数L(p,αk,βm)对求导方程求解最优功率分配。
本发明提出基于SDN的雾网络任务卸载流程图如图3所示,包括以下步骤:
301、用户k产生任务;
302、用户k向SDN控制器发送卸载请求,SDN控制器计算任务本地总代价即处理时延和处理能耗和;
303、SDN控制器收到用户k的卸载请求,向FN发送卸载指令,根据网络中FNi上报的剩余处理能力上报比τi建立VN集合;
304、采用Lyapunov方程,在保证队列稳定的情况下,优化任务卸载时延和卸载能耗。卸载时延包括传输时延,队列时延和任务卸载时延,卸载能耗为任务传输能耗;
305、SDN控制器得到任务卸载总代价,并选择HN;
306、比较任务卸载代价和本地处理代价,用以是否制定卸载决策;
307、任务卸载总代价大于本地处理代价,任务直接在本地执行;
308、卸载节点能否满足任务处理时延阈值限定;
309、满足任务时延阈值限定,做出卸载决策αk,i;
310、不满任务时延阈值限定,选择队列较短的VN进行任务卸载;
311、根据卸载决策,得出最小卸载代价;
312、卸载决策结束。
Claims (1)
1.一种基于SDN的雾网络任务卸载方法,其特征在于:该方法根据所提网络场景的特性,联合优化任务卸载时延和卸载能耗来最小化卸载总开销,具体包括以下步骤:
S1:建立卸载服务志愿节点集;
S2:优化任务传输时网络资源分配;
S3:结合队列和任务卸载代价,优化卸载决策,最大化网络性能;
VN集合建立过程如下:
201、用户k发送卸载请求至SDN控制器,SDN控制器向FN发送节点τi上报请求;
Ei(t)=li(t)ηiθi
θi是FNi一个CPU周期的能耗值,ηi是FNi处理1bit数据需要的CPU周期数,处理结果的传输能耗本模型忽略不计;历史能耗值反映FNi在t时刻的能量水平;
204、SDN控制器收集到所有FN上报的剩余处理能力比,建立VN集合,并根据VN集合信息进行VN筛选,作出卸载决策;
γi和βi是无线链路路径损耗和阴影因素;Ii和n0分别为干扰功率和噪声功率谱密度;
设VN节点下行链路队列长度为Qi(t),VN数据包队列长度表示为:
t+1时刻的队列长度=t时刻队列长度-t时刻链路的发包数+t时刻数据包的到达数,则VNi的下行链路队列更新过程表示为:
Qi(t+1)=max{Qi(t)-Di(t),0}+Ai(t)
其中,Qi(0)=0,Ai(t)为VNi在t时刻的数据包到达数,其服从泊松分布;Di(t)为VNi在t时刻已卸载任务包数,每个数据包的大小为L,单位为bit,得:
αk.i∈{0,1}表示用户k与VNi之间的连接指示变量,αk,i=1表示用户k与VNi连接,反之αk,i=0;
为最小化系统总卸载时延和任务传输能耗,优化问题表示为:
C2:0≤pi≤pmax,
约束条件C1在最小化任务卸载总代价的同时保证每个VNi队列稳定的需求;约束条件C2为单个用户的传输功率约束;约束条件C3为卸载任务的VNi最大传输功率约束;约束条件C4为卸载决策变量;αk,i=1表示用户k与VNi连接,反之αk,i=0,约束条件C5表示剩余处理能耗比和调节因子约束;
基于Lyapunov优化建模,步骤如下:
1)定义系统的Lyapunov函数:
L(Q(t))表示系统中队列的积压情况度量,取值越大表明系统中任务卸载请求的积压越多;
2)定义Lyapunov转移函数:
ΔQ(t)=E{L(Q(t+1))-L(Q(t))|Q(t)}
得:
根据队列的状态更新方程得:
Qi(t+1)2≤(Qi(t)-Di(t)+Ai(t))2
3)定义Lyapunov惩罚项:
4)系统优化问题转化:
s.t.C2~C5
根据Lyapunov优化理论,将最小化任务卸载总时延和能耗转化为每个时隙内最小化偏移函数加惩罚项,在保证系统队列稳定性前提下,最小化任务卸载代价;在Lyapunov转移函数里加上Lyapunov惩罚项,即任务卸载到VN代价,表示为:
其中,控制参数V>0是用于平衡对列稳定性和目标函数的权重因子;得Lyapunov一阶转移惩罚项为:
据此,根据系统优化目标,得到如下优化方程:
s.t.C1:0≤pi≤pmax,
解决两个子问题:1)最优功率分配2)最优任务卸载决策;为降低问题的求解复杂度,通过拉格朗日对偶原理及次梯度更新方法进行求解求得方案;采用拉格朗日对偶法求得最优功率分配,拉格朗日函数如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502165.1A CN110234127B (zh) | 2019-06-11 | 2019-06-11 | 一种基于sdn的雾网络任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502165.1A CN110234127B (zh) | 2019-06-11 | 2019-06-11 | 一种基于sdn的雾网络任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110234127A CN110234127A (zh) | 2019-09-13 |
CN110234127B true CN110234127B (zh) | 2022-04-01 |
Family
ID=67858874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910502165.1A Active CN110234127B (zh) | 2019-06-11 | 2019-06-11 | 一种基于sdn的雾网络任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110234127B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110650497B (zh) * | 2019-09-29 | 2020-12-18 | 北京邮电大学 | 任务卸载、状态更新方法、装置、系统及相关设备 |
CN111124662B (zh) * | 2019-11-07 | 2022-11-08 | 北京科技大学 | 一种雾计算负载均衡方法及系统 |
CN111479242A (zh) * | 2020-04-01 | 2020-07-31 | 重庆邮电大学 | 一种由雾计算辅助车辆编队的任务卸载方法 |
CN111524034B (zh) * | 2020-05-12 | 2023-11-03 | 华北电力大学 | 高可靠低时延低能耗的电力巡检系统及巡检方法 |
CN111935205B (zh) * | 2020-06-19 | 2022-08-26 | 东南大学 | 雾计算网络中基于交替方向乘子法的分布式资源分配方法 |
CN111770073B (zh) * | 2020-06-23 | 2022-03-25 | 重庆邮电大学 | 一种基于区块链技术的雾网络卸载决策和资源分配方法 |
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 |
CN112040512B (zh) * | 2020-08-31 | 2023-09-15 | 三明市星辰科技有限责任公司 | 一种基于公平的雾计算任务卸载方法及系统 |
CN112839079B (zh) * | 2020-12-30 | 2022-02-22 | 华南理工大学 | 基于区块链和软件定义网络的体域网任务卸载方法及装置 |
CN115002108B (zh) * | 2022-05-16 | 2023-04-14 | 电子科技大学 | 一种智能手机担任计算服务节点的组网和任务卸载方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018017621A1 (en) * | 2016-07-18 | 2018-01-25 | Smartiply, Inc. | System and method for work distribution in a fog network via code offloading |
CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
CN108112037A (zh) * | 2018-01-10 | 2018-06-01 | 西安邮电大学 | 基于雾计算和协作通信网络的负载均衡方法 |
CN109343904A (zh) * | 2018-09-28 | 2019-02-15 | 燕山大学 | 一种基于Lyapunov优化的雾计算动态卸载方法 |
EP3447448A1 (en) * | 2017-07-24 | 2019-02-27 | PerceptIn, Inc. | Fault-tolerance to provide robust tracking for autonomous and non-autonomous positional awareness |
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 |
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 |
CN109756578A (zh) * | 2019-02-26 | 2019-05-14 | 上海科技大学 | 一种面向动态雾计算网络的低时延任务调度方法 |
CN109802998A (zh) * | 2018-12-28 | 2019-05-24 | 上海无线通信研究中心 | 一种基于博弈的雾网络协同调度激励方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3396607A1 (en) * | 2017-04-28 | 2018-10-31 | Tata Consultancy Services Limited | Systems and methods for dynamic semantic resource discovery in fog-robot networks |
-
2019
- 2019-06-11 CN CN201910502165.1A patent/CN110234127B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018017621A1 (en) * | 2016-07-18 | 2018-01-25 | Smartiply, Inc. | System and method for work distribution in a fog network via code offloading |
CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
EP3447448A1 (en) * | 2017-07-24 | 2019-02-27 | PerceptIn, Inc. | Fault-tolerance to provide robust tracking for autonomous and non-autonomous positional awareness |
CN108112037A (zh) * | 2018-01-10 | 2018-06-01 | 西安邮电大学 | 基于雾计算和协作通信网络的负载均衡方法 |
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 |
CN109343904A (zh) * | 2018-09-28 | 2019-02-15 | 燕山大学 | 一种基于Lyapunov优化的雾计算动态卸载方法 |
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 |
CN109802998A (zh) * | 2018-12-28 | 2019-05-24 | 上海无线通信研究中心 | 一种基于博弈的雾网络协同调度激励方法及系统 |
CN109756578A (zh) * | 2019-02-26 | 2019-05-14 | 上海科技大学 | 一种面向动态雾计算网络的低时延任务调度方法 |
Non-Patent Citations (2)
Title |
---|
Incentive Propagation Mechanism of Computation Offloading in Fog-enabled D2D Networks;Liu Yang;《2018 IEEE 23rd International Conference on Digital Signal Processing (DSP)》;20190204;全文 * |
雾网络中的计算卸载与边缘缓存方法研究;赵小惠;《中国优秀硕士论文合辑》;20180316;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110234127A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110234127B (zh) | 一种基于sdn的雾网络任务卸载方法 | |
CN110099384B (zh) | 基于边-端协同的多用户多mec任务卸载资源调度方法 | |
CN111953759B (zh) | 基于强化学习的协同计算任务卸载和迁移的方法及装置 | |
Zhao et al. | Contract-based computing resource management via deep reinforcement learning in vehicular fog computing | |
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
Dai et al. | UAV-assisted task offloading in vehicular edge computing networks | |
CN111930436B (zh) | 一种基于边缘计算的随机型任务排队卸载优化方法 | |
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 | |
Sun et al. | Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning | |
CN111538587B (zh) | 一种基于负载均衡的服务功能链重配置方法 | |
CN112039965B (zh) | 一种时间敏感网络中的多任务卸载方法及系统 | |
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 | |
Yao et al. | Task allocation in fog-aided mobile IoT by Lyapunov online reinforcement learning | |
CN111953758A (zh) | 一种边缘网络计算卸载和任务迁移方法及装置 | |
CN114138373B (zh) | 一种基于强化学习的边缘计算任务卸载方法 | |
Munir et al. | Intelligent service fulfillment for software defined networks in smart city | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
CN112416603B (zh) | 一种基于雾计算的联合优化系统和方法 | |
Tong et al. | Dynamic energy-saving offloading strategy guided by Lyapunov optimization for IoT devices | |
CN114567598A (zh) | 一种基于深度学习和跨域协作的负载均衡方法及装置 | |
Tham et al. | A load balancing scheme for sensing and analytics on a mobile edge computing network | |
CN114173379A (zh) | 一种基于5g专网分流器的多用户计算卸载方法 | |
Wang et al. | Task allocation mechanism of power internet of things based on cooperative edge computing | |
Akhavan et al. | Deep reinforcement learning for online latency aware workload offloading in mobile edge computing | |
Zhong et al. | Rate-aware fuzzy clustering and stable sensor association for load balancing in WSNs |
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 |