CN110362952B - 一种快速计算任务分流方法 - Google Patents
一种快速计算任务分流方法 Download PDFInfo
- Publication number
- CN110362952B CN110362952B CN201910672309.8A CN201910672309A CN110362952B CN 110362952 B CN110362952 B CN 110362952B CN 201910672309 A CN201910672309 A CN 201910672309A CN 110362952 B CN110362952 B CN 110362952B
- Authority
- CN
- China
- Prior art keywords
- cost
- formula
- cloud server
- calculation
- computing
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000013499 data model Methods 0.000 claims abstract description 6
- 238000005265 energy consumption Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 2
- 238000007670 refining Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种快速计算任务分流方法,先建立参数化系统大数据模型,然后参数化云服务器计算过程,再基于云计算给出成本公式,然后运用蒙特卡洛(Monte Carlo)思想设计分流算法,最后按照分流算法对快速计算任务进行分流;通过细化经济成本公式,充分考虑金钱花费这一重要因素,以降低经济成本;本方法针对多设备系统的大数据计算,充分考虑到使用云服务器进行计算迁移时消耗的时间,能量和经济成本,并基于蒙特卡洛思想给出了分流算法以得到理想决策。
Description
技术领域
本发明涉及云计算技术领域,尤其涉及的是一种快速计算任务分流方法。
背景技术
当本地服务器计算能力有限时,系统面临是否将计算任务分流至云服务器的问题,并涉及时间延迟,能量消耗,经济成本诸多待衡量因素。计算迁移可解决本地服务器计算资源受限的困扰,它将密集的计算任务从本地发送到远程设备即云端服务器执行,但这一操作涉及成本问题。
如专利CN 105335215 A(公布日 2016.2.17)公开了“一种基于云计算的蒙特卡洛仿真加速方法及系统”,该专利公开了在云端设置仿真用的虚拟服务器,再利用蒙特卡洛法随机生成仿真参数,但该专利完全未考虑数据传输过程。
又如专利CN 105100500 A(公布日 2015.11.25)公开了“基于移动云计算的临界数据卸载方法”,该专利虽然可以解决临界数据卸载,即决策是否上传数据云计算的问题,但该专利完全未考虑使用云服务器的经济成本,且其运用的蒙特卡洛估计法仅适于单台设备决定阈值,当面临多台设备大数据情况时效果将大打折扣。
因此,现有技术还有待于改进和发展。
发明内容
本发明的目的在于提供一种快速计算任务分流方法,旨在解决通过计算迁移解决本地服务器计算资源受限的方式存在时间延迟,能量消耗大,经济成本高的问题。
本发明的技术方案如下:一种快速计算任务分流方法,其中,具体包括以下步骤:
步骤S1:为本地服务器建立参数化系统大数据模型;
步骤S2:参数化云服务器计算过程;
步骤S3:基于云服务器计算给出成本公式;
步骤S4:运用蒙特卡洛思想设计分流算法;
步骤S5:按照分流算法对快速计算任务进行分流。
所述的快速计算任务分流方法,其中,所述步骤S1包括以下步骤:
所述的快速计算任务分流方法,其中,所述步骤S2包括以下步骤:
步骤S25:定义使用云服务器计算的经济成本为:
其中,为时间阈值,为时间段,代表≥情况下云服务器CPU运行能力的花费比例,代表≥情况下云服务器CPU租赁时间的花费比例;代表<情况下云服务器CPU运行能力的花费比例,代表<情况下云服务器CPU租赁时间的花费比例。
所述的快速计算任务分流方法,其中,所述步骤S3包括以下步骤:
步骤S33:设定一次计算下用户对各项成本的容忍度;
所述的快速计算任务分流方法,其中,所述步骤S33包括以下步骤:
所述的快速计算任务分流方法,其中,所述步骤S4包括以下步骤:
步骤S41:优化蒙特卡洛思想;
步骤S42:设定分流算法。
所述的快速计算任务分流方法,其中,所述步骤S41包括以下步骤:
步骤S411:说明采样对象;
所述的快速计算任务分流方法,其中,所述步骤S42包括以下步骤:
本发明的有益效果:本发明通过提供一种快速计算任务分流方法,先建立参数化系统大数据模型,然后参数化云服务器计算过程,再基于云计算给出成本公式,然后运用蒙特卡洛(Monte Carlo)思想设计分流算法,最后按照分流算法对快速计算任务进行分流;通过细化经济成本公式,充分考虑金钱花费这一重要因素,以降低经济成本;本方法针对多设备系统的大数据计算,充分考虑到使用云服务器进行计算迁移时消耗的时间,能量和经济成本,并基于蒙特卡洛思想给出了分流算法以得到理想决策。
附图说明
图1是本发明中快速计算任务分流方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。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在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
蒙特卡洛 (Monte Carlo) 方法,也可称作随机取样试验方法,它以概率统计理论为基础,和一般的数值计算不同。尤其在决策需考虑情况较多,或者说计算的时间复杂度(O(n)并非n)的多项式级时,求解问题的时间花费往往难以承受,便可使用蒙特卡洛法随机决策迅速找到可接受的优解。本快速计算任务分流方法基于蒙特卡洛的系统大数据处理的云计算分流算法,解决了当本地服务器计算能力有限时,系统面临是否将计算任务分流至云服务器的问题,并充分考虑时间延迟,能量消耗,经济成本诸多待衡量因素。
如图1所示,一种快速计算任务分流方法,一般应用在系统有多台设备需要处理大量图像,但本地服务器计算能力有限,难以全部完成运用了深度学习的图像识别计算任务;此时需考虑是否进行计算任务迁移;首先要为本地系统包含的大数据定义各变量及参数化以完成建模。具体包括以下步骤:
步骤S1:为本地服务器建立参数化系统大数据模型。本地服务器计算时,其CPU运行会产生时间和能量的消耗,需对此做参数化处理。
步骤S2:参数化云服务器计算过程。
步骤S24:定义计算迁移时传输数据产生的经济成本为 式7,其中即代表经济成本函数,它取决于数据大小,和两者可以呈线性关系或多项式关系等等,为了减缓本方法,本技术方案定义一种简单线性模型, 式8,其中、均大于0。
步骤S25:定义使用云服务器计算的经济成本为(本技术方案通过细化经济成本公式,充分考虑到金钱花费这一重要因素):
式9代表了两种收费方式,当运算时间超过阈值时,云服务器计算所需时间较长,我们选择按时间段长时间租用云服务器的收费方式,代表≥情况下云服务器CPU运行能力的花费比例,代表≥情况下云服务器CPU租赁时间的花费比例,、一般较小;若运算时间较短,即<,选择直接按时长计费的模式,代表<情况下云服务器CPU运行能力的花费比例,代表<情况下云服务器CPU租赁时间的花费比例,、一般较大。注意由此我们无需再考虑云服务器计算过程的能量消耗。
步骤S3:基于云服务器计算给出成本公式。
由于本地服务器计算能力有限,我们可能需要将图片上传至云服务器端利用其云计算能力,如步骤S1、步骤S2所述所有过程都会产生各种成本,包括时间成本,经济成本,以及消耗的能量,综合各成本我们设定了一个成本计算公式。
步骤S31:设定本地服务器计算成本公式为: 式10,权值、区间在(0,1),、衡量了用户是更愿意花费时间还是消耗能量,例如极端情况下有=099、=0.01,说明用户只希望节省时间而几乎不考虑能量消耗。
步骤S32: 设定云服务器计算成本公式为:
步骤S33:设定一次计算下用户对各项成本的要求或容忍度。
步骤S4:运用蒙特卡洛(Monte Carlo)思想设计分流算法。
步骤S1、步骤S2、步骤S3逐步说明了该系统在不同选择情况下进行多次计算时产生的各项成本,而如何决定是否选择云计算即如何分流以达到降低成本的目标,我们运用了蒙特卡洛(Monte Carlo)思想来设计分流算法。
步骤S41:优化蒙特卡洛思想。蒙特卡洛基本思想即通过随机采样使用频率估计概率,我们先设定了一阈值判断是否进行随机采样,达成优化。
步骤S412:设定一值,如果同时计算次数N小于,说明计算规模较小,可以遍历的选择进行计算,即考虑种情况,在满足步骤S33中的容忍度要求的前提下,取成本最低的结果即可;如果N大于,计算规模较大,我们无法遍历种情况找到最优解,于是运用蒙特卡洛思想随机决策得到分流算法。
步骤S42:设定分流算法。
通过伪代码实现步骤S4中的分流算法:
else:
break;
else
continue;
end if
end for
end if
步骤S5:按照分流算法对快速计算任务进行分流。
本技术方案中,先建立参数化系统大数据模型,然后参数化云服务器计算过程,再基于云计算给出成本公式,然后运用蒙特卡洛(Monte Carlo)思想设计分流算法,最后按照分流算法对快速计算任务进行分流;通过细化经济成本公式,充分考虑金钱花费这一重要因素,以降低经济成本;本方法针对多设备系统的大数据计算,充分考虑到使用云服务器进行计算迁移时消耗的时间,能量和经济成本,并基于蒙特卡洛思想给出了分流算法以得到理想决策。
在本说明书的描述中,参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种快速计算任务分流方法,其特征在于,具体包括以下步骤:
步骤S1:为本地服务器建立参数化系统大数据模型;
所述步骤S1包括以下步骤:
步骤S2:参数化云服务器计算过程;
所述步骤S2包括以下步骤:
步骤S25:定义使用云服务器计算的经济成本为:
其中,为时间阈值,为时间段,代表≥情况下云服务器CPU运行能力的花费比例,代表≥情况下云服务器CPU租赁时间的花费比例;代表<情况下云服务器CPU运行能力的花费比例,代表<情况下云服务器CPU租赁时间的花费比例;
步骤S3:基于云服务器计算给出成本公式;
所述步骤S3包括以下步骤:
步骤S33:设定一次计算下用户对各项成本的容忍度;
步骤S4:运用蒙特卡洛思想设计分流算法;
所述步骤S4包括以下步骤:
步骤S41:优化蒙特卡洛思想;
步骤S42:设定分流算法;
所述步骤S41包括以下步骤:
步骤S411:说明采样对象;
所述步骤S42包括以下步骤:
步骤S5:按照分流算法对快速计算任务进行分流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672309.8A CN110362952B (zh) | 2019-07-24 | 2019-07-24 | 一种快速计算任务分流方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672309.8A CN110362952B (zh) | 2019-07-24 | 2019-07-24 | 一种快速计算任务分流方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110362952A CN110362952A (zh) | 2019-10-22 |
CN110362952B true CN110362952B (zh) | 2022-12-20 |
Family
ID=68219807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910672309.8A Active CN110362952B (zh) | 2019-07-24 | 2019-07-24 | 一种快速计算任务分流方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110362952B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158912B (zh) * | 2019-12-30 | 2023-04-21 | 天津大学 | 云雾协同计算环境下一种基于深度学习的任务卸载决策方法 |
CN113238839B (zh) * | 2021-04-26 | 2022-04-12 | 深圳微品致远信息科技有限公司 | 一种基于云计算数据管理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045515A1 (zh) * | 2014-09-23 | 2016-03-31 | 同济大学 | 基于用户满意度的云任务调度算法 |
CN107682443A (zh) * | 2017-10-19 | 2018-02-09 | 北京工业大学 | 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法 |
CN109884897A (zh) * | 2019-03-21 | 2019-06-14 | 中山大学 | 一种基于深度强化学习的无人机任务匹配与计算迁移方法 |
CN109992479A (zh) * | 2019-03-31 | 2019-07-09 | 西安电子科技大学 | 一种多维度kpi数据异常定位方法、装置及计算机设备 |
-
2019
- 2019-07-24 CN CN201910672309.8A patent/CN110362952B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045515A1 (zh) * | 2014-09-23 | 2016-03-31 | 同济大学 | 基于用户满意度的云任务调度算法 |
CN107682443A (zh) * | 2017-10-19 | 2018-02-09 | 北京工业大学 | 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法 |
CN109884897A (zh) * | 2019-03-21 | 2019-06-14 | 中山大学 | 一种基于深度强化学习的无人机任务匹配与计算迁移方法 |
CN109992479A (zh) * | 2019-03-31 | 2019-07-09 | 西安电子科技大学 | 一种多维度kpi数据异常定位方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
针对移动云计算任务迁移的快速高效调度算法;史雯隽等;《计算机科学》;20180415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110362952A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN108920280B (zh) | 一种单用户场景下的移动边缘计算任务卸载方法 | |
CN110971706B (zh) | Mec中近似最优化与基于强化学习的任务卸载方法 | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN110543336B (zh) | 基于非正交多址接入技术的边缘计算任务卸载方法及装置 | |
CN111641973B (zh) | 一种雾计算网络中基于雾节点协作的负载均衡方法 | |
CN110362952B (zh) | 一种快速计算任务分流方法 | |
CN112882815A (zh) | 基于深度强化学习的多用户边缘计算优化调度方法 | |
CN113760511B (zh) | 一种基于深度确定性策略的车辆边缘计算任务卸载方法 | |
CN112988285B (zh) | 任务卸载方法和装置、电子设备及存储介质 | |
CN113568727A (zh) | 一种基于深度强化学习的移动边缘计算任务分配方法 | |
CN112261120B (zh) | 一种配电物联网云边协同任务卸载方法及装置 | |
KR102350195B1 (ko) | 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템 | |
Batewela et al. | Risk-sensitive task fetching and offloading for vehicular edge computing | |
CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
CN113159190A (zh) | 联邦激励分配方法、装置、计算机设备及存储介质 | |
Zhang et al. | Effect: Energy-efficient fog computing framework for real-time video processing | |
CN115473896A (zh) | 基于dqn算法的电力物联网卸载策略和资源配置优化方法 | |
CN116996938A (zh) | 车联网任务卸载方法、终端设备及存储介质 | |
CN113515324B (zh) | 一种基于有向无环图的卸载决策的协同边缘计算方法、装置、电子设备及存储介质 | |
CN111158893B (zh) | 应用于雾计算网络的任务卸载方法、系统、设备及介质 | |
CN113673532A (zh) | 量化模型的优化方法及装置 | |
Lyu et al. | Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm | |
CN111124439B (zh) | 一种云边协同的智能动态卸载算法 | |
CN112822264B (zh) | 一种dnn任务卸载的方法 |
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 |