CN110392079A - 面向雾计算的节点计算任务调度方法及其设备 - Google Patents
面向雾计算的节点计算任务调度方法及其设备 Download PDFInfo
- Publication number
- CN110392079A CN110392079A CN201810360061.7A CN201810360061A CN110392079A CN 110392079 A CN110392079 A CN 110392079A CN 201810360061 A CN201810360061 A CN 201810360061A CN 110392079 A CN110392079 A CN 110392079A
- Authority
- CN
- China
- Prior art keywords
- task
- equipment
- mist
- immigration
- calculating task
- 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
- 239000003595 mist Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 30
- 238000005265 energy consumption Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000001413 cellular effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 230000005012 migration Effects 0.000 abstract description 13
- 238000013508 migration Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- 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
- H04L67/1004—Server selection for load balancing
- H04L67/1014—Server selection for load balancing based on the content of a request
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0215—Traffic management, e.g. flow control or congestion control based on user or device properties, e.g. MTC-capable devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
-
- 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
Abstract
本发明公开了一种面向雾计算的节点计算任务调度方法及其设备。在该方法中,计算用户设备与临近设备之间进行任务计算和任务迁移时的能效;通过数学优化方法,求得用户设备与临近设备进行任务迁移的最优能效通信时间以及相应的任务迁移量;承担计算任务的用户设备根据最优能效通信时间以及相应的任务迁移量,将计算任务迁移给空闲的临近设备进行计算。利用本发明,用户设备周边的空闲设备可以实现计算任务的最优迁移,从而共享其计算资源,使得资源受限的用户设备将过多的计算任务迁移到附近资源充足的空闲设备,最大程度地降低了业务时延,实现通信的高能效性。
Description
技术领域
本发明涉及一种面向雾计算的节点计算任务调度方法,同时涉及一种实施该节点计算任务调度方法的雾计算设备,属于计算通信技术领域。
背景技术
随着网络架构的持续演进,云计算、雾计算等先进的分布式计算概念被陆续提出,用于应对爆发式增长的数据流量需求和低时延业务的挑战。云计算(Cloud Computing)将存储、控制、处理能力都集中在功能强大的云服务器中,利用集中式数据处理和资源管理,提高了网络的资源利用效率和能量效率。雾计算(Fog Computing)是弥散在人们身边的云计算。在雾计算中,数据、数据处理和应用程序集中在网络边缘设备中,而不是全部几乎保存在云服务器中。
与云计算相比,雾计算主要依赖的不是位于中心位置的云服务器,而是用离本地设备较近的分布式计算机资源。如图1所示,典型的雾计算网络系统利用了从云服务器到网络边缘设备、直至用户设备的计算、存储、通信、管理等功能,形成了从云服务器到终端的连续服务区域。该网络边缘设备可以是传统的网络设备,例如早已部署在网络中的基站、路由器、交换机、网关等,也可以是专门部署的本地服务器。雾计算将云端的边界靠近本地服务器(连接到物联网)的“边缘”,而不像云计算那样将它们几乎全部保存在云中。可见与飘在远端的云计算不同,雾计算就是让计算单元像雾气一样弥散在人们周围,从而实现计算资源最高效的利用。
在雾计算网络系统中,设备与设备之间可以实现直接通信而不需要基站等网络设备的帮助,它能够提升数据传输的频谱效率以及实现高效的负载均衡。基于这些优势,设备间直接通信将会在下一代无线通信中占据主要位置。另一方面,移动应用变得越来越复杂,由于这些复杂的应用具有低时延的需求,使得用户设备需要大量的计算和通信资源来保证实时性。因此,将用户设备的计算任务迁移到临近的空闲设备,可以实现资源的共享并保证低时延的高效运作,具有很好的应用前景。
发明内容
本发明所要解决的首要技术问题在于提供一种面向雾计算的节点计算任务调度方法。
本发明所要解决的又一技术问题在于提供一种实施上述节点计算任务调度方法的雾计算设备。
为实现上述的发明目的,本发明采用下述的技术方案:
根据本发明实施例的第一方面,提供一种面向雾计算的节点计算任务调度方法,包括如下步骤:
计算用户设备与临近设备之间进行任务计算和任务迁移时的能效;
通过数学优化方法,求得用户设备与临近设备进行任务迁移的最优能效通信时间以及相应的任务迁移量;
承担计算任务的用户设备根据所述最优能效通信时间以及相应的任务迁移量,将计算任务迁移给空闲的临近设备进行计算。
其中较优地,所述用户设备与所述临近设备之间通过机会式频谱共享机制复用蜂窝网络的频谱,实现设备间直接通信。
其中较优地,所述用户设备通过时分复用方式或者正交频分多址接入方式将计算任务迁移给所述临近设备。
其中较优地,所述能效通过如下公式计算获得:
其中,uee为能效,l为用户设备的任务迁移量,Ei为任务迁移的能量消耗,Ere为任务计算的能量消耗,E0为电路能量消耗,K为正整数。
其中较优地,所述任务迁移量其中表示成功接入第j个频谱资源的概率,为第i对设备间直接通信在时隙T内获得的平均传输时间,W和bi,j分别表示带宽和传输的调制方式,i、j均为正整数。
其中较优地,所述任务迁移的能量消耗其中表示成功接入第j个频谱资源的概率,为第i对设备间直接通信在时隙T内获得的平均传输时间,f(bi,j)为任务迁移的功率表达式,i、j均为正整数。
其中较优地,其中σ2为噪声功率,ε任务迁移采用调制方式为bi,j时的符号差错概率,φ(di,i)表示设备间距离为di,i时的信道衰落参数。
根据本发明实施例的第二方面,提供一种雾计算设备,包括处理器和存储器,所述处理器读取所述存储器中的计算机程序,用于执行以下操作:
计算本雾计算设备与临近的雾计算设备之间进行任务计算和任务迁移时的能效;
通过数学优化方法,求得本雾计算设备与临近的雾计算设备进行任务迁移的最优能效通信时间以及相应的任务迁移量;
承担计算任务的雾计算设备根据所述最优能效通信时间以及相应的任务迁移量,将计算任务迁移给临近的空闲雾计算设备进行计算。
其中较优地,本雾计算设备与临近的雾计算设备之间通过机会式频谱共享机制复用蜂窝网络的频谱,实现设备间直接通信。
其中较优地,本雾计算设备通过时分复用方式或者正交频分多址接入方式将计算任务迁移给临近的雾计算设备。
与现有技术相比较,本发明所提供的节点计算任务调度方法及其设备能够用尽可能少的迁移能量处理处理尽可能多的计算任务。利用本发明,用户设备周边空闲的用户设备(简称为空闲设备)可以实现计算任务的最优迁移,从而共享其计算资源(CPU、GPU等),使得资源受限的用户设备将过多的计算任务(在线游戏、虚拟现实仿真等)迁移到附近资源充足的空闲设备,最大程度地降低了业务时延,实现通信的高能效性。
附图说明
图1为典型的雾计算网络系统的工作场景示例图;
图2为用于实施本发明的雾计算网络系统的示例图;
图3为本发明的实施例中,实现计算任务卸载的操作流程图;
图4为不同的计算任务迁移方法在能效上的性能比较仿真图;
图5为用于实施本发明的雾计算设备的结构示例图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
在雾计算网络系统中,运算资源对于接入本地网络的不定向用户公开,谁需要使用谁提出申请,以共享方式提高资源利用率,以冗余方式提高整个网络系统的可靠性。在这种运算资源分配方式下,对于其中的任务密集型用户,如果将计算任务迁移到云服务器中,整个网络系统的功率消耗以及数据访问的时延都是比较大的。另一方面,将计算任务迁移到云服务器中,对服务器造成的负担比较重,会影响用户对业务访问的需求。而将计算任务迁移到装备有服务器的临近小基站中,对远端用户同样存在类似的问题。
为此,本发明所提供的节点计算任务调度方法首先研究了雾计算网络系统进行任务计算和任务迁移时的能量消耗,然后根据系统约束条件采用数学优化方法解决整体能效优化的问题,最后根据数学优化的解得到用户设备与每个临近的用户设备(简称为临近设备)配对传输时实现最优能效的通信时间以及迁移到每个临近设备的最优任务量。
下面对上述节点计算任务调度方法展开详细具体的说明。
首先,结合表1介绍本发明所用到的一些新的技术概念及其参数。
表1参数对照关系表
假设作为雾计算设备的用户设备S需要在一个时隙内计算的任务量为RS,其中有l-bit的任务量需要迁移到临近设备中,而另外的(RS-l)-bit通过自身的中央处理器(CPU)进行计算。一般来说,大部分的任务计算后的结果相对于任务本身来说数据量是很小的,这里可以假设临近设备将计算结果反馈给用户设备的时间和能量开销可以忽略不计。
令蜂窝网络频谱资源块的集合为M={1,2,…,Nm},用户设备通过时分复用方式将计算任务迁移到K(K为正整数)个临近设备,任意设备与设备通信组i可以随机分配任意大小的时间资源τi,i∈{1,2,…,K}。令第i对设备与设备通信组使用第j个资源块进行任务迁移的功率消耗为Pi,j而噪声功率为σ2。
假设所有的雾计算设备具有相同的电路功率消耗P0,相应地在迁移时间T消耗的电路能量为E0。与传统的能效定义类似,这里的能效考虑了计算任务迁移时的能量消耗Eoff和任务计算时的能量消耗Ecomp。因此,本发明中的能效可以定义为最小的能量消耗迁移最多的任务量,考虑用户设备迁移的任务量为l,则能效可以表示为:
另一方面,在雾计算网络系统中,计算任务迁移的常见方式包括以下两种:
将计算任务迁移到在云服务器
将计算任务迁移到临近小基站
和传统云服务器或者基站端的任务迁移相比,基于设备间直接通信的任务迁移可以根据临近设备的计算资源以及计算能量消耗进行最优能效的任务迁移,保证每个临近设备迁移最优的任务量。因此,基于最优能效的节点计算任务调度方法能否成功应用的关键在于如何根据能效的表达式求解出最优解的问题。
为解决上述问题,在图2所示的雾计算网络系统中,假设设备间直接通信使用的频谱资源是通过机会式频谱共享机制(即当蜂窝系统没有占用某段频谱资源时,雾计算网络系统复用该段空闲的频谱资源。这种频谱共享机制主要通过雾计算设备对频谱的监测来实现)的方式接入蜂窝通信的频谱资源,根据定义可以得到第i对设备间直接通信在时隙T内获得的平均传输时间为其中表示成功接入第j个频谱资源的概率。相应地,可以得到第i对设备间通信能够迁移的任务量为其中W和bi,j分别表示带宽和传输的调制方式。当任务迁移采用调制方式为bi,j时的符号差错概率为
其中,χi,j表示接收的信噪比。根据机会式频谱共享机制的工作原理,可以得到第i对设备间通信的接收信噪比表达式为其中φ(di,i)表示设备间距离为di,i时的信道衰落参数。
根据函数关系可以得到误符号率的近似解以及任务迁移的功率表达式为
代入频谱共享功率以及时间资源分配,可以得到第i对设备间通信组的任务迁移的能量消耗为其中
由于计算任务可以迁移到K个临近设备,总的任务迁移能量消耗可以表示为
在X.Chen,L.Jiao,W.Li,and X.Fu共同发表的论文《“Efficient multi-usercomputation offloading for mobile-edge cloud computing》(刊载于《IEEE/ACMTrans.Networking》,vol.24,no.5,pp.2795-2808,Oct.2016)中,提出了利用设备与设备间通信将计算任务进行迁移的技术思想,但该论文没有充分考虑能效的问题。在本发明中,借鉴该论文所提供的技术思想,假设第i个临近设备计算1-bit任务所需要的CPU周期为Cre,i,一个周期的计算所消耗的能量为Pre,i。则Cre,iPre,i可以表示为计算1-bit所消耗的能量。假设第i个临近设备所需要计算的任务量为li-bit,则该设备所消耗的计算能量可以表示为Ere,i,根据之前的推导可以得到:
在这里,可以假设不同临近设备的CPU频率可以不同,而同一个设备的CPU频率是固定的。
根据上文中推导出的任务计算和任务迁移的能量消耗闭式表达式以及能效的定义,可以得到在迁移计算任务的过程中,整个雾计算网络系统的能效表达式为:
为了实现整个雾计算网络系统的最优能效,通过计算可以得到所需要的任务迁移量。因此,根据系统约束条件可以得到需要解决的优化问题为:
s.t.bi,j∈[bmin,bmax],
Cre,ili≤Ci,
li≥0,
τi≥0.
将上述优化问题可以转化为等价的低复杂度问题其中 通过数学优化方法,可以求得每对设备间直接通信组i进行任务迁移的最优能效通信时间以及相应的任务迁移量
最后,承担计算任务的雾计算设备根据最优能效通信时间以及相应的任务迁移量将计算任务迁移给空闲的临近设备进行计算。当需要进行任务迁移时,数据发送端采用最优能效的调制方式进行数据传输。所谓最优能效的调制方式是指数据传输的符号中包含最优能效的比特数量,即优化问题求解的bi,j。
下面结合一个具体实施例对本发明所提供的节点计算任务调度方法进行说明。在该实施例中,雾计算网络系统中的任务设备S和临近设备B能够配对进行通信。任务设备S需要进行计算任务卸载。由于这些设备之间的直接通信没有自己的频谱资源,需要复用蜂窝网络的频谱资源。因此,假设使用蜂窝网络中的频谱资源实现设备间直接通信,并且通过机会式频谱共享机制复用蜂窝网络的频谱。参见图3所示,该实施例中实现计算任务卸载的具体步骤如下:
步骤A1:根据需要迁移的整个任务量以及迁移能量、计算能量消耗,得到能效表达式:
步骤A2:根据系统约束条件得到计算任务迁移的能效优化问题
步骤A3:根据能效闭式表达式的形式,将上述优化问题等价为低复杂度的优化问题
步骤A4:通过数学优化方法得到最优的时间资源分配和任务迁移量
步骤A5:假设任务设备S有K个临近设备,任务设备S通过TDMA(时分多址)方式或者正交频分多址接入方式(采用该方式需要结合多天线技术),基于上述最优的时间资源分配和任务迁移量将计算任务分别迁移到这K个临近设备中。
在求解算法最优解的过程中,最优的任务迁移量的计算方法可以通过低复杂度的算法得到。具体地说,首先将原始优化问题转化为如下问题:
其中,然后,证明上述优化问题等价于求解如下问题:
最后,通过低计算复杂度的迭代凸优化方法可以求解得到最优解。
图4显示了不同的计算任务迁移方法在能效上的性能比较仿真结果。从仿真结果对比可以看到,本发明所提供的最优能效(包括最优时间分配和最优迁移速率)的计算任务迁移方案在性能上总是优于传统的方案。并且,在同样的时间资源分配条件下,选择最优能效的传输速率进行任务迁移会在性能上有很大的增益。
进一步地,本发明还提供一种实施上述节点计算任务调度方法的雾计算设备。如图5所示,该雾计算设备至少包括处理器和存储器,还可以根据实际需要进一步包括通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口。其中,存储器、通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口均与该处理器连接。在本发明的实施例中,雾计算设备中的存储器可以是静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等,处理器可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。其它通信组件、传感器组件、电源组件、多媒体组件等均可以采用现有智能手机中的通用部件实现,在此就不具体说明了。
在上述的雾计算设备中,处理器读取存储器中的计算机程序,用于执行以下操作:计算用户设备与临近设备之间进行任务计算和任务迁移时的能量消耗;通过数学优化方法,求得用户设备与临近设备进行任务迁移的最优能效通信时间以及相应的任务迁移量;承担计算任务的用户设备根据最优能效通信时间以及相应的任务迁移量,将计算任务迁移给空闲的临近设备进行计算。作为优选方案之一,用户设备与临近设备之间通过机会式频谱共享机制复用蜂窝网络的频谱,实现设备间直接通信。作为优选方案之二,用户设备通过时分复用方式将计算任务迁移给临近设备。
与现有技术相比较,本发明从资源利用率的角度考虑最优的计算任务迁移方案,在利用设备间直接通信的方式迁移计算任务的同时,考虑了如何以最优能效将这些任务分配给不同的临近设备,并且求解了最优的任务迁移量。利用本发明,用户设备周边的空闲设备可以实现计算任务的最优迁移,从而共享其计算资源(CPU、GPU等),使得资源受限的用户设备将过多的计算任务(在线游戏、虚拟现实仿真等)迁移到附近资源充足的空闲设备,最大程度地降低了业务时延,实现通信的高能效性。
上面对本发明所提供的面向雾计算的节点计算任务调度方法及其设备进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应地法律责任。
Claims (10)
1.一种面向雾计算的节点计算任务调度方法,其特征在于包括如下步骤:
计算用户设备与临近设备之间进行任务计算和任务迁移时的能效;
通过数学优化方法,求得用户设备与临近设备进行任务迁移的最优能效通信时间以及相应的任务迁移量;
承担计算任务的用户设备根据所述最优能效通信时间以及相应的任务迁移量,将计算任务迁移给空闲的临近设备进行计算。
2.如权利要求1所述的节点计算任务调度方法,其特征在于:
所述用户设备与所述临近设备之间通过机会式频谱共享机制复用蜂窝网络的频谱,实现设备间直接通信。
3.如权利要求1所述的节点计算任务调度方法,其特征在于:
所述用户设备通过时分复用方式或者正交频分多址接入方式将计算任务迁移给所述临近设备。
4.如权利要求1所述的节点计算任务调度方法,其特征在于所述能效通过如下公式计算获得:
其中,uee为能效,l为用户设备的任务迁移量,Ei为任务迁移的能量消耗,Ere为任务计算的能量消耗,E0为电路能量消耗,K为正整数。
5.如权利要求4所述的节点计算任务调度方法,其特征在于:
所述任务迁移量其中表示成功接入第j个频谱资源的概率,为第i对设备间直接通信在时隙T内获得的平均传输时间,W和bi,j分别表示带宽和传输的调制方式,i、j均为正整数。
6.如权利要求4所述的节点计算任务调度方法,其特征在于:
所述任务迁移的能量消耗其中表示成功接入第j个频谱资源的概率,为第i对设备间直接通信在时隙T内获得的平均传输时间,f(bi,j)为任务迁移的功率表达式,i、j均为正整数。
7.如权利要求6所述的节点计算任务调度方法,其特征在于:
其中σ2为噪声功率,ε任务迁移采用调制方式为bi,j时的符号差错概率,φ(di,i)表示设备间距离为di,i时的信道衰落参数。
8.一种雾计算设备,其特征在于包括处理器和存储器,所述处理器读取所述存储器中的计算机程序,用于执行以下操作:
计算本雾计算设备与临近的雾计算设备之间进行任务计算和任务迁移时的能效;
通过数学优化方法,求得本雾计算设备与临近的雾计算设备进行任务迁移的最优能效通信时间以及相应的任务迁移量;
承担计算任务的雾计算设备根据所述最优能效通信时间以及相应的任务迁移量,将计算任务迁移给临近的空闲雾计算设备进行计算。
9.如权利要求8所述的雾计算设备,其特征在于:
本雾计算设备与临近的雾计算设备之间通过机会式频谱共享机制复用蜂窝网络的频谱,实现设备间直接通信。
10.如权利要求8所述的雾计算设备,其特征在于:
本雾计算设备通过时分复用方式或者正交频分多址接入方式将计算任务迁移给临近的雾计算设备。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810360061.7A CN110392079B (zh) | 2018-04-20 | 2018-04-20 | 面向雾计算的节点计算任务调度方法及其设备 |
PCT/CN2018/093934 WO2019200716A1 (zh) | 2018-04-20 | 2018-06-30 | 面向雾计算的节点计算任务调度方法及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810360061.7A CN110392079B (zh) | 2018-04-20 | 2018-04-20 | 面向雾计算的节点计算任务调度方法及其设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110392079A true CN110392079A (zh) | 2019-10-29 |
CN110392079B CN110392079B (zh) | 2021-10-26 |
Family
ID=68240443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810360061.7A Active CN110392079B (zh) | 2018-04-20 | 2018-04-20 | 面向雾计算的节点计算任务调度方法及其设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110392079B (zh) |
WO (1) | WO2019200716A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111614735A (zh) * | 2020-04-30 | 2020-09-01 | 河南大学 | 基于加权轮转算法的新型雾计算架构及其任务调度方法 |
CN111773662A (zh) * | 2020-06-29 | 2020-10-16 | 济南浪潮高新科技投资发展有限公司 | 一种基于雾计算的云游戏加速方法、系统、装置及介质 |
CN111866181A (zh) * | 2020-08-10 | 2020-10-30 | 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 |
CN113010320A (zh) * | 2021-04-02 | 2021-06-22 | 曲阜师范大学 | 一种网络数据卸载方法及装置、计算机存储介质 |
CN114189521A (zh) * | 2021-12-15 | 2022-03-15 | 福州大学 | 在f-ran架构中协作计算卸载的方法 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111010295B (zh) * | 2019-11-28 | 2022-09-16 | 国网甘肃省电力公司电力科学研究院 | 一种基于sdn-mec的配用电通信网任务迁移方法 |
CN111970154B (zh) * | 2020-08-24 | 2022-06-10 | 浙江工商大学 | 基于深度增强学习和凸优化的卸载决策及资源分配方法 |
CN112272198B (zh) * | 2020-09-03 | 2024-04-09 | 中国空间技术研究院 | 一种面向卫星网络的协同计算任务迁移方法及装置 |
CN112231085B (zh) * | 2020-10-21 | 2023-06-13 | 中国电子科技集团公司第二十八研究所 | 一种协同环境下基于时间感知的移动终端任务迁移方法 |
CN112416554B (zh) * | 2020-11-20 | 2022-12-02 | 北京邮电大学 | 一种任务迁移方法、装置、电子设备及存储介质 |
CN112867066B (zh) * | 2021-01-26 | 2022-07-29 | 南京邮电大学 | 基于5g多小区深度强化学习的边缘计算迁移方法 |
CN112787920B (zh) * | 2021-03-03 | 2021-11-19 | 厦门大学 | 面向海洋物联网的水声通信边缘计算时延和能耗优化方法 |
CN113037805B (zh) * | 2021-05-11 | 2022-07-08 | 福州大学 | 面向移动边缘计算的多实例微服务迁移方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130301413A1 (en) * | 2012-05-11 | 2013-11-14 | Cisco Technology, Inc. | Virtual internet protocol migration and load balancing |
CN104202373A (zh) * | 2014-08-21 | 2014-12-10 | 清华大学深圳研究生院 | 移动云计算迁移方法及系统 |
CN105227645A (zh) * | 2015-09-15 | 2016-01-06 | 齐鲁工业大学 | 一种云数据迁移方法 |
CN106572185A (zh) * | 2016-11-10 | 2017-04-19 | 北京邮电大学 | 一种移动物联网系统内节点的协同工作方法与装置 |
CN106909449A (zh) * | 2017-01-11 | 2017-06-30 | 西可通信技术设备(河源)有限公司 | 一种移动终端程序的计算迁移方法与装置 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016018332A1 (en) * | 2014-07-31 | 2016-02-04 | Hewlett-Packard Development Company, L.P. | Data storage in fog computing |
CN105610944B (zh) * | 2015-12-29 | 2019-03-05 | 北京物联远信息技术有限公司 | 一种面向物联网的雾计算架构 |
-
2018
- 2018-04-20 CN CN201810360061.7A patent/CN110392079B/zh active Active
- 2018-06-30 WO PCT/CN2018/093934 patent/WO2019200716A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130301413A1 (en) * | 2012-05-11 | 2013-11-14 | Cisco Technology, Inc. | Virtual internet protocol migration and load balancing |
CN104202373A (zh) * | 2014-08-21 | 2014-12-10 | 清华大学深圳研究生院 | 移动云计算迁移方法及系统 |
CN105227645A (zh) * | 2015-09-15 | 2016-01-06 | 齐鲁工业大学 | 一种云数据迁移方法 |
CN106572185A (zh) * | 2016-11-10 | 2017-04-19 | 北京邮电大学 | 一种移动物联网系统内节点的协同工作方法与装置 |
CN106909449A (zh) * | 2017-01-11 | 2017-06-30 | 西可通信技术设备(河源)有限公司 | 一种移动终端程序的计算迁移方法与装置 |
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 |
Non-Patent Citations (2)
Title |
---|
XU CHEN 等: "Efficient Multi-User Compu tation Offloading for Mobile-Edge Cloud Computing", 《IEEE/ACM TRANSACTIONS ON NETWORKING》 * |
曹傧 等: "ad hoc 云环境中分布式博弈卸载策略", 《通信学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111614735A (zh) * | 2020-04-30 | 2020-09-01 | 河南大学 | 基于加权轮转算法的新型雾计算架构及其任务调度方法 |
CN111773662A (zh) * | 2020-06-29 | 2020-10-16 | 济南浪潮高新科技投资发展有限公司 | 一种基于雾计算的云游戏加速方法、系统、装置及介质 |
CN111866181A (zh) * | 2020-08-10 | 2020-10-30 | 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 |
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 |
CN113010320A (zh) * | 2021-04-02 | 2021-06-22 | 曲阜师范大学 | 一种网络数据卸载方法及装置、计算机存储介质 |
CN114189521A (zh) * | 2021-12-15 | 2022-03-15 | 福州大学 | 在f-ran架构中协作计算卸载的方法 |
CN114189521B (zh) * | 2021-12-15 | 2024-01-26 | 福州大学 | 在f-ran架构中协作计算卸载的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110392079B (zh) | 2021-10-26 |
WO2019200716A1 (zh) | 2019-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110392079A (zh) | 面向雾计算的节点计算任务调度方法及其设备 | |
Hu et al. | Wireless powered cooperation-assisted mobile edge computing | |
Ren et al. | Collaborative cloud and edge computing for latency minimization | |
CN112492626B (zh) | 一种移动用户计算任务的卸载方法 | |
Zhao et al. | Energy-saving offloading by jointly allocating radio and computational resources for mobile edge computing | |
Ko et al. | Wireless networks for mobile edge computing: Spatial modeling and latency analysis | |
Yu et al. | Computation offloading for mobile edge computing: A deep learning approach | |
Fang et al. | Energy-efficient resource allocation for NOMA-MEC networks with imperfect CSI | |
Al-Shuwaili et al. | Joint uplink/downlink optimization for backhaul-limited mobile cloud computing with user scheduling | |
Barcelo et al. | IoT-cloud service optimization in next generation smart environments | |
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 | |
CN108809695A (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
Wang et al. | Cost-effective resource allocation in C-RAN with mobile cloud | |
Ebrahimzadeh et al. | Cooperative computation offloading in FiWi enhanced 4G HetNets using self-organizing MEC | |
Lyazidi et al. | Resource allocation and admission control in OFDMA-based cloud-RAN | |
Chakraborty et al. | Sustainable task offloading decision using genetic algorithm in sensor mobile edge computing | |
Ren et al. | Dynamic resource allocation scheme and deep deterministic policy gradient-based mobile edge computing slices system | |
Huang et al. | Distributed resource allocation for network slicing of bandwidth and computational resource | |
Cai et al. | Mobile edge computing network control: Tradeoff between delay and cost | |
Wang et al. | Power-minimization computing resource allocation in mobile cloud-radio access network | |
Li et al. | A trade-off task-offloading scheme in multi-user multi-task mobile edge computing | |
Ndao et al. | Optimal placement of virtualized DUs in O-RAN architecture | |
Zhang et al. | Energy efficient resource allocation over cloud-RAN based heterogeneous network | |
Yang et al. | Deep reinforcement learning based green resource allocation mechanism in edge computing driven power Internet of Things | |
Wang et al. | Task and resource allocation in mobile edge computing: An improved reinforcement learning approach |
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 |