CN110764833B - 一种基于边缘计算的任务卸载方法、装置及系统 - Google Patents

一种基于边缘计算的任务卸载方法、装置及系统 Download PDF

Info

Publication number
CN110764833B
CN110764833B CN201910319948.6A CN201910319948A CN110764833B CN 110764833 B CN110764833 B CN 110764833B CN 201910319948 A CN201910319948 A CN 201910319948A CN 110764833 B CN110764833 B CN 110764833B
Authority
CN
China
Prior art keywords
unloading
edge
request
requests
calculation
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
Application number
CN201910319948.6A
Other languages
English (en)
Other versions
CN110764833A (zh
Inventor
王智明
徐雷
毋涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201910319948.6A priority Critical patent/CN110764833B/zh
Publication of CN110764833A publication Critical patent/CN110764833A/zh
Application granted granted Critical
Publication of CN110764833B publication Critical patent/CN110764833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供的基于边缘计算的任务卸载方法、装置及系统，包括：获取用户终端发送的多个卸载请求；对多个所述卸载请求进行分析处理，获得优化卸载请求；将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载。本发明通过对多个卸载请求进行分析处理，实现系统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优势。

Description

一种基于边缘计算的任务卸载方法、装置及系统
技术领域
本发明属于数据处理领域，尤其涉及数据的深度学习和优化分析，具体的讲是一种基于边缘计算的任务卸载方法、装置及系统。
背景技术
随着物联网迅猛发展，边缘终端设备的数量迅速增加，同时边缘终端设备所产生数据量已达到泽字节(ZB)级别。集中式数据处理不能有效处理边缘终端设备所产生的海量数据,边缘计算已被业界普遍认定为下一代数字化转型的主要趋势之一。移动边缘计算(Mobile EdgeComputing，MEC)是将传统云计算平台的部分计算任务迁移到接入域，并将传统业务与互联网业务进行深度融合，减少传统业务交付的端到端时延，进而带给运营商的运作带来全新模式，并建立全新的产业链及生态圈。这种情况下，面对日益迫切的边缘计算及智能工业互联网发展需求，基于边缘计算的智能工业互联网优化调度对于边缘计算及智能工业互联网的迅速持续发展具有重要意义。
现有边缘云系统未充分考虑到系统计算卸载延迟长、计算卸载利润与计算能耗比低、计算卸载传输带宽成本高等方面问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种基于边缘计算的任务卸载方法、装置及系统。
作为本发明的一方面，本发明提供了一种基于边缘计算的任务卸载方法，包括：
获取用户终端发送的多个卸载请求；
对多个所述卸载请求进行分析处理，获得优化卸载请求；
将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载。
进一步地，所述获取用户终端发送的卸载请求的步骤，具体包括：
通过定期被询问机制获取所述用户终端的卸载请求；和/或
获取每隔预设时间主动上报的所述用户终端的卸载请求。
进一步地，所述对多个所述卸载请求进行分析处理，获得优化卸载请求的步骤，具体包括：
S1，设置迭代初始参数和最大迭代次数；
S2，将多个所述卸载请求输入至深度分析模型中，得到初步分析结果；
S3，判断所述初步分析结果是否满足评价条件，若满足，则进行步骤S5，将所述初步分析结果作为所述优化卸载请求输出，若不满足，则进行步骤S4；
S4，将所述迭代次数加1，将多个所述卸载请求输入至深度分析模型中，得到初步分析结果，并判断当前迭代次数是否超过最大迭代次数，若没有超过，则返回步骤S3，若超过，则进行步骤S5；
S5，输出所述优化卸载请求。
进一步地，所述步骤S3中，评价条件包括联合评价函数，具体如下：
i＝1,2,……m；j＝1,2,……n；t＝1,2，……q(1-1)
其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,……d的条件；
为当前第k次计算卸载延迟；
为当前第k次计算卸载传输带宽成本；
为当前第k次计算卸载利润与计算能耗比W。
进一步地，所述步骤S2中，深度分析模型包括玻尓函数，具体如下：
其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,……d的条件；
为当前第k次计算卸载延迟；
为当前第k次计算卸载传输带宽成本；
为当前第k次计算卸载利润与计算能耗比W；
为第k+1次计算卸载延迟；
为第k+1次计算卸载传输带宽成本；
为第k+1次计算卸载利润与计算能耗比；
为第k+1次梯度下降前馈神经网络加强因子；
为第k+1次梯度下降前馈神经网络加强因子；
LminG为历史最小计算卸载延迟；
CminG为历史最小计算卸载传输带宽成本；
WmaxG为历史最大计算卸载利润与计算能耗比。
作为本发明的另一方面，本发明还提供了一种基于边缘计算的任务卸载装置，其包括：
获取模块，用于获取用户终端发送的多个卸载请求；
分析模块，用于对多个所述卸载请求进行分析处理，获得优化卸载请求；
发送模块，用于将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载。
进一步地，所述获取模块具体用于：
通过定期被询问机制获取所述用户终端的卸载请求；和/或
获取每隔预设时间主动上报的所述用户终端的卸载请求。
进一步地，所述分析模块包括：
参数设置单元，用于设置迭代初始参数和最大迭代次数；
深度分析单元，用于将多个所述卸载请求输入至深度分析模型中，得到初步分析结果；
判断单元，用于判断所述初步分析结果是否满足评价条件；
输出单元，用于输出所述优化卸载请求。
作为本发明的有一方面，本发明提供了一种基于边缘计算的任务卸载系统，包括卸载请求提交反馈层、运营商传输层、边缘网关接入层、边缘数据中心层以及卸载中心分析层；其中，
所述提交反馈层，用于提交卸载请求，以及接收优化卸载请求的反馈；
所述运营商传输层，用于实现运营商边缘网络的接入及传输，并将所述卸载请求传送给所述边缘网关接入层；
所述边缘网关接入层，由若干计算卸载边缘网关组成，实现来自运营商网络的接入；
所述边缘数据中心层，由若干计算卸载边缘服务器组成，实现所述卸载请求；
所述卸载中心分析层，由若干计算任务卸载编排器组成，实现对所述卸载请求的分析处理。
本发明具有以下有益效果：
本发明提供的基于边缘计算的任务卸载方法、装置及系统，包括：获取用户终端发送的多个卸载请求；对多个所述卸载请求进行分析处理，获得优化卸载请求；将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载。本发明通过对多个卸载请求进行分析处理，实现系统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优势。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于边缘计算的计算任务卸载场景图；
图2为本发明实施例中计算卸载需求分析功能架构图；
图3为本发明实施例提供的基于边缘计算的任务卸载方法的处理流程图；
图4为本发明实施例的对卸载请求分析处理的逻辑结构图；
图5为本发明实施例中对多个卸载请求进行分析处理的流程图；
图6为本发明实施例的深度分析的原理示意图；
图7为本发明实施例的策略原理示意图；
图8为本发明实施例的多层卷积神经元网络的示意图；
图9为本发明实施例的深度分析模型的原理示意图；
图10为本发明实施例提供的基于边缘计算的任务卸载装置的结构示意图；
图11为本发明实施例采用的分析模块的结构示意图。
其中，
1-获取模块；2-分析模块；201-参数设置单元；202-深度分析单元；
203-判断单元；204-输出单元；3-发送模块。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图来对本发明提供的基于边缘计算的任务卸载方法、装置及系统进行详细描述。
本领域技术技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
本发明提供一种基于边缘计算的任务卸载方法、装置及系统，用于处理用户终端发送的多个卸载请求。该方法对各计算卸载需求信息进行判断和分析，各计算卸载需求具有不同优先等级。结合多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络等方法实现本发明系统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优势。
图1为本发明实施例的基于边缘计算的计算任务卸载场景图。
如图1所示，基于边缘计算的计算任务卸载场景主要分五个层面：
1)卸载请求提交反馈层，包含：联通分子公司、第三方公司、个人用户等，实现公司及个人用户计算任务卸载需求提交及反馈；
2)运营商传输层，包含：5G通信基站，实现运营商网络的接入及数据传输；
3)边缘网关接入层，由若干计算卸载边缘网关组成，实现来自运营商网络的接入；
4)边缘数据中心层，由若干计算卸载边缘服务器组成，实现对来自公司及个人用户计算卸载需求实现；
5)卸载中心分析层，由若干计算任务卸载编排器组成，实现对公司及个人用户计算卸载需求信息的分析处理。
在图1所示的场景中，包括以下处理流程：
1.分子公司及个人用户计算卸载需求提交、反馈层的联通分子公司、第三方公司、个人用户等通过5G通信基站接入到通运营商网络传输层，并传送公司及个人用户计算任务卸载需求；
2.运营商网络传输层的5G通信基站接入计算任务卸载中心分析层的计算任务卸载编排器，并传送实现对公司及个人用户计算卸载需求信息的分析处理；
3.计算任务卸载编排器接入到计算卸载边缘网关接入层的计算卸载边缘网关，并传送的公司及个人用户计算卸载需求信息的分析处理方案；
4.计算卸载边缘网关接入到计算卸载边缘数据中心层的计算卸载边缘服务器，并将分解子任务分配到相应的计算卸载边缘服务器；
5&6.通过5G通信基站，计算卸载边缘服务器将公司及个人用户计算卸载需求分析处理结果反馈给联通分子公司、第三方公司、个人用户。
图2为本发明实施例中计算卸载需求分析功能架构图。如图2所示，计算任务卸载编排器主要通过分析计算卸载需求，并将分析处理后的分析结果转发。该功能架构图中有m个计算卸载需求，各计算卸载需求独立互不干扰。
以下详细介绍下本发明实施例的优化调度器所实现的优化调度功能。
图3为本发明实施例提供的基于边缘计算的任务卸载方法的处理流程图。如图3所示，其包括：
步骤S101、获取用户终端发送的多个卸载请求；
步骤S102、对多个卸载请求进行分析处理，获得优化卸载请求；
步骤S103、将多个优化卸载请求发送至卸载边缘服务器，以进行卸载。
具体实现时，在步骤S101中，可以采用实时主动兼被动收集的方式获取用户终端发送的多个卸载请求，即，可以通过定期被询问机制获取用户终端的卸载请求，也可以获取每隔预设时间主动上报的用户终端的卸载请求。
图4为本发明实施例的对卸载请求分析处理的逻辑结构图。具体实现时，在步骤S102中，逻辑结构包含三个部分：计算卸载请求分析结果接收；以多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络等方法分析计算卸载需求；以及分析结果输出，计算任务卸载编排器向各公司和个人用户下发分析结果。其中，各计算卸载请求信息主要包含：计算卸载利润与计算能耗比W、计算卸载延迟L、计算卸载传输带宽成本C。通过多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络等方法分析计算卸载需求并给出分析结果，这是本发明实现优化卸载请求的主要思想。
图5为本发明实施例中对多个卸载请求进行分析处理的流程图。如图5所示，其具体包括：
S501，设置迭代初始参数和最大迭代次数；
S502，将多个卸载请求输入至深度分析模型中，得到初步分析结果；
S503，判断初步分析结果是否满足评价条件，若满足，则进行步骤S505，将初步分析结果作为优化卸载请求输出，若不满足，则进行步骤S504；
S504，将迭代次数加1，将多个卸载请求输入至深度分析模型中，得到初步分析结果；
S505，并判断当前迭代次数是否超过最大迭代次数，若没有超过，则返回步骤S503，若超过，则进行步骤S506；
S506，输出优化卸载请求。
图6为本发明实施例的深度分析的原理示意图。每次迭代中的多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络等策略思想为:在1,2，h多维空间中，多个深度分析方案根据多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络等策略方式向最优化计算任务卸载方案确定的方向迁移，也即上图中实线圆球所在位置。
图7为本发明实施例的提供的策略原理示意图，计算卸载需求在输入后经过请求输入、梯度下降前馈神经网络、玻尔兹曼机、多层卷积神经网络分析后输出相应分析结果。
图8为本发明实施例的多层卷积神经元网络的示意图。多层卷积神经元网络包含：计算卸载利润与计算能耗比W、计算卸载延迟L、计算卸载传输带宽成本C(计算卸载利润与计算能耗比＝计算任务产生的利润/计算任务消耗的计算能耗)。其中，输出量包含：计算任务卸载方案的预需求信号。
本发明实施例结合多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络等策略思想，多维空间、多层循环、卷积神经网络、玻尔兹曼、梯度前馈、概率论、运筹学、深度学习、机器学习等理论优势的深度分析得到初步分析结果。
当多个卸载请求到达模型后，各卸载请求被分析成相应的深度分析结果。若到来的卸载请求被延迟则被赋予当前较高分析调度优先权。
本发明实施例中，在步骤S3中，评价条件包括联合评价函数，具体如下：
其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,……d的条件；
为当前第k次计算卸载延迟；
为当前第k次计算卸载传输带宽成本；
为当前第k次计算卸载利润与计算能耗比W。
图9为本发明实施例的深度分析模型的原理示意图。在图9中，m、n、q分别代表深度分析模型中的三个空间维数。在该实施方式中，深度分析模型包括玻尓函数，具体如下：
其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,……d的条件；
为当前第k次计算卸载延迟；
为当前第k次计算卸载传输带宽成本；
为当前第k次计算卸载利润与计算能耗比W；
为第k+1次计算卸载延迟；
为第k+1次计算卸载传输带宽成本；
为第k+1次计算卸载利润与计算能耗比；
为第k+1次梯度下降前馈神经网络加强因子；
为第k+1次梯度下降前馈神经网络加强因子；
LminG为历史最小计算卸载延迟；
CminG为历史最小计算卸载传输带宽成本；
WmaxG为历史最大计算卸载利润与计算能耗比。
当评价函数不被满足时，即触动基于边缘计算的计算任务卸载优化算法，以多层卷积神经网络、玻尔兹曼机、梯度下降前馈神经网络等策略进行优化，实现系统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优势。
基于同一发明构思，在介绍了本发明示例性实施方式的方法之后，接下来，参考图10对本发明示例性实施方式的基于边缘计算的任务卸载装置进行介绍。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图10为本发明实施例提供的基于边缘计算的任务卸载装置的结构示意图。
如图10所示，本发明实施例提供的基于边缘计算的任务卸载装置包括：
获取模块1，用于获取用户终端发送的多个卸载请求；
分析模块2，用于对多个卸载请求进行分析处理，获得优化卸载请求；
发送模块3，用于将多个优化卸载请求发送至卸载边缘服务器，以进行卸载。
在一具体实施例中，获取模块1具体用于：
通过定期被询问机制获取所述用户终端的卸载请求；和/或
获取每隔预设时间主动上报的所述用户终端的卸载请求。
在一具体实施例中，如图11所示，分析模块2包括：
参数设置单元201，用于设置迭代初始参数和最大迭代次数；
深度分析单元202，用于将多个所述卸载请求输入至深度分析模型中，得到初步分析结果；
判断单元203，用于判断所述初步分析结果是否满足评价条件；
输出单元204，用于输出所述优化卸载请求。
在本实施例中，深度分析单元202中存储有深度分析模型，判断单元203中存储有评价条件。具体地，深度分析模型包括玻尓函数，如公式(1-2)-(1-4)；评价条件包括联合评价函数，如公式(1-1)。
本发明通过对多个卸载请求进行分析处理，实现系统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优势。
本发明还提供了一种基于边缘计算的任务卸载系统，其包括卸载请求提交反馈层、运营商传输层、边缘网关接入层、边缘数据中心层以及卸载中心分析层。其中：
提交反馈层，用于提交卸载请求，以及接收优化卸载请求的反馈；
运营商传输层，用于实现运营商边缘网络的接入及传输，并将卸载请求传送给边缘网关接入层；
边缘网关接入层，由若干计算卸载边缘网关组成，实现来自运营商网络的接入；
边缘数据中心层，由若干计算卸载边缘服务器组成，实现卸载请求；
卸载中心分析层，由若干计算任务卸载编排器组成，实现对卸载请求的分析处理。
本发明通过对多个卸载请求进行分析处理，实现系统计算卸载延迟短、计算卸载利润与计算能耗比高、计算卸载传输带宽成本低的优势。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (6)

1.一种基于边缘计算的任务卸载方法，其特征在于，包括：
获取用户终端发送的多个卸载请求；
对多个所述卸载请求进行分析处理，获得优化卸载请求；
将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载；
所述对多个所述卸载请求进行分析处理，获得优化卸载请求的步骤，具体包括：
S1，设置迭代初始参数和最大迭代次数；
S2，将多个所述卸载请求输入至深度分析模型中，得到初步分析结果；
S3，判断所述初步分析结果是否满足评价条件，若满足，则进行步骤S5，将所述初步分析结果作为所述优化卸载请求输出，若不满足，则进行步骤S4；
S4，将所述迭代次数加1，将多个所述卸载请求输入至深度分析模型中，得到初步分析结果，并判断当前迭代次数是否超过最大迭代次数，若没有超过，则返回步骤S3，若超过，则进行步骤S5；
S5，输出所述优化卸载请求；
所述步骤S3中，评价条件包括联合评价函数，具体如下：
其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,……d的条件；
为当前第k次计算卸载延迟；
为当前第k次计算卸载传输带宽成本；
为当前第k次计算卸载利润与计算能耗比W。
2.根据权利要求1所述的基于边缘计算的任务卸载方法，其特征在于，所述获取用户终端发送的卸载请求的步骤，具体包括：
通过定期被询问机制获取所述用户终端的卸载请求；和/或
获取每隔预设时间主动上报的所述用户终端的卸载请求。
3.根据权利要求1所述的基于边缘计算的任务卸载方法，其特征在于，所述步骤S2中，深度分析模型包括玻尓函数，具体如下：
其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,……d的条件；
为当前第k次计算卸载延迟；
为当前第k次计算卸载传输带宽成本；
为当前第k次计算卸载利润与计算能耗比W；
为第k+1次计算卸载延迟；
为第k+1次计算卸载传输带宽成本；
为第k+1次计算卸载利润与计算能耗比；
为第k+1次梯度下降前馈神经网络加强因子；
为第k+1次梯度下降前馈神经网络加强因子；
LminG为历史最小计算卸载延迟；
CminG为历史最小计算卸载传输带宽成本；
WmaxG为历史最大计算卸载利润与计算能耗比。
4.一种基于边缘计算的任务卸载装置，其特征在于，包括：
获取模块，用于获取用户终端发送的多个卸载请求；
分析模块，用于对多个所述卸载请求进行分析处理，获得优化卸载请求；
发送模块，用于将多个所述优化卸载请求发送至卸载边缘服务器，以进行卸载；
所述分析模块包括：
参数设置单元，用于设置迭代初始参数和最大迭代次数；
深度分析单元，用于将多个所述卸载请求输入至深度分析模型中，得到初步分析结果；
判断单元，用于判断所述初步分析结果是否满足评价条件；所述评价条件包括联合评价函数，具体如下：
其中，k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,……d的条件；
为当前第k次计算卸载延迟；
为当前第k次计算卸载传输带宽成本；
为当前第k次计算卸载利润与计算能耗比W；
输出单元，用于输出所述优化卸载请求。
5.根据权利要求4所述的基于边缘计算的任务卸载装置，其特征在于，所述获取模块具体用于：
通过定期被询问机制获取所述用户终端的卸载请求；和/或
获取每隔预设时间主动上报的所述用户终端的卸载请求。
6.一种基于边缘计算的任务卸载系统，其特征在于，包括卸载请求提交反馈层、运营商传输层、边缘网关接入层、边缘数据中心层以及卸载中心分析层；其中，
所述提交反馈层，用于提交卸载请求，以及接收优化卸载请求的反馈；
所述运营商传输层，用于实现运营商边缘网络的接入及传输，并将所述卸载请求传送给所述边缘网关接入层；
所述边缘网关接入层，由若干计算卸载边缘网关组成，实现来自运营商网络的接入；
所述边缘数据中心层，由若干计算卸载边缘服务器组成，实现所述卸载请求；所述卸载边缘服务器采用权利要求4或5所述的基于边缘计算的任务卸载装置；
所述卸载中心分析层，由若干计算任务卸载编排器组成，实现对所述卸载请求的分析处理。
CN201910319948.6A 2019-04-19 2019-04-19 一种基于边缘计算的任务卸载方法、装置及系统 Active CN110764833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910319948.6A CN110764833B (zh) 2019-04-19 2019-04-19 一种基于边缘计算的任务卸载方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910319948.6A CN110764833B (zh) 2019-04-19 2019-04-19 一种基于边缘计算的任务卸载方法、装置及系统

Publications (2)

Publication Number Publication Date
CN110764833A CN110764833A (zh) 2020-02-07
CN110764833B true CN110764833B (zh) 2023-10-03

Family

ID=69328698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910319948.6A Active CN110764833B (zh) 2019-04-19 2019-04-19 一种基于边缘计算的任务卸载方法、装置及系统

Country Status (1)

Country Link
CN (1) CN110764833B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753967A (zh) * 2020-07-05 2020-10-09 刀锋 基于深度学习反馈结合边缘计算的大数据处理系统
CN113115354B (zh) * 2021-03-23 2022-08-16 三峡大学 基于衰减助手选择算法的数据卸载激励方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107911478A (zh) * 2017-12-06 2018-04-13 武汉理工大学 基于化学反应优化算法的多用户计算卸载方法及装置
CN108768857A (zh) * 2018-08-30 2018-11-06 中国联合网络通信集团有限公司 一种虚拟路由转发方法、装置及系统
CN108809723A (zh) * 2018-06-14 2018-11-13 重庆邮电大学 一种边缘服务器联合任务卸载及卷积神经网络层调度方法
CN108920280A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种单用户场景下的移动边缘计算任务卸载方法
CN109002358A (zh) * 2018-07-23 2018-12-14 厦门大学 基于深度强化学习的移动终端软件自适应优化调度方法
CN109117856A (zh) * 2018-08-23 2019-01-01 中国联合网络通信集团有限公司 基于智能边缘云的人及物追踪方法、装置及系统
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10440096B2 (en) * 2016-12-28 2019-10-08 Intel IP Corporation Application computation offloading for mobile edge computing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107911478A (zh) * 2017-12-06 2018-04-13 武汉理工大学 基于化学反应优化算法的多用户计算卸载方法及装置
CN108809723A (zh) * 2018-06-14 2018-11-13 重庆邮电大学 一种边缘服务器联合任务卸载及卷积神经网络层调度方法
CN108920280A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种单用户场景下的移动边缘计算任务卸载方法
CN109002358A (zh) * 2018-07-23 2018-12-14 厦门大学 基于深度强化学习的移动终端软件自适应优化调度方法
CN109117856A (zh) * 2018-08-23 2019-01-01 中国联合网络通信集团有限公司 基于智能边缘云的人及物追踪方法、装置及系统
CN108768857A (zh) * 2018-08-30 2018-11-06 中国联合网络通信集团有限公司 一种虚拟路由转发方法、装置及系统
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Consumption Considered Optimal Scheme for Task Offloading in Mobile Edge Computing;Li Tianze,Wu Muqing,Zhao Min,et.al;《2016 23rd International Conference on Telecommunications》;第1-6页 *
Li Weijian ; Jiang Yingyan ; Luo Yiwen ; Chen Yan ; Lin Peng.Optimization method for delay and energy concumption in edge computing micro-cloud system.《The 2018 5th International Conference on Systems and Informatics》.2019,第839-844页. *
Sowndarya Sundar ; Jaya Prakash Champati ; Ben Liang.Completion Time Minimization in Multi-User Task Scheduling with Heterogeneous Processors and Budget Constraints.《2018 IEEE/ACM 26th International Symposium on Quality of Service》.2019,第1-6页. *
王智明.移动工业边缘云技术研究.《通信世界》.2018,第781卷(第23期),43-44. *
移动边缘计算中能耗优化的多重资源计算卸载策略;徐佳，李学俊，丁苗瑞等;《计算机集成制造系统》(第04期);第168-175页 *

Also Published As

Publication number Publication date
CN110764833A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN107871164B (zh) 一种雾计算环境个性化深度学习方法
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
Liao et al. Distributed probabilistic offloading in edge computing for 6G-enabled massive Internet of Things
CN109669768B (zh) 一种面向边云结合架构的资源分配和任务调度方法
Li et al. NOMA-enabled cooperative computation offloading for blockchain-empowered Internet of Things: A learning approach
Sun et al. Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning
Liu et al. A reinforcement learning-based resource allocation scheme for cloud robotics
CN113435472A (zh) 车载算力网络用户需求预测方法、系统、设备、介质
CN112911016B (zh) 边端协同计算卸载方法及系统、电子设备和存储介质
CN110764833B (zh) 一种基于边缘计算的任务卸载方法、装置及系统
CN114422349B (zh) 基于云边端协同的深度学习模型训练和推理架构部署方法
CN109709985B (zh) 一种无人机任务优化方法、装置及系统
CN113689122B (zh) 一种云边协同环境下考虑运输设备的多目标组合调度方法
CN109976915A (zh) 基于边缘计算的边云协同需求的优化方法和系统
Wu et al. Deep reinforcement learning for scheduling in an edge computing‐based industrial internet of things
CN108833227B (zh) 一种基于边缘计算的智能家居通信优化调度系统及方法
Liao et al. Cognitive popularity based AI service sharing for software-defined information-centric networks
Yan et al. A task offloading algorithm with cloud edge jointly load balance optimization based on deep reinforcement learning for unmanned surface vehicles
Kim et al. Adaptive packet scheduling in IoT environment based on Q-learning
CN108768857B (zh) 一种虚拟路由转发方法、装置及系统
Wang Edge artificial intelligence-based affinity task offloading under resource adjustment in a 5G network
Zhu et al. Dynamic task offloading in power grid internet of things: A fast-convergent federated learning approach
Li et al. Adaptive and Resilient Model-Distributed Inference in Edge Computing Systems
Bai 5G industrial IoT and edge computing based coal slime flotation foam image processing system
Li et al. Digital Twin-Enabled Service Provisioning in Edge Computing via Continual Learning

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