CN110765365A - 分布式边云协同缓存策略的实现方法、装置、设备和介质 - Google Patents
分布式边云协同缓存策略的实现方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN110765365A CN110765365A CN201911025997.5A CN201911025997A CN110765365A CN 110765365 A CN110765365 A CN 110765365A CN 201911025997 A CN201911025997 A CN 201911025997A CN 110765365 A CN110765365 A CN 110765365A
- Authority
- CN
- China
- Prior art keywords
- video
- base station
- processed
- cache
- current
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/738—Presentation of query results
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种分布式边云协同缓存策略的实现方法、装置、设备和介质。该方法包括:在接收到待处理视频时,根据蚁群算法爬取的当前分配路径为每个待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;在当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并当前基站和云服务器的视频缓存列表,并按照警报信息量对每个待处理视频进行排列;将警报信息量最大的待处理视频重新添加至当前基站对应的视频缓存列表,直至当前基站的容量达到预设缓存存储容量,得到对应的视频缓存变量集合。本发明实施例通过边缘计算技术,缩短了数据链路,减少了访问时延,满足变电站视频监控业务的实时响应需求。
Description
技术领域
本发明实施例涉及视频监控技术,尤其涉及一种分布式边云协同缓存策略的实现方法、装置、设备和介质。
背景技术
变电站远程视频监控实现了变电站现场的可视化,是对“四遥”功能的有益补充,为实现“无人值班,无人值守”提供了可靠保证,有利于提高变电站的智能管理水平,对电网的安全、可靠运行有十分重要的意义。因此,研究变电站的视频监控业务是十分有必要的。
实现变电站远程视频监控的两个研究方向是云计算和边缘计算。云计算是用户所熟悉的数据传输处理模式,已在工程中得到广泛应用,此类方法的缺点是由于视频传输的数据链路较长而带来较大传输时延,难以满足实时响应需求。而边缘计算是一项新兴技术,利用边缘服务器的位置部署优势缩短数据链路,理论上能大大减少传输时延,此类方法的缺点是边缘服务器的存储和计算资源有限,随着数据量的增加,难以满足存储和计算需求。因此,有必要提出新的缓存策略,实现在边缘服务器的计算和存储资源有限的情况下进行视频缓存,使得视频传输的总时延最小,该研究具有重要价值。
在现有技术中,存在专利号CN106451790A、CN109362064A和CN105472403A提出的现有方案,但分别存在如下缺陷:第一个专利中,采用综合监控主机、远程主站服务器和用户计算机通过数据通信网相互连接,用户计算机通过变电站数据通信网访问远程主站服务器,获得远程主站服务器授予的相应权限后,用户计算机通过变电站数据通信网远程连接变电站的综合监控主机,通过变电站的综合监控主机启动对于变电站的远程巡视,所述智能分析主机对巡视结果进行实时图像分析,所述的网络硬盘录像机将白光灯云台摄像机、红外热成像摄像机和高保真拾音器采集到的音视频信息存储到硬盘中,便于后期检查。该发明实现变电站的远程视频巡视代替人工到站巡检,使运维人员可以通过视频图像,具有运维效率高的优点,但此类方法的缺点是在本地的网络硬盘录像机的存储资源有限,计算能力也有限,在数据量较大的时候本地的计算和存储资源将难以满足海量数据存储和处理的需求。第二个专利中,采用一种移动边缘计算技术(Mobile Edge Computing,MEC)服务器的边缘缓存系统架构,多个MEC服务器通过反向链接连接成一个MEC网络,协作共享计算和存储资源;选择适当的缓存分割比,利用一种坐标下降算法对任务缓存进行分配,进行任务的缓存合并和缓存分割,将视频的初始片段被复制到对存储成本更低的网络;该发明有效地在MEC服务器上缓存更多的视频,并且极大的降低了访问延迟和能量消耗,但此类方法的缺点是在边缘服务器其的存储和计算资源是有限的,在数据量较大的时候难以满足海量数据存储和处理的需求。第三个专利中,采用通过云服务器创建一个私人代理模块,进而通过所述私人代理模块从视频缓存模块中获取所请求的DASH视频分片。通过在服务器端构建私人代理的方式,增加流媒体码率随网络抖动的自适应功能,保证播放网络视频时的流畅度,解决移动网络环境不稳定的问题,提高用户使用体验,但是此类方法的缺点是云服务器中心距离用户和数据源的距离较大,数据链路较长,带来较大的传输时延,影响实时响应性能。
发明内容
有鉴于此,本发明提供一种分布式边云协同缓存策略的实现方法、装置、设备和介质,有效缩短了传输时延,提高了缓存命中率。
第一方面,本发明实施例提供了一种分布式边云协同缓存策略的实现方法,包括:
在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个所述待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;
在所述当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并所述当前基站和云服务器的视频缓存列表,并按照警报信息量对每个所述待处理视频进行排列;
将警报信息量最大的待处理视频重新添加至所述当前基站对应的视频缓存列表,直至所述当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。
第二方面,本发明实施例还提供了一种分布式边云协同缓存策略的实现装置,包括:
第一确定模块,用于在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个所述待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;
合并排列模块,用于在所述当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并所述当前基站和云服务器的视频缓存列表,并按照警报信息量对每个所述待处理视频进行排列;
第二确定模块,用于将警报信息量最大的待处理视频重新添加至所述当前基站对应的视频缓存列表,直至所述当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。
第三方面,本发明实施例还提供了一种设备,包括:存储器以及一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的分布式边云协同缓存策略的实现方法。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的分布式边云协同缓存策略的实现方法。
本发明通过在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;在当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并当前基站和云服务器的视频缓存列表,并按照警报信息量对每个待处理视频进行排列;将警报信息量最大的待处理视频重新添加至当前基站对应的视频缓存列表,直至当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。本发明实施例通过边缘计算技术,将核心云的部分功能下放到边缘侧,建立边云协同缓存模型,缩短了数据链路,减少了访问时延,满足变电站视频监控业务的实时响应需求。
附图说明
图1是本发明实施例提供的一种分布式边云协同缓存策略的实现方法的流程图;
图2是本发明实施例提供的一种调度策略的场景显示示意图;
图3是本发明实施例提供的另一种调度策略的场景显示示意图;
图4是本发明实施例提供的又一种调度策略的场景显示示意图;
图5是本发明实施例提供的再一种调度策略的场景显示示意图;
图6是本发明实施例提供的再一种调度策略的场景显示示意图;
图7是本发明实施例提供的再一种调度策略的场景显示示意图;
图8是本发明实施例提供的再一种调度策略的场景显示示意图;
图9是本发明实施例提供的再一种调度策略的场景显示示意图;
图10是本发明实施例提供的一种基于贪心修正的蚁群算法的流程图;
图11是本发明实施例提供的一种基站数量对蚁群算法运行时间影响的显示示意图;
图12是本发明实施例提供的一种视频数量对蚁群算法运行时间影响的显示示意图;
图13是本发明实施例提供的一种基站数量对边缘服务器的缓存命中率影响的显示示意图;
图14是本发明实施例提供的一种基站数量对平均访问时延影响的显示示意图;
图15是本发明实施例提供的一种缓存容量对缓存命中率影响的显示示意图;
图16是本发明实施例提供的一种缓存容量对平均访问时延影响的显示示意图;
图17是本发明实施例提供的一种分布式边云协同缓存策略的实现装置的结构框图;
图18是本发明实施例提供的一种设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种分布式边云协同缓存策略的实现方法的流程图,本实施例可适用于变电站视频监控业务的情况,该方法可以由分布式边云协同缓存策略的实现装置来执行,其中,该方法可由硬件和/或软件的方式实现,并一般可集成在基站中。
如图1所示,该方法具体包括如下步骤:
S110、在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个待处理视频分配一个基站或云服务器,得到对应的视频缓存列表。
其中,待处理视频可以理解为需要存储的相关数据信息,待处理视频可以包括变电站附近的视频图像信息和物理环境监测信息。需要说明的是,待处理视频所包含的数据信息用于提供给用户或技术人员,以供其进行数据信息,并采取相应的措施。示例性地,假设变电站中的某根电线老化出现火花,在通过对待处理视频进行分析之后,可及时对电线进行更换,以避免火灾现象的出现。
在实施例中,在变电站上传视频的过程中,变电站的前端采集设备分别采集视频图像信息和物理环境监测信息,并将所采集到的信息通过无线网络上传到MEC网络,由于多个MEC服务器与远程云服务器联合协作工作,共享待处理视频并进行缓存存储。在MEC服务器接收到待处理视频之后,根据蚁群算法中每条蚂蚁爬取的分配路径,在每个基站以及云服务器形成一个视频缓存列表。
S120、在当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并当前基站和云服务器的视频缓存列表,并按照警报信息量对每个待处理视频进行排列。
其中,预设缓存存储容量用于表征每个基站所能容纳待处理视频的总容量。在实施例中,在当前蚂蚁爬取的当前分配路径使MEC网络中的某个基站分配到的待处理视频超过了预设缓存存储容量,则对超过预设缓存存储容量的基站和云服务器的视频缓存列表进行合并,并按照接收到的每个待处理视频中所包含的警报信息量大小对每个待处理视频进行排列。
S130、将警报信息量最大的待处理视频重新添加至当前基站对应的视频缓存列表,直至当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。
在实施例中,依次贪心地将警报信息量最大的待处理视频重新添加至当前基站维护的视频缓存列表,直至当前基站的视频缓存列表不满足约束条件,即当前基站的当前容量达到预设缓存存储容量,将剩余个数的待处理视频添加至云服务器维护的视频缓存列表。如此进行多次反复迭代,最终求解得到对应的视频缓存变量集合。
在一实施例中,每个基站的预设缓存存储容量的满足下述约束条件:
在一实施例中,视频缓存变量集合C满足下述条件:
其中,j∈K,vl∈V,K为MEC服务器的数量,K={1,2,3......k},下载视频集合V={v1,v2,v3,…,vl},每个待处理视频的大小为r1,r2,r3,….rl。
本实施例的技术方案,通过边缘计算技术,将核心云的部分功能下放到边缘侧,建立边云协同缓存模型,缩短了数据链路,减少了访问时延,满足变电站视频监控业务的实时响应需求。
在一实施例中,在得到对应的视频缓存变量集合之后,还包括:确定当前分配路径对应的总警报信息量;将总警报信息量最大的路径作为最优路径。
在实施例中,统计当前分配路径中所包含的所有待处理视频,并将所有待处理视频中所包含的警报信息量进行叠加,以得到当前分配路径对应的总警报信息量,然后将总警报信息量最大的路径作为最优路径。
在一实施例中,在将总警报信息量最大的路径作为最优路径之后,还包括:按照当前基站的剩余存储资源和剩余处理资源确定待处理视频对应的调度策略。
在实施例中,在完成待处理视频的上传之后,可按照当前基站的剩余存储资源和剩余处理资源确定待处理视频对应的调度策略。可以理解为,每个基站的处理资源是有限的,在存储待处理视频的当前基站对应的处理资源不足时,可以考虑将待处理视频卸载到同一个MEC网络中其它有可处理资源的MEC服务器进行处理或卸载到云服务器进行处理。
在一实施例中,按照当前基站的剩余存储资源和剩余处理资源确定待处理视频对应的调度策略,包括:在两个基站传输时延相同时,将剩余处理资源最大的基站作为待处理视频对应的调度基站。
在实施例中,为了保证待处理视频的调度处理速度,在MEC网络中存储两个基站传输时延相同的情况下,可将剩余处理资源最大的基站作为待处理视频对应的调度基站。
表示待处理视频在请求基站BSj未进行存储,且在某一邻近基站BSk(k∈K,k≠j)进行存储,并传输到除了邻近基站和请求基站BSj以外的第三个邻近基站BSt(t∈K,t≠j,k)进行处理;
表示待处理视频在请求基站BSj未进行存储,且在某一邻近基站BSk(k∈K,k≠j)命中,并传输到云服务器BS0进行处理;
表示待处理视频子请求基站BSj和邻近基站BSk(k∈K,k≠j)均未进行存储,且待处理视频在云服务器BS0进行处理。
在实施例中,采用基站MEC网络的分布式边云协同缓存系统,建立分布式边云协同缓存模型。
其中,MEC网络由多个MEC服务器组成,每个MEC服务器都部署在无线基站旁边,提供存储和计算功能,通过联合协作的方式,MEC网络中的MEC节点共享视频内容,对上传到MEC网络的视频进行联合协作缓存和数据处理,这些MEC服务器可以协作共享它们的计算和存储资源。变电站视频监控业务中的视频传输过程分为以下两个部分,包括视频上传和视频请求调度两个过程。在变电站上传视频的过程中,变电站的前端采集设备分别采集视频图像信息和物理环境监测信息,并将其通过无线网络上传到MEC网络,由于多个MEC服务器与远程云服务器联合协作工作,共享缓存视频,考虑到实时监控的需求,将上传视频的传输时延降到最小,同时该过程受到MEC网络上的各个边缘服务器的存储资源的限制;在请求调度过程中,监控中心向就近基站请求视频,视频需要经过处理之后再通过请求基站返回给调度中心,同时将该过程的传输总时延降到最小。
在实施例中,将一个MEC网络上的所有k个MEC服务器的集合表示为K={1,2,3,…,k},每个MEC服务器连接到跨越K个小区的蜂窝RAN中的无线基站BS,同一个MEC网络中的MEC服务器通过回程链路相互连接。在下述实施例中,对基站BS和MEC服务器不加区分地进行讨论和分析;特别的,k=0表示云服务器。可供下载视频集合表示为V={v1,v2,v3,…,vl},每个视频的大小分别为r1,r2,r3,….rl,对其进行处理的成本分别对应为p1,p2,p3,…,pl。
假设每个用户仅连接到最近的无线基站并从其接收数据,称其为用户的归属BS。为了模拟缓存放置策略,我们定义了缓存放置变量其中j∈K,vl∈V。如果vl在服务器j缓存,则否则缓存放置集合用集合C来表示,每个MEC服务器的存储资源是有限的,因此我们假设每个服务器都有M_j[Bytes]的存储容量,则每个MEC服务器的缓存存储容量约束可以表示为
为了模拟调度策略,自定义一系列调度变量vl∈V,分别对应于下图2-图9中的场景。其中,图2是本发明实施例提供的一种调度策略的场景显示示意图;图3是本发明实施例提供的另一种调度策略的场景显示示意图;图4是本发明实施例提供的又一种调度策略的场景显示示意图;图5是本发明实施例提供的再一种调度策略的场景显示示意图;图6是本发明实施例提供的再一种调度策略的场景显示示意图;图7是本发明实施例提供的再一种调度策略的场景显示示意图;图8是本发明实施例提供的再一种调度策略的场景显示示意图;图9是本发明实施例提供的再一种调度策略的场景显示示意图。具体的,每个调度变量的含义如下:
表示待处理视频在请求基站BSj未进行存储,且在某一邻近基站BSk(k∈K,k≠j)进行存储,并传输到除了邻近基站和请求基站BSj以外的第三个邻近基站BSt(t∈K,t≠j,k)进行处理;
由于每个MEC服务器的存储资源是有限的,因此我们假设每个服务器都有Pj的处理器资源,则每个MEC服务器的缓存存储容量约束可以表示为:
在实际操作过程中,由于变电站视频监控业务的特殊性,无人值守的环境下,需要对变电站现场进行监控,保证设备的稳定运行。一旦出现异常情况,需要及时记录以便将来的故障排查;如果异常情况达到警报条件,变电站的环境监测系统将会自动报警,并触发摄像头对指定位置进行拍摄,以便事故追忆和取证。前端系统采集的海量数据中,异常信息被调用的频率较高,应优先缓存在边缘侧。因此,在有限的存储容量里,使得MEC网络中存储缓存视频所包含的异常信息量最大:
为了求解C和R,本方案分别提出了基于贪心修正的蚁群算法来解决上传过程中的初始缓存位置的划分问题求解C;同时设计了基于贪心的处理位置决策算法来处理请求调度过程中请求处理的位置决策问题R。
在视频上传过程中,首先使用蚁群算法求视频缓存变量集合的初始解。在每次迭代过程中,每只蚂蚁都爬取一组视频缓存变量;若蚂蚁爬取的结果不满足约束条件,则需要该蚂蚁重新爬取新的一组视频缓存变量,直到变量满足约束条件。但该算法存在收敛速度慢、最优解波动大的问题。
基于贪心算法有收敛速度快的优点,本发明提出了基于贪心修正的蚁群算法。当蚁群算法求解得的位置划分策略不满足约束条件的时候,对当前策略进行贪心修正。在每次迭代中,根据每条蚂蚁爬取的分配路径,在每个基站以及云服务器形成一个视频缓存列表,若当前蚂蚁爬取的分配路径使某个基站分配到的缓存视频超过了基站容量,则对该基站和云服务器的视频缓存列表进行合并,按警报信息量大小进行联合降序排列,并依次贪心地将警报信息量较大的视频重新添加到当前基站维护的视频缓存列表,直至当前基站的视频缓存列表不满足约束条件,将剩余的视频添加到云服务器维护的视频缓存列表。如此进行多次反复迭代,最终求解得到视频缓存变量C,可以改进算法求解的精确度和收敛速度。
图10是本发明实施例提供的一种基于贪心修正的蚁群算法的流程图。如图10所示,本实施例中的蚁群算法包括如下步骤:
S210、开始。
S220、判断当前迭代次数是否小于预设迭代次数,若是,则执行S230;若否,则执行S2140。
S230、判断当前蚂蚁数量是否小于预设蚂蚁总数,若是,则执行S240;若否,则执行S2110。
S240、按照分配策略分配路径。
S250、判断是否满足存储容量约束条件,若否,则执行S260,若是,S2100。
S260、合并当前基站和云服务器维护的缓存视频列表,按照警报信息量进行联合降序排列。
S270、将警报信息量最大的待处理视频添加至当前基站维护的缓存视频列表。
S280、判断是否满足存储容量约束条件,若是,则返回S270;若否,则执行S290。
S290、将剩余的待处理视频添加至云服务器维护的缓存视频列表。
S2100、记录当前分配路径。
S2110、计算当前分配策略对应的总警报信息量。
S2120、计算总警报信息量最大的为最优路径,更新信息素矩阵。
在实施例中,更新信息素矩阵的方式包括:所有路径信息素挥发P,以及最优路径增加信息素q。
S2130、更新分配策略。
S2140、结束。
其中,图10所示的基于贪心修正的蚁群算法的伪代码如下:
在视频下载的过程中,考虑边缘服务器之间以及边缘服务器和云服务器之间的联合协作缓存。当请求基站旁的MEC服务器的处理资源不足时,考虑将其卸载到同一个MEC网络中其他有可得处理器资源的MEC服务器进行处理或者卸载到云服务器进行处理,在服务器存储容量和处理资源有限的情况下,最小化所有视频请求的总访问延迟成本的优化问题,其对应的目标函数和约束如下:
向基站BSj请求视频vl时的访问时延为:
对于BSj边缘处理能力有限,故有:
由于请求视频集里的每一个视频都有且仅有一个响应,故对于每一个视频请求有:
调度过程中的视频资源可得,故
调度变量的取值范围为:
在实施例中,基于贪心的处理位置决策算法来决定请求视频的处理位置,基于贪心的基于贪心的处理位置决策算法的伪代码如下:
在实施例中,利用蚁群算法求取视频缓存变量集合C的初始解;当视频缓存变量集合不满足约束条件时,使用贪心修正对初始解进行修正得到视频缓存变量C;采用基于贪心的处理位置决策算法求解视频调度集合R。
本实施例的技术方案,采用边云协同缓存策略,减少传输时延,满足变电站的实时传输需求;针对视频上传过程,基于贪心修正的蚁群算法对传统蚁群算法进行了贪心修正,优化算法的时间性能。
在一实施例中,利用下述模型对上述实施例中的基于贪心算法修正的蚁群算法进行仿真:考虑一个具有K=3个MEC服务器的MEC网络,每个MEC服务器部署在蜂窝RAN的无线基站旁。假设视频库由V=1000个唯一的视频段组成,视频块的大小为15MB,每个视频块对应的警报信息量大小服从均值为5,方差为0.6的正态分布,并且所有的视频段长度均为10分钟。请求的视频集中所包含的警报信息量服从参数α=0.6的齐夫分布,即每个基站处警报信息排名第i的视频被请求的概率为:
通过比较各种传统算法来验证本文所采用的方法的有效性。分别通过传统蚁群算法(AC)对基于贪心修正的蚁群算法(ACGC)进行比较,通过全缓存策略算法(LCE)对基于贪心的处理位置决策算法(GPLD)进行比较。接下来通过以下三个指标进行策略的性能评估:1)程序运行时间;2)缓存命中率:通过从缓存中检索或通过转码满足的请求的比例;3)平均访问时延:用户在开始接收所请求内容之前必须等待的平均延迟。
图11是本发明实施例提供的一种基站数量对蚁群算法运行时间影响的显示示意图。图12是本发明实施例提供的一种视频数量对蚁群算法运行时间影响的显示示意图。如图11所示,随着基站数量的增加,蚁群算法的运行时间也呈近似线性增大,基于贪心修正的蚁群算法的运行时间明显比传统蚁群算法的运行时间短,时间性能平均提高了12.9%;如图12所示,随着视频数量的增加,蚁群算法的运行时间也几乎呈线性增大基于贪心修正的蚁群算法的运行时间明显比传统蚁群算法的运行时间短时间性能平均提高了26.5%。综上,相比于传统的蚁群算法,基于贪心修正的蚁群算法有着较好的时间性能。
图13是本发明实施例提供的一种基站数量对边缘服务器的缓存命中率影响的显示示意图,图14是本发明实施例提供的一种基站数量对平均访问时延影响的显示示意图。如图13所示,随着基站数量的增加,边缘服务器的缓存命中率逐渐上升,但是上升速度逐渐减慢,且基于贪心的处理位置决策算法的缓存命中率比全缓存调度策略高,最终缓存命中率趋向于1。如图14所示,随着基站数量的增加,监控调度中心向基站请求视频的平均访问时延逐渐下降,且下降速度减缓,且基于贪心的处理位置决策算法的平均访问时延明显低于全缓存调度策略,时延最终趋于常数。综上,基于贪心的处理位置决策算法的缓存性能优于全缓存调度策略,增大了缓存命中率,并缩短了平均访问时延。
图15是本发明实施例提供的一种缓存容量对缓存命中率影响的显示示意图,图16是本发明实施例提供的一种缓存容量对平均访问时延影响的显示示意图。如图15所示,随着边缘服务器缓存容量与内容总量的比值增加,边缘服务器的缓存命中率逐渐上升,且基于贪心的处理位置决策算法的缓存命中率比全缓存调度策略高。如图16所示,随着边缘服务器缓存容量与内容总量的比值增加,监控调度中心向基站请求视频的平均访问时延逐渐下降,且下降速度减缓,且基于贪心的处理位置决策算法的平均访问时延明显低于全缓存调度策略。综上,缓存容量增加有利于提高缓存性能,基于贪心的处理位置决策算法的缓存性能优于全缓存调度策略,协作缓存调度的策略提高了边缘服务器的资源利用率,增大了缓存命中率,并缩短了平均访问时延。
本实施例的技术方案,面向变电站的视频监控业务,对边云协同缓存策略进行研究,提出了基于贪心修正的算法和基于贪心的处理位置决策算法。首先变电站的视频监控业务场景进行建模,将问题抽象成背包问题。仿真表明,基于贪心修正的蚁群算法和基于贪心的处理位置决策算法是比较好的算法。基于贪心修正的蚁群算法有效减少了程序运行时间,改进传统蚁群算法收敛速度慢的问题,有更好的时间性能;基于贪心的处理位置决策算法有效缩短系统时延,提高缓存命中率,有效缩短系统时延、提升缓存命中率。应用本文提出的面向变电站视频监控业务的边云协同缓存策略,对初始缓存位置和处理位置进行合理决策,可以减少系统时延,提高缓存命中率,有助于变电站的高效、可靠运行,提升变电站的智能化管理水平。
图17是本发明实施例提供的一种分布式边云协同缓存策略的实现装置的结构框图,该装置适用于变电站视频监控业务的情况,该装置可以由硬件/软件实现,并一般可集成在基站中。如图17所示,该装置包括:第一确定模块310、合并排列模块320和第二确定模块330。
其中,第一确定模块310,用于在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;
合并排列模块320,用于在当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并当前基站和云服务器的视频缓存列表,并按照警报信息量对每个待处理视频进行排列;
第二确定模块330,用于将警报信息量最大的待处理视频重新添加至当前基站对应的视频缓存列表,直至当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。
本实施例的技术方案,通过边缘计算技术,将核心云的部分功能下放到边缘侧,建立边云协同缓存模型,缩短了数据链路,减少了访问时延,满足变电站视频监控业务的实时响应需求。
在上述实施例的基础上,分布式边云协同缓存策略的实现装置,还包括:
第三确定模块,用于在得到对应的视频缓存变量集合之后,确定当前分配路径对应的总警报信息量;
第四确地模块,用于将总警报信息量最大的路径作为最优路径。
在上述实施例的基础上,分布式边云协同缓存策略的实现装置,还包括:
第五确定模块,用于按照当前基站的剩余存储资源和剩余处理资源确定待处理视频对应的调度策略。
在上述实施例的基础上,每个基站的预设缓存存储容量的满足下述约束条件:
在上述实施例的基础上,视频缓存变量集合C满足下述条件:
在上述实施例的基础上,第五确定模块,具体用于:在两个基站传输时延相同时,将剩余处理资源最大的基站作为待处理视频对应的调度基站。
上述分布式边云协同缓存策略的实现装置可执行本发明任意实施例所提供的分布式边云协同缓存策略的实现方法,具备执行方法相应的功能模块和有益效果。
图18是本发明实施例提供的一种设备的硬件结构示意图。如图18所示,本发明实施例提供的设备,包括:处理器410、存储器420、输入装置430和输出装置440。该设备中的处理器410可以是一个或多个,图18中以一个处理器410为例,设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接,图18中以通过总线连接为例。
该设备中的存储器420作为一种计算机可读存储介质,可用于存储一个或多个程序,程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例所提供分布式边云协同缓存策略的实现方法对应的程序指令/模块(例如,图17所示的分布式边云协同缓存策略的实现装置中的模块,包括:第一确定模块310、合并排列模块320和第二确定模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行车辆的各种功能应用以及数据处理,即实现上述方法实施例中的分布式边云协同缓存策略的实现方法。
存储器420可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据车辆中所配置设备的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于整车控制器410远程设置的存储器,这些远程存储器可以通过网络连接至车辆中所配置的设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收用户输入的数字或字符信息,以产生与车辆的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。并且,当上述车辆所包括一个或者多个程序被一个或者多个处理器410执行时,程序进行如下操作:
在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;在当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并当前基站和云服务器的视频缓存列表,并按照警报信息量对每个待处理视频进行排列;将警报信息量最大的待处理视频重新添加至当前基站对应的视频缓存列表,直至当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。
上述车辆中的设备可执行本发明任意实施例所提供的分布式边云协同缓存策略的实现方法,具备执行方法相应的功能模块和有益效果。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被设备执行时实现本发明实施例提供的分布式边云协同缓存策略的实现方法,该方法包括:在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;在当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并当前基站和云服务器的视频缓存列表,并按照警报信息量对每个待处理视频进行排列;将警报信息量最大的待处理视频重新添加至当前基站对应的视频缓存列表,直至当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括,但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种分布式边云协同缓存策略的实现方法,其特征在于,包括:
在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个所述待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;
在所述当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并所述当前基站和云服务器的视频缓存列表,并按照警报信息量对每个所述待处理视频进行排列;
将警报信息量最大的待处理视频重新添加至所述当前基站对应的视频缓存列表,直至所述当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。
2.根据权利要求1所述的方法,其特征在于,在所述得到对应的视频缓存变量集合之后,还包括:
确定当前分配路径对应的总警报信息量;
将所述总警报信息量最大的路径作为最优路径。
3.根据权利要求2所述的方法,其特征在于,在将所述总警报信息量最大的路径作为最优路径之后,还包括:
按照当前基站的剩余存储资源和剩余处理资源确定待处理视频对应的调度策略。
6.根据权利要求3所述的方法,其特征在于,所述按照当前基站的剩余存储资源和剩余处理资源确定待处理视频对应的调度策略,包括:
在两个基站传输时延相同时,将剩余处理资源最大的基站作为待处理视频对应的调度基站。
7.根据权利要求3所述的方法,其特征在于,所述调度策略包括下述之一:
表示待处理视频在BSk(k∈K,k≠j)进行存储,且在该邻近基站BSk(k∈J,k≠j)进行处理;
表示待处理视频在请求基站BSj未进行存储,且在某一邻近基站BSk(k∈K,k≠j)命中,并传输到云服务器BS0进行处理;
8.一种分布式边云协同缓存策略的实现装置,其特征在于,包括:
第一确定模块,用于在接收到一个或多个待处理视频时,根据蚁群算法爬取的当前分配路径为每个所述待处理视频分配一个基站或云服务器,得到对应的视频缓存列表;
合并排列模块,用于在所述当前分配路径使所分配的所有基站中的其中一个当前基站超过预设缓存存储容量时,合并所述当前基站和云服务器的视频缓存列表,并按照警报信息量对每个所述待处理视频进行排列;
第二确定模块,用于将警报信息量最大的待处理视频重新添加至所述当前基站对应的视频缓存列表,直至所述当前基站的容量达到预设缓存存储容量,并将剩余个数的待处理视频添加至云服务器对应的视频缓存列表,得到对应的视频缓存变量集合。
9.一种设备,其特征在于,包括:存储器以及一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的分布式边云协同缓存策略的实现方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的分布式边云协同缓存策略的实现方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911025997.5A CN110765365B (zh) | 2019-10-25 | 2019-10-25 | 分布式边云协同缓存策略的实现方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911025997.5A CN110765365B (zh) | 2019-10-25 | 2019-10-25 | 分布式边云协同缓存策略的实现方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110765365A true CN110765365A (zh) | 2020-02-07 |
CN110765365B CN110765365B (zh) | 2023-07-21 |
Family
ID=69333726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911025997.5A Active CN110765365B (zh) | 2019-10-25 | 2019-10-25 | 分布式边云协同缓存策略的实现方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110765365B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307823A (zh) * | 2020-04-13 | 2020-06-19 | 国家电网有限公司 | 基于边云协同的变电设备典型视觉缺陷检测系统及方法 |
CN111352609A (zh) * | 2020-03-05 | 2020-06-30 | 青岛大学 | 一种基于边缘计算的分布式外包模幂运算方法 |
CN111404729A (zh) * | 2020-03-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 边云协同系统管理方法、装置 |
CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
CN111935246A (zh) * | 2020-07-21 | 2020-11-13 | 山东省计算中心(国家超级计算济南中心) | 一种基于云边协作的用户生成内容上传方法和系统 |
CN112235414A (zh) * | 2020-10-26 | 2021-01-15 | 中国联合网络通信集团有限公司 | 文件缓存方法、运营商服务器及mec服务器 |
CN113194122A (zh) * | 2021-04-15 | 2021-07-30 | 厦门亿联网络技术股份有限公司 | 一种会议录制文件的网盘调度同步方法及系统 |
CN113591803A (zh) * | 2021-09-14 | 2021-11-02 | 广州健新科技有限责任公司 | 一种基于边云协同技术的配电房智能远程巡视方法及系统 |
CN113687876A (zh) * | 2021-08-17 | 2021-11-23 | 华北电力大学(保定) | 信息处理方法、自动驾驶控制方法和电子设备 |
CN114025362A (zh) * | 2022-01-05 | 2022-02-08 | 华东交通大学 | 基于无线通信和分布式计算的铁路施工安全监测方法 |
CN116702121A (zh) * | 2023-08-01 | 2023-09-05 | 南京云玑信息科技有限公司 | 一种云桌面场景下增强访问控制安全性的方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102227121A (zh) * | 2011-06-21 | 2011-10-26 | 中国科学院软件研究所 | 基于机器学习的分布式缓存策略自适应切换方法及系统 |
US20140280679A1 (en) * | 2013-03-14 | 2014-09-18 | The Regents Of The University Of California | System and method for video caching in wireless networks |
US20160113018A1 (en) * | 2014-10-20 | 2016-04-21 | Fujitsu Limited | Resource management in cloud-based radio access network |
WO2017100640A1 (en) * | 2015-12-11 | 2017-06-15 | Interdigital Patent Holdings, Inc. | Method and apparatus for enabling third party edge clouds at the mobile edge |
US20180014039A1 (en) * | 2012-03-13 | 2018-01-11 | Cisco Technology, Inc. | Coordinating video delivery with radio frequency conditions |
US20180131783A1 (en) * | 2016-11-08 | 2018-05-10 | Cisco Technology, Inc. | Video and Media Content Delivery Network Storage in Elastic Clouds |
CN108920279A (zh) * | 2018-07-13 | 2018-11-30 | 哈尔滨工业大学 | 一种多用户场景下的移动边缘计算任务卸载方法 |
CN109362064A (zh) * | 2018-09-14 | 2019-02-19 | 重庆邮电大学 | 在移动边缘计算网络中基于mec的任务缓存分配策略 |
CN109451517A (zh) * | 2018-12-27 | 2019-03-08 | 同济大学 | 一种基于移动边缘缓存网络的缓存放置优化方法 |
CN109474681A (zh) * | 2018-11-05 | 2019-03-15 | 安徽大学 | 移动边缘计算服务器的资源分配方法、系统及服务器系统 |
CN109548155A (zh) * | 2018-03-01 | 2019-03-29 | 重庆大学 | 一种分布式非平衡边缘云网络接入与资源分配机制 |
CN109831659A (zh) * | 2018-11-29 | 2019-05-31 | 北京邮电大学 | 一种vr视频的缓存方法及系统 |
CN110111214A (zh) * | 2019-04-24 | 2019-08-09 | 北京邮电大学 | 一种基于优先级的用户用能管理方法及系统 |
-
2019
- 2019-10-25 CN CN201911025997.5A patent/CN110765365B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102227121A (zh) * | 2011-06-21 | 2011-10-26 | 中国科学院软件研究所 | 基于机器学习的分布式缓存策略自适应切换方法及系统 |
US20180014039A1 (en) * | 2012-03-13 | 2018-01-11 | Cisco Technology, Inc. | Coordinating video delivery with radio frequency conditions |
US20140280679A1 (en) * | 2013-03-14 | 2014-09-18 | The Regents Of The University Of California | System and method for video caching in wireless networks |
US20160113018A1 (en) * | 2014-10-20 | 2016-04-21 | Fujitsu Limited | Resource management in cloud-based radio access network |
WO2017100640A1 (en) * | 2015-12-11 | 2017-06-15 | Interdigital Patent Holdings, Inc. | Method and apparatus for enabling third party edge clouds at the mobile edge |
US20180131783A1 (en) * | 2016-11-08 | 2018-05-10 | Cisco Technology, Inc. | Video and Media Content Delivery Network Storage in Elastic Clouds |
CN109548155A (zh) * | 2018-03-01 | 2019-03-29 | 重庆大学 | 一种分布式非平衡边缘云网络接入与资源分配机制 |
CN108920279A (zh) * | 2018-07-13 | 2018-11-30 | 哈尔滨工业大学 | 一种多用户场景下的移动边缘计算任务卸载方法 |
CN109362064A (zh) * | 2018-09-14 | 2019-02-19 | 重庆邮电大学 | 在移动边缘计算网络中基于mec的任务缓存分配策略 |
CN109474681A (zh) * | 2018-11-05 | 2019-03-15 | 安徽大学 | 移动边缘计算服务器的资源分配方法、系统及服务器系统 |
CN109831659A (zh) * | 2018-11-29 | 2019-05-31 | 北京邮电大学 | 一种vr视频的缓存方法及系统 |
CN109451517A (zh) * | 2018-12-27 | 2019-03-08 | 同济大学 | 一种基于移动边缘缓存网络的缓存放置优化方法 |
CN110111214A (zh) * | 2019-04-24 | 2019-08-09 | 北京邮电大学 | 一种基于优先级的用户用能管理方法及系统 |
Non-Patent Citations (4)
Title |
---|
JEONGHO KWAK等: "Hybrid Content Caching in 5G Wireless Networks: Cloud Versus Edge Caching", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 * |
周林藤等: "考虑内容异构5G无线网络云对边混合缓存策略", 《计算机工程与应用》 * |
魏欣等: "基于拓扑的命名数据网络缓存优化策略", 《电子与信息学报》 * |
黄振宇等: "基于自由视点视频的缓存防止策略", 《电子测量技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111404729A (zh) * | 2020-03-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 边云协同系统管理方法、装置 |
CN111404729B (zh) * | 2020-03-04 | 2021-08-31 | 腾讯科技(深圳)有限公司 | 边云协同系统管理方法、装置 |
CN111352609B (zh) * | 2020-03-05 | 2022-06-14 | 青岛大学 | 一种基于边缘计算的分布式外包模幂运算方法 |
CN111352609A (zh) * | 2020-03-05 | 2020-06-30 | 青岛大学 | 一种基于边缘计算的分布式外包模幂运算方法 |
CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
CN111307823A (zh) * | 2020-04-13 | 2020-06-19 | 国家电网有限公司 | 基于边云协同的变电设备典型视觉缺陷检测系统及方法 |
CN111935246A (zh) * | 2020-07-21 | 2020-11-13 | 山东省计算中心(国家超级计算济南中心) | 一种基于云边协作的用户生成内容上传方法和系统 |
CN112235414A (zh) * | 2020-10-26 | 2021-01-15 | 中国联合网络通信集团有限公司 | 文件缓存方法、运营商服务器及mec服务器 |
CN113194122A (zh) * | 2021-04-15 | 2021-07-30 | 厦门亿联网络技术股份有限公司 | 一种会议录制文件的网盘调度同步方法及系统 |
CN113194122B (zh) * | 2021-04-15 | 2023-10-31 | 厦门亿联网络技术股份有限公司 | 一种会议录制文件的网盘调度同步方法及系统 |
CN113687876B (zh) * | 2021-08-17 | 2023-05-23 | 华北电力大学(保定) | 信息处理方法、自动驾驶控制方法和电子设备 |
CN113687876A (zh) * | 2021-08-17 | 2021-11-23 | 华北电力大学(保定) | 信息处理方法、自动驾驶控制方法和电子设备 |
CN113591803A (zh) * | 2021-09-14 | 2021-11-02 | 广州健新科技有限责任公司 | 一种基于边云协同技术的配电房智能远程巡视方法及系统 |
CN114025362A (zh) * | 2022-01-05 | 2022-02-08 | 华东交通大学 | 基于无线通信和分布式计算的铁路施工安全监测方法 |
CN116702121A (zh) * | 2023-08-01 | 2023-09-05 | 南京云玑信息科技有限公司 | 一种云桌面场景下增强访问控制安全性的方法 |
CN116702121B (zh) * | 2023-08-01 | 2023-10-03 | 南京云玑信息科技有限公司 | 一种云桌面场景下增强访问控制安全性的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110765365B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765365A (zh) | 分布式边云协同缓存策略的实现方法、装置、设备和介质 | |
CN110941667B (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
CN108509276B (zh) | 一种边缘计算环境中的视频任务动态迁移方法 | |
CN111541760B (zh) | 基于无服务器雾计算系统架构的复杂任务分配方法 | |
EP3780496B1 (en) | Feature engineering programming method and apparatus | |
CN114138373B (zh) | 一种基于强化学习的边缘计算任务卸载方法 | |
CN112737823A (zh) | 一种资源切片分配方法、装置及计算机设备 | |
CN111352711B (zh) | 多计算引擎调度方法、装置、设备及存储介质 | |
CN115103404A (zh) | 一种算力网络中节点任务调度方法 | |
Chen et al. | Latency minimization for mobile edge computing networks | |
Wu et al. | A mobile edge computing-based applications execution framework for Internet of Vehicles | |
He et al. | Server configuration optimization in mobile edge computing: A cost‐performance tradeoff perspective | |
CN115297171A (zh) | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 | |
US9621438B2 (en) | Network traffic management | |
Li et al. | Collaborative content caching and task offloading in multi-access edge computing | |
CN113242304B (zh) | 边缘侧多能源数据采集调度控制方法、装置、设备和介质 | |
CN116755867B (zh) | 一种面向卫星云的计算资源调度系统、方法及存储介质 | |
Li et al. | A Real‐Time Monitoring and Warning System for Power Grids Based on Edge Computing | |
CN112398917A (zh) | 面向多站融合架构的实时任务调度方法和装置 | |
CN116996938A (zh) | 车联网任务卸载方法、终端设备及存储介质 | |
Vasilakos et al. | Mobility-based proactive multicast for seamless mobility support in cellular network environments | |
CN108667920B (zh) | 一种雾计算环境业务流量加速系统及其业务流量加速方法 | |
CN116302578A (zh) | 一种QoS约束的流应用延迟确保方法及系统 | |
CN114741200A (zh) | 面向数据中台的计算资源分配方法、装置及电子设备 | |
CN116017570A (zh) | 一种基于区块链的边缘计算系统资源管理方法 |
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 |