CN110928654A - 一种边缘计算系统中分布式的在线任务卸载调度方法 - Google Patents
一种边缘计算系统中分布式的在线任务卸载调度方法 Download PDFInfo
- Publication number
- CN110928654A CN110928654A CN201911062119.0A CN201911062119A CN110928654A CN 110928654 A CN110928654 A CN 110928654A CN 201911062119 A CN201911062119 A CN 201911062119A CN 110928654 A CN110928654 A CN 110928654A
- Authority
- CN
- China
- Prior art keywords
- task
- edge
- time
- phi
- tasks
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000012733 comparative method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
- G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Multi Processors (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明涉及一种边缘计算系统中分布式的在线任务卸载调度方法,在一个考虑异构计算任务随机实时到来的边缘计算系统中,将时间分成等长时间片,并将任务卸载调度问题分解为一组子问题,即每个设备和边缘服务器在能耗和存储限制下独立地确定任务卸载调度方案,从而最小化解决问题的平均时延。每个时间片中,依次执行以下步骤:首先采用迭代更新的方法为每个移动智能设备计算最佳CPU频率、发射功率和任务卸载决策;然后,更新每个设备的虚拟任务队列积压;最后通过收集所有设备的任务卸载决策,边缘服务器计算要卸载到云服务器的每种类型的任务数量。本发明保证在设备的能耗和存储空间限制下,所有计算任务的平均完成时延可以达到接近最优。
Description
技术领域
本发明涉及一种边缘计算系统中分布式的在线任务卸载调度方法,是一种边缘计算系统中最小化平均的任务完成时延的在线卸载调度方法,在一个考虑异构计算任务随机实时到来的边缘计算系统中,通过决策计算任务是否在本地执行还是卸载到边缘端或云端,使得计算任务的平均完成时延最小化。
背景技术
随着具有高带宽、低延时的无线通信技术(如5G)的发展和成熟,涌现了许多新应用场景,如虚拟现实和增强现实,传统的集中式的云计算服务已经不能满足这些应用的需求,因此边缘计算技术应运而生。它将计算工作负载从远程的云服务器下沉到网络边缘端(如基站或无线接入点)。如图1所示,一个典型的边缘计算系统由众多移动智能设备、边缘服务器和云服务器组成,计算任务由移动智能设备上的各种应用程序实时生成,这些任务可以在智能设备上执行,也可以卸载到边缘服务器或云服务器上执行。由于移动智能设备和边缘服务器的计算资源有限,如何调度大量计算任务在何处执行,被称为边缘计算系统中的任务卸载问题。
对于任务卸载调度问题而言,尽量降低所有任务平均的完成时延是首要目标。每个计算任务有三种执行模式(如图1所示),即本地执行、卸载到边缘服务器执行、卸载到云服务器执行,不同的执行模式会导致不同的任务完成时延。然而,任务卸载的决策除了考虑任务的完成时延外,还受到移动智能设备计算资源、能耗和边缘服务器计算能力的制约。首先,移动智能设备和边缘服务器的计算资源(如CPU频率)都是有限的。其次,移动智能设备执行计算和进行网络传输(将计算任务卸载到边缘服务器)时都会产生一定的能量消耗,而移动智能设备由电池供电,能量有限。与此同时,考虑到计算任务的异构性(即不同应用产生的计算任务在数据量、计算量等方面具有较大差异)和随机性(即众多移动智能设备上不同的应用动态实时的产生计算任务),在线任务卸载调度是一个十分复杂的问题,可通过建模和理论分析证明其是一个NP难问题。近年来,虽然有一些相关的工作对边缘计系统中的任务卸载问题进行了研究,并提出了一些优化算法,但是它们大多只考虑边缘端与云端之间的任务调度,且提出的调度算法大都是集中式的。
发明内容
本发明的目的是针对已有技术的不足,提供一种边缘计算系统中分布式的在线任务卸载调度方法,为移动智能设备和边缘服务器设计一种分布式的决策算法,以实现在边缘计算系统中最小化所有计算任务的平均完成时延。该方法考虑到不同的应用程序生成的计算任务具有异构性和随机性,移动智能设备和边缘服务器的计算资源有限性,以及移动智能设备的能耗问题,针对具有三层体系结构的边缘计算系统提出一个任务卸载调度算法,使得所有任务的平均完成时延最小化。
为了达到这个目标,本发明是通过以下技术方案来解决其技术问题的:
一种边缘计算系统中分布式的在线任务卸载调度方法,操作步骤如下:
步骤一,为边缘计算系统进行建模,考虑一个具有三层体系结构的边缘计算系统,其包含一个云端服务器、一个边缘端服务器和n个移动智能设备时间被划分为等长时间片计算任务的类型为Φ={φ1,φ2,…,φm},每个类型为φj∈Φ的计算任务的输入数据量为sj,完成需要的CPU周期为cj;Γi,j(τ)∈{0,1}表示移动设备ui是否在时间片tτ内产生一个类型为φj的任务;
步骤二,为计算任务的执行模式进行建模,每个计算任务都在以下三种执行模式的任一种模式下完成,每种执行模式所引起的任务完成时延、移动设备能耗等都是不同的:
(1)本地执行模式:用Ii,j(τ)∈{0,1}来tτ时刻产生的类型为φj的计算任务是否在本地设备ui上执行,fi(τ)∈[fi min,fi max]是设备ui在时间片tτ的CPU频率;设备ui在时间片tτ中执行计算任务的总时间为消耗的能量为 其中κi是开关电容;ui中已占用的总存储量不超过其最大存储空间
(2)边缘端执行模式:若设备ui将tτ时刻产生的类型为φj的计算任务卸载到边缘服务器,需要的传输时间为其中Ri(τ)=wi log2(1+σi(τ)pi(τ))为数据传输速率,消耗的能量为wi是ui的带宽,σi(τ)等于时间片tτ内的信道功率增益除以边缘服务器上的噪声功率,而是设备ui的发射功率;因此,ui在tτ时间片内消耗的总能量为其不能超电池剩余电量Ei(τ)和电池总容量即考虑边缘服务器将不同类型的任务分配给不同的虚拟机独立执行,执行类型为φj的任务的虚拟机在tτ内的CPU频率为gj(τ);若边缘服务器将Mj(τ)个类型为φj的计算任务卸载到云服务器的其执行计算任务花费的总时间为
(3)云端执行模式:考虑云服务器的计算能力相对于边缘端是极大的,因此只需考虑将任务从边缘端传输到云端所花费的时间;计算任务卸载所需时间与其输入数据量成比例,tτ内比例系数为ρ(τ),所以卸载计算任务到云服务器的总时间为根据以上系统建模,tτ内完成所有计算任务的总时延是
任务卸载的目标是在考虑移动智能设备的能耗和存储空间限制的情况下,最小化所有任务的平均完成时延。每个设备需要决定卸载哪些任务到边缘服务器并仔细调整CPU频率和发送功率,边缘服务器需要决定卸载到云服务器的任务数量。综上,边缘计算系统的在线任务卸载调度问题可以形式化为:
所述步骤三中的分布式算法在每个时间片tτ内,依次执行以下内容:
首先,为每个设备ui执行以下四个步骤:
1)将拉格朗日乘子βi初始化为一个小的正值,βi是为简化问题而引入的变量;
2)给定βi,根据以下公式计算CPU频率fi(τ)、发射功率pi(τ)和任务卸载决策Ii,j(τ)的最优解;
s.t. fi min≤fi(τ)≤fi max,
4)迭代操作2)、3),直到βi更新后的值与更新前的值之差的平方小于等于设定的正阈值ξ时迭代停止;
最后,收集所有设备的任务卸载决策Ii,j(τ),边缘服务器计算要卸载到云服务器的每种类型的任务数量Mj(τ),计算公式如下:
本发明的与现有技术相比较,具有如下显而易见的突出实质性特点和显著技术进步:
本发明在三层体系结构的边缘计算系统中将在线任务卸载调度问题形式化为最小化所有任务完成的平均时延。该问题是具有平均时间约束的混合整数非线性优化问题,是NP难问题。本发明为移动智能设备和边缘服务器提出了一种分布式的在线任务卸载方法,使得每个移动智能设备和边缘服务器独立地制定卸载决策。本在线分布式任务卸载方法被证明可以实现接近最优的性能。
附图说明
图1是边缘计算系统的任务产生、执行与卸载的示意图。
图2是本分布式的在线任务卸载调度方法的流程图。
图3是三种算法在改变设备数时任务完成的总时延变化情况示意图。
图4是将任务生成速率从0.25逐渐变化为1时三种算法中任务完成总时延的变化情况。
具体实施方式
本发明的优选实施例结合附图详述如下:
参见图2,本边缘计算系统中分布式的在线任务卸载调度方法,操作步骤为:
步骤一,为边缘计算系统进行建模。我们考虑一个具有三层体系结构的边缘计算系统,其包含一个云端服务器、一个边缘端服务器和n个移动智能设备时间被划分为等长时间片将计算任务分类,其类型的集合为Φ={φ1,φ2,…,φm},每个类型为φj∈Φ的计算任务的输入数据量为sj,完成需要的CPU周期为cj。用Γi,j(τ)∈{0,1}表示移动设备ui是否在时间片tτ内产生一个类型为φj的任务。
步骤二,为计算任务的执行模式进行建模。每个计算任务都可以在以下三种执行模式(本地执行模式、边缘端执行模式、云端执行模式)的任一种模式下完成,每种执行模式所引起的任务完成时延、移动设备能耗等都是不同的。任务卸载的目标是在考虑移动智能设备的能耗和存储空间限制的情况下,最小化所有任务平均的完成时延,我们将在线任务卸载调度问题分解为一组子问题,每个子问题可由移动设备或边缘服务器分别独立解决。
所述步骤三中的分布式算法为,在每个时间片tτ内,算法依次执行以下内容:
首先,为每个设备ui执行以下四个步骤:
1)将拉格朗日乘子βi初始化为一个小的正值,βi是为简化问题而引入的变量;
2)给定βi,根据以下公式计算CPU频率fi(τ)、发射功率pi(τ)和任务卸载决策Ii,j(τ)的最优解;
s.t. fi min≤fi(τ)≤fi max,
4)迭代操作2)、3),直到βi更新后的值与更新前的值之差的平方小于等于设定的正阈值ξ时迭代停止。
最后,收集所有设备的任务卸载决策Ii,j(τ),边缘服务器计算要卸载到云服务器的每种类型的任务数量Mj(τ),计算公式如下:
实施例1:为了更清晰的阐述本发明的目的、技术方案和优点。本实施例通过模拟实验对比的方式进一步说明本发明实施例的边缘计算系统中分布式的在线任务卸载调度方法的技术效果。本实施例的分布式算法步骤为:首先在每个时间片tτ中,对于每个移动智能设备ui,算法首先进行参数初始化,将每个虚拟队列初始化为Qi(τ)=0。再采用迭代更新的方法来求得fi(τ),pi(τ),Ii,j(τ)的最优解,然后更新每个设备ui的虚拟任务队列Qi的积压Qi(τ)。最后,通过收集所有设备的任务卸载决策Ii,j(τ),边缘服务器计算要卸载到云服务器的每种类型的任务数量Mj(τ)。我们的分布式算法使得移动设备与边缘服务器独立地决定自身卸载调度方案。
在下面的模拟实验对比过程中,系统参数的默认设置如下。考虑4种不同类型的任务,每类任务的输入数据的大小和预期的CPU周期数分别为[40,600]、[60,300]、[40,300]、[60,600]。边缘计算系统中有5个移动设备,每个设备的最大和最小CPU频率分别设置为3GHz和1GHz,最大传输功率为4mW,最大存储空间从100到200不等,最大电池容量为30。各设备在一个时间片内的充电量均匀分布在[0,10]中,即平均充电速率为5mW。边缘服务器上执行每种类型任务的CPU频率均匀分布在[1GHz,10GHz]。其他参数的默认值设置为κi=2*10-6,wi=10,σi(τ)=3*105,σi(τ)=[0.001,0.01],V=10,ξ=0.5,γ=1。在每个时间片中,在每个设备上以一定的概率(称为任务生成率)生成每种类型的任务,例如0.5。任务生成速率越大,每个时间段内到达系统的任务就越多。
首先简要介绍作为比较标准的两个对比方法baseline1和baseline2。baseline1针对本系统的优化目标以集中式卸载调度方法来最小化每个时间片内任务完成的总时延。在baseline2中,我们用Lyapunov优化将原优化问题转换成未来信息未知情况下可解的混合整数非线性优化问题,并采用集中式调度方法来最小化每个时间片内任务完成的总时延。
根据上述方法与具体参数设置,我们通过改变设备数量和任务生成速率来评估三种算法的总时延性能。每组实验重复10次,取10次实验的平均值作为实验的结果。以下的实验对比图中将本发明实施例的边缘计算系统中分布式的在线任务卸载调度方法简称为:our algorithm。
如图3所示,我们对比了三种算法在改变设备数时任务完成的总时延变化情况。可见在边缘系统中有更多的设备,各算法就有更大的时延。显然,无论系统中有多少台设备,我们的算法相比于两个对比方法都有更好的性能。特别是当系统中有25个移动设备时,我们的算法中任务完成的时延分别比两个对比方法低45.6%和59.9%。
图4对比了将任务生成速率从0.25逐渐变化为1时三种算法中任务完成总时延的变化情况。可见当任务生成率为1时,每个算法所实现的总延迟大大增加,这是因为许多任务超出了移动设备和边缘服务器的计算能力从而被卸载到云服务器上。显然,无论生成多少任务,我们的算法都能获得较低的延迟,验证了我们算法的优越性。特别是当任务生成率为0.75时,我们的算法实现的总时延分别比两个对比方法低23.0%和35.7%。
综上所述,本发明提供的一种边缘计算系统中分布式的在线任务卸载调度方法,通过同时考虑云计算与边缘计算两种计算资源,解决了在三层体系结构的边缘计算系统中的在线任务卸载调度问题,通过实现移动设备与边缘服务器独立进行任务卸载决策,大大减少完成设备产生的计算任务的总时延,同时也降低了移动设备完成任务所消耗的能量,使其在有限的能耗限制下完成更多计算任务。
所属领域的普通技术人员应当理解:以上所述实施例仅作为本发明的示例性讨论,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种边缘计算系统中分布式的在线任务卸载调度方法,其特征在于,操作步骤如下:
步骤一,为边缘计算系统进行建模,考虑一个具有三层体系结构的边缘计算系统,其包含一个云端服务器、一个边缘端服务器和n个移动智能设备u={u1,u2,…,un},时间被划分为等长时间片T={t1,t2,…,tτ,…};计算任务的类型为Φ={φ1,φ2,…,φm},每个类型为φj∈Φ的计算任务的输入数据量为sj,完成需要的CPU周期为cj;Γi,j(τ)∈{0,1}表示移动设备ui是否在时间片tτ内产生一个类型为φj的任务;
步骤二,为计算任务的执行模式进行建模,每个计算任务都在以下三种执行模式的任一种模式下完成,每种执行模式所引起的任务完成时延、移动设备能耗等都是不同的:
(1)本地执行模式:用Ii,j(τ)∈{0,1}来tτ时刻产生的类型为φj的计算任务是否在本地设备ui上执行,fi(τ)∈[fi min,fi max]是设备ui在时间片tτ的CPU频率;设备ui在时间片tτ中执行计算任务的总时间为消耗的能量为Ti (u)(τ),其中κi是开关电容;ui中已占用的总存储量不超过其最大存储空间
(2)边缘端执行模式:若设备ui将tτ时刻产生的类型为φj的计算任务卸载到边缘服务器,需要的传输时间为其中Ri(τ)=wilog2(1+σi(τ)pi(τ))为数据传输速率,消耗的能量为wi是ui的带宽,σi(τ)等于时间片tτ内的信道功率增益除以边缘服务器上的噪声功率,而是设备ui的发射功率;因此,ui在tτ时间片内消耗的总能量为其不能超电池剩余电量Ei(τ)和电池总容量即考虑边缘服务器将不同类型的任务分配给不同的虚拟机独立执行,执行类型为φj的任务的虚拟机在tτ内的CPU频率为gj(τ);若边缘服务器将Mj(τ)个类型为φj的计算任务卸载到云服务器的其执行计算任务花费的总时间为
(3)云端执行模式:考虑云服务器的计算能力相对于边缘端是极大的,因此只需考虑将任务从边缘端传输到云端所花费的时间;计算任务卸载所需时间与其输入数据量成比例,tτ内比例系数为ρ(τ),所以卸载计算任务到云服务器的总时间为根据以上系统建模,tτ内完成所有计算任务的总时延是
2.根据权利要求1所述的边缘计算系统中分布式的在线任务卸载调度方法,其特征在于,所述步骤三中的分布式算法在每个时间片tτ内,依次执行以下内容:
首先,为每个设备ui执行以下四个步骤:
1)将拉格朗日乘子βi初始化为一个小的正值,βi是为简化问题而引入的变量;
2)给定βi,根据以下公式计算CPU频率fi(τ)、发射功率pi(τ)和任务卸载决策Ii,j(τ)的最优解;
s.t.fi min≤fi(τ)≤fi max,
4)迭代操作2)、3),直到βi更新后的值与更新前的值之差的平方小于等于设定的正阈值ξ时迭代停止;
最后,收集所有设备的任务卸载决策Ii,j(τ),边缘服务器计算要卸载到云服务器的每种类型的任务数量Mj(τ),计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911062119.0A CN110928654B (zh) | 2019-11-02 | 2019-11-02 | 一种边缘计算系统中分布式的在线任务卸载调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911062119.0A CN110928654B (zh) | 2019-11-02 | 2019-11-02 | 一种边缘计算系统中分布式的在线任务卸载调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110928654A true CN110928654A (zh) | 2020-03-27 |
CN110928654B CN110928654B (zh) | 2024-03-19 |
Family
ID=69850193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911062119.0A Active CN110928654B (zh) | 2019-11-02 | 2019-11-02 | 一种边缘计算系统中分布式的在线任务卸载调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110928654B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556143A (zh) * | 2020-04-27 | 2020-08-18 | 中南林业科技大学 | 移动边缘计算中协作卸载机制下的最小化时延方法 |
CN111726826A (zh) * | 2020-05-25 | 2020-09-29 | 上海大学 | 一种基站密集型边缘计算网络中的在线任务卸载方法 |
CN111930436A (zh) * | 2020-07-13 | 2020-11-13 | 兰州理工大学 | 一种基于边缘计算的随机型任务排队卸载优化方法 |
CN112130927A (zh) * | 2020-09-21 | 2020-12-25 | 安阳师范学院 | 一种可靠性增强的移动边缘计算任务卸载方法 |
CN112162837A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算调度方法及系统 |
CN112214261A (zh) * | 2020-10-30 | 2021-01-12 | 内蒙古工业大学 | 一种面向边缘智能的三层结构dnn计算卸载方法 |
CN112365658A (zh) * | 2020-09-21 | 2021-02-12 | 国网江苏省电力有限公司信息通信分公司 | 一种基于边缘计算的充电桩资源分配方法 |
CN112512061A (zh) * | 2020-11-05 | 2021-03-16 | 上海大学 | 一种多接入边缘计算系统中的任务卸载与分派方法 |
CN112600706A (zh) * | 2020-12-14 | 2021-04-02 | 南京万般上品信息技术有限公司 | 一种基于5g网络在线学习的任务卸载方法 |
CN113114733A (zh) * | 2021-03-24 | 2021-07-13 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
CN113159539A (zh) * | 2021-04-07 | 2021-07-23 | 中山大学 | 多层边缘计算系统中联合绿色能源调度和动态任务分配方法 |
CN113190342A (zh) * | 2021-06-01 | 2021-07-30 | 湖南工学院 | 用于云-边协同网络的多应用细粒度卸载的方法与系统架构 |
CN113961264A (zh) * | 2021-09-30 | 2022-01-21 | 河海大学 | 一种面向视频监控云边协同的智能卸载算法与系统 |
CN114281426A (zh) * | 2021-12-21 | 2022-04-05 | 中国联合网络通信集团有限公司 | 任务卸载方法、装置、电子设备及可读存储介质 |
WO2023040022A1 (zh) * | 2021-09-17 | 2023-03-23 | 重庆邮电大学 | 一种在随机网络中基于算网协同的分布式计算卸载方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710336A (zh) * | 2019-01-11 | 2019-05-03 | 中南林业科技大学 | 联合能量和延迟优化的移动边缘计算任务调度方法 |
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
-
2019
- 2019-11-02 CN CN201911062119.0A patent/CN110928654B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109710336A (zh) * | 2019-01-11 | 2019-05-03 | 中南林业科技大学 | 联合能量和延迟优化的移动边缘计算任务调度方法 |
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
Non-Patent Citations (1)
Title |
---|
刘通: "双层边缘计算结构中最小化功率", 《重庆理工大学学报(自然科学)》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556143A (zh) * | 2020-04-27 | 2020-08-18 | 中南林业科技大学 | 移动边缘计算中协作卸载机制下的最小化时延方法 |
CN111726826A (zh) * | 2020-05-25 | 2020-09-29 | 上海大学 | 一种基站密集型边缘计算网络中的在线任务卸载方法 |
CN111726826B (zh) * | 2020-05-25 | 2024-03-19 | 上海大学 | 一种基站密集型边缘计算网络中的在线任务卸载方法 |
CN111930436A (zh) * | 2020-07-13 | 2020-11-13 | 兰州理工大学 | 一种基于边缘计算的随机型任务排队卸载优化方法 |
CN112162837A (zh) * | 2020-09-17 | 2021-01-01 | 中国科学院计算机网络信息中心 | 一种基于软件定义的边缘计算调度方法及系统 |
CN112130927A (zh) * | 2020-09-21 | 2020-12-25 | 安阳师范学院 | 一种可靠性增强的移动边缘计算任务卸载方法 |
CN112365658A (zh) * | 2020-09-21 | 2021-02-12 | 国网江苏省电力有限公司信息通信分公司 | 一种基于边缘计算的充电桩资源分配方法 |
CN112130927B (zh) * | 2020-09-21 | 2022-09-13 | 安阳师范学院 | 一种可靠性增强的移动边缘计算任务卸载方法 |
CN112214261B (zh) * | 2020-10-30 | 2021-10-15 | 内蒙古工业大学 | 一种面向边缘智能的三层结构dnn计算卸载方法 |
CN112214261A (zh) * | 2020-10-30 | 2021-01-12 | 内蒙古工业大学 | 一种面向边缘智能的三层结构dnn计算卸载方法 |
CN112512061A (zh) * | 2020-11-05 | 2021-03-16 | 上海大学 | 一种多接入边缘计算系统中的任务卸载与分派方法 |
CN112512061B (zh) * | 2020-11-05 | 2022-11-22 | 上海大学 | 一种多接入边缘计算系统中的任务卸载与分派方法 |
CN112600706B (zh) * | 2020-12-14 | 2023-10-27 | 南京万般上品信息技术有限公司 | 一种基于5g网络在线学习的任务卸载方法 |
CN112600706A (zh) * | 2020-12-14 | 2021-04-02 | 南京万般上品信息技术有限公司 | 一种基于5g网络在线学习的任务卸载方法 |
CN113114733B (zh) * | 2021-03-24 | 2022-07-08 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
CN113114733A (zh) * | 2021-03-24 | 2021-07-13 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
CN113159539B (zh) * | 2021-04-07 | 2023-09-29 | 中山大学 | 多层边缘计算系统中联合绿色能量调度和动态任务分配方法 |
CN113159539A (zh) * | 2021-04-07 | 2021-07-23 | 中山大学 | 多层边缘计算系统中联合绿色能源调度和动态任务分配方法 |
CN113190342A (zh) * | 2021-06-01 | 2021-07-30 | 湖南工学院 | 用于云-边协同网络的多应用细粒度卸载的方法与系统架构 |
WO2023040022A1 (zh) * | 2021-09-17 | 2023-03-23 | 重庆邮电大学 | 一种在随机网络中基于算网协同的分布式计算卸载方法 |
US11831708B2 (en) | 2021-09-17 | 2023-11-28 | Chongqing University Of Posts And Telecommunications | Distributed computation offloading method based on computation-network collaboration in stochastic network |
CN113961264A (zh) * | 2021-09-30 | 2022-01-21 | 河海大学 | 一种面向视频监控云边协同的智能卸载算法与系统 |
CN113961264B (zh) * | 2021-09-30 | 2024-01-09 | 河海大学 | 一种面向视频监控云边协同的智能卸载算法与系统 |
CN114281426A (zh) * | 2021-12-21 | 2022-04-05 | 中国联合网络通信集团有限公司 | 任务卸载方法、装置、电子设备及可读存储介质 |
CN114281426B (zh) * | 2021-12-21 | 2023-05-16 | 中国联合网络通信集团有限公司 | 任务卸载方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110928654B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110928654A (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
Zhang et al. | Distributed energy management for multiuser mobile-edge computing systems with energy harvesting devices and QoS constraints | |
CN113950066B (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
Cui et al. | Energy-efficient resource allocation for cache-assisted mobile edge computing | |
Gao et al. | Task partitioning and offloading in DNN-task enabled mobile edge computing networks | |
Zhang et al. | Joint parallel offloading and load balancing for cooperative-MEC systems with delay constraints | |
CN112996056A (zh) | 一种云边协同下时延最优化的计算任务卸载方法及装置 | |
CN112416603B (zh) | 一种基于雾计算的联合优化系统和方法 | |
CN113286317A (zh) | 一种基于无线供能边缘网络的任务调度方法 | |
Zhang et al. | Effect: Energy-efficient fog computing framework for real-time video processing | |
Zhang et al. | Resource allocation for multi-user MEC system: machine learning approaches | |
Jiang et al. | Research on new edge computing network architecture and task offloading strategy for Internet of Things | |
Zhang et al. | Energy minimization task offloading mechanism with edge-cloud collaboration in IoT networks | |
CN114745666A (zh) | 一种用于拥挤场馆中无人机辅助边缘计算方法 | |
Wang et al. | Joint heterogeneous tasks offloading and resource allocation in mobile edge computing systems | |
CN111294886B (zh) | 一种基于无线能量驱动的移动边缘计算方法及装置 | |
Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及系统 | |
Ansere et al. | Quantum deep reinforcement learning for dynamic resource allocation in mobile edge computing-based IoT systems | |
Xu et al. | Accelerating split federated learning over wireless communication networks | |
CN112486685A (zh) | 一种电力物联网的计算任务分配方法、装置及计算机设备 | |
Xiong et al. | An energy aware algorithm for edge task offloading | |
Li | Optimization of task offloading problem based on simulated annealing algorithm in MEC | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 |
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 |