CN111049917A - 一种基于移动边缘计算的移动感知多用户卸载优化方法 - Google Patents
一种基于移动边缘计算的移动感知多用户卸载优化方法 Download PDFInfo
- Publication number
- CN111049917A CN111049917A CN201911314311.4A CN201911314311A CN111049917A CN 111049917 A CN111049917 A CN 111049917A CN 201911314311 A CN201911314311 A CN 201911314311A CN 111049917 A CN111049917 A CN 111049917A
- Authority
- CN
- China
- Prior art keywords
- user
- mobile
- denotes
- mode
- unloading
- 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
-
- 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
- H04L67/1021—Server selection for load balancing based on client or server locations
-
- 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
- H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
-
- 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
- H04W28/08—Load balancing or load distribution
- H04W28/082—Load balancing or load distribution among bearers or channels
Abstract
本发明基于移动边缘计算服务器有限的计算和无线资源,提供了一种基于移动边缘计算的移动感知多用户卸载优化方法,本发明考虑到用户的移动性以及任务时延,找到最优的卸载方案来最大化系统范围内的用户效用。本发明提出了启发式移动感知搜索算法,以获得最优的卸载方案,本发明将原始的全局优化问题转化成多个局部优化问题,并将局部优化问题分解成子问题进行求解,最终能在较优计算复杂度情况下得到相比其他技术更优的性能。
Description
技术领域
本发明属于移动云计算技术领域,尤其涉及一种基于移动边缘计算的移动感知多用户卸载优化方法。
背景技术
随着物联网的发展,出现了许多新的移动应用设备,由于用户设备的资源有限不能支持计算密集、时延敏感以及带宽等需求,因此需要寻求一些新的方式来解决这些问题。过去提出了移动云端计算(MCC)的方法,将移动应用中资源密集的部分卸载到强大的远程云端进行处理,但是,在用户和云端长距离传送的过程中会产生高时延和抖动,有些对带宽需求高的应用还会造成网络拥塞,这对于核心网来说是不利的。
由于移动云端计算存在不足,于是近几年提出了移动边缘计算(MEC)。卸载决策作为其中的一个重要的问题,在现有的研究中大多数是假设为一个准静态的场景,但实际当中用户设备的移动性是不能被忽略的。在基站处的移动边缘计算服务器处的计算资源和无线资源都是有限的,为了最大化总体系统范围内的用户效用,需要在任务时延和能量消耗之间有一个权衡,这个问题被证明是一个NP难问题,目前存在的穷举搜索、独立决策执行等技术,这些技术存在计算复杂度高、考虑因素不全的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于移动边缘计算的移动感知多用户卸载优化方法,解决的技术问题是在移动边缘计算中多个用户的卸载决策和资源分配,将用户的移动性考虑其中,解决了全局优化中的NP难无法求解的问题,在任务时延和能量消耗之间权衡以实现最优的系统范围用户效用。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于移动边缘计算的移动感知多用户卸载优化方法,包括如下步骤:
S1、根据多用户向基站边缘计算服务器发送的任务卸载请求,得到最优的卸载方式和资源分配方式GP;
S2、根据所述最优的卸载方式和资源分配方式GP得到全局优化目标GP2;
S3、将所述全局优化目标GP2转化为N个局部优化目标LP;
S4、根据用户设备的轨迹,利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解;
S5、根据所述数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解,利用效用函数计算得到目标函数;
S6、根据所述目标函数和局部优化目标LP计算得到局部优化目标LP2;
S7、根据所述局部优化目标LP2分别计算得到基站边缘计算服务器的分配方式SP1,并根据所述分配方式SP1计算得到卸载方式SP2;
S8、根据所述分配方式SP1以及卸载方式SP2,利用移动感知卸载算法得到最终的卸载方式。
进一步地,所述步骤S1中最优的卸载方式和资源分配方式GP的表达式如下:
其中,a和f均表示需要被优化的变量向量,且a={a1,a2,a3,...,aN},f={f1,f2,f3,...,fN},N表示用户设备的总数,an=1表示任务卸载,an=0表示执行本地任务,φn表示在计算分配方式SP1和卸载方式SP2中用户的偏好,un表示效用函数,ω表示每一个用户的信道带宽,fn表示第n个用户的CPU频率。
再进一步地,所述步骤S2中全局优化目标GP2的表达式如下:
其中,O表示被安排进行卸载的用户设备集合,f表示需要被优化的变量向量,且f={f1,f2,f3,...,fN},φn表示SP的用户偏好,un表示效用函数,ω表示每一个用户的信道带宽,fn表示第n个用户的CPU频率。
再进一步地,所述步骤S3中局部优化目标LP的表达式如下:
其中,O表示被安排进行卸载的用户设备集合,f表示需要被优化的变量向量,且f={f1,f2,f3,...,fN},N表示用户设备的总数,φn表示SP的用户偏好,un表示效用函数,fn表示第n个用户的CPU频率,表示固定的信道带宽,B表示系统的带宽,Omax表示在相应的局部优化问题中允许卸载的最大数目。
再进一步地,所述步骤S5中目标函数的表达式如下:
再进一步地,所述步骤S6中局部优化目标LP2的表达式如下:
再进一步地,所述步骤S7中基站边缘计算服务器的分配方式SP1的表达式如下:
其中,Func(O)表示用户设备集合的函数,O表示被安排进行卸载的用户设备集合,f表示需要被优化的变量向量,且f={f1,f2,f3,...,fN},n表示用户设备的个数,δn和均表示正约束,fn表示第n个用户的CPU频率。
再进一步地,所述步骤S7中卸载方式SP2的表达式如下:
其中,Func(O)表示用户设备集合的函数,O表示被安排进行卸载的用户设备集合。
再进一步地,所述步骤S8包括如下步骤:
S801、根据所述分配方式SP1以及卸载方式SP2,利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解;
S802、将搜索空间截断为N3,并根据步骤S801得到的近似解利用移动感知卸载算法计算得到所有任务的效用函数下的面积;
S803、根据所述所有任务的效用函数下的面积,利用启发式任务比较方法将将N3调整为有序的序列;
S804、根据所述有序的序列,利用基于偏序的启发式方法计算得到近似最优解卸载方式;
S805、将所有近似最优解卸载方式进行比较得到最终的卸载方式。
本发明的有益效果:
(1)本发明基于移动边缘计算服务器有限的计算和无线资源,考虑到用户的移动性以及任务时延,找到最优的卸载方案来最大化系统范围内的用户效用。本发明提出了启发式移动感知搜索算法,以获得最优的卸载方案,该算法将原始的全局优化问题转化成多个局部优化问题,并将局部优化问题分解成子问题进行求解,最终,能在较优计算复杂度情况下得到相比其他技术更优的性能;
(2)本发明在用户移动性、资源有限以及任务时延的限制下提出了启发式移动感知卸载算法最大化了系统的效用;
(3)本发明能实现更优的卸载性能,系统效用非常接近已知最优的解决办法,且更高效。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
在本发明中,基于移动边缘计算服务器有限的计算和无线资源,考虑到用户的移动性以及任务时延,找到最优的卸载方案来最大化系统范围内的用户效用。该问题本是NP难问题,为了解决此问题,提出了启发式移动感知搜索算法,以获得最优的卸载方案。该算法将原始的全局优化问题转化成多个局部优化问题,并将局部优化问题分解成子问题进行求解。最终,能在较优计算复杂度情况下得到相比其他技术更优的性能。
如图1所示,本发明提供了一种基于移动边缘计算的移动感知多用户卸载优化方法,其实现方法如下:
S1、根据多用户向基站边缘计算服务器发送的任务卸载请求,得到最优的卸载方式和资源分配方式GP。
本实施例中,为了更好的证实移动性的影响,本发明考虑的是一个典型的车辆场景,在基站处配备有一个边缘计算服务器来提高基站覆盖范围内用户的性能。必要时用户会向基站发送任务卸载的请求,基站云端服务器会综合考虑卸载决策和资源分配来回应用户的任务卸载请求,假设在基站覆盖范围内的用户数为N,第n(n∈N)个用户的任务OTn可以表示为:
其中,dn表示输入数据的比特大小,cn表示完成任务所需要的总的CPU循环数,σn是执行任务所允许的最大的时延。一个用户任务,要么在用户处本地执行,用么在基站边缘计算服务器处远程执行。
本实施例中,目标是要找到最优的卸载决策和资源分配方式来最大化系统范围内的用户效用,表示为如下形式:
s.t.:an∈{0,1}, (2)
其中,a和f均表示需要被优化的变量向量,且a={a1,a2,a3,...,aN},f={f1,f2,f3,...,fN},N表示用户设备的总数,an=1表示任务卸载,an=0表示执行本地任务,φn表示在计算分配方式SP1和卸载方式SP2中用户的偏好,un表示效用函数,σn表示最大时延,ω表示每一个用户的信道带宽,fn表示第n个用户的CPU频率,即每秒钟用户设备能够执行的CPU循环数,约束(3)表示所有的卸载任务必须被分配一定数量的计算资源。tn表示第n个任务完成所需要的时间,约束(4)则保证了所有的任务都在σn之前完成。B是系统的带宽,在本发明中假设系统带宽被平均分配到每一个用户设备处卸载他们的任务,ω则表示每一个用户的信道带宽。F0表示基站处总共的可用CPU频率,因此所有用户所用的CPU频率应该满足约束(6)。R表示基站覆盖区域,约束(7)表示用户设备n在卸载过程被完成之前应该处于基站覆盖区域内,表示卸载任务OTn总的时间消耗,其中,表示数据传送的时间,表示数据远程执行的时间。用户设备的运动轨迹在tp之后不能够再被预测,因此约束(8)表示任务卸载的时间消耗应该小于tp。将该问题整合为是一个混合整数非线性规划问题。
S2、根据所述最优的卸载方式和资源分配方式GP得到全局优化目标GP2。
所述全局优化目标GP2的表达式如下:
其中,O表示被安排进行卸载的用户设备集合,f表示需要被优化的变量向量,且f={f1,f2,f3,...,fN},N表示用户设备的总数,an=1表示任务卸载,an=0表示执行本地任务,φn表示在计算分配方式SP1和卸载方式SP2中用户的偏好,un表示效用函数,ω表示每一个用户的信道带宽,fn表示第n个用户的CPU频率。
本实施例中,由于一个任务可以被本地执行,也可被远程执行,所以约束(4)可以重新被写为:
用O表示被安排进行卸载的用户设备集合,同时因为本地执行的任务带来零效用,所以可以将优化目标重写为GP2:
s.t.:ω=B/|O|, (12)
S3、将所述全局优化目标GP2转化为N个局部优化目标LP,所述步骤S3中局部优化目标LP的表达式如下:
其中,O表示被安排进行卸载的用户设备集合,f表示需要被优化的变量向量,且f={f1,f2,f3,...,fN},N表示用户设备的总数,φn表示在计算分配方式SP1和卸载方式SP2中用户的偏好,un表示效用函数,fn表示第n个用户的CPU频率,表示固定的信道带宽,B表示系统的带宽,Omax表示在相应的局部优化问题中允许卸载的最大数目。
本实施例中,在GP2中,离散变量ω会导致不同的目标函数和不稳定的约束(16)-(18),为了解决这个问题,可以将全局优化问题GP2转化为N个局部优化问题,每一个局部优化问题都有一个固定的信道带宽。可以将局部优化问题定义如下:
s.t.:|O|≤Omax, (19)
s.t.:ω=B/|O|, (12)
其中,LP表明在相应的局部优化问题中最大数量的用户设备被允许进行卸载,但是实际上卸载任务的数量是可能比Omax更少的,在这样的情况下,每一个卸载任务还能分配到更多的带宽得到更高的系统效用,因此,局部优化问题的最优解不是全局问题的最优解,只有当在不同Omax情况下所有的N个局部最优问题被解决,全局优化问题GP2的解才能够通过比较它们的系统效用而得到,接下来的技术步骤集中到解决LP问题上。
S4、根据用户设备的轨迹,利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解。
本实施例中,由于用户设备运动的轨迹Tn(t)可以是任意的,很难得到和的解析解,因此,利用数值调节梯形方法可得到和的近似解,将用户设备n的轨迹基于时间间隔step分解成许多个小的片段,在每个片段内的数据传输率可以假设是固定的,这样就能得到在每一个step中传送数据的量,也就能得到传输数据总共的时间同时,在每一个step内,可以检测用户设备n是否仍在基站覆盖范围内,并记录它第一次离开该区域的时刻
S5、根据所述数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解,利用效用函数计算得到目标函数;
所述步骤S5中目标函数的表达式如下:
S6、根据所述目标函数和局部优化目标LP计算得到局部优化目标LP2;
所述步骤S6中局部优化目标LP2的表达式如下:
和分别表示在执行任务OTn时用户在时间和能量消耗上的偏好,表示本地执行任务OTn的时间消耗,表示本地执行任务OTn的能量消耗,表示卸载任务OTn的能量消耗,表示在固定带宽的情况下数据传送时间,tn为执行时延,en为能量消耗,an表示基站对任务OTn所做的卸载决策,表示卸载任务OTn的总时间消耗,本发明设计了一个效用函数来衡量执行任务OTn的用户效应,它是和本地执行相比的时间和能量消耗的权衡函数:
将约束(14),(21),(24)可以结合为:
kn是0,中最大的值,他表示卸载任务OTn所需的最小CPU频率。同时kn需满足kn<F0的条件(F0是基站处总的可用CPU频率),搜索空间被近一步截断为N3={n|kn<F0,n∈N2},所以可以得到:
目标函数可重写为:
|O|≤Omax, (29)
S7、根据所述局部优化目标LP2分别计算得到基站边缘计算服务器的分配方式SP1,并根据所述分配方式SP1计算得到卸载方式SP2;
所述基站边缘计算服务器的分配方式SP1=的表达式如下:
其中,Func(O)表示用户设备集合的函数,O表示被安排进行卸载的用户设备集合,f表示需要被优化的变量向量,且f={f1,f2,f3,...,fN},N表示用户设备的总数,δn和均表示正约束,fn表示第n个用户的CPU频率。
所述卸载方式SP2的表达式如下:
其中,Func(O)表示用户设备集合的函数,O表示被安排进行卸载的用户设备集合。
本实施例中,局部优化目标LP2问题可以被分解为两个子问题进行求解,一个问题是卸载决策问题,另一个问题是计算分配问题。
1)计算分配问题:得到卸载决策集O以后,局部优化目标LP2问题可以归结为凸规划问题来分配基站处边缘计算服务器的CPU频率:
本发明利用数值算法来解决具有高复杂度的多变量系统非线性等式,该算法将F0分为许多微小的原子碎片并把他们一个个分配给用户设备。关键是找到每次分配变化最快的用户设备,即梯度最小的用户设备。当每一个片段足够小时,最终的分配可以接近最优结果。
2)卸载决策:分配方式SP1的数值解得到以后,需要从N3中搜索得到最优的子集作为卸载决策:
s.t.:|O|≤Omax, (33)
卸载方式SP2问题是一个非线性整数规划问题,也是NP难问题,本发明利用基于偏序的启发式方法来解决这个子问题。
S8、根据所述分配方式SP1以及卸载方式SP2利用移动感知卸载算法得到最终的卸载方式,其实现方法如下:
S801、根据所述分配方式SP1以及卸载方式SP2,利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解;
S802、将搜索空间截断为N3,并根据步骤S801得到的近似解利用移动感知卸载算法计算得到所有任务的效用函数下的面积;
S803、根据所述所有任务的效用函数下的面积利用启发式任务比较方法将将N3调整为有序的序列;
S804、根据所述有序的序列,利用基于偏序的启发式方法计算得到近似最优解卸载方式;
S805、将所有近似最优解卸载方式进行比较得到最终的卸载方式。
Claims (9)
1.一种基于移动边缘计算的移动感知多用户卸载优化方法,其特征在于,包括如下步骤:
S1、根据多用户向基站边缘计算服务器发送的任务卸载请求,得到最优的卸载方式和资源分配方式GP;
S2、根据所述最优的卸载方式和资源分配方式GP得到全局优化目标GP2;
S3、将所述全局优化目标GP2转化为N个局部优化目标LP;
S4、根据用户设备的轨迹,利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解;
S5、根据所述数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解,利用效用函数计算得到目标函数;
S6、根据所述目标函数和局部优化目标LP计算得到局部优化目标LP2;
S7、根据所述局部优化目标LP2分别计算得到基站边缘计算服务器的分配方式SP1,并根据所述分配方式SP1计算得到卸载方式SP2;
S8、根据所述分配方式SP1以及卸载方式SP2,利用移动感知卸载算法得到最终的卸载方式。
9.根据权利要求1所述的基于移动边缘计算的移动感知多用户卸载优化方法,其特征在于,所述步骤S8包括如下步骤:
S801、根据所述分配方式SP1以及卸载方式SP2,利用数值调节梯形算法分别计算得到数据传输所需时间的近似解以及用户设备第一次离开基站覆盖范围时刻的近似解;
S802、将搜索空间截断为N3,并根据步骤S801得到的近似解利用移动感知卸载算法计算得到所有任务的效用函数下的面积;
S803、根据所述所有任务的效用函数下的面积,利用启发式任务比较方法将将N3调整为有序的序列;
S804、根据所述有序的序列,利用基于偏序的启发式方法计算得到近似最优解卸载方式;
S805、将所有近似最优解卸载方式进行比较,得到最终的卸载方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911314311.4A CN111049917B (zh) | 2019-12-19 | 2019-12-19 | 一种基于移动边缘计算的移动感知多用户卸载优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911314311.4A CN111049917B (zh) | 2019-12-19 | 2019-12-19 | 一种基于移动边缘计算的移动感知多用户卸载优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111049917A true CN111049917A (zh) | 2020-04-21 |
CN111049917B CN111049917B (zh) | 2020-12-29 |
Family
ID=70237794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911314311.4A Active CN111049917B (zh) | 2019-12-19 | 2019-12-19 | 一种基于移动边缘计算的移动感知多用户卸载优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111049917B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112698940A (zh) * | 2020-12-17 | 2021-04-23 | 北京交通大学 | 用于车路协同的车辆辅助边缘计算任务分配系统 |
CN113472426A (zh) * | 2021-07-01 | 2021-10-01 | 云南大学 | 一种公平感知任务调度和资源分配方法 |
CN113778682A (zh) * | 2021-09-13 | 2021-12-10 | 电子科技大学 | 一种mec系统资源分配方法 |
CN113934472A (zh) * | 2021-12-16 | 2022-01-14 | 江西师范大学 | 任务卸载方法、装置、设备及存储介质 |
CN114398106A (zh) * | 2022-01-21 | 2022-04-26 | 中国联合网络通信集团有限公司 | 一种卸载策略确定方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107249202A (zh) * | 2017-08-10 | 2017-10-13 | 北京邮电大学 | 一种分布式无线回程路由算法 |
CN108632813A (zh) * | 2018-05-21 | 2018-10-09 | 北京邮电大学 | 移动边缘计算的移动性管理方法及系统 |
CN109413615A (zh) * | 2018-09-14 | 2019-03-01 | 重庆邮电大学 | 车联网下基于mec的能量感知卸载的能量延迟折衷方案 |
CN110087257A (zh) * | 2019-04-24 | 2019-08-02 | 重庆邮电大学 | 一种支持移动边缘计算的任务卸载装置及方法 |
CN110096318A (zh) * | 2019-05-08 | 2019-08-06 | 北京邮电大学 | 一种基于移动边缘计算的任务卸载方法及装置 |
CN110113190A (zh) * | 2019-04-24 | 2019-08-09 | 西北工业大学 | 一种移动边缘计算场景中卸载时延优化方法 |
CN110489176A (zh) * | 2019-08-27 | 2019-11-22 | 湘潭大学 | 一种基于装箱问题的多接入边缘计算任务卸载方法 |
-
2019
- 2019-12-19 CN CN201911314311.4A patent/CN111049917B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107249202A (zh) * | 2017-08-10 | 2017-10-13 | 北京邮电大学 | 一种分布式无线回程路由算法 |
CN108632813A (zh) * | 2018-05-21 | 2018-10-09 | 北京邮电大学 | 移动边缘计算的移动性管理方法及系统 |
CN109413615A (zh) * | 2018-09-14 | 2019-03-01 | 重庆邮电大学 | 车联网下基于mec的能量感知卸载的能量延迟折衷方案 |
CN110087257A (zh) * | 2019-04-24 | 2019-08-02 | 重庆邮电大学 | 一种支持移动边缘计算的任务卸载装置及方法 |
CN110113190A (zh) * | 2019-04-24 | 2019-08-09 | 西北工业大学 | 一种移动边缘计算场景中卸载时延优化方法 |
CN110096318A (zh) * | 2019-05-08 | 2019-08-06 | 北京邮电大学 | 一种基于移动边缘计算的任务卸载方法及装置 |
CN110489176A (zh) * | 2019-08-27 | 2019-11-22 | 湘潭大学 | 一种基于装箱问题的多接入边缘计算任务卸载方法 |
Non-Patent Citations (2)
Title |
---|
PAVEL MACH: "Mobile Edge Computing: A Survey on Architecture and Computation Offloading", 《IEEE COMMUNICATIONS SURVEYS AND TUTORIALS》 * |
林晓鹏: "移动边缘计算网络中基于资源联合配置的计算任务卸载策略", 《中国优秀硕士学位论文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112698940A (zh) * | 2020-12-17 | 2021-04-23 | 北京交通大学 | 用于车路协同的车辆辅助边缘计算任务分配系统 |
CN112698940B (zh) * | 2020-12-17 | 2023-11-14 | 北京交通大学 | 用于车路协同的车辆辅助边缘计算任务分配系统 |
CN113472426A (zh) * | 2021-07-01 | 2021-10-01 | 云南大学 | 一种公平感知任务调度和资源分配方法 |
CN113472426B (zh) * | 2021-07-01 | 2022-06-28 | 云南大学 | 一种公平感知任务调度和资源分配方法 |
CN113778682A (zh) * | 2021-09-13 | 2021-12-10 | 电子科技大学 | 一种mec系统资源分配方法 |
CN113778682B (zh) * | 2021-09-13 | 2023-04-18 | 电子科技大学 | 一种mec系统资源分配方法 |
CN113934472A (zh) * | 2021-12-16 | 2022-01-14 | 江西师范大学 | 任务卸载方法、装置、设备及存储介质 |
CN113934472B (zh) * | 2021-12-16 | 2022-03-01 | 江西师范大学 | 任务卸载方法、装置、设备及存储介质 |
CN114398106A (zh) * | 2022-01-21 | 2022-04-26 | 中国联合网络通信集团有限公司 | 一种卸载策略确定方法、装置、电子设备及存储介质 |
CN114398106B (zh) * | 2022-01-21 | 2023-11-21 | 中国联合网络通信集团有限公司 | 一种卸载策略确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111049917B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111049917B (zh) | 一种基于移动边缘计算的移动感知多用户卸载优化方法 | |
Zhang et al. | Dynamic task offloading and resource allocation for mobile-edge computing in dense cloud RAN | |
Mao et al. | Power-delay tradeoff in multi-user mobile-edge computing systems | |
Mao et al. | Joint task offloading scheduling and transmit power allocation for mobile-edge computing systems | |
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 | |
CN110096362B (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
CN109756912B (zh) | 一种多用户多基站联合任务卸载及资源分配方法 | |
Zhong et al. | Cooperative service caching and computation offloading in multi-access edge computing | |
Mustafa et al. | Reinforcement learning for intelligent online computation offloading in wireless powered edge networks | |
CN113115459B (zh) | 一种面向电力物联网海量终端的多尺度多维资源分配方法 | |
CN112105062A (zh) | 时敏条件下移动边缘计算网络能耗最小化策略方法 | |
Ateya et al. | Energy-aware offloading algorithm for multi-level cloud based 5G system | |
CN112416603B (zh) | 一种基于雾计算的联合优化系统和方法 | |
Hazra et al. | Intelligent service deployment policy for next-generation industrial edge networks | |
Li et al. | Radio and computing resource allocation with energy harvesting devices in mobile edge computing environment | |
CN113727362A (zh) | 一种基于深度强化学习的无线供电系统的卸载策略方法 | |
El Haber et al. | Computational cost and energy efficient task offloading in hierarchical edge-clouds | |
Wu et al. | Residual energy maximization for wireless powered mobile edge computing systems with mixed-offloading | |
Yuan et al. | An energy-efficient computing offloading framework for blockchain-enabled video streaming systems | |
CN112822707B (zh) | 一种计算资源有限mec中任务卸载与资源分配方法 | |
Wang et al. | Delay-energy joint optimization for task offloading in mobile edge computing | |
Qiao et al. | Task migration computation offloading with low delay for mobile edge computing in vehicular networks | |
Peng et al. | A decentralized reactive approach to online task offloading in mobile edge computing environments | |
Merluzzi et al. | Dynamic joint resource allocation and user assignment in multi-access edge computing | |
Lin et al. | Optimizing AI service placement and computation offloading in mobile edge intelligence systems |
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 |