CN111131447A - 一种基于中介节点任务分配的负载均衡方法 - Google Patents
一种基于中介节点任务分配的负载均衡方法 Download PDFInfo
- Publication number
- CN111131447A CN111131447A CN201911339027.2A CN201911339027A CN111131447A CN 111131447 A CN111131447 A CN 111131447A CN 201911339027 A CN201911339027 A CN 201911339027A CN 111131447 A CN111131447 A CN 111131447A
- Authority
- CN
- China
- Prior art keywords
- node
- task
- edge
- time
- load
- 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.)
- Pending
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
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明涉及一种基于中介节点任务分配的负载均衡方法根据边缘节点的固有属性和实时属性,将其分为轻负载、正常负载和重负载三类,然后利用任务分配模型,将新的任务分配给负载相对较轻的节点,能够平衡边缘节点间的负载,减少任务的完成时间。
Description
技术领域
本发明涉及通信领域,特别是涉及一种基于中介节点任务分配的负载均衡方法。
背景技术
物联网(IoT)具有跨地域连接大量智能设备的能力,并且已成为许多先进应用程序基础设施的一部分。物联网还旨在生成大量数据,这些数据将在未来几年继续增长。然而,设备的局限性使得解决当前范例(如大数据或深度学习)变得非常复杂。在过去几年中,物联网与云计算等颠覆性技术的集成提供了物联网所需的功能,以解决这些范例。云计算技术的出现为提供了构建各种复杂业务应用程序的轻量级解决方案。但是,云计算中心通常位于远离移动用户的位置,用户和远端云之间的数据延迟可能是漫长且是不可预测的。并且访问远端云会产生很高的访问延迟,严重影响了网络性能。
为了应对用户和远端云之间的数据延迟,边缘计算正在缓慢地将云计算应用程序、数据和服务从集中式节点转移到网络边缘,通过在最靠近数据源的网络边缘执行数据处理来优化云计算系统。它位于终端设备和传统与计算数据中心之间,用于处理低延迟和实时任务。该服务被视为靠近终端用户的云,以提供更少延迟的计算和服务。
虽然边缘计算能大大降低延迟,但任务分配的不合理性导致了各节点的负载不均衡。并且由于边缘计算节点的多样性和不均匀性,普通的负载均衡算法不能直接应用于边缘计算。
发明内容
本发明的目的是提供一种基于中介节点任务分配的负载均衡方法及系统,能够平衡边缘节点间的负载,减少任务的完成时间。
为实现上述目的,本发明提供了如下方案:
一种基于中介节点任务分配的负载均衡方法,所述方法包括:
获取边缘节点的负载属性值;
根据所述负载属性值,利用朴素贝叶斯算法将所述边缘节点进行分类,得到分类结果;所述分类结果包括:轻负载、正常负载和重负载;
根据所述分类结果,选择目标节点利用任务分配模型对任务进行分配。
可选的,所述获取边缘节点的负载属性值,具体包括:
获取任务请求信号和所述边缘节点的固有属性;
将所述任务请求信号发送至所述边缘节点,并接收所述边缘节点返回的实时属性;
根据所述固有属性对应的固有属性值和所述实时属性对应的实时属性值构成边缘节点i的负载属性值Li。
可选的,所述边缘节点的负载属性值具体为:Li=(L1,L2,L3,L4);
可选的,所述根据所述负载属性值,利用朴素贝叶斯算法将所述边缘节点进行分类,得到分类结果,具体包括:
根据公式Pr(Tj)(j=1,2,3)计算所述边缘节点的Tj类的先验概率;
根据公式计算所述边缘节点的Tj类的后验概率;其中,nx为未知边缘节点,Tj为未知边缘节点的类,Pr(Tj)(j=1,2,3)为Tj类边缘节点的先验概率,为未知边缘节点nx的第k个负载属性值属于Tj分类时的概率,为未知边缘节点nx的第k个属性值;
可选的,根据所述分类结果,利用任务分配模型对任务进行任务分配,具体包括:
当一个或多个任务同时到达节点ni时,将这些任务合并,形成聚合后的任务U;
根据目标节点的信息,将聚合任务U分解为多个子任务uj=αjU,分别由不同的目标节点和任务到达的节点进行处理。
其中,为子任务在目标节点nj的计算时间,为目标节点nj的计算速率;为目标节点nj的当前任务计算时间,为边缘节点ni与nj之间是否存在任务分配关系,当等于1时,为关系存在;当等于0时,为关系不存在; 为目标节点nj当前任务大小;
为子任务在云服务器d的计算时间,fd为云服务器d的计算速率;为云服务器d的当前任务计算时间,为边缘节点ni与云服务器d之间是否存在任务分配关系,当于1时,为关系存在;当等于0时,为关系不存在;Nd为目标节点nj当前任务大小。
可选的,利用以下模型对任务进行分配:
s.t. 0≤αj≤1
0≤αd≤1
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明根据边缘节点的固有属性和实时属性,将其分为轻负载、正常负载和重负载三类,然后利用任务分配模型,将新的任务分配给负载相对较轻的节点,能够平衡边缘节点间的负载,减少任务的完成时间。
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,对于本领域普通技术人员来讲,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为本发发明基于中介节点任务分配的负载均衡方法的流程示意图;
图2为本发明基于中介节点的边缘计算网络架构;
图3为目标节点个数对完成时间的影响;
图4为云服务器对完成时间的影响;
图5为节点总个数对任务分布情况的影响;
图6为不同方法对任务完成时间的影响;
图7为不同方法对负载分布标准差的影响。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于中介节点任务分配的负载均衡方法,能够平衡边缘节点间的负载,减少任务的完成时间。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,为本发明基于中介节点任务分配的负载均衡方法的流程示意图,具体包括:
步骤101:获取边缘节点的负载属性值。
步骤102:根据所述负载属性值,利用朴素贝叶斯算法将所述边缘节点进行分类,得到分类结果;所述分类结果包括:轻负载、正常负载和重负载。
步骤103:根据所述分类结果,选择目标节点,并利用任务分配模型对任务进行分配。
中介节点通过使用固有属性值和实时属性值来分类和评估节点的状态,并返回结果相对最轻的节点信息,然后利用任务分配模型进行任务分配。该任务分配模型使用相对最轻的节点和任务到达节点作为目标节点来分配新任务,而其他节点暂时不进行分配任务,以实现系统的动态平衡。
如图2所示,是基于中介节点的边缘计算网络架构,以更好地获取节点的状态信息。该模型不仅可以更好地获取节点的状态信息,而且可以减少边缘节点的压力。
在该系统架构中,在应用负载均衡方法之前将节点的固有属性存储到中介节点。当新任务到达节点时,该节点将请求信号发送到中介节点。中介节点负责将信号转发到边缘节点,接收到该信号的边缘节点返回其实时属性值。在接收到实时属性之后,中介节点开始对边缘节点进行分类。
因此,获取边缘节点的负载属性值具体包括:
获取任务请求信号和所述边缘节点的固有属性;
将所述任务请求信号发送至所述边缘节点,并接收所述边缘节点返回的实时属性;
根据所述固有属性对应的固有属性值和所述实时属性对应的实时属性值构成边缘节点i的负载属性值Li。
影响负载均衡的因素有很多,其中主要有内存、CPU、磁盘和网络带宽等,然而如果忽略其中一种或其中几种影响因素来判断节点负载状态是不全面的。在研究中,因此本发明将通过结合节点的固有属性和实时属性来对节点的状态进行评价。
固有属性:节点的静态属性,包括物理内存、CPU主频*核数、磁盘大小和网络带宽。
实时属性:节点的动态属性,即,由中介节点实时监测所获得的属性值,包括内存占用率,磁盘使用率,CPU利用率和带宽利用率。
当指标之间的水平差异很大时,直接使用原始指标值进行分析,则会突出数值较高的指标在综合分析中的作用,而相对削弱数值较低的指标的作用,因此需要对固有属性执行无量纲处理。
边缘节点i的固有属性和实时属性的结合,作为节点负载状态分类的标准,用于反应节点运行时的总体负载状况,记为L=(L1,L2,L3,L4)。
对于样本分类集:T={Tj|j=1,2,3},T1表示轻载状态,T2表示正常负载状态,T3表示重载状态。
本发明利用负载属性值作为依据,应用朴素贝叶斯算法对节点的状态进行分类。该分类方法以贝叶斯理论为基础,是在已知先验概率与条件概率的情况下的模式识别方法。
根据贝叶斯定理,当各属性相互独立时,其分类结果是最准确的。本发明所选择的属性实际上是相互独立的,从而满足了它的条件。
设样本空间为U,训练样本分类Tj的先验概率为Pr(Tj)(j=1,2,3),其值等于属于Tj类的样本总数除以训练样本总数|U|。
对于未知样本nx,其属于Tj类的条件概率是Pr(nx|Tj)。
由上述公式可知,当某个未知节点状态的预测结果为1时,则代表该节点当前状态为轻载状态,若预测结果为2,则表示该节点当前状态为正常负载状态,否则为重载状态。
中介节点根据上述方法将边缘节点分为三类,并返回节点状态相对最轻(分类结果相对最小)的节点信息,将该节点指定为目标节点。
利用任务分配模型对任务进行任务分配的过程为:当一个或多个任务同时到达节点ni时,将这些任务合并,形成聚合任务U;然后根据目标节点的信息,将聚合任务U分解为多个子任务uj=αjU,分别由不同的目标节点和任务到达的节点进行处理。
其中,为子任务在目标节点nj的计算时间,为目标节点nj的计算速率;为目标节点nj的当前任务计算时间,为边缘节点ni与nj之间是否存在任务分配关系,当等于1时,为关系存在;当等于0时,为关系不存在; 为目标节点nj当前任务大小;
为子任务在云服务器d的计算时间,fd为云服务器d的计算速率;为云服务器d的当前任务计算时间,为边缘节点ni与云服务器d之间是否存在任务分配关系,当于1时,为关系存在;当等于0时,为关系不存在;Nd为目标节点nj当前任务大小。
在聚合任务U已知的情况下解决计算任务的映射,也就是分配到每个目标节点的任务比例,即向量α的解。
s.t. 0≤αj≤1
0≤αd≤1
针对上述优化问题,本发明选用PSO算法进行智能寻优;而由于种群多样性的限制,PSO算法出现早熟收敛,进而又采用引入了变异粒子逆向飞行的MPSO算法。该算法能够有效的避免迭代过程中陷入局部最优。
该问题为带约束的优化问题,因此,使用罚函数法来处理约束条件,适应度函数为:
P(L)=max(P(L-1),maxX∈Ff(X));
f(X)表示第L代可行粒子的适应度值;P(L)记录了算法进化到第L代所获得的具有最大适应度值的可行粒子,其值在算法执行过程中动态更新。
执行该算法时,粒子的速度和位置更新公式为:
ω为惯性权重;c1和c2为均匀分布于区间[0,1]的随机数;c1和c2为2个加速因子。定义第i个粒子的个体历史最优位置为第i个粒子经历过的具有最好适应值的位置;全局历史最优位置gL为粒子群中所有粒子进化过程中经历过的具有最好适应值的位置。
惯性权重的更新公式为:
为了避免陷入局部最优的风险,引入变异粒子的逆向飞行。
其位置和速度公式更新如下:
MPSO算法的基本参数为:群体大小N等于50,最大迭代次数Lmax为1000,加速因子c1和c2都等于1.0,ω∈[0.4,0.9];ωmin=0.4;ωmax=0.9。
本发明的上述技术方案具有以下技术效果:
(1)研究了边缘计算环境中的负载均衡方法,并通过任务分配实现了动态负载均衡。提出了一种基于中间节点的边缘计算网络架构。与传统架构相比,该架构在边缘计算层和云计算层之间增加了中介节点,以更好地控制边缘节点的全局信息。
(2)对于初始状态不平衡的系统,采用朴素贝叶斯算法对节点状态进行分类。并对原始数据进行标准化,以避免在指标间水平差异较大时,突出数值较高的指标在综合分析中的作用。并以分类状态较轻的节点和任务到达的节点为目标节点来分配新任务,而其他节点暂时不分配任务,以达到动态平衡。
(3)建立了一个数学框架来研究边缘节点之间的负载平衡问题。通过任务分配的方法达到负载均衡的目的,并根据边缘节点之间的传输速率,计算速度和当前任务的计算时间来估计任务完成时间。
为了验证上述技术效果,本发明进行了如下实验:
在该实验中,将任务到达节点表示为n1,当nj≠n1时,节点n1到节点nj的数据传输速率是从80Mbps到100Mbps整数之间随机选取。否则,为∞。边缘节点与云节点间的数据传输速率实验中在20Mbps到30Mbps整数之间随机选取。对于节点的数据处理速率,边缘节点nj的数据处理速率从0.5Gbps到2Gbps随机选取,而云节点则设置为10Gbps。具体如表1所示:
表1.仿真参数设置
根据上述仿真参数设置的设置,得到的结果如下:
当重载节点和均衡负载节点的总个数为4,节点总个数m分别为10,12和14,对完成时间进行了比较。如图3所示,当任务较小时,完成时间差异并不大。当任务较大时,由于nj=n1时所以其分配给自身的任务将超过系统平均任务量,需要对子任务的大小进行限制,因此,任务完成时间的差异明显增大。
在不失一般性的前提下,在总节点m=12的环境中分析了是否有云服务器协作这两种系统架构对完成时间的影响,结果如图4所示。
图4中E-CC表示有云服务器的参与,EC表示没有云服务器的参与。由于边缘节点ni和云服务器d之间的链接速率很低,而云服务器的CPU频率很高。因此,在任务量较小时有无云服务器对任务完成时间的影响并不大。但是,当任务量较大时,由于云计算的计算速度很快,因此,有云服务器的系统中任务完成时间明显优于没有云服务器的系统。
在重载节点和正常负载节点暂时不被分配新任务的情况下,整体上,目标节点内的负载随新任务的增大而增大,并逐渐趋于平均负载。因此负载分布标准差随新任务增大而减小。即,随着新任务的增大,系统逐渐趋于相对平衡的状态。
新任务较小时,在系统总负载相同的情况下节点个数越多平均任务越小,其负载分布越均衡。当新任务较大时,由于目标节点个数少,其分配的任务就越多并且越接近平均负载。因此,负载分布越均匀,其负载分布标准差就越小。
如图6和图7所示,比较了负载平衡方法和其他负载平衡方法SDCFN之间的任务完成时间和负载分配标准差。
n1表示聚合任务U由节点n1独立完成,Constraint表示加约束的负载均衡结果。Unrestraint表示不加约束的负载均衡结果。从图6中,可以发现n1的完成时间远远大于本发明的方法。并且由于SDCFN方法未考虑节点当前任务的完成时间,因此当U<0.97G时,完成时间会更长。当U>0.97G时,由于方法的可用节点数量少,因此其完成时间相对较长。当任务较小时,是否添加此约束对完成时间影响很小。当任务较大时,由于n1的传输速率为∞,添加约束后,它所承担的任务将受到约束,因此它的完成时间更长。从图7中,可以发现n1方法和SDCFN方法的负载分配标准偏差大于本发明的方法。当任务较小时,是否添加此约束对负载分配标准偏差的影响很小。任务较大时,增加约束后,负荷分配标准偏差的标准偏差随任务的增加而减小。如果不添加此约束,则由于n1的传输速率为∞,由n1分配给自身的任务将超过平均负载,从而导致系统负载分配的标准偏差增大。
实验表明,本发明基于中介节点任务分配的负载均衡方法的不仅可以平衡节点之间的负载,而且可以减少任务的完成时间。当任务较小时,本发明的方法明显优于其他方法。并且,对于具有较高任务完成时间要求的任务,可以采用无约束方法以最大程度地减少完成时间;完成时间要求不太高的任务,可以采用约束方法来更好地平衡节点之间的负载并提高服务质量。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于中介节点任务分配的负载均衡方法,其特征在于,所述方法包括:
获取边缘节点的负载属性值;
根据所述负载属性值,利用朴素贝叶斯算法将所述边缘节点进行分类,得到分类结果;所述分类结果包括:轻负载、正常负载和重负载;
根据所述分类结果,选择目标节点,并利用任务分配模型对任务进行任务分配。
2.根据权利要求1所述的基于中介节点任务分配的负载均衡方法,其特征在于,所述获取边缘节点的负载属性值,具体包括:
获取任务请求信号和所述边缘节点的固有属性;
将所述任务请求信号发送至所述边缘节点,并接受所述边缘节点返回的实时属性;
根据所述固有属性对应的固有属性值和所述实时属性对应的实时属性值构成边缘节点i的负载属性值Li。
3.根据权利要求2所述的基于中介节点任务分配的负载均衡方法,其特征在于,所述边缘节点的负载属性值具体为:Li=(L1,L2,L3,L4);
4.根据权利要求1所述的基于中介节点任务分配的负载均衡方法,其特征在于,所述根据所述负载属性值,利用朴素贝叶斯算法将所述边缘节点进行分类,得到分类结果,具体包括:
根据公式Pr(Tj)(j=1,2,3)计算所述边缘节点的Tj类的先验概率;
根据公式计算所述边缘节点的Tj类的后验概率;其中,nx为未知边缘节点,Tj为未知边缘节点的类,Pr(Tj)(j=1,2,3)为Tj类边缘节点的先验概率,为未知边缘节点nx的第k个负载属性值属于Tj分类时的概率,为未知边缘节点nx的第k个属性值;
5.根据权利要求1所述的基于中介节点任务分配的负载均衡方法,其特征在于,根据所述分类结果选择目标节点,并利用任务分配模型对任务进行任务分配,具体包括:
当一个或多个任务同时到达节点ni时,将这些任务合并,形成聚合任务U;
根据目标节点的信息,将聚合任务U分解为多个子任务uj=αjU,分别由不同的目标节点和任务到达的节点进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911339027.2A CN111131447A (zh) | 2019-12-23 | 2019-12-23 | 一种基于中介节点任务分配的负载均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911339027.2A CN111131447A (zh) | 2019-12-23 | 2019-12-23 | 一种基于中介节点任务分配的负载均衡方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111131447A true CN111131447A (zh) | 2020-05-08 |
Family
ID=70501602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911339027.2A Pending CN111131447A (zh) | 2019-12-23 | 2019-12-23 | 一种基于中介节点任务分配的负载均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111131447A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118312A (zh) * | 2020-09-17 | 2020-12-22 | 浙江大学 | 一种面向边缘服务器的网络突发负载疏散方法 |
CN113329067A (zh) * | 2021-05-21 | 2021-08-31 | 广州爱浦路网络技术有限公司 | 边缘计算节点负荷分配方法、核心网、装置和存储介质 |
CN113342665A (zh) * | 2021-06-17 | 2021-09-03 | 北京百度网讯科技有限公司 | 任务分配方法和装置、电子设备、计算机可读介质 |
-
2019
- 2019-12-23 CN CN201911339027.2A patent/CN111131447A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118312A (zh) * | 2020-09-17 | 2020-12-22 | 浙江大学 | 一种面向边缘服务器的网络突发负载疏散方法 |
CN112118312B (zh) * | 2020-09-17 | 2021-08-17 | 浙江大学 | 一种面向边缘服务器的网络突发负载疏散方法 |
CN113329067A (zh) * | 2021-05-21 | 2021-08-31 | 广州爱浦路网络技术有限公司 | 边缘计算节点负荷分配方法、核心网、装置和存储介质 |
CN113342665A (zh) * | 2021-06-17 | 2021-09-03 | 北京百度网讯科技有限公司 | 任务分配方法和装置、电子设备、计算机可读介质 |
WO2022262253A1 (zh) * | 2021-06-17 | 2022-12-22 | 北京百度网讯科技有限公司 | 任务分配方法和装置、电子设备、计算机可读介质 |
CN113342665B (zh) * | 2021-06-17 | 2023-10-20 | 北京百度网讯科技有限公司 | 任务分配方法和装置、电子设备、计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684083B (zh) | 一种面向边缘-云异构下的多级事务调度分配策略 | |
CN110399222B (zh) | Gpu集群深度学习任务并行化方法、装置及电子设备 | |
CN109885397B (zh) | 一种边缘计算环境中时延优化的负载任务迁移算法 | |
CN109617826B (zh) | 一种基于布谷鸟搜索的storm动态负载均衡方法 | |
CN111131447A (zh) | 一种基于中介节点任务分配的负载均衡方法 | |
Santos et al. | Zeus: A resource allocation algorithm for the cloud of sensors | |
Mekala et al. | Resource offload consolidation based on deep-reinforcement learning approach in cyber-physical systems | |
CN113553160A (zh) | 用于人工智能物联网的边缘计算节点任务调度方法及系统 | |
CN113778691B (zh) | 一种任务迁移决策的方法、装置及系统 | |
CN113822456A (zh) | 一种云雾混构环境下基于深度强化学习的服务组合优化部署方法 | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
CN115629865B (zh) | 一种基于边缘计算的深度学习推理任务调度方法 | |
CN112732444A (zh) | 一种面向分布式机器学习的数据划分方法 | |
CN114356548A (zh) | 边缘计算服务的动态扩展及放置方法和装置 | |
CN115967990A (zh) | 一种基于分类和预测的边端协同业务卸载方法 | |
CN114205317B (zh) | 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备 | |
CN114356531A (zh) | 基于K-means聚类和排队理论的边缘计算任务分类调度方法 | |
CN112423041B (zh) | 分布式计算平台下基于QoS约束的视频流处理方法和系统 | |
CN113504949A (zh) | Mar客户端在边缘计算中的任务卸载与参数优化方法及系统 | |
Zhu et al. | A multi-resource scheduling scheme of Kubernetes for IIoT | |
CN112882805A (zh) | 一种任务资源约束的利润优化调度方法 | |
CN116915869A (zh) | 基于云边协同的时延敏感型智能服务快速响应方法 | |
Cheng et al. | AIOC2: A deep Q-learning approach to autonomic I/O congestion control in Lustre | |
Hou et al. | Dynamic Load Balancing Algorithm Based on Optimal Matching of Weighted Bipartite Graph | |
Wang et al. | Model-based scheduling for stream processing 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 |