CN111132230A - 一种面向数据采集的带宽分配和数据压缩联合优化方法 - Google Patents
一种面向数据采集的带宽分配和数据压缩联合优化方法 Download PDFInfo
- Publication number
- CN111132230A CN111132230A CN201911363655.4A CN201911363655A CN111132230A CN 111132230 A CN111132230 A CN 111132230A CN 201911363655 A CN201911363655 A CN 201911363655A CN 111132230 A CN111132230 A CN 111132230A
- Authority
- CN
- China
- Prior art keywords
- data
- compression
- mec server
- optimization problem
- data compression
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向数据采集的带宽分配和数据压缩联合优化方法,属于无线通信和移动边缘计算领域。该方法包括以下步骤:步骤一:建立系统模型:考虑具有K个单天线移动设备的多用户MEC系统;步骤二:建立数据压缩模型,数据压缩可在移动设备本地和MEC服务器进行;步骤三:建立数据传输模型,采用FDMA多址方式;步骤四:基于上述条件建立满足时延和MEC服务器总压缩能力约束情况下基于最小能耗的传输带宽和数据压缩联合优化问题,并将该联合优化问题分解为两个子问题;步骤五:通过迭代优化算法获得使MEC系统总能耗最低的传输带宽和数据压缩分配结果。本发明具有在保证时延限制的前提下,能有效降低系统总能耗的优点。
Description
技术领域
本发明涉及无线通信技术领域,具体涉及一种移动边缘计算场景中带宽分配和数据压缩联合优化方法。
背景技术
随着无线通信技术的快速发展,智能手机,可穿戴设备,平板电脑等移动设备(Mobile Devices,MDs)在我们日常生活中发挥着越来越重要的作用。物联网的最新进展也推动了移动设备上各种新型应用程序(例如:自动驾驶,虚拟现实和远程手术等等)的发展。这些新兴的计算密集型和延迟敏感型移动应用严重依赖于大规模无线设备的实时通信和计算。尽管移动设备的处理能力已经有了很大的提高,但往往在计算资源、存储资源和电池容量上受限,大量的计算需求远远超过本地移动设备能够提供的服务,仅仅在移动设备上执行应用程序无法提供令用户满意的服务质量(Quality of Service,QoS)。
移动边缘计算(Mobile Edge Computing,MEC)是解决这类问题的一种很有前景的技术,它通过无线接入点(Access Point,AP)或基站(Base Station,BS)上集成的MEC服务器在移动网络的边缘提供类似云计算的服务,以减少任务执行时间,并延长移动设备的电池寿命。它的提出是为了解决移动通信中面临的海量移动设备介入造成的全球计算资源短缺的问题,受到了学术界和工业界的广泛关注。移动边缘计算将计算及存储任务拉近到网络边缘,减轻网络压力,使得移动网络传输成本更低且效率更高。
能耗和时延是MEC系统中两个非常重要的性能指标,与云计算不同,边缘服务器的资源是有限的。无线资源和计算资源的分配对MEC系统来说至关重要。实际上,在数据中通常存在很多冗余。基于此,可以采用数据压缩技术将数据压缩为较小的尺寸,从而可以进一步节省无线传输的能耗和时间。因此,可能存在最优的数据压缩率以实现最低的能量消耗。
发明内容
本发明目的在于提供了一种面向数据采集的带宽分配和数据压缩联合优化方法,将移动设备的数据经过压缩和传输后存储至MEC服务器,寻找最优的压缩方案并实现系统总能耗最小化。
为实现上述目的,本发明采用了如下技术方案:
所述的面向数据采集的带宽分配和数据压缩联合优化方法,包括以下步骤:
步骤一:建立系统模型:考虑具有K个单天线移动设备的多用户MEC系统;
步骤二:建立数据压缩模型,数据压缩可在移动设备本地和MEC服务器进行;
步骤三:建立数据传输模型,采用FDMA多址方式;
步骤四:基于上述条件建立满足时延和MEC服务器总能力约束情况下基于最小能耗的传输带宽和数据压缩联合优化问题,并将该联合优化问题分解为两个子问题;
步骤五:通过迭代优化算法获得使MEC系统总能耗最低的传输带宽和数据压缩分配结果。
进一步地,前述的面向数据采集的带宽分配和数据压缩联合优化方法,其中:步骤一具体包括:
建立具有K个单天线移动设备和配备一个MEC服务器的基站(Base Station,BS)的多用户MEC系统。MEC服务器可以看作是移动设备通过无线通道连接的数据中心。每个移动设备持续生成感测到的数据,并且必须及时将其传输到MEC服务器以进行存储和分析。K个移动用户的集合表示为
进一步地,前述的面向数据采集的带宽分配和数据压缩联合优化方法,其中:步骤二具体包括:
令βk∈(0,1]表示为移动设备k数据的总压缩率(即最终压缩后数据大小和未压缩数据大小之比)。比特的数据将被压缩至比特并存储在MEC服务器中。由于移动设备具有一定的压缩能力,因此压缩操作可以在移动设备本地和/或在MEC服务器上,压缩操作应满足
其中是移动设备k在本地实现的数据压缩率,是在MEC服务器实现的数据压缩率。尽管在当前文献中仍然缺少一个完美的模型清楚地描述数据压缩的计算复杂度,但是可以将压缩每比特数据所需的CPU周期数近似为数据压缩率的指数函数
其中ε是取决于压缩方法的正常数。具体地说,当β=1时,C(β,ε)=0,即不需要压缩,因此,在本地和MEC服务器压缩1比特数据所需要的总CPU数可分别表示为和每个移动设备在本地压缩所需要的能量和时间可分别计算为
其中Ek和Fk分别表示CPU每周期消耗的能量和每秒移动设备的CPU周期数。同时,移动设备k在MEC服务器压缩需要的能量可以表示为
其中E代表MEC服务器压缩每比特数据所需要的能量。考虑MEC服务器具有有限的压缩能力,则MEC服务器总压缩能力应该满足
其中F是MEC服务器压缩时最大可执行的每秒CPU周期数。
进一步地,前述的面向数据采集的带宽分配和数据压缩联合优化方法,其中:步骤三具体包括:
采用FDMA的多址方式,系统将为每个移动设备分配一部分系统带宽。zk∈[0,1]表示其分配给移动设备k的带宽占比。每个移动设备和BS之间的无线信道都被建模为独立且分布均匀的瑞利变量。hk和pk分别定义为移动设备k的信道增益和传输功率。本发明不考虑功率分配问题,将pk视为一个常数,根据香农公式,每个移动设备可获得的数据速率(以每比特/秒为单位)可以表示为
其中B和N0/2分别表示系统总带宽和复高斯噪声信道的功率谱密度。
同时,MEC服务器的数据压缩和数据存储的延迟比本地压缩和无线传输的延迟小得多,因此可以忽略。此外,我们假设只有在所有移动设备的本地压缩完全完成后才能开始传输。对于移动设备k,其本地压缩和传输的时间不能超过最大时延限制T,即
进一步地,前述的面向数据采集的带宽分配和数据压缩联合优化方法,其中:步骤四具体包括:
假设所有移动设备的数据大小和多用户信道增益等参数都是已知的,并且可以通过反馈获得,然后将这个联合优化问题设为系统总能耗最小化问题:
其中,(35)表明MEC服务器总压缩能力的限制;(36)表明移动设备k的时延限制;(37)表明系统传输带宽限制。
通过固定其中一个优化变量,将优化问题(P1)分解为两个子问题。
给定移动设备k的本地数据压缩率,问题(P1)可以简化为以下传输带宽分配优化问题:
优化问题(P2)是凸优化问题,采用拉格朗日方法可以有效地解决优化问题(P2)。其相应部分拉格朗日方程表示为
给定传输带宽占比,问题(P1)可以简化为以下本地数据压缩率分配优化问题:
s.t.(35),(36),(38).
优化问题(P3)是凸优化问题,可通过内点法有效解决。
进一步地,前述的面向数据采集的带宽分配和数据压缩联合优化方法,其中:步骤五具体包括:
步骤(5.2):设置β=β(t-1),求解优化问题(P2)得到z(t);
步骤(5.3):设置z=z(t-1),求解优化问题(P3)得到β(t);
步骤(5.4):若|E(β(t),z(t))-E(β(t-1),z(t-1))|/E(β(t),z(t))<ζ,则停止迭代;否则,t=t+1,转步骤(5.2)。
通过上述技术方案的实施,本发明的有益效果是:
(1)将数据压缩技术融入移动边缘计算网络,减少存储空间的同时减少数据传输的时延和能耗;
(2)本发明将带宽分配与数据压缩进行联合优化,带宽分配为数据传输带来好的影响,性能更优;
(3)在保证时延的前提下,能有效的降低整个系统的总能耗。
附图说明
图1为本发明所述的一种面向数据采集的带宽分配和数据压缩联合优化方法的流程示意图。
图2为本发明的系统模型示意图。
图3为本发明一种面向数据采集的带宽分配和数据压缩联合优化方法中,不同移动设备数目下本发明方法和其他两种方法的对比示意图。
图4为本发明一种面向数据采集的带宽分配和数据压缩联合优化方法中,不同总数据压缩率下本发明方法和其他两种方法的对比示意图。
具体实施方式
为了使本发明领域的人员更好地理解本发明方法,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法进行清楚,完整地描述。
如图1所示,所述的面向数据采集的带宽分配和数据压缩联合优化方法,包括以下步骤:
步骤一:建立系统模型:考虑具有K个单天线移动设备的多用户MEC系统;
具体为:建立具有K个单天线移动设备和配备一个MEC服务器的基站(BaseStation,BS)的多用户MEC系统,如图2所示。MEC服务器可以看作是移动设备通过无线通道连接的数据中心。每个移动设备持续生成感测到的数据,并且必须及时将其传输到MEC服务器以进行存储和分析。K个移动用户的集合表示为
步骤二:建立数据压缩模型,数据压缩可在移动设备本地和MEC服务器进行;
其中,具体二具体包括以下步骤:
令βk∈(0,1]表示为移动设备k数据的总压缩率(即最终压缩后数据大小和未压缩数据大小之比)。比特的数据将被压缩至比特并存储在MEC服务器中。由于移动设备具有一定的压缩能力,因此压缩操作可以在移动设备本地和/或在MEC服务器上,压缩操作应满足
其中是移动设备k在本地实现的数据压缩率,是在MEC服务器实现的数据压缩率。尽管在当前文献中仍然缺少一个完美的模型清楚地描述数据压缩的计算复杂度,但是可以将压缩每比特数据所需的CPU周期数近似为数据压缩率的指数函数
其中ε是取决于压缩方法的正常数。具体地说,当β=1时,C(β,ε)=0,即不需要压缩,因此,在本地和MEC服务器压缩1比特数据所需要的总CPU数可分别表示为和每个移动设备在本地压缩所需要的能量和时间可分别计算为
其中Ek和Fk分别表示CPU每周期消耗的能量和每秒移动设备的CPU周期数。同时,移动设备k在MEC服务器压缩需要的能量可以表示为
其中E代表MEC服务器压缩每比特数据所需要的能量。考虑MEC服务器具有有限的压缩能力,则MEC服务器总压缩能力应该满足
其中F是MEC服务器压缩时最大可执行的每秒CPU周期数。
步骤三:建立数据传输模型,采用FDMA多址方式;
具体为:采用FDMA的多址方式,系统将为每个移动设备分配一部分系统带宽。zk∈[0,1]表示其分配给移动设备k的带宽占比。每个移动设备和BS之间的无线信道都被建模为独立且分布均匀的瑞利变量。hk和pk分别定义为移动设备k的信道增益和传输功率。本发明不考虑功率分配问题,将pk视为一个常数,根据香农公式,每个移动设备可获得的数据速率(以每比特/秒为单位)可以表示为
其中B和N0/2分别表示系统总带宽和复高斯噪声信道的功率谱密度。
同时,MEC服务器的数据压缩和数据存储的延迟比本地压缩和无线传输的延迟小得多,因此可以忽略。此外,我们假设只有在所有移动设备的本地压缩完全完成后才能开始传输。对于移动设备k,其本地压缩和传输的时间不能超过最大时延限制T,即
步骤四:基于上述条件建立满足时延和MEC服务器总能力约束情况下基于最小能耗的传输带宽和数据压缩联合优化问题,并将该联合优化问题分解为两个子问题;
具体为:假设所有移动设备的数据大小和多用户信道增益等参数都是已知的,并且可以通过反馈获得,然后将这个联合优化问题设为系统总能耗最小化问题:
其中,(57)表明MEC服务器总压缩能力的限制;(58)表明移动设备k的时延限制;(59)表明系统传输带宽限制。
通过固定其中一个优化变量,将优化问题(P1)分解为两个子问题。
给定移动设备k的本地数据压缩率,问题(P1)可以简化为以下传输带宽分配优化问题:
优化问题(P2)是凸优化问题,采用拉格朗日方法可以有效地解决优化问题(P2)。其相应部分拉格朗日方程表示为
给定传输带宽占比,问题(P1)可以简化为以下本地数据压缩率分配优化问题:
s.t.(57),(58),(60)
优化问题(P3)是凸优化问题,可通过内点法有效解决。
步骤五:通过迭代优化算法获得使MEC系统总能耗最低的传输带宽和数据压缩分配结果。
其中,步骤5具体包括以下步骤:
步骤(5.2):设置β=β(t-1),求解优化问题(P2)得到z(t);
步骤(5.3):设置z=z(t-1),求解优化问题(P3)得到β(t);
步骤(5.4):若|E(β(t),z(t))-E(β(t-1),z(t-1))|/E(β(t),z(t))<ζ,则停止迭代;否则,t=t+1,转步骤(5.2)。
本发明通过MATLAB编程仿真,得到仿真结果,参见图3和图4;
图3显示了在给定总压缩率βk=0.4的前提下,随着移动设备数量的增加,系统总能耗的变化结果。从图中可以看出,随着移动设备数量的增加,所有方法的系统总能耗都在增加。此外,本发明所提出的方法在所有方法性能中都达到最佳,并且本发明所提出的方法与两个对比方法之间的差距随着移动设备数量的增加而增大,这表明本发明所提出的方法可以在移动设备数量很大时有效降低总能耗,因为其同时利用了通信和计算资源。
图4显示了在给定移动数目K=20的前提下,数据总压缩率对系统总能耗的影响。值得注意的是,本发明所提出的方法具有最低的系统总能耗,并且本地压缩方法与本发明所提出的方法之间的差距随着总数据压缩率的降低而增大。此外,边缘压缩方案的总能耗几乎没有变化,这是因为在我们的仿真中,MEC服务器压缩1比特数据的能耗和数据的大小相对较小。此外,可以注意到,当数据总压缩率增加时,本地压缩方法和本发明所提出的方法的差距很小,这意味着所有感测到的数据都应在本地压缩以减少传输能量消耗。这表明本发明所提出的方法对于节能是有效的,特别是在数据总压缩比较低的情况下。
本发明的优点是:
(1)将数据压缩技术融入移动边缘计算网络,减少存储空间的同时减少数据传输的时延和能耗;
(2)本发明将带宽分配与数据压缩进行联合优化,带宽分配为数据传输带来好的影响,性能更优;
(3)在保证时延的前提下,能有效的降低整个系统的总能耗。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种面向数据采集的带宽分配和数据压缩联合优化方法,其特征在于,主要包括以下步骤:
步骤一:建立系统模型:考虑具有K个单天线移动设备的多用户MEC系统;
步骤二:建立数据压缩模型,数据压缩可在移动设备本地和MEC服务器进行;
步骤三:建立数据传输模型,采用FDMA多址方式;
步骤四:基于上述条件建立满足时延和MEC服务器总压缩能力约束情况下基于最小能耗的传输带宽和数据压缩联合优化问题,并将该联合优化问题分解为两个子问题;
步骤五:通过迭代优化算法获得使MEC系统总能耗最低的传输带宽和数据压缩分配结果。
3.根据权利要求1所述的一种面向数据采集的带宽分配和数据压缩联合优化方法,其特征在于,步骤二具体包括以下步骤:
令βk∈(0,1]表示为移动设备k数据的总压缩率,即最终压缩后数据大小和未压缩数据大小之比;比特的数据将被压缩至比特并存储在MEC服务器中,压缩操作在移动设备本地和/或在MEC服务器上,压缩操作应满足:
其中ε是取决于压缩方法的正常数,具体地说,当β=1时,C(β,ε)=0,即不需要压缩,因此,在本地和MEC服务器压缩1比特数据所需要的总CPU数分别表示为和每个移动设备在本地压缩所需要的能量和时间分别计算为:
其中Ek和Fk分别表示CPU每周期消耗的能量和每秒移动设备的CPU周期数,同时,移动设备k在MEC服务器压缩需要的能量表示为:
其中E代表MEC服务器压缩每比特数据所需要的能量,考虑MEC服务器具有有限的压缩能力,则MEC服务器总压缩能力应该满足:
其中F是MEC服务器压缩时最大可执行的每秒CPU周期数。
4.根据权利要求1所述的一种面向数据采集的带宽分配和数据压缩联合优化方法,其特征在于,步骤三具体包括以下步骤:
采用FDMA的多址方式,系统将为每个移动设备分配一部分系统带宽,zk∈[0,1]表示其分配给移动设备k的带宽占比,每个移动设备和BS之间的无线信道都被建模为独立且分布均匀的瑞利变量,hk和pk分别定义为移动设备k的信道增益和传输功率,将pk视为一个常数,根据香农公式,每个移动设备可获得的数据速率以比特/秒为单位表示为:
其中B和N0/2分别表示系统总带宽和复高斯噪声信道的功率谱密度;
对于移动设备k,其本地压缩和传输的时间不能超过最大时延限制T,即:
5.根据权利要求1所述的一种面向数据采集的带宽分配和数据压缩联合优化方法,其特征在于,步骤四具体包括以下步骤:
假设所有移动设备的数据大小和多用户信道增益等参数都是已知的,并且可以通过反馈获得,将这个联合优化问题设为系统总能耗最小化问题:
其中,(13)表明MEC服务器总压缩能力的限制;(14)表明移动设备k的时延限制;(15)表明系统传输带宽限制;
通过固定其中一个优化变量,将优化问题(P1)分解为两个子问题:
给定移动设备k的本地数据压缩率,问题(P1)可以简化为以下传输带宽分配优化问题:
(14),(15).
优化问题(P2)是凸优化问题,采用拉格朗日方法可以有效地解决优化问题(P2),其相应部分拉格朗日方程表示为:
给定传输带宽占比,问题(P1)可以简化为以下本地数据压缩率分配优化问题:
s.t.(13),(14),(16).
优化问题(P3)是凸优化问题,通过内点法有效解决。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911363655.4A CN111132230B (zh) | 2019-12-25 | 2019-12-25 | 一种面向数据采集的带宽分配和数据压缩联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911363655.4A CN111132230B (zh) | 2019-12-25 | 2019-12-25 | 一种面向数据采集的带宽分配和数据压缩联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111132230A true CN111132230A (zh) | 2020-05-08 |
CN111132230B CN111132230B (zh) | 2023-01-17 |
Family
ID=70502845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911363655.4A Active CN111132230B (zh) | 2019-12-25 | 2019-12-25 | 一种面向数据采集的带宽分配和数据压缩联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111132230B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949110A (zh) * | 2020-07-16 | 2020-11-17 | 北京邮电大学 | 一种移动边缘计算中能耗最小化的处理方法及装置 |
CN113993104A (zh) * | 2021-10-26 | 2022-01-28 | 中汽创智科技有限公司 | 一种数据传输方法、装置、设备及存储介质 |
CN114096006A (zh) * | 2021-08-18 | 2022-02-25 | 东南大学 | 移动边缘计算系统中资源分配和数据压缩联合优化方法 |
CN114138872A (zh) * | 2021-12-13 | 2022-03-04 | 青岛华仁互联网络有限公司 | 一种应用于数字金融的大数据入侵分析方法及存储介质 |
CN114302435A (zh) * | 2021-12-31 | 2022-04-08 | 杭州电子科技大学 | 一种移动边缘计算传输系统中的功耗与时延的优化方法 |
CN114786215A (zh) * | 2022-03-22 | 2022-07-22 | 国网浙江省电力有限公司信息通信分公司 | 多基站移动边缘计算系统传输计算联合优化系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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
- 2019-12-25 CN CN201911363655.4A patent/CN111132230B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949110A (zh) * | 2020-07-16 | 2020-11-17 | 北京邮电大学 | 一种移动边缘计算中能耗最小化的处理方法及装置 |
CN114096006A (zh) * | 2021-08-18 | 2022-02-25 | 东南大学 | 移动边缘计算系统中资源分配和数据压缩联合优化方法 |
CN113993104A (zh) * | 2021-10-26 | 2022-01-28 | 中汽创智科技有限公司 | 一种数据传输方法、装置、设备及存储介质 |
CN113993104B (zh) * | 2021-10-26 | 2023-12-26 | 中汽创智科技有限公司 | 一种数据传输方法、装置、设备及存储介质 |
CN114138872A (zh) * | 2021-12-13 | 2022-03-04 | 青岛华仁互联网络有限公司 | 一种应用于数字金融的大数据入侵分析方法及存储介质 |
CN114302435A (zh) * | 2021-12-31 | 2022-04-08 | 杭州电子科技大学 | 一种移动边缘计算传输系统中的功耗与时延的优化方法 |
CN114302435B (zh) * | 2021-12-31 | 2023-10-03 | 杭州电子科技大学 | 一种移动边缘计算传输系统中的功耗与时延的优化方法 |
CN114786215A (zh) * | 2022-03-22 | 2022-07-22 | 国网浙江省电力有限公司信息通信分公司 | 多基站移动边缘计算系统传输计算联合优化系统及方法 |
CN114786215B (zh) * | 2022-03-22 | 2023-10-20 | 国网浙江省电力有限公司信息通信分公司 | 多基站移动边缘计算系统传输计算联合优化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111132230B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132230B (zh) | 一种面向数据采集的带宽分配和数据压缩联合优化方法 | |
CN111786839B (zh) | 一种车载边缘计算网络中能效优化的计算卸载方法及系统 | |
CN109121151B (zh) | 小蜂窝集成移动边缘计算下分布式卸载方法 | |
CN108934002B (zh) | 一种基于d2d通信协作的任务卸载方法 | |
CN109922479B (zh) | 一种基于时延预估的计算任务卸载方法 | |
CN111988806B (zh) | 一种基于全双工中继的移动边缘计算网络资源分配方法 | |
CN111176929A (zh) | 一种面向边缘联邦学习的高能效计算通信联合优化方法 | |
CN110941667A (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
CN113377447B (zh) | 一种基于李雅普诺夫优化的多用户计算卸载方法 | |
CN108924938B (zh) | 一种用于无线充电边缘计算网络计算能效的资源分配方法 | |
CN109246761A (zh) | 考虑延迟及能耗的基于交替方向乘子法的卸载方法 | |
CN112416603B (zh) | 一种基于雾计算的联合优化系统和方法 | |
Gao et al. | Q-learning-based task offloading and resources optimization for a collaborative computing system | |
CN112188551A (zh) | 一种计算迁移方法、计算终端设备及边缘服务器设备 | |
He et al. | Strategy for task offloading of multi-user and multi-server based on cost optimization in mobile edge computing environment | |
CN112486685B (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 | |
Yu et al. | Task delay minimization in wireless powered mobile edge computing networks: A deep reinforcement learning approach | |
CN110602718B (zh) | 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统 | |
CN116761218A (zh) | 一种云边端协同系统中的联合优化方法、系统及存储介质 | |
CN110167042B (zh) | 基于非正交多址的计算任务分流联合执行时间与计算资源消耗优化方法 | |
CN115915276A (zh) | 基于边缘计算的能量受限终端任务在线调度装置及其方法 | |
CN114531718A (zh) | 不完美csi情况下noma-mec系统能耗优化方法 | |
CN112188600A (zh) | 一种利用强化学习优化异构网络资源的方法 | |
Liu et al. | Joint offloading and computation resource allocation in D2D assisted hybrid framework | |
Zhang et al. | Efficient computation offloading in mobile edge computing based on dynamic programming |
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 |