CN111240701A - 一种端-边-云协同计算的任务卸载优化方法 - Google Patents

一种端-边-云协同计算的任务卸载优化方法 Download PDF

Info

Publication number
CN111240701A
CN111240701A CN201911402857.5A CN201911402857A CN111240701A CN 111240701 A CN111240701 A CN 111240701A CN 201911402857 A CN201911402857 A CN 201911402857A CN 111240701 A CN111240701 A CN 111240701A
Authority
CN
China
Prior art keywords
edge
task
computing
mobile
server
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
Application number
CN201911402857.5A
Other languages
English (en)
Other versions
CN111240701B (zh
Inventor
李秀华
李辉
孙川
文俊浩
熊庆宇
范琪琳
王悦阳
毛玉星
李剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201911402857.5A priority Critical patent/CN111240701B/zh
Publication of CN111240701A publication Critical patent/CN111240701A/zh
Application granted granted Critical
Publication of CN111240701B publication Critical patent/CN111240701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation
    • G06F8/62—Uninstallation
    • 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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种端‑边‑云协同计算的任务卸载优化方法，主要步骤为：1)建立移动边缘计算系统模型。2)确定当前迭代轮次j下的任务卸载策略Ωi。3)确定当前迭代轮次j下的资源分配策略。4)量化移动边缘计算系统中能量消耗和传输时延的加权和，保存任务卸载与资源分配策略。5)输出端‑边‑云协同计算的移动边缘计算系统中最优任务卸载策略与最优资源分配策略。本发明综合考虑任务优先级和设备所剩电量等用户综合因素，给出了任务的最佳卸载位置，同时通过柯西方法给出资源分配策略，很大程度上提高了用户的QOE。

Description

一种端-边-云协同计算的任务卸载优化方法
技术领域
本发明涉及边缘计算技术，具体是一种端-边-云协同计算的任务卸载优化方法。
背景技术
近年来，由于网络中移动设备接入数量不断增加和移动网络技术的迅猛发展，逐渐推动了虚拟现实和增强现实等一系列新兴服务的发展，以云服务器为中心的常规模式已经难以满足延迟敏感型任务的要求。移动边缘计算作为一种全新的计算模式，它通过部署具有计算能力与计算资源的服务器到网络边缘来提高服务质量。在移动边缘计算网络中，边缘服务器可以部署在基站或基站附近。移动边缘计算系统通过将计算任务从移动设备卸载到云服务器或者边缘服务器，以减少时间延迟或者能量消耗。
在当前的移动边缘计算系统中，如何优化边缘计算任务的卸载位置，降低边缘计算系统资源消耗和时间延迟已经成为一个热门的研究课题。目前普遍采用的优化方法是将移动终端的计算任务卸载到边缘服务器，但是此优化方法存在着一些难以解决的问题：第一，当移动边缘计算系统中包含大量的移动设备时，边缘服务器会因此而过载，从而会导致计算任务的处理时间显著增加，降低用户的体验质量。第二，这种方法没有充分考虑移动终端、边缘服务器、和云服务器的协作能力，仅联合单个边缘服务器和多个移动终端忽略了云服务器的服务能力，导致整个移动边缘计算系统效率低下。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的，一种端-边-云协同计算的任务卸载优化方法，主要包括以下步骤：
1)获取同一时刻当前移动网络中所有移动设备、边缘服务器、云服务器和任务的信息数据。
进一步，所述移动设备和任务的信息数据包括移动设备的传输功率Φi、无线信道增益gi、移动设备的计算能力fi L和任务大小Si。边缘服务器的信息数据包括边缘服务器的计算能力FE、缓存大小SE和带宽大小BE。云服务器的信息数据包括云服务器的平均计算能力FC。
2)建立移动边缘计算系统模型。
所述移动边缘计算系统模型包括远程云服务器、一个本地边缘服务器和若干不同的移动设备。
3)初始化移动边缘计算系统参数，开始迭代运算。
进一步，移动边缘计算系统参数包括迭代次数N、次卸载的任务数K。初始状态下，所有的任务都在本地执行，令任务在本地执行的表征参数
Figure BDA0002347895630000021
任务在边缘服务器执行的表征参数
Figure BDA0002347895630000022
和任务在云服务器执行的表征参数
Figure BDA0002347895630000023
其中，1表示执行，0表示不执行。
4)确定当前迭代轮次j下的任务卸载策略Ωi，主要步骤如下：
4.1)计算移动设备的计算能力Ci、传输功率Φi和无线信道增益gi的乘积，并对所述乘积结果进行降序排序。
4.2)选择前K个乘积结果对应的任务进行卸载，将选择出的待卸载任务上传到边缘服务器中，并按照任务的大小进行升序排序。
4.3)计算卸载到边缘服务器中的任务大小Si之和是否超过边缘服务器的缓存大小SE。若超过，则按照排序结果逐个将任务卸载到云服务器。直到边缘服务器中的任务大小满足边缘服务器缓存。
5)确定当前迭代轮次j下的资源分配策略，包括边缘服务器为移动设备分配的计算能力fi E和移动边缘计算系统为移动设备分配的带宽资源
Figure BDA0002347895630000028
进一步，边缘服务器为移动设备分配的计算能力fi E如下所示：
Figure BDA0002347895630000024
式中，FE表示边缘服务器总的计算能力。A1,i为计算能量消耗参数。M为移动设备总数。
其中，计算能量消耗参数A1,i满足下式：
Figure BDA0002347895630000025
式中，
Figure BDA0002347895630000026
表示消耗的时间Wi和能量
Figure BDA0002347895630000027
的加权参数，取值范围为[0，1]。η表示平衡任务优先级和设备剩余电量的平衡参数，其取值范围为[0,1]。
Figure BDA0002347895630000031
用于归一化。
移动边缘计算系统为移动设备分配的带宽资源
Figure BDA00023478956300000313
如下所示：
Figure BDA0002347895630000032
式中，BE表示边缘服务器总的带宽。A2,i表示带宽资源消耗参数。
其中，带宽资源消耗参数A2,i如下所示：
Figure BDA0002347895630000033
式中，
Figure BDA0002347895630000034
用于归一化。σ2表示高斯噪声功率。
6)量化移动边缘计算系统中能量消耗和传输时延的加权和，保存任务卸载与资源分配策略。
进一步，移动边缘计算系统中能量消耗和传输时延的加权和为
Figure BDA0002347895630000035
其中，消耗的总时间ti如下所示：
Figure BDA0002347895630000036
式中，
Figure BDA0002347895630000037
表示任务在边缘服务器执行所用的时间。fi E表示为移动设备分配的计算能力。
Figure BDA0002347895630000038
表示任务在云服务器执行所用的时间。FC表示云服务器的平均计算能力。
Figure BDA0002347895630000039
表示任务上传到边缘服务器所用的时间。Si表示任务的大小，
Figure BDA00023478956300000310
表示移动设备到边缘服务器的上行链路速率。
Figure BDA00023478956300000311
表示服务器上传到云服务器所用的时间。RC表示从边缘服务器上传到云服务器的平均传输能力。
消耗的总能量ei如下所示：
Figure BDA00023478956300000312
式中，
Figure BDA0002347895630000041
表示任务在本地执行消耗的能量。
Figure BDA0002347895630000042
表示上传到边缘服务器所消耗的能量。κ表示能耗系数。
任务在本地执行消耗的时间
Figure BDA0002347895630000043
如下所示：
Figure BDA0002347895630000044
式中，fi L表示移动设备平均的计算速度，Ci表示每台移动设备的计算能力。
7)比较当前迭代轮次j下能量消耗和传输时延的加权和与最小加权和，若当前迭代轮次j下能量消耗和传输时延的加权和小于最小加权和，则以当前迭代轮次j下能量消耗和传输时延的加权和更新最小加权和，反之不更新。
8)返回步骤4，重复迭代，直至迭代次数为N。输出端-边-云协同计算的移动边缘计算系统中最优任务卸载策略与最优资源分配策略。
值得说明的是，本发明设计了包括远程的云服务器、一个本地边缘服务器和多个不同的移动设备的移动边缘计算系统模型。本发明将移动边缘计算模型建模为任务传输模型和任务计算模型，并提出时延和能量消耗联合优化的目标函数。同时，针对目标函数及其限制条件，本发明提出一种启发式算法来进行任务卸载位置确认和资源分配。本方法用移动设备的任务参数、边缘服务器参数、云服务器参数来进行建模，通过算法来优化任务的最终卸载地点并给出计算能力与带宽的分配方案，相比于其他的任务卸载方法有更好的效率和准确性，为移动边缘计算领域的任务决策和资源分配问题提供了一种解决思路。
本发明的技术效果是毋庸置疑的。本发明内容是提供一种基于端-边-云网络环境下的任务卸载和资源分配联合优化方法，通过综合考虑系统能量消耗和时间延迟来最大化网络收益。本发明综合考虑移动设备、边缘服务器、云服务器三端任务卸载问题，相比于其他边缘计算卸载系统，应用范围更加广泛。本发明综合考虑任务优先级和设备所剩电量等用户综合因素，给出了任务的最佳卸载位置，同时通过柯西方法给出资源分配策略，很大程度上提高了用户的QOE(QUALITY OF EXPERIENCE，体验质量)。本发明提供了一种端-边-云网络环境下的任务卸载和资源分配联合优化方法。该方法在保证了在满足边缘服务器缓存大小要求的前提下，通过对边缘服务器的计算能力、计算带宽的分配，综合考虑用户的设备电量和任务优先级，得以最小化系统的能量消耗和传输时延。
附图说明
图1为系统模型图；
图2为计算任务卸载和计算资源分配策略流程图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1至图2，一种端-边-云协同计算的任务卸载优化方法，主要包括以下步骤：
1)获取同一时刻当前移动网络中所有移动设备、边缘服务器、云服务器和任务的信息数据。
所述移动设备和任务的信息数据包括移动设备的传输功率Φi、无线信道增益gi、移动设备的计算能力fi L和任务大小Si。边缘服务器的信息数据包括边缘服务器的计算能力FE、缓存大小SE和带宽大小BE。云服务器的信息数据包括云服务器的平均计算能力FC。
2)建立移动边缘计算系统模型。
所述移动边缘计算系统模型包括远程云服务器、一个本地边缘服务器和若干不同的移动设备。
3)初始化移动边缘计算系统参数，开始迭代运算。
移动边缘计算系统参数包括迭代次数N、次卸载的任务数K。初始状态下，所有的任务都在本地执行，令任务在本地执行的表征参数
Figure BDA0002347895630000051
任务在边缘服务器执行的表征参数
Figure BDA0002347895630000052
和任务在云服务器执行的表征参数
Figure BDA0002347895630000053
其中，1表示执行，0表示不执行。
4)确定当前迭代轮次j下的任务卸载策略Ωi，主要步骤如下：
4.1)计算移动设备的计算能力Ci、传输功率Φi和无线信道增益gi的乘积，并对所述乘积结果进行降序排序。
4.2)选择前K个乘积结果对应的任务进行卸载，将选择出的待卸载任务上传到边缘服务器中，并按照任务的大小进行升序排序。
4.3)计算卸载到边缘服务器中的任务大小Si之和是否超过边缘服务器的缓存大小SE。若超过，则按照排序结果逐个将任务卸载到云服务器。直到边缘服务器中的任务大小满足边缘服务器缓存。
5)确定当前迭代轮次j下的资源分配策略，包括边缘服务器为移动设备分配的计算能力fi E和移动边缘计算系统为移动设备分配的带宽资源
Figure BDA00023478956300000610
边缘服务器为移动设备分配的计算能力fi E如下所示：
Figure BDA0002347895630000061
式中，FE表示边缘服务器总的计算能力。A1,i为计算能量消耗参数。M为移动设备总数。
其中，计算能量消耗参数A1,i满足下式：
Figure BDA0002347895630000062
式中，
Figure BDA0002347895630000067
表示消耗的时间和能量的加权参数，取值范围为[0，1]。η表示平衡任务优先级和设备剩余电量的平衡参数，其取值范围为[0,1]。
Figure BDA0002347895630000063
用于归一化，即
Figure BDA0002347895630000064
为归一化参数。Wi表示执行任务所消耗的时间，能量
Figure BDA0002347895630000068
表示执行任务所消耗的能量。
移动边缘计算系统为移动设备分配的带宽资源
Figure BDA0002347895630000069
如下所示：
Figure BDA0002347895630000065
式中，BE表示边缘服务器总的带宽。A2,i表示带宽资源消耗参数。
其中，带宽资源消耗参数A2,i如下所示：
Figure BDA0002347895630000066
式中，
Figure BDA0002347895630000071
用于归一化，即
Figure BDA0002347895630000072
为归一化参数。σ2表示高斯噪声功率。
6)量化移动边缘计算系统中能量消耗和传输时延的加权和，保存任务卸载与资源分配策略。
进一步，移动边缘计算系统中能量消耗和传输时延的加权和为
Figure BDA0002347895630000073
其中，消耗的总时间ti如下所示：
Figure BDA0002347895630000074
式中，
Figure BDA0002347895630000075
表示任务在边缘服务器执行所用的时间。fi E表示为移动设备分配的计算能力。
Figure BDA0002347895630000076
表示任务在云服务器执行所用的时间。FC表示云服务器的平均计算能力。
Figure BDA0002347895630000077
表示任务上传到边缘服务器所用的时间。Si表示任务的大小，
Figure BDA0002347895630000078
表示移动设备到边缘服务器的上行链路速率。
Figure BDA0002347895630000079
表示服务器上传到云服务器所用的时间。RC表示从边缘服务器上传到云服务器的平均传输能力。
消耗的总能量ei如下所示：
Figure BDA00023478956300000710
式中，
Figure BDA00023478956300000711
表示任务在本地执行消耗的能量。
Figure BDA00023478956300000712
表示上传到边缘服务器所消耗的能量。κ表示能耗系数。
任务在本地执行消耗的时间
Figure BDA00023478956300000713
如下所示：
Figure BDA00023478956300000714
式中，fi L表示移动设备平均的计算速度，Ci表示每台移动设备的计算能力。
7)比较当前迭代轮次j下能量消耗和传输时延的加权和与最小加权和，若当前迭代轮次j下能量消耗和传输时延的加权和小于最小加权和，则以当前迭代轮次j下能量消耗和传输时延的加权和更新最小加权和，反之不更新。
8)返回步骤4，重复迭代，直至迭代次数为N。输出端-边-云协同计算的移动边缘计算系统中最优任务卸载策略与最优资源分配策略。
实施例2：
一种端-边-云协同计算的任务卸载优化方法，主要包括以下步骤：
1)获取同一时刻当前移动网络中所有移动设备、边缘服务器、云服务器和任务的信息数据。
2)建立移动边缘计算系统模型。
3)初始化移动边缘计算系统参数，开始迭代运算。
4)确定当前迭代轮次j下的任务卸载策略Ωi。
5)确定当前迭代轮次j下的资源分配策略，包括边缘服务器为移动设备分配的计算能力fi E和移动边缘计算系统为移动设备分配的带宽资源
Figure BDA0002347895630000081
6)量化移动边缘计算系统中能量消耗和传输时延的加权和，保存任务卸载与资源分配策略。
7)比较当前迭代轮次j下能量消耗和传输时延的加权和与最小加权和，若当前迭代轮次j下能量消耗和传输时延的加权和小于最小加权和，则以当前迭代轮次j下能量消耗和传输时延的加权和更新最小加权和，反之不更新。
8)输出端-边-云协同计算的移动边缘计算系统中最优任务卸载策略与最优资源分配策略。
实施例3：
一种端-边-云协同计算的任务卸载优化方法，主要步骤见实施例2，其中，确定当前迭代轮次j下的任务卸载策略Ωi的主要步骤如下：
1)计算移动设备的计算能力Ci、传输功率Φi和无线信道增益gi的乘积，并对所述乘积结果进行降序排序。
2)选择前K个乘积结果对应的任务进行卸载，将选择出的待卸载任务上传到边缘服务器中，并按照任务的大小进行升序排序。
3)计算卸载到边缘服务器中的任务大小Si之和是否超过边缘服务器的缓存大小SE。若超过，则按照排序结果逐个将任务卸载到云服务器。直到边缘服务器中的任务大小满足边缘服务器缓存。
实施例4：
一种端-边-云协同计算的任务卸载优化方法，主要步骤见实施例2，其中，移动边缘计算系统中能量消耗和传输时延的加权和为
Figure BDA0002347895630000091
其中，消耗的总时间ti如下所示：
Figure BDA0002347895630000092
式中，
Figure BDA0002347895630000093
表示任务在边缘服务器执行所用的时间。fi E表示为移动设备分配的计算能力。
Figure BDA0002347895630000094
表示任务在云服务器执行所用的时间。FC表示云服务器的平均计算能力。
Figure BDA0002347895630000095
表示任务上传到边缘服务器所用的时间。Si表示任务的大小，
Figure BDA0002347895630000096
表示移动设备到边缘服务器的上行链路速率。
Figure BDA0002347895630000097
表示服务器上传到云服务器所用的时间。RC表示从边缘服务器上传到云服务器的平均传输能力。
消耗的总能量ei如下所示：
Figure BDA0002347895630000098
式中，
Figure BDA0002347895630000099
表示任务在本地执行消耗的能量。
Figure BDA00023478956300000910
表示上传到边缘服务器所消耗的能量。
任务在本地执行消耗的时间
Figure BDA00023478956300000911
如下所示：
Figure BDA00023478956300000912
式中，fi L表示移动设备平均的计算速度，Ci表示每台移动设备的计算能力。

Claims (7)

1.一种端-边-云协同计算的任务卸载优化方法，其特征在于，主要包括以下步骤：
1)获取同一时刻当前移动网络中所有移动设备、边缘服务器、云服务器和任务的信息数据。
2)建立移动边缘计算系统模型；
3)初始化移动边缘计算系统参数，开始迭代运算；
4)确定当前迭代轮次j下的任务卸载策略Ωi；
5)确定当前迭代轮次j下的资源分配策略，包括边缘服务器为移动设备分配的计算能力fi E和移动边缘计算系统为移动设备分配的带宽资源
Figure FDA0002347895620000011
6)量化移动边缘计算系统中能量消耗和传输时延的加权和，保存任务卸载与资源分配策略；
7)比较当前迭代轮次j下能量消耗和传输时延的加权和与最小加权和，若当前迭代轮次j下能量消耗和传输时延的加权和小于最小加权和，则以当前迭代轮次j下能量消耗和传输时延的加权和更新最小加权和，反之不更新；
8)返回步骤4，重复迭代，直至迭代次数为N；输出端-边-云协同计算的移动边缘计算系统中最优任务卸载策略与最优资源分配策略。
2.根据权利要求1或2所述的一种端-边-云协同计算的任务卸载优化方法，其特征在于，所述移动设备和任务的信息数据包括移动设备的传输功率Φi、无线信道增益gi、移动设备的计算能力fi L和任务大小Si；边缘服务器的信息数据包括边缘服务器的计算能力FE、缓存大小SE和带宽大小BE；云服务器的信息数据包括云服务器的平均计算能力FC。
3.根据权利要求1或2所述的一种端-边-云协同计算的任务卸载优化方法，其特征在于，所述移动边缘计算系统模型包括远程云服务器、一个本地边缘服务器和若干不同的移动设备。
4.根据权利要求1所述的一种端-边-云协同计算的任务卸载优化方法，其特征在于，移动边缘计算系统参数包括迭代次数N、次卸载的任务数K；初始状态下，所有的任务都在本地执行，令任务在本地执行的表征参数
Figure FDA0002347895620000021
任务在边缘服务器执行的表征参数
Figure FDA0002347895620000022
任务在云服务器执行的表征参数
Figure FDA0002347895620000023
其中，1表示执行，0表示不执行。
5.根据权利要求1所述的一种端-边-云协同计算的任务卸载优化方法，其特征在于，确定当前迭代轮次j下的任务卸载策略Ωi的主要步骤如下：
1)计算移动设备的计算能力Ci、传输功率Φi和无线信道增益gi的乘积，并对所述乘积结果进行降序排序；
2)选择前K个乘积结果对应的任务进行卸载，将选择出的待卸载任务上传到边缘服务器中，并按照任务的大小进行升序排序；
3)计算卸载到边缘服务器中的任务大小Si之和是否超过边缘服务器的缓存大小SE；若超过，则按照排序结果逐个将任务卸载到云服务器；直到边缘服务器中的任务大小满足边缘服务器缓存。
6.根据权利要求1所述的一种端-边-云协同计算的任务卸载优化方法，其特征在于，边缘服务器为移动设备分配的计算能力fi E如下所示：
Figure FDA0002347895620000024
式中，FE表示边缘服务器总的计算能力；A1,i为计算能量消耗参数；M为移动设备总数；
其中，计算能量消耗参数A1,i满足下式：
Figure FDA0002347895620000025
式中，
Figure FDA0002347895620000026
表示消耗的时间Wi和能量
Figure FDA0002347895620000027
的加权参数，取值范围为[0，1]；η表示平衡任务优先级和设备剩余电量的平衡参数，其取值范围为[0,1]；
Figure FDA0002347895620000028
用于归一化；
移动边缘计算系统为移动设备分配的带宽资源
Figure FDA0002347895620000029
如下所示：
Figure FDA00023478956200000210
式中，BE表示边缘服务器总的带宽；A2,i表示带宽资源消耗参数；
其中，带宽资源消耗参数A2,i如下所示：
Figure FDA0002347895620000031
式中，
Figure FDA0002347895620000032
用于归一化；σ2表示高斯噪声功率。
7.根据权利要求1所述的一种端-边-云协同计算的任务卸载优化方法，其特征在于，移动边缘计算系统中能量消耗和传输时延的加权和为
Figure FDA0002347895620000033
其中，消耗的总时间ti如下所示：
Figure FDA0002347895620000034
式中，
Figure FDA0002347895620000035
表示任务在边缘服务器执行所用的时间；fi E表示为移动设备分配的计算能力；
Figure FDA0002347895620000036
表示任务在云服务器执行所用的时间；FC表示云服务器的平均计算能力；
Figure FDA0002347895620000037
表示任务上传到边缘服务器所用的时间；Si表示任务的大小，
Figure FDA0002347895620000038
表示移动设备到边缘服务器的上行链路速率；
Figure FDA0002347895620000039
表示服务器上传到云服务器所用的时间；RC表示从边缘服务器上传到云服务器的平均传输能力；
消耗的总能量ei如下所示：
Figure FDA00023478956200000310
式中，
Figure FDA00023478956200000311
表示任务在本地执行消耗的能量；
Figure FDA00023478956200000312
表示上传到边缘服务器所消耗的能量；κ表示能耗系数；
任务在本地执行消耗的时间
Figure FDA00023478956200000313
如下所示：
Figure FDA00023478956200000314
式中，fi L表示移动设备平均的计算速度，Ci表示每台移动设备的计算能力。
CN201911402857.5A 2019-12-31 2019-12-31 一种端-边-云协同计算的任务卸载优化方法 Active CN111240701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911402857.5A CN111240701B (zh) 2019-12-31 2019-12-31 一种端-边-云协同计算的任务卸载优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911402857.5A CN111240701B (zh) 2019-12-31 2019-12-31 一种端-边-云协同计算的任务卸载优化方法

Publications (2)

Publication Number Publication Date
CN111240701A true CN111240701A (zh) 2020-06-05
CN111240701B CN111240701B (zh) 2023-07-25

Family

ID=70874097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911402857.5A Active CN111240701B (zh) 2019-12-31 2019-12-31 一种端-边-云协同计算的任务卸载优化方法

Country Status (1)

Country Link
CN (1) CN111240701B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111913723A (zh) * 2020-06-15 2020-11-10 合肥工业大学 基于流水线的云-边-端协作卸载方法和系统
CN112187872A (zh) * 2020-09-08 2021-01-05 重庆大学 一种移动边缘计算网络下内容缓存和用户关联优化方法
CN112286677A (zh) * 2020-08-11 2021-01-29 安阳师范学院 一种面向资源受限边缘云的物联网应用优化部署方法
CN112559178A (zh) * 2020-12-16 2021-03-26 湘潭大学 一种基于边云服务器协同计算的任务卸载方法
CN112612610A (zh) * 2020-12-18 2021-04-06 广州竞远安全技术股份有限公司 一种基于Actor-Critic深度强化学习的SOC服务质量保障系统及方法
CN112860429A (zh) * 2020-12-29 2021-05-28 重庆大学 一种移动边缘计算系统中任务卸载的成本效率优化系统及方法
CN112996056A (zh) * 2021-03-02 2021-06-18 国网江苏省电力有限公司信息通信分公司 一种云边协同下时延最优化的计算任务卸载方法及装置
CN113114714A (zh) * 2020-11-03 2021-07-13 吉林大学 一种大规模任务卸载到5g边缘服务器的节能方法及系统
CN113157446A (zh) * 2021-04-09 2021-07-23 联通(广东)产业互联网有限公司 一种云边协同的资源分配方法、装置、设备及介质
CN113156992A (zh) * 2021-04-12 2021-07-23 安徽大学 面向边缘环境下无人机的三层架构协同优化系统及方法
CN113191654A (zh) * 2021-05-12 2021-07-30 余绍祥 基于多目标优化的分布式资源调度系统与方法
CN113361113A (zh) * 2021-06-09 2021-09-07 南京工程学院 一种能耗可调的高铁转向架孪生数据分配方法
CN113452625A (zh) * 2021-06-28 2021-09-28 重庆大学 基于深度强化学习的卸载调度与资源分配方法
CN113556764A (zh) * 2021-07-30 2021-10-26 云南大学 一种基于移动边缘计算网络的计算速率确定方法及系统
CN113672819A (zh) * 2021-05-25 2021-11-19 重庆大学 一种基于推荐感知和协作边缘缓存的内容请求处理系统
CN113923223A (zh) * 2021-11-15 2022-01-11 安徽大学 一种边缘环境下低时间成本的用户分配方法
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
CN114785777A (zh) * 2022-03-04 2022-07-22 杭州未名信科科技有限公司 一种用于传输资源的端-边-云计算最优解耦方法
CN117155798A (zh) * 2023-03-13 2023-12-01 中国科学院沈阳自动化研究所 面向资源受限的云-边协同实时调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106534333A (zh) * 2016-11-30 2017-03-22 北京邮电大学 一种基于mec和mcc的双向选择计算卸载方法
CN107911478A (zh) * 2017-12-06 2018-04-13 武汉理工大学 基于化学反应优化算法的多用户计算卸载方法及装置
US20180183855A1 (en) * 2016-12-28 2018-06-28 Intel Corporation Application computation offloading for mobile edge computing
CN109684075A (zh) * 2018-11-28 2019-04-26 深圳供电局有限公司 一种基于边缘计算和云计算协同进行计算任务卸载的方法
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
CN110351760A (zh) * 2019-07-19 2019-10-18 重庆邮电大学 一种移动边缘计算系统动态任务卸载及资源分配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106534333A (zh) * 2016-11-30 2017-03-22 北京邮电大学 一种基于mec和mcc的双向选择计算卸载方法
US20180183855A1 (en) * 2016-12-28 2018-06-28 Intel Corporation Application computation offloading for mobile edge computing
CN107911478A (zh) * 2017-12-06 2018-04-13 武汉理工大学 基于化学反应优化算法的多用户计算卸载方法及装置
CN109684075A (zh) * 2018-11-28 2019-04-26 深圳供电局有限公司 一种基于边缘计算和云计算协同进行计算任务卸载的方法
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
CN110351760A (zh) * 2019-07-19 2019-10-18 重庆邮电大学 一种移动边缘计算系统动态任务卸载及资源分配方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHUAN SUN等: "Task Offloading for End-Edge-Cloud Orchestrated Computing in Mobile Networks", 2020 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC), pages 1 - 6 *
JAN PLACHY等: "Path selection enabling user mobility and efficient distribution of data for computation at the edge of mobile network", COMPUTER NETWORKS, vol. 108, pages 357 - 370, XP093007571, DOI: 10.1016/j.comnet.2016.09.005 *
XIUHUA LI等: "Hierarchical Edge Caching in Device-to-Device Aided Mobile Networks: Modeling, Optimization, and Design", IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS, vol. 36, no. 8, pages 1768 - 1785, XP011693870, DOI: 10.1109/JSAC.2018.2844658 *
刘国强: "基于移动边缘计算的任务卸载策略研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 1, pages 136 - 968 *
夏云霓 等: "移动边缘计算技术现状与几个关键问题的研究综述", 广州大学学报(自然科学版), vol. 18, no. 2, pages 17 - 29 *
王月: "面向移动边缘网络的资源管理研究", 中国博士学位论文全文数据库 信息科技辑, no. 8, pages 136 - 77 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111913723A (zh) * 2020-06-15 2020-11-10 合肥工业大学 基于流水线的云-边-端协作卸载方法和系统
CN111913723B (zh) * 2020-06-15 2022-09-23 合肥工业大学 基于流水线的云-边-端协作卸载方法和系统
CN112286677A (zh) * 2020-08-11 2021-01-29 安阳师范学院 一种面向资源受限边缘云的物联网应用优化部署方法
CN112286677B (zh) * 2020-08-11 2021-07-16 安阳师范学院 一种面向资源受限边缘云的物联网应用优化部署方法
CN112187872A (zh) * 2020-09-08 2021-01-05 重庆大学 一种移动边缘计算网络下内容缓存和用户关联优化方法
CN113114714A (zh) * 2020-11-03 2021-07-13 吉林大学 一种大规模任务卸载到5g边缘服务器的节能方法及系统
CN112559178A (zh) * 2020-12-16 2021-03-26 湘潭大学 一种基于边云服务器协同计算的任务卸载方法
CN112559178B (zh) * 2020-12-16 2024-05-10 湘潭大学 一种基于边云服务器协同计算的任务卸载方法
CN112612610A (zh) * 2020-12-18 2021-04-06 广州竞远安全技术股份有限公司 一种基于Actor-Critic深度强化学习的SOC服务质量保障系统及方法
CN112612610B (zh) * 2020-12-18 2021-08-03 广州竞远安全技术股份有限公司 一种基于Actor-Critic深度强化学习的SOC服务质量保障系统及方法
CN112860429A (zh) * 2020-12-29 2021-05-28 重庆大学 一种移动边缘计算系统中任务卸载的成本效率优化系统及方法
CN112860429B (zh) * 2020-12-29 2023-06-16 重庆大学 一种移动边缘计算系统中任务卸载的成本效率优化系统及方法
CN112996056A (zh) * 2021-03-02 2021-06-18 国网江苏省电力有限公司信息通信分公司 一种云边协同下时延最优化的计算任务卸载方法及装置
CN113157446A (zh) * 2021-04-09 2021-07-23 联通(广东)产业互联网有限公司 一种云边协同的资源分配方法、装置、设备及介质
CN113157446B (zh) * 2021-04-09 2022-12-09 联通(广东)产业互联网有限公司 一种云边协同的资源分配方法、装置、设备及介质
CN113156992A (zh) * 2021-04-12 2021-07-23 安徽大学 面向边缘环境下无人机的三层架构协同优化系统及方法
CN113191654A (zh) * 2021-05-12 2021-07-30 余绍祥 基于多目标优化的分布式资源调度系统与方法
CN113672819B (zh) * 2021-05-25 2023-09-29 重庆大学 一种基于推荐感知和协作边缘缓存的内容请求处理系统
CN113672819A (zh) * 2021-05-25 2021-11-19 重庆大学 一种基于推荐感知和协作边缘缓存的内容请求处理系统
CN113361113A (zh) * 2021-06-09 2021-09-07 南京工程学院 一种能耗可调的高铁转向架孪生数据分配方法
CN113452625A (zh) * 2021-06-28 2021-09-28 重庆大学 基于深度强化学习的卸载调度与资源分配方法
CN113556764B (zh) * 2021-07-30 2022-05-31 云南大学 一种基于移动边缘计算网络的计算速率确定方法及系统
CN113556764A (zh) * 2021-07-30 2021-10-26 云南大学 一种基于移动边缘计算网络的计算速率确定方法及系统
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
CN113923223A (zh) * 2021-11-15 2022-01-11 安徽大学 一种边缘环境下低时间成本的用户分配方法
CN113923223B (zh) * 2021-11-15 2024-02-06 安徽大学 一种边缘环境下低时间成本的用户分配方法
CN114785777A (zh) * 2022-03-04 2022-07-22 杭州未名信科科技有限公司 一种用于传输资源的端-边-云计算最优解耦方法
CN117155798A (zh) * 2023-03-13 2023-12-01 中国科学院沈阳自动化研究所 面向资源受限的云-边协同实时调度方法
CN117155798B (zh) * 2023-03-13 2024-03-01 中国科学院沈阳自动化研究所 面向资源受限的云-边协同实时调度方法

Also Published As

Publication number Publication date
CN111240701B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN111240701B (zh) 一种端-边-云协同计算的任务卸载优化方法
CN108880893B (zh) 一种移动边缘计算服务器联合能量收集及任务卸载方法
CN110493360B (zh) 多服务器下降低系统能耗的移动边缘计算卸载方法
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN111132191B (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN111372314A (zh) 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN110489176B (zh) 一种基于装箱问题的多接入边缘计算任务卸载方法
CN110740473B (zh) 一种用于移动边缘计算的管理方法及边缘服务器
CN107995660A (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
CN111930436A (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN110519370B (zh) 一种基于设施选址问题的边缘计算资源分配方法
CN111757361B (zh) 一种雾网络中基于无人机辅助的任务卸载方法
CN111711962B (zh) 一种移动边缘计算系统子任务协同调度方法
CN112040512B (zh) 一种基于公平的雾计算任务卸载方法及系统
CN113918240A (zh) 任务卸载方法及装置
CN112860429A (zh) 一种移动边缘计算系统中任务卸载的成本效率优化系统及方法
CN113835878A (zh) 一种资源分配方法、装置、计算机设备及存储介质
CN112988347A (zh) 一种降低系统能耗与花费和的边缘计算卸载方法及系统
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
CN113766037B (zh) 面向大规模边缘计算系统的任务卸载控制方法及系统
CN113573280B (zh) 一种车辆边缘计算成本效益优化方法、系统、设备、终端
CN112511652A (zh) 一种边缘计算下的合作计算任务分配方法
CN112423320A (zh) 一种基于QoS和用户行为预测的多用户计算卸载方法
CN117201408A (zh) 一种基于群体博弈的大规模物联网设备负载均衡解决方法
CN115809148B (zh) 一种面向边缘计算的负载均衡任务调度方法及装置

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