CN111274037B - 一种边缘计算任务卸载方法、系统 - Google Patents

一种边缘计算任务卸载方法、系统 Download PDF

Info

Publication number
CN111274037B
CN111274037B CN202010069264.8A CN202010069264A CN111274037B CN 111274037 B CN111274037 B CN 111274037B CN 202010069264 A CN202010069264 A CN 202010069264A CN 111274037 B CN111274037 B CN 111274037B
Authority
CN
China
Prior art keywords
task
price
edge computing
processed
user
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.)
Active
Application number
CN202010069264.8A
Other languages
English (en)
Other versions
CN111274037A (zh
Inventor
夏晓东
李玲香
董哲
蔡信峣
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202010069264.8A priority Critical patent/CN111274037B/zh
Publication of CN111274037A publication Critical patent/CN111274037A/zh
Application granted granted Critical
Publication of CN111274037B publication Critical patent/CN111274037B/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
    • 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
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • 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
    • G06F2209/508—Monitor
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/54—Indexing scheme relating to G06F9/54
    • G06F2209/548—Queue
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种移动边缘计算任务卸载方法，其特征在于包括如下步骤：获取用户发送的待处理的任务；边缘计算服务器获取计算所述用户发送的待处理任务的价格或/和服务质量，并将所述待处理任务的价格或/和服务质量发送给用户；根据所述价格或/和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到边缘计算服务器。本发明公开了一种移动边缘计算任务卸载设备、系统。边缘计算服务器根据自身的信息，以及当前需要计算的任务的总任务量动态返回一个服务价格和服务质量，供用户客户端进行决定是否将任务卸载到边缘计算服务器，提高了资源利用率。

Description

一种边缘计算任务卸载方法、系统
技术领域
本发明涉及边缘计算领域，具体来说，涉及一种边缘计算任务卸载方法
背景技术
随着物联网的发展，特别是5G技术的普及，虚拟现实(VR)/增强现实(AR)/人工智能(AI)等需要大量计算资源的应用，但用户终端因为功耗的等条件的限制，不能提供足够的计算能力，使得所述应用的体验不佳。移动边缘计算方法将用户终端无法快速解决的计算任务上传至网络边缘的高性能计算服务器处进行处理，并将处理结果返还给用户终端，从而提供用户体验。同时为了避免由于服务用户过多造成的服务质量下降，采用了价格手段对用户数量进行限制。现有的解决方案主要依赖人工控制，存在定价不能根据负载动态调整，不能最大化资源利用率和社会效益等问题。
本文提供的背景描述用于总体上呈现本公开的上下文的目的。除非本文另外指示，在该章节中描述的资料不是该申请的权利要求的现有技术并且不要通过包括在该章节内来承认其成为现有技术。
发明内容
针对相关技术中的上述技术问题，本发明提出一种边缘计算任务卸载方法，能够动态根据边缘计算服务器的负载来动态调整价格。
为实现上述技术目的，本发明的实施例提供了一种移动边缘计算任务卸载方法，包括如下步骤：
S1、获取用户发送的待处理的任务；
S2、边缘计算服务器获取计算所述用户发送的待处理任务的价格或/和服务质量，并将所述待处理任务的价格或/和服务质量发送给用户；
S3、根据所述价格或/和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到边缘计算服务器。
进一步地，步骤S2具体包括，边缘计算服务器根据强化学习算法来计算所述待处理任务的价格或/和服务质量。
进一步地，步骤S2具体包括获取边缘计算服务器的任务队列中的计算量作为强化学习的状态，并以一价格向量作为强化学习的动作空间，全部用户的时间消耗和能量消耗之和作为奖励值来计算所述待处理任务的价格。
进一步地，步骤S3中的用户终端信息包括CPU频率、时间能量敏感程度、任务量、距离服务器距离中的一种或多种；
进一步地，步骤S2中所述边缘服务器获取计算所述用户发送的待处理任务的价格、服务质量具体包括，边缘计算服务器根据所述边缘计算服务器的基本信息、边缘计算服务器的任务队列中的计算量来确定服务质量。
此外，本发明还实现了一种移动边缘计算任务卸载系统，其包括：
第一获取模块，用于获取用户发送的待处理的任务；
第二获取模块，用于获取边缘服务器获取计算所述用户发送的待处理任务的价格、服务质量，
发送模块，用于将所述待处理任务的价格或/和服务质量发送给用户；
任务卸载模块，用于根据所述价格或/和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到所述边缘计算服务器。
进一步地，边缘计算服务器根据强化学习算法来计算所述待处理任务的价格或/和服务质量。
进一步地，获取边缘计算服务器的任务队列中的计算量作为强化学习的状态，并以一价格向量作为强化学习的动作空间，全部用户的时间消耗和能量消耗之和作为奖励值来计算所述待处理任务的价格。
进一步地，用户终端信息包括CPU频率、时间能量敏感程度、任务量、距离服务器距离中的一种或多种；
进一步地，所述边缘服务器获取计算所述用户发送的待处理任务的价格、服务质量具体包括，边缘计算服务器根据所述边缘计算服务器的基本信息、边缘计算服务器的任务队列中的计算量来确定服务质量。
此外，本发明还实现了一种边缘计算服务器，其包括如下单元：
第一获取单元；用于获取用户发送的待处理的任务；
第二获取单元，用于获取边缘服务器获取计算所述用户发送的待处理任务的价格、服务质量，
发送单元，用于将所述待处理任务的价格或/和服务质量发送给用户；
接收单元；用于接收用户根据所述据所述价格或/和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到所述边缘计算服务器的请求；
任务卸载单元，相应所述请求，将所述待处理任务卸载到所述边缘计算服务器。
本发明的有益效果：边缘计算服务器根据自身的信息，以及当前需要计算的任务的总任务量动态返回一个服务价格和服务质量，供用户客户端进行决定是否将任务卸载到边缘计算服务器，提高了资源利用率。
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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种边缘计算任务卸载的系统架构图示意图；
图中：101、102、103代表用户终端，200代表通信链路；300代表边缘计算服务器。
图2是本发明实施例提供的一种边缘计算任务卸载的方法的流程示意图；
图3是本发明实施例的强化学习的流程示意图；
图4是本发明实施例提供的一种边缘计算任务卸载系统的结构示意图。
图5是本发明实施例提供的一种边缘计算服务器的结构示意图。
图6是本发明实施例提供的一种边缘计算任务卸载设备的结构示意图。
图7是本发明实施例的数值仿真的结果。
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所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1所示，根据本发明实施例所述的一种边缘计算任务卸载系统，其包括用户组，所述用户组包括多个用户终端101、102、103，所述用户终端可以是移动电话、PC机等，所述多个用户终端101、102、103通过通信链路200与边缘计算服务器300链接，所述通信链路200包括但不限于无线通信(例如3G、4G、5G)、光纤等实现通信功能的网络，本实施例不做具体限制，只要是能够实现基本的通信功能的网络即可。边缘计算服务器300可以是集中式的高性能计算集群，也可以是分布式的计算节点。一般来讲所述边缘计算服务器的计算能力要大于所述用户终端的计算能力。
用户终端在需要处理计算能力要求比较高的任务时，例如AI、VR、AR任务时，可以将需要处理的任务，通过通信链路200上传到边缘计算服务器300进行计算，从而节省用户终端的能耗或者其他可以提高实际体验的目的。
下面结合附图2说明本实施例提供的一种边缘计算任务卸载方法，具体包括如下步骤：
S1、获取用户发送的待处理的任务；
具体地，用户终端获取其需要计算的任务，并将该任务通过通信链路200发送到边缘计算服务器300。
S2、边缘计算服务器获取计算所述用户发送的待处理任务的价格或/和服务质量，并将所述待处理任务的价格或/和服务质量发送给用户；
边缘计算服务器300会创建一个任务队列taskQueue用于保存所述边缘计算服务器300接收到的待计算的任务。
例如在t时刻，边缘计算服务器接收到用户终端发送的任务Taskt，边缘服务器将接收到的任务Taskt加入到任务队列taskQueue中，记为taskQueue(i),其中在t时刻之前边缘服务器已经接收了i-1个任务。
参考图3定价基本流程，其中①表示边缘服务器向用户群广播发送其服务质量和价格。②表示用户判断是否卸载任务。③表示用户群向边缘服务器发送所有卸载的任务。
边缘计算服务器300采用Q强化学习算法(Q-learning)作为学习算法，算法采用服务器任务队列中taskQueue的任务的所需要的计算量(用计算任务所需的CPU周期数度量)作为智能体观测到的状态，用给定的一个价格向量作为智能体的动作空间，执行动作后，全部用户的时间消耗和能量消耗数值之和的相反数作为智能体得到的奖励值。
在本实施例中，使用了数值仿真的形式来仿真强化学习计算服务价格的方法，其数值仿真方式(具体的数值仿真环境见表1)如下：模拟了校园用户的场景，将一天划分为三个时间段：休息时间(0时至7时)工作时间(7时至18时)，晚上(18时至24时)。并将用户集中为三个位置：办公楼，健身房和宿舍。根据时间段的变化，每个用户出现在三个位置的概率会发生变化，并且用户产生的任务量也会发生变化。
表1 数值仿真环境
Figure BDA0002376881720000061
参见附图7，其中横轴为轮数，纵轴为整个系统综合消耗(时间+能量)的相反数，可以明显看出，系统消耗随着学习的进行逐步降低直至收敛。
参加表2，其中时间段是一天划分的三个时间段，用三个数字表示：0，1，2，越靠后的时间段用户平均任务量越大，通过以下定价结果可以看出，随着任务队列增大，边缘服务器出售计算服务的价格逐渐升高。
表2 数值仿真部分结果
时间段 任务队列大小 定价结果
0 0 4
0 2000000000.0 4
0 4000000000.0 4
0 … …
0 36000000000.0 44
0 38000000000.0 4
0 40000000000.0 4
1 0 4
1 2000000000.0 4
1 4000000000.0 4
1 6000000000.0 84
1 … …
1 264000000000.0 44
1 288000000000.0 64
1 296000000000.0 24
2 0 4
2 2000000000.0 4
2 4000000000.0 4
2 6000000000.0 4
2 … …
2 8240000000000.0 24
2 8720000000000.0 24
2 8840000000000.0 44
2 8880000000000.0 24
进一步地，边缘计算服务器300在接收到用户终端发送的任务请求后，根据本时隙的总任务量确定此时的状态，并进行Q表搜索确定下一时隙的新的服务价格，本根据边缘计算服务器的任务队列taskQueue中的总的任务量和服务器的基本信息例如CPU频率、内存、等可以表征服务器计算能力的特征，以及确定的下一时隙的新的服务价格来估算服务质量，并将获得的新的服务价格和估计服务质量传送给用户终端。
S3、根据所述价格或/和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到边缘计算服务器。
用户终端接收到所述边缘计算服务器返回的价格和服务质量，并结合用户终端的基本信息，例如用户终端的CPU频率，时间能量敏感程度，任务量，距离服务器距离，以及边缘服务器提供的服务价格和服务质量评估是否需要进行任务卸载。
当需要进行任务卸载时，用户终端将所述任务卸载到所述边缘计算服务器进行计算。
本实施例边缘计算服务器根据自身的信息，以及当前需要计算的任务的总任务量动态返回一个最优的服务价格和服务质量，供用户客户端进行决定是否将任务卸载到边缘计算服务器，提高了资源利用率。
实施例二
参考图4，本实施例提供了一种边缘计算任务卸载系统，其包括：
第一获取模块，用于获取用户发送的待处理的任务；
用户终端获取其需要计算的任务，并将该任务通过通信链路200发送到边缘计算服务器300，边缘计算服务器300通过第一获取模块获取用户发送的待处理任务。
第二获取模块，用于获取边缘服务器获取计算所述用户发送的待处理任务的价格、服务质量；
边缘计算服务器300会创建一个任务队列taskQueue用于保存所述边缘计算服务器300接收到的待计算的任务。
例如在t时刻，边缘计算服务器接收到用户终端发送的任务Taskt，边缘服务器将接收到的任务Taskt加入到任务队列taskQueue中，记为taskQueue(i),其中在t时刻之前边缘服务器已经接收了i-1个任务。
边缘计算服务器300采用Q强化学习算法(Q-learning)作为学习算法，算法采用服务器任务队列中taskQueue的任务的所需要的计算量(用计算任务所需的CPU周期数度量)作为智能体观测到的状态，用给定的一个价格向量作为智能体的动作空间，执行动作后，全部用户的时间消耗和能量消耗数值之和的相反数作为智能体得到的奖励值。
边缘计算服务器300在接收到用户终端发送的任务请求后，根据本时隙的总任务量确定此时的状态，并进行Q表搜索确定下一时隙的新的服务价格，本根据边缘计算服务器的任务队列taskQueue中的总的任务量和服务器的基本信息例如CPU频率、内存、等可以表征服务器计算能力的特征，以及确定的下一时隙的新的服务价格来估算服务质量。
并将获得的新的服务价格和估计服务质量传送给发送模块。
发送模块，用于将所述待处理任务的价格或/和服务质量发送给用户；
任务卸载模块，用于根据所述价格或/和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到所述边缘计算服务器。
用户终端接收到所述边缘计算服务器返回的价格和服务质量，并结合用户终端的基本信息，例如用户终端的CPU频率，时间能量敏感程度，任务量，距离服务器距离，以及边缘服务器提供的服务价格和服务质量评估是否需要进行任务卸载。
当需要进行任务卸载时，用户终端将所述任务卸载到所述边缘计算服务器进行计算。
本实施例边缘计算服务器根据自身的信息，以及当前需要计算的任务的总任务量动态返回一个最优的服务价格和服务质量，供用户客户端进行决定是否将任务卸载到边缘计算服务器，提高了资源利用率。
实施例三
参考附图5，本实施例提供了一种边缘计算服务器，其包括如下单元：
第一获取单元；用于获取用户发送的待处理的任务；
第二获取单元，用于获取边缘服务器获取计算所述用户发送的待处理任务的价格、服务质量，所述第二获取单元，根据强化学习算法来计算所述待处理任务的价格或/和服务质量。
发送单元，用于将所述待处理任务的价格或/和服务质量发送给用户；
接收单元；用于接收用户根据所述据所述价格或/和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到所述边缘计算服务器的请求；
任务卸载单元，响应所述请求，将所述待处理任务卸载到所述边缘计算服务器。
通过本实施例，边缘计算服务器根据边缘计算服务器的总计算量来动态调整相应的服务价格，从而提供资源的利用率。
实施例四
参考附图6，本实施例提供了一种移动边缘计算任务卸载设备20的结构示意图。该实施例的移动边缘计算任务卸载设备20包括处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述移动边缘计算任务卸载方法实施例中的步骤，例如图2所示的步骤S1。或者，所述处理器21执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如第一获取模块11。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器22中，并由所述处理器21执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述移动边缘计算任务卸载设备20中的执行过程。例如，所述计算机程序可以被分割成第一模块模块11、第二获取模块12、发送模块13、任务卸载模块14，各模块具体功能请参考上述实施例所述的移动边缘计算任务卸载装置10的工作过程，在此不再赘述。
所述移动边缘计算任务卸载设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是移动边缘计算任务卸载设备20的示例，并不构成对移动边缘计算任务卸载设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述移动边缘计算任务卸载设备20还可以包括输入输出设备、网络接入设备、总线等。
所述处理器21可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器21是所述移动边缘计算任务卸载设备20的控制中心，利用各种接口和线路连接整个移动边缘计算任务卸载设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述移动边缘计算任务卸载设备20的各种功能。所述存储器22可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述移动边缘计算任务卸载设备20集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器21执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种移动边缘计算任务卸载方法，其特征在于，包括如下步骤：
S1、获取用户发送的待处理的任务；
S2、边缘计算服务器获取计算所述用户发送的待处理任务的价格和服务质量，并将所述待处理任务的价格和服务质量发送给用户；
所述步骤S2具体包括获取边缘计算服务器的任务队列中的计算量作为强化学习的状态，并以一价格向量作为强化学习的动作空间，全部用户的时间消耗和能量消耗之和作为奖励值来计算所述待处理任务的价格；
所述步骤S2中所述边缘计算服务器获取计算所述用户发送的待处理任务的价格、服务质量具体包括，边缘计算服务器根据所述边缘计算服务器的基本信息、边缘计算服务器的任务队列中的计算量来确定服务质量；
S3、根据所述价格和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到边缘计算服务器；其中步骤S3中的用户终端信息包括CPU频率、时间能量敏感程度、任务量、距离边缘计算服务器的距离中的一种或多种。
2.根据权利要求1所述的方法，其特征在于，步骤S2具体包括，边缘计算服务器根据强化学习算法来计算所述待处理任务的价格和服务质量。
3.一种移动边缘计算任务卸载系统，其包括：
第一获取模块，用于获取用户发送的待处理的任务；
第二获取模块，用于获取边缘计算服务器获取计算所述用户发送的待处理任务的价格、服务质量；
所述第二获取模块，根据强化学习算法来计算所述待处理任务的价格和服务质量；并且以边缘计算服务器的任务队列中的计算量作为强化学习的状态，并以一价格向量作为强化学习的动作空间，全部用户的时间消耗和能量消耗之和作为奖励值来计算所述待处理任务的价格；
所述边缘计算服务器获取计算所述用户发送的待处理任务的价格、服务质量具体包括，边缘计算服务器根据所述边缘计算服务器的基本信息、边缘计算服务器的任务队列中的计算量来确定服务质量；
发送模块，用于将所述待处理任务的价格和服务质量发送给用户；
任务卸载模块，用于根据所述价格和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到所述边缘计算服务器；
所述用户终端信息包括CPU频率、时间能量敏感程度、任务量、距离服务器距离中的一种或多种。
4.一种边缘计算服务器，其包括如下单元：
第一获取单元；用于获取用户发送的待处理的任务；
第二获取单元，用于获取边缘计算服务器获取计算所述用户发送的待处理任务的价格、服务质量；
所述第二获取单元，根据强化学习算法来计算所述待处理任务的价格和服务质量；并且以边缘计算服务器的任务队列中的计算量作为强化学习的状态，并以一价格向量作为强化学习的动作空间，全部用户的时间消耗和能量消耗之和作为奖励值来计算所述待处理任务的价格；
所述边缘计算服务器获取计算所述用户发送的待处理任务的价格、服务质量具体包括，边缘计算服务器根据所述边缘计算服务器的基本信息、边缘计算服务器的任务队列中的计算量来确定服务质量；
发送单元，用于将所述待处理任务的价格和服务质量发送给用户；
接收单元；用于接收用户根据所述价格和服务质量以及用户终端信息，判断是否将所述待处理任务卸载到所述边缘计算服务器的请求；
所述用户终端信息包括CPU频率、时间能量敏感程度、任务量、距离服务器距离中的一种或多种；
任务卸载单元，相应所述请求，将所述待处理任务卸载到所述边缘计算服务器。
CN202010069264.8A 2020-01-21 2020-01-21 一种边缘计算任务卸载方法、系统 Active CN111274037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010069264.8A CN111274037B (zh) 2020-01-21 2020-01-21 一种边缘计算任务卸载方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010069264.8A CN111274037B (zh) 2020-01-21 2020-01-21 一种边缘计算任务卸载方法、系统

Publications (2)

Publication Number Publication Date
CN111274037A CN111274037A (zh) 2020-06-12
CN111274037B true CN111274037B (zh) 2023-04-28

Family

ID=71001886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010069264.8A Active CN111274037B (zh) 2020-01-21 2020-01-21 一种边缘计算任务卸载方法、系统

Country Status (1)

Country Link
CN (1) CN111274037B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112306696B (zh) * 2020-11-26 2023-05-26 湖南大学 一种节能高效的边缘计算任务卸载方法和系统
CN112887435B (zh) * 2021-04-13 2022-05-20 中南大学 一种提高边缘计算中任务卸载合作率的方法
CN114047971B (zh) * 2021-11-09 2023-12-08 北京中电飞华通信有限公司 边缘计算资源分配方法及装置
CN114666339B (zh) * 2022-02-16 2023-04-11 中南大学 一种基于中智集的边缘卸载方法、系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122249A (zh) * 2017-05-10 2017-09-01 重庆邮电大学 一种基于边缘云定价机制的任务卸载决策方法
CN108541027A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种基于边缘云网络的通信计算资源置换方法
CN109002358A (zh) * 2018-07-23 2018-12-14 厦门大学 基于深度强化学习的移动终端软件自适应优化调度方法
CN109922152A (zh) * 2019-03-13 2019-06-21 中南大学 一种移动边缘计算中的计算卸载方法及系统
CN110377353A (zh) * 2019-05-21 2019-10-25 湖南大学 计算任务卸载系统与方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10326766B2 (en) * 2017-07-13 2019-06-18 Dell Products, Lp Method and apparatus for optimizing mobile edge computing for nomadic computing capabilities as a service

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122249A (zh) * 2017-05-10 2017-09-01 重庆邮电大学 一种基于边缘云定价机制的任务卸载决策方法
CN108541027A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种基于边缘云网络的通信计算资源置换方法
CN109002358A (zh) * 2018-07-23 2018-12-14 厦门大学 基于深度强化学习的移动终端软件自适应优化调度方法
CN109922152A (zh) * 2019-03-13 2019-06-21 中南大学 一种移动边缘计算中的计算卸载方法及系统
CN110377353A (zh) * 2019-05-21 2019-10-25 湖南大学 计算任务卸载系统与方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Qingzhi Liu等.Deep Reinforcement Learning for IoT Network Dynamic Clustering in Edge Computing.《2019 19th IEEE CCGRID》.2019,正文600-603页. *
王欣.基于强化学习的动态定价策略研究综述.《计算机应用与软件》.2019,正文第1-5页. *

Also Published As

Publication number Publication date
CN111274037A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111274037B (zh) 一种边缘计算任务卸载方法、系统
CN109829332B (zh) 一种基于能量收集技术的联合计算卸载方法及装置
CN110933723B (zh) 一种漫游切换控制方法、装置和无线ap
CN110460650B (zh) 多边缘服务器场景下计算卸载的决策方法及装置
CN115150891B (zh) 一种基于移动边缘计算的中断概率辅助任务卸载优化方法
CN110490295B (zh) 一种数据处理方法及处理装置
CN114116705A (zh) 联合学习中确定参与方贡献值的方法及装置
CN113766037A (zh) 面向大规模边缘计算系统的任务卸载控制方法及系统
CN115242800B (zh) 一种基于博弈论的移动边缘计算资源优化方法及装置
CN116954926A (zh) 服务器资源分配方法及装置
CN113703970B (zh) 基于拍卖机制的服务器资源分配方法、装置、设备及介质
CN114700957B (zh) 模型低算力需求的机器人控制方法及装置
CN114422438B (zh) 电力通信网络的链路调节方法及装置
CN115527090A (zh) 模型训练方法、装置、服务器及存储介质
CN113487041B (zh) 横向联邦学习方法、装置及存储介质
CN112669091B (zh) 数据处理方法、装置及存储介质
CN114116740A (zh) 用于联合学习中确定参与方贡献度的方法及装置
CN114268994A (zh) 一种基于价格的移动边缘计算网络分布式卸载方法及装置
CN114268995A (zh) 一种无人机移动边缘计算网络卸载方法、装置及电子设备
CN113139563B (zh) 一种图像分类模型的优化方法及装置
CN112600873A (zh) 一种5g环境下低时延高可靠的业务卸载方法及系统
Tang et al. A Blockchain-Empowered Incentive Mechanism for Cross-Silo Federated Learning
CN113726862B (zh) 多边缘服务器网络下的计算卸载方法及装置
CN110163513B (zh) 位置感知任务的分配方法、装置及存储介质
CN115202871A (zh) 一种协同空间划分方法、装置、设备及存储介质

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