CN111400007A - 一种基于边缘计算的任务调度方法和系统 - Google Patents
一种基于边缘计算的任务调度方法和系统 Download PDFInfo
- Publication number
- CN111400007A CN111400007A CN202010177979.5A CN202010177979A CN111400007A CN 111400007 A CN111400007 A CN 111400007A CN 202010177979 A CN202010177979 A CN 202010177979A CN 111400007 A CN111400007 A CN 111400007A
- Authority
- CN
- China
- Prior art keywords
- task
- blocks
- data
- computing
- schedulable
- 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
-
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提出一种基于边缘计算的任务调度方法,包括如下步骤:S1,采集或产生数据;S2,生成计算任务,并调用与所述计算任务相关的数据;S3,将计算任务及其相关数据进行封装,获取任务块,并生成任务块特征;S4,筛选可调度任务块,根据任务块特征的相似性,将可调度任务块进行归并和排序,生成任务块队列;S5,按照边缘节点与各个任务块队列中可调度任务块的匹配程度,将可调度任务块调度给匹配的边缘节点,由所述边缘节点执行计算任务。并基于发方法,设计出匹配的系统,有利于在计算任务和数据量在空间、时间上的变动都非常大的大规模物联网系统中,通过将任务块进行特征的归类,实现计算任务的最优化调度。
Description
技术领域
本发明涉及任务调度及神经网络技术领域,更具体地说是涉及一种基于边缘计算的任务调度方法和系统。
背景技术
物联网旨在利用传感、通信、智能控制等技术手段,实现万物之间的相互联通和数据共享;在智慧城市、智慧建筑、智慧商圈、智慧社区等大型的应用场合中,以物联网为媒介,可以联通城市或者建筑群内不同类型、不同功能、不同地点的传感器,例如温度、光照、交通量、红外等类型的传感器,以及智能设备,例如视频摄像机、空调、程控灯具、门禁机,以及云端平台;这样形成的物联网的规模十分庞大,物联网中所生成、传输和处理的数据量是海量级的,同时也有海量的、并行的、类型多样化的数据计算任务需要执行;为了降低成本、增强系统可靠性以及促进大数据的采集,简化了位于物联网前端的传感器、智能设备的软硬件结构,前端只负责采集生成数据以及反馈计算结果,从而将数据和计算任务都拿到物联网的后台去执行,但是,将全部的数据计算任务都分配给云端平台,不仅给承载云端平台的服务器造成巨大的负荷压力,由于物联网前端的传感器、智能设备都要与云端平台进行数据传输,通信流量很大,同时也给物联网带宽造成压力。
目前,越来越多的大规模物联网采用边缘计算架构,即在接近前端的传感器、智能设备的物联网边缘,部署一定数量的具有通信传输、数据存储以及计算任务执行能力的边缘节点,负责从前端的传感器、智能设备收集和存储数据,以及根据需求执行计算任务,向前端反馈计算结果。边缘节点可以通过物联网的局域网关、局域服务器等形态来实现,只有在当前的计算任务超出了边缘节点的权限或者是执行能力的情况下,才将该计算任务上传给云端平台进行执行;这样,一方面海量的计算任务及相关的数据被分散到一定数量的边缘节点,避免了单一节点负荷过重,同时,大部分的计算任务所需要的数据通信传输在前端的传感器、智能设备和靠近前端的边缘节点之间展开,降低了通信负荷。
但是,对于大规模的物联网系统来说,所产生的计算任务和数据量在空间、时间上的变动都非常大,如果采用固定的物联网架构,即一个边缘节点从固定的若干传感器、智能设备接受计算任务及相关数据,会导致各个边缘节点各自承担的负荷非常不均衡,比如有的边缘节点空闲,而有的边缘节点的计算任务、存储空间、通信能力已经过载。显然,为了合理优化物联网系统,需要在边缘节点之间进行计算任务及相关数据的分配调度;由于大规模物联网中的计算任务和数据量是海量和高并发性的,且在空间时间上的不均衡性比较强,另外,数据的生命周期和计算任务的时间要求都非常多样,导致在边缘节点之间进行计算任务及相关数据的分配调度非常复杂,难以达到最优化。
因此,如何合理调度计算任务及其相关数据,将计算任务均衡的分配给与之匹配的边缘节点,是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种基于边缘计算的任务调度方法和系统,对于海量、高并发、非均衡的计算任务及其相关数据,由调度范式单元根据每个计算任务及其相关数据的特征,将该计算任务及其相关数据封装成一个任务块;基于机器学习算法,按照任务块特征的相似度进行归并和排序,形成多个并行的任务块队列;最后,按照边缘节点与任务块的匹配程度,将各个任务块队列里面的任务块调度给适合该任务块的边缘节点,以期在计算任务和数据量在空间、时间上的变动都非常大的大规模物联网系统中,实现计算任务的最优化调度。
为了实现上述目的,本发明采用如下技术方案:
一种基于边缘计算的任务调度方法,包括如下步骤:
S1,采集或产生数据;
S2,生成计算任务,并调用与所述计算任务相关的数据;
S3,将计算任务及其相关数据进行封装,获取任务块,并生成任务块特征;
S4,筛选可调度任务块,根据任务块特征的相似性,将可调度任务块进行归并和排序,生成任务块队列;
S5,按照边缘节点与各个任务块队列中可调度任务块的匹配程度,将可调度任务块调度给匹配的边缘节点,由所述边缘节点执行计算任务。
具体的,物联网前端节点包括传感器和智能设备,用于采集或者自行产生数据,所述数据具有生命周期,在所述数据的生命周期结束前进行所述数据的调用,超出生命周期时所述数据失效,生命周期的存在保证了边缘节点执行计算任务时调用的数据的时效性。
优选的,所述计算任务由物联网前端节点根据自身的功能和需求生成;所述计算任务的约束时间包括所述计算任务预定的完成时间,以及所述计算任务调用的相关数据的生命周期,所述计算任务需要在约束时间内完成;计算任务预定的完成时间根据生成该计算任务的物联网前端节点的需求进行预设,该约束时间的生成保证了处理结果满足物联网前端节点的需求,同时保证了处理结果的生成的时效。
优选的,所述任务块特征包括计算任务的时间要求、计算任务相关数据的生命周期、以及计算任务的任务类型、相关数据的数据类型和数据量,有利于后续根据任务块特征对任务块进行归并和排序,将相似度高的任务块整合生成任务块队列。
具体的,任务块按照相似度进行归类时,基于机器学习算法,以BP神经网络模型为例,通过大量任务块特征样本训练该BP神经网络模型,获得一个可以准确输出任务块之间相似度的BP神经网络模型,将欲进行分类的任务块的任务块特征输入至该BP神经网络模型中,则通过该BP神经网络模型输出所述任务块与每个任务块队列中的任务块的相似度,将该任务块与相似度大的任务块归入同一个任务块队列,形成多个并行的任务块队列;利用机器学习算法,可以快速准确的按照相似度对任务块进行归类,满足了物联网海量且实时的计算任务的分类需求。
优选的,大规模的物联网系统具有海量的、并发的任务块,不排除任务块之间具有关联,具有关联的任务块的计算任务需要调用前一任务块的处理结果,进而完成该任务块的计算任务,因此,并非所有任务块都能同时进行调度,所述S4中筛选可调度任务块的方式如下:当所述任务块相互关联时,将关联任务块按照运算逻辑顺序整合生成任务树,筛选所述任务树中当前可执行计算任务的任务块作为可调度任务块;筛选与其他任务块没有关联的独立任务块作为可调度任务块。
基于上述方法,生成如下系统:
一种基于边缘计算的任务调度系统,包括:物联网前端节点、调度范式单元以及边缘节点;其中,
所述调度范式单元包括特征生成子单元、归类子单元以及分配子单元;
所述物联网前端节点用于采集或产生数据;
所述物联网前端节点还用于生成计算任务,并调用与所述计算任务相关的数据;
所述特征生成子单元用于将计算任务及其相关数据进行封装,获取任务块,并生成任务块特征;
所述归类子单元用于筛选可调度任务块,根据任务块特征的相似性,将可调度任务块进行归并和排序,生成任务块队列;
所述分配子单元用于按照所述边缘节点与各个任务块队列中可调度任务块的匹配程度,将可调度任务块调度给匹配的所述边缘节点;
所述边缘节点用于执行匹配的可调度任务块中的计算任务。
具体的,所述数据具有生命周期,在所述数据的生命周期结束前进行所述数据的调用,超出生命周期时所述数据失效。
具体的,所述计算任务的约束时间包括所述计算任务预定的完成时间,以及所述计算任务调用的相关数据的生命周期。
具体的,所述任务块特征包括计算任务的时间要求、计算任务相关数据的生命周期、以及计算任务的任务类型、相关数据的数据类型和数据量。
优选的,所述归类子单元筛选可调度任务块的方式如下:当所述任务块相互关联时,将关联任务块按照运算逻辑顺序整合生成任务树,筛选所述任务树中当前可执行计算任务的任务块作为可调度任务块;筛选与其他任务块没有关联的独立任务块作为可调度任务块。
本发明具有以下有益效果:
经由上述的技术方案可知,基于现有技术,本发明提出了一种基于边缘计算的任务调度方法和系统,在计算任务和数据量在空间、时间上的变动都非常大的大规模物联网系统中,通过将任务块进行特征的归类,实现计算任务的最优化调度。
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,下面将对实施例或现有技术描述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,还可以根据提供的附图获得其他的附图。
图1为一种基于边缘计算的任务调度方法流程图;
图2为一种基于边缘计算的任务调度系统框图。
具体实施方式
下面将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。
如图1所示,本发明提供了如下方法:
一种基于边缘计算的任务调度方法,包括如下步骤:
S1,采集或产生数据;
具体的,由物联网前端节点进行数据的采集或者产生,其中,物联网前端节点包括位于物联网前端的传感器和智能设备;传感器能够进行数据的采集,例如热敏传感器、光敏传感器等,能够自动检测物联网前端的温度、光强等数据,而智能设备通常具备灵敏准确的感知功能、正确的思维与判断功能以及行之有效的执行功能,因此将智能设备作为物联网前端进行数据的采集和产生,例如智能手机,可以获取用户的需求,并将用户需求准确的转换为能够进行物联网传输的需求数据。
其中,采集或者产生的数据具有预先设定的生命周期,超出生命周期则该数据就会失效,例如设置在智能电灯周围的光敏传感器采集的光强数据的生命周期为0-30分钟,由于太阳光照或者其他光源的改变,30分钟后,之前采集的光强数据将不能真实反映当前的光照强度,因此之前采集的数据失效;因此,若需要调用某数据的执行计算任务时,要在该数据的生命周期结束之前实现对该数据的调用。
S2,生成计算任务,并调用与所述计算任务相关的数据;
具体的,由物联网前端节点根据自身的功能或需求,生成计算任务;而完成该计算任务所需要的数据可以是本物联网前端节点采集或产生的数据,也可以调用其它物联网前端节点采集或者产生的数据,例如,智能电灯在完成其光照程度的计算任务时,需要获取周围一定区域内的光敏传感器采集的光强数据,此时,不仅需要获取本物联网前端节点采集的光强数据,还需要调用一定范围内其他光敏传感器采集的光强数据。
另外,计算任务受该计算任务预定的完成时间,以及所述计算任务调用的相关数据的生命周期的约束,因此每个计算任务的完成具有一定时间限制。
S3,将计算任务及其相关数据进行封装,获取任务块,并生成任务块特征;
具体的,根据计算任务及其相关数据的特征,生成任务块特征,任务块特征包括计算任务的时间要求、计算任务相关数据的生命周期、以及计算任务的任务类型、相关数据的数据类型和数据量。
S4,筛选可调度任务块,根据任务块特征的相似性,将可调度任务块进行归并和排序,生成任务块队列;
由于大规模的物联网系统具有海量的、并发的任务块,不排除任务块之间具有关联,具有关联的任务块的计算任务需要调用前一任务块的处理结果,进而完成该任务块的计算任务,例如B计算任务需要获得A计算任务的计算结果才能执行;或者根据A计算任务的结果来决定接下来是执行B计算任务还是C计算任务。因此,并非所有任务块都能同时进行调度,而某个任务块能否进行调度,需要依赖与该任务块的有联系的其他任务块的计算进程,为了在这种复杂的任务块关系中,筛选可以进行调度的任务块,则需要按照运算逻辑顺序将具有关联的任务块整合成任务树,筛选所述任务树中当前可执行计算任务的任务块作为可调度任务块;另外,由于某些任务块与其他任务块没有关联,对于这些独立的任务块,可以直接作为可调度任务块。
具体的,利用机器学习算法对可调度任务块进行归并和排序,以BP神经网络模型为例,首先利用大量的任务块的任务块特征样本对该BP神经网络模型进行训练,即将任务块特征样本输入至输入层,由输入层各神经元接收任务块特征样本,并传输至中间层进行处理并生成与其他任务块的相似度,由输出层输出结果,将输出结果与预期输出结果比对,不断修正各层权值,直至输出的与其他任务块的相似度在预期结果的可接受范围内,则获得一个可以准确输出任务块之间相似度的BP神经网络模型,进而将欲归类的任务块的任务块特征输入至该BP神经网络模型中,输出任务块之间相似度,将该任务块与相似度大的任务块归入同一个任务块队列,形成多个并行的任务块队列。
S5,按照边缘节点与各个任务块队列中可调度任务块的匹配程度,将可调度任务块调度给匹配的边缘节点,由所述边缘节点执行计算任务。
具体的,根据每个任务块队列中的任务块的特征,即计算任务的时间要求、计算任务相关数据的生命周期、以及计算任务的任务类型、相关数据的数据类型和数据量,与负责承载计算任务的边缘节点自身的运算能力、存储能力进行匹配,最终获得分配的边缘节点。
进而,把与边缘节点的匹配的任务块分配给边缘节点;由边缘节点执行计算任务。
如图2所示,基于上述方法,设置如下系统:
一种基于边缘计算的任务调度系统,包括:物联网前端节点1、调度范式单元2以及边缘节点3;其中,
调度范式单元2包括特征生成子单元21、归类子单元22以及分配子单元23;
物联网前端节点1用于采集或产生数据;
物联网前端节点1还用于生成计算任务,并调用与计算任务相关的数据;
特征生成子单元21用于将计算任务及其相关数据进行封装,获取任务块,并生成任务块特征;
归类子单元22用于筛选可调度任务块,根据任务块特征的相似性,将可调度任务块进行归并和排序,生成任务块队列;
分配子单元23用于按照边缘节点3与各个任务块队列中可调度任务块的匹配程度,将可调度任务块调度给匹配的边缘节点3;
边缘节点3用于执行匹配的可调度任务块中的计算任务。
具体的,所述数据具有生命周期,在数据的生命周期结束前进行数据的调用,超出生命周期时所述数据失效。
具体的,计算任务的约束时间包括所述计算任务预定的完成时间,以及计算任务调用的相关数据的生命周期。
具体的,任务块特征包括计算任务的时间要求、计算任务相关数据的生命周期、以及计算任务的任务类型、相关数据的数据类型和数据量。
为了进一步优化上述技术特征,归类子单元22筛选可调度任务块的方式如下:当所述任务块相互关联时,将关联任务块按照运算逻辑顺序整合生成任务树,筛选所述任务树中当前可执行计算任务的任务块作为可调度任务块;筛选与其他任务块没有关联的独立任务块作为可调度任务块。
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。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于边缘计算的任务调度方法,其特征在于,包括如下步骤:
S1,采集或产生数据;
S2,生成计算任务,并调用与所述计算任务相关的数据;
S3,将计算任务及其相关数据进行封装,获取任务块,并生成任务块特征;
S4,筛选可调度任务块,根据任务块特征的相似性,将可调度任务块进行归并和排序,生成任务块队列;
S5,按照边缘节点与各个任务块队列中可调度任务块的匹配程度,将可调度任务块调度给匹配的边缘节点,由所述边缘节点执行计算任务。
2.根据权利要求1所述的任务调度方法,其特征在于,所述数据具有生命周期,在所述数据的生命周期结束前进行所述数据的调用,超出生命周期时所述数据失效。
3.根据权利要求1所述的任务调度方法,其特征在于,所述计算任务的约束时间包括所述计算任务预定的完成时间,以及所述计算任务调用的相关数据的生命周期。
4.根据权利要求1所述的任务调度方法,其特征在于,所述任务块特征包括计算任务的时间要求、计算任务相关数据的生命周期、以及计算任务的任务类型、相关数据的数据类型和数据量。
5.根据权利要求1所述的任务调度方法,其特征在于,所述S4中筛选可调度任务块的方式如下:当所述任务块相互关联时,将关联任务块按照运算逻辑顺序整合生成任务树,筛选所述任务树中当前可执行计算任务的任务块作为可调度任务块;筛选与其他任务块没有关联的独立任务块作为可调度任务块。
6.一种基于边缘计算的任务调度系统,其特征在于,包括:物联网前端节点(1)、调度范式单元(2)以及边缘节点(3);其中,
所述调度范式单元(2)包括特征生成子单元(21)、归类子单元(22)以及分配子单元(23);
所述物联网前端节点(1)用于采集或产生数据;
所述物联网前端节点(1)还用于生成计算任务,并调用与所述计算任务相关的数据;
所述特征生成子单元(21)用于将计算任务及其相关数据进行封装,获取任务块,并生成任务块特征;
所述归类子单元(22)用于筛选可调度任务块,根据任务块特征的相似性,将可调度任务块进行归并和排序,生成任务块队列;
所述分配子单元(23)用于按照所述边缘节点(3)与各个任务块队列中可调度任务块的匹配程度,将可调度任务块调度给匹配的所述边缘节点(3);
所述边缘节点(3)用于执行匹配的可调度任务块中的计算任务。
7.根据权利要求6所述的任务调度系统,其特征在于,所述数据具有生命周期,在所述数据的生命周期结束前进行所述数据的调用,超出生命周期时所述数据失效。
8.根据权利要求6所述的任务调度系统,其特征在于,所述计算任务的约束时间包括所述计算任务预定的完成时间,以及所述计算任务调用的相关数据的生命周期。
9.根据权利要求6所述的任务调度系统,其特征在于,所述任务块特征包括计算任务的时间要求、计算任务相关数据的生命周期、以及计算任务的任务类型、相关数据的数据类型和数据量。
10.根据权利要求6所述的任务调度系统,其特征在于,所述归类子单元(22)筛选可调度任务块的方式如下:当所述任务块相互关联时,将关联任务块按照运算逻辑顺序整合生成任务树,筛选所述任务树中当前可执行计算任务的任务块作为可调度任务块;筛选与其他任务块没有关联的独立任务块作为可调度任务块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177979.5A CN111400007A (zh) | 2020-03-13 | 2020-03-13 | 一种基于边缘计算的任务调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177979.5A CN111400007A (zh) | 2020-03-13 | 2020-03-13 | 一种基于边缘计算的任务调度方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111400007A true CN111400007A (zh) | 2020-07-10 |
Family
ID=71430864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177979.5A Pending CN111400007A (zh) | 2020-03-13 | 2020-03-13 | 一种基于边缘计算的任务调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400007A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112671830A (zh) * | 2020-12-02 | 2021-04-16 | 武汉联影医疗科技有限公司 | 资源调度方法、系统、装置、计算机设备和存储介质 |
CN113553160A (zh) * | 2021-08-03 | 2021-10-26 | 上海紫邦电气技术有限公司 | 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 |
CN113934545A (zh) * | 2021-12-17 | 2022-01-14 | 飞诺门阵(北京)科技有限公司 | 一种视频数据调度方法、系统、电子设备及可读介质 |
CN116644802A (zh) * | 2023-07-19 | 2023-08-25 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
CN117667602A (zh) * | 2024-01-31 | 2024-03-08 | 山东航天九通车联网有限公司 | 一种基于云计算在线服务算力优化方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104168318A (zh) * | 2014-08-18 | 2014-11-26 | 中国联合网络通信集团有限公司 | 一种资源服务系统及其资源分配方法 |
US20170351545A1 (en) * | 2016-06-03 | 2017-12-07 | International Business Machines Corporation | Balancing categorized task queues in a plurality of processing entities of a computational device |
CN108984301A (zh) * | 2018-07-04 | 2018-12-11 | 中国人民解放军国防科技大学 | 自适应云资源调配方法和装置 |
CN109343951A (zh) * | 2018-08-15 | 2019-02-15 | 南京邮电大学 | 移动计算资源分配方法、计算机可读存储介质和终端 |
CN109491790A (zh) * | 2018-11-02 | 2019-03-19 | 中山大学 | 基于容器的工业物联网边缘计算资源分配方法及系统 |
CN110262887A (zh) * | 2019-06-26 | 2019-09-20 | 北京邮电大学 | 基于特征识别的cpu-fpga任务调度方法及装置 |
-
2020
- 2020-03-13 CN CN202010177979.5A patent/CN111400007A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104168318A (zh) * | 2014-08-18 | 2014-11-26 | 中国联合网络通信集团有限公司 | 一种资源服务系统及其资源分配方法 |
US20170351545A1 (en) * | 2016-06-03 | 2017-12-07 | International Business Machines Corporation | Balancing categorized task queues in a plurality of processing entities of a computational device |
CN108984301A (zh) * | 2018-07-04 | 2018-12-11 | 中国人民解放军国防科技大学 | 自适应云资源调配方法和装置 |
CN109343951A (zh) * | 2018-08-15 | 2019-02-15 | 南京邮电大学 | 移动计算资源分配方法、计算机可读存储介质和终端 |
CN109491790A (zh) * | 2018-11-02 | 2019-03-19 | 中山大学 | 基于容器的工业物联网边缘计算资源分配方法及系统 |
CN110262887A (zh) * | 2019-06-26 | 2019-09-20 | 北京邮电大学 | 基于特征识别的cpu-fpga任务调度方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112671830A (zh) * | 2020-12-02 | 2021-04-16 | 武汉联影医疗科技有限公司 | 资源调度方法、系统、装置、计算机设备和存储介质 |
CN113553160A (zh) * | 2021-08-03 | 2021-10-26 | 上海紫邦电气技术有限公司 | 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 |
CN113934545A (zh) * | 2021-12-17 | 2022-01-14 | 飞诺门阵(北京)科技有限公司 | 一种视频数据调度方法、系统、电子设备及可读介质 |
CN116644802A (zh) * | 2023-07-19 | 2023-08-25 | 支付宝(杭州)信息技术有限公司 | 模型训练方法及装置 |
CN117667602A (zh) * | 2024-01-31 | 2024-03-08 | 山东航天九通车联网有限公司 | 一种基于云计算在线服务算力优化方法和装置 |
CN117667602B (zh) * | 2024-01-31 | 2024-04-26 | 山东航天九通车联网有限公司 | 一种基于云计算在线服务算力优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400007A (zh) | 一种基于边缘计算的任务调度方法和系统 | |
Tuli et al. | Edgelens: Deep learning based object detection in integrated iot, fog and cloud computing environments | |
CN109709811B (zh) | 一种面向智能制造的边缘计算控制器及其工作方法 | |
CN111562972A (zh) | 一种面向群智感知的泛在操作系统 | |
CN101958917B (zh) | 一种面向云制造系统的资源服务组合柔性量测方法 | |
CN113505993B (zh) | 分拨中心管理方法、装置、设备及存储介质 | |
CN109831524A (zh) | 一种负载均衡处理方法及装置 | |
CN103941662A (zh) | 一种基于云计算的任务调度系统和调度方法 | |
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 | |
Li et al. | Resource scheduling based on improved spectral clustering algorithm in edge computing | |
CN114841345A (zh) | 一种基于深度学习算法的分布式计算平台及其应用 | |
CN109446648A (zh) | 仿真服务建立方法及装置 | |
CN113766026B (zh) | 一种应用于能源工业网的数据处理方法及系统 | |
CN107908459A (zh) | 一种云计算调度系统 | |
Balouek-Thomert et al. | MDSC: modelling distributed stream processing across the edge-to-cloud continuum | |
CN108692801A (zh) | 协同称重测量系统及计量系统 | |
CN116402318A (zh) | 面向配电网的多级算力资源分配方法、装置及网络架构 | |
CN108897608A (zh) | 一种数据驱动可扩展的智能通用任务调度系统 | |
Korala et al. | Design and implementation of a platform for managing time-sensitive IoT applications | |
Pandey et al. | Here, there, anywhere: Profiling-driven services to tame the heterogeneity of edge applications | |
Filip et al. | EdgeMQ: Towards a message queuing processing system for cloud-edge computing:(Use cases on water and forest monitoring) | |
Hordiichuk-Bublivska et al. | A modified federated singular value decomposition method for big data and ML optimization in IIoT systems | |
CN113098707B (zh) | 边缘网络中一种虚拟网络功能需求预测方法 | |
Apel et al. | Evaluation of Architectural Backbone Technologies for WINNER DataLab A Project Focused Point of View | |
CN113485718B (zh) | 面向边云协同系统中的上下文感知AIoT应用程序部署方法 |
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 |