CN111416848A - 一种工业云的资源管理机制 - Google Patents
一种工业云的资源管理机制 Download PDFInfo
- Publication number
- CN111416848A CN111416848A CN202010174335.0A CN202010174335A CN111416848A CN 111416848 A CN111416848 A CN 111416848A CN 202010174335 A CN202010174335 A CN 202010174335A CN 111416848 A CN111416848 A CN 111416848A
- Authority
- CN
- China
- Prior art keywords
- resources
- computing resources
- resource
- core
- computing
- 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.)
- Withdrawn
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
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种工业云的资源管理机制,通过建立工业云资源管理模型和高效资源分配机制,实现工业云资源高效管理。
Description
技术领域
本发明涉及通信网络领域。
背景技术
工业发展进入到21世纪之后,随着物联网、云计算和大数据等新兴技术的迅速发展,全球迎来了新的一轮的工业变革,工业物联网成为制造领域的新兴技术,并且受到了大家的追捧。工业物联网是一个能够实现工业与互联网服务相互交叉的网络体系,工业物联网能够直接影响到工业生产过程中的所有的工业生产设备以及工业生产的方方面面,并且可以自动进行相应方案的调整和优化。而且还可以在资源消耗最少的前提下,实现形成高效工业生产体系并且能够和自动化与信息化深度融合。在工业化和信息化深度融合的过程中,将产生大量的工业数据,然而传统的软件平台却无法实现对这些海量数据的储存和应用,所以云计算便应运而生了,云计算的出现承担了更多未来应用海量云数据的使命。依托于云计算,云服务应运而生。云服务主要应用于企业官网、电商网站以及各种应用系统的数据迁移和信息备份,同时还要兼顾到财务数据、供应链管理、客户关系处理、生产计划等多种功能,如图1所示。
因此,有必要建立工业云的资源管理机制。
发明内容
本发明所要解决的技术问题是:建立工业云资源管理模型和高效资源分配机制,实现工业云资源高效管理。
本发明为解决上述技术问题所采用的技术方案包括以下步骤:
A、建立工业云资源管理模型;
B、建立高效资源分配机制。
所述步骤A中,建立工业云资源管理模型,其由网络资源、计算资源、感知资源和管理单元构成,如图2所示;网络资源包括缓存资源、路径选择资源、链路资源和节点吞吐量资源,其相应资源调节与优化优先级为节点吞吐量资源优先级>链路资源优先级>;路径选择资源>缓存资源优先级;计算资源包括核心计算资源和边缘计算资源,核心计算资源和边缘计算资源的计算能力分配准则为:核心计算资源优先使用,当核心计算资源负载超过60%时,启用边缘计算资源,当边缘计算资源负载超过50%时,核心计算资源负载与边缘计算资源负载之比按两者额定功耗之比进行分配;感知资源包括核心业务感知和边缘业务感知,通过感知资源获得的数据通过网络资源进行传输,其可被核心计算资源或边缘计算资源进行处理,感知业务分为车间状态信息、仓储信息、质量管理信息和物品编码信息,其相应的传输优先级依次为车间状态信息>仓储信息>质量管理信息>物品编码信息;链路资源包括有线链路和无线链路,无线链路包括无线独占链路和无线耦合链路,无线耦合链路由两条以上的无线链路合并为一条逻辑链路,耦合计算资源包括不可分解计算资源和可重构计算资源,可重构计算资源可实现若干计算资源的计算能力的按需叠加与分解和执行平稳计算与突发计算业务;耦合存储资源包括不可分解存储资源和可重构存储资源,可重构存储资源可进行若干存储资源的顺序读写和伪随机读写,实现存储能力的按需重组与分解,伪随机存储指按照一定的规则进行读写,该规则对外是随机序列,对内则为规则序列;管理单元根据可高效资源分配机制对网络资源、计算资源、存储资源进行按需优化调节,并采用变分自编码机神经网络对网络资源、计算资源和感知资源的下一变化状态进行预测。
所述步骤B中,设置网络资源、计算资源、感知资源进行按需优化分配准则,具体为:设置网络资源与计算资源的最优匹配准则,主要分为①节点吞吐量资源与核心计算资源匹配,其中ρ1为二者不匹配的资源损耗代价;②节点吞吐量资源与边缘计算资源匹配,其中ρ2为二者不匹配的资源损耗代价;③链路资源与核心计算资源匹配,其中ρ3为二者不匹配的资源损耗代价;④链路资源与核心计算资源匹配,其中ρ4为二者不匹配的资源损耗代价;⑤路径选择资源与核心计算资源匹配,其中ρ5为二者不匹配的资源损耗代价;⑥路径选择资源与边缘计算资源匹配,其中ρ6为二者不匹配的资源损耗代价;⑦缓存资源与核心计算资源匹配,其中ρ7为二者不匹配的资源损耗代价;⑧缓存资源与核心计算资源匹配,其中ρ8为二者不匹配的资源损耗代价;优化模型为:
其中p1至p8为ρ1至ρ8对应的概率分布,ω1至ω4为节点吞吐量资源、链路资源、路径选择资源、缓存资源的优先级决策变量,ω1′和ω2′为核心计算资源和边缘计算资源的优先级决策变量;设置计算资源与感知资源的最优匹配准则,主要分为①核心计算资源与核心感知资源匹配,其中ρ1′为二者不匹配的资源损耗代价;②核心计算资源与边缘感知资源匹配,其中ρ2′为二者不匹配的资源损耗代价;③边缘计算资源与核心感知资源匹配,其中ρ3′为二者不匹配的资源损耗代价;④边缘计算资源与边缘感知资源匹配,其中ρ4′为二者不匹配的资源损耗代价;其中p1′,p2′,p3′,p4′分别为ρ1′,ρ2′,ρ3′,ρ4′的概率分布,δ1和δ1分别为核心感知资源和边缘感知资源的优先级决策变量;网络资源与感知业务优化匹配准则:令车间状态信息、仓储信息、质量管理信息和物品编码信息的QoS需求分别为ζ1,ζ2,ζ3,ζ4,令N为网络节点,A为链路集合,对于每一条物理链路{i,j},c{ij}为其容量需求,V(i)为使得虚拟链路(i,j)∈A存在的节点j∈N的集合,网络支持的服务类型为车间状态信息、仓储信息、质量管理信息和物品编码信息,s=1,2,3,4为业务类型,s=1为车间状态信息服务,s=2为仓储信息服务,s=3为质量管理信息服务,s=4为物品编码信息服务,对于每一服务s,网络支持对称业务流集合Ks,业务流k∈Ks的起始节点为oks,目的节点为dks,单向平均业务流需求为bks,为决策变量,若业务流k∈Ks的传输路径包含虚拟链路(i,j)则反之则 为决策变量,若物理链路{i,j}对s进行服务则反之则μ{i,j}为物理链路{i,j}的负载,μs为网络中对s进行服务的所有物理链路的负载上限累加值,α为物理链路负载系数,μ={μ1,μ2}为路径物理链路负载集合,优化模型为:
附图说明
图1工业云系统典型示意图
图2工业云资源管理模型示意图
具体实施方式
为达到上述目的,本发明的技术方案如下:
第一步,建立工业云资源管理模型,其由网络资源、计算资源、感知资源和管理单元构成;网络资源包括缓存资源、路径选择资源、链路资源和节点吞吐量资源,其相应资源调节与优化优先级为节点吞吐量资源优先级>链路资源优先级>;路径选择资源>缓存资源优先级;计算资源包括核心计算资源和边缘计算资源,核心计算资源和边缘计算资源的计算能力分配准则为:核心计算资源优先使用,当核心计算资源负载超过60%时,启用边缘计算资源,当边缘计算资源负载超过50%时,核心计算资源负载与边缘计算资源负载之比按两者额定功耗之比进行分配;感知资源包括核心业务感知和边缘业务感知,通过感知资源获得的数据通过网络资源进行传输,其可被核心计算资源或边缘计算资源进行处理,感知业务分为车间状态信息、仓储信息、质量管理信息和物品编码信息,其相应的传输优先级依次为车间状态信息>仓储信息>质量管理信息>物品编码信息;链路资源包括有线链路和无线链路,无线链路包括无线独占链路和无线耦合链路,无线耦合链路由两条以上的无线链路合并为一条逻辑链路,耦合计算资源包括不可分解计算资源和可重构计算资源,可重构计算资源可实现若干计算资源的计算能力的按需叠加与分解和执行平稳计算与突发计算业务;耦合存储资源包括不可分解存储资源和可重构存储资源,可重构存储资源可进行若干存储资源的顺序读写和伪随机读写,实现存储能力的按需重组与分解,伪随机存储指按照一定的规则进行读写,该规则对外是随机序列,对内则为规则序列;管理单元根据可高效资源分配机制对网络资源、计算资源、存储资源进行按需优化调节,并采用变分自编码机神经网络对网络资源、计算资源和感知资源的下一变化状态进行预测。
第二步,设置网络资源、计算资源、感知资源进行按需优化分配准则,具体为:设置网络资源与计算资源的最优匹配准则,主要分为①节点吞吐量资源与核心计算资源匹配,其中ρ1为二者不匹配的资源损耗代价;②节点吞吐量资源与边缘计算资源匹配,其中ρ2为二者不匹配的资源损耗代价;③链路资源与核心计算资源匹配,其中ρ3为二者不匹配的资源损耗代价;④链路资源与核心计算资源匹配,其中ρ4为二者不匹配的资源损耗代价;⑤路径选择资源与核心计算资源匹配,其中ρ5为二者不匹配的资源损耗代价;⑥路径选择资源与边缘计算资源匹配,其中ρ6为二者不匹配的资源损耗代价;⑦缓存资源与核心计算资源匹配,其中ρ7为二者不匹配的资源损耗代价;⑧缓存资源与核心计算资源匹配,其中ρ8为二者不匹配的资源损耗代价;优化模型为:
其中p1至p8为ρ1至ρ8对应的概率分布,ω1至ω4为节点吞吐量资源、链路资源、路径选择资源、缓存资源的优先级决策变量,ω1′和ω2′为核心计算资源和边缘计算资源的优先级决策变量;设置计算资源与感知资源的最优匹配准则,主要分为①核心计算资源与核心感知资源匹配,其中ρ1′为二者不匹配的资源损耗代价;②核心计算资源与边缘感知资源匹配,其中ρ2′为二者不匹配的资源损耗代价;③边缘计算资源与核心感知资源匹配,其中ρ3′为二者不匹配的资源损耗代价;④边缘计算资源与边缘感知资源匹配,其中ρ4′为二者不匹配的资源损耗代价;其中p1′,p2′,p3′,p4′分别为ρ1′,ρ2′,ρ3′,ρ4′的概率分布,δ1和δ1分别为核心感知资源和边缘感知资源的优先级决策变量;网络资源与感知业务优化匹配准则:令车间状态信息、仓储信息、质量管理信息和物品编码信息的QoS需求分别为ζ1,ζ2,ζ3,ζ4,令N为网络节点,A为链路集合,对于每一条物理链路{i,j},c{ij}为其容量需求,V(i)为使得虚拟链路(i,j)∈A存在的节点j∈N的集合,网络支持的服务类型为车间状态信息、仓储信息、质量管理信息和物品编码信息,s=1,2,3,4为业务类型,s=1为车间状态信息服务,s=2为仓储信息服务,s=3为质量管理信息服务,s=4为物品编码信息服务,对于每一服务s,网络支持对称业务流集合Ks,业务流k∈Ks的起始节点为oks,目的节点为dks,单向平均业务流需求为bks,为决策变量,若业务流k∈Ks的传输路径包含虚拟链路(i,j)则反之则 为决策变量,若物理链路{i,j}对s进行服务则反之则μ{i,j}为物理链路{i,j}的负载,μs为网络中对s进行服务的所有物理链路的负载上限累加值,α为物理链路负载系数,μ={μ1,μ2}为路径物理链路负载集合,优化模型为:
本发明提出了一种工业云的资源管理机制,通过建立工业云资源管理模型和高效资源分配机制,实现工业云资源高效管理。
Claims (6)
1.一种工业云的资源管理机制,通过建立工业云资源管理模型和高效资源分配机制,实现工业云资源高效管理,具体为:
A.建立工业云资源管理模型,其由网络资源、计算资源、感知资源和管理单元构成;网络资源包括缓存资源、路径选择资源、链路资源和节点吞吐量资源,其相应资源调节与优化优先级为节点吞吐量资源优先级>链路资源优先级>;路径选择资源>缓存资源优先级;计算资源包括核心计算资源和边缘计算资源,核心计算资源和边缘计算资源的计算能力分配准则为:核心计算资源优先使用,当核心计算资源负载超过60%时,启用边缘计算资源,当边缘计算资源负载超过50%时,核心计算资源负载与边缘计算资源负载之比按两者额定功耗之比进行分配;感知资源包括核心业务感知和边缘业务感知,通过感知资源获得的数据通过网络资源进行传输,其可被核心计算资源或边缘计算资源进行处理,感知业务分为车间状态信息、仓储信息、质量管理信息和物品编码信息,其相应的传输优先级依次为车间状态信息>仓储信息>质量管理信息>物品编码信息;链路资源包括有线链路和无线链路,无线链路包括无线独占链路和无线耦合链路,无线耦合链路由两条以上的无线链路合并为一条逻辑链路;管理单元用于分配网络资源、计算资源和感知资源各内部资源,并协调网络资源、计算资源和感知资源之间的匹配。
B.建立高效资源分配机制,具体为:a.网络资源与感知业务优化匹配准则;b.设置计算资源与感知资源的最优匹配准则;c.网络资源与感知业务优化匹配准则;当应用需求有明确要求时,选择其中一种规则进行实施,当应用需求无明确要求时,对路径物理链路负载和资源损耗代价进行归一化处理,选择三者中的最小值。
2.根据权利要求1的方法,对于所述步骤A其特征在于:耦合计算资源包括不可分解计算资源和可重构计算资源,可重构计算资源可实现若干计算资源的计算能力的按需叠加与分解和执行平稳计算与突发计算业务;耦合存储资源包括不可分解存储资源和可重构存储资源,可重构存储资源可进行若干存储资源的顺序读写和伪随机读写,实现存储能力的按需重组与分解,伪随机存储指按照一定的规则进行读写,该规则对外是随机序列,对内则为规则序列。
3.根据权利要求1的方法,对于所述步骤A其特征在于:管理单元根据可高效资源分配机制对网络资源、计算资源、存储资源进行按需优化调节,并采用变分自编码机神经网络对网络资源、计算资源和感知资源的下一变化状态进行预测。
4.根据权利要求1的方法,对于所述步骤B其特征在于:设置网络资源、计算资源、感知资源进行按需优化分配准则,具体为:设置网络资源与计算资源的最优匹配准则,主要分为①节点吞吐量资源与核心计算资源匹配,其中ρ1为二者不匹配的资源损耗代价;②节点吞吐量资源与边缘计算资源匹配,其中ρ2为二者不匹配的资源损耗代价;③链路资源与核心计算资源匹配,其中ρ3为二者不匹配的资源损耗代价;④链路资源与核心计算资源匹配,其中ρ4为二者不匹配的资源损耗代价;⑤路径选择资源与核心计算资源匹配,其中ρ5为二者不匹配的资源损耗代价;⑥路径选择资源与边缘计算资源匹配,其中ρ6为二者不匹配的资源损耗代价;⑦缓存资源与核心计算资源匹配,其中ρ7为二者不匹配的资源损耗代价;⑧缓存资源与核心计算资源匹配,其中ρ8为二者不匹配的资源损耗代价;优化模型为:min(ω1′ω1ρ1p1+ω2′ω1ρ2p2+ω1′ω2ρ3p3+ω2′ω2ρ4p4+ω1′ω3ρ5p5+ω2′ω3ρ6p6+ω1′ω4ρ7p7+ω2′ω4ρ8p8)
α1+α2=1
p1>0.85p2,p3>0.5p4,p5>0.6p6,p7>0.6p8
其中p1至p8为ρ1至ρ8对应的概率分布,ω1至ω4为节点吞吐量资源、链路资源、路径选择资源、缓存资源的优先级决策变量,ω1′和ω2′为核心计算资源和边缘计算资源的优先级决策变量。
5.根据权利要求1的方法,对于所述步骤B其特征在于:具体为:设置计算资源与感知资源的最优匹配准则,主要分为①核心计算资源与核心感知资源匹配,其中ρ1′为二者不匹配的资源损耗代价;②核心计算资源与边缘感知资源匹配,其中ρ2′为二者不匹配的资源损耗代价;③边缘计算资源与核心感知资源匹配,其中ρ3′为二者不匹配的资源损耗代价;④边缘计算资源与边缘感知资源匹配,其中ρ4′为二者不匹配的资源损耗代价;min{max(ω1′δ1ρ1′p1′+ω1′δ1ρ2′p2′+ω2′δ2ρ3′p3′+ω2′δ2ρ4′p4′)}
α1+α2=1
6.根据权利要求1的方法,对于所述步骤B其特征在于:网络资源与感知业务优化匹配准则:令车间状态信息、仓储信息、质量管理信息和物品编码信息的QoS需求分别为ζ1,ζ2,ζ3,ζ4,令N为网络节点,A为链路集合,对于每一条物理链路{i,j},c{ij}为其容量需求,V(i)为使得虚拟链路(i,j)∈A存在的节点j∈N的集合,网络支持的服务类型为车间状态信息、仓储信息、质量管理信息和物品编码信息,s=1,2,3,4为业务类型,s=1为车间状态信息服务,s=2为仓储信息服务,s=3为质量管理信息服务,s=4为物品编码信息服务,对于每一服务s,网络支持对称业务流集合Ks,业务流k∈Ks的起始节点为oks,目的节点为dks,单向平均业务流需求为bks,为决策变量,若业务流k∈Ks的传输路径包含虚拟链路(i,j)则反之则 为决策变量,若物理链路{i,j}对s进行服务则反之则μ{i,j}为物理链路{i,j}的负载,μs为网络中对s进行服务的所有物理链路的负载上限累加值,α为物理链路负载系数,μ={μ1,μ2}为路径物理链路负载集合,优化模型为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174335.0A CN111416848A (zh) | 2020-03-13 | 2020-03-13 | 一种工业云的资源管理机制 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174335.0A CN111416848A (zh) | 2020-03-13 | 2020-03-13 | 一种工业云的资源管理机制 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111416848A true CN111416848A (zh) | 2020-07-14 |
Family
ID=71494149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010174335.0A Withdrawn CN111416848A (zh) | 2020-03-13 | 2020-03-13 | 一种工业云的资源管理机制 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111416848A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399450A (zh) * | 2020-03-13 | 2020-07-10 | 黄东 | 一种云端制造信息平台 |
CN112217879A (zh) * | 2020-09-24 | 2021-01-12 | 江苏方天电力技术有限公司 | 一种基于配电物联网的边缘计算技术和云边协同方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106301960A (zh) * | 2016-10-15 | 2017-01-04 | 黄林果 | 一种云资源协同管理方法 |
CN106656555A (zh) * | 2016-10-15 | 2017-05-10 | 黄林果 | 一种云计算系统的服务资源动态调节方法 |
CN108156226A (zh) * | 2017-12-15 | 2018-06-12 | 南京邮电大学 | 一种云雾融合的工业物联网认知能源管理系统及计算方法 |
CN108845885A (zh) * | 2018-07-04 | 2018-11-20 | 济南浪潮高新科技投资发展有限公司 | 一种面向自动驾驶的边缘计算资源管理方法 |
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 |
EP3579174A1 (en) * | 2018-06-08 | 2019-12-11 | Hexagon Technology Center GmbH | Mobile vehicles in manufacturing |
-
2020
- 2020-03-13 CN CN202010174335.0A patent/CN111416848A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106301960A (zh) * | 2016-10-15 | 2017-01-04 | 黄林果 | 一种云资源协同管理方法 |
CN106656555A (zh) * | 2016-10-15 | 2017-05-10 | 黄林果 | 一种云计算系统的服务资源动态调节方法 |
CN108156226A (zh) * | 2017-12-15 | 2018-06-12 | 南京邮电大学 | 一种云雾融合的工业物联网认知能源管理系统及计算方法 |
EP3579174A1 (en) * | 2018-06-08 | 2019-12-11 | Hexagon Technology Center GmbH | Mobile vehicles in manufacturing |
CN108845885A (zh) * | 2018-07-04 | 2018-11-20 | 济南浪潮高新科技投资发展有限公司 | 一种面向自动驾驶的边缘计算资源管理方法 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399450A (zh) * | 2020-03-13 | 2020-07-10 | 黄东 | 一种云端制造信息平台 |
CN112217879A (zh) * | 2020-09-24 | 2021-01-12 | 江苏方天电力技术有限公司 | 一种基于配电物联网的边缘计算技术和云边协同方法 |
CN112217879B (zh) * | 2020-09-24 | 2023-08-01 | 江苏方天电力技术有限公司 | 一种基于配电物联网的边缘计算技术和云边协同方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Energy-efficient offloading for DNN-based smart IoT systems in cloud-edge environments | |
CN112004239B (zh) | 一种基于云边协同的计算卸载方法及系统 | |
Yang et al. | A parallel intelligence-driven resource scheduling scheme for digital twins-based intelligent vehicular systems | |
CN114417417B (zh) | 一种基于联邦学习的工业物联网隐私保护系统及方法 | |
CN103812949B (zh) | 一种面向实时云平台的任务调度与资源分配方法及系统 | |
Ren et al. | Blockchain-based VEC network trust management: A DRL algorithm for vehicular service offloading and migration | |
WO2023024219A1 (zh) | 云边协同网络中时延和频谱占用联合优化方法及系统 | |
CN111416848A (zh) | 一种工业云的资源管理机制 | |
CN111556516A (zh) | 面向时延和能效敏感业务的分布式无线网络任务协同分配方法 | |
Liu | Intelligent routing based on deep reinforcement learning in software-defined data-center networks | |
CN112162789A (zh) | 一种基于软件定义的边缘计算随机卸载决策方法及系统 | |
CN112463761A (zh) | 用于动态非平衡应用环境的跨链协同平台构建方法及系统 | |
Fan et al. | Dynamic virtual network embedding of mobile cloud system based on global resources in internet of vehicles | |
CN114172962B (zh) | 面向工业agv的双向选择边缘计算服务分配方法 | |
CN105005503A (zh) | 基于元胞自动机的云计算负载均衡任务调度方法 | |
CN116050540A (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
CN108737268A (zh) | 软件定义工业物联网资源调度方法 | |
Jin et al. | A Context-aware Task Offloading Scheme in Collaborative Vehicular Edge Computing Systems. | |
CN109981340B (zh) | 雾计算网络系统中联合资源优化的方法 | |
de Souza et al. | A bee colony-based algorithm for task offloading in vehicular edge computing | |
Huang et al. | A hierarchical pseudonyms management approach for software-defined vehicular networks | |
CN112162837B (zh) | 一种基于软件定义的边缘计算调度方法及系统 | |
Ji et al. | Towards optimal application offloading in heterogeneous edge-cloud computing | |
CN116820603A (zh) | 一种基于深度强化学习的智慧工厂冗余卸载方法 | |
Cao et al. | Layered model aggregation based federated learning in mobile edge networks |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200714 |