CN111538595B - 一种基于任务切割的mec服务器任务调度方法 - Google Patents

一种基于任务切割的mec服务器任务调度方法 Download PDF

Info

Publication number
CN111538595B
CN111538595B CN202010327866.9A CN202010327866A CN111538595B CN 111538595 B CN111538595 B CN 111538595B CN 202010327866 A CN202010327866 A CN 202010327866A CN 111538595 B CN111538595 B CN 111538595B
Authority
CN
China
Prior art keywords
task
mec server
scheduling
queue
client
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
CN202010327866.9A
Other languages
English (en)
Other versions
CN111538595A (zh
Inventor
杨鲲
黄国华
邓春健
张埙
陈卉
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.)
University of Electronic Science and Technology of China Zhongshan Institute
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
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 University of Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN202010327866.9A priority Critical patent/CN111538595B/zh
Publication of CN111538595A publication Critical patent/CN111538595A/zh
Application granted granted Critical
Publication of CN111538595B publication Critical patent/CN111538595B/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
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Multi Processors (AREA)

Abstract

本发明公开了一种基于任务切割的MEC服务器任务调度方法，客户端在卸载任务到MEC服务器前，将任务切割成多个小任务，然后根据网络状况和客户端以及服务器的服务能力对这些小任务的处理路径进行优化，采用序列二次规划和分支界定法来解决该优化问题；明确小任务的处理路径后，MEC服务器将通过多级队列调度策略、先到先服务调度策略和Johnson法则相结合的方式来处理来自多个客户端的多个小任务，本发明将任务切割成多个小任务，能够降低任务的颗粒度，有效缩短服务器的响应延时，另外，在MEC服务器中使用了多种策略相结合的方式对服务器的计算资源进行分配，使得任务的总体执行时间达到最小，进一步提高服务器性能。

Description

一种基于任务切割的MEC服务器任务调度方法
技术领域
本发明涉及通信技术领域，特别是一种基于任务切割的MEC服务器任务调度方法。
背景技术
自从2005年云计算出现以来，我们的生活，学习和工作方式都发生了显著的变化。数据的爆炸式增长是大数据时代下的主旋律，随着万物互联趋势不断加深，数据的增长速度远远超过了网络带宽的增速，传统的云计算模式已经很难实时高效地支持万物互联的应用程序，MEC(Mobile Edge Computing，移动边缘计算)模式的出现很好地解决了万联网中任务处理的实时性要求。
MEC是基于云计算框架提出来的一种崭新的框架，其核心概念是“计算应该更靠近数据源头，可以更贴近用户”。总的来说，MEC是在靠近用户的无线接入网的范围内，提供云计算能力和信息技术服务的一种崭新的网络结构。MEC服务器比起云端更“靠近”客户端，其不但可以从云端服务器请求数据和服务，还可以处理部分计算任务，包括数据处理、存储、管理等。客户端在将计算任务通过上行通道往上发出请求任务时，MEC服务器可以尽自己所能处理这些任务，并将处理结果反馈回客户端，而不能处理的任务，将再转发到云端处理，这将在很大程度上缓解网络带宽与云端的数据处理压力，同时增强系统的整体响应能力。
MEC中的任务分配和调度问题是降低响应延时的关键所在，而现有的关于服务器的各种经典调度策略并不能很好地应用在MEC服务器上，如先到先服务调度策略、最短作业优先调度策略和多级队列调度策略等，同时，当前的相关研究也主要集中在MEC服务器的任务调度策略本身，缺乏对计算任务特点的研究，如计算任务的计算量、数据量等。为了进一步提高MEC服务器的响应能力，针对MEC服务器本身特点以及其处理的任务特点进行任务调度显得尤为重要。
发明内容
为了进一步缩短MEC服务器的任务响应延时，本发明提出了一种基于任务切割式调度的MEC服务器任务调度方法，该方法不但关注MEC服务器本身的特点，同时对任务的颗粒度进行了分析，通过降低任务的颗粒度，即将任务切割成多个小任务后再进行调度的方式来进一步缩短服务器的响应延时。此外，在MEC服务器中使用了Johnson法则与传统调度策略相结合的方式对服务器的计算资源进行分配，使得任务的总体执行时间达到最小，进一步提高服务器性能。以上策略能够在较短时间内响应客户端的任务请求，适用于MEC服务器对于实时性要求较高的任务请求。
本发明解决其技术问题所采用的技术方案是：
一种基于任务切割的MEC服务器任务调度方法，它包括以下步骤：
步骤S1、在客户端在卸载任务到MEC服务器前，根据任务的执行步骤，将任务切割成多个小任务。
步骤S2、在客户端和MEC服务器上安装Docker容器，利用Docker容器技术对各个小任务进行封装和卸载。
步骤S3、根据网络状况和客户端以及MEC服务器的服务能力，建立小任务卸载路径的MINLP优化问题。
步骤S4、基于MEC服务器资源有限的特征，采用序列二次规划和分支界定法来解决所述MINLP优化问题，得到每个客户端的小任务的最优卸载路径，并根据得到的优化结果，将小任务放置在本地处理或卸载到MEC服务器进行处理；
当卸载到MEC服务器进行处理时，MEC服务器将接收到来自多个客户端的多个任务请求，并采用多级队列调度、先到先服务调度和Johnson法则相结合的调度策略进行任务调度。
步骤S5、汇总客户端和MEC服务器的任务处理结果，得到任务的最终处理结果。
步骤S6、当有新任务到达客户端时，循环步骤S1-S4得到新任务的最优卸载路径。
进一步地，所述步骤S4中，采用序列二次规划和分支界定法解决所述MINLP优化问题包括以下步骤：
步骤A41、放宽步骤S3中MINLP优化问题的整数约束，即任务处理方式的约束，任务在本地执行参数值为1，任务卸载到MEC服务器执行参数值为0，此时问题退化为NLP问题，利用序列二次规划法求得分配给每个客户端带宽的最优解。
步骤A42、基于步骤A41得到每个客户端的带宽后，利用分支界定法求解每个客户端中各个小任务处理方式的最优解，具体包括以下步骤：
步骤A421、设置目标函数和界定函数，设置一个队列用于保存局部最优解，并将最后的子任务放入队列，设置初始的最优值。
步骤A422、判断队列是否为空，为空则返回当前的最优值，否则取出队列的队头，将队头放入目标函数中，比较目标函数值与当前最优值的大小，如果目标函数值小于当前最优值，则更新最优值为目标函数值，否则不更新。
步骤A423、循环步骤A421和A422，直到队列为空。
步骤A43、将每个小任务通过容器封装的方式，按照步骤A41和A42求得的最优解，放置在本地处理或卸载到MEC服务器进行处理。
进一步地，所述步骤S4中，采用多级队列调度、先到先服务调度和Johnson法则相结合的调度策略进行任务调度包括以下步骤：
步骤B41、用户指定客户端的优先级，MEC服务器根据多级队列调度策略将MEC服务器的任务调度分为两级队列，一级队列采用先到先服务调度策略，二级队列采用Johnson法则进行任务调度。
步骤B42、MEC服务器识别各个小任务的优先级，小任务的优先级是根据客户端的优先级进行划分，将高优先级的任务放置在一级队列，低优先级的任务放置在二级队列。
步骤B43、判断一级队列是否任务为空，不为空则采用先到先服务调度策略进行任务调度；为空则进入步骤B44。
步骤B44、判断二级队列是否任务为空，不为空则采用Johnson法则对小任务进行排序调度，具有包括以下步骤：
步骤B441、明确各个小任务的数据接收时间和小任务在MEC服务器上的处理时间。
步骤B442、根据步骤B441得到的时间，将小任务分为两组，分别为L1和L2，分组的原则是：L1中的小任务在MEC服务器上处理所花费的时间比就收任务数据的时间长，剩下的小任务作为L2。
步骤B443、将L1中的小任务按照数据接收时间递增的顺序进行排序，将L2中的小任务按照它们在MEC服务器上处理时间递减的顺序排序。
步骤B444、将步骤B443中排好序的L1和L2连接起来得到小任务的总体调度顺序，MEC服务器根据该调度顺序对小任务进行调度，MEC服务器处理完小任务后返回最终结果。
本发明的有益效果是：
1、通过任务切割的方式减小了任务的颗粒度，使得客户端和服务器之间的任务协作更加密切，能够更加有效的利用系统的计算资源；
2、MEC服务器不像云服务器那样拥有理论上无限的计算资源，利用Docker容器技术对应用进行封装和轻量级部署，减少了MEC服务器的资源占用，使得MEC服务器可以处理更多的计算任务；
3、根据MEC服务器资源有限的特点以及实际的应用场景，利用序列二次规划和分支界定法相结合的方式解决任务卸载路径的优化问题，能够快速得到客户端每个任务的卸载路径，且计算复杂度较低；
4、利用多种调度策略相结合的方式满足不同优先级客户端的任务请求，在减少服务器整体响应延迟的同时，对优先级高的客户端任务请求也能够得到及时处理。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的任务切割示意图；
图2是本发明的任务调度流程图。
具体实施方式
参照图1、图2，一种基于任务切割的MEC服务器任务调度方法，它包括以下步骤：步骤S1、在客户端在卸载任务到MEC服务器前，根据任务的执行步骤，将任务切割成多个小任务，如以人脸识别这一任务为例，可将其切割为人脸检测、人脸配准、人脸提特征、人脸比对等小任务，通过切割成多个小任务，这样能够降低任务的颗粒度，从而缩短MEC服务器的响应延时；本实施例中，将每个小任务需要处理的数据量记为Cv，每两个相邻的小任务之间存在着数据连接，且两个相邻的小任务具有严格的执行顺序且后一个任务需要前一个任务的执行结果，即两个任务之间具有数据量duv的传输。
步骤S2、在客户端和MEC服务器上安装Docker容器，利用Docker容器技术对各个小任务进行封装和卸载。
步骤S3、根据网络状况和客户端以及MEC服务器的服务能力，建立小任务卸载路径的MINLP优化问题，本实施例中，考虑每个客户端的网络带宽ri，当前网络的通信延迟βi，客户端的任务处理能力pi以及服务器的任务处理能力p0，利用表达式Iv，i∈{0，1}来表示客户端i的任务V是否需要卸载，为1则在本地执行，为0则需要卸载到MEC服务器执行，基于以上因素的考虑得到任务卸载问题的模型，具体如下：
S31、对于将运行在本地的任务，其不需要进行任务的卸载，因此也无需考虑宽带和通信延时，所以可以得到在所有在本地处理的任务的处理时间为：
Figure BDA0002463866620000041
S32、由S31可知，不在本地执行的任务将消耗的时间为：
Figure BDA0002463866620000042
S33、任务不在本地执行时，则只能传输到MEC服务器上，该过程需要有带宽和通信延迟的限制，其数据传输消耗的时间为：
Figure BDA0002463866620000043
S34、对于客户端i,MEC服务器为其服务的时间为：
Figure BDA0002463866620000051
S35、由该服务器及其以下的客户端所组成的系统的任务处理最短时间问题可以表示为：
Figure BDA0002463866620000052
步骤S4、得到MEC服务器下任务卸载的模型后，这里基于MEC服务器资源有限的特征，采用序列二次规划求得最优的带宽分配，得到最优带宽分配后，采用分支界定法得到各个客户端的最优任务卸载路径，并根据得到的优化结果，将小任务放置在本地处理或卸载到MEC服务器进行处理，当卸载到MEC服务器进行处理时，MEC服务器将接收到来自多个客户端的多个任务请求，并采用多级队列调度、先到先服务调度和Johnson法则相结合的调度策略进行任务调度。
进一步地，采用序列二次规划和分支界定法求解任务的最优卸载路径具体包括以下步骤：
步骤A41、放宽步骤S3中MINLP优化问题的整数约束，即任务处理方式的约束(即利用表达式Iv，i∈{0，1}来表示客户端i的任务V是否需要卸载)，任务在本地执行参数值为1，任务卸载到MEC服务器执行参数值为0，此时问题退化为NLP问题，利用序列二次规划法求得分配给每个客户端带宽的最优解。
步骤A42、基于步骤A41得到每个客户端的带宽后，利用分支界定法求解每个客户端中各个小任务处理方式的最优解，具体包括以下步骤：
步骤A421、设置目标函数和界定函数，设置一个队列用于保存局部最优解，并将最后的子任务(即小任务)放入队列，设置初始的最优值；本实施例中，目标函数和界定函数是采用分支界定法求解任务最短处理时间情况下的卸载方式的两个函数，其中，目标函数即为S35中的任务处理时间，用于求得最短的任务处理时间，界定函数是根据S3中提到的影响任务处理时间的各种约束条件而构成的函数，用户可根据实际情况进行设置，对目标函数进行约束。
步骤A422、判断队列是否为空，为空则返回当前的最优值，否则取出队列的队头，将队头放入目标函数中，比较目标函数值与当前最优值的大小，如果目标函数值小于当前最优值，则更新最优值为目标函数值，否则不更新。
步骤A423、循环步骤A421和A422，直到队列为空。
步骤A43、将每个小任务通过容器封装的方式，按照步骤A41和A42求得的最优解，放置在本地处理或卸载到MEC服务器进行处理。
进一步地，步骤S4中，采用多级队列调度、先到先服务调度和Johnson法则相结合的调度策略进行任务调度包括以下步骤：
步骤B41、用户指定客户端的优先级，MEC服务器根据多级队列调度策略将MEC服务器的任务调度分为两级队列，一级队列采用先到先服务调度策略，二级队列采用Johnson法则进行任务调度。
步骤B42、MEC服务器识别各个小任务的优先级，小任务的优先级是根据客户端的优先级进行划分，将高优先级的任务放置在一级队列，低优先级的任务放置在二级队列。
步骤B43、判断一级队列是否任务为空，不为空则采用先到先服务调度策略进行任务调度；为空则进入步骤B44。
步骤B44、判断二级队列是否任务为空，不为空则采用Johnson法则对小任务进行排序调度(如果二级队列也为空，则说明MEC服务器当前没有接收到任何任务，MEC服务器不需要执行其他命令，处于待机状态，即处于接收任务的状态)，具有包括以下步骤：
步骤B441、明确各个小任务的数据接收时间和小任务在MEC服务器上的处理时间。
步骤B442、根据步骤B441得到的时间，将小任务分为两组，分别为L1和L2，分组的原则是：L1中的小任务在MEC服务器上处理所花费的时间比就收任务数据的时间长，剩下的小任务作为L2。
步骤B443、将L1中的小任务按照数据接收时间递增的顺序进行排序，将L2中的小任务按照它们在MEC服务器上处理时间递减的顺序排序。
步骤B444、将步骤B443中排好序的L1和L2连接起来得到小任务的总体调度顺序，MEC服务器根据该调度顺序对小任务进行调度，MEC服务器处理完小任务后返回最终结果。
步骤S5、汇总客户端和MEC服务器的任务处理结果，得到任务的最终处理结果。
步骤S6、当有新任务到达客户端时，循环步骤S1-S4得到新任务的最优卸载路径。
以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。

Claims (3)

1.一种基于任务切割的MEC服务器任务调度方法，其特征在于，它包括以下步骤：
步骤S1、在客户端在卸载任务到MEC服务器前，根据任务的执行步骤，将任务切割成多个小任务；
步骤S2、在客户端和MEC服务器上安装Docker容器，利用Docker容器技术对各个小任务进行封装和卸载；
步骤S3、根据网络状况和客户端以及MEC服务器的服务能力，建立小任务卸载路径的MINLP优化问题；
步骤S4、基于MEC服务器资源有限的特征，采用序列二次规划和分支界定法来解决所述MINLP优化问题，得到每个客户端的小任务的最优卸载路径，并根据得到的优化结果，将小任务放置在本地处理或卸载到MEC服务器进行处理；
当卸载到MEC服务器进行处理时，MEC服务器将接收到来自多个客户端的多个任务请求，并采用多级队列调度、先到先服务调度和Johnson法则相结合的调度策略进行任务调度；
步骤S5、汇总客户端和MEC服务器的任务处理结果，得到任务的最终处理结果；
步骤S6、当有新任务到达客户端时，循环步骤S1-S4得到新任务的最优卸载路径。
2.根据权利要求1所述的基于任务切割的MEC服务器任务调度方法，其特征在于所述步骤S4中，采用序列二次规划和分支界定法解决所述MINLP优化问题包括以下步骤：
步骤A41、放宽步骤S3中MINLP优化问题的整数约束，即任务处理方式的约束，任务在本地执行参数值为1，任务卸载到MEC服务器执行参数值为0，此时问题退化为NLP问题，利用序列二次规划法求得分配给每个客户端带宽的最优解；
步骤A42、基于步骤A41得到每个客户端的带宽后，利用分支界定法求解每个客户端中各个小任务处理方式的最优解，具体包括以下步骤：
步骤A421、设置目标函数和界定函数，设置一个队列用于保存局部最优解，并将最后的子任务入队列，设置初始的最优值；
步骤A422、判断队列是否为空，为空则返回当前的最优值，否则取出队列的队头，将队头放入目标函数中，比较目标函数值与当前最优值的大小，如果目标函数值小于当前最优值，则更新最优值为目标函数值，否则不更新；
步骤A423、循环步骤A421和A422，直到队列为空；
步骤A43、将每个小任务通过容器封装的方式，按照步骤A41和A42求得的最优解，放置在本地处理或卸载到MEC服务器进行处理。
3.根据权利要求1所述的基于任务切割的MEC服务器任务调度方法，其特征在于所述步骤S4中，采用多级队列调度、先到先服务调度和Johnson法则相结合的调度策略进行任务调度包括以下步骤：
步骤B41、用户指定客户端的优先级，MEC服务器根据多级队列调度策略将MEC服务器的任务调度分为两级队列，一级队列采用先到先服务调度策略，二级队列采用Johnson法则进行任务调度；
步骤B42、MEC服务器识别各个小任务的优先级，小任务的优先级是根据客户端的优先级进行划分，将高优先级的任务放置在一级队列，低优先级的任务放置在二级队列；
步骤B43、判断一级队列是否任务为空，不为空则采用先到先服务调度策略进行任务调度；为空则进入步骤B44；
步骤B44、判断二级队列是否任务为空，不为空则采用Johnson法则对小任务进行排序调度，具有包括以下步骤：
步骤B441、明确各个小任务的数据接收时间和小任务在MEC服务器上的处理时间；
步骤B442、根据步骤B441得到的时间，将小任务分为两组，分别为L1和L2，分组的原则是：L1中的小任务在MEC服务器上处理所花费的时间比就收任务数据的时间长，剩下的小任务作为L2；
步骤B443、将L1中的小任务按照数据接收时间递增的顺序进行排序，将L2中的小任务按照它们在MEC服务器上处理时间递减的顺序排序；
步骤B444、将步骤B443中排好序的L1和L2连接起来得到小任务的总体调度顺序，MEC服务器根据该调度顺序对小任务进行调度，MEC服务器处理完小任务后返回最终结果。
CN202010327866.9A 2020-04-23 2020-04-23 一种基于任务切割的mec服务器任务调度方法 Active CN111538595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010327866.9A CN111538595B (zh) 2020-04-23 2020-04-23 一种基于任务切割的mec服务器任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010327866.9A CN111538595B (zh) 2020-04-23 2020-04-23 一种基于任务切割的mec服务器任务调度方法

Publications (2)

Publication Number Publication Date
CN111538595A CN111538595A (zh) 2020-08-14
CN111538595B true CN111538595B (zh) 2023-05-02

Family

ID=71967488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010327866.9A Active CN111538595B (zh) 2020-04-23 2020-04-23 一种基于任务切割的mec服务器任务调度方法

Country Status (1)

Country Link
CN (1) CN111538595B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379727A (zh) * 2018-10-16 2019-02-22 重庆邮电大学 车联网中基于mec的任务分布式卸载与协作执行方案
CN110099384A (zh) * 2019-04-25 2019-08-06 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法
CN110198278A (zh) * 2019-04-15 2019-09-03 湖南大学 一种车联网云端和边缘联合任务调度的Lyapunov优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379727A (zh) * 2018-10-16 2019-02-22 重庆邮电大学 车联网中基于mec的任务分布式卸载与协作执行方案
CN110198278A (zh) * 2019-04-15 2019-09-03 湖南大学 一种车联网云端和边缘联合任务调度的Lyapunov优化方法
CN110099384A (zh) * 2019-04-25 2019-08-06 南京邮电大学 基于边-端协同的多用户多mec任务卸载资源调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于边−端协同的任务卸载资源分配联合优化算法;吴柳青等;《电信科学》;20200331(第3期);第42-52页 *

Also Published As

Publication number Publication date
CN111538595A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN110493360B (zh) 多服务器下降低系统能耗的移动边缘计算卸载方法
CN111258677B (zh) 面向异构网络边缘计算的任务卸载方法
CN109788046B (zh) 一种基于改进蜂群算法的多策略边缘计算资源调度方法
CN110297699B (zh) 调度方法、调度器、存储介质及系统
CN104657221B (zh) 一种云计算中基于任务分类的多队列错峰调度模型及方法
CN110489176B (zh) 一种基于装箱问题的多接入边缘计算任务卸载方法
CN111132235A (zh) 基于改进hrrn算法和多属性决策的移动卸载迁移算法
CN113641417B (zh) 一种基于分支定界法的车辆安全任务卸载方法
CN111338807B (zh) 一种面向边缘人工智能应用的QoE感知的服务增强方法
CN113672391B (zh) 一种基于Kubernetes的并行计算任务调度方法与系统
CN112000388A (zh) 基于多边缘集群协同的并发任务调度方法及装置
CN114928607B (zh) 面向多边接入边缘计算的协同任务卸载方法
CN110262897A (zh) 一种基于负载预测的Hadoop计算任务初始分配方法
CN115150893A (zh) 基于任务划分与d2d的mec任务卸载策略方法
CN113282394B (zh) 面向协作机制资源受限边缘服务器间任务调度方法
CN114691372A (zh) 一种多媒体端边云系统的群体智能控制方法
CN111901435B (zh) 一种负载感知的云边协同服务部署方法
CN111538595B (zh) 一种基于任务切割的mec服务器任务调度方法
EP4300305A1 (en) Methods and systems for energy-efficient scheduling of periodic tasks on a group of processing devices
CN116302404B (zh) 面向资源解耦合数据中心的服务器无感知计算调度方法
CN112559078A (zh) 一种移动边缘计算服务器分级卸载任务方法及系统
CN114978913B (zh) 一种基于切链的服务功能链跨域部署方法及系统
CN113778682B (zh) 一种mec系统资源分配方法
CN114780219A (zh) 一种基于边缘计算和三支决策的智能楼宇任务调度方法
Laredo et al. Designing a self-organized approach for scheduling bag-of-tasks

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