CN111726854A - 一种降低物联网计算卸载能耗的方法 - Google Patents

一种降低物联网计算卸载能耗的方法 Download PDF

Info

Publication number
CN111726854A
CN111726854A CN202010330641.9A CN202010330641A CN111726854A CN 111726854 A CN111726854 A CN 111726854A CN 202010330641 A CN202010330641 A CN 202010330641A CN 111726854 A CN111726854 A CN 111726854A
Authority
CN
China
Prior art keywords
energy consumption
task
computing
network
calculating
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
CN202010330641.9A
Other languages
English (en)
Other versions
CN111726854B (zh
Inventor
田贤忠
许婷
朱娟
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010330641.9A priority Critical patent/CN111726854B/zh
Publication of CN111726854A publication Critical patent/CN111726854A/zh
Application granted granted Critical
Publication of CN111726854B publication Critical patent/CN111726854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/18—TPC being performed according to specific parameters
    • H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
    • H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种降低物联网计算卸载能耗的方法，利用下一代网络中SDN的概念和边缘计算技术搭建基于边缘云的物联网网络架构；采用排队理论计算系统中处理计算任务的平均时延以及IoT设备本地处理计算任务的平均时延；然后将面向物联网场景的基于时延约束的全局能耗最小化的问题建模成数学问题；再设计了一种基于遗传算法的卸载计算优化算法求解网络中每个设备的卸载决策以及边缘云服务器开启数量，优化资源配置，降低能耗。

Description

一种降低物联网计算卸载能耗的方法
技术领域
本发明属于5G网络计算卸载技术领域，尤其涉及一种降低物联网计算卸载能耗的方法。
背景技术
物联网中存在大量的无线设备，受部署环境和生产成本的影响，这些设备都存在计算能力弱和能量有限的特点。因此降低能耗、强化计算能力已经成为提高网络系统性能的关键。边缘计算被认为是最有效的解决方案之一。边缘云通过在无线接入网的边缘服务器实现云计算的功能。物联网网络中的设备节点可以卸载全部或者部分数据到就近的边缘云进行计算。一方面，通过卸载计算提高了无线设备的计算能力。另一方面，相比于传统的中心云，设备将数据传输到边缘云执行，不仅降低了设备本地计算的能耗也降低了传输的能耗。
在物联网计算卸载中，边缘云的能耗是不可忽视的。据统计，边缘云服务器的能耗大多是空载和低负载消耗的。如何降低计算卸载中的能耗(包括边缘服务器的能耗)是一个非常重要的研究问题。
发明内容
针对上述问题，本发明利用软件定义网络的思想，设计基于边缘计算的物联网网络架构，实现设备到边缘云的合理卸载以及边缘云资源的弹性控制。
为了实现上述目的，本发明提供如下的发明步骤：
一种降低物联网计算卸载能耗的方法，所述方法包括如下步骤：
步骤1：网络中的任意一设备有任务需要执行时，就选择最近的基站BS发送一个任务请求，该请求包括计算任务的到达速率λi，每个计算任务的大小bi，所需的CPU周期数ci和最大容忍时延Ti，BS收集任务请求，定期发送给软件定义网络SDN控制器；
步骤2：建立联合网络排队模型，多个设备的部分计算任务经过无线网络卸载到边缘云进行计算，故网络可以看作一个由多个M/M/1排队模型并联的通信模块，然后再与一个M/M/k排队模型串联的边缘云模块组成的联合排队模型；
步骤3：计算设备通信模块的队长，计算通信模块的服务速率，即数据的传输速率，根据香浓公式求得：
Figure BDA0002464826910000021
其中B表示信道带宽，
Figure BDA0002464826910000022
表示设备i的发送功率，hi表示设备i和BS之间的信道增益。根据通信模块的服务速率μi，求得当piλi＜μi通信模块稳态时，设备i稳态时通信模块的队长为：
Figure BDA0002464826910000023
pi表示设备i的卸载概率；
步骤4：计算求得边缘云的队长，
Figure BDA0002464826910000024
其中
Figure BDA0002464826910000025
Figure BDA0002464826910000026
k表示边缘运行服务器的数量；
步骤5：计算求得联合网络排队模型的队长L＝∑mLi+Le；
步骤6：根据Little公式计算得到计算任务在这个联合网络排队模型中停留的平均时间
Figure BDA0002464826910000027
步骤7：本地计算模块也服从M/M/1排队模型，任务的到达速率(1-pi)λi，服务速率为
Figure BDA0002464826910000028
计算设备本地计算模块的队长为
Figure BDA0002464826910000029
步骤8：根据Little公式，求得到计算任务在设备i本地计算模块停留的平均时间
Figure BDA00024648269100000210
步骤9：计算设备端产生的能耗，本地计算产生的能耗
Figure BDA00024648269100000211
通讯模块传输数据产生的能耗
Figure BDA00024648269100000212
其中设
Figure BDA00024648269100000213
表示本地处理每个CPU周期消耗的能量的功率系数，
Figure BDA00024648269100000214
表示传输功率；
步骤10：计算边缘服务器产生的能耗，边缘云端的能耗Ee包含服务器的基础能耗以及执行计算任务产生的能耗
Figure BDA00024648269100000215
其中
Figure BDA00024648269100000216
表示边缘云处理每个CPU周期消耗的能量的功率系数，
Figure BDA0002464826910000031
表示每个服务器的基础能耗；
步骤11：结合步骤6、8、9、10，建立如下关于设备任务卸载概率pi和边缘服务器数量k的数学模型：
Figure BDA0002464826910000032
α，β表示权重因子，α+β＝1，反映设备能耗和边缘云能耗的相对重要性，约束①和约束②表示时延约束；
步骤12：设计遗传算法适应度函数。根据步骤11中的目标问题定义目标函数：
Figure BDA0002464826910000033
定义适应度函数：
Figure BDA0002464826910000034
步骤13：对步骤11中问题的解进行编码，所述解为，设备任务卸载概率pi和边缘服务器数量k，k是一个整型变量，pi∈[0，1]是一个连续变量，分别用二进制编码和实数编码将k和pi编码在一条染色体上；
步骤14：染色体交叉变异，染色体交叉只发生在两个染色体对应的表示k和pi的染色体片段之间，染色体变异通过随机反转一个二进制位实现；
步骤15：循环迭代求得pi和k，根据初始种群，判断是否满足约束条件，对满足约束条件的个体计算相应的适应度函数值；根据个体的适应度值选择优良个体，通过步骤14进行交叉变异产生下一次迭代的子代。直到迭代次数达到要求，求得最佳pi和k；
步骤16：SDN控制器将求得的pi和k结果通过BS传递给设备，实现最佳资源调度。
本发明的有益效果：本文利用SDN控制器根据监控设备端的计算压力以及系统中的数据流量，来动态控制设备的卸载决策以及边缘服务器开启数量，降低了网络能耗，最终提高了网络的性能。
附图说明：
图1是SDN的物联网网络架构示意图。
图2是卸载模型示意图。
图3是联合排队网络模型示意图。
图4是染色体结构示意图。
图5是交叉过程示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
参照图1～图5，一种降低物联网计算卸载能耗的方法，包括如下步骤：
步骤1：如图1，m个设备和一个集成了边缘云的小型基站构成的物联网网络架构，基站BS具有软件定义功能，可以通过南向接口和SDN控制器进行通信，应用程序通过可编程的北向接口向SDN控制器传递业务需求，SDN控制器再通过南向接口调度其覆盖范围内的所有资源。网络中的任意一设备有任务需要执行时，就选择最近的BS发送一个任务请求。该任务包括计算任务的到达速率λi，每个计算任务的大小bi，所需的CPU周期数ci和最大容忍时延Ti，BS收集任务请求，定期发送给SDN控制器；
步骤2：建立联合网络排队模型，设备中的部分计算任务经过无线网络卸载到边缘云进行计算，如图2。该过程可以看作是一个服从M/M/1排队模型的通信模块，和一个服从M/M/k的排队模型的边缘云计算模块。网络系统中每个设备需要卸载的计算任务，都需要经过通信模块后汇集到边缘云计算模块，故我们可以构建一个由多个M/M/1模型并联，然后再与一个M/M/k模型串联的联合排队网络模型，如图3；
步骤3：计算设备通信模块的队长，首先，计算通信模块的服务速率，即数据的传输速率，根据香浓公式求得：
Figure BDA0002464826910000041
其中，B表示信道带宽，
Figure BDA0002464826910000042
表示设备i的发送功率，hi表示设备i和BS之间的信道增益。然后，计算当piλi＜μi通信模块稳态时，设备i稳态时通信模块的队长为：
Figure BDA0002464826910000051
pi表示设备i的卸载概率，过程如下：
1、写出平衡方程
状态 离开速率＝到达速率
0 piλiP0＝μiP1
xi，xi＞0 (piλi+μi)Pn＝piλiPn-1+μiPn+1
2、改写方程组
Figure BDA0002464826910000052
Figure BDA0002464826910000053
3、按照P0求解
P0＝P0
Figure BDA0002464826910000054
Figure BDA0002464826910000055
Figure BDA0002464826910000056
Figure BDA0002464826910000057
4、稳态概率和为1，则
Figure BDA0002464826910000058
Figure BDA0002464826910000059
Figure BDA00024648269100000510
故设备i的队列长
Figure BDA0002464826910000061
步骤4：计算边缘云计算模块的队长，类比步骤3的计算过程，可得边缘云的队长为：
Figure BDA0002464826910000062
其中，
Figure BDA0002464826910000063
k表示边缘运行服务器的数量；
步骤5：计算联合排队网络模型的队长，L＝∑mLi+Le。对于该模型的稳态概率可以由
Figure BDA0002464826910000064
表示，其中xi表示通信模块i中恰好有xi个计算任务，y表示边缘云模块中恰好有y个计算任务。该联合排队网络模型系统的队长为：
Figure BDA0002464826910000065
设备和边缘中的顾客数是独立的，所以
Figure BDA0002464826910000066
其中
Figure BDA0002464826910000067
为设备i通信模块的稳态概率，Py为边缘云的稳态概率。则联合排队网络模型系统队长可改写为
Figure BDA0002464826910000068
不难看出
Figure BDA0002464826910000069
是设备i通信模块的队长Li，∑yyPy表示边缘云的队长Le；
步骤6：根据Little公式可以进一步计算得到计算任务在这个联合排队网络中停留的平均时间：
Figure BDA00024648269100000610
步骤7：本地计算模块也服从M/M/1排队模型，任务的到达速率为速率为(1-pi)λi，服务速率为
Figure BDA00024648269100000611
故计算设备本地计算模块的队长：
Figure BDA00024648269100000612
Figure BDA00024648269100000613
步骤8：将步骤7的结果带入到Little公式，可以得到计算任务在设备i本地计算模块停留的平均时间：
Figure BDA00024648269100000614
步骤9：计算设备端产生的能耗。本地计算产生的能耗
Figure BDA00024648269100000615
以及通讯模块传输数据产生的能耗
Figure BDA00024648269100000616
其中设
Figure BDA00024648269100000617
表示本地处理每个CPU周期消耗的能量的功率系数，
Figure BDA00024648269100000618
表示传输功率；
步骤10：计算边缘产生的能耗。边缘云端的能耗Ee包含服务器的基础能耗(运行状态的服务器即使没有负载也会产生能耗)以及执行计算任务产生的能耗
Figure BDA0002464826910000071
其中
Figure BDA0002464826910000072
表示边缘云，处理每个CPU周期消耗的能量的功率系数，
Figure BDA0002464826910000073
表示每个服务器的基础能耗；
步骤11：结合步骤6、8、9、10，建立如下关于设备任务卸载概率pi和边缘服务器数量k的数学模型：
Figure BDA0002464826910000074
α，β表示权重因子，α+β＝1，反映设备能耗和边缘云能耗的相对重要性。约束①和约束②表示时延约束；
步骤12：设计遗传算法适应度函数，根据步骤11中的目标问题的定义目标函数：
Figure BDA0002464826910000075
以及适应度函数：
Figure BDA0002464826910000076
步骤13：对步骤11中问题的解(设备任务卸载概率pi和边缘服务器数量k)进行编码，k是一个整型变量，pi∈[0，1]是一个连续变量，因此我们将k和pi采用不同的编码方式(分别用二进制编码和实数编码)定义在一条染色体上。如图4所示，片段0表示变量k，片段(i＝1，2，…，m)表示变量pi；
步骤14：染色体交叉变异，如图5所示，两个染色体交叉，片段0只能和片段0发生子序列的交换，片段1也只能和片段1发生子序列的交换。而交换的子序列片段的位置和长度可以随机确定。染色体的变异通过随机反转一个二进制位实现；
步骤15：循环迭代求得pi和k，首先产生一个规模为sc的初始种群，采用步骤13中的编码方式，则每个个体的编码长度为(length1+length2*m)。我们可以用一个sc*(length1+length2*m)的矩阵表示这个种群，则每一行表示一个染色体个体，每一列表示染色体的一个二进制位；然后进行迭代：每次迭代，首先计算个体的适应度，在计算适应度值时可以先对个体进行判断，若满足约束则计算相应的适应度值，如不满足则记为0；根据个体的适应度值，采用轮盘赌算法保留优良个体以及种群规模始终不变；通过步骤14进行交叉变异产生下一次迭代的子代，直到迭代次数达到要求，求出最佳个体，即的pi和k；
步骤16：SDN控制器将决策结果(最佳的pi和k)通过BS传递给设备，实现最佳资源调度。

Claims (1)

1.一种降低物联网计算卸载能耗的方法，其特征在于，所述方法包括如下步骤：
步骤1：网络中的任意一设备有任务需要执行时，就选择最近的基站BS发送一个任务请求，该请求包括计算任务的到达速率λi，每个计算任务的大小bi，所需的CPU周期数ci和最大容忍时延Ti，BS收集任务请求，定期发送给软件定义网络SDN控制器；
步骤2：建立联合网络排队模型，多个设备的部分计算任务经过无线网络卸载到边缘云进行计算，故网络可以看作一个由多个M/M/1排队模型并联的通信模块，然后再与一个M/M/k排队模型串联的边缘云模块组成的联合排队模型；
步骤3：计算设备通信模块的队长，计算通信模块的服务速率，即数据的传输速率，根据香浓公式求得：
Figure FDA0002464826900000011
其中B表示信道带宽，
Figure FDA0002464826900000012
表示设备i的发送功率，hi表示设备i和BS之间的信道增益，根据通信模块的服务速率μi，求得当piλi＜μi通信模块稳态时，设备i稳态时通信模块的队长为：
Figure FDA0002464826900000013
pi表示设备i的卸载概率；
步骤4：计算求得边缘云的队长，
Figure FDA0002464826900000014
其中
Figure FDA0002464826900000015
Figure FDA0002464826900000016
k表示边缘运行服务器的数量；
步骤5：计算求得联合网络排队模型的队长L＝∑mLi+Le；
步骤6：根据Little公式计算得到计算任务在这个联合网络排队模型中停留的平均时间
Figure FDA0002464826900000017
步骤7：本地计算模块也服从M/M/1排队模型，任务的到达速率(1-pi)λi，服务速率为
Figure FDA0002464826900000018
计算设备本地计算模块的队长为
Figure FDA0002464826900000019
步骤8：根据Little公式，求得到计算任务在设备i本地计算模块停留的平均时间
Figure FDA00024648269000000110
步骤9：计算设备端产生的能耗，本地计算产生的能耗
Figure FDA0002464826900000021
通讯模块传输数据产生的能耗
Figure FDA0002464826900000022
其中设
Figure FDA0002464826900000023
表示本地处理每个CPU周期消耗的能量的功率系数，
Figure FDA0002464826900000024
表示传输功率；
步骤10：计算边缘服务器产生的能耗，边缘云端的能耗Ee包含服务器的基础能耗以及执行计算任务产生的能耗
Figure FDA0002464826900000025
其中
Figure FDA0002464826900000026
表示边缘云处理每个CPU周期消耗的能量的功率系数，
Figure FDA0002464826900000027
表示每个服务器的基础能耗；
步骤11：结合步骤6、8、9、10，建立如下关于设备任务卸载概率pi和边缘服务器数量k的数学模型：
P：
Figure FDA0002464826900000028
s.t.Wl≤Ti ①
W≤Ti ②
piλi≤μi ③
Figure FDA0002464826900000029
1≤k≤s ⑤
α，β表示权重因子，α+β＝1，反映设备能耗和边缘云能耗的相对重要性，约束①和约束②表示时延约束；
步骤12：设计遗传算法适应度函数，根据步骤11中的目标问题定义目标函数：
Figure FDA00024648269000000210
定义适应度函数：
Figure FDA00024648269000000211
步骤13：对步骤11中问题的解进行编码，所述解为，设备任务卸载概率pi和边缘服务器数量k，k是一个整型变量，pi∈[0，1]是一个连续变量，分别用二进制编码和实数编码将k和pi编码在一条染色体上；
步骤14：染色体交叉变异，染色体交叉只发生在两个染色体对应的表示k和pi的染色体片段之间，染色体变异通过随机反转一个二进制位实现；
步骤15：循环迭代求得pi和k，根据初始种群，判断是否满足约束条件，对满足约束条件的个体计算相应的适应度函数值；根据个体的适应度值选择优良个体，通过步骤14进行交叉变异产生下一次迭代的子代，直到迭代次数达到要求，求得最佳pi和k；
步骤16：SDN控制器将求得的pi和k结果通过BS传递给设备，实现最佳资源调度。
CN202010330641.9A 2020-04-24 2020-04-24 一种降低物联网计算卸载能耗的方法 Active CN111726854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010330641.9A CN111726854B (zh) 2020-04-24 2020-04-24 一种降低物联网计算卸载能耗的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010330641.9A CN111726854B (zh) 2020-04-24 2020-04-24 一种降低物联网计算卸载能耗的方法

Publications (2)

Publication Number Publication Date
CN111726854A true CN111726854A (zh) 2020-09-29
CN111726854B CN111726854B (zh) 2023-04-07

Family

ID=72563671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010330641.9A Active CN111726854B (zh) 2020-04-24 2020-04-24 一种降低物联网计算卸载能耗的方法

Country Status (1)

Country Link
CN (1) CN111726854B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112235387A (zh) * 2020-10-10 2021-01-15 华北电力大学（保定） 一种基于能量消耗最小化的多节点协作计算卸载方法
CN112738272A (zh) * 2021-01-12 2021-04-30 浙江工业大学 一种最小化网络时延的边缘节点负载均衡方法
CN112866358A (zh) * 2021-01-05 2021-05-28 中国地质大学（北京） 一种物联网服务重调度的方法、系统及装置
CN112995023A (zh) * 2021-03-02 2021-06-18 北京邮电大学 一种多接入边缘计算网络计算卸载系统及其计算卸载方法
CN113114733A (zh) * 2021-03-24 2021-07-13 重庆邮电大学 基于能量收集的分布式任务卸载和计算资源的管理方法
CN113268341A (zh) * 2021-04-30 2021-08-17 国网河北省电力有限公司信息通信分公司 电网边缘计算任务的分配方法、装置、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN105740051A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于改进的遗传算法的云计算资源调度实现方法
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
US20190208467A1 (en) * 2017-12-29 2019-07-04 Huazhong University Of Science And Technology Method for cloudlet-based optimization of energy consumption
CN110851197A (zh) * 2019-10-10 2020-02-28 长沙理工大学 一种边缘计算多服务器任务选择卸载方法和系统
CN110996393A (zh) * 2019-12-12 2020-04-10 大连理工大学 一种单边缘计算服务器与多用户协同的计算卸载与资源分配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN105740051A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于改进的遗传算法的云计算资源调度实现方法
US20190208467A1 (en) * 2017-12-29 2019-07-04 Huazhong University Of Science And Technology Method for cloudlet-based optimization of energy consumption
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
CN110851197A (zh) * 2019-10-10 2020-02-28 长沙理工大学 一种边缘计算多服务器任务选择卸载方法和系统
CN110996393A (zh) * 2019-12-12 2020-04-10 大连理工大学 一种单边缘计算服务器与多用户协同的计算卸载与资源分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANZHI SUN等: "Edge Computing Terminal Equipment Planning Method for Real-time Online Monitoring Service of Power Grid", 《IEEE》 *
田贤忠等: "基于网络编码的无线传感器网络瓶颈区域生存时间优化策略", 《计算机学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112235387A (zh) * 2020-10-10 2021-01-15 华北电力大学（保定） 一种基于能量消耗最小化的多节点协作计算卸载方法
CN112235387B (zh) * 2020-10-10 2022-12-13 华北电力大学（保定） 一种基于能量消耗最小化的多节点协作计算卸载方法
CN112866358A (zh) * 2021-01-05 2021-05-28 中国地质大学（北京） 一种物联网服务重调度的方法、系统及装置
CN112866358B (zh) * 2021-01-05 2022-02-01 中国地质大学（北京） 一种物联网服务重调度的方法、系统及装置
CN112738272A (zh) * 2021-01-12 2021-04-30 浙江工业大学 一种最小化网络时延的边缘节点负载均衡方法
CN112738272B (zh) * 2021-01-12 2022-07-15 浙江工业大学 一种最小化网络时延的边缘节点负载均衡方法
CN112995023A (zh) * 2021-03-02 2021-06-18 北京邮电大学 一种多接入边缘计算网络计算卸载系统及其计算卸载方法
CN113114733A (zh) * 2021-03-24 2021-07-13 重庆邮电大学 基于能量收集的分布式任务卸载和计算资源的管理方法
CN113114733B (zh) * 2021-03-24 2022-07-08 重庆邮电大学 基于能量收集的分布式任务卸载和计算资源的管理方法
CN113268341A (zh) * 2021-04-30 2021-08-17 国网河北省电力有限公司信息通信分公司 电网边缘计算任务的分配方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN111726854B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111726854B (zh) 一种降低物联网计算卸载能耗的方法
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
CN111585816B (zh) 一种基于自适应遗传算法的任务卸载决策方法
Zhang et al. MR-DRO: A fast and efficient task offloading algorithm in heterogeneous edge/cloud computing environments
US20230199061A1 (en) Distributed computation offloading method based on computation-network collaboration in stochastic network
CN111182582B (zh) 面向移动边缘计算的多任务分布式卸载方法
US11956307B1 (en) Distributed task offloading and computing resources management method based on energy harvesting
CN110928654A (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
US11784931B2 (en) Network burst load evacuation method for edge servers
CN114189892A (zh) 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法
He et al. Cost-efficient server configuration and placement for mobile edge computing
Ren et al. Multi-objective optimization for task offloading based on network calculus in fog environments
Li et al. Multi-edge collaborative offloading and energy threshold-based task migration in mobile edge computing environment
CN113781002A (zh) 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法
Lan et al. Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks
CN113590279A (zh) 一种面向多核边缘计算服务器的任务调度和资源分配方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN116209084A (zh) 一种能量收集mec系统中任务卸载和资源分配方法
Zhang et al. Quantified edge server placement with quantum encoding in internet of vehicles
Dong et al. Content caching-enhanced computation offloading in mobile edge service networks
Huang et al. Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud
CN113159539B (zh) 多层边缘计算系统中联合绿色能量调度和动态任务分配方法
Li et al. Snowball: Energy efficient and accurate federated learning with coarse-to-fine compression over heterogeneous wireless edge devices
Shimonishi et al. Energy optimization of distributed video processing system using genetic algorithm with bayesian attractor model

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