CN111935205B - 雾计算网络中基于交替方向乘子法的分布式资源分配方法 - Google Patents

雾计算网络中基于交替方向乘子法的分布式资源分配方法 Download PDF

Info

Publication number
CN111935205B
CN111935205B CN202010568458.2A CN202010568458A CN111935205B CN 111935205 B CN111935205 B CN 111935205B CN 202010568458 A CN202010568458 A CN 202010568458A CN 111935205 B CN111935205 B CN 111935205B
Authority
CN
China
Prior art keywords
fog
node
resource allocation
task
nodes
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
CN202010568458.2A
Other languages
English (en)
Other versions
CN111935205A (zh
Inventor
夏玮玮
成华清
燕锋
张雅雯
宋铁成
胡静
沈连丰
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010568458.2A priority Critical patent/CN111935205B/zh
Publication of CN111935205A publication Critical patent/CN111935205A/zh
Application granted granted Critical
Publication of CN111935205B publication Critical patent/CN111935205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
    • 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

Abstract

本发明公开了一种雾计算网络中基于交替方向乘子法的分布式资源分配方法，该方法主要包括两阶段，雾节点信息收集和分布式资源分配。本发明基于多凸不等式约束交替方向乘子法和凸优化理论，充分利用雾计算网络内雾节点的计算资源，通过雾节点间协作的方式，降低了雾计算网络的开销。相较于集中式资源分配算法，本发明中的分布式资源分配算法利用了雾计算网络的分布式特性，将资源分配问题的求解均匀地分散到雾计算网络中的每个节点上，解决了集中式资源分配问题造成单个节点负载过重的问题。同时基站在资源分配问题的求解中只负责任务卸载向量的收集和广播而不用收集所有雾节点的任务，有效降低了基站的负载和网络的传输负载。

Description

雾计算网络中基于交替方向乘子法的分布式资源分配方法
技术领域
本发明属于雾计算领域，具体涉及一种雾计算网络中基于交替方向乘子法的分布式资源分配方法。
背景技术
随着物联网(Internet of Things,IoT)技术的快速发展，以及智能终端的快速普及，虚拟现实，增强现实，视频通话等技术逐渐走进人们的生活中，给人们带来全新的体验。然而，移动终端(Mobile Terminal,MT)是资源受限，电池容量受限的设备，其计算能力较弱，内存有限，从而制约了它的响应速度。各种各样的互联网应用在丰富人们的日常生活的同时，也在消耗着有限的移动终端的各种资源，从而降低人们对于互联网应用的体验质量(Quality of Experience,QoE)。
云计算(Cloud Computing,CC)是利用云计算服务器的强大处理能力，基于现有计算机网络和虚拟化技术为用户提供弹性的计算和存储服务。移动云计算(Mobile CloudComputing,MCC)作为云计算的进一步延伸，为众多的移动终端提供了强大的计算能力和存储服务。但是，移动云计算的服务器集群与终端的距离很远，任务的传输时延变得不可忽略，严重影响了用户的QoE。移动边缘计算应运而生(Mobile Edge Computing,MEC)，移动边缘计算将服务器部署在基站(Base Station,BS)等距离终端更近的地方，并且也提供了相对强大的计算能力和存储能力，有效降低了任务的传输时延，提高了用户的QoE。此外，MEC技术还有如下一些优点：①蜂窝内的终端数据集中在MEC服务器中，能够进行小规模的数据分析和数据处理。②通过集中式的管理和控制，能够实现智能的负载均衡，从而降低管理成本。但是MEC仍然有一些缺陷，随着物联网的发展，在现有异构网络(HeterogeneousNetwork,HN)环境下，网络中存在诸多拥有计算和存储能力的设备，诸如智能网关(SmartGateway,SG)，接入点(Access Points,AP)等，它们的计算能力和存储能力并没有被MEC和MCC所利用。因此，雾计算网络(Fog Computing Network,FCN)被提出，将这部分智能网关等设备的计算和存储能力利用起来。
雾计算将MCC和MEC扩展到了网络的边缘，从而实现了新型的应用程序和服务。雾计算的定义特征是：①低时延和位置感知；②地理分布广泛；③具有流动性特征；④节点数量众多；⑤异构性。上述特性使雾计算能够成为许多关键的物联网服务和应用程序的运行平台，比如车联网、智能电网、智慧城市和无线传感器网络(Wireless Sensor Networks,WSN)等。同时，雾节点分布更广泛，节点间距离更近，这也为雾节点间的协作提供了可能。通过这种协作的方式进一步降低了雾计算网络处理任务的时延和能量消耗，提升了用户的QoE。雾计算网络分布式的特性决定了用户数据不会像MCC或者MEC那样集中于某一台服务器之上，在这种架构下，如果再采用集中式算法，则会加重网络的负载。
在雾计算网络中，由于雾节点和移动终端在地理分布上不均匀、终端任务负载的不均匀和雾节点计算资源不均匀的特性，就会导致雾计算网络中某些节点收到过多的任务负载，从而导致雾网络中某些节点响应时间过长，QoE下降。同时，随着雾计算网络中雾节点数量的增多，执行集中式资源分配算法所需要的计算资源也越多，让单个雾节点来执行集中式资源分配算法消耗的时间过长。因此，如何平衡雾节点的任务负载，合理分配计算和通信资源，利用雾网络分布式的特性，让雾节点通过节点间协作的方式降低任务处理的时延和能耗，成为亟待解决的问题。
发明内容
为解决上述问题，本发明公开了一种雾计算网络中基于交替方向乘子法的分布式资源分配方法，本方法利用了雾计算网络的分布式特性，将全局资源分配问题分解为多个子问题，雾节点通过求解子问题的方式，实现全局资源分配问题的分布式求解。
为达到上述目的，本发明的技术方案如下：
雾计算网络中基于交替方向乘子法的分布式资源分配方法，通过雾计算网络中雾节点间的协作，实现全局资源分配问题的分布式求解；包括如下步骤：
(1)基站首先收集网络中的所有雾节点的任务负载、计算资源和通信资源，并建立雾计算节点的损失函数然后将信息下发给网络中所有的雾节点，并进入步骤(2)；
(2)在雾节点获取到其他雾节点的信息后，就可以在本地建立起全局的资源分配问题模型，计算雾计算网络代价函数的初值。代价函数主要由两部分组成：
Figure BDA0002548662850000021
和
Figure BDA0002548662850000022
表示第j个雾节点用来处理自己收到的任务卸载向量
Figure BDA0002548662850000023
所消耗的时间，
Figure BDA0002548662850000024
表示第j个雾节点用来处理自己收到的任务卸载向量
Figure BDA0002548662850000025
所消耗的能量；
(3)各雾节点对自己收到的任务卸载向量
Figure BDA0002548662850000026
进行优化，在得到本轮迭代的最优任务卸载向量后，将该结果通过无线的方式广播给网络中的其他雾节点；
(4)在所有的雾节点都完成本轮迭代，获得了本轮迭代中最优的任务卸载向量后，基站会对全局资源分配问题中的对偶变量
Figure BDA0002548662850000027
进行更新，并将更新后的对偶变量发送给所有的雾节点；
(5)对偶变量广播完成后，基站会计算前后两次迭代，网络代价函数差值的绝对值和迭代次数，来判断是否结束算法。前后两次优化的代价函数值之差的绝对值，如果大于阈值且迭代次数少于上限，则返回步骤(3)，如果小于阈值，则流程结束。
本发明的有益效果是：
本发明所设计一种基于交替方向乘子法的分布式资源分配方法，针对雾计算场景，基于多凸不等式约束交替方向乘子法和凸优化理论，以最小化雾计算网络代价函数为目标，通过全局资源分配问题分解，雾节点分布式执行的方式实现雾计算节点间协作；相较于传统的集中式资源分配算法，于多凸不等式约束交替方向乘子法的分布式资源分配方法利用了雾计算网络的分布式特性，避免将全局资源分配问题的求解限制在某个雾节点上，占用该节点过多的计算资源；在分布式求解过程中，每个节点只需要通过无线的方式广播自己优化后的任务卸载向量，接收其他节点优化后的任务卸载向量，而不用像集中式资源分配算法中，将卸载任务都传输到单一雾节点上，减轻了网络的传输负载。
本发明的有益效果是：
本发明通过分布式的方式来求解雾计算网络中的全局资源分配问题，相较于集中式资源分配算法，将算法的执行过程分摊给所有的雾节点，避免消耗单一节点过多的计算资源。同时，这种分布式的方式有效利用了雾计算网络的分布式特性，降低了网络的传输开销。
附图说明
图1是本发明提出的基于交替方向乘子法的分布式资源分配方法适用的雾计算网络示意图。
图2是本发明提出的基于交替方向乘子法的分布式资源分配方法的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图2所示，本发明研究的基于雾计算网络的场景包括宏基站，宏基站服务器，雾节点、移动终端和核心网。雾节点是独立的计算和存储单元，雾节点可与宏基站通过长期演进(Long Term Evolution，LTE)/5G网络进行无线通信，获取基站所下发的指令、路况等信息；宏基站之间是通过可靠的光纤进行连接至核心网；宏基站服务器中保存了该宏蜂窝内的所有雾节点的坐标，计算资源和通信资源信息，宏基站将只负责算法中的数据交换和对偶变量更新，资源分配问题的求解由所有雾节点执行。雾节点用于将中心云功能扩展到高度分布式的移动基站环境中，使数据和应用程序能够在移动用户附近进行处理，向移动用户提供存储和计算的功能，从而减少数据和应用程序的处理时间；雾计算节点之间通过D2D(Device to Device)的方式进行协作，通过任务卸载，计算资源共享的方式来为满足雾计算网络中低时延，高可靠的应用需求提供保证。
在图2中，每个蜂窝中共有I个移动终端，使用集合
Figure BDA0002548662850000031
来表示蜂窝中的所有移动终端。蜂窝中共有K个雾节点，使用集合
Figure BDA0002548662850000032
来表示所有的雾节点。整个蜂窝内的任务卸载情况通过任务卸载矩阵Φ＝[φmn]K×K,
Figure BDA0002548662850000041
来进行描述，Φ中的元素φmn表示在协作时，从雾节点m卸载给雾节点n的任务。μk,
Figure BDA0002548662850000042
表示每个雾节点的计算资源，λk,
Figure BDA0002548662850000043
表示每个雾节点接收到的任务。(xk,yk),
Figure BDA0002548662850000044
表示第k个雾计算节点的坐标。
本发明针对当前雾计算网络中，对传统的基于凸优化理论的集中式资源分配算法中存在的问题进行改进，提出基于交替方向乘子法的分布式资源分配方法，以实现高可靠，低时延的雾计算节点间协作。该方法通过分布式的方式，对全局资源分配问题进行求解，充分利用网络中所有节点的计算资源。该方法主要分为两部分，雾节点信息收集和分布式资源分配，资源分配问题可以建模为一个线性约束的单目标资源分配问题，将全局资源分配问题拆分为K个子问题，利用所有雾节点的计算资源，避免了单一节点执行集中式资源分配算法时计算负载过重的问题。
本发明设计了一种基于交替方向乘子法的分布式资源分配方法，用于实现雾计算网络中资源分配问题的分布式求解，从而实现雾节点间协作，降低雾计算网络的开销；如图1所示，实际应用中，具体包括如下步骤：
(1)基站首先收集网络中的所有雾节点的任务负载、计算资源和通信资源，并将雾节点的信息下发给网络中所有的雾节点，并进入步骤(2)；
(2)在雾节点获取到其他雾节点的信息后，就可以在本地建立起全局的资源分配问题模型，计算雾计算网络代价函数的初值。代价函数主要由两部分组成：
Figure BDA0002548662850000045
和
Figure BDA0002548662850000046
表示第j个雾节点用来处理自己收到的任务卸载向量
Figure BDA0002548662850000047
所消耗的时间，
Figure BDA0002548662850000048
表示第j个雾节点用来处理自己收到的任务卸载向量
Figure BDA0002548662850000049
所消耗的能量；
(3)各雾节点对自己收到的任务卸载向量
Figure BDA00025486628500000410
进行优化，在得到本轮迭代的最优任务卸载向量后，将该结果通过无线的方式广播给网络中的其他雾节点；
(4)在所有的雾节点都完成本轮迭代，获得了本轮迭代中最优的任务卸载向量后，基站会对全局资源分配问题中的对偶变量
Figure BDA00025486628500000411
进行更新，并将更新后的对偶变量发送给所有的雾节点；
(5)对偶变量广播完成后，基站会计算前后两次迭代，网络代价函数差值的绝对值和迭代次数，来判断是否结束算法。前后两次优化的代价函数值之差的绝对值，如果大于阈值且迭代次数少于上限，则返回步骤(3)，如果小于阈值，则流程结束。
其中，在上述步骤(1)中，μk表示每个雾节点的计算资源，λk表示每个雾节点接收到的任务。
在步骤(2)中，首先将任务卸载矩阵写为向量的形式：
Figure BDA0002548662850000051
第j个雾节点的代价函数可以写为：
Figure BDA0002548662850000052
雾计算网络中的第k个雾节点时延
Figure BDA0002548662850000053
和能耗
Figure BDA0002548662850000054
定义为：
Figure BDA0002548662850000055
Figure BDA0002548662850000056
其中，
Figure BDA0002548662850000057
是移动终端上传任务到雾节点k所消耗的时长，pj表示第j个雾节点的CPU功率。雾计算网络中的全局资源分配问题可以表示如下：
Figure BDA0002548662850000058
s.t.C1:φkj≥0
Figure BDA0002548662850000059
Figure BDA00025486628500000510
约束条件C1保证所有的卸载任务都为正数；约束条件C2保证雾节点接收的任务都被处理；约束条件C3保证雾节点接收的总任务不能超过自身的处理能力上限。可以观察到该全局资源分配问题的代价函数是由K个子代价函数有关，并且每个子代价函数都只和第j个雾节点收到的任务卸载向量
Figure BDA00025486628500000511
有关。
在步骤(3)中，雾节点j都要对自己收到的任务卸载向量
Figure BDA00025486628500000512
进行优化，即求解下式所示是子优化问题：
Figure BDA0002548662850000061
s.t.C1:φkj≥0
Figure BDA0002548662850000062
Figure BDA0002548662850000063
在步骤(4)中，所有雾节点都优化并广播任务卸载向量
Figure BDA0002548662850000064
后，基站会对对偶变量
Figure BDA0002548662850000065
进行更新，更新公式如下所示：
Figure BDA0002548662850000066
其中ρ是惩罚因子，惩罚因子越大，对约束条件的满足越好。
上述技术方案所设计一种基于交替方向乘子法的分布式资源分配方法，针对雾计算场景，基于多凸不等式约束交替方向乘子法和凸优化理论，以最小化雾计算网络代价函数为目标，通过对全局资源分配问题进行拆分，雾节点协作的方式，分布式地进行求解；相较于集中式资源分配算法，基于交替方向乘子法的分布式资源分配方法利用了雾计算网络的分布式特性，让所有雾节点都参与到资源分配问题的求解中，避免了集中式资源分配问题造成的单个雾节点计算负载过重的问题。同时，在求解的过程中，雾节点只需要广播任务卸载向量，减少了网络的传输负载。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种雾计算网络中基于交替方向乘子法的分布式资源分配方法，用于在雾计算系统中实现分布式的资源分配，从而实现雾计算网络中的节点间的协作，达到降低雾计算网络开销、网络总时延和总能耗的作用；其特征在于，包括如下步骤：
(1)基站首先收集所有雾节点的任务负载、计算资源和通信资源信息，然后将信息下发给网络中所有的雾节点，并进入步骤(2)；
(2)雾节点根据收到的网络中的节点信息，建立资源分配问题；首先将任务卸载矩阵写为向量的形式：
Figure FDA0003725863840000011
第j个雾节点的代价函数可以写为：
Figure FDA0003725863840000012
雾计算网络中的第k个雾节点时延
Figure FDA0003725863840000013
和能耗
Figure FDA0003725863840000014
定义为：
Figure FDA0003725863840000015
Figure FDA0003725863840000016
其中，
Figure FDA0003725863840000017
是移动终端上传任务到雾节点k所消耗的时长，pj表示第j个雾节点的CPU功率；雾计算网络中的全局资源分配问题表示如下：
Figure FDA0003725863840000018
s.t.C1:φkj≥0
Figure FDA0003725863840000019
Figure FDA00037258638400000110
约束条件C1保证所有的卸载任务都为正数；约束条件C2保证雾节点接收的任务都被处理；约束条件C3保证雾节点接收的总任务不能超过自身的处理能力上限；观察到该全局资源分配问题的代价函数是由K个子代价函数有关，并且每个子代价函数都只和第j个雾节点收到的任务卸载向量
Figure FDA00037258638400000111
有关；
(3)各雾节点分布式地求解资源分配问题，对自己收到的任务卸载向量进行优化；
(4)各雾节点将优化后的任务卸载向量广播给其他节点；
(5)所有雾节点都完成本轮迭代后，基站对对偶变量进行更新；
(6)基站将更新后的对偶变量广播给所有雾节点；
(7)计算前后两次优化之后的代价函数值之差的绝对值，如果大于阈值且迭代次数小于最大值，则返回步骤(3)，否则流程结束。
2.根据权利要求1所述一种雾计算网络中基于交替方向乘子法的分布式资源分配方法，其特征在于：在经过步骤(1)到步骤(2)的操作之后，下面的步骤(3)到步骤(4)是在各雾节点独立进行的，即通过分布式的方式对雾计算网络中的资源分配问题进行求解。
3.根据权利要求1所述一种雾计算网络中基于交替方向乘子法的分布式资源分配方法，其特征在于：所述步骤(1)中，基站会收集所有的雾节点的任务负载、计算资源和通信资源；每个蜂窝中共有I个移动终端，使用集合I＝{1,2,…,I}来表示蜂窝中的所有移动终端；蜂窝中共有K个雾节点，使用集合K＝{1,2,…,K}来表示所有的雾节点；整个蜂窝内的任务卸载情况通过任务卸载矩阵
Figure FDA0003725863840000021
来进行描述，Φ中的元素φmn表示在协作时，从雾节点m卸载给雾节点n的任务；μk表示每个雾节点的计算资源，λk表示每个雾节点接收到的任务。
4.根据权利要求1所述一种雾计算网络中基于交替方向乘子法的分布式资源分配方法，其特征在于：所述步骤(3)和(4)中，雾节点会分布式的求解全局资源分配问题；由于每个雾节点都只会对自己收到的任务卸载向量进行优化，因此得到本轮迭代的优化向量后，还需要广播给其他的雾节点，以此更新全局任务卸载矩阵；
对于该优化问题的优化目标，定义如下：
Figure FDA0003725863840000022
在资源分配阶段，
Figure FDA0003725863840000023
表示第j个雾节点收到的任务卸载向量，
Figure FDA0003725863840000024
表示第j个节点处理自身收到的卸载任务的时延，
Figure FDA0003725863840000025
表示第j个节点处理自身收到的卸载任务的能耗；ωt是时延因子，ωe是能耗因子，用来调节时延和能耗在代价函数中的权重，从而让算法去获得更低的网络总时延或网络总能耗；Φ表示全局任务卸载矩阵。
5.根据权利要求1所述一种雾计算网络中基于交替方向乘子法的分布式资源分配方法，其特征在于：步骤(3)和(5)体现了分布式求解资源分配问题的过程，其求解过程如下：
(1)首先，每个雾节点对任务卸载矩阵Φ进行初始化；
(2)每个雾节点对自己收到的任务卸载向量进行优化，优化结束后要将最新的结果广播给其他雾节点；
(3)基站在收集到所有雾节点更新后的任务卸载向量后，对对偶变量进行更新，再下发给所有的雾节点。
CN202010568458.2A 2020-06-19 2020-06-19 雾计算网络中基于交替方向乘子法的分布式资源分配方法 Active CN111935205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010568458.2A CN111935205B (zh) 2020-06-19 2020-06-19 雾计算网络中基于交替方向乘子法的分布式资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010568458.2A CN111935205B (zh) 2020-06-19 2020-06-19 雾计算网络中基于交替方向乘子法的分布式资源分配方法

Publications (2)

Publication Number Publication Date
CN111935205A CN111935205A (zh) 2020-11-13
CN111935205B true CN111935205B (zh) 2022-08-26

Family

ID=73316533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010568458.2A Active CN111935205B (zh) 2020-06-19 2020-06-19 雾计算网络中基于交替方向乘子法的分布式资源分配方法

Country Status (1)

Country Link
CN (1) CN111935205B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408741B (zh) * 2021-06-22 2022-12-27 重庆邮电大学 一种自适应网络拓扑的分布式admm机器学习方法
CN113891359B (zh) * 2021-10-11 2023-06-20 中国联合网络通信集团有限公司 一种数据处理方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110012039A (zh) * 2018-01-04 2019-07-12 华北电力大学 一种车联网中基于admm的任务分配与功率控制方案
CN110018834A (zh) * 2019-04-11 2019-07-16 北京理工大学 一种混合移动云/边缘计算的任务卸载和数据缓存方法
CN110234127A (zh) * 2019-06-11 2019-09-13 重庆邮电大学 一种基于sdn的雾网络任务卸载方法
CN110602718A (zh) * 2019-10-09 2019-12-20 吉林大学 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110012039A (zh) * 2018-01-04 2019-07-12 华北电力大学 一种车联网中基于admm的任务分配与功率控制方案
CN110018834A (zh) * 2019-04-11 2019-07-16 北京理工大学 一种混合移动云/边缘计算的任务卸载和数据缓存方法
CN110234127A (zh) * 2019-06-11 2019-09-13 重庆邮电大学 一种基于sdn的雾网络任务卸载方法
CN110602718A (zh) * 2019-10-09 2019-12-20 吉林大学 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统

Also Published As

Publication number Publication date
CN111935205A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
CN110647391B (zh) 面向星地协同网络的边缘计算方法及系统
Hu et al. Ready player one: UAV-clustering-based multi-task offloading for vehicular VR/AR gaming
CN106900011B (zh) 一种基于mec的蜂窝基站间任务卸载方法
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
CN111538587B (zh) 一种基于负载均衡的服务功能链重配置方法
CN109862592B (zh) 一种基于多基站协作的移动边缘计算环境下资源管理和调度方法
CN110519776B (zh) 一种雾计算系统中的均衡聚类和联合资源分配方法
CN111475274B (zh) 云协同多任务调度方法及装置
CN110445866B (zh) 一种移动边缘计算环境中任务迁移和协作式负载均衡方法
CN106791887B (zh) 无线网络中视频的分布式缓存和传输优化方法
CN111935205B (zh) 雾计算网络中基于交替方向乘子法的分布式资源分配方法
CN110493854B (zh) 一种基于优化理论的wpt-mec网络上下行资源分配与功率控制机制
Li et al. Distributed task offloading strategy to low load base stations in mobile edge computing environment
US20230421501A1 (en) Joint optimization method and system for delay and spectrum occupation in cloud-edge collaborative network
KR101773593B1 (ko) 멀티-에이전트 기반 코드 오프로딩을 수행하는 모바일 포그 컴퓨팅 시스템 및 그 방법
CN111093226B (zh) 基于非正交多址接入与移动边缘计算多任务并行迁移方法
CN109743217B (zh) 一种基于svra算法的自适应资源调节方法
CN111093255A (zh) 基于uav边缘处理的电力包供能基站协同方法
Wang et al. An energy saving based on task migration for mobile edge computing
Yang et al. Load optimization based on edge collaboration in software defined ultra-dense networks
Li et al. Deep reinforcement learning-based resource allocation and seamless handover in multi-access edge computing based on SDN
CN110545302A (zh) 一种计算迁移方法、设备及存储介质
CN108566636A (zh) 面向不同用户偏好的d2d随机缓存布设方法
CN112804665B (zh) 基于d2d协同计算网络构建方法

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
GR01 Patent grant
GR01 Patent grant