CN112130927B - 一种可靠性增强的移动边缘计算任务卸载方法 - Google Patents
一种可靠性增强的移动边缘计算任务卸载方法 Download PDFInfo
- Publication number
- CN112130927B CN112130927B CN202010995095.0A CN202010995095A CN112130927B CN 112130927 B CN112130927 B CN 112130927B CN 202010995095 A CN202010995095 A CN 202010995095A CN 112130927 B CN112130927 B CN 112130927B
- Authority
- CN
- China
- Prior art keywords
- task
- internet
- things
- container
- virtual machine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims description 40
- 238000011084 recovery Methods 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 230000001174 ascending effect Effects 0.000 claims description 8
- 239000013307 optical fiber Substances 0.000 claims description 5
- 125000002015 acyclic group Chemical group 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 230000007423 decrease Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001137251 Corvidae Species 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 235000015108 pies Nutrition 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
-
- 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)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种可靠性增强的移动边缘计算任务卸载方法,其步骤为:首先,构建移动边缘计算系统模型,将物联网设备接入移动边缘计算系统模型产生物联网应用;其次,根据物联网应用的多个协作任务分别构建物联网应用的有向无环图;然后构建带宽消耗模型和可靠性模型;再利用可靠性增强的任务卸载方法将物联网应用的多个协作任务与边缘云相匹配;最后,利用带宽消耗模型和可靠性模型计算物联网应用的可靠性水平、带宽消耗和总完成时间。本发明建立了带宽消耗模型和基于泊松过程的可靠性模型,提出了一种时间复杂度较低的近似最优的方法,能够有效地生成边缘云上的协作任务卸载方案,并通过模拟实验证明了本发明方法的有效性。
Description
技术领域
本发明涉及软件工程领域和无线通信技术领域,特别是指一种可靠性增强的移动边缘计算任务卸载方法。
背景技术
随着软硬件技术的快速发展,可穿戴设备、树莓派、智能手机等物联网设备的数量急剧增加,在现代数字社会中无处不在。据预测,到2022年,将有约290亿个物联网设备连接到互联网上。随后,这些物联网设备产生大量对延迟敏感的物联网应用,这些应用具有严格的延迟要求(例如,在10ms甚至1ms的时间尺度上的实时响应),并需要大量处理和带宽资源。然而,由于这些物联网设备的处理能力、带宽和存储空间等资源有限,一些复杂的物联网应用(如人脸识别、增强现实、自动驾驶)无法在这些基础上有效处理。
为了缓解这些物联网设备的资源容量限制,一些对延迟敏感的物联网应用通常被分割成多个协作任务,并转移到边缘云上,由容器或虚拟机处理。如果这些容器或虚拟机不在相同的边缘服务器上,这些协作任务之间的通信将消耗一定的带宽和通信时间。同时,考虑到这些容器或虚拟机拥有不同的故障率和恢复率,容器或虚拟机处理每个任务的总时间不仅包括处理时间,还包括故障后的恢复时间。由于延迟敏感的物联网应用通常有一个截止时间,超过这个截止时间的应用完成时间会降低用户的QoS水平。此外,物联网应用的可靠性水平也随之降低。因此,为了减少边缘云的带宽消耗,提高物联网应用的可靠性水平,如何获得具有带宽约束和可靠性增强的任务卸载方案成为最重要的挑战。
在处理协作任务时,容器或虚拟机消耗一定的带宽来从发送任务传输数据。由于边缘云经常通过光纤回程网络全拓扑互连,协作任务之间的带宽主要受到边缘服务器的带宽限制。也就是说,当一对协作任务之间的带宽增加时,虽然它们的通信时间减少了,但是其他协作任务的带宽和通信时间可能分别减少和增加。此外,容器或虚拟机故障可能会延长应用完成时间,包括通信时间、任务处理时间和恢复时间,从而降低物联网应用的可靠性水平。因此,在处理一批物联网应用时,存在着可靠性水平与带宽消耗之间的矛盾,如何很好地解决这一矛盾仍是一个未知数。
发明内容
针对现有物联网应用的多目标优化方法存在着可靠性水平与带宽消耗之间的矛盾,无法同时满足物联网应用的可靠性最大化和带宽消耗最小化的技术问题,本发明提出了一种可靠性增强的移动边缘计算任务卸载方法,通过将物联网应用按照截止时间的升序排序,分析它们的有向无环图,有效地生成边缘云上的协作任务卸载方案,满足了物联网应用的可靠性最大化和带宽消耗最小化的要求。
本发明的技术方案是这样实现的:
一种可靠性增强的移动边缘计算任务卸载方法,其步骤如下:
步骤一:基于边缘云构建移动边缘计算系统模型,将物联网设备接入移动边缘计算系统模型产生物联网应用,其中,物联网应用包括多个协作任务;
步骤二:根据物联网应用的多个协作任务分别构建物联网应用的有向无环图;
步骤三:针对移动边缘计算系统模型分别构建带宽消耗模型和可靠性模型;
步骤四:根据物联网应用的有向无环图利用可靠性增强的任务卸载方法将物联网应用的多个协作任务与边缘云相匹配;
步骤五:根据协作任务与边缘云的匹配关系,利用带宽消耗模型和可靠性模型计算物联网应用的可靠性水平、带宽消耗和总完成时间。
所述移动边缘计算系统模型包括多个边缘云,多个边缘云之间通过光纤回程网络全拓扑互连,边缘云通过无线网络与物联网设备相连接;所述边缘云内部署有异构边缘服务器,异构边缘服务器内设有容器或虚拟机。
所述带宽消耗模型为:
其中,bandwidthC表示G个物联网应用所消耗的总带宽,i=1,2,…,G表示第i个物联网应用,Qi表示第i个物联网应用的任务总数,H表示边缘云的数量,Ph为第h个边缘云所拥有的边缘服务器的集合;Mp表示第p个边缘服务器上容器或虚拟机的集合;xqm表示二进制变量,xqm=1表示第q个任务部署到第m个容器或虚拟机上,xqm=0表示第q个任务未部署到第m个容器或虚拟机上;bmr表示二进制变量,bmr=1表示正在由第m个容器或虚拟机处理的任务q为发送方且与正在由第r个容器或虚拟机处理的任务属于同一个集群,bmr=0表示正在由第m个容器或虚拟机处理的任务q不是发送方,且第r个容器或虚拟机与第m个容器或虚拟机不在同一异构边缘服务器上;bwm表示从第m个容器或虚拟机到第r个容器或虚拟机的带宽。
所述可靠性模型为:
其中,表示存在违反QoS的物联网应用的总数,QoS可以由容器或虚拟机故障和恢复影响物联网应用的总处理时间来表示,差值(totalTi-Di)表示是否违反了物联网应用i的QoS要求,(totalTi-Di)>0时F(totalTi-Di)=1表示违反了物联网应用i的QoS要求,否则F(totalTi-Di)=0表示未违反物联网应用i的QoS要求;totalTi表示物联网应用i的完成时间,Di表示物联网应用i的总处理时间的截止时间。
所述物联网应用i的完成时间totalTi为:
其中,W表示从顶层任务到底层任务的执行路径集合,v表示集合W的一个执行路径的任务集,βqz为二进制变量,βqz=0表示任务q和任务z在同一异构边缘服务器上,βqz=1表示任务q和任务z不在同一异构边缘服务器上,ρqz为二进制变量,ρqz=1表示任务q向任务z发送数据,ρqz=0表示任务q不向任务z发送数据,dataq表示任务q发送的数据量,bwj表示任务q所在的容器或虚拟机j的带宽,j∈Z表示容器或虚拟机j属于由M个容器或虚拟机构成的集合,Tiqj表示物联网应用i的第q个任务在第j个容器或虚拟机上的平均总处理时间;
其中,E[Rj(tiqj)]表示在第j个容器或虚拟机上的总恢复时间Rj(tiqj)的期望,tiqj=liq/cj表示容器或虚拟机j完成物联网应用i的任务q而不发生故障所花费的处理时间,liq表示第i个物联网应用的第q个任务对应的指令长度,cj表示容器或虚拟机j所具有的处理能力,Ι={1,2,...,G}表示G个物联网应用构成的集合。
所述根据物联网应用的有向无环图利用可靠性增强的任务卸载方法将物联网应用的多个协作任务与边缘云相匹配的方法为:
S41、初始化可靠性增强的任务卸载方法的所有参数,根据物联网应用的截止时间对G个物联网应用进行升序排序,构造物联网应用的优先队列{T1,T2,…,Ti,…,TG};
S42、根据G个物联网应用的有向无环图分别确定G个物联网应用的任务层次结构,其中,任务层次结构包括顶层任务、中间层任务和底层任务,顶层任务只发送任务,底层任务只接收任务,中间层任务为发送任务或接收任务;
S43、对第i个物联网应用的第2层任务指定所在的容器或虚拟机,其中,第2层任务是指中间层任务的第1层;
S43.1、将第i个物联网应用的第2层任务按其指令长度进行降序排列,得到第i个物联网应用的第2层任务序列{qi,2,1,qi,2,2,…,qi,2,a2},a2表示第2层任务的任务数量;
S43.2、初始化参数k2=1,设置容器或虚拟机的数量为M;
S43.3、计算第qi,2,k2个任务在M-k2+1个容器或虚拟机上的平均总处理时间,并选择最小的平均总处理时间对应的容器或虚拟机作为第qi,2,k2个任务所在的容器或虚拟机;
S43.4、k2=k2+1,循环执行步骤S43.3,直至第i个物联网应用的第2层的所有任务均被分配到容器或虚拟机之上;
S44、对第i个物联网应用的顶层任务指定所在的容器或虚拟机;
S44.1、将第i个物联网应用的顶层任务按其指令长度进行降序排序,得到第i个物联网应用的顶层任务序列{qi,1,1,qi,1,2,…,qi,1,a1},a1表示顶层任务的任务数量;
S44.2、初始化参数k1=1;
S44.3、计算第qi,1,k1个任务在M-a2-k1+1个容器或虚拟机上的ωq值,并选择最小的ωq所对应的容器或虚拟机作为第qi,1,k1个任务所在的容器或虚拟机,其中,ωq表示无量纲变量;
S44.4、k1=k1+1,循环执行步骤S44.3,直至第i个物联网应用的所有顶层任务均被分配到容器或虚拟机之上;
S45、将下一层任务作为当前层任务,根据当前层任务的上一层任务的完成时间对上一层任务进行升序排序,再根据同一个上一层任务对应的尚未指定容器或虚拟机的当前层任务的指令长度进行降序排序,得到当前层任务序列;
S46、按照步骤S44的操作方法指定当前层任务的容器或虚拟机,跳转至下一层任务,返回步骤S45,直至G个物联网应用的所有任务均被分配到容器或虚拟机之上。
所述无量纲变量ωq的计算方法为:
其中,α为可调因子,Ω表示一组容器或虚拟机。
所述利用带宽消耗模型和可靠性模型计算物联网应用的可靠性水平、带宽消耗和总完成时间的方法为:
S51、根据G个物联网应用的任务层次结构及任务所在的容器或虚拟机,分别获得G个执行路径集合{W1,W2,…,WG};
S52、根据G个执行路径集合{W1,W2,…,WG},通过可靠性模型计算公式、带宽消耗模型计算公式和物联网应用的完成时间计算公式获得移动边缘计算系统模型中的物联网应用的可靠性水平、带宽消耗和总完成时间。
本技术方案能产生的有益效果:为了使物联网应用的可靠性最大化和带宽消耗最小化,本发明建立了带宽消耗模型和基于泊松过程的可靠性模型,然后提出了一种时间复杂度较低的近似最优的方法,其中,这些物联网应用按照截止时间的升序排序,并分析它们的有向无环图,从而有效地生成边缘云上的协作任务卸载方案。最后进行模拟实验环境,以综合评估本发明提出的方法的有效性和效率,与其它相关方法相比,本发明方法具有更好的性能。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明的可靠性感知的移动边缘计算系统框图。
图3为本发明的一个物联网应用有向无环图的示例图。
图4为本发明与其他方法执行不同数量的物联网应用得到的可靠性水平、带宽消耗、应用完成时间和方法执行时间的对比结果;其中,(a)为可靠性水平的对比结果;(b)为带宽消耗的对比结果;(c)为应用完成时间的对比结果,(d)为方法执行时间的对比结果。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有付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,本发明实施例提供了一种可靠性增强的移动边缘计算任务卸载方法,具体步骤如下:
步骤一:基于边缘云构建移动边缘计算系统模型,将物联网设备接入移动边缘计算系统模型产生物联网应用,其中,物联网应用包括多个协作任务;如图2所示,所述移动边缘计算系统模型包括由物联网系统运营商提供物联网服务的多个边缘云,多个边缘云之间通过基于全网络拓扑结构的光纤回程网络相连接,边缘云通过无线网络与物联网设备相连接。所述边缘云内部署有异构边缘服务器,异构边缘服务器内设有容器或虚拟机。由于本发明的重点是延迟敏感的物联网应用的任务卸载,所有物联网服务暂时只考虑将其延迟敏感的物联网应用卸载到多个边缘云,而不是远端云。每个边缘云都部署在物联网设备附近,并拥有一定数量的异构边缘服务器。每个边缘服务器容纳一定数量的容器(container,Cs)或虚拟机(virtual machines,VMs)。
步骤二:根据物联网应用的多个协作任务分别构建物联网应用的有向无环图;每个延迟敏感的物联网应用包含多个协作任务(tasks,Ts),并用一个有向无环图来表示,如图3所示,其中,灰色圆圈代表对应物联网应用的开始任务,箭头表示任务之间的依赖关系。每个任务都是不可分割的,且只能由一个容器或虚拟机处理。
图2中,将P个异构边缘服务器随机预部署到可靠性感知的移动边缘计算系统的H个边缘云中。以集合Z={1,2,...,M}为索引的M个容器或虚拟机随机分配到这些边缘服务器之上。容器或虚拟机j具有一定的处理能力cj(以指令/秒为单位),带宽bwj(以Mb/s为单位),内存容量Lj(以指令为单位),故障率λj和恢复率uj。物联网设备连接到移动边缘计算系统模型并以任意顺序和时间生成延迟敏感的物联网应用,以集合Ι={1,2,...,G}为索引的G个物联网应用在某一时间点生成。物联网应用i拥有以秒为单位的截止时间要求Di,被分成|Qi|个任务,任务q∈Qi拥有一定的指令长度liq。当这些任务被卸载到这些边缘云上时,将分析所有容器或虚拟机的状态,以确定应该将这些任务分配到哪些容器或虚拟机。同时,没有分配任务的容器或虚拟机可以关闭。由于具有较高故障率的容器或虚拟机可能在任务处理过程中出现故障,同一集群中的容器或虚拟机可能部署在不同的边缘服务器中,这些原因都影响物联网应用的完成时间、带宽消耗和物联网应用的可靠性水平。因此,为这些物联网应用设计一种可靠性增强的任务卸载方案至关重要。
步骤三:针对移动边缘计算系统模型分别构建带宽消耗模型和可靠性模型;
当物联网设备生成物联网应用时,每个物联网应用将被划分为多个协作任务,并将其卸载到边缘服务器,以交由多个容器或虚拟机组成的集群进行处理。考虑到同一集群中的容器或虚拟机之间的通信,集群处理物联网应用所需的带宽和时间直接与容器或虚拟机在边缘云中的位置相关。这是因为,如果同一集群中的容器或虚拟机位于同一边缘服务器上,容器或虚拟机之间的通信不会消耗带宽和时间;反之,它消耗一定数量的带宽和时间。因此,边缘服务器在处理G个物联网应用后所消耗的总带宽用公式(1)表示。
其中,bandwidthC表示G个物联网应用所消耗的总带宽,i=1,2,…,G表示第i个物联网应用,Qi表示第i个物联网应用的任务总数,H表示边缘云的数量,Ph为第h个边缘云所拥有的边缘服务器的集合;Mp表示第p个边缘服务器上容器或虚拟机的集合;xqm表示二进制变量,xqm=1表示第q个任务部署到第m个容器或虚拟机上,xqm=0表示第q个任务未部署到第m个容器或虚拟机上;bmr表示二进制变量,bmr=1表示正在由第m个容器或虚拟机处理的任务q为发送方且与正在由第r个容器或虚拟机处理的任务属于同一个集群,bmr=0表示正在由第m个容器或虚拟机处理的任务q不是发送方,且第r个容器或虚拟机与第m个容器或虚拟机不在同一异构边缘服务器上;bwm表示从第m个容器或虚拟机到第r个容器或虚拟机的带宽。
当容器或虚拟机正在处理任务时,容器或虚拟机可能会发生故障。为了更好地研究容器或虚拟机故障对物联网应用可靠性水平的影响,这些故障被视为可恢复的。也就是说,故障的容器或虚拟机在一段时间之后(即恢复时间)继续处理任务。考虑到虚拟化技术具有隔离性质,所有容器或虚拟机故障都被认为是相互独立的。容器或虚拟机j完成物联网应用i的任务q而不发生故障所花费的处理时间为tiqj=liq/cj。在时间间隔内(0,tiqj],故障发生并服从故障率参数λj的泊松过程,容器或虚拟机j中的总故障数表示为Nj(tiqj)。至此,Nj(tiqj)=k'的概率可由公式(2)计算。
Nj(tiqj)的均值可由公式(3)计算。
E[Nj(tiqj)]=λjtiqj (3)
容器或虚拟机j上第k'次故障的恢复时间Rjk'(tiqj)是恢复率参数uj的指数分布随机变量。因此,在第j个容器或虚拟机上的总恢复时间Rj(tiqj)可以通过公式(4)计算。由于总恢复时间Rj(tiqj)是一个混合泊松过程,其均值可以通过公式(5)计算。
物联网应用i的第q个任务在第j个容器或虚拟机上的平均总处理时间Tiqj由任务处理时间和故障恢复时间E[Rj(tiqj)]组成,其值可由公式(6)计算。
其中,E[Rj(tiqj)]表示在第j个容器或虚拟机上的总恢复时间Rj(tiqj)的期望,tiqj=liq/cj表示容器或虚拟机j完成物联网应用i的任务q而不发生故障所花费的处理时间,liq表示第i个物联网应用的第q个任务对应的指令长度,cj表示容器或虚拟机j所具有的处理能力(以指令/秒为单位),Ι={1,2,...,G}表示G个物联网应用构成的集合。
此外,如果同一集群中的部分或全部容器或虚拟机不在同一边缘服务器上,这些具有通信依赖关系的容器或虚拟机需要花费时间来传输数据。因此,物联网应用i的完成时间(即:totalTi)由任务处理时间、故障恢复时间和任务通信时间组成,如公式(7)所示。
其中W表示从顶层任务(如T2,1,T2,2,T2,3)到底层任务(如T2,7)的执行路径集合{{T2,1,T2,4,T2,7},{T2,1,T2,5,T2,7},{T2,2,T2,5,T2,7},{T2,2,T2,6,T2,7},{T2,3,T2,6,T2,7}}。v表示集合W的一个执行路径的任务集,βqz为二进制变量,βqz=0表示任务q和任务z在同一异构边缘服务器上,βqz=1表示任务q和任务z不在同一异构边缘服务器上,ρqz为二进制变量,ρqz=1表示任务q向任务z发送数据,ρqz=0表示任务q不向任务z发送数据,dataq表示任务q发送的数据量,bwj表示任务q所在的容器或虚拟机j的带宽,j∈Z表示容器或虚拟机j属于由M个容器或虚拟机构成的集合,Tiqj表示物联网应用i的第q个任务在第j个容器或虚拟机上的处理时间。
在物联网系统运营商向移动用户提供服务的过程中,可靠性水平反映了系统如何运行,从而也反映了如何能够成功地提供所请求的服务。本发明主要研究容器或虚拟机故障和恢复影响物联网应用的完成时间(即QoS)。如果物联网应用i的完成时间超过其截止时间要求Di,则认为QoS被违反。因此,QoS违反的概率可以通过未满足给定时间的物联网应用数量与物联网应用总数的比值来表征。此外,物联网应用的可靠性水平可以通过违反QoS的概率来计算,如公式(8)所示,U表示存在违反QoS的物联网应用的总数。
其中,表示存在违反QoS的物联网应用的总数,差值(totalTi-Di)表示是否违反了物联网应用i的QoS要求,(totalTi-Di)>0时F(totalTi-Di)=1表示违反了物联网应用i的QoS要求,否则F(totalTi-Di)=0表示未违反物联网应用i的QoS要求;totalTi表示物联网应用i的完成时间,Di表示物联网应用i的总处理时间的上限,即截止时间。
在移动边缘计算系统模型中,边缘云通过光纤回程网络全拓扑互连,边缘云之间的通信被认为是独立于负载的。因此,如果处理物联网应用i的协作任务的容器或虚拟机没有部署在同一边缘服务器上,那么这些容器或虚拟机之间的通信延迟主要取决于容器或虚拟机在发送状态时的带宽和数据大小。同时,由于容器或虚拟机具有一定的故障率和恢复率,进一步增加了物联网应用的处理时间,从而也极大地影响了物联网应用的可靠性水平。虽然可以通过增加任务之间的通信带宽来减少通信延迟,但边缘服务器拥有固定的带宽。也就是说,如果一个物联网应用的协作任务之间的带宽增加了,那么在同一边缘服务器上的其他发送任务的带宽和其他任务所在的物联网应用的可靠性水平就会降低。因此,需要找到一个折衷方案,使G个物联网应用的带宽消耗最小化,同时最大化这些物联网应用在任务卸载期间的可靠性水平,这可以用公式(9)表示。
其中,F0表示多目标优化函数;
多目标优化函数F0的约束条件为:
其中,liq表示第i个物联网应用的第q个任务对应的指令长度,Lm表示容器或虚拟机m的内存容量(以指令为单位)。公式(10)的第一个约束条件表示每个任务只能部署到一个容器或虚拟机之上;公式(10)的第二个约束条件表示每个容器或虚拟机的内存容量大于或等于部署任务所需内存的总和。
由于F(·)是单位阶跃函数,优化问题F0是非线性的,很难求解。因此,定义一个布尔变量Bi并赋值Bi=F(totalTi-Di)也可表示为公式(11)。表示一个非常大的正数。此外,公式(11)可以通过加入一个小的正数ε转化为公式(12),ε作为QoS违反的容忍度,单位为秒。
进而,F0可以表示为多目标整数线性规划优化函数,其可以用公式(13)表示。
其中,F1表示多目标整数线性规划优化函数,Bi∈{0,1}。
然而,由于优化问题F1仍是多目标优化问题,利用广泛使用的加权和方法,通过将目标与权重结合,将其转化为单目标优化问题,其中,权重体现了各目标的相对重要性。单目标优化问题F2可表示为公式(14)。所述单目标整数线性规划优化函数为:
其中,F2表示单目标整数线性规划优化函数,θ1和θ2均为可调因子,且θ1和θ2均为正数。虽然单目标优化问题F2仍然是一个整数线性规划问题,可以通过许多方法(如分支定界法和穷举法)或优化工具(如CPLEX)来解决,但这些方法或工具的计算复杂度往往很高。因此,迫切需要采用一种时间复杂度较低的近似最优方法来解决该问题。
步骤四:根据物联网应用的有向无环图利用可靠性增强的任务卸载方法(Reliability-Enhanced Task Offloading Approach,RETO)将物联网应用的多个协作任务与边缘云相匹配。
如前所述,整数线性规划问题F2具有很高的时间复杂度,在如此大的规模下寻找最优解是不可行的。因此,引入一种近似最优的方法来解决它,并建立一个移动边缘计算系统模型(图2)来验证该方法。在该系统中,所有容器或虚拟机被随机分配到边缘服务器,每个物联网应用被分割成多个协作任务(图3),并通过本发明提出的方法指定到这些容器或虚拟机之上。
具体方法为:
S41、初始化可靠性增强的任务卸载方法的所有参数,根据物联网应用的截止时间对G个物联网应用进行升序排序,构造物联网应用的优先队列{T1,T2,…,Ti,…,TG};
S42、根据G个物联网应用的有向无环图分别确定G个物联网应用的任务层次结构,其中,任务层次结构包括顶层任务(例如,T1,1,T1,2,T2,1,T2,2,T2,3)、中间层任务(例如,T2,4,T2,5,T2,6)和底层任务(例如,T1,3,T2,7),顶层任务只发送任务,底层任务只接收任务,中间层任务为发送任务或接收任务;
S43、对第i个物联网应用的第2层任务指定所在的容器或虚拟机,其中,第2层任务是指中间层任务的第1层;
S43.1、将第i个物联网应用的第2层任务按其指令长度进行降序排列,得到第i个物联网应用的第2层任务序列{qi,2,1,qi,2,2,…,qi,2,a2},a2表示第2层任务的任务数量;
S43.2、初始化参数k2=1,设置容器或虚拟机的数量为M;
S43.3、计算第qi,2,k2个任务在M-k2+1个容器或虚拟机上的平均总处理时间,并选择最小的平均总处理时间对应的容器或虚拟机作为第qi,2,k2个任务所在的容器或虚拟机;
S43.4、k2=k2+1,循环执行步骤S43.3,直至第i个物联网应用的第2层的所有任务均被分配到容器或虚拟机之上;
S44、对第i个物联网应用的顶层任务指定所在的容器或虚拟机;
S44.1、将第i个物联网应用的顶层任务按其指令长度进行降序排序,得到第i个物联网应用的顶层任务序列{qi,1,1,qi,1,2,…,qi,1,a1},a1表示顶层任务的任务数量;
S44.2、初始化参数k1=1;
S44.3、计算第qi,1,k1个任务在M-a2-k1+1个容器或虚拟机上的ωq值,并选择最小的ωq所对应的容器或虚拟机作为第qi,1,k1个任务所在的容器或虚拟机,其中,ωq表示无量纲变量;对于物联网应用i的顶层任务q,其被放置到与接收任务(如T2,4,T2,5,T2,6)所在的容器或虚拟机在同一边缘服务器上的容器或虚拟机之上。如果不存在这样的容器或虚拟机,则通过公式(15)选择任务q的容器或虚拟机j。也就是说,容器或虚拟机j是使ωq的值最小化的容器或虚拟机。
所述无量纲变量ωq的计算方法为:
其中,α为可调因子,Ω表示一组容器或虚拟机。
S44.4、k1=k1+1,循环执行步骤S44.3,直至第i个物联网应用的所有顶层任务均被分配到容器或虚拟机之上;
完成上述步骤后,有向无环图的顶层和第2层的任务都被卸载到边缘服务器上。接下来,有向无环图中的其他任务也依次被卸载到边缘服务器。一旦前一层的任务被处理完成,这些任务就被视为发送任务,并将它们的处理结果发送给低一层的任务。
S45、将下一层任务作为当前层任务,根据当前层任务的上一层任务的完成时间对上一层任务进行升序排序,再根据同一个上一层任务对应的尚未指定的容器或虚拟机的当前层任务的指令长度进行降序排序,得到当前层任务序列;
S46、按照步骤S44的操作方法选择当前层任务的容器或虚拟机,跳转至下一层任务,返回步骤S45,直至G个物联网应用的所有任务均被分配到容器或虚拟机之上。
步骤五:根据协作任务与边缘云的匹配关系,利用带宽消耗模型和可靠性模型计算物联网应用的可靠性水平、带宽消耗和总完成时间。
S51、根据G个物联网应用的任务层次结构及任务所在的容器或虚拟机,分别获得G个执行路径集合{W1,W2,…,WG};
S52、根据G个执行路径集合{W1,W2,…,WG},通过可靠性模型计算公式、带宽消耗模型计算公式和物联网应用的完成时间计算公式获得移动边缘计算系统模型中的物联网应用的可靠性水平、带宽消耗和总完成时间。
在此基础上,将G个物联网应用的这些协作任务卸载到边缘服务器上,同时提高了这些物联网应用的可靠性水平,减少了这些物联网应用的带宽消耗。算法1给出了RETO的实现方案。第2行依据截止时间对物联网应用进行升序排序,以首先卸载对时间要求严格的物联网应用。第3-22行循环获得了G个物联网应用中所有任务的近似最优的卸载方案。第4-5行得到每个物联网应用的结构层数Ai,并将任务集合Qi划分为Ai组TaskGroup[l],l∈{1,2,...,Ai}。第6-9行中的循环按照指令长度降序选择集合TaskGroup[2]中的任务q的容器或虚拟机j,以使Tiqj最小化。第10-13行循环按照指令长度降序指定集合TaskGroup[1]中的任务q的容器或虚拟机j,以最小化ωq。当有向无环图的结构层数l大于或等于3时,第14-21行按照指令长度降序排列指定集合TaskGroup[l]中的任务q的容器或虚拟机j,使ωq最小化。第23-31行中的循环得到了G个物联网应用的可靠性水平、带宽消耗和总完成时间。
通过对CloudSim模拟器和iFogSim模拟器扩展来构建了一个可靠性感知的移动边缘计算模拟环境,其由25个边缘云、127个边缘服务器和200个虚拟机组成。这些边缘云均匀分布在5G智慧城市网络场景中,并通过光纤回程网络全拓扑互连。在每个边缘云中,一个基站通过光纤回程网络与其他基站连接;通过交换机互连的边缘服务器的数量从集合[4,6]中随机选择;多个物联网设备利用无线接入网络与基站通信。每个边缘服务器的配置信息可以从集合{HP ProLiant G4,HP ProLiant G5}中随机选择。每个虚拟机的处理容量和内存容量可以从集合{500MIPS和0.6GB、1000MIPS和1.7GB、2000MIPS和3.75GB、2500MIPS和0.85GB}中随机选择。每个虚拟机的磁盘容量和带宽需求分别为1GB和从集合[10,50]Mbps中随机选择。
上述参数信息主要用于配置可卸载任务的环境。接下来,将根据虚拟机的大小为虚拟机设置一些任务卸载的参数。每个虚拟机的处理能力从集合[0.5×106,106](以指令/秒单位)中随机选取;每个虚拟机的内存容量从集合[2×107,4×107](以指令单位)中随机选取;从集合[1%,5%]中随机选取每个虚拟机的故障率和恢复率。当物联网设备连接到边缘云并以任意顺序和时间生成50个对延迟敏感的物联网应用时,每个物联网应用被分割成多个协作任务,并卸载到边缘云。每个任务的长度从集合[500,5000](以指令单位)中随机选取。如果一个任务是发送方,它发送的数据量将随机从集合[1,2]Mb中选择。每个物联网应用的截止时间要求从集合[5,9]ms中随机选择。正可调因子α、θ1和θ2分别设置为0.0037、1和2000。
根据上述配置信息,通过将RETO与下列基准方法进行比较,来评估RETO的性能。
·随机卸载(Random Offloading,RO):当多个虚拟机满足约束条件时,随机选择一个虚拟机来依次容纳物联网应用的每个任务。
·贪婪卸载(Greedy Offloading,GO):当多个虚拟机满足约束条件时,选择使公式(6)取最小值的虚拟机,沿物联网应用的有向无环图自上而下地容纳每个任务。
·差分进化算法(Differential Evolution,DE):通过差分进化算法对单目标函数F2进行迭代优化指定虚拟机,在多个虚拟机满足约束条件的情况下,沿着物联网应用的有向无环图从上到下容纳每个任务。
接下来,在卸载G个物联网应用时,将RETO与RO、GO和DE在可靠性水平、带宽消耗和卸载物联网应用后的总完成时间三个方面进行比较,分析了RETO在卸载物联网应用时的性能。同时,还分析了实验参数物联网应用数量对这些性能指标的影响。
如图4所示,随着物联网应用数量以步长10从20个增加到50个,可靠性水平降低,带宽消耗和应用完成时间都增加。除了DE的方法执行时间增加外,其他方法几乎没有变化。这是由于物联网应用数量的增加从而增加了协作任务的数量,需要将这些任务卸载到具有不同处理能力、故障率和恢复率的虚拟机上。因此,应用完成时间和带宽消耗都有不同程度的增加。同时,各方法的可靠性水平也相应降低。由于任务数量决定了DE的染色体长度,因此它的方法执行时间随着任务数量的增加而增加。此外,在所有方法中RETO具有最大的可靠性水平,最小的带宽消耗、最小的应用完成时间以及适中的方法执行时间。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种可靠性增强的移动边缘计算任务卸载方法,其特征在于,其步骤如下:
步骤一:基于边缘云构建移动边缘计算系统模型,将物联网设备接入移动边缘计算系统模型产生物联网应用,其中,物联网应用包括多个协作任务;
步骤二:根据物联网应用的多个协作任务分别构建物联网应用的有向无环图;
步骤三:针对移动边缘计算系统模型分别构建带宽消耗模型和可靠性模型;
所述带宽消耗模型为:
其中,bandwidthC表示G个物联网应用所消耗的总带宽,i=1,2,…,G表示第i个物联网应用,G为物联网应用的数量,Qi表示第i个物联网应用的任务总数,H表示边缘云的数量,Ph为第h个边缘云所拥有的边缘服务器的集合;Mp表示第p个边缘服务器上容器或虚拟机的集合;xqm表示二进制变量,xqm=1表示第q个任务部署到第m个容器或虚拟机上,xqm=0表示第q个任务未部署到第m个容器或虚拟机上;bmr表示二进制变量,bmr=1表示正在由第m个容器或虚拟机处理的任务q为发送方且与正在由第r个容器或虚拟机处理的任务属于同一个集群,bmr=0表示正在由第m个容器或虚拟机处理的任务q不是发送方,且第r个容器或虚拟机与第m个容器或虚拟机不在同一异构边缘服务器上;bwm表示从第m个容器或虚拟机到第r个容器或虚拟机的带宽;
所述可靠性模型为:
其中,表示存在违反QoS的物联网应用的总数,QoS可以由容器或虚拟机故障和恢复影响物联网应用的总处理时间来表示,差值(totalTi-Di)表示是否违反了物联网应用i的QoS要求,(totalTi-Di)>0时F(totalTi-Di)=1表示违反了物联网应用i的QoS要求,否则F(totalTi-Di)=0表示未违反物联网应用i的QoS要求;totalTi表示物联网应用i的完成时间,Di表示物联网应用i的总处理时间的截止时间;
步骤四:根据物联网应用的有向无环图利用可靠性增强的任务卸载方法将物联网应用的多个协作任务与边缘云相匹配;具体方法为:
S41、初始化可靠性增强的任务卸载方法的所有参数,根据物联网应用的截止时间对G个物联网应用进行升序排序,构造物联网应用的优先队列{T1,T2,…,Ti,…,TG};
S42、根据G个物联网应用的有向无环图分别确定G个物联网应用的任务层次结构,其中,任务层次结构包括顶层任务、中间层任务和底层任务,顶层任务只发送任务,底层任务只接收任务,中间层任务为发送任务或接收任务;
S43、对第i个物联网应用的第2层任务指定所在的容器或虚拟机,其中,第2层任务是指中间层任务的第1层;
S43.1、将第i个物联网应用的第2层任务按其指令长度进行降序排列,得到第i个物联网应用的第2层任务序列{qi,2,1,qi,2,2,…,qi,2,a2},a2表示第2层任务的任务数量;
S43.2、初始化参数k2=1,设置容器或虚拟机的数量为M;
S43.3、计算第qi,2,k2个任务在M-k2+1个容器或虚拟机上的平均总处理时间,并选择最小的平均总处理时间对应的容器或虚拟机作为第qi,2,k2个任务所在的容器或虚拟机;
S43.4、k2=k2+1,循环执行步骤S43.3,直至第i个物联网应用的第2层的所有任务均被分配到容器或虚拟机之上;
S44、对第i个物联网应用的顶层任务指定所在的容器或虚拟机;
S44.1、将第i个物联网应用的顶层任务按其指令长度进行降序排序,得到第i个物联网应用的顶层任务序列{qi,1,1,qi,1,2,…,qi,1,a1},a1表示顶层任务的任务数量;
S44.2、初始化参数k1=1;
S44.3、计算第qi,1,k1个任务在M-a2-k1+1个容器或虚拟机上的ωq值,并选择最小的ωq所对应的容器或虚拟机作为第qi,1,k1个任务所在的容器或虚拟机,其中,ωq表示无量纲变量;
无量纲变量ωq的计算方法为:
其中,α为可调因子,Ω表示一组容器或虚拟机;Tiqj表示物联网应用i的第q个任务在第j个容器或虚拟机上的平均总处理时间,dataq表示任务q发送的数据量,bwj表示任务q所在的第j个容器或虚拟机的带宽;
S44.4、k1=k1+1,循环执行步骤S44.3,直至第i个物联网应用的所有顶层任务均被分配到容器或虚拟机之上;
S45、将下一层任务作为当前层任务,根据当前层任务的上一层任务的完成时间对上一层任务进行升序排序,再根据同一个上一层任务对应的尚未指定容器或虚拟机的当前层任务的指令长度进行降序排序,得到当前层任务序列;
S46、按照步骤S44的操作方法指定当前层任务的容器或虚拟机,跳转至下一层任务,返回步骤S45,直至G个物联网应用的所有任务均被分配到容器或虚拟机之上;
步骤五:根据协作任务与边缘云的匹配关系,利用带宽消耗模型和可靠性模型计算物联网应用的可靠性水平、带宽消耗和总完成时间。
2.根据权利要求1所述的可靠性增强的移动边缘计算任务卸载方法,其特征在于,所述移动边缘计算系统模型包括多个边缘云,多个边缘云之间通过光纤回程网络全拓扑互连,边缘云通过无线网络与物联网设备相连接;所述边缘云内部署有异构边缘服务器,异构边缘服务器内设有容器或虚拟机。
3.根据权利要求1所述的可靠性增强的移动边缘计算任务卸载方法,其特征在于,所述物联网应用i的完成时间totalTi为:
其中,W表示从顶层任务到底层任务的执行路径集合,v表示集合W的一个执行路径的任务集,βqz为二进制变量,βqz=0表示任务q和任务z在同一异构边缘服务器上,βqz=1表示任务q和任务z不在同一异构边缘服务器上,ρqz为二进制变量,ρqz=1表示任务q向任务z发送数据,ρqz=0表示任务q不向任务z发送数据,dataq表示任务q发送的数据量,bwj表示任务q所在的容器或虚拟机j的带宽,j∈Z表示容器或虚拟机j属于由M个容器或虚拟机构成的集合,Tiqj表示物联网应用i的第q个任务在第j个容器或虚拟机上的平均总处理时间;
其中,E[Rj(tiqj)]表示在第j个容器或虚拟机上的总恢复时间Rj(tiqj)的期望,tiqj=liq/cj表示容器或虚拟机j完成物联网应用i的任务q而不发生故障所花费的处理时间,liq表示第i个物联网应用的第q个任务对应的指令长度,cj表示容器或虚拟机j所具有的处理能力,Ι={1,2,...,G}表示G个物联网应用构成的集合,uj为恢复率。
4.根据权利要求1所述的可靠性增强的移动边缘计算任务卸载方法,其特征在于,所述利用带宽消耗模型和可靠性模型计算物联网应用的可靠性水平、带宽消耗和总完成时间的方法为:
S51、根据G个物联网应用的任务层次结构及任务所在的容器或虚拟机,分别获得G个执行路径集合{W1,W2,…,WG};
S52、根据G个执行路径集合{W1,W2,…,WG},通过可靠性模型计算公式、带宽消耗模型计算公式和物联网应用的完成时间计算公式获得移动边缘计算系统模型中的物联网应用的可靠性水平、带宽消耗和总完成时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995095.0A CN112130927B (zh) | 2020-09-21 | 2020-09-21 | 一种可靠性增强的移动边缘计算任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995095.0A CN112130927B (zh) | 2020-09-21 | 2020-09-21 | 一种可靠性增强的移动边缘计算任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130927A CN112130927A (zh) | 2020-12-25 |
CN112130927B true CN112130927B (zh) | 2022-09-13 |
Family
ID=73841736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995095.0A Active CN112130927B (zh) | 2020-09-21 | 2020-09-21 | 一种可靠性增强的移动边缘计算任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130927B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116170846B (zh) * | 2023-04-25 | 2023-07-14 | 天津市工业和信息化研究院(天津市节能中心、天津市工业和信息化局教育中心) | 一种用于数据通信的分布式边缘计算系统及边缘计算方法 |
CN116841754B (zh) * | 2023-08-31 | 2023-12-15 | 中国电子信息产业集团有限公司第六研究所 | 一种低轨卫星边缘计算服务系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109561148A (zh) * | 2018-11-30 | 2019-04-02 | 湘潭大学 | 边缘计算网络中基于有向无环图的分布式任务调度方法 |
CN109788069A (zh) * | 2019-02-27 | 2019-05-21 | 电子科技大学 | 物联网中基于移动边缘计算的计算卸载方法 |
CN110928654A (zh) * | 2019-11-02 | 2020-03-27 | 上海大学 | 一种边缘计算系统中分布式的在线任务卸载调度方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11782768B2 (en) * | 2015-12-23 | 2023-10-10 | Interdigital Patent Holdings, Inc. | Methods of offloading computation from mobile device to cloud |
CN109710374A (zh) * | 2018-12-05 | 2019-05-03 | 重庆邮电大学 | 移动边缘计算环境下最小化任务卸载费用的vm迁移策略 |
CN111309393A (zh) * | 2020-01-22 | 2020-06-19 | 南京邮电大学 | 一种云边端协同应用卸载算法 |
-
2020
- 2020-09-21 CN CN202010995095.0A patent/CN112130927B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109561148A (zh) * | 2018-11-30 | 2019-04-02 | 湘潭大学 | 边缘计算网络中基于有向无环图的分布式任务调度方法 |
CN109788069A (zh) * | 2019-02-27 | 2019-05-21 | 电子科技大学 | 物联网中基于移动边缘计算的计算卸载方法 |
CN110928654A (zh) * | 2019-11-02 | 2020-03-27 | 上海大学 | 一种边缘计算系统中分布式的在线任务卸载调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112130927A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107911478B (zh) | 基于化学反应优化算法的多用户计算卸载方法及装置 | |
CN113708972B (zh) | 一种服务功能链部署方法、装置、电子设备及存储介质 | |
CN110096362B (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
US7856572B2 (en) | Information processing device, program thereof, modular type system operation management system, and component selection method | |
CN112130927B (zh) | 一种可靠性增强的移动边缘计算任务卸载方法 | |
CN113110914A (zh) | 一种基于微服务架构的物联网平台构建方法 | |
WO2020134133A1 (zh) | 一种资源配置方法、变电站及计算机可读存储介质 | |
CN111711962A (zh) | 一种移动边缘计算系统子任务协同调度方法 | |
Mahmoudi et al. | SDN-DVFS: an enhanced QoS-aware load-balancing method in software defined networks | |
Kibalya et al. | A multi-stage graph based algorithm for survivable service function chain orchestration with backup resource sharing | |
Xu et al. | Online learning algorithms for offloading augmented reality requests with uncertain demands in MECs | |
CN112596910B (zh) | 一种多用户mec系统中的云计算资源调度方法 | |
Khelifa et al. | SLA-aware task scheduling and data replication for enhancing provider profit in clouds | |
CN111274111B (zh) | 一种用于微服务老化的预测与抗衰方法 | |
CN112882805A (zh) | 一种任务资源约束的利润优化调度方法 | |
CN115190121B (zh) | 基于跨地域的微服务过量负载调度系统、方法及设备 | |
Li et al. | On scheduling of high-throughput scientific workflows under budget constraints in multi-cloud environments | |
CN112948114B (zh) | 边缘计算方法和边缘计算平台 | |
CN109408230A (zh) | 基于能耗优化的Docker容器部署方法及系统 | |
Zhang et al. | Repeatable multi-dimensional virtual network embedding in cloud service platform | |
Huang et al. | Reliable redundant services placement in federated micro-clouds | |
Liu et al. | Computation offloading and task scheduling with fault-tolerance for minimizing redundancy in edge computing | |
Park et al. | Gemma: reinforcement learning-based graph embedding and mapping for virtual network applications | |
Chen et al. | Deep reinforcement learning based container cluster placement strategy in edge computing environment | |
Guo et al. | Multi-resource fair allocation for composited services in edge micro-clouds |
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 |