CN112165721A - 基于边缘计算的多服务任务的卸载和服务迁移方法 - Google Patents
基于边缘计算的多服务任务的卸载和服务迁移方法 Download PDFInfo
- Publication number
- CN112165721A CN112165721A CN202010885659.5A CN202010885659A CN112165721A CN 112165721 A CN112165721 A CN 112165721A CN 202010885659 A CN202010885659 A CN 202010885659A CN 112165721 A CN112165721 A CN 112165721A
- Authority
- CN
- China
- Prior art keywords
- task
- service
- edge
- tasks
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
-
- 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
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0268—Traffic management, e.g. flow control or congestion control using specific QoS parameters for wireless networks, e.g. QoS class identifier [QCI] or guaranteed bit rate [GBR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Computer And Data Communications (AREA)
Abstract
本公开提供了一种基于边缘计算的多服务任务的任务卸载服务迁移方法,所述方案包括系统初始化;获取当前任务的信息;根据系统的参数信息及所获取的任务的信息,确定系统的目标函数,最小化系统的消耗;生成多个任务卸载和服务迁移的随机解;计算各个随机解的适应度值,找到当前适应度值最好的解;利用遗传算法对随机解进行优化,即编码,选择,交叉,变异;如果迭代次数达到给定的最大值,则迭代终止;记录最好的适应度值,并输出该适应度值对应解的任务卸载服务迁移位置,即为预测的最优的任务卸载服务迁移位置;根据预测的最优任务卸载服务迁移位置;本发明考虑了任务卸载和服务迁移过程中所产生的消耗,复杂度低,适用性好。
Description
技术领域
本公开属于移动通信领域技术领域,尤其涉及一种基于边缘计算的多服务任务的卸载和服务迁移方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着人类日常生活的智能化以及移动终端设备的发展,现如今,移动设备通信过程所产生的数据流量越来越庞大;虽然利用云计算技术是一个解决大数据计算的一种简单的解决方案,但是在某些情况下,通过发送/重试有效载荷所带来的延迟将是巨大的;尤其是如今数据流量的海量增加,使用云计算技术作为集中式服务器将变得站不住脚,这极大的增加了对边缘计算的需求。所述边缘计算是将计算和存储能力从远程云移动到网络边缘,更接近移动设备、传感器和最终用户,此类方法可以有效减少网络时延和流量;边缘计算是实现5g网络的关键技术,同时可以解决数据密集型和低延迟需求任务,能够有效避免集中式服务器的瓶颈。现有技术中,许多工作将边缘计算和云计算结合起来,当边缘计算无法满足任务执行时,可以请求远程云执行工作;在边缘计算中,当边缘用户发送数据请求,请求将最直接地指向最近的边缘服务器,如果边缘服务器缓存了数据,它将数据返回给边缘用户;否则,它将从远程云中为边缘用户检索数据。
发明人发现,随着应用系统规模的不断扩大,任务的执行可能不仅需要一个服务,而是需要多个服务,例如,微服务架构系统是拆分应用程序服务,以便每个微服务都可以独立地部署、执行和升级;该系统架构还允许微服务之间的“松散耦合”,微服务在结构上,功能上表现为一个统一的整体;而现有方法仅支持单一服务执行的任务,无法有效解决多服务任务的任务卸载和服务迁移问题;由于单服务任务只需要选择一个边缘服务器作为服务放置的位置,而多服务任务需要多个服务,因此服务放置需要选择多个边缘服务器,且需要平衡每个边缘服务器对于整个系统的影响,因此,多服务任务在服务放置的选择上面要比单服务任务更复杂。
发明内容
本公开为了解决上述问题,提供一种基于边缘计算的多服务任务的卸载和服务迁移方法,所述方案利用边缘计算执行多服务任务,以系统成本作为目标,保证了多服务任务的卸载和服务迁移中的流量消耗最少。
根据本公开实施例的第一个方面,提供了一种基于边缘计算的多服务任务的卸载和服务迁移方法,包括:
对多服务任务系统进行初始化,并获取当前任务信息;
根据获得的当前任务信息判断当前任务的执行方式;
基于当前任务信息及系统的初始化信息,确定所述多服务任务系统流量消耗的目标函数;
对于在边缘服务器上执行的任务,生成若干任务卸载和服务迁移随机解,并利用遗传算法获得边缘服务器上执行任务的流量消耗最优解;
计算远程云上执行的任务产生的流量消耗;
获得多服务任务的任务卸载和服务迁移产生流量消耗的最优解。
进一步的,所述多服务任务系统的初始化包括各个边缘云接入点的资源约束以及服务资源约束,所述资源约束对应于所述目标函数的若干约束条件。
进一步的,所述当前任务信息包括任务的地理位置信息,所需的接入点资源需求、服务资源需求及任务执行所需的CPU周期,以及执行任务所需的流量消耗。
进一步的,所述多服务任务系统流量消耗的目标函数具体如下:
Min Cedge+Ccloud
其中,Cedge为在边缘服务器上执行任务产生的流量消耗,Ccloud为在远程云上执行任务产生的流量消耗。
进一步的,所述目标函数的约束条件包括硬件资源约束和延迟约束,所述硬件资源约束包括边缘服务器的存储能力约束和计算能力约束;所述延迟约束包括传输延迟约束和执行任务延迟约束。
进一步的,所述在边缘服务器上执行任务产生的流量消耗表示如下:
其中,Creq(i)表示将任务i发送到边缘服务器的流量消耗,Ctrans(i)表示任务i需要将服务迁移到边缘服务器所产生的流量消耗,Ccul(i)表示将任务i在边缘服务器上执行所产生的流量消耗;Cback(i)表示将在边缘服务器执行的任务i的结果返回给用户所需要的流量消耗。
进一步的,所述在远程云中执行任务产生的流量消耗表示如下:
其中,Ctrans1(i)表示任务i需要将服务迁移到远端云所产生的流量消耗,Ccul1(i)表示将任务i在远端云上执行所产生的流量消耗;Cback1(i)表示将在远端云执行的任务i的结果返回给用户所需要的流量消耗。
进一步的,所述多服务任务系统的各个任务均需进行接入点选择、执行点选择以及迁移点选择。
根据本公开实施例的第二个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种基于边缘计算的多服务任务的卸载和服务迁移方法。
根据本公开实施例的第三个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种基于边缘计算的多服务任务的卸载和服务迁移方法。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案首先生成关于多服务任务的任务卸载和服务迁移的随机解,该随机解包含一个接入点,一个执行点和若干放置点,用来表示多服务的放置;并通过遗传算法优化服务放置位置。为了满足大规模任务的执行,在边缘计算场景下引入了多服务任务,通过设计系统成本的目标函数,并通过改进的遗传算法进行多次迭代优化,最终得到任务卸载和服务迁移的策略,有效提高了任务卸载的准确率;
(2)本公开所述方案将边缘计算和多服务任务进行了有效结合,满足了用户的QoS需求,且具有复杂度低,适用性强的特点。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本公开实施例一所述一种多服务任务的卸载和服务迁移的算法流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
本实施例的目的是提供一种基于边缘计算的多服务任务的卸载和服务迁移方法。
如图1所示,展示了本公开所述方法的流程图,一种基于边缘计算的多服务任务的卸载和服务迁移方法,包括:
对多服务任务系统进行初始化,并获取当前任务信息;
根据获得的当前任务信息判断当前任务的执行方式;
基于当前任务信息及系统的初始化信息,确定所述多服务任务系统流量消耗的目标函数;
对于在边缘服务器上执行的任务,生成若干任务卸载和服务迁移随机解,并利用遗传算法获得边缘服务器上执行任务的流量消耗最优解;
计算远程云上执行的任务产生的流量消耗;
获得多服务任务的任务卸载和服务迁移产生流量消耗的最优解。
其中,所述多服务任务为该任务在执行时需要多个服务共同完成;所述多服务任务系统包括一个远程云服务器和几个边缘服务器组成,远程云服务器具有较强的计算和存储能力,而边缘服务器具有相对较弱的计算和存储能力,用户可以通过连接距离他们最近的边缘服务器来访问这个系统;边缘服务器集表示为E={e1,e2,……em};其中,远程云存储系统中所需的所有n个服务,表示为S={s1,s2,...sn}的服务集;边缘服务器可以存储s(s<n)服务,边缘服务器i上的服务存储可以表示为SEi;例如,如果SE1={S1,S7,S9},则表示存储在边缘服务上的服务S1、S7、S9;在本系统中,任务的执行需要b(b<n)不同的服务,这些服务可以存储在不同的边缘云上。
具体的,所述方法的详细步骤如下所示:
Step1:系统初始化,包括获得各个边缘服务器接入点资源限制、服务资源限制;
Step2:获取当前任务的信息,所述当前任务的信息包括任务的地理位置信息,所需的接入点资源需求、服务资源需求及任务执行所需的CPU周期,以及执行任务所需的消耗;
Step3:根据步骤Step2获得的当前任务的信息及系统的参数信息,确定系统的目标函数,具体表示如下:
Min Cedge+Ccloud (1)
其中,Cedge是在边缘服务器上执行任务产生的消耗,Ccloud是在远程云上执行上执行任务产生的消耗。
进一步的,所述目标函数需要遵循如下约束条件,所述约束条件包括硬件资源约束和延迟约束,其中,所述硬件资源约束包括边缘服务器的存储能力约束和计算能力约束;所述延迟约束包括传输延迟约束和执行任务延迟约束。
所述约束条件具体包括如下:
Dedge≤Dmax (9)
Dcloud≤Dmax (14)
其中,T1是在边缘服务器上执行的任务的集合,T2是在远程云上执行的任务的集合;本实施例中通过NTi来表示任务i的执行所需要的的服务的集合;表示任务i的大小;Sizej表示服务j的大小;Sizeresult(i)表示任务i执行结束产生的结果的大小,Capstoedge表示边沿服务器的存储能力,Capculedge表示边缘服务器的计算能力;xj是判断服务是否需要迁移的变量,只能取0或1,若为1,表示需要迁移;表示任务i在边缘服务器上执行需要的CPU周期,同理,表示任务i在远程云上需要的CPU周期;Dmax是一个常数,表示用户在等待运行结果的时候的可以接受的延迟时间,Vtrans表示服务在边缘云之间的传输速度,表示边缘云到远程云之间的传输速度;
其中,所述公式(2)-(14)分别对应于每一条约束条件,具体的约束条件(2)用于确保存放在边缘服务器上的服务的大小不超过边缘服务器的存储能力;
约束条件(3)用于确保在边缘服务器上的执行任务的所需的计算资源不超过边缘服务器的计算能力;
约束条件(4)表示向边缘服务器传传输任务产生的延迟约束;
约束条件(5)表示想执行任务的边缘云迁移任务所需的服务所产生的延迟约束;
约束条件(6)表示边缘服务器执行任务产生的延迟约束;
约束条件(7)表示任务执行的结果传输给用户产生的延迟约束;
约束条件(8)表示任务i所产生的总延迟约束;
约束条件(9)确保总延迟不超过用户可容忍的延迟约束;
约束条件(10)表示向远程云传输任务产生的延迟约束;
约束条件(11)表示远程云执行任务产生的延迟上;
约束条件(12)表示任务执行的结果传输给用户产生的延迟约束
约束条件(13)表示任务i在远程云上执行所产生的总延迟约束;
约束条件(14)确保总延迟不超过用户可容忍的延迟约束。
所述目标函数(即公式1)考虑了多服务任务在边缘服务器和远端云中产生的流量消耗,其中,
边缘服务器中产生的流量消耗包括:
a.将第i个任务发送到边缘服务器的成本可以表示为
b.第i个任务需要将服务迁移到执行边缘服务器所产生的流量消耗表示为:
其中,a2表示传输时每个时间段的成本,xj表示是否需要迁移服务j,xj={0,1},当xj=0时,表示当前服务j已放置在执行云上,不需要迁移;当xj=1时,这意味着当前服务j未放置在执行服务器上,需要迁移到执行服务器;Vtrans表示边缘服务器与用户端之间的服务传输速率,
c.在边缘服务器上执行第i个任务的流量消耗可以表示为:
d.在执行任务i后,返回结果给用户所需的流量消耗可以表示为:
其中,Sizeresult(i)表示任务i执行结束时产生的结果的大小,而a4是当结果返回给用户时,每个时间段发生的流量消耗。
因此,边缘服务器执行的总消耗可以表示如下:
远端云中产生的流量消耗包括:
a.第i个任务需要将服务迁移到远端云所产生的流量消耗表示为:
因此,远端云执行的总消耗可以表示如下:
进一步的,所述多服务任务系统的各个任务均需要考虑接入点选择,执行点选择和迁移位置的选择,具体如下:
接入点选择:对于接入点的选择,在所述系统中,选择距离任务距离最近的点,假设环境中所有的边缘服务器都可以相互连接;
执行点选择:执行点是在边缘服务器集合中随机选择;
迁移点选择:在选择了执行点之后,就可以确定已经放置在该执行点上的服务;对于缺失的服务,将从其他边缘服务器上迁移;假如缺失服务s,且服务s被放置在了FS(s)={e2,e5,e9}上,那么服务s从FS(s)中随机选择一个边缘服务器进行迁移。
Step4:根据步骤step2获取的任务信息,判断任务在边缘服务器还是远程云执行;若任务所需的服务全部存放在边缘服务器端,则在边缘服务器端执行;否则,在远端云上执行。
Step5:对于在边缘服务器上执行的任务,生成多个关于任务卸载和服务迁移随机解,对于接入点,选择距离用户最近的边缘服务器,对于执行点,我们是随机选择一个边缘服务器,而对于服务放置点,首先判断该任务所需要的服务,然后在存有这些任务的边缘服务器中随机选择一个,从而产生随机解,记为种群P0;本实施例中使用UI=[e1,e2,e3.em]来表示计算任务的卸载和服务放置迁移的决策方法,即基因;其中e1表示任务的访问点,e2表示任务的执行点,e3.em表示任务所需服务的边缘服务器,e3.em的数值可以为零;如果e3.em=0,就意味着服务已放置在执行点上,不需要迁移;多个基因形成一个完整的染色体,也可以看作是一个个体,代表了问题的一种解决方案;假设在边缘执行的任务有n个,染色体可以表示为{U1,U2,...,Un};并计算种群P0中每个个体的适应度。
Step6:利用遗传算法进行优化,首先按照选择率在P0中选择若干个体,即为P1,其中将适应度最好的个体默认选择进P1;在P1个体中再选择两个个体,作为交叉的父代和母代,交叉产生个体,写入种群P1中;直到P1中的个体数与P0的个体数相同;然后,对P1中的个体按照变异的概率进行变异;具体的选择,交叉,变异的方法如下:
使用竞标赛方法对这些随机解进行选择,我们的竞标赛方法过程为:每一次用轮盘赌方法选择5个随机解,从这五个解中选出适应度最好的方法,直到选出合适个数的解;而轮盘赌的方法借鉴了日常生活中的转盘思想,将每一个解看做转盘中的一个区域,当适应度更好时,所占面积更大,那么指针停在这部分的概率就大;由于我们的适应度是按照消耗来计算的,消耗越小,适应度越好,那么在轮盘赌中,每个解的概率可以表示为:
在使用轮盘赌法进行选择后,本公开所述方案增加了一个精英选择机制,即所有先前迭代的最优解和先前迭代的最优解为p默认被选中,对于选择出的解,我们进行交叉操作,即选出两个解作为交叉的双亲,对于染色体上的每一个基因,都按照双亲的适应度作为概率进行选择;如父亲的适应度为a,母亲的适应度为b,因为要最小化适应度,则选择父亲的概率为p1=a/(a+b),选择母亲的基因的概率为p2=1-p1;交叉一直到产生和随机产生解的数量相同时结束;
交叉操作后形成的新个体具有一定的遗传变异概率,与自然界一样,突变的结果是混合的,具有不确定性,在本实施例中,使用基本位突变,即对单个编码字符串中指定的值或位数进行突变操作,其突变概率是随机指定的。
Step7:更新P0为P1
Step8:重复step6-step7,直到迭代结束。
Step9:记录在迭代过程中产生的最优成本cost,记为c1。
Step4:计算在远程云上执行的任务产生的成本cost,c2。
Step5:一种基于移动边缘计算的多服务任务的任务卸载和服务迁移方法产生的最优解为c=c1+c2。
实施例二:
本实施例的目的是提供一种电子设备。
一种电子设备,包括、存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
对多服务任务系统进行初始化,并获取当前任务信息;
根据获得的当前任务信息判断当前任务的执行方式;
基于当前任务信息及系统的初始化信息,确定所述多服务任务系统流量消耗的目标函数;
对于在边缘服务器上执行的任务,生成若干任务卸载和服务迁移随机解,并利用遗传算法获得边缘服务器上执行任务的流量消耗最优解;
计算远程云上执行的任务产生的流量消耗;
获得多服务任务的任务卸载和服务迁移产生流量消耗的最优解。
实施例三:
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤,包括:
对多服务任务系统进行初始化,并获取当前任务信息;
根据获得的当前任务信息判断当前任务的执行方式;
基于当前任务信息及系统的初始化信息,确定所述多服务任务系统流量消耗的目标函数;
对于在边缘服务器上执行的任务,生成若干任务卸载和服务迁移随机解,并利用遗传算法获得边缘服务器上执行任务的流量消耗最优解;
计算远程云上执行的任务产生的流量消耗;
获得多服务任务的任务卸载和服务迁移产生流量消耗的最优解。
上述实施例提供的基于边缘计算的多服务任务的卸载和服务迁移方法完全可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于边缘计算的多服务任务的卸载和服务迁移方法,其特征在于,包括:
对多服务任务系统进行初始化,并获取当前任务信息;
根据获得的当前任务信息判断当前任务的执行方式;
基于当前任务信息及系统的初始化信息,确定所述多服务任务系统流量消耗的目标函数;
对于在边缘服务器上执行的任务,生成若干任务卸载和服务迁移随机解,并利用遗传算法获得边缘服务器上执行任务的流量消耗最优解;
计算远程云上执行的任务产生的流量消耗;
获得多服务任务的任务卸载和服务迁移产生流量消耗的最优解。
2.如权利要求1所述的基于边缘计算的多服务任务的卸载和服务迁移方法,其特征在于,所述多服务任务系统的初始化包括各个边缘云接入点的资源约束以及服务资源约束,所述资源约束对应于所述目标函数的若干约束条件。
3.如权利要求1所述的基于边缘计算的多服务任务的卸载和服务迁移方法,其特征在于,所述当前任务信息包括任务的地理位置信息,所需的接入点资源需求、服务资源需求及任务执行所需的CPU周期,以及执行任务所需的流量消耗。
4.如权利要求1所述的基于边缘计算的多服务任务的卸载和服务迁移方法,其特征在于,所述多服务任务系统流量消耗的目标函数具体如下:
Min Cedge+Ccloud
其中,Cedge为在边缘服务器上执行任务产生的流量消耗,Ccloud为在远程云上执行任务产生的流量消耗。
7.如权利要求1所述的基于边缘计算的多服务任务的卸载和服务迁移方法,其特征在于,所述目标函数的约束条件包括硬件资源约束和延迟约束,所述硬件资源约束包括边缘服务器的存储能力约束和计算能力约束;所述延迟约束包括传输延迟约束和执行任务延迟约束。
8.如权利要求1所述的基于边缘计算的多服务任务的卸载和服务迁移方法,其特征在于,所述多服务任务系统的各个任务均需进行接入点选择、执行点选择以及迁移点选择。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述的如权利要求1-8任一项所述的基于边缘计算的多服务任务的卸载和服务迁移方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8任一项所述的基于边缘计算的多服务任务的卸载和服务迁移方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885659.5A CN112165721B (zh) | 2020-08-28 | 2020-08-28 | 基于边缘计算的多服务任务的卸载和服务迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010885659.5A CN112165721B (zh) | 2020-08-28 | 2020-08-28 | 基于边缘计算的多服务任务的卸载和服务迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112165721A true CN112165721A (zh) | 2021-01-01 |
CN112165721B CN112165721B (zh) | 2022-07-19 |
Family
ID=73859342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010885659.5A Active CN112165721B (zh) | 2020-08-28 | 2020-08-28 | 基于边缘计算的多服务任务的卸载和服务迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112165721B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882723A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 面向并行微服务组合的边缘服务部署方法 |
CN114866612A (zh) * | 2022-03-30 | 2022-08-05 | 中国电力科学研究院有限公司 | 一种电力微服务卸载方法及装置 |
CN114866612B (zh) * | 2022-03-30 | 2024-05-31 | 中国电力科学研究院有限公司 | 一种电力微服务卸载方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158855A (zh) * | 2014-07-24 | 2014-11-19 | 浙江大学 | 基于遗传算法的移动服务组合计算卸载方法 |
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
CN110493360A (zh) * | 2019-09-26 | 2019-11-22 | 重庆大学 | 多服务器下降低系统能耗的移动边缘计算卸载方法 |
CN111104211A (zh) * | 2019-12-05 | 2020-05-05 | 山东师范大学 | 基于任务依赖的计算卸载方法、系统、设备及介质 |
CN111148134A (zh) * | 2019-12-19 | 2020-05-12 | 南京大学 | 一种基于移动边缘计算的多用户多任务卸载方法 |
-
2020
- 2020-08-28 CN CN202010885659.5A patent/CN112165721B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158855A (zh) * | 2014-07-24 | 2014-11-19 | 浙江大学 | 基于遗传算法的移动服务组合计算卸载方法 |
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
CN110493360A (zh) * | 2019-09-26 | 2019-11-22 | 重庆大学 | 多服务器下降低系统能耗的移动边缘计算卸载方法 |
CN111104211A (zh) * | 2019-12-05 | 2020-05-05 | 山东师范大学 | 基于任务依赖的计算卸载方法、系统、设备及介质 |
CN111148134A (zh) * | 2019-12-19 | 2020-05-12 | 南京大学 | 一种基于移动边缘计算的多用户多任务卸载方法 |
Non-Patent Citations (2)
Title |
---|
凌雪延等: "多核服务器边缘计算系统中任务卸载调度和功率分配的研究", 《南京邮电大学学报(自然科学版)》 * |
高寒等: "移动边缘计算环境中基于能耗优化的深度神经网络计算任务卸载策略", 《计算机集成制造系统》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882723A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 面向并行微服务组合的边缘服务部署方法 |
CN112882723B (zh) * | 2021-02-24 | 2023-09-08 | 武汉大学 | 面向并行微服务组合的边缘服务部署方法 |
CN114866612A (zh) * | 2022-03-30 | 2022-08-05 | 中国电力科学研究院有限公司 | 一种电力微服务卸载方法及装置 |
CN114866612B (zh) * | 2022-03-30 | 2024-05-31 | 中国电力科学研究院有限公司 | 一种电力微服务卸载方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112165721B (zh) | 2022-07-19 |
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 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN113377540A (zh) | 集群资源调度方法及装置、电子设备和存储介质 | |
CN108170530B (zh) | 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法 | |
CN113485826B (zh) | 一种边缘服务器负载均衡方法、系统 | |
CN111669291A (zh) | 基于深度强化学习的虚拟化网络服务功能链部署方法 | |
CN111752691B (zh) | Ai计算图的排序方法、装置、设备及存储介质 | |
CN108875955A (zh) | 基于参数服务器的梯度提升决策树的实现方法及相关设备 | |
CN109788489A (zh) | 一种基站规划方法及装置 | |
Supreeth et al. | Hybrid genetic algorithm and modified-particle swarm optimization algorithm (GA-MPSO) for predicting scheduling virtual machines in educational cloud platforms | |
CN107992353A (zh) | 一种基于最小迁移量的容器动态迁移方法及系统 | |
CN111163178A (zh) | 一种边缘计算中基于博弈论的服务部署及任务卸载方法 | |
WO2023134403A1 (zh) | 一种物联网资源分配方法、系统、终端以及存储介质 | |
CN109542352A (zh) | 用于存储数据的方法和装置 | |
CN111935025B (zh) | 一种tcp传输性能的控制方法、装置、设备和介质 | |
CN116501711A (zh) | 一种基于“存算分离”架构的算力网络任务调度方法 | |
CN114327811A (zh) | 一种任务调度方法、装置、设备及可读存储介质 | |
CN108170861B (zh) | 一种基于动态规划的分布式数据库系统协同优化方法 | |
CN112463337A (zh) | 一种用于移动边缘计算环境下的工作流任务迁移方法 | |
CN112165721B (zh) | 基于边缘计算的多服务任务的卸载和服务迁移方法 | |
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 | |
CN111044062A (zh) | 路径规划、推荐方法和装置 | |
CN113254146A (zh) | 云平台服务信任值计算、任务调度与负载均衡系统、方法 | |
CN110689175A (zh) | 混沌多重宇宙的分布式绿色云数据中心能耗优化方法 | |
CN116109102A (zh) | 基于遗传算法的资源调配方法及系统 |
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 |