CN112187891A - 基于多业务的边缘计算节点集合的负载优化方法及装置 - Google Patents

基于多业务的边缘计算节点集合的负载优化方法及装置 Download PDF

Info

Publication number
CN112187891A
CN112187891A CN202010973994.0A CN202010973994A CN112187891A CN 112187891 A CN112187891 A CN 112187891A CN 202010973994 A CN202010973994 A CN 202010973994A CN 112187891 A CN112187891 A CN 112187891A
Authority
CN
China
Prior art keywords
edge computing
computing node
load
node set
differential evolution
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
CN202010973994.0A
Other languages
English (en)
Other versions
CN112187891B (zh
Inventor
金烂聚
王臻
邵苏杰
吴建伟
郭少勇
柴睿均
邱兰馨
王信佳
邱雪松
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.)
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd
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 Beijing University of Posts and Telecommunications, Information and Telecommunication Branch of State Grid Zhejiang Electric Power Co Ltd filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010973994.0A priority Critical patent/CN112187891B/zh
Publication of CN112187891A publication Critical patent/CN112187891A/zh
Application granted granted Critical
Publication of CN112187891B publication Critical patent/CN112187891B/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
    • 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
    • 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
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/80—Actions related to the user profile or the type of traffic
    • H04L47/805—QOS or priority aware
    • 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
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例提供了一种基于多业务的边缘计算节点集合的负载优化方法及装置，所述方法包括：获取边缘计算节点集合中的各个边缘计算节点的负载信息；若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对所述差分进化后的边缘计算节点集合进行负载均衡操作。本发明实施例提供的方法，结合边缘计算和差分进化多目标算法，计算边缘计算节点集合中各个边缘计算节点的流量负载值和计算负载值，据此有效地优化了边缘计算节点集合的负载均衡度，并降低了网络整体的平均时延。

Description

基于多业务的边缘计算节点集合的负载优化方法及装置
技术领域
本发明涉及边缘计算技术领域，尤其涉及一种基于多业务的边缘计算节点集合的负载优化方法及装置。
背景技术
电力网络是现代社会必不可少的基础设施，也是国家发展的能源支撑，无论是工业制造、社会生产还是人们的日常生活，均离不开电能的供应。在部署大量的传统传感设施之外，引入多种智能化的监控、巡视和巡检方式，如无人机巡检、机器人巡检、视频监控等，形成了复杂的多业务接入场景，以实现对变电站的高效全方位的智能化的管理与维护。变电站业务场景作为电力通信网多业务接入场景之一，显示了现有电力通信网多业务接入场景的复杂，其中由于大量专有网络的构建，组网结构变得越来越复杂，会导致资源的大量浪费。边缘计算作为云计算的扩展，通过充分利用网络边缘多余的计算、存储和网络服务能力，优化云计算中消耗核心网络大量带宽与能耗、时延较高的问题，在不需要复杂组网结构的同时，高效地应对大数据量和多样的通信处理需求，实现统一安全的接入。对于多业务接入终端场景而言，边缘计算能利用本地计算资源，合理分配给多业务，同时能实现业务终端安全可信接入，弥补覆盖范围有限和资源有限的缺陷，满足其统一接入需求，实现多业务的高效协同处理。
在接入边缘计算时，主要面临着以下问题：一、由于终端可能在不同区域的分布密度不同，若通过信号强度决定终端的接入，则容易出现边缘计算节点负载不均现象。部分的边缘计算节点提供的服务受到有限的带宽资源和计算资源的限制，无法满足不同业务的通信需求和处理需求。二、移动多业务终端由于位置改变需要不断连接到不同的边缘计算节点。导致一些边缘计算节点的监测数据量突然变大，从而加剧了边缘计算节点集合不均衡的负载情况。边缘计算节点集合中的部分边缘计算节点的资源紧张和部分资源浪费，造成资源利用率不高问题。如何妥善的解决上述问题，就成为了业界亟待解决的课题。
发明内容
为解决上述技术问题，本发明实施例提供了一种基于多业务的边缘计算节点集合的负载优化方法及装置。
第一方面，本发明实施例提供了一种基于多业务的边缘计算节点集合的负载优化方法，包括：
获取边缘计算节点集合中的各个边缘计算节点的负载信息；
若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对所述差分进化后的边缘计算节点集合进行负载均衡操作。
进一步地，所述获取边缘计算节点集合中的各个边缘计算节点的负载信息，包括：
根据所述边缘计算节点的总信道带宽、信噪比、传输功率、信道增益和噪声功率中的任一者或多者，计算出边缘计算节点的数据接收率；
根据与所述边缘计算节点相关的业务的到达数量概率和平均数据量，计算出所述边缘计算节点的数据到达率；
根据所述边缘计算节点的所述数据到达率和所述数据接收率，分析出所述边缘计算节点的流量负载值。
进一步地，所述获取边缘计算节点集合中的各个边缘计算节点的负载信息，还包括：
根据所述边缘计算节点的数据接收率和所述业务的平均计算量，计算出所述边缘计算节点的需求算力；
根据所述边缘计算节点的需求算力和所述边缘计算节点的固有算力，分析出所述边缘计算节点的计算负载值。
进一步地，所述基于多业务的边缘计算节点集合的负载优化方法，还包括：
根据预设的业务优先级表，分析出所述边缘计算节点接收到的各个业务的优先级；
若所述边缘计算节点的流量负载值超过预设的流量门限，则进行内部负载均衡操作；
其中，所述内部负载均衡操作，包括：
按照所述优先级的高低顺序，由低到高依次拒接相应优先级对应的业务的数据包，直至所述边缘计算节点的流量负载值低于所述预设的流量门限。
进一步地，所述基于多业务的边缘计算节点集合的负载优化方法，在对所述差分进化后的边缘计算节点集合进行负载均衡操作之后，还包括：
若所述差分进化后的边缘计算节点集合仍不符合预设的终止条件，则通过差分进化多目标算法对所述均衡后的边缘计算节点集合再次进行负载均衡操作；
若所述差分进化后的边缘计算节点集合符合预设的终止条件，则退出集合负载均衡操作的循环，并确认所述差分进化后的边缘计算节点集合为负载优化的边缘计算节点集合。
进一步地，所述基于多业务的边缘计算节点集合的负载优化方法，还包括：
所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作之前，若所述边缘计算节点集合中的任一边缘计算节点的流量负载值超过预设的流量门限，则进行所述内部负载均衡操作；
所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作之后，若所述差分进化后的边缘计算节点集合中的任一边缘计算节点的流量负载值超过预设的流量门限，则进行所述内部负载均衡操作。
进一步地，所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，包括：
将差分进化多目标算法与双方向的搜索策略相结合，每次变异产生两个子代个体；
将差分进化多目标算法与基于控制量的选择策略相结合，通过设置控制量来进行筛选；
使用筛选出的子代个体替换对应的原边缘计算节点，组成所述差分进化后的边缘计算节点集合。
第二方面，本发明实施例提供了一种基于多业务的边缘计算节点集合的负载优化装置，包括：
获取模块，用于获取边缘计算节点集合中的各个边缘计算节点的负载信息；
均衡模块，用于若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对差分进化后的所述边缘计算节点集合进行负载均衡操作。
第三方面，本发明实施例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并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的基于多业务的边缘计算节点集合的负载优化方法的步骤。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于多业务的边缘计算节点集合的负载优化方法的步骤。
本发明实施例提供了一种基于多业务的边缘计算节点集合的负载优化方法及装置，所述方法结合边缘计算和差分进化多目标算法，计算边缘计算节点集合中各个边缘计算节点的流量负载值和计算负载值，据此有效地优化了边缘计算节点集合的负载均衡度，并降低了网络整体的平均时延，从而使得多种业务能够得到高效协同的处理。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的流程图；
图2为本发明一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的步骤S11的流程图；
图3为本发明又一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的步骤S11的流程图；
图4为本发明另一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的流程图；
图5为本发明又一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的流程图；
图6为本发明再一示例性实施例示出的一种基于多业务的边缘计算节点集合的负载优化方法的流程图；
图7为本发明还一示例性实施例示出的一种基于多业务的边缘计算节点集合的负载优化方法的流程图；
图8为本发明一示例性实施例示出的一种基于多业务的边缘计算节点集合的负载优化装置的结构示意图；
图9为本发明一示例性实施例示出的电子设备结构示意图。
附图标记：
81：获取模块；82：均衡模块；
910：处理器；920：通信接口；930：存储器；940：通信总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
图1为本发明一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的流程图，如图1所示，该基于多业务的边缘计算节点的负载优化的方法，包括以下步骤S11-S12：
在步骤S11中，获取边缘计算节点集合中的各个边缘计算节点的负载信息；
在步骤S12中，若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对所述差分进化后的边缘计算节点集合进行负载均衡操作。
本发明实施例提供的一种基于多业务的边缘计算节点集合的负载优化方法结合边缘计算和差分进化多目标算法，计算边缘计算节点集合中各个边缘计算节点的流量负载值和计算负载值，据此有效地优化了边缘计算节点集合的负载均衡度，并降低了网络整体的平均时延，从而使得多种业务能够得到高效协同的处理，还能够提升整体资源利用率。
在一个实施例中，在电力通信网中，各种类型的智能终端发送多种类型的业务数据到临近的多个边缘计算节点，其优势在于边缘计算节点与智能终端的物理距离非常近，可以在更短的时间内响应智能终端，并降低了整个网络中的数据总流量。边缘计算节点的流量接收能力和计算能力都是有限的，那么当业务数据不断增多后，会引起两方面的问题。一个是流量过载，发送到边缘计算节点的业务数据的数据量可能会超过边缘计算节点自身的流量接收能力，并将发送到边缘计算节点的业务数据的数据量与边缘计算节点自身的流量接收能力的比值叫做流量负载值。另一个是计算过载，各种发到边缘计算节点的业务数据需要在边缘计算节点中计算，边缘计算节点的处理能力也是有限的，单位时间内新接收的业务数据所需要的计算量可能会大于边缘计算节点固有的计算能力，导致等待计算处理的业务数据不断增多。将单位时间内新接收的业务数据所需要的计算量与边缘计算节点固有的计算能力的比值叫做计算负载值。
某一个边缘计算节点不仅可能会流量过载，同时还可能会计算过载。各个边缘计算节点之间的无线网络区域会存在一定的重叠区域，若合理的将重叠区域内的业务数据发送到负载程度低的边缘计算节点，将会极大的优化边缘计算节点集合体整体的负载情况。
边缘计算节点的多种类型的业务数据来自不同的终端，该些终端的种类包括：传感器终端、电能数据采集终、远程视频监控终端和智能巡检机器人。传感器终端和电能数据采集终端的数量多且数据量小；远程视频监控终端数量少且数据量大；智能巡检机器人数量少且数据量大。而且不同类型的业务的优先级是不尽相同的。若某一个边缘计算节点的流量负载值超过预设的流量门限，对所述边缘计算节点进行内部负载均衡操作，优先保证边缘计算节点的优先级较高的数据包可以正常的接收。预设的差分进化多目标算法包括了。
通过结合双方向搜索策略和基于控制量的选择策略对预设的差分进化多目标算法做出了改进，达到了改善预设的差分进化多目标算法的收敛性和分布性的技术效果。
本发明实施例基于各个边缘计算节点的流量负载值和计算负载值，对边缘计算节点集合使用预设的差分进化多目标算法进行负载均衡，从而使得该边缘计算节点集合的负载均衡达到较优的情况。
在一个实施例中，图2为本发明一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的步骤S11的流程图，如图2所示，步骤S11 包括如下步骤S21-S23：
在步骤S21中，根据所述边缘计算节点的总信道带宽、信噪比、传输功率、信道增益和噪声功率，计算出边缘计算节点的数据接收率；
在步骤S22中，根据与所述边缘计算节点相关的业务的到达数量概率和平均数据量，计算出所述边缘计算节点的数据到达率；
在步骤S23中，根据所述边缘计算节点的所述数据到达率和所述数据接收率，分析出所述边缘计算节点的流量负载值。
在一个实施例中，为了更好的表述实施例，使用符号来进行相关概念的表述。使用符号I表示计算边缘集合，使用符号i表示边缘计算节点，使用符号J表示智能终端集合，使用符号j表示智能终端，使用符号K表示表示多业务集合，使用符号k表示业务。用符号μ表示边缘计算节点的计算能力，用符号w表示边缘计算节点的总信道带宽，用符号r表示边缘计算节点的数据接收率，用符号b表示边缘计算节点的数据到达率，用符号s表示数据包的平均容量大小，用符号c表示数据包的平均计算量大小。
使用符号Xijk表示边缘计算节点i与智能终端j之间是否存在业务k的二元关联指标，其取值为0或者1，取值为1时表示边缘计算节点i与智能终端 j之间存在业务k，取值为0时表示边缘计算节点i与智能终端j之间不存在业务k，则kj表示智能终端j拥有的业务类型集，sk表示业务k的数据包的平均容量大小，ck表示业务k的数据包的平均计算量大小。
根据Shannon-Hartley定理，边缘计算节点i的数据接收率ri可以表示为信噪比γi的对数函数公式，该公式如下：
ri＝wilog2(1+γi) (1)
其中，信噪比γi可以表示用边缘计算节点j的传输功率Pi、信道增益gi和噪声功率σ的公式，该公式如下：
Figure RE-GDA0002746638400000081
根据M/M/1队列理论，Pik为业务k到达边缘计算节点i的到达概率值(Pik符合泊松分布)，计算边缘节点i接收到的多业务的数据到达率bi可以表示为以下公式：
bi＝∑k∈KPiksk (3)
那么，边缘计算节点的流量负载值pi可以表示为数据到达率bi与数据接收率ri之间的比值，该公式如下：
Figure RE-GDA0002746638400000091
在一个实施例中，图3为本发明又一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的步骤S11的流程图，如图3所示，步骤 S11还包括如下步骤S31-S32：
在步骤S31中，根据所述边缘计算节点的数据接收率和所述业务的平均计算量，计算出所述边缘计算节点的需求算力；
在步骤S32中，根据所述边缘计算节点的需求算力和边缘计算节点的固有算力，分析出所述边缘计算节点的计算负载值。
在一个实施例中，根据上述实施例中的技术方案，当边缘计算节点i以数据接收率ri来接收数据流时，边缘计算节点i的固有算力μi，数据包的平均计算量大小c，数据包的平均计容量大小s，那么边缘计算节点i的需求算力 ui可以表示为如下公式：
Figure RE-GDA0002746638400000092
边缘计算节点的计算负载值qi为边缘计算节点i的需求算力ui与固有算力μi的，可以表示为如下公式：
Figure RE-GDA0002746638400000093
在一个实施例中，图4为本发明另一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的流程图，如图4所示，所述基于多业务的边缘计算节点集合的负载优化方法，还包括如下步骤S41-S42：
在步骤S41中，根据预设的业务优先级表，分析出所述边缘计算节点接收到的各个业务的优先级；
在步骤S42中，若所述边缘计算节点的流量负载值超过预设的流量门限，则进行内部负载均衡操作；
其中，所述内部负载均衡操作，包括：
按照所述优先级的高低顺序，由低到高依次拒接相应优先级对应的业务的数据包，直至所述边缘计算节点的流量负载值低于所述预设的流量门限。
在一个实施例中，在电力通信网的多种业务接入到边缘计算分别有不同的业务要求。根据业务要求对不同的业务进行赋权，在节点内进行内部负载均衡操作时，以各个业务的优先权作为服务顺序的依据。优先权较高的业务的数据包优先接收。在某一个边缘计算节点的流量负载值超过预设的流量门限之后，一次拒收较低优先级的业务的数据包，直到该边缘计算节点的流量负载值小于该预设的流量门限。
例如，在电力通信网存在传感器终端、电能数据采集终端、远程视频监控终端、智能巡检机器人这四类智能终端，产生表1所示的多种业务：
表1
终端 业务 数据量 计算量 延迟 权限
智能巡检机器人 位置分析与光成像 大 大 敏感 4
智能巡检机器人 环境与设备探测信息 小 中 敏感 3
传感器终端 环境与设备探测信息 小 小 敏感 2
电能数据采集终端 环境与设备探测信息 小 小 敏感 2
远程视频监控终端 视频监控数据 大 小 不敏 1
该多种业务的优先级分为4级，数值越小优先级越高。该预设的流量门限为该边缘计算节点的数据接收率小于数据到达率，即流量负载值的数值大于1的情况。基于优先制的M/M/1排队模型，对一个任意的业务的数据包，当某一个边缘计算节点的流量负载值超过预设的流量门限时，拒接优先级较低的业务的数据包，以保证优先级较高的数据包可以正常接收。
在一个实施例中，图5为本发明又一示例性实施例示出的基于多业务的边缘计算节点集合的负载优化方法的流程图，如图5所示，所述所述基于多业务的边缘计算节点集合的负载优化方法，在对所述差分进化后的边缘计算节点集合进行负载均衡操作之后，还包括如下步骤S51-S52：
在步骤S51中，若所述差分进化后的边缘计算节点集合仍不符合预设的终止条件，则通过差分进化多目标算法对所述均衡后的边缘计算节点集合再次进行负载均衡操作；
在步骤S52中，若所述差分进化后的边缘计算节点集合符合预设的终止条件，则退出集合负载均衡操作的循环，并确认所述差分进化后的边缘计算节点集合为负载优化的边缘计算节点集合。
在一个实施例中，根据多个该流量负载值和该计算负载值，能够得到边缘计算节点集合的各个边缘计算节点的平均流量负载值和平均计算负载值。边缘计算节点的内部负载均衡度Mi(t)是流量负载方差和计算负载方差之和。其中，流量负载方差为流量负载值pi与平均流量负载值μ(pi,qi)之间的方差，计算量负载方差是计算负载值qi与平均计算负载值μ(pi,qi)之间的方差。μ(pi,qi)既包含了平均流量负载值，也包含了平均计算负载值。μ(pi,qi)在与流量负载值pi一起计算时，μ(pi,qi)体现为平均流量负载值；μ(pi,qi)在与计算负载值qi一起计算时，μ(pi,qi)体现为平均计算负载值。内部负载均衡度Mi(t)如公式7所示：
Figure RE-GDA0002746638400000111
集合负载均衡度Δ(t)是根据边缘计算节点集合中的各个边缘计算节点的流量负载值pi和计算负载值qi，计算得出流量负载值pi和计算负载值qi之和的期望值μp+q。集合负载均衡度Δ(t)如公式(8)所示：
Figure RE-GDA0002746638400000112
边缘计算节点的工作负载Li(x)综合考虑了边缘计算节点的流量负载值和计算负载值，工作负载Li(x)如公式(9)所示：
Li(x)＝pi 2+qi 2 (9)
边缘计算节点的工作超负荷度Θi(y)用内部负载均衡度Mi(t)和负载均衡度Δi(t)组成的向量的方差来表示。μ在与内部负载均衡度Mi(t)一起计算时，其具体含义为内部负载均衡度Mi(t)的平均值；μ在与负载均衡度Δi(t)一起计算时，其具体含义为负载均衡度Δi(t)的平均值。将负载均衡度Δi(t)和工作超负荷度Mi(t)用流量负载值pi和计算负载值qi来进行表示。负载均衡度Δi(t)如公式(10)所示，工作超负荷度Θi(y)如公式(11)所示：
Δi(t)＝(pi+qi-μp+q)2 (10)
Figure RE-GDA0002746638400000121
在对边缘计算节点集合进行负载均衡的过程中，流量负载和计算负载会发生相互影响。当一些边缘计算节点的流量负载是主要约束时，负载均衡的过程中更注重均衡边缘计算节点之间的流量负载，降低一部分边缘节点的流量负载，来避免发生流量拥塞。数据包本身不仅有流量负载还有计算负载，在均衡边缘计算节点之间的流量负载之后，可能会引起边缘计算节点之间的计算负荷失衡。当一些边缘计算节点由于繁重的计算负载而成为瓶颈时，计算负载成为主要的均衡因素。在这种情况下，通过调整边缘计算节点关联的终端设备，来均衡边缘节点之间的计算负载。在计算均衡之后，可能会导致产生新的流量负载失衡的问题，需要进一步的协调流量负载和计算负载，边缘计算节点集合的负载均衡需要综合考虑计算负载和流量负载两方面。
设定目标函数的工作负载Li(x)和工作超负荷度Θi(y)，并初始化约束参数和边缘计算节点集合，并设置流量负荷度阈值pmax和计算负荷度阈值qmax。计算工作负载Li(x)和工作超负荷度Θi(y)，以及内部负载均衡度Mi(t)和负载均衡度Δi(t)。若内部负载均衡度Mi(t)大于流量符合度阈值Mmax或负载均衡度Δi(t) 大于计算符合度阈值Δmax，则认为该边缘计算节点集合需要通过差分进化多目标算法来进行负载均衡操作。若均衡后的内部负载均衡度和均衡后的集合负载均衡度不符合预设的终止条件，则再进行一次所述负载均衡操作，直到符合预设的终止条件为止。其中，预设的终止条件为同时满足内部负载均衡度Mi(t)小于流量符合度阈值Mmax和负载均衡度Δi(t)小于计算符合度阈值Δmax。若所述均衡后的边缘计算节点集合符合预设的终止条件，退出集合负载均衡操作的循环，并确认所述均衡后的边缘计算节点集合为负载优化的边缘计算节点集合。
在上一实施例的基础上，图6为本发明再一示例性实施例示出的一种基于多业务的边缘计算节点集合的负载优化方法的流程图，如图6所示，所述的基于多业务的边缘计算节点集合的负载优化方法，还包括如下步骤 S61-S62：
在步骤S61中，所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作之前，若所述边缘计算节点集合中的任一边缘计算节点的流量负载值超过预设的流量门限，则进行所述内部负载均衡操作；
在步骤S62中，所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作之后，若所述差分进化后的边缘计算节点集合中的任一边缘计算节点的流量负载值超过预设的流量门限，则进行所述内部负载均衡操作。
在一个实施例中，当某一个边缘计算节点的流量负载值pi大于流量门限，首先进行内部负载均衡操作，即拒接优先级较低的业务数据。计算出内部负载均衡操作之后的边缘计算节点的第一内部负载均衡度M'i(t)和第一负载均衡度Δ'i(t)。基于差分进化多目标算法，使用双方向搜索策略和基于控制量的选择策略，可改善其收敛性和分布性。其中，通过双方向搜索策略每次变异时产生两个子代个体yi +和yi -，不同于原算法每次变异只生成一个子代个体，在算法收敛性上做出改进；将差分进化多目标算法与基于控制量的选择策略相结合，通过设置判断控制量的标准来替代原算法的选择策略，计算潜力个体yi +和yi -的支配量和平均支配量，判断潜力个体yi +和yi -是否可以代替当前个体，从而在算法分布性上作出了改进。根据搜索策略求解最佳调度方式，完成节点间负载平衡，得到差分进化后的边缘计算节点集合。
对差分进化后的边缘计算节点集合再次进行内部负载均衡操作之后，计算出再次执行内部负载均衡之后的边缘计算节点的第二内部负载均衡度 M”i(t)和第二负载均衡度Δ”i(t)，以及工作负载L'i(x)和工作超负荷度Θ'i(y)。
在一个实施例中，图7为本发明还一示例性实施例示出的一种基于多业务的边缘计算节点集合的负载优化方法的流程图，如图7所示，所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，包括如下步骤 S71-S73：
在步骤S71中，将差分进化多目标算法与双方向的搜索策略相结合，每次变异产生两个子代个体；
在步骤S72中，将差分进化多目标算法与基于控制量的选择策略相结合，通过设置控制量来进行筛选；
在步骤S73中，使用筛选出的子代个体替换对应的原边缘计算节点，组成所述差分进化后的边缘计算节点集合。
在一个实施例中，利用双方向的搜索策略和改进的差分算子，对改进的差分进化多目标算法生成变异子代。对于个体数量为N的种群Pt，第i个个体为xi＝(xi,1,xi,2,……xi,r)，变异操作生成两个潜力个体为yi +＝(yi,1 +,yi,2 +,……yi,r +) 和yi -＝(yi,1 -,yi,2 -,……yi,r -)，其中i∈(1,2,……,n)，r表示个体变量数目。新变异操作如公式(12)、(13)所示：
Figure RE-GDA0002746638400000141
Figure RE-GDA0002746638400000142
其中，c为服从高斯分布N(μ,σ2)的控制因子，种群Pt中的任意两个新个体表示为
Figure RE-GDA0002746638400000143
和
Figure RE-GDA0002746638400000144
改进的差分进化多目标算法对每个个体的都产生了两个方向的潜力个体。为了评判对比潜力个体与原个体的优劣，利用新的选择策略引入控制量，从而筛选新的优秀个体留到下一代。新选择策略改进的选择方法是在变异操作后，比较两个潜力个体的控制量，若潜力个体yi +和yi -同时优于原个体xi，或潜力个体yi +和yi -同时与原个体xi互不控制时，随机选择其中一个潜力个体代替原个体。计算控制量如公式(14)所示：
Figure RE-GDA0002746638400000145
其中，x和z分别为fi(x)/fi(z)的两个解，Ri表示第i个目标值的范围，取个体在第i个空间上最小值和最大值的差，m为目标函数个数。
原种群中，k个控制潜力个体的平均值如公式(15)所示：
Figure RE-GDA0002746638400000146
其中，Δcntravg的值越小表明潜力个体的平均控制量越小，即潜力个体更优秀。反之，潜力个体越差。
在一个实施例中，图8为本发明一示例性实施例示出的一种基于多业务的边缘计算节点集合的负载优化装置的结构示意图，所述装置是实现上述实施例提供的基于多业务的边缘计算节点集合的负载优化方法的装置，且所述装置的原理与上述方法的原理相一致，故此处不作赘述。如图8示，该装置包括获取模块81、第一均衡模块82和第二均衡模块83，其中：
所述获取模块81，用于获取多个边缘计算节点集合中各个边缘计算节点的负载信息；
所述均衡模块82，用于若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对所述差分进化后的边缘计算节点集合进行负载均衡操作。
本发明实施例提供的一种基于多业务的边缘计算节点集合的负载优化装置，其各模块相互配合工作，能够结合边缘计算和差分进化多目标算法，计算边缘计算节点集合中各个边缘计算节点的流量负载值和计算负载值，据此有效地优化了边缘计算节点集合的负载均衡度，并降低了网络整体的平均时延，从而使得多种业务能够得到高效协同的处理，还能够提升整体资源利用率。
图9为本发明一示例性实施例示出的电子设备结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行本发明实施例提供的基于多业务的边缘计算节点集合的负载优化方法，所述方法包括：
获取边缘计算节点集合中的各个边缘计算节点的负载信息；
若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于改进的差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对所述差分进化后的边缘计算节点集合进行负载均衡操作。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例提供的基于多业务的边缘计算节点集合的负载优化方法方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各实施例提供的基于多业务的边缘计算节点集合的负载优化方法，所述方法包括：
获取边缘计算节点集合中的各个边缘计算节点的负载信息；
若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对所述差分进化后的边缘计算节点集合进行负载均衡操作。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于多业务的边缘计算节点集合的负载优化方法，其特征在于，包括：
获取边缘计算节点集合中的各个边缘计算节点的负载信息；
若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对所述差分进化后的边缘计算节点集合进行负载均衡操作。
2.根据权利要求1所述的基于多业务的边缘计算节点集合的负载优化方法，其特征在于，所述获取边缘计算节点集合中的各个边缘计算节点的负载信息，包括：
根据所述边缘计算节点的总信道带宽、信噪比、传输功率、信道增益和噪声功率中的任一者或多者，计算出边缘计算节点的数据接收率；
根据与所述边缘计算节点相关的业务的到达数量概率和平均数据量，计算出所述边缘计算节点的数据到达率；
根据所述边缘计算节点的所述数据到达率和所述数据接收率，分析出所述边缘计算节点的流量负载值。
3.根据权利要求2所述的基于多业务的边缘计算节点集合的负载优化方法，其特征在于，所述获取边缘计算节点集合中的各个边缘计算节点的负载信息，还包括：
根据所述边缘计算节点的数据接收率和所述业务的平均计算量，计算出所述边缘计算节点的需求算力；
根据所述边缘计算节点的需求算力和所述边缘计算节点的固有算力，分析出所述边缘计算节点的计算负载值。
4.根据权利要求1所述的基于多业务的边缘计算节点集合的负载优化方法，其特征在于，还包括：
根据预设的业务优先级表，分析出所述边缘计算节点接收到的各个业务的优先级；
若所述边缘计算节点的流量负载值超过预设的流量门限，则进行内部负载均衡操作；
其中，所述内部负载均衡操作，包括：
按照所述优先级的高低顺序，由低到高依次拒接相应优先级对应的业务的数据包，直至所述边缘计算节点的流量负载值低于所述预设的流量门限。
5.根据权利要求1所述的基于多业务的边缘计算节点集合的负载优化方法，其特征在于，在对所述差分进化后的边缘计算节点集合进行负载均衡操作之后，还包括：
若所述差分进化后的边缘计算节点集合仍不符合预设的终止条件，则通过差分进化多目标算法对所述均衡后的边缘计算节点集合再次进行负载均衡操作；
若所述差分进化后的边缘计算节点集合符合预设的终止条件，则退出集合负载均衡操作的循环，并确认所述差分进化后的边缘计算节点集合为负载优化的边缘计算节点集合。
6.根据权利要求5所述的基于多业务的边缘计算节点集合的负载优化方法，其特征在于，还包括：
所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作之前，若所述边缘计算节点集合中的任一边缘计算节点的流量负载值超过预设的流量门限，则进行内部负载均衡操作；
所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作之后，若所述差分进化后的边缘计算节点集合中的任一边缘计算节点的流量负载值超过预设的流量门限，则进行所述内部负载均衡操作。
7.根据权利要求1所述的基于多业务的边缘计算节点的负载优化的方法，其特征在于，所述基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，包括：
将差分进化多目标算法与双方向的搜索策略相结合，每次变异产生两个子代个体；
将差分进化多目标算法与基于控制量的选择策略相结合，通过设置控制量来进行筛选；
使用筛选出的子代个体替换对应的原边缘计算节点，组成所述差分进化后的边缘计算节点集合。
8.一种基于多业务的边缘计算节点集合的负载优化装置，其特征在于，包括：
获取模块，用于获取边缘计算节点集合中的各个边缘计算节点的负载信息；
均衡模块，用于若所述边缘计算节点集合不符合预设的终止条件，根据所述各个边缘计算节点的负载信息，基于差分进化多目标算法，对所述边缘计算节点集合进行双方向的搜索操作和基于控制量的选择操作，得到差分进化后的边缘计算节点集合，对所述差分进化后的边缘计算节点集合进行负载均衡操作。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于多业务的边缘计算节点集合的负载优化方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于多业务的边缘计算节点集合的负载优化方法的步骤。
CN202010973994.0A 2020-09-16 2020-09-16 基于多业务的边缘计算节点集合的负载优化方法及装置 Active CN112187891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010973994.0A CN112187891B (zh) 2020-09-16 2020-09-16 基于多业务的边缘计算节点集合的负载优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010973994.0A CN112187891B (zh) 2020-09-16 2020-09-16 基于多业务的边缘计算节点集合的负载优化方法及装置

Publications (2)

Publication Number Publication Date
CN112187891A true CN112187891A (zh) 2021-01-05
CN112187891B CN112187891B (zh) 2022-06-10

Family

ID=73921326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010973994.0A Active CN112187891B (zh) 2020-09-16 2020-09-16 基于多业务的边缘计算节点集合的负载优化方法及装置

Country Status (1)

Country Link
CN (1) CN112187891B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300854A (zh) * 2021-05-21 2021-08-24 重庆紫光华山智安科技有限公司 一种边缘节点能力扩展方法、系统及扩展盒子
CN113452586A (zh) * 2021-06-11 2021-09-28 青岛海尔科技有限公司 边缘计算节点注册的方法、装置和智慧家庭系统
CN113934545A (zh) * 2021-12-17 2022-01-14 飞诺门阵(北京)科技有限公司 一种视频数据调度方法、系统、电子设备及可读介质
CN116055496A (zh) * 2022-12-30 2023-05-02 广州趣研网络科技有限公司 一种监控数据采集方法、装置、电子设备及存储介质
CN117061177A (zh) * 2023-08-17 2023-11-14 西南大学 一种边缘计算环境下的数据隐私保护增强方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101784061A (zh) * 2009-11-19 2010-07-21 北京邮电大学 无线接入网的自主负载均衡的实现方法与装置
US20130006902A1 (en) * 2011-06-30 2013-01-03 International Business Machines Corporation Speculative asynchronous sub-population evolutionary computing
CN105005503A (zh) * 2015-07-26 2015-10-28 孙凌宇 基于元胞自动机的云计算负载均衡任务调度方法
CN105159762A (zh) * 2015-08-03 2015-12-16 冷明 基于贪心策略的启发式云计算任务调度方法
CN108108228A (zh) * 2018-01-05 2018-06-01 安徽师范大学 一种基于差分进化算法的资源分配方法
CN109840152A (zh) * 2018-12-24 2019-06-04 华中科技大学鄂州工业技术研究院 一种合作协同差分进化方法和装置
CN110321217A (zh) * 2019-03-25 2019-10-11 深圳大学 一种多目标的云资源调度方法、装置、设备及存储介质
CN110445866A (zh) * 2019-08-12 2019-11-12 南京工业大学 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
CN110489229A (zh) * 2019-07-17 2019-11-22 长沙学院 一种多目标任务调度方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101784061A (zh) * 2009-11-19 2010-07-21 北京邮电大学 无线接入网的自主负载均衡的实现方法与装置
US20130006902A1 (en) * 2011-06-30 2013-01-03 International Business Machines Corporation Speculative asynchronous sub-population evolutionary computing
CN105005503A (zh) * 2015-07-26 2015-10-28 孙凌宇 基于元胞自动机的云计算负载均衡任务调度方法
CN105159762A (zh) * 2015-08-03 2015-12-16 冷明 基于贪心策略的启发式云计算任务调度方法
CN108108228A (zh) * 2018-01-05 2018-06-01 安徽师范大学 一种基于差分进化算法的资源分配方法
CN109840152A (zh) * 2018-12-24 2019-06-04 华中科技大学鄂州工业技术研究院 一种合作协同差分进化方法和装置
CN110321217A (zh) * 2019-03-25 2019-10-11 深圳大学 一种多目标的云资源调度方法、装置、设备及存储介质
CN110489229A (zh) * 2019-07-17 2019-11-22 长沙学院 一种多目标任务调度方法及系统
CN110445866A (zh) * 2019-08-12 2019-11-12 南京工业大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUFU LIN: "A MOEA/D-basedmulti-objectiveoptimizationalgorithmforremote", 《IEEE》 *
林书富: "基于MOEA_D的差分进化多目标优化算法研究", 《中国知网》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300854A (zh) * 2021-05-21 2021-08-24 重庆紫光华山智安科技有限公司 一种边缘节点能力扩展方法、系统及扩展盒子
CN113300854B (zh) * 2021-05-21 2023-04-07 重庆紫光华山智安科技有限公司 一种边缘节点能力扩展方法、系统及扩展盒子
CN113452586A (zh) * 2021-06-11 2021-09-28 青岛海尔科技有限公司 边缘计算节点注册的方法、装置和智慧家庭系统
CN113934545A (zh) * 2021-12-17 2022-01-14 飞诺门阵(北京)科技有限公司 一种视频数据调度方法、系统、电子设备及可读介质
CN116055496A (zh) * 2022-12-30 2023-05-02 广州趣研网络科技有限公司 一种监控数据采集方法、装置、电子设备及存储介质
CN116055496B (zh) * 2022-12-30 2024-04-05 广州趣研网络科技有限公司 一种监控数据采集方法、装置、电子设备及存储介质
CN117061177A (zh) * 2023-08-17 2023-11-14 西南大学 一种边缘计算环境下的数据隐私保护增强方法及系统
CN117061177B (zh) * 2023-08-17 2024-05-28 西南大学 一种边缘计算环境下的数据隐私保护增强方法及系统

Also Published As

Publication number Publication date
CN112187891B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN112187891B (zh) 基于多业务的边缘计算节点集合的负载优化方法及装置
Abbasi et al. Intelligent workload allocation in IoT–Fog–cloud architecture towards mobile edge computing
CN111580978A (zh) 边缘计算服务器布局方法及任务分配方法
Liu et al. Task scheduling in fog enabled Internet of Things for smart cities
Globa et al. Quality control for mobile communication management services in hybrid environment
CN109831524A (zh) 一种负载均衡处理方法及装置
CN113961264B (zh) 一种面向视频监控云边协同的智能卸载算法与系统
CN101801036B (zh) 网络流量管理方法及系统、普通节点
CN114531662B (zh) 基于电力5g虚拟专网的终端智能接入认证管理方法
CN113676357B (zh) 面向电力物联网中边缘数据处理的决策方法及其应用
Bhandari et al. Optimal Cache Resource Allocation Based on Deep Neural Networks for Fog Radio Access Networks
CN117539619A (zh) 基于云边融合的算力调度方法、系统、设备和存储介质
Chousainov et al. Performance evaluation of a C-RAN supporting quasi-random traffic
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN116455817A (zh) 一种软件定义云网融合架构及路由实现方法
Ke et al. A priority-based multicast flow scheduling method for a collaborative edge storage datacenter network
CN112543481B (zh) 一种边缘节点算力负载均衡的方法、装置及系统
CN115865930A (zh) 一种基于5g电力物联网的mec动态调整方法
CN112969157B (zh) 一种无人机网络负载均衡方法
CN115695280A (zh) 基于边缘节点的路由方法及装置、电子设备、存储介质
CN107911763A (zh) 一种基于QoS的智能配用电通信网EPON网络规划方法
Guan et al. Multidimensional Resource Fragmentation-Aware Virtual Network Embedding for IoT Applications in MEC Networks
CN112492652A (zh) 一种边缘设备算力服务调配的方法、装置及系统
Mahdi et al. PSO and GA-Based RA Schemes for 5G Networks for D2D Communication
Teshabayev et al. The formation of the structure of a multiservice network based on communication equipment from different manufacturers

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