CN112214301B - 面向智慧城市基于用户偏好的动态计算迁移方法及装置 - Google Patents
面向智慧城市基于用户偏好的动态计算迁移方法及装置 Download PDFInfo
- Publication number
- CN112214301B CN112214301B CN202011179166.6A CN202011179166A CN112214301B CN 112214301 B CN112214301 B CN 112214301B CN 202011179166 A CN202011179166 A CN 202011179166A CN 112214301 B CN112214301 B CN 112214301B
- Authority
- CN
- China
- Prior art keywords
- population
- task
- neighborhood
- strategy
- elite
- 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
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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- 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
-
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
- G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种面向智慧城市基于用户偏好的动态计算迁移方法及装置,方法包括:对输入任务的集合进行初始化,同时,规定算法停止标准、种群最大迭代次数、每一个粒子的邻域向量集合的个数、种群初始迁移策略并定义算法中需要用到的一组权重向量集合;然后,基于MOEA/D算法,以优化用户端移动设备任务从产生到完成期间的总能耗和总时延为目标,对任务的迁移策略进行不断更新;同时为了满足用户的需求,并加入精英策略,可以根据用户的需求和偏好有向改变;采用精英策略,在满足用户偏好的同时,综合考虑任务处理产生的能耗和时延,在MEC环境下为用户任务制定合适的计算迁移策略,达到多目标优化的目的。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种面向智慧城市基于用户偏好的动态计算迁移方法及装置。
背景技术
随着物联网、云计算等新兴理念的提出和应用,人们的生活发生了翻天覆地的变化,与此同时,人们的需求也进一步提高,尤其是在日常生活的城市当中,人们希望能够享受到更多现代化的成果,获得更多新颖且智能化的高端服务。因此,传统的城市模型可能已经不能满足人们的需求,也可能已经无法适应现代化社会的发展。为此,人们提出了智慧城市这一新的理念,希望通过物联网等新兴信息技术推动城市的现代化和智能化进程,将信息技术与城市中的具体应用相结合,为人们提供更多前所未有的智能化、信息化服务。
但是,智慧城市的实现是非常困难的,其需要面对许多过去的传统城市模型中未曾考虑的问题。其中一个较为重要且难以解决的就是智慧城市中移动设备产生的海量数据应该如何处理的问题。
在移动设备普及的今天,一个城市中可能存在数千万乃至数亿的移动设备,而每一个设备又可以产生若干计算任务,可想而知,需要计算的数据量是十分庞大的。虽然目前大部分的移动设备自身具有一定的计算能力,但由于移动设备的体积、电池容量等原因的限制,其计算能力是有限的,尤其是面向计算密集型应用时,提供的服务可能并不能满足用户的需求。
为此,人们提出了移动云计算(Mobile Cloud Computing,MCC)这一新的计算模型,使得这些问题有了解决的新思路。用户可以将大量复杂的计算密集型任务通过计算迁移的方式,迁移到远程云数据中心来进行处理。如此一来,移动设备自身的资源得以解放,取而代之的是计算资源丰富的云数据中心负责大多数任务的处理。
但是,受限于移动设备与云数据中心的物理距离等原因,任务在MCC框架中虽然能获得丰富的计算资源,但其从车辆个体迁移到云数据中心这个过程中产生的时延是不可估量的。尤其对部分具有时延约束的应用来说,高时延的服务方式是不可接受的。因此,为了在计算资源扩充的基础上更进一步优化任务处理时延,人们提出了一种新的范式,称为移动边缘计算(Mobile Edge Computing,MEC)。
基于MEC的理念,若干具有较多计算资源的边缘服务器被安置在在人口密集度较高的城市网络中,这样一来,大量的任务无需迁移到远程云数据中心,而是可以直接迁移到距离较近的边缘服务器上获得服务。目前,已有众多相关研究聚焦于MEC环境下智慧城市中具体应用的计算迁移,如车联网等,力求提高智慧城市网络的服务质量。
栾秋季等人在文献“车联网系统中基于MEC的任务卸载优化研究”中基于MEC的车联网场景,研究了任务卸载时应该卸载到何处以及如何分配计算资源和无线资源的问题,提出一种渡轮顺序组合拍卖机制,在授权频带与非频带共存的环境中,研究了车辆异构网络中基于MEC的任务迁移模式决策和资源分配问题,在时延和容量的限制下,使任务车辆效益提高的同时最大化服务节点的效益。Li,B等人在文献“Computation offloadingalgorithm for arbitrarily divisible applications in mobile edge computingenvironments:An OCR case”中针对MEC环境下的一般应用,研究了如何将可划分的应用程序划分到可用资源中的问题,以最小化应用程序的完成时间。尽管针对MEC环境下计算迁移的优化方法有很多,但这些研究方法可能并不能满足智慧城市中用户的动态需求。譬如,用户对每一个任务处理的要求可能是不同的,可能对计算任务产生的能耗或者是时延具有一定约束,甚至可能希望某些任务得到的服务更好,即个别任务在任务集合中具有更重要的地位。
发明内容
本发明要解决的技术问题,在于提供一种方法及装置,在满足用户需求的同时,对任务处理产生的能耗和时延进行优化。
第一方面,本发明提供了一种方法,包括以下步骤:
步骤1:任务初始化;将任务输入集合定义为It={I1,I2,...,IN},其中每一个IN被定义为一个群体;IN中的每一个子任务视为种群中的一个个体,也被称为粒子,其被定义为二元数组,且有/>其中Wt N为第N个种群中的第t个粒子所需处理的任务量,/>表示第N个种群中的第t个粒子需要传输给后继任务的任务量;精英群体精英群体中的每一个种群/>均来源于初始任务群体It;
步骤3:计算邻域粒子及其权重向量集合;对每一个权重向量λi,计算其与其他权重向量之间的欧氏距离,取距离最近的T个权重向量,构成邻域向量集合Bvi={λi1,λi2,...,λiT},以及邻居种群集合BIi={Ii1,Ii2,...,IiT}其中i={1,2,...,N};
步骤4:生成第一代种群;根据用户需求,以设定方法生成初始种群的迁移策略O1,并计算当前策略下的目标函数值f(O1)={fj(I1),fj(I2),...,fj(IN)},其中j用于指代拟优化目标,存在j={1,2},当j=1时表示优化目标为时延,当j=2时表示优化目标为能耗;
步骤9:当未达到算法最大迭代次数或算法停止标准Doff时,重复步骤6至步骤8直至达到算法最大迭代次数或算法停止标准Doff,此时迁移策略即为最优迁移策略。
进一步地,所述步骤4中生成初始种群迁移策略O1的详细步骤如下:
根据用户的需求,初始种群迁移策略包括:随机生成策略,能耗优先的生成策略以及时延优先的生成策略;
所述随机生成策略中,初始种群的迁移策略O1={ω1,ω2,...,ωN}满足公式:ωN=RandSelect{0,1,...,C,C+1},
表示种群IN中的每一个子任务的迁移策略ωcn将从集合{0,1,...,C,C+1}中随机选取,当ωcn=0时,表示任务将不进行迁移;当ωcn∈{1,2,...,C}时,表示任务将被迁移到相应的边缘服务器上;当ωcn=C+1时,表示任务将被迁移到远程云数据中心;
所述能耗优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的能耗值,取能耗最小的策略作为该种群中粒子的初始迁移策略;而对任务群体It中的非精英群体,仍然采用随机生成策略;
所述时延优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的时延值,取时延最小的策略作为该种群中粒子的初始迁移策略;对任务群体It中的非精英群体,仍然采用随机生成策略。
进一步地,所述步骤8进一步具体为:
对每一个任务Ii的邻域任务Iix∈BIi,若有即得到的新解/>与邻域任务Iix的原始解经过切比雪夫公式计算后的值较优秀时,则对邻域任务进行判断,判断其是否满足精英抉择准则,进而决定邻域任务的解是否改变;
所述精英抉择准则分为5种情况;
第二种情况,当目标任务Ii属于精英种群集合BIi,但邻域任务Iix和Iiy不属于BIi时,则因为新解/>取自邻域种群,与目标种群实际上没有直接联系,所以后续有关邻域种群解更新的不同情况,将不再讨论目标种群是否属于精英种群集合;
在情况三中,邻域任务Iix自身已经属于精英种群集合了,所以其自身解相比于另一非精英种群Iiy是更加重要的,因此,在这种情况中取常数δ1>0.5,即种群Iix的自身解ωix保留的概率更大,其中ψ为精英抉择参数,其值将在0至1的区间中随机选取;
第五种情况即为邻域任务Iix与Iiy均属于精英种群集合,此时邻域种群Iix解的更新满足公式:
此时,由于邻域任务Iix与Iiy两个种群的解都是相对而言较为重要的,所以此时邻域种群Iix的解将有一定概率更新也有一定概率保持不变,在这种情况通常有常数δ3=0.5,即解更新和保留是等概的,随机选择一个保留即可。
第二方面,本发明提供了一装置,包括以下模块:
任务初始模块,将任务输入集合定义为It={I1,I2,...,IN},其中每一个IN被定义为一个群体;IN中的每一个子任务视为种群中的一个个体,也被称为粒子,其被定义为二元数组,且有/>其中Wt N为第N个种群中的第t个粒子所需处理的任务量,表示第N个种群中的第t个粒子需要传输给后继任务的任务量;精英群体精英群体中的每一个种群/>均来源于初始任务群体It;
计算模块,计算邻域粒子及其权重向量集合;对每一个权重向量λi,计算其与其他权重向量之间的欧氏距离,取距离最近的T个权重向量,构成邻域向量集合Bvi={λi1,λi2,...,λiT},以及邻居种群集合BIi={Ii1,Ii2,...,IiT}其中i={1,2,...,N};
生成模块,生成第一代种群;根据用户需求,以设定方法生成初始种群的迁移策略O1,并计算当前策略下的目标函数值f(O1)={fj(I1),fj(I2),...,fj(IN)},其中j用于指代拟优化目标,存在j={1,2},当j=1时表示优化目标为时延,当j=2时表示优化目标为能耗;
迁移模块,当未达到算法最大迭代次数或算法停止标准Doff时,重复更新策略模块至更新迁移策略模块直至达到算法最大迭代次数或算法停止标准Doff,此时迁移策略即为最优迁移策略。
进一步地,所述生成模块中生成初始种群迁移策略O1的详细步骤如下:
根据用户的需求,初始种群迁移策略包括:随机生成策略,能耗优先的生成策略以及时延优先的生成策略;
所述随机生成策略中,初始种群的迁移策略O1={ω1,ω2,...,ωN}满足公式:ωN=RandSelect{0,1,...,C,C+1},
表示种群IN中的每一个子任务的迁移策略ωcn将从集合{0,1,...,C,C+1}中随机选取,当ωcn=0时,表示任务将不进行迁移;当ωcn∈{1,2,...,C}时,表示任务将被迁移到相应的边缘服务器上;当ωcn=C+1时,表示任务将被迁移到远程云数据中心;
所述能耗优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的能耗值,取能耗最小的策略作为该种群中粒子的初始迁移策略;而对任务群体It中的非精英群体,仍然采用随机生成策略;
所述时延优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的时延值,取时延最小的策略作为该种群中粒子的初始迁移策略;对任务群体It中的非精英群体,仍然采用随机生成策略。
进一步地,所述更新迁移策略模块进一步具体为:
对每一个任务Ii的邻域任务Iix∈BIi,若有即得到的新解/>与邻域任务Iix的原始解经过切比雪夫公式计算后的值较优秀时,则对邻域任务进行判断,判断其是否满足精英抉择准则,进而决定邻域任务的解是否改变;
所述精英抉择准则分为5种情况;
第二种情况,当目标任务Ii属于精英种群集合BIi,但邻域任务Iix和Iiy不属于BIi时,则因为新解/>取自邻域种群,与目标种群实际上没有直接联系,所以后续有关邻域种群解更新的不同情况,将不再讨论目标种群是否属于精英种群集合;
在情况三中,邻域任务Iix自身已经属于精英种群集合了,所以其自身解相比于另一非精英种群Iiy是更加重要的,因此,在这种情况中取常数δ1>0.5,即种群Iix的自身解ωix保留的概率更大,其中ψ为精英抉择参数,其值将在0至1的区间中随机选取;
第五种情况即为邻域任务Iix与Iiy均属于精英种群集合,此时邻域种群Iix解的更新满足公式:
此时,由于邻域任务Iix与Iiy两个种群的解都是相对而言较为重要的,所以此时邻域种群Iix的解将有一定概率更新也有一定概率保持不变,在这种情况通常有常数δ3=0.5,即解更新和保留是等概的,随机选择一个保留即可。
第三方面,本发明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,所述处理器执行所述程序时实现第一方面所述的方法。
第四方面,本发明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第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法及装置,本发明采用精英策略,在满足用户偏好的同时,综合考虑任务处理产生的能耗和时延,在MEC环境下为用户任务制定合适的计算迁移策略,达到多目标优化的目的。
在智慧城市中,用户和其产生的任务数量是十分庞大的,因此通过算法计算任务的迁移策略时,同样会产生极大的能耗的时延。所以,本发明采用基于分解的多目标进化算法(amulti-objective evolutionary algorithmbased on decomposition,MOEA/D)。相比于第二代非支配排序遗传算法(NSGA-II)等多目标遗传算法,MOEA/D具有更快的收敛速度,且其算法效益能够高于NSGA-II,因此使用MOEA/D能够进一步降低在迁移策略制定阶段的能耗和时延。
MOEA/D的核心概念是将一个多目标优化问题通过进化一组解来同时解决这些子问题。在每一次迭代中,种群都由目前为止找到的最优解组成。而在迭代中,某一子问题所对应的标量的进化方向取决于其邻域标量的状态。以此达到快速进化的目的,且又防止了结果陷入局部收敛。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明中方法执行的流程图;
图2为本发明中模拟的智慧城市网络环境结构图;
图3为本发明中基因片段交叉过程示意图;
图4为本发明中基因突变过程示意图;
图5为本发明实施例二中装置的结构示意图。
具体实施方式
本申请实施例通过提供一种方法、装置、设备及介质,本发明采用带有精英策略的MOEA/D算法,在对任务处理产生的能耗和时延进行优化的同时,能够根据用户需求动态改变任务的迁移策略,更加适合于处理智慧城市中任务的计算迁移问题。
本申请实施例中的技术方案,总体思路如下:
本发明一种面向智慧城市基于用户偏好高效节能的动态计算迁移方法,方法流程图如图1所示,智慧城市网络环境结构如图2所示,基因片段交叉过程如图3所示,基因突变过程如图4所示,包括以下步骤:
步骤1:任务初始化。任务输入集合定义为It={I1,I2,...,IN},其中每一个IN被定义为一个群体。IN中的每一个子任务视为种群中的一个个体,也被称为粒子,其被定义为二元数组,且有/>其中Wt N为第N个种群中的第t个粒子所需处理的任务量,表示第N个种群中的第t个粒子需要传输给后继任务的任务量。
步骤3:计算邻域粒子及其权重向量集合。对每一个权重向量λi,计算其与其他权重向量之间的欧氏距离,取距离最近的T个向量,构成邻域向量集合Bvi={λi1,λi2,...,λiT},以及邻居种群集合BIi={Ii1,Ii2,...,IiT}其中i={1,2,...,N}。
步骤4:生成第一代种群。根据用户需求,以特定方法生成初始种群O1,并计算当前策略下的目标函数值f(O0)={fj(I1),fj(I2),...,fj(IN)}。其中j用于指代拟优化目标,存在j={1,2},当j=1时表示优化目标为时延,当j=2时表示优化目标为能耗。
步骤9:当未达到算法最大迭代次数或停止标准时,重复步骤6至步骤8N次。
为了便于计算和具体说明,且考虑到智慧城市环境下任务数量可能较多,以及让本领域技术人员理解本发明所提出的方法,以下假定网络环境中存在10个异构的边缘服务器,即任务可选迁移策略共有12种{0,1,...,11}。但本发明可适用的网络环境不局限于此,同样适用于含有更多或更少数量且异构的边缘服务器集群。
如图2所示,为本方法模拟的智慧城市网络结构。当任务迁移策略ωcn=0时,任务将不进行迁移,仅由移动设备为其提供服务。一般情况下,不进行迁移的任务量较小,如果进行迁移反而可能产生更多的时延或能耗,因此,针对数据量较小的任务,不进行迁移可能是一个更好的选择。
而当任务数据量增大时,任务将会逐渐通过局域网(LocalAreaNetwork,LAN)迁移到边缘服务器上处理。如图2所示,任务可以迁移到10个边缘服务器中的任意一个,即ωcn∈{1,2,...,10}。具体的迁移策略将由该边缘服务器的计算资源容量、任务的数据量、任务后继任务的迁移策略等条件决定。相比于直接在本地处理任务,边缘服务器具有更多更丰富的计算资源,但是除了任务处理时延和能耗之外,还需要考虑LAN的网络时延和能耗,以及任务可能出现在边缘服务器上排队所产生的排队时延和能耗。
当任务的数据量进一步增大,或是边缘服务器的资源趋近饱和,任务需要等待过长的时间才能获得服务时,任务将通过广域网(WideAreaNetwork,WAN)被迁移到远程云计算中心获得服务。此时ωcn=11。在远程云数据中心,任务能够获得更多、更快的计算服务,并且,远程云数据中心的计算资源几乎是无穷的,几乎不会出现任务排队等待处理的情况。因此,该迁移策略在处理数据量庞大的计算任务时,具有明显的优势。
对某一种群IN来说,其目标函数值fj(IN)=α×f1(IN)+β×f2(IN),即为时延与能耗的加权求和。具体来说,任务的时延可分为任务传输时延、排队等待时延与任务处理时延三类;相应的,能耗亦分为任务传输能耗、排队等待能耗以及任务处理能耗三类。而不同的迁移策略决定了任务处理将产生不同的时延和能耗,也就是不同的目标函数值。
在任务产生到完成的过程中,传输时延会在两个子过程中产生。一方面,由于任务与设备外部的边缘服务器或是远程云数据中心并不是无缝衔接的,之间具有一定的物理距离。因此,任务通过LAN或是WAN进行迁移时,会产生一定的时延,本方法中将该网络时延定义为传输时延的一部分。
另一方面,任务与任务之间可能是具有一定关联性的,也就是说,任务之间可能存在一定的前驱后继关系,这决定了任务的执行顺序。同时,为了传递这种关联性,一个任务在自己所需的数据Wt N处理完成后,还需要向其后继任务传输一定的数据此时,将会产生一定的传输时延。并且该传输时延不仅与当前任务/>的迁移策略有关,还与其后继任务的迁移策略有关。任务/>与/>之间的数据传输时延满足公式:
其中,表示任务/>所需传输给其后继任务/>的传输数据量。数据传输分为四种情况。当/>与/>的迁移策略相同时,两任务之间的数据在极短的时间内即可传输完成,因此,这种情况下产生的传输时延几乎为0,且定义这种情况为S1;而当两任务的迁移策略不同,且有其一被迁移到某边缘服务器Cp中,而另一任务不进行迁移时,待传输数据将通过LAN进行传输,且此时LAN链路带宽被定义为Bt(0,Cp),且定义这种情况为S2;当两任务迁移策略不同,且分别被迁移到边缘服务器Cp和Cb时,此时LAN链路带宽被定义为Bt(Cp,Cb),且定义这种情况为S3;最后,当两任务迁移策略不同,且有其一被迁移到远程云数据中心时,定义这种情况为S4,且此时WAN带宽受另一任务的迁移策略的影响几乎合一忽略,因此定义此时WAN链路带宽为BT。
虽然,边缘服务器的计算资源相比移动设备本地是较为丰富的,但其资源终究是有限的,在为数量较多或是数据量较大的智慧城市中的任务服务时,很难做到实时处理。因此,迁移到边缘服务器上的任务可能需要等待先到的任务完成后,才能获得边缘服务器的计算资源,再进行计算。此时,任务的排队过程必将消耗一定的时间,即排队等待时延
排队等待时延的计算是较为复杂的。对先到边缘服务器上的任务来说,其无需等待,即排队等待时间而一旦边缘服务器的资源分配趋近饱和,后面到达的任务需要等待先到达的任务处理完成后才能获得服务,而更后面到达的任务又需等待更长的时间,可见,一个任务集合中任务的排队等待时间是动态变化的。
因此,若计算智慧城市中每个任务进行计算迁移时可能需要排队等待的时间,这一工作量是十分巨大的。同时,本方法的目的是为任务规划好迁移策略,以减少任务的时延和能耗开销,并且采用MOEA/D算法的目的即在于在优化目标的同时,进一步减少算法的开销。因此,在本方法中,将从网络整体考虑,采取对迁移到边缘服务器上的任务预设排队等待时间的方法。即根据任务的数据量以及相应边缘服务器的资源容量,将每一个任务的排队等待时间赋予一个合理的常数值。
任务的处理时延,即任务被相应的服务器(移动设备本地、边缘服务器或是远程云数据中心)处理所消耗的时间。任务的处理时延满足公式:
因此,对某一个种群IN来说,其任务集合从产生到完成的总时间消耗TC(Ii)满足公式:
在已知各个设备与服务器的待机功率以及工作功率时,基于上述求出的任务执行过程中各个部分产生的时间消耗,取二者乘积即可得到移动设备或是整个网络结构的能量消耗。
从用户的角度来说,用户希望自己使用的移动设备能够在尽可能低的电池能量消耗下,获得尽可能多的服务。因此,在本方法中我们主要考虑用户端移动设备的能耗。在整个过程中,移动设备端产生的能耗满足公式:
其中,即为已经求得的时延的各个组成部分,Qcos为移动设备本地相应的功率。当移动设备本地处于待机状态时(如没有任务直接在本地处理),Qcos=Qst。Qst为移动设备待机时的功率;而当移动设备需要处理任务正常工作时,Qcos=Qlocal。
然后,在求得目标函数值fj(IN)之后,基于随机方法、时延优先方法或是能耗优先方法,生成第一代种群f(O1)={fj(I1),fj(I2),...,fj(IN)}。同时,同样是基于目标函数值fj(IN),对粒子的参考点进行初始化,得到时延最优参考点和能耗最优参考点(时延和能耗的最优均是指取最小值时)。
然后,对每一个种群Ii,从它的邻域集合BIi中选取两个邻居种群Iix与Iiy,并通过遗传算法中的交叉和变异操作,即可生成一个新的解。
生成新的解之后,整个种群的目标函数值均会发生变化。因此,经过更新后的目标函数值有可能小于目前参考点的数值,所以在每一次目标函数值变化时,都需要对参考点进行更新。
同时,不仅仅为了保证目标种群Ii向着优化的方向前进,与此同时,其邻域种群也会根据Ii得到的优化与否来决定自己的迁移策略是否发生改变。即邻域种群将与目标种群同步优化。而邻域种群更新是基于切比雪夫公式的,其满足公式:
通过反复迭代,整个群体的迁移策略便得以快速高效的更新。
在达到最大迭代次数,或是整个种群的迁移策略达到停止标准Doff(如经过10次迭代,种群迁移策略均无变化)时,停止迭代。此时所得的迁移策略即为算法输出,即最优迁移策略。
实施例一
本实施例提供一种方法,如图1所示,包括以下步骤:
步骤1:任务初始化;将任务输入集合定义为It={I1,I2,...,IN},其中每一个IN被定义为一个群体;IN中的每一个子任务视为种群中的一个个体,也被称为粒子,其被定义为二元数组,且有/>其中Wt N为第N个种群中的第t个粒子所需处理的任务量,/>表示第N个种群中的第t个粒子需要传输给后继任务的任务量;精英群体精英群体中的每一个种群/>均来源于初始任务群体It;
步骤3:计算邻域粒子及其权重向量集合;对每一个权重向量λi,计算其与其他权重向量之间的欧氏距离,取距离最近的T个权重向量,构成邻域向量集合Bvi={λi1,λi2,...,λiT},以及邻居种群集合BIi={Ii1,Ii2,...,IiT}其中i={1,2,...,N};
步骤4:生成第一代种群;根据用户需求,以设定方法生成初始种群的迁移策略O1,并计算当前策略下的目标函数值f(O1)={fj(I1),fj(I2),...,fj(IN)},其中j用于指代拟优化目标,存在j={1,2},当j=1时表示优化目标为时延,当j=2时表示优化目标为能耗,所述生成初始种群迁移策略O1的详细步骤如下:
根据用户的需求,初始种群迁移策略包括:随机生成策略,能耗优先的生成策略以及时延优先的生成策略;
所述随机生成策略中,初始种群的迁移策略O1={ω1,ω2,...,ωN}满足公式:ωN=RandSelect{0,1,...,C,C+1},
表示种群IN中的每一个子任务的迁移策略ωcn将从集合{0,1,...,C,C+1}中随机选取,当ωcn=0时,表示任务将不进行迁移;当ωcn∈{1,2,...,C}时,表示任务将被迁移到相应的边缘服务器上;当ωcn=C+1时,表示任务将被迁移到远程云数据中心;
所述能耗优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的能耗值,取能耗最小的策略作为该种群中粒子的初始迁移策略;而对任务群体It中的非精英群体,仍然采用随机生成策略;
所述时延优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的时延值,取时延最小的策略作为该种群中粒子的初始迁移策略;对任务群体It中的非精英群体,仍然采用随机生成策略;
步骤9:当未达到算法最大迭代次数或算法停止标准Doff时,重复步骤6至步骤8直至达到算法最大迭代次数或算法停止标准Doff,此时迁移策略即为最优迁移策略。
优选的,步骤8进一步具体为:对每一个任务Ii的邻域任务Iix∈BIi,若有即得到的新解/>与邻域任务Iix的原始解经过切比雪夫公式计算后的值较优秀时,则对邻域任务进行判断,判断其是否满足精英抉择准则,进而决定邻域任务的解是否改变;
所述精英抉择准则分为5种情况;
第二种情况,当目标任务Ii属于精英种群集合BIi,但邻域任务Iix和Iiy不属于BIi时,则因为新解/>取自邻域种群,与目标种群实际上没有直接联系,所以后续有关邻域种群解更新的不同情况,将不再讨论目标种群是否属于精英种群集合;
在情况三中,邻域任务Iix自身已经属于精英种群集合了,所以其自身解相比于另一非精英种群Iiy是更加重要的,因此,在这种情况中取常数δ1>0.5,即种群Iix的自身解ωix保留的概率更大,其中ψ为精英抉择参数,其值将在0至1的区间中随机选取;
第五种情况即为邻域任务Iix与Iiy均属于精英种群集合,此时邻域种群Iix解的更新满足公式:
此时,由于邻域任务Iix与Iiy两个种群的解都是相对而言较为重要的,所以此时邻域种群Iix的解将有一定概率更新也有一定概率保持不变,在这种情况通常有常数δ3=0.5,即解更新和保留是等概的,随机选择一个保留即可。
基于同一发明构思,本申请还提供了与实施例一中的方法对应的装置,详见实施例二。
实施例二
在本实施例中提供了一种装置,如图5所示,包括以下模块:
任务初始模块,将任务输入集合定义为It={I1,I2,...,IN},其中每一个IN被定义为一个群体;IN中的每一个子任务视为种群中的一个个体,也被称为粒子,其被定义为二元数组,且有/>其中Wt N为第N个种群中的第t个粒子所需处理的任务量,表示第N个种群中的第t个粒子需要传输给后继任务的任务量;精英群体精英群体中的每一个种群/>均来源于初始任务群体It;
计算模块,计算邻域粒子及其权重向量集合;对每一个权重向量λi,计算其与其他权重向量之间的欧氏距离,取距离最近的T个权重向量,构成邻域向量集合Bvi={λi1,λi2,...,λiT},以及邻居种群集合BIi={Ii1,Ii2,...,IiT}其中i={1,2,...,N};
生成模块,生成第一代种群;根据用户需求,以设定方法生成初始种群的迁移策略O1,并计算当前策略下的目标函数值f(O1)={fj(I1),fj(I2),...,fj(IN)},其中j用于指代拟优化目标,存在j={1,2},当j=1时表示优化目标为时延,当j=2时表示优化目标为能耗,所述生成初始种群迁移策略O1的详细步骤如下:
根据用户的需求,初始种群迁移策略包括:随机生成策略,能耗优先的生成策略以及时延优先的生成策略;
所述随机生成策略中,初始种群的迁移策略O1={ω1,ω2,...,ωN}满足公式:ωN=RandSelect{0,1,...,C,C+1},
表示种群IN中的每一个子任务的迁移策略ωcn将从集合{0,1,...,C,C+1}中随机选取,当ωcn=0时,表示任务将不进行迁移;当ωcn∈{1,2,...,C}时,表示任务将被迁移到相应的边缘服务器上;当ωcn=C+1时,表示任务将被迁移到远程云数据中心;
所述能耗优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的能耗值,取能耗最小的策略作为该种群中粒子的初始迁移策略;而对任务群体It中的非精英群体,仍然采用随机生成策略;
所述时延优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的时延值,取时延最小的策略作为该种群中粒子的初始迁移策略;对任务群体It中的非精英群体,仍然采用随机生成策略;
更新策略模块,更新任务迁移策略;对每一个种群Ii,取其邻域集合BIi中的两个邻居种群Iix与Iiy,通过交叉和变异操作及遗传算法生成一个新解即新的任务迁移策略;同时,迁移策略集合也得到了更新,即/>/>
迁移模块,当未达到算法最大迭代次数或算法停止标准Doff时,重复更新策略模块至更新迁移策略模块直至达到算法最大迭代次数或算法停止标准Doff,此时迁移策略即为最优迁移策略。
优选地,所述更新迁移策略模块进一步具体为:
对每一个任务Ii的邻域任务Iix∈BIi,若有即得到的新解/>与邻域任务Iix的原始解经过切比雪夫公式计算后的值较优秀时,则对邻域任务进行判断,判断其是否满足精英抉择准则,进而决定邻域任务的解是否改变;
所述精英抉择准则分为5种情况;
第二种情况,当目标任务Ii属于精英种群集合BIi,但邻域任务Iix和Iiy不属于BIi时,则因为新解/>取自邻域种群,与目标种群实际上没有直接联系,所以后续有关邻域种群解更新的不同情况,将不再讨论目标种群是否属于精英种群集合;
在情况三中,邻域任务Iix自身已经属于精英种群集合了,所以其自身解相比于另一非精英种群Iiy是更加重要的,因此,在这种情况中取常数δ1>0.5,即种群Iix的自身解ωix保留的概率更大,其中ψ为精英抉择参数,其值将在0至1的区间中随机选取;
第五种情况即为邻域任务Iix与Iiy均属于精英种群集合,此时邻域种群Iix解的更新满足公式:
此时,由于邻域任务Iix与Iiy两个种群的解都是相对而言较为重要的,所以此时邻域种群Iix的解将有一定概率更新也有一定概率保持不变,在这种情况通常有常数δ3=0.5,即解更新和保留是等概的,随机选择一个保留即可。
由于本发明实施例二所介绍的装置,为实施本发明实施例一的方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的电子设备实施例,详见实施例三。
实施例三
本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,处理器执行计算机程序时,可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备,故而基于本申请实施例一中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的存储介质,详见实施例四。
实施例四
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,可以实现实施例一中任一实施方式。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:本申请实施例提供的方法、装置、设备及介质,
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (6)
1.一种面向智慧城市基于用户偏好的动态计算迁移方法,其特征在于:包括以下步骤:
步骤1:任务初始化;将任务输入集合定义为It={I1,I2,...,IN},其中每一个IN被定义为一个群体;IN中的每一个子任务视为种群中的一个个体,也被称为粒子,其被定义为二元数组,且有/>其中Wt N为第N个种群中的第t个粒子所需处理的任务量,表示第N个种群中的第t个粒子需要传输给后继任务的任务量;精英群体精英群体中的每一个种群/>均来源于初始任务群体It;
步骤3:计算邻域粒子及其权重向量集合;对每一个权重向量λi,计算其与其他权重向量之间的欧氏距离,取距离最近的T个权重向量,构成邻域向量集合Bvi={λi1,λi2,...,λiT},以及邻居种群集合BIi={Ii1,Ii2,...,IiT}其中i={1,2,...,N};
步骤4:生成第一代种群;以设定方法生成初始种群的迁移策略O1,并计算当前策略下的目标函数值f(O1)={fj(I1),fj(I2),...,fj(IN)},其中j用于指代拟优化目标,存在j={1,2},当j=1时表示优化目标为时延,当j=2时表示优化目标为能耗;
步骤9:当未达到算法最大迭代次数或算法停止标准Doff时,重复步骤6至步骤8直至达到算法最大迭代次数或算法停止标准Doff,此时迁移策略即为最优迁移策略;
所述步骤8进一步具体为:
对每一个任务Ii的邻域任务Iix∈BIi,若有即得到的新解/>与邻域任务Iix的原始解经过切比雪夫公式计算后的值较优秀时,则对邻域任务进行判断,判断其是否满足精英抉择准则,进而决定邻域任务的解是否改变;
所述精英抉择准则分为5种情况;
第二种情况,当目标任务Ii属于精英种群集合BIi,但邻域任务Iix和Iiy不属于BIi时,则因为新解/>取自邻域种群,与目标种群实际上没有直接联系,所以后续有关邻域种群解更新的不同情况,将不再讨论目标种群是否属于精英种群集合;
而第三种情况是,当存在邻域任务Iix属于精英种群集合BIi,但另一邻域任务Iiy不属于BIi时,则邻域种群Iix解的更新满足公式:
在情况三中,邻域任务Iix自身已经属于精英种群集合了,所以其自身解相比于另一非精英种群Iiy是更加重要的,因此,在这种情况中取常数δ1>0.5,即种群Iix的自身解ωix保留的概率更大,其中ψ为精英抉择参数,其值将在0至1的区间中随机选取;
在第四种情况中,存在邻域任务Iix不属于精英种群集合BIi,但另一邻域任务Iiy则属于BIi,此时邻域种群Iix解的更新满足公式:
第五种情况即为邻域任务Iix与Iiy均属于精英种群集合,此时邻域种群Iix解的更新满足公式:
此时,由于邻域任务Iix与Iiy两个种群的解都是相对而言较为重要的,所以此时邻域种群Iix的解将有概率更新也有概率保持不变,在这种情况有常数δ3=0.5,即解更新和保留是等概的,随机选择一个保留即可。
2.根据权利要求1所述的一种面向智慧城市基于用户偏好的动态计算迁移方法,其特征在于:所述步骤4中生成初始种群迁移策略O1的详细步骤如下:
根据用户的需求,初始种群迁移策略包括:随机生成策略,能耗优先的生成策略以及时延优先的生成策略;
所述随机生成策略中,初始种群的迁移策略O1={ω1,ω2,...,ωN}满足公式:ωN=RandSelect{0,1,...,C,C+1},
表示种群IN中的每一个子任务的迁移策略ωcn将从集合{0,1,...,C,C+1}中随机选取,当ωcn=0时,表示任务将不进行迁移;当ωcn∈{1,2,...,C}时,表示任务将被迁移到相应的边缘服务器上;当ωcn=C+1时,表示任务将被迁移到远程云数据中心;
所述能耗优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的能耗值,取能耗最小的策略作为该种群中粒子的初始迁移策略;而对任务群体It中的非精英群体,仍然采用随机生成策略;
3.一种面向智慧城市基于用户偏好的动态计算迁移装置,其特征在于:包括以下模块:
任务初始模块,将任务输入集合定义为It={I1,I2,...,IN},其中每一个IN被定义为一个群体;IN中的每一个子任务视为种群中的一个个体,也被称为粒子,其被定义为二元数组,且有/>其中Wt N为第N个种群中的第t个粒子所需处理的任务量,/>表示第N个种群中的第t个粒子需要传输给后继任务的任务量;精英群体精英群体中的每一个种群/>均来源于初始任务群体It;
计算模块,计算邻域粒子及其权重向量集合;对每一个权重向量λi,计算其与其他权重向量之间的欧氏距离,取距离最近的T个权重向量,构成邻域向量集合Bvi={λi1,λi2,...,λiT},以及邻居种群集合BIi={Ii1,Ii2,...,IiT}其中i={1,2,...,N};
生成模块,生成第一代种群;以设定方法生成初始种群的迁移策略O1,并计算当前策略下的目标函数值f(O1)={fj(I1),fj(I2),...,fj(IN)},其中j用于指代拟优化目标,存在j={1,2},当j=1时表示优化目标为时延,当j=2时表示优化目标为能耗;
迁移模块,当未达到算法最大迭代次数或算法停止标准Doff时,重复更新策略模块至更新迁移策略模块直至达到算法最大迭代次数或算法停止标准Doff,此时迁移策略即为最优迁移策略;
所述更新迁移策略模块进一步具体为:
对每一个任务Ii的邻域任务Iix∈BIi,若有即得到的新解/>与邻域任务Iix的原始解经过切比雪夫公式计算后的值较优秀时,则对邻域任务进行判断,判断其是否满足精英抉择准则,进而决定邻域任务的解是否改变;
所述精英抉择准则分为5种情况;
第二种情况,当目标任务Ii属于精英种群集合BIi,但邻域任务Iix和Iiy不属于BIi时,则因为新解/>取自邻域种群,与目标种群实际上没有直接联系,所以后续有关邻域种群解更新的不同情况,将不再讨论目标种群是否属于精英种群集合;
而第三种情况是,当存在邻域任务Iix属于精英种群集合BIi,但另一邻域任务Iiy不属于BIi时,则邻域种群Iix解的更新满足公式:
在情况三中,邻域任务Iix自身已经属于精英种群集合了,所以其自身解相比于另一非精英种群Iiy是更加重要的,因此,在这种情况中取常数δ1>0.5,即种群Iix的自身解ωix保留的概率更大,其中ψ为精英抉择参数,其值将在0至1的区间中随机选取;
在第四种情况中,存在邻域任务Iix不属于精英种群集合BIi,但另一邻域任务Iiy则属于BIi,此时邻域种群Iix解的更新满足公式:
第五种情况即为邻域任务Iix与Iiy均属于精英种群集合,此时邻域种群Iix解的更新满足公式:
此时,由于邻域任务Iix与Iiy两个种群的解都是相对而言较为重要的,所以此时邻域种群Iix的解将有概率更新也有概率保持不变,在这种情况有常数δ3=0.5,即解更新和保留是等概的,随机选择一个保留即可。
4.根据权利要求3所述的一种面向智慧城市基于用户偏好的动态计算迁移装置,其特征在于:所述生成模块中生成初始种群迁移策略O1的详细步骤如下:
根据用户的需求,初始种群迁移策略包括:随机生成策略,能耗优先的生成策略以及时延优先的生成策略;
所述随机生成策略中,初始种群的迁移策略O1={ω1,ω2,...,ωN}满足公式:ωN=RandSelect{0,1,...,C,C+1},
表示种群IN中的每一个子任务的迁移策略ωcn将从集合{0,1,...,C,C+1}中随机选取,当ωcn=0时,表示任务将不进行迁移;当ωcn∈{1,2,...,C}时,表示任务将被迁移到相应的边缘服务器上;当ωcn=C+1时,表示任务将被迁移到远程云数据中心;
所述能耗优先的生成策略中,将对精英群体中的每一个种群先进行一次评估;计算每一个种群/>在各个不同迁移策略下的能耗值,取能耗最小的策略作为该种群中粒子的初始迁移策略;而对任务群体It中的非精英群体,仍然采用随机生成策略;
5.一种电子设备,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程序时实现如权利要求1或2所述的方法。
6.一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或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179166.6A CN112214301B (zh) | 2020-10-29 | 2020-10-29 | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179166.6A CN112214301B (zh) | 2020-10-29 | 2020-10-29 | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112214301A CN112214301A (zh) | 2021-01-12 |
CN112214301B true CN112214301B (zh) | 2023-06-02 |
Family
ID=74057493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011179166.6A Active CN112214301B (zh) | 2020-10-29 | 2020-10-29 | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112214301B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113037805B (zh) * | 2021-05-11 | 2022-07-08 | 福州大学 | 面向移动边缘计算的多实例微服务迁移方法 |
CN113139639B (zh) * | 2021-05-17 | 2023-05-30 | 华侨大学 | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 |
CN113726882B (zh) * | 2021-08-30 | 2023-08-11 | 中国电信股份有限公司 | 基于5g网络的信息服务系统、方法及装置、设备、介质 |
CN114466385A (zh) * | 2022-01-12 | 2022-05-10 | 中南大学 | 基于用户移动感知的无缝服务迁移方法及计算机系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024086A (zh) * | 2011-09-20 | 2013-04-03 | 中兴通讯股份有限公司 | 多接口终端的业务传输方法及装置 |
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 |
CN110535936A (zh) * | 2019-08-27 | 2019-12-03 | 南京邮电大学 | 一种基于深度学习的能量高效雾计算迁移方法 |
CN110677858A (zh) * | 2019-10-25 | 2020-01-10 | 国家电网有限公司 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
CN111813506A (zh) * | 2020-07-17 | 2020-10-23 | 华侨大学 | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10430270B2 (en) * | 2017-12-04 | 2019-10-01 | Bank Of America Corporation | System for migrating data using dynamic feedback |
-
2020
- 2020-10-29 CN CN202011179166.6A patent/CN112214301B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024086A (zh) * | 2011-09-20 | 2013-04-03 | 中兴通讯股份有限公司 | 多接口终端的业务传输方法及装置 |
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 |
CN110535936A (zh) * | 2019-08-27 | 2019-12-03 | 南京邮电大学 | 一种基于深度学习的能量高效雾计算迁移方法 |
CN110677858A (zh) * | 2019-10-25 | 2020-01-10 | 国家电网有限公司 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
CN111813506A (zh) * | 2020-07-17 | 2020-10-23 | 华侨大学 | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 |
Non-Patent Citations (5)
Title |
---|
一种群体迁移优化算法及性能分析;马海平;李寰;阮谢永;;控制理论与应用(03);全文 * |
基于自适应遗传算法的MEC任务卸载及资源分配;闫伟;申滨;刘笑笑;;电子技术应用(08);全文 * |
基于边缘计算的单任务迁移策略研究;朱霞;靳昊恺;;金陵科技学院学报(03);全文 * |
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;高寒;李学俊;周博文;刘晓;徐佳;;计算机集成制造系统(06);全文 * |
边缘计算迁移研究综述;朱友康;乐光学;杨晓慧;刘建生;;电信科学(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112214301A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112214301B (zh) | 面向智慧城市基于用户偏好的动态计算迁移方法及装置 | |
CN111278132B (zh) | 移动边缘计算中面向低时延高可靠业务的资源分配方法 | |
Liu et al. | A reinforcement learning-based resource allocation scheme for cloud robotics | |
CN111813506B (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
CN109257429A (zh) | 一种基于深度强化学习的计算卸载调度方法 | |
CN111475274B (zh) | 云协同多任务调度方法及装置 | |
CN113543176A (zh) | 基于智能反射面辅助的移动边缘计算系统的卸载决策方法 | |
CN111970154B (zh) | 基于深度增强学习和凸优化的卸载决策及资源分配方法 | |
CN115033359A (zh) | 一种基于时延控制的物联代理多任务调度方法和系统 | |
Qin et al. | User-edge collaborative resource allocation and offloading strategy in edge computing | |
CN116209084A (zh) | 一种能量收集mec系统中任务卸载和资源分配方法 | |
CN113703984B (zh) | 5g云边协同场景下基于soa架构的云任务优化策略方法 | |
CN115408072A (zh) | 基于深度强化学习的快速适应模型构建方法及相关装置 | |
Xu et al. | A meta reinforcement learning-based virtual machine placement algorithm in mobile edge computing | |
Salehnia et al. | SDN-based optimal task scheduling method in Fog-IoT network using combination of AO and WOA | |
Huang et al. | Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud | |
CN112835684A (zh) | 一种面向移动边缘计算的虚拟机部署方法 | |
CN117436485A (zh) | 基于权衡时延和精度的多退出点的端-边-云协同系统及方法 | |
CN116954866A (zh) | 基于深度强化学习的边缘云下任务调度方法及系统 | |
CN116996941A (zh) | 基于配网云边端协同的算力卸载方法、装置及系统 | |
CN114217881B (zh) | 任务卸载方法及相关装置 | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
CN114980160A (zh) | 一种无人机辅助的太赫兹通信网络联合优化方法和装置 | |
CN110366210A (zh) | 一种针对有状态数据流应用的计算卸载方法 | |
CN113783726B (zh) | 一种面向sla的边云系统的资源自适应定制方法 |
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 |