CN112231009A - 一种能量捕获网络模型任务计算卸载决策与调度方法 - Google Patents

一种能量捕获网络模型任务计算卸载决策与调度方法 Download PDF

Info

Publication number
CN112231009A
CN112231009A CN202010978946.0A CN202010978946A CN112231009A CN 112231009 A CN112231009 A CN 112231009A CN 202010978946 A CN202010978946 A CN 202010978946A CN 112231009 A CN112231009 A CN 112231009A
Authority
CN
China
Prior art keywords
task
energy
model
calculation
tasks
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
CN202010978946.0A
Other languages
English (en)
Other versions
CN112231009B (zh
Inventor
田贤忠
陈加伦
闵旭
周璐
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010978946.0A priority Critical patent/CN112231009B/zh
Publication of CN112231009A publication Critical patent/CN112231009A/zh
Application granted granted Critical
Publication of CN112231009B publication Critical patent/CN112231009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/44—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
    • G06F9/46—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
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种能量捕获网络模型任务计算卸载决策与调度方法，包括以下步骤：统计任务产生的类型与具体计算量；用户设备统一进行能量捕获；合理利用Cache缓存模型进行计算卸载；动态调整Cache中模型；确定目标函数和限制条件，建立问题模型；采用LRU置换算法和遗传算法对具有混合离散连续优化的数学问题进行求解，从而得到任务计算的卸载决策和任务卸载的顺序。本发明实现了合理的任务调度方案，可有效提高完成所有计算任务的速度。

Description

一种能量捕获网络模型任务计算卸载决策与调度方法
技术领域
本发明属于能量捕获无线传感器网络技术领域，尤其涉及在能量捕获网络中模型任务的计算卸载决策与调度方法。
背景技术
能耗一直是无线网络的核心问题之一。射频能量捕获技术的提出为能源受限的无线网络供电提供新的解决思路。它通过捕获环境中的射频能量，以进行信息处理和传输，从而保证自身的正常工作。
随着越来越多具有计算密集型应用的出现，能量捕获网络由于其捕获的能量的限制，无法在较短的时间内满足这些应用的需求。通过边缘计算把部分计算任务卸载的边缘服务器上是一种可行的解决方法。目前，在运用边缘计算处理模型任务时，由于模型任务中的模型的可重复利用性，如果Cache中已有相应的计算模型，那么卸载这类计算任务只需卸载数据，这时先卸载这类计算任务效率就比较高，所以如何根据Cache中的模型情况调度计算任务的卸载顺序也显得至关重要；另一方面，由于边缘服务器的Cache容量是有限的，当Cache容量饱和以后，如何淘汰Cache中已有的模型将直接影响计算任务卸载的效率。因此，能量捕获网络中模型任务计算卸载决策与调度是一个重要的研究问题。
发明内容
为了克服现有技术存在的不足，本发明提出一种能量捕获网络模型任务计算卸载决策与调度方法。该方法以最小化能量捕获网络中完成所有模型任务的时间为目标，通过对能量捕获时间、本地计算功率、卸载决策、任务上传顺序的优化，在满足能耗和Cache容量约束的条件下，使完成所有计算任务的时间最少。
为了实现上述过程，本发明提供以下的技术方案：
一种在能量捕获网络中模型任务计算卸载决策与调度方法，包括以下步骤：
步骤1：每个用户UEk随机产生一个任务
Figure BDA0002686817010000011
其中n代表第n种任务类型，
Figure BDA0002686817010000012
Wn代表第n种任务类型的模型大小，
Figure BDA0002686817010000013
代表UEk产生任务类型为n的任务量，用户个数为M，任务类型个数为N；
步骤2：每个用户UEk捕获由基站发射的射频能量，捕获时间都为te，各UEk捕获到的能量为Ek，
Figure BDA0002686817010000014
其中Pr是射频发射器的传输功率，GT是传输信道增益，GR是接收信道增益，λ是发射波长，dk是UE与基站之间的距离，L是路径损失系数；
步骤3：用户卸载决策分析，过程如下：
3.1若在本地进行计算，记用户设备调整计算频率
Figure BDA0002686817010000021
本地计算时间为
Figure BDA0002686817010000022
消耗能量为
Figure BDA0002686817010000023
则
Figure BDA0002686817010000024
表示单位时间UEk捕获到的能量，
Figure BDA0002686817010000025
代表UEk本地处理1bit任务类型为n的任务需要CPU周期数，完成所有在本地计算的任务所需要的时间为
Figure BDA0002686817010000026
xk表示卸载决策，其值0表示本地计算，1表示卸载；
3.2若用户选择在边缘服务器计算，因为基站只有一根天线，同一时间只能接收一个任务，需调整任务上传的顺序lz，记边缘服务器计算的时间为
Figure BDA0002686817010000027
消耗能量为
Figure BDA0002686817010000028
则
Figure BDA0002686817010000029
Figure BDA00026868170100000210
其中
Figure BDA00026868170100000211
rmec为UE的传输速率，fmec为边缘服务器的计算频率，Xn(z)表示边缘服务器接收第z个任务时，模型n是否存在Cache中，计算完成所有上传到边缘服务器的任务所需的时间
Figure BDA00026868170100000212
Figure BDA00026868170100000213
步骤4：根据步骤1、步骤2和步骤3所描述，建立如下数学模型：
Figure BDA00026868170100000214
Figure BDA00026868170100000215
Figure BDA00026868170100000216
Figure BDA00026868170100000217
约束(2)(3)分别表示本地处理、卸载到边缘服务器计算消耗能量不超过捕获能量，约束(4)表示Cache存储的模型有限；
步骤5：采用LRU算法动态调整Cache存储模型，新模型上传时需要检测Cache中是否已经存储，当Cache容量不足时，弹出最长时间未使用的模型，直至能放入新上传的模型；
步骤6：染色体设置成一个大小为(M+2)的向量，记X，X(1：M)代表M个用户的卸载决策用0和1表示；X(M+1)代表能量捕获的时间；X(M+2)代表任务上传的顺序；
步骤7：利用公式
Figure BDA00026868170100000218
得出任务在本地计算用时，进一步用得出完成所有任务时间Tl；
步骤8：初始化种群，上传到边缘服务器计算的任务数为Z。其中，初始化个体X(1:M)取值为{0,1}，X(M+1)的取值范围是(0,Tl)，X(M+2)取值范围为(1,Z！)；
步骤9：确定任务数为Z的全排列，根据X(M+2)的值，确定任务上传顺序；
步骤10：确定适应度函数
Figure BDA0002686817010000031
步骤11：种群迭代，个体交叉变异，记录当上传到边缘服务器个数为Z时最快完成任务的个体X；
步骤12：重复步骤8，Z从(1，M)遍历，得到全局最快完成任务的X；
步骤13：根据X反向得到最优能量捕获时间、卸载决策以及任务的调度方案。
进一步，所述步骤7中，用户设备的计算频率由捕获的能量和最大计算频率共同决定，计算出所有计算任务在本地执行的时延，在步骤8中进行剪枝。
所述步骤10中，适应度函数充分考虑到用户捕获能量对计算卸载方案的影响，当卸载到MEC计算所消耗的能量大于捕获到的能量时，适应度为无穷大，种群迭代时会舍弃这些不合理的任务调度方案。
本发明的有益效果如下：
1.本发明要求用户设备在能量捕获网络中，捕获够用的能量进行计算或者卸载到MEC服务器，即减少完成任务的时间，又符合绿色环保的理念。
2.本发明合理利用Cache缓存模型任务中的模型，通过调整任务的上传顺序改变Cache中的内容，减少相同类型模型上传。
3.采用新方法定义个体，每个个体能表示一种任务调度方案，把复杂的任务调度变得简单。
附图说明
图1为能量捕获网络场景示意图。
图2为过程模拟示意图。
图3为本地计算示意图。
图4为个体表示方案示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1～图4，一种能量捕获网络,模型任务计算卸载决策与调度方法方法，其场景如图1所示，一个单基站多用户系统，其中包含了m个用户，
Figure BDA0002686817010000032
用UEk表示，
Figure BDA0002686817010000033
每个UEk只有一根天线，同一时间只能从基站捕获能量或者向基站上传任务。系统中仅包含1个基站，该基站集成了RF发射器、边缘服务器(MEC Servers)和缓存(Cache)，也只有一根天线，同一时间只能广播发射射频能量或者接收一个用户的上传任务，其中Cache存储容量用C表示。由于模型任务中的模型具有重复利用性，当Cache中已经存在某类任务的模型时，卸载任务就不需要重复卸载模型。这样涉及到任务上传顺序的选择，我们尽量选择Cache中已有模型的这类任务先卸载，以免Cache中的模型因Cache容量饱和而被淘汰出Cache。
具体包括如下步骤：
步骤1：每个用户UEk随机产生一个任务
Figure BDA0002686817010000041
其中n代表第n种任务类型，
Figure BDA0002686817010000042
Wn代表第n种任务类型的模型大小，
Figure BDA0002686817010000043
代表UEk产生任务类型为n的任务量，用户个数为M，任务类型个数为N；
步骤2：每个用户UEk捕获由基站发射的射频能量，捕获时间都为te，各UEk捕获到的能量为Ek，
Figure BDA0002686817010000044
其中Pr是射频发射器的传输功率，GT是传输信道增益，GR是接收信道增益，λ是发射波长，dk是UE与基站之间的距离，L是路径损失系数；
步骤3：用户卸载决策分析，过程如下：
3.1如图3所示，若在本地进行计算，记用户设备调整计算频率
Figure BDA0002686817010000045
本地计算时间为
Figure BDA0002686817010000046
消耗能量为
Figure BDA0002686817010000047
则
Figure BDA0002686817010000048
表示单位时间UEk捕获到的能量，
Figure BDA0002686817010000049
代表UEk本地处理1bit任务类型为n的任务需要CPU周期数，完成所有在本地计算的任务所需要的时间为
Figure BDA00026868170100000410
xk表示卸载决策，其值0表示本地计算，1表示卸载；
3.2若用户选择在边缘服务器计算，因为基站只有一根天线，同一时间只能接收一个任务，需调整任务上传的顺序lz，记边缘服务器计算的时间为
Figure BDA00026868170100000411
消耗能量为
Figure BDA00026868170100000412
则
Figure BDA00026868170100000413
Figure BDA00026868170100000414
其中
Figure BDA00026868170100000415
rmec为UE的传输速率，fmec为边缘服务器的计算频率，Xn(z)表示边缘服务器接收第z个任务时，模型n是否存在Cache中，计算完成所有上传到边缘服务器的任务所需的时间
Figure BDA00026868170100000416
Figure BDA00026868170100000417
步骤4：根据步骤1、步骤2和步骤3所描述，建立如下数学模型：
Figure BDA00026868170100000418
Figure BDA00026868170100000419
Figure BDA00026868170100000420
Figure BDA00026868170100000421
约束(2)(3)分别表示本地处理、卸载到边缘服务器计算消耗能量不超过捕获能量，约束(4)表示Cache存储的模型有限；
步骤5：采用LRU算法动态调整Cache存储模型，新模型上传时需要检测Cache中是否已经存储，当Cache容量不足时，弹出最长时间未使用的模型，直至能放入新上传的模型；
步骤6：染色体设置成一个大小为(M+2)的向量，记X，X(1：M)代表M个用户的卸载决策用0和1表示；X(M+1)代表能量捕获的时间；X(M+2)代表任务上传的顺序；
步骤7：利用公式
Figure BDA0002686817010000051
得出任务在本地计算用时，进一步用得出完成所有任务时间Tl；
步骤8：初始化种群，上传到边缘服务器计算的任务数为Z，其中，初始化个体X(1:M)取值为{0,1}，X(M+1)的取值范围是(0,Tl)，X(M+2)取值范围为(1,Z！)；
步骤9：确定任务数为Z的全排列，根据X(M+2)的值，确定任务上传顺序，详见图4；
步骤10：确定适应度函数
Figure BDA0002686817010000052
步骤11：种群迭代，个体交叉变异，记录当上传到边缘服务器个数为Z时最快完成任务的个体X；
步骤12：重复步骤8，Z从(1，M)遍历，得到全局最快完成任务的X；
步骤13：根据X反向得到最优能量捕获时间、卸载决策以及任务的调度方案。

Claims (3)

1.一种能量捕获网络模型任务计算卸载决策与调度方法，其特征在于，所述方法包括如下步骤：
步骤1：每个用户UEk随机产生一个任务
Figure FDA0002686815000000011
其中n代表第n种任务类型，
Figure FDA0002686815000000012
Wn代表第n种任务类型的模型大小，
Figure FDA0002686815000000013
代表UEk产生任务类型为n的任务量，用户个数为M，任务类型个数为N；
步骤2：每个用户UEk捕获由基站发射的射频能量，捕获时间都为te，各UEk捕获到的能量为Ek，
Figure FDA0002686815000000014
其中Pr是射频发射器的传输功率，GT是传输信道增益，GR是接收信道增益，λ是发射波长，dk是UE与基站之间的距离，L是路径损失系数；
步骤3：用户卸载决策分析，过程如下：
3.1若在本地进行计算，记用户设备调整计算频率
Figure FDA0002686815000000015
本地计算时间为
Figure FDA0002686815000000016
消耗能量为
Figure FDA0002686815000000017
则
Figure FDA0002686815000000018
Figure FDA0002686815000000019
表示单位时间UEk捕获到的能量，
Figure FDA00026868150000000110
代表UEk本地处理1bit任务类型为n的任务需要CPU周期数，完成所有在本地计算的任务所需要的时间为
Figure FDA00026868150000000111
xk表示卸载决策，其值0表示本地计算，1表示卸载；
3.2若用户选择在边缘服务器计算，因为基站只有一根天线，同一时间只能接收一个任务，需调整任务上传的顺序lz，记边缘服务器计算的时间为
Figure FDA00026868150000000112
消耗能量为
Figure FDA00026868150000000113
则
Figure FDA00026868150000000114
Figure FDA00026868150000000115
其中
Figure FDA00026868150000000116
rmec为UE的传输速率，fmec为边缘服务器的计算频率，Xn(z)表示边缘服务器接收第z个任务时，模型n是否存在Cache中，计算完成所有上传到边缘服务器的任务所需的时间
Figure FDA00026868150000000117
Figure FDA00026868150000000118
步骤4：根据步骤1、步骤2和步骤3所描述，建立如下数学模型：
Figure FDA00026868150000000119
Figure FDA00026868150000000120
Figure FDA00026868150000000121
Figure FDA00026868150000000122
约束(2)(3)分别表示本地处理、卸载到边缘服务器计算消耗能量不超过捕获能量，约束(4)表示Cache存储的模型有限；
步骤5：采用LRU算法动态调整Cache存储模型，新模型上传时需要检测Cache中是否已经存储，当Cache容量不足时，弹出最长时间未使用的模型，直至能放入新上传的模型；
步骤6：染色体设置成一个大小为(M+2)的向量，记X，X(1：M)代表M个用户的卸载决策用0和1表示；X(M+1)代表能量捕获的时间；X(M+2)代表任务上传的顺序；
步骤7：利用公式
Figure FDA0002686815000000021
得出任务在本地计算用时，进一步用得出完成所有任务时间Tl；
步骤8：初始化种群，上传到边缘服务器计算的任务数为Z，其中，初始化个体X(1：M)取值为{0，1}，X(M+1)的取值范围是(0，Tl)，X(M+2)取值范围为(1，Z！)；
步骤9：确定任务数为Z的全排列，根据X(M+2)的值，确定任务上传顺序；
步骤10：确定适应度函数
Figure FDA0002686815000000022
步骤11：种群迭代，个体交叉变异，记录当上传到边缘服务器个数为Z时最快完成任务的个体X；
步骤12：重复步骤8，Z从(1，M)遍历，得到全局最快完成任务的X；
步骤13：根据X反向得到最优能量捕获时间、卸载决策以及任务的调度方案。
2.如权利要求1所述的能量捕获网络模型任务计算卸载决策与调度方法，其特征在于：所述步骤7中，用户设备的计算频率由捕获的能量和最大计算频率共同决定，计算出所有计算任务在本地执行的时延，在步骤8中进行剪枝。
3.如权利要求1或2所述的能量捕获网络模型任务计算卸载决策与调度方法，其特征在于：所述步骤10中，适应度函数充分考虑到用户捕获能量对计算卸载方案的影响，当卸载到MEC计算所消耗的能量大于捕获到的能量时，适应度为无穷大，种群迭代时会舍弃这些不合理的任务调度方案。
CN202010978946.0A 2020-09-17 2020-09-17 一种能量捕获网络模型任务计算卸载决策与调度方法 Active CN112231009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010978946.0A CN112231009B (zh) 2020-09-17 2020-09-17 一种能量捕获网络模型任务计算卸载决策与调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010978946.0A CN112231009B (zh) 2020-09-17 2020-09-17 一种能量捕获网络模型任务计算卸载决策与调度方法

Publications (2)

Publication Number Publication Date
CN112231009A true CN112231009A (zh) 2021-01-15
CN112231009B CN112231009B (zh) 2024-04-16

Family

ID=74108313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010978946.0A Active CN112231009B (zh) 2020-09-17 2020-09-17 一种能量捕获网络模型任务计算卸载决策与调度方法

Country Status (1)

Country Link
CN (1) CN112231009B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113791878A (zh) * 2021-07-21 2021-12-14 南京大学 边缘计算中截止日期感知的分布式任务卸载方法
CN113806074A (zh) * 2021-08-11 2021-12-17 中标慧安信息技术股份有限公司 边缘计算的数据采集方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130205158A1 (en) * 2012-02-03 2013-08-08 National Chiao Tung University Decision method considering time and power consumption for offloading computation and computing system
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110958612A (zh) * 2019-10-24 2020-04-03 浙江工业大学 一种多用户场景下的边缘计算卸载周期最小化方法
CN111182569A (zh) * 2020-01-08 2020-05-19 浙江工业大学 一种5g场景下的边缘计算卸载周期最小化方法
CN111585816A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种基于自适应遗传算法的任务卸载决策方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130205158A1 (en) * 2012-02-03 2013-08-08 National Chiao Tung University Decision method considering time and power consumption for offloading computation and computing system
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110958612A (zh) * 2019-10-24 2020-04-03 浙江工业大学 一种多用户场景下的边缘计算卸载周期最小化方法
CN111182569A (zh) * 2020-01-08 2020-05-19 浙江工业大学 一种5g场景下的边缘计算卸载周期最小化方法
CN111585816A (zh) * 2020-05-11 2020-08-25 重庆邮电大学 一种基于自适应遗传算法的任务卸载决策方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113791878A (zh) * 2021-07-21 2021-12-14 南京大学 边缘计算中截止日期感知的分布式任务卸载方法
CN113791878B (zh) * 2021-07-21 2023-11-17 南京大学 边缘计算中截止日期感知的分布式任务卸载方法
CN113806074A (zh) * 2021-08-11 2021-12-17 中标慧安信息技术股份有限公司 边缘计算的数据采集方法和装置

Also Published As

Publication number Publication date
CN112231009B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN110928654B (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN113612843B (zh) 一种基于深度强化学习的mec任务卸载和资源分配方法
CN110351754B (zh) 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
CN112261674A (zh) 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法
CN112231009A (zh) 一种能量捕获网络模型任务计算卸载决策与调度方法
CN109729543B (zh) 一种基于数据压缩的高能效计算任务卸载方法
CN108632861B (zh) 一种基于深度强化学习的移动边缘计算分流决策方法
CN111182509B (zh) 一种基于上下文感知学习的泛在电力物联网接入方法
CN112416603B (zh) 一种基于雾计算的联合优化系统和方法
CN110809291B (zh) 基于能量采集设备的移动边缘计算系统双层负载平衡方法
CN110955463A (zh) 支持边缘计算的物联网多用户计算卸载方法
CN111124639B (zh) 一种边缘计算系统的操作方法、系统及电子设备
CN111274037A (zh) 一种边缘计算任务卸载方法、系统
Zhang et al. Energy-efficient mobile video streaming: A location-aware approach
CN112579290B (zh) 一种基于无人机的地面终端设备的计算任务迁移方法
CN117580105A (zh) 一种面向电网巡检的无人机任务卸载优化方法
CN111294886B (zh) 一种基于无线能量驱动的移动边缘计算方法及装置
CN111162852B (zh) 一种基于匹配学习的泛在电力物联网接入方法
CN112769910A (zh) 基于动态电压调节技术的雾计算任务卸载方法
CN111580943A (zh) 一种面向低时延边缘计算中多跳卸载的任务调度方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN112423394B (zh) 一种提高移动边缘计算蜂窝网络能耗效率的资源分配方法
Lin et al. Machine learning-driven optimal proactive edge caching in wireless small cell networks
Ju et al. Latency-aware in-network computing for Internet of battery-less things

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