CN112241331A - 一种基于深度神经网络的移动Web任务动态迁移方法 - Google Patents

一种基于深度神经网络的移动Web任务动态迁移方法 Download PDF

Info

Publication number
CN112241331A
CN112241331A CN202011301843.7A CN202011301843A CN112241331A CN 112241331 A CN112241331 A CN 112241331A CN 202011301843 A CN202011301843 A CN 202011301843A CN 112241331 A CN112241331 A CN 112241331A
Authority
CN
China
Prior art keywords
server
cpu
web
worker
mobile
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
CN202011301843.7A
Other languages
English (en)
Other versions
CN112241331B (zh
Inventor
王峥
周冰
刘瑞献
杨建锋
高岭
杨冠华
王祎昊
任杰
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.)
Northwestern University
Original Assignee
Northwestern University
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 Northwestern University filed Critical Northwestern University
Priority to CN202011301843.7A priority Critical patent/CN112241331B/zh
Publication of CN112241331A publication Critical patent/CN112241331A/zh
Application granted granted Critical
Publication of CN112241331B publication Critical patent/CN112241331B/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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/547—Remote procedure calls [RPC]; Web services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06F9/505—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 considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer And Data Communications (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

一种基于深度神经网络的移动Web任务动态迁移方法，包括支持向量机分类算法学习模块、移动设备和Web应用程序信息特征提取模块和计算边缘服务器或云服务器负载率模块；本发明针对在资源受限的移动设备上很难运行计算密集程度很大的Web应用程序，通过对移动设备中CPU状态、内存状态、网络状态和Web应用程序的Web worker的计算量等信息特征提取，并将处理好的特征信息输入SVM分类算法侯建预测模型，来判断是否需要把Web任务迁移到边缘服务器或云服务器，如果迁移，则可以根据计算服务器负载率算法找到最佳服务器进行迁移；否则，则在本地执行；该方法可以有效降低Web应用能耗和执行迟延，快速响应用户。

Description

一种基于深度神经网络的移动Web任务动态迁移方法
技术领域
本发明属于神经网络和边缘计算技术领域，具体涉及一种基于深度神经网络的移动Web任务动态迁移方法。
背景技术
随着智能设备的数量越来越多，全球将迎来网络数据信息爆炸式增长的互联网时代，此外随着5G网络的日益普及，增强型移动带宽、大规模机器通信和超可靠低延时通信三大业务类型对运营商的传输网络和核心网络构成了巨大挑战。由于这些应用程序场景可以为用户带来更高的带宽速率、更多的网络连接和更低的时延，导致核心网络需要在单位时间内处理的数据大小和业务请求呈指数型增长。因此，随着移动设备承载的网络流量的增加，移动云计算模式所采用的集中式处理模式因离终端设备比较远，已不能满足用户的日常需求，并且对时延和能耗等性能要求较高的计算服务来说，这种模式会引起高延时、网络堵塞等问题。
新兴的移动应用，如移动云游戏或VR技术需要严格的延迟约束以及高计算能力。例如，云游戏服务必须计算游戏对象(例如：字符、景观)的交互，并在一定的时间阈值内将对象呈现在移动设备的屏幕上。一项关于游戏延迟的调查报告指出，对于具有时间要求的游戏，网络延迟最好小于50ms，这在传统的云系统中很难实现，因为计算服务器位于远离客户端的数据中心。
随着移动设备与网络结合紧密度的不断提升，加上目前平台对离线应用的支出，原生应用和移动Web应用的界限已经不再明显，尤其是HTML5的不断发展，移动Web应用也将更加强大。HTML5标准使得Web应用功能越来越强大的同时，Web应用也越来越复杂，资源消耗越来越多，而智能终端中计算、存储、电量等多种资源受限，这可能会降低应用性能，影响用户体验。
在Web Worker出现之前，JavaScript是现代Web应用程序的核心。JavaScript和DOM核心上是单线程的，这意味着在任何时候都只能执行一个JavaScript方法，当在HTML页面中执行一个需较长时间运行的脚本会阻塞所有页面功能直至脚本完成。页面UI元素是不可响应的，动画会停顿，应用中的其它代码都不能执行。当需要使用JavaScript进行较大量的计算时，需要将任务分成小的代码块，使用timer来分离各个代码块的执行，这样执行的速度会变慢。而有了Web Worker，就可以将一些大计算量的代码交由Web Worker运行而不影响用户界面。
Web Worker独立于浏览器UI线程，是在后台装载和运行的JavaScript脚本，独立于其它脚本，不会影响页面的性能。它提供了一个JavaScript多线程解决方案，Web Worker在当前JavaScript的主线程中，使用Worker类加载一个JavaScript文件来创建一个新的工作线程。当Web应用程序有多个任务需要处理时，可以将任务分配给不同的Worker。
发明内容
为克服上述现有技术的不足，本发明的目的是提供一种基于深度神经网络的移动Web任务动态迁移方法，解决现有移动设备资源受限，Web应用程序延迟高的问题；本发明使用HTML5 web worker，通过把计算密集型代码放在web worker中迁移到边缘服务器或云服务器运行，来实现低延迟，降低移动设备的能耗，使应用程序更具响应性，提高用户体验。
为了实现上述目的，本发明采用的技术方案是：
一种基于深度神经网络的移动Web任务动态迁移方法，通过对移动设备中CPU状态、内存状态、网络状态和Web应用程序的Web worker的计算量等信息特征提取，并将处理好的特征信息输入SVM分类算法侯建预测模型，来判断是否需要把Web任务迁移到边缘服务器或云服务器，包括以下步骤：
步骤S1,对移动设备和Web应用程序信息特征进行提取，移动设备信息包括CPU状态、运行内存、网络状态；Web应用程序只考虑Web worker的计算量；
步骤S2，利用SVM分类算法实现的预测模型来判断Web应用程序中的Web worker是否需要迁移到边缘服务器或云服务器，以达到计算卸载；
步骤S3，利用步骤S2得出的结果，如果迁移，则根据服务器负载率算法找到最佳服务器实施迁移，否则，则在本地直接执行即可；
步骤S4，如果步骤S3中实施迁移，Web worker会迁移到服务器端，服务器会对worker进行处理，并通过调用函数与客户端建立通信，返回执行结果。
所述步骤S1包括以下步骤：
步骤S11，利用浏览器插件可收集到移动设备的CPU状态、内存状态和网络状态等特征信息，Web worker的计算量可根据worker的数量来判断，worker数量越多，计算量越大；
步骤S12，对特征信息进行归一化处理，为下一步的机器学习模块提供特征输入值。
所述步骤S11中，通过浏览器中的插件可以得到移动设备当前CPU利用率、内存占用率，即当前移动设备的负载，网络状态可以是4G，5G或WiFi；worker中包含JavaScript和Webassembly代码，其中循环语句和条件语句越多，计算量越大，即worker的数量越多，计算量越大。
所述步骤S12中，在将特征值输入到学习算法之前，为了均衡不同特征对分类结果的影响程度，通过公式(1)min-max标准化对特征值进行归一化处理；然后将处理好的特征信息输入SVM分类算法构建预测模型；
Figure BDA0002787142140000031
其中，xi为输入特征的原始值，max{xj}为某一类特征的最大特征值，min{xj}为某一类特征的最小值，yi为归一化后的新特征值。
所述步骤S2中，具体过程如下：
步骤1)在移动设备和服务器中引入移动Web worker管理器，用于管理worker的创建、迁移和终止；SVM分类算法实现的模型放在移动设备中的移动Web worker管理器中；
步骤2)利用浏览器插件收集移动设备的CPU、内存和网络状态特征信息；
步骤3)根据Web应用程序Web worker的数量，获取程序的计算量；
步骤4)基于支持向量机算法，根据步骤1)、步骤2)、步骤3)采集的内容，利用支持向量机算法构建的预测模型，来判断移动Web任务是否需要迁移到边缘服务器或云服务器。
所述步骤4)中，将步骤2)和步骤3)中的特征值输入到SVM-RBF算法，然后利用网格搜索法确定SVM-RBF错分代价参数C和γ值，自动搜索，确定最佳预测结果后停止搜索，保存参数C和γ值，确定当前移动设备在运行Web应用程序时是否需要进行迁移。
所述步骤S3中，当移动Web任务需要迁移时，则需要得到目的端服务器的负载状态，来判断是否是迁移的最佳服务器，其具体判断方法如下：
本方法充分考虑边缘服务器的运行状态，综合CPU利用率、磁盘I/O速率、内存容量、网络带宽4个方面对服务器进行评估，CPU利用率反映出服务器CPU的繁忙程度，磁盘I/O速率反映出服务器数据操作的吞吐量，内存容量反映出服务器系统运行状态，网络带宽反映出服务器接收数据量的大小；
1)服务器的性能为：P＝(Pcpu，Pi/o，Pm，Pb)，其中Pcpu，Pi/o，Pm，Pb分别表示服务器的CPU处理能力、磁盘I/O读写能力、内存容量、网络带宽，通常情况下每个服务器的Pcpu，Pi/o，Pm，Pb为定值；
2)服务器的负载状况为：K＝(Kcpu，Ki/o，Km，Kb)，其中Kcpu，Ki/o，Km，Kb分别表示服务器当前CPU处理能力，当前磁盘I/O读写能力，当前内存使用量，当前网络带宽占用量；
3)服务器的负载率为：
Sload＝θcpuRcpu+θi/oRi/o+θmRm+θbRb (2)
且
θcpu+θi/o+θm+θb＝1 (3)
θparam表示其指标所占权重，其值越高表示其对应资源所占比例越大，依赖性越强，比如某一时刻只需使用CPU，则θcpu，θi/o，θm，θb对应的值为1.0，0，0，0；或者其他情况如θcpu，θi/o，θm，θb为0.4，0.3，0.2，，0.1，这需要根据服务器当前处理的资源来判断；
4)Rcpu、Ri/o、Rm、Rb分别表示服务器的CPU处理速率、磁盘I/O速率、内存利用率、带宽占用率，计算方法如下：
Rcpu＝Kcpu/Pcpu (4)
Ri/o＝Ki/o/Pi/o (5)
Rm＝Km/Pm (6)
Rb＝Kb/Pb (7)
5)根据公式(1)得到的负载率，可设置高负载率阈值
Figure BDA0002787142140000041
和低负载率阈值
Figure BDA0002787142140000051
和
Figure BDA0002787142140000052
的值可根据服务器实际情况设置；
设D表示服务器的负载状态：
Figure BDA0002787142140000053
当
Figure BDA0002787142140000054
时，D＝0说明服务器当前是低负载状态，可以优先考虑接受转移的计算任务；当
Figure BDA0002787142140000055
时，D＝1说明服务器当前是正常负载状态，可考虑接受转移的计算任务；当
Figure BDA0002787142140000056
时，说明服务器当前已处于高负载状态，假设此时有计算任务接入，应将计算任务转移至其它低负载服务器上。
所述步骤S4中，需要对Web worker进行迁移，在此之前需要进行以下操作：
1)保存用户定义的数据，在worker的全局范围内递归的遍历用户定义的全局变量，并以JavaScript代码发送到服务器端；
2)保存内置数据，每个内置对象的初始状态都被保存，直接迁移到服务器端；
3)利用移动Web worker管理器进行Web worker的迁移。
在Web worker迁移到服务器端后，服务器对其进行处理，并利用移动Web worker管理器与客户端主线程之间建立通信，把处理结果返回给客户端；在worker完成工作后，主线程可以调用名为terminal函数来删除该worker。
本发明的有益效果是：
本发明提供基于深度神经网络的移动Web任务动态迁移方法，针对Web应用程序高延迟和高能耗问题，利用神经网络模型，通过对移动设备的CPU状态、内存状态、网络状态和worker的计算量等特征信息的提取，来判断是否需要进行计算迁移，能大幅降低Web应用程序能耗，提升性能。
本发明的服务器负载率计算模块，在计算卸载过程中，利用服务器负载率计算方法可以有效的找到移动设备周围的最佳服务器，来实施计算卸载，从而有效降低Web应用程序的延迟，提高用户交互性。
附图说明
图1为本发明的使用情景示意图。
图2为本发明的机器学习模块结构图。
图3为web worker迁移的整体架构图。
图4为web worker迁移的详细过程图。
具体实施方式
下面结合附图对本发明的作进一步的详细说明，但是本发明不局限于以下实施例。
如图1所示的本发明的使用情景示意图，一种基于深度神经网络的移动Web任务动态迁移方法，通过对移动设备中CPU状态、内存状态、网络状态和Web应用程序的Web worker的计算量等信息特征提取，并将处理好的特征信息输入SVM分类算法侯建预测模型，来判断是否需要把Web任务迁移到边缘服务器或云服务器。
如图2所示为本发明的机器学习模块结构图，利用SVM分类算法构建预测模型，来判断是否需要把Web任务迁移到边缘服务器或云服务器。
如图3所示的本发明的web worker迁移的框架图，利用移动Web worker管理器来管理worker的创建、迁移和终止，把计算卸载到边缘服务器或云服务器。
如图4所示的本发明的web worker的详细过程图，利用移动Web worker管理器引发迁移事件，把worker即JavaScript代码发送到服务器端进行处理，并把结果返回给客户端。
参照图1～图4，一种基于深度神经网络的移动Web任务动态迁移方法，通过对移动设备中CPU状态、内存状态、网络状态和Web应用程序的Web worker的计算量等信息特征提取，并将处理好的特征信息输入SVM分类算法侯建预测模型，来判断是否需要把Web任务迁移到边缘服务器或云服务器，具体包括以下步骤：
步骤S1,对移动设备和Web应用程序信息特征进行提取，移动设备信息包括CPU状态、运行内存、网络状态；Web应用程序只考虑Web worker的计算量；
步骤S2，利用SVM分类算法实现的预测模型来判断Web应用程序中的Web worker是否需要迁移到边缘服务器或云服务器，以达到计算卸载；
步骤S3，利用步骤S2得出的结果，如果迁移，则根据服务器负载率算法找到最佳服务器实施迁移，否则，则在本地直接执行即可；
步骤S4，如果步骤S3中实施迁移，Web worker会迁移到服务器端，服务器会对worker进行处理，并通过调用函数与客户端建立通信，返回执行结果。
所述步骤S1包括以下步骤：
步骤S11，利用浏览器插件可以收集到移动设备的CPU状态、内存状态和网络状态等特征信息，Web worker的计算量可以根据worker的数量来判断，worker数量越多，计算量越大；
步骤S12，对特征信息进行归一化处理，为下一步的机器学习模块提供特征输入值。
所述步骤S11中，利用浏览器中的插件可以得到移动设备当前CPU利用率、内存占用率，即当前移动设备的负载，网络状态可以是4G，5G或WiFi；worker中包含JavaScript和Webassembly代码，其中循环语句和条件语句越多，计算量越大，即worker的数量越多，计算量越大。
所述步骤S12中，利用公式(1)对特征值进行归一化处理，然后将处理好的特征值输入到SVM分类算法中构建预测模型。
所述步骤S2包括以下步骤：
1)在移动设备和服务器中引入移动Web worker管理器，用于管理worker的创建、迁移和终止；SVM分类算法实现的模型放在移动设备中的移动Web worker管理器中；
2)利用浏览器插件收集移动设备的CPU、内存和网络状态特征信息；
3)根据Web应用程序Web worker的数量，获取程序的计算量；
4)基于支持向量机算法，根据步骤1)、步骤2)、步骤3)采集的内容，利用支持向量机算法构建的预测模型，来判断移动Web任务是否需要迁移到边缘服务器或云服务器。
所述步骤4)中，将步骤2)和步骤3)中的特征值输入到SVM-RBF算法，然后利用网格搜索法确定SVM-RBF错分代价参数C和γ值，自动搜索，确定最佳预测结果后停止搜索，保存参数C和γ值，确定当前移动设备在运行Web应用程序时是否需要进行迁移。
所述步骤S3中，当移动Web任务需要迁移时，则需要得到目的端服务器的负载状态，来判断是否是迁移的最佳服务器，服务器负载综合CPU利用率、磁盘I/O速率、内存容量、网络带宽4个方面对服务器进行评估，利用公式(2)～(8)，则可以得到移动设备周围服务器的负载率，从而可以找到最佳服务器实施迁移，以达到计算卸载的目的。
所述步骤S4中，需要对Web worker进行迁移，在此之前需要进行以下操作：
1)保存用户定义的数据，在worker的全局范围内递归的遍历用户定义的全局变量，并以JavaScript代码发送到服务器端；
2)保存内置数据，每个内置对象的初始状态都被保存，直接迁移到服务器端；
3)利用移动Web worker管理器进行Web worker的迁移。
在Web worker迁移到服务器端后，服务器会对其进行处理，并利用移动Webworker管理器与客户端主线程之间建立通信，把处理结果返回给客户端；在worker完成工作后，主线程可以调用名为“terminal”函数来删除该worker。

Claims (9)

1.一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，包括以下步骤：
步骤S1，对移动设备和Web应用程序信息特征进行提取，移动设备信息包括CPU状态、运行内存、网络状态；Web应用程序只考虑Web worker的计算量；
步骤S2，利用SVM分类算法实现的预测模型来判断Web应用程序中的Web worker是否需要迁移到边缘服务器或云服务器，以达到计算卸载；
步骤S3，利用步骤S2得出的结果，如果迁移，则根据服务器负载率算法找到最佳服务器实施迁移，否则，则在本地直接执行即可；
步骤S4，如果步骤S3中实施迁移，Web worker会迁移到服务器端，服务器会对worker进行处理，并通过调用函数与客户端建立通信，返回执行结果。
2.根据权利要求1所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S1包括以下步骤：
步骤S11，利用浏览器插件可收集到移动设备的CPU状态、内存状态和网络状态等特征信息，Web worker的计算量可根据worker的数量来判断，worker数量越多，计算量越大；
步骤S12，对特征信息进行归一化处理，为下一步的机器学习模块提供特征输入值。
3.根据权利要求2所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S11中，通过浏览器中的插件可以得到移动设备当前CPU利用率、内存占用率，即当前移动设备的负载，网络状态可以是4G，5G或WiFi；worker中包含JavaScript和Webassembly代码，其中循环语句和条件语句越多，计算量越大，即worker的数量越多，计算量越大。
4.根据权利要求2所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S12中，在将特征值输入到学习算法之前，为了均衡不同特征对分类结果的影响程度，通过公式(1)min-max标准化对特征值进行归一化处理；然后将处理好的特征信息输入SVM分类算法构建预测模型；
Figure FDA0002787142130000011
其中，xi为输入特征的原始值，max{xj}为某一类特征的最大特征值，min{xj}为某一类特征的最小值，yi为归一化后的新特征值。
5.根据权利要求1所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S2中，具体过程如下：
步骤1)在移动设备和服务器中引入移动Web worker管理器，用于管理worker的创建、迁移和终止；SVM分类算法实现的模型放在移动设备中的移动Web worker管理器中；
步骤2)利用浏览器插件收集移动设备的CPU、内存和网络状态特征信息；
步骤3)根据Web应用程序Web worker的数量，获取程序的计算量；
步骤4)基于支持向量机算法，根据步骤1)、步骤2)、步骤3)采集的内容，利用支持向量机算法构建的预测模型，来判断移动Web任务是否需要迁移到边缘服务器或云服务器。
6.根据权利要求5所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤4)中，将步骤2)和步骤3)中的特征值输入到SVM-RBF算法，然后利用网格搜索法确定SVM-RBF错分代价参数C和γ值，自动搜索，确定最佳预测结果后停止搜索，保存参数C和γ值，确定当前移动设备在运行Web应用程序时是否需要进行迁移。
7.根据权利要求1所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S3中，当移动Web任务需要迁移时，则需要得到目的端服务器的负载状态，来判断是否是迁移的最佳服务器，其具体判断方法如下：
本方法充分考虑边缘服务器的运行状态，综合CPU利用率、磁盘I/O速率、内存容量、网络带宽4个方面对服务器进行评估，CPU利用率反映出服务器CPU的繁忙程度，磁盘I/O速率反映出服务器数据操作的吞吐量，内存容量反映出服务器系统运行状态，网络带宽反映出服务器接收数据量的大小；
1)服务器的性能为：P＝(Pcpu，Pi/o，Pm，Pb)，其中Pcpu，Pi/o，Pm，Pb分别表示服务器的CPU处理能力、磁盘I/O读写能力、内存容量、网络带宽，通常情况下每个服务器的Pcpu，Pi/o，Pm，Pb为定值；
2)服务器的负载状况为：K＝(Kcpu，Ki/o，Km，Kb)，其中Kcpu，Ki/o，Km，Kb分别表示服务器当前CPU处理能力，当前磁盘I/O读写能力，当前内存使用量，当前网络带宽占用量；
3)服务器的负载率为：
Sload＝θcpuRcpu+θi/oRi/o+θmRm+θbRb (2)
且
θcpu+θi/o+θm+θb＝1 (3)
θparam表示其指标所占权重，其值越高表示其对应资源所占比例越大，依赖性越强，比如某一时刻只需使用CPU，则θcpu，θi/o，θm，θb对应的值为1.0，0，0，0；或者其他情况如θcpu，θi/o，θm，θb为0.4，0.3，0.2，，0.1，这需要根据服务器当前处理的资源来判断；
4)Rcpu、Ri/o、Rm、Rb分别表示服务器的CPU处理速率、磁盘I/O速率、内存利用率、带宽占用率，计算方法如下：
Rcpu＝Kcpu/Pcpu (4)
Ri/o＝Ki/o/Pi/o (5)
Rm＝Km/Pm (6)
Rb＝Kb/Pb (7)
5)根据公式(1)得到的负载率，可设置高负载率阈值
Figure FDA0002787142130000031
和低负载率阈值
Figure FDA0002787142130000032
和
Figure FDA0002787142130000033
的值可根据服务器实际情况设置；
设D表示服务器的负载状态：
Figure FDA0002787142130000034
当
Figure FDA0002787142130000035
时，D＝0说明服务器当前是低负载状态，可以优先考虑接受转移的计算任务；当
Figure FDA0002787142130000036
时，D＝1说明服务器当前是正常负载状态，可考虑接受转移的计算任务；当
Figure FDA0002787142130000041
时，说明服务器当前已处于高负载状态，假设此时有计算任务接入，应将计算任务转移至其它低负载服务器上。
8.根据权利要求1所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，所述步骤S4中，需要对Web worker进行迁移，在此之前需要进行以下操作：
1)保存用户定义的数据，在worker的全局范围内递归的遍历用户定义的全局变量，并以JavaScript代码发送到服务器端；
2)保存内置数据，每个内置对象的初始状态都被保存，直接迁移到服务器端；
3)利用移动Web worker管理器进行Web worker的迁移。
9.根据权利要求8所述的一种基于深度神经网络的移动Web任务动态迁移方法，其特征在于，在Web worker迁移到服务器端后，服务器对其进行处理，并利用移动Web worker管理器与客户端主线程之间建立通信，把处理结果返回给客户端；在worker完成工作后，主线程可以调用名为terminal函数来删除该worker。
CN202011301843.7A 2020-11-19 2020-11-19 一种基于深度神经网络的移动Web任务动态迁移方法 Active CN112241331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011301843.7A CN112241331B (zh) 2020-11-19 2020-11-19 一种基于深度神经网络的移动Web任务动态迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011301843.7A CN112241331B (zh) 2020-11-19 2020-11-19 一种基于深度神经网络的移动Web任务动态迁移方法

Publications (2)

Publication Number Publication Date
CN112241331A true CN112241331A (zh) 2021-01-19
CN112241331B CN112241331B (zh) 2024-10-01

Family

ID=74175208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011301843.7A Active CN112241331B (zh) 2020-11-19 2020-11-19 一种基于深度神经网络的移动Web任务动态迁移方法

Country Status (1)

Country Link
CN (1) CN112241331B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157440A (zh) * 2021-03-23 2021-07-23 北京云上曲率科技有限公司 应用于移动端的自适应负载均衡和保证高可用的方法
CN113361694A (zh) * 2021-06-30 2021-09-07 哈尔滨工业大学 一种应用差分隐私保护的分层联邦学习方法及系统
CN114240035A (zh) * 2021-11-09 2022-03-25 云南电网有限责任公司 一种基于业务感知的转接设备低功耗控制方法及转接设备
CN114253728A (zh) * 2021-12-23 2022-03-29 上海交通大学 基于网页生态的异构多节点协同分布式神经网络部署系统
CN116501478A (zh) * 2023-06-28 2023-07-28 中国电信股份有限公司 任务分配方法、装置、设备、介质及数字孪生系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110145360A1 (en) * 2009-12-14 2011-06-16 Samsung Electronics Co., Ltd. Web application script migration
US20160337480A1 (en) * 2015-05-14 2016-11-17 International Business Machines Corporation Performing server migration and dependent server discovery in parallel
CN107483412A (zh) * 2017-07-25 2017-12-15 中国科学院声学研究所 一种HTML5 web worker迁移方法及系统
CN108415770A (zh) * 2018-01-18 2018-08-17 陕西师范大学 一种面向移动Web服务的CPU资源自适应调度系统及方法
CN110148120A (zh) * 2019-05-09 2019-08-20 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110145360A1 (en) * 2009-12-14 2011-06-16 Samsung Electronics Co., Ltd. Web application script migration
US20160337480A1 (en) * 2015-05-14 2016-11-17 International Business Machines Corporation Performing server migration and dependent server discovery in parallel
CN107483412A (zh) * 2017-07-25 2017-12-15 中国科学院声学研究所 一种HTML5 web worker迁移方法及系统
CN108415770A (zh) * 2018-01-18 2018-08-17 陕西师范大学 一种面向移动Web服务的CPU资源自适应调度系统及方法
CN110148120A (zh) * 2019-05-09 2019-08-20 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王昭;邓浩江;胡琳琳;郭志川;: "一种多服务端HTML5 Web Worker迁移系统设计与实现", 计算机应用与软件, no. 09, 12 September 2018 (2018-09-12) *
高岭;任杰;王海;郑杰;魏泽玉;: "基于支持向量机的移动Web浏览性能优化研究", 计算机学报, no. 09, 29 November 2017 (2017-11-29) *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157440A (zh) * 2021-03-23 2021-07-23 北京云上曲率科技有限公司 应用于移动端的自适应负载均衡和保证高可用的方法
CN113157440B (zh) * 2021-03-23 2023-06-27 北京云上曲率科技有限公司 应用于移动端的自适应负载均衡和保证高可用的方法
CN113361694A (zh) * 2021-06-30 2021-09-07 哈尔滨工业大学 一种应用差分隐私保护的分层联邦学习方法及系统
CN113361694B (zh) * 2021-06-30 2022-03-15 哈尔滨工业大学 一种应用差分隐私保护的分层联邦学习方法及系统
CN114240035A (zh) * 2021-11-09 2022-03-25 云南电网有限责任公司 一种基于业务感知的转接设备低功耗控制方法及转接设备
CN114240035B (zh) * 2021-11-09 2024-03-22 云南电网有限责任公司 一种基于业务感知的转接设备低功耗控制方法及转接装置
CN114253728A (zh) * 2021-12-23 2022-03-29 上海交通大学 基于网页生态的异构多节点协同分布式神经网络部署系统
CN116501478A (zh) * 2023-06-28 2023-07-28 中国电信股份有限公司 任务分配方法、装置、设备、介质及数字孪生系统

Also Published As

Publication number Publication date
CN112241331B (zh) 2024-10-01

Similar Documents

Publication Publication Date Title
CN112241331B (zh) 一种基于深度神经网络的移动Web任务动态迁移方法
CN107018175B (zh) 移动云计算平台的调度方法和装置
Han et al. Tailored learning-based scheduling for kubernetes-oriented edge-cloud system
CN111277511B (zh) 传输速率控制方法、装置、计算机系统及可读存储介质
CN111506434B (zh) 一种任务处理方法、装置及计算机可读存储介质
CN109445921A (zh) 一种分布式数据任务处理方法及装置
CN113014608B (zh) 一种流量分发控制方法、装置、电子设备及存储介质
CN108196935A (zh) 一种面向云计算的虚拟机节能迁移方法
CN105959411A (zh) 云计算环境下基于协调的动态负载均衡分布式处理方法
CN112422448A (zh) Fpga加速卡网络数据传输方法及相关组件
CN114070791B (zh) 数据流量的限速处理方法及装置
CN113360266B (zh) 任务处理方法和装置
Huang et al. An integrated cloud-edge-device adaptive deep learning service for cross-platform web
CN111367645B (zh) 一种实时任务调度控制方法、系统、设备及可读存储介质
Zhang et al. A locally distributed mobile computing framework for DNN based android applications
CN111866159A (zh) 人工智能服务的调用方法、系统、设备和存储介质
CN116541167A (zh) 系统流量控制方法、装置、电子设备及计算机可读介质
CN116567077A (zh) 裸金属指令发送方法、装置、设备及存储介质
CN114035906B (zh) 虚拟机迁移方法、装置、电子设备及存储介质
CN115801687A (zh) 一种流量均衡方法、装置、电子设备和存储介质
Kobari et al. A reinforcement learning based edge cloud collaboration
CN111245878A (zh) 一种基于混合云计算和雾计算的计算卸载通信网络的方法
CN116847312A (zh) 数据处理方法、装置、通信系统、电子设备及存储介质
CN113590284A (zh) 一种云平台分布式组件交互任务批处理方法、系统、设备
CN114661431A (zh) 一种任务调度方法、存储介质及终端设备

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