CN112527409A - 一种面向移动医疗健康管理的边缘云计算卸载方法 - Google Patents

一种面向移动医疗健康管理的边缘云计算卸载方法 Download PDF

Info

Publication number
CN112527409A
CN112527409A CN202011494204.7A CN202011494204A CN112527409A CN 112527409 A CN112527409 A CN 112527409A CN 202011494204 A CN202011494204 A CN 202011494204A CN 112527409 A CN112527409 A CN 112527409A
Authority
CN
China
Prior art keywords
task
edge
queue
edge processor
local device
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.)
Pending
Application number
CN202011494204.7A
Other languages
English (en)
Inventor
吴庆涛
王一豪
王琳
朱军龙
张明川
吴利娟
郑瑞娟
邢玲
郝波卫
刘叶
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN202011494204.7A priority Critical patent/CN112527409A/zh
Publication of CN112527409A publication Critical patent/CN112527409A/zh
Pending legal-status Critical Current

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
    • G06F9/50—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
    • 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
    • G06F9/546—Message passing systems or structures, e.g. queues
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • 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)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种面向移动医疗健康管理的边缘云计算卸载方法，涉及移动医疗与边缘计算技术领域，对于移动医疗健康管理产生的大量数据，在每个本地设备上，利用随机优化，将计算任务与队列相结合，通过最小化李雅普诺夫漂移减小队列积压，优化任务的计算时延，同时通过考虑任务的计算时延以及本地设备与边缘处理器上队列的任务积压情况，进一步确定任务的卸载决策，减小计算延迟。本发明有益效果：弥补移动终端固有的缺陷，实现任务的快速执行，提高用户的服务质量。

Description

一种面向移动医疗健康管理的边缘云计算卸载方法
技术领域
本发明属于移动医疗与边缘计算技术领域，具体涉及一种面向移动医疗健康管理的边缘云计算卸载方法。
背景技术
随着经济的快速发展和人民生活水平的不断提高，在精神压力过大、缺乏运动、环境污染等一系列问题的作用下，人们对于自身的健康管理越来越重视。同时，随着移动互联网时代的到来，物联网、云计算、边缘计算等技术趋于成熟，手机、手环等可穿戴设备的不断发展，很多关于自身健康的手机APP应用也逐渐走进了人们的生活，出现了各种各样的基于移动终端的医疗健康管理应用，以便用户对自身的健康进行管理和评估。
目前，移动医疗健康管理的发展仍处于初级阶段，人们通过手机APP、小程序等多种手段来对自身的健康进行管理，充分利用了移动互联网技术来为自身提供体检、疾病评估、医疗、保健等服务。用户不仅可以实时监测自身的血压、脉搏、心率、体温等生理信息，还可以与自身的年龄、职业、生活习惯等个人信息相结合，以获得更准确的健康管理方案，远离致病因素，降低发病率。除此之外，用户还可以通过自主诊疗来对自身的状况进行诊断，通过上传自己的面相、舌像、脉象以及其他所需要的数据来进行评估，为用户自身提供更加便捷和个性化的服务，同时也缓解了医疗资源的压力。
但由于在医疗健康管理中用户数据庞大，且具有复杂性，需要多角度、多层面的对数据进行分析，以给用户提供更实时准确的反馈，这使得移动设备由于硬件基础和物理大小的限制，其本身存在的计算能力和资源有限的局限性更加突出，移动医疗健康管理的发展也会因为这些问题而面临挑战。因此，边缘计算(Edge Computing，EC)作为一种有效的解决方式被提出，以应对资源有限的移动设备和高要求的移动应用之间的挑战。
边缘计算通过计算卸载将移动应用程序的部分或全部计算任务卸载到边缘云，取代了传统云计算中计算任务必须在远程公共云上进行处理的模式，采用在距离数据源较近的位置对应用数据进行处理，利用在网络边缘的计算和存储资源为用户提供服务。边缘计算有效弥补了移动终端计算、存储等资源有限的缺陷，缓解了网络带宽的压力，减小了计算延迟，提高了用户体验质量，同时也减小了用户数据泄露的风险。
在边缘计算中，要想实现任务的快速计算，合适的卸载决策极为重要。边缘计算中由于边缘处理器部署在网络的边缘，其计算和存储能力是有限的，不能总是立即地为计算任务分配资源，因此，如何实现高效准确的卸载是边缘计算研究中的一项关键技术。卸载决策的确定影响了任务的计算延迟，同时也会影响用户的服务质量(Quality of Service，QoS)。在当前万物互联的网络环境中，面向移动医疗健康管理，移动设备将会产生海量的数据，面对数据的快速增加，对卸载策略的要求将会更高。
发明内容
本发明所要解决的技术问题是提供一种面向移动医疗健康管理的边缘云计算卸载方法，解决移动医疗健康管理中任务的计算时延大，任务存在积压等问题。
本发明为解决上述技术问题所采用的技术方案是：一种面向移动医疗健康管理的边缘云计算卸载方法，包括以下步骤：
步骤一、将本地设备及边缘处理器建模为一个队列系统，将本地设备上生成的任务以及边缘处理器上接收到的任务存储在队列，利用随机优化方法，通过李雅普诺夫优化实现队列的稳定性，同时减小队列积压；
步骤二、分别计算本地设备上应用程序生成的任务i在本地设备执行以及卸载到边缘处理器上执行的时延，通过对比任务i在本地设备和卸载到边缘处理器执行时的执行时延与其等待时间之和确定任务i在本地设备上执行或卸载到边缘处理器上进行执行；
步骤三、步骤二计算后确定卸载到边缘处理器上执行的任务，利用背压算法选取边缘处理器进行卸载。
所述步骤一的具体方法为：
(1)首先利用队列的动态性建模一个队列系统
Figure BDA0002841619950000021
l＝(1,2，…，L)，m＝(1,2，…，M)，其中，
Figure BDA0002841619950000022
表示时间槽t本地设备l上任务i的队列长度，
Figure BDA0002841619950000023
表示在时间槽t边缘处理器m上任务i的队列长度，并满足本地设备队列上任务的离开等于所有边缘处理器队列上任务的到达总和，L表示本地设备的个数，M表示边缘处理器的个数；
(2)每增加一个单位时间，本地设备上任务i的队列动态性公式定义为
Figure BDA0002841619950000031
其中[·]+＝max{·，0}，保证任务的队列长度大于0，
Figure BDA0002841619950000032
分别表示本地设备l上任务i在时间槽t,t+1的队列长度，
Figure BDA0002841619950000033
定义为任务i的卸载决策，
Figure BDA0002841619950000034
时表示任务在本地设备进行处理，否则将卸载至边缘处理器执行，vl(t)为本地设备l的CPU周期频率，
Figure BDA0002841619950000035
表示本地设备l卸载至边缘处理器的所有任务，
Figure BDA0002841619950000036
为该时间槽t新生成的任务量；
(3)每增加一个单位时间，边缘处理器m上任务i的队列动态性公式为
Figure BDA0002841619950000037
其中
Figure BDA0002841619950000038
分别表示边缘处理器m上任务i在时间槽t,t+1的队列长度，vm(t)为边缘处理器m处理的任务数量，
Figure BDA0002841619950000039
表示卸载到该边缘云的任务量；
(4)根据李雅普诺夫优化理论构造关于本地设备队列与边缘处理器队列的李雅普诺夫函数
Figure BDA00028416199500000310
(5)定义李雅普诺夫漂移函数Δ(t)＝E[V(t+1)-V(t)Z(t)]，其中
Figure BDA00028416199500000311
为本地设备与边缘处理器的队列向量，通过最小化李雅普诺夫漂移优化问题来减小队列的任务积压，同时实现队列的稳定性。
所述步骤二的具体方法为：
(1)计算任务i在本地设备l上执行的执行时延
Figure BDA00028416199500000312
即
Figure BDA00028416199500000313
其中Ci表示处理任务i所需要的CPU周期数，vl(t)为本地设备l的CPU周期频率；
(2)计算任务i卸载到边缘处理器m上执行的传输时延
Figure BDA00028416199500000314
Di表示任务i的数据量大小，vlm(t)表示本地设备l到边缘处理器m的传输速度；
(3)计算任务i在边缘处理器上执行的执行时延
Figure BDA0002841619950000041
即
Figure BDA0002841619950000042
其中vm(t)表示边缘处理器m的CPU频率；
(4)将任务i在本地设备l上执行的执行时延
Figure BDA0002841619950000043
与卸载到边缘处理器m上执行的卸载时延
Figure BDA0002841619950000044
分别与其等待时间local_wait,edge_wait相加，对比计算结果，如果
Figure BDA0002841619950000045
则任务i在本地设备上执行；如果
Figure BDA0002841619950000046
则选择在边缘处理器上执行任务i；其中卸载时延
Figure BDA0002841619950000047
包括由本地设备l传输到边缘处理器m传输时延
Figure BDA0002841619950000048
和在边缘处理器上执行的执行时延，即
Figure BDA0002841619950000049
所述步骤三中任务i选择在边缘处理器上执行时，根据背压算法选取边缘处理器的方法为：
(1)计算任务i本地设备队列长度与可能卸载到的边缘处理器队列长度的差
Figure BDA00028416199500000410
(2)选取其中队列长度差值
Figure BDA00028416199500000411
最大的边缘处理器进行卸载，并确定任务的最终卸载决策
本发明的有益效果是：本发明提供一种面向移动医疗健康管理的边缘云计算卸载方法，对于移动医疗健康管理产生的大量数据，在每个本地设备上，利用随机优化，将计算任务与队列相结合，通过最小化李雅普诺夫(Lyapunov)漂移减小队列积压，确定任务的卸载决策，以减小任务的计算时延，提高用户的QoS(Quality of Service，服务质量)，弥补移动终端存在的不足。此外，综合多个影响因素，不仅考虑任务的计算时延，还考虑本地设备与边缘处理器上队列的任务积压情况，进一步确定任务最优的卸载决策，减小计算延迟。
附图说明
图1为本发明任务卸载方法流程示意图。
具体实施方式
对于移动医疗健康管理产生的大量数据，为弥补移动终端固有的缺陷，移动设备生成的任务可选择在本地执行或卸载到边缘云上进行计算，这需要综合多个影响因素，如时延、能耗、任务的实际处理情况等。此外，用户需考虑每个任务的计算截止期限，根据任务的实际计算情况决定任务在何处执行。
因此，在面向移动医疗健康管理的边缘云计算卸载中，如何确定一个准确合适的卸载决策至关重要。本发明提供一种面向移动医疗健康管理的边缘云计算卸载方法，下面结合说明书附图对本发明的具体实施方式作具体描述，使本领域的技术人员能够更好地理解本发明。
本发明中的卸载过程由3个部分组成，分别是随机优化、计算时延和背压算法，三部分共同组成了边缘云的计算卸载结构来进行任务的计算卸载。
1、随机优化
对于本地设备及边缘处理器，我们首先按不同任务将其建模为一个队列系统，将本地设备上生成的任务以及边缘处理器上接收到的任务存储在队列中，然后利用随机优化方法，通过李雅普诺夫优化实现队列的稳定性，同时减小队列积压。具体过程如下：
(1)首先利用队列的动态性来建模一个队列系统
Figure BDA0002841619950000051
l＝(1,2，…，L)，m＝(1,2，…，M)，其中，
Figure BDA0002841619950000052
表示时间槽t本地设备l上任务i的队列长度，
Figure BDA0002841619950000053
表示在时间槽t边缘处理器m上任务i的队列长度，并满足本地设备队列上任务的离开等于所有边缘处理器队列上任务的到达总和，L表示本地设备的个数，M表示边缘处理器的个数；
(2)每增加一个单位时间，本地设备上任务i的队列动态性公式定义为
Figure BDA0002841619950000054
其中[·]+＝max{·，0}，保证任务的队列长度大于0，
Figure BDA0002841619950000055
分别表示本地设备l上任务i在时间槽t,t+1的队列长度，
Figure BDA0002841619950000056
定义为任务i的卸载决策，
Figure BDA0002841619950000057
时表示任务在本地设备进行处理，否则将卸载至边缘处理器执行，vl(t)为本地设备l的CPU周期频率，
Figure BDA0002841619950000058
表示本地设备l卸载至边缘处理器的所有任务，
Figure BDA0002841619950000059
为该时间槽t新生成的任务量；
(3)每增加一个单位时间，边缘处理器m上任务i的队列动态性公式为
Figure BDA0002841619950000061
其中
Figure BDA0002841619950000062
分别表示边缘处理器m上任务i在时间槽t,t+1的队列长度，vm(t)为边缘处理器m处理的任务数量，
Figure BDA0002841619950000063
表示卸载到该边缘云的任务量；
(4)根据李雅普诺夫优化理论构造关于本地设备队列与边缘处理器队列的李雅普诺夫函数V
Figure BDA0002841619950000064
(5)定义李雅普诺夫漂移函数Δ(t)＝E[V(t+1)-V(t)Z(t)]，其中
Figure BDA0002841619950000065
为本地设备与边缘处理器的队列向量，通过最小化李雅普诺夫漂移优化问题来减小队列的任务积压，同时实现队列的稳定性。
在保证队列稳定性的同时，我们对任务的执行总时延进行计算，以确定任务的卸载决策。
2.计算时延
对于本地设备队列中的每一个任务，计算其在本地执行以及卸载到边缘处理器上执行的时延，然后通过对比任务的执行时延与其等待时间之和来确定该任务是否在本地设备上进行处理，具体计算过程如下：
(1)计算任务i在本地设备l上执行的执行时延
Figure BDA0002841619950000066
即
Figure BDA0002841619950000067
其中Ci表示处理任务i所需要的CPU周期数，vl(t)为本地设备l的CPU周期频率；
(2)计算任务i卸载到边缘处理器m上执行的传输时延
Figure BDA0002841619950000068
Di表示任务i的数据量大小，vlm(t)表示本地设备l到边缘处理器m的传输速度；
(3)计算任务i在边缘处理器上执行的执行时延
Figure BDA0002841619950000069
即
Figure BDA00028416199500000610
其中vm(t)表示边缘处理器m的CPU频率；
(4)将任务i在本地设备l上执行的执行时延tl i与卸载到边缘处理器m上执行的卸载时延
Figure BDA00028416199500000611
分别与其等待时间local_wait,edge_wait相加，对比计算结果，如果
Figure BDA00028416199500000612
与
Figure BDA00028416199500000613
都大于任务的计算截止期限，则将任务i卸载至远程云进行处理；如果
Figure BDA0002841619950000071
则任务i在本地设备上执行；如果
Figure BDA0002841619950000072
则选择在边缘处理器上执行任务i；其中卸载时延
Figure BDA0002841619950000073
包括由本地设备l传输到边缘处理器m传输时延
Figure BDA0002841619950000074
和在边缘处理器上执行的执行时延，即
Figure BDA0002841619950000075
3.背压算法
背压算法作为确定卸载决策的第三层，目的是进一步确定第二层中卸载总时延小的任务具体卸载到哪个边缘处理器上执行，通过再次计算得到最合适的卸载决策，具体过程如下：
(1)计算任务i本地设备队列长度与可能卸载到的边缘处理器队列长度的差
Figure BDA0002841619950000076
(2)选取其中队列长度差值
Figure BDA0002841619950000077
最大的边缘处理器进行卸载，并确定任务的最终卸载决策。
通过以上过程，任务的卸载决策得以确定，不仅考虑了任务的计算时延，还考虑了本地设备与边缘处理器上队列的任务积压情况，进一步确定了任务的卸载决策，减小了计算延迟。

Claims (4)

1.一种面向移动医疗健康管理的边缘云计算卸载方法，其特征在于：包括以下步骤：
步骤一、将本地设备及边缘处理器建模为一个队列系统，将本地设备上生成的任务以及边缘处理器上接收到的任务存储在队列，利用随机优化方法，通过李雅普诺夫优化实现队列的稳定性，同时减小队列积压；
步骤二、分别计算本地设备上应用程序生成的任务i在本地设备执行以及卸载到边缘处理器上执行的时延，通过对比任务i在本地设备和卸载到边缘处理器执行时的执行时延与其等待时间之和确定任务i在本地设备上执行或卸载到边缘处理器上进行执行；
步骤三、步骤二计算后确定卸载到边缘处理器上执行的任务，利用背压算法选取边缘处理器进行卸载。
2.根据权利要求1所述的一种面向移动医疗健康管理的边缘云计算卸载方法，其特征在于：所述步骤一的具体方法为：
(1)首先利用队列的动态性建模一个队列系统
Figure FDA0002841619940000011
l＝(1,2，…，L)，m＝(1,2，…，M)，其中，
Figure FDA0002841619940000012
表示时间槽t本地设备l上任务i的队列长度，
Figure FDA0002841619940000013
表示在时间槽t边缘处理器m上任务i的队列长度，并满足本地设备队列上任务的离开等于所有边缘处理器队列上任务的到达总和，L表示本地设备的个数，M表示边缘处理器的个数；
(2)每增加一个单位时间，本地设备上任务i的队列动态性公式定义为
Figure FDA0002841619940000014
其中[·]+＝max{·，0}，保证任务的队列长度大于0，
Figure FDA0002841619940000015
分别表示本地设备l上任务i在时间槽t,t+1的队列长度，
Figure FDA0002841619940000016
定义为任务i的卸载决策，
Figure FDA0002841619940000017
时表示任务在本地设备进行处理，否则将卸载至边缘处理器执行，vl(t)为本地设备l的CPU周期频率，
Figure FDA0002841619940000018
表示本地设备l卸载至边缘处理器的所有任务，
Figure FDA0002841619940000019
为该时间槽t新生成的任务量；
(3)每增加一个单位时间，边缘处理器m上任务i的队列动态性公式为
Figure FDA0002841619940000021
其中
Figure FDA0002841619940000022
分别表示边缘处理器m上任务i在时间槽t,t+1的队列长度，vm(t)为边缘处理器m处理的任务数量，
Figure FDA0002841619940000023
表示卸载到该边缘云的任务量；
(4)根据李雅普诺夫优化理论构造关于本地设备队列与边缘处理器队列的李雅普诺夫函数
Figure FDA0002841619940000024
(5)定义李雅普诺夫漂移函数Δ(t)＝E[V(t+1)-V(t)Z(t)]，其中
Figure FDA0002841619940000025
为本地设备与边缘处理器的队列向量，通过最小化李雅普诺夫漂移优化问题来减小队列的任务积压，同时实现队列的稳定性。
3.根据权利要求1所述的一种面向移动医疗健康管理的边缘云计算卸载方法，其特征在于：所述步骤二的具体方法为：
(1)计算任务i在本地设备l上执行的执行时延
Figure FDA0002841619940000026
即
Figure FDA0002841619940000027
其中Ci表示处理任务i所需要的CPU周期数，vl(t)为本地设备l的CPU周期频率；
(2)计算任务i卸载到边缘处理器m上执行的传输时延
Figure FDA0002841619940000028
Di表示任务i的数据量大小，vlm(t)表示本地设备l到边缘处理器m的传输速度；
(3)计算任务i在边缘处理器上执行的执行时延
Figure FDA0002841619940000029
即
Figure FDA00028416199400000210
其中vm(t)表示边缘处理器m的CPU频率；
(4)将任务i在本地设备l上执行的执行时延
Figure FDA00028416199400000211
与卸载到边缘处理器m上执行的卸载时延
Figure FDA00028416199400000212
分别与其等待时间local_wait,edge_wait相加，对比计算结果，如果
Figure FDA00028416199400000213
则任务i在本地设备上执行；如果
Figure FDA00028416199400000214
则选择在边缘处理器上执行任务i；其中卸载时延
Figure FDA00028416199400000215
包括由本地设备l传输到边缘处理器m传输时延
Figure FDA00028416199400000216
和在边缘处理器上执行的执行时延，即
Figure FDA00028416199400000217
4.根据权利要求1所述的一种面向移动医疗健康管理的边缘云计算卸载方法，其特征在于：所述步骤三中任务i选择在边缘处理器上执行时，根据背压算法选取边缘处理器的方法为：
(1)计算任务i本地设备队列长度与可能卸载到的边缘处理器队列长度的差
Figure FDA0002841619940000031
Figure FDA0002841619940000032
(2)选取其中队列长度差值
Figure FDA0002841619940000033
最大的边缘处理器进行卸载，并确定任务的最终卸载决策。
CN202011494204.7A 2020-12-17 2020-12-17 一种面向移动医疗健康管理的边缘云计算卸载方法 Pending CN112527409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011494204.7A CN112527409A (zh) 2020-12-17 2020-12-17 一种面向移动医疗健康管理的边缘云计算卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011494204.7A CN112527409A (zh) 2020-12-17 2020-12-17 一种面向移动医疗健康管理的边缘云计算卸载方法

Publications (1)

Publication Number Publication Date
CN112527409A true CN112527409A (zh) 2021-03-19

Family

ID=75000974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011494204.7A Pending CN112527409A (zh) 2020-12-17 2020-12-17 一种面向移动医疗健康管理的边缘云计算卸载方法

Country Status (1)

Country Link
CN (1) CN112527409A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500555A (zh) * 2022-02-17 2022-05-13 南京南瑞信息通信科技有限公司 一种基于边缘计算和云计算的移动微应用数据处理方法及系统
CN114745389A (zh) * 2022-05-19 2022-07-12 电子科技大学 移动边缘计算系统的计算卸载方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500555A (zh) * 2022-02-17 2022-05-13 南京南瑞信息通信科技有限公司 一种基于边缘计算和云计算的移动微应用数据处理方法及系统
CN114500555B (zh) * 2022-02-17 2024-05-28 南京南瑞信息通信科技有限公司 一种基于边缘计算和云计算的移动微应用数据处理方法及系统
CN114745389A (zh) * 2022-05-19 2022-07-12 电子科技大学 移动边缘计算系统的计算卸载方法
CN114745389B (zh) * 2022-05-19 2023-02-24 电子科技大学 移动边缘计算系统的计算卸载方法

Similar Documents

Publication Publication Date Title
CN113242568B (zh) 一种不确定网络环境中的任务卸载和资源分配方法
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN107450982B (zh) 一种基于系统状态的任务调度方法
Wang et al. User preference based energy-aware mobile AR system with edge computing
CN104106053B (zh) 使用功率的动态cpu gpu负载平衡
CN109857546A (zh) 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
CN112527409A (zh) 一种面向移动医疗健康管理的边缘云计算卸载方法
CN109358953B (zh) 一种微云中的多任务应用卸载方法
Li Heuristic computation offloading algorithms for mobile users in fog computing
Bebortta et al. DeepMist: Toward deep learning assisted mist computing framework for managing healthcare big data
CN113645637B (zh) 超密集网络任务卸载方法、装置、计算机设备和存储介质
CN115809147B (zh) 多边缘协作缓存调度优化方法、系统及模型训练方法
Dai et al. An adaptive computation offloading mechanism for mobile health applications
CN113128681A (zh) 一种多边缘设备辅助的通用cnn推理加速系统
Xu et al. Computation offloading algorithm for cloud robot based on improved game theory
Zhou et al. Deadline-aware deep-recurrent-q-network governor for smart energy saving
Peng et al. Mobility and privacy-aware offloading of AR applications for healthcare cyber-physical systems in edge computing
Qu et al. Stochastic cumulative DNN inference with RL-aided adaptive IoT device-edge collaboration
CN112769910B (zh) 基于动态电压调节技术的雾计算任务卸载方法
Chen et al. Tensor-based Lyapunov deep neural networks offloading control strategy with cloud-fog-edge orchestration
Fang et al. Dependency-Aware Dynamic Task Offloading Based on Deep Reinforcement Learning in Mobile Edge Computing
Shi et al. Workflow migration in uncertain edge computing environments based on interval many-objective evolutionary algorithm
CN116954866A (zh) 基于深度强化学习的边缘云下任务调度方法及系统
Li et al. Service Caching and Task Offloading of Internet of Things Devices Guided by Lyapunov Optimization
Appadurai et al. Radial basis function networks-based resource-aware offloading video analytics in mobile edge computing

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