CN112600921A - 一种面向异构移动边缘网络的动态任务卸载方法 - Google Patents

一种面向异构移动边缘网络的动态任务卸载方法 Download PDF

Info

Publication number
CN112600921A
CN112600921A CN202011472512.XA CN202011472512A CN112600921A CN 112600921 A CN112600921 A CN 112600921A CN 202011472512 A CN202011472512 A CN 202011472512A CN 112600921 A CN112600921 A CN 112600921A
Authority
CN
China
Prior art keywords
task
time slot
unloading
base station
amount
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
CN202011472512.XA
Other languages
English (en)
Other versions
CN112600921B (zh
Inventor
黄鸿锐
姚枝秀
鲜永菊
李云
吴广富
徐泽金
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202011472512.XA priority Critical patent/CN112600921B/zh
Publication of CN112600921A publication Critical patent/CN112600921A/zh
Application granted granted Critical
Publication of CN112600921B publication Critical patent/CN112600921B/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
    • 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
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及无线通信技术领域，具体涉及一种面向异构移动边缘网络的动态任务卸载方法，包括移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，并得出卸载任务的处理策略；计算卸载任务的卸载效用、通信成本以及通信与计算能耗成本；建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量；本发明能够保证系统的稳定性，最大化系统的时间平均卸载收益。

Description

一种面向异构移动边缘网络的动态任务卸载方法
技术领域
本发明涉及无线通信技术领域，具体涉及一种面向异构移动边缘网络的动态任务卸载方法。
背景技术
在移动互联网和物联网(IoT)的驱动下，计算密集型和时延敏感型应用(如智能家居、智慧城市、无人驾驶、增强现实/虚拟现实)出现爆炸式增长，多种不同类型的终端设备连接以及多样化的需求日益增多，传统的高时延计算模型已无法满足密集型任务的需求，同时，用户对移动网络的需求不断提升，在数据速率要求越来越高的同时，需要毫秒级的端到端时延。移动边缘计算(Mobile Edge Computing,MEC)在靠近移动用户的网络边缘为用户提供服务和资源，是一种具有很大发展前景的计算范式。另外，MEC中边缘设备可部署在基站、无线接入点及路由器等位置上，使得用户可在无线网络范围内处理任务，能有效提升用户体验。
虽然越来越多的新兴应用受益于MEC技术，但是MEC服务器在面对海量的IoT设备接入，网络中用户行为和业务呈现出规律复杂，尺度多变的特征。在这种异构网络(Heterogeneous Networks,Het Nets)中会有计算量大且复杂的任务，如监视、人群感知和健康监测等，大量的IoT设备通信所产生的能耗会降低IoT设备的续航能力。在异构网络环境下考虑到任务卸载坏境的复杂性，这些用户的行为和业务往往是动态变化的，因此需要针对在异构移动边缘网络下的任务卸载和计算资源分配问题，研究出一种动态联合优化任务卸载和计算资源分配方法具有重要价值。
发明内容
为了能够在异构的移动边缘网络中，制定出一种最佳的任务卸载策略以及合适的卸载任务量，本发明提出一种面向异构移动边缘网络的动态任务卸载方法，如图1，该方法具体包括以下步骤：
S1、移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，若Im,ij(t)＝1，则计算任务将卸载到宏基站处理，若Is,ij(t)＝1，则计算任务将卸载到小基站处理，若Im,ij(t)＝0且Is,ij(t)＝0，则计算任务在本地处理；
S2、在本地处理的任务队列获取本地计算的能耗，在云端处理的任务队列获取移动设备的卸载任务量，并计算卸载效用Uij(t)、通信成本
Figure BDA0002836247530000021
以及通信与计算能耗成本
Figure BDA0002836247530000022
S3、根据卸载效用Uij(t)、通信成本
Figure BDA0002836247530000023
以及通信与计算能耗成本
Figure BDA0002836247530000024
建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；
S4、根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；
S5、根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量。
进一步的，处理移动设备本地任务的任务队列模型的更新规则为：
Figure BDA0002836247530000025
处理云端任务的任务队列模型的更新规则为：
Figure BDA0002836247530000026
其中，
Figure BDA0002836247530000027
表示t时隙第j个小基站下第i个移动设备的本地任务队列的积压长度，
Figure BDA0002836247530000028
表示t时隙第j个小基站下第i个移动设备的云端任务队列的积压长度；
Figure BDA0002836247530000029
为时隙t本地处理的任务量；
Figure BDA00028362475300000210
为时隙t上的卸载任务；ai(t)为本地处理的任务量；ci(t)为卸载到云端的任务量；
Figure BDA00028362475300000211
为一个宏基站下的小基站的集合，
Figure BDA00028362475300000212
为一个小基站下的移动设备的集合，
Figure BDA00028362475300000213
为离散时隙的集合。
进一步的，卸载效用Uij(t)表示为：
Figure BDA0002836247530000031
通信成本
Figure BDA0002836247530000032
表示为：
Figure BDA0002836247530000033
通信与计算能耗成本
Figure BDA0002836247530000034
表示为：
Figure BDA0002836247530000035
其中，ζij为移动设备i的加权参数；bij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；ηs为移动设备将任务卸载到小基站的单位任务传输成本；
Figure BDA00028362475300000318
为时隙t上的卸载任务；I{}为卸载策略，Is,ij(t)＝1表示在时隙t计算任务被卸载到小基站执行，Im,ij(t)＝1表示在时隙t计算任务被卸载到宏基站执行，且在t时隙Is,ij(t)+Im,ij(t)≤1；ηm为移动设备将任务卸载到宏基站的单位任务传输成本；
Figure BDA0002836247530000036
为通信的单位能耗成本；
Figure BDA0002836247530000037
为通信的能耗；
Figure BDA0002836247530000038
为计算的单位能耗成本；
Figure BDA0002836247530000039
为计算的能耗。
进一步的，以最大化时间平均卸载收益为优化目标的任务卸载问题表示为：
Figure BDA00028362475300000310
Figure BDA00028362475300000311
Figure BDA00028362475300000312
Figure BDA00028362475300000313
Figure BDA00028362475300000314
Figure BDA00028362475300000315
Figure BDA00028362475300000316
其中，
Figure BDA00028362475300000319
为系统的平均卸载收益；bij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；rij(t)表示t时隙移动设备i的任务卸载收益；
Figure BDA00028362475300000317
表示计算期望；Tij(t)为计算任务卸载到云端所花费的时间总和；τij,d为计算任务的最大截止时间；Ik,ij(t)表示t时隙宏基站或者小基站下的移动设备的卸载策略，
Figure BDA0002836247530000041
当Imji,(t)＝1表示在时隙t计算任务被卸载到宏基站执行，当Isji,(t)＝1表示在时隙t计算任务被卸载到小基站执行，且在t时隙Is,ij(t)+Im,ij(t)≤1；
Figure BDA0002836247530000042
表示小基站下移动设备的CPU周期频率，
Figure BDA0002836247530000043
表示宏基站下移动设备的CPU周期频率；
Figure BDA0002836247530000044
为小基站或宏基站下CPU周期频率的最大值；
Figure BDA0002836247530000045
为小基站或宏基站下CPU周期频率的最小值；
Figure BDA0002836247530000046
移动设备在单位时隙内卸载的最小任务量；
Figure BDA0002836247530000047
为移动设备在单位时隙内卸载的最大任务量；
Figure BDA0002836247530000048
表示本地任务队列的平均积压长度；
Figure BDA0002836247530000049
表示云端任务队列的平均积压长度。
进一步的，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程包括：
根据时隙t的处理移动设备本地任务的任务队列模型和处理云端任务的任务队列模型，构建时隙t的李雅普诺夫函数；
根据构建的李雅普诺夫函数计算李雅普诺夫漂移；
以最小化漂移-效用函数的上界为优化目标，构建小基站j下的移动设备i在t时隙进入本地处理任务和进入云端处理的任务、在卸载任务
Figure BDA00028362475300000410
的任何可能决策下的不等式方程；
使用机会主义最小化期望的概念最小化构建的不等式方程，得到新的优化方程。
进一步的，构建的不等式方程表示为：
Figure BDA00028362475300000411
Figure BDA00028362475300000412
其中，
Figure BDA00028362475300000413
为李雅普诺夫漂移；V为非负的可控参数；
Figure BDA00028362475300000414
表示到达移动设备i的最大计算任务量，
Figure BDA0002836247530000051
表示求所有移动用户的队列积压长度集合
Figure BDA0002836247530000052
下的时隙t移动设备的任务卸载收益rij(t)的期望；
Figure BDA0002836247530000053
表示本地移动设备在单位时隙的最大计算量；
Figure BDA0002836247530000054
表示移动设备在单位时隙内卸载的最大任务量；
Figure BDA0002836247530000055
为时隙t云端任务队列的积压长度，
Figure BDA0002836247530000056
为时隙t本地任务队列的积压长度。
进一步的，使用机会主义最小化期望的概念最小化构建的不等式方程，得到的卸载策略表示为：
Figure BDA0002836247530000057
进一步的，建立一个搜索树，从根节点到叶节点的路径表示路径，对每个路径，得到的卸载策略表示为：
Figure BDA0002836247530000058
其中，
Figure BDA0002836247530000059
为不在卸载策略I(t)下的卸载收益。
进一步的，构建一个基于优先级的卸载准则，包括：
将移动设备分为三组，若
Figure BDA00028362475300000510
则移动设备属于Gm组，该组移动设备将任务卸载到宏基站；若
Figure BDA00028362475300000511
则移动设备属于Gs组，该组移动设备将任务卸载到小基站；
其他移动设备属于Go组，对Go组移动设备建立搜索树，对于每一条路径，用凸优化方法求解最优的任务卸载量；
通过从根节点到叶节点的所有路径，得到优化目标集；
以最大化目标值作为最优解，得到最优卸载策略和计算资源分配决策；
其中，
Figure BDA00028362475300000512
表示卸载到SBS上的最小传输和计算时间之和；
Figure BDA00028362475300000513
表示卸载到SBS的最大传输和计算时间之和；τij,d表示计算任务的最大截止时间。
本发明针对在异构的移动边缘网络中，提出一种动态的任务卸载方法，选择移动设备进行任务卸载的最优策略以及最佳的任务卸载量，同时能够保证系统的稳定性，最大化系统的时间平均卸载收益。
附图说明
图1为本发明一种面向异构移动边缘网络的动态任务卸载方法流程示意图；
图2为本发明一种面向异构移动边缘网络的动态任务卸载方法系统模型图；
图3为本发明的任务队列模型图；
图4位本发明的搜索树示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明提出一种面向异构移动边缘网络的动态任务卸载方法，如图1，具体包括以下步骤：
S1、移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，若Im,ij(t)＝1，则计算任务将卸载到宏基站处理，若Is,ij(t)＝1，则计算任务将卸载到小基站处理，若Im,ij(t)＝0且Is,ij(t)＝0，则计算任务在本地处理；
S2、在本地处理的任务队列获取本地计算的能耗，在云端处理的任务队列获取移动设备的卸载任务量，并计算卸载效用Uij(t)、通信成本
Figure BDA0002836247530000061
以及通信与计算能耗成本
Figure BDA0002836247530000062
S3、根据卸载效用Uij(t)、通信成本
Figure BDA0002836247530000063
以及通信与计算能耗成本
Figure BDA0002836247530000064
建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；
S4、根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；
S5、根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量。
如图2所示是本发明实例的一种面向异构移动边缘网络的动态任务卸载方法的系统模型图，异构的移动边缘网络包括若干个小基站(Small Base Station,SBS)和一个宏基站(Macro Base Station,MBS)，在这些SBS和MBS周围都部署了MEC服务器，所有的SBS都在MBS的覆盖范围之内，且每个SBS下都覆盖有一定数量的移动设备(Mobile Devices,MDs)，受通信距离的限制，每个SBS只能为其覆盖范围内的MDs提供边缘计算服务，假设MBS下的SBS集合为
Figure BDA0002836247530000071
nj表示第j个小基站，nj＝0表示为MBS，否则为SBS，nj下的MDs集合为
Figure BDA0002836247530000072
本系统中在离散时隙
Figure BDA0002836247530000073
每个时隙的持续时间为τ。
图3所示为本发明实例的一种面向异构移动边缘网络的动态任务卸载方法的计算任务模型图，假设nj下的到达MDi的计算任务量为
Figure BDA0002836247530000074
其中
Figure BDA0002836247530000075
表示到达移动设备的最大任务量。假设单位时隙内nj下移动设备的任务到达率为
Figure BDA0002836247530000076
若在本地处理的任务量为ai(t)，则卸载到云端的任务量为ci(t)，满足ci(t)＝Ai(t)-ai(t)。
移动设备产生计算任务，并根据计算任务的属性建立两个任务队列模型，其中一个任务队列在移动设备本地处理，另一个任务队列在云端处理。对于这两个队列，可以用四个参数来描述
Figure BDA0002836247530000077
其中
Figure BDA00028362475300000714
和
Figure BDA0002836247530000078
分别表示第j个小基站下第i个移动设备的本地任务队列和云端任务队列的积压长度；
Figure BDA0002836247530000079
和
Figure BDA00028362475300000710
分别是时隙t本地处理的任务量和时隙t上的卸载任务，
Figure BDA00028362475300000711
为任务的最大截止时间，γij是计算密度(以周期/位为单位)。由此可以得出本地任务队列和云端任务队列的更新规则如下：
Figure BDA00028362475300000712
Figure BDA00028362475300000713
为了保证系统的稳定性，对本地任务队列和云端任务队列作出如下约束：
Figure BDA0002836247530000081
Figure BDA0002836247530000082
其中，
Figure BDA0002836247530000083
和
Figure BDA0002836247530000084
分别表示本地任务队列的平均积压长度和云端任务队列的平均积压长度，sup是表示求最小上界的函数，T为时隙的总长度，
Figure BDA0002836247530000085
和
Figure BDA0002836247530000086
分别表示求
Figure BDA0002836247530000087
和求
Figure BDA0002836247530000088
的期望值。
判断当前时隙t的计算任务是在本地处理还是在云端处理，假设
Figure BDA0002836247530000089
表示nj下的MDi在时隙t的任务卸载策略，其中Is,ij(t)＝1,Im,ij(t)＝1分别表示nj下的MDi在时隙t计算任务被卸载到SBS执行或被卸载到MBS执行，为了便于分析，可以把nj下的所有MDs的任务卸载策略表示为
Figure BDA00028362475300000810
由于计算任务在任意时隙内只能卸载到一个边缘服务器或一个远程服务器，因此在时隙t卸载策略必须满足不等式Is,ij(t)+Im,ij(t)≤1。建立本发明的系统模型，总体包括本地任务队列处理模型、卸载任务队列模型和卸载效用模型，而卸载任务队列模型又分为通信与计算时延模型，通信与计算能耗模型。
本地任务处理队列模型，主要分析在本地处理产生的能耗，假设MDi在时隙t的CPU周期频率表示为
Figure BDA00028362475300000816
并满足约束条件
Figure BDA00028362475300000811
其中
Figure BDA00028362475300000812
和
Figure BDA00028362475300000813
分别表示本地CPU频率的最小值和最大值，则在时隙t用于本地计算的能耗
Figure BDA00028362475300000814
为：
Figure BDA00028362475300000815
其中，κil是恒定的功率系数。
对于上述的卸载任务队列模型，由于将任务卸载到云端需要经过任务上传、云服务器计算及计算结果返回等过程，一般来说，计算结果的数据量远远小于上传量，数据下行传输速率远远高于上行，因此在分析通信模型时可以忽略计算结果返回产生的延迟。
若Is,ij(t)＝1，移动设备则将任务卸载到SBS上执行，由此通信时延
Figure BDA0002836247530000091
可以由下式计算得出：
Figure BDA0002836247530000092
其中，
Figure BDA0002836247530000093
为计算任务的数据传输速率，香农公式可以计算得到：
Figure BDA0002836247530000094
在上述香农公式中，
Figure BDA0002836247530000095
为信道带宽，
Figure BDA0002836247530000096
表示发送功率，
Figure BDA0002836247530000097
为信道增益，
Figure BDA0002836247530000098
为信道噪声功率。
若Im,ij(t)＝1，表示任务在MBS上执行；同理可得任务上传到MBS的数据传输速率
Figure BDA0002836247530000099
和计算任务从移动设备上传到MBS的传输时延
Figure BDA00028362475300000910
分别为：
Figure BDA00028362475300000911
Figure BDA00028362475300000912
进一步可以计算出计算任务卸载到云端的通信成本
Figure BDA00028362475300000913
为：
Figure BDA00028362475300000914
其中，ηs和ηm分别是移动设备将任务卸载到SBS和MBS的单位任务传输成本。
对于卸载任务队列的云服务器计算时延，假设MDi将计算任务卸载到SBSj上执行，令SBS j分配给MD i的CPU周期频率为
Figure BDA00028362475300000915
并满足约束条件
Figure BDA00028362475300000916
其中
Figure BDA00028362475300000917
和
Figure BDA00028362475300000918
分别是CPU周期频率的最小值和最大值。进一步可以计算出SBSj的计算时延为：
Figure BDA00028362475300000919
其中，γij为计算密度(以周期/位为单位)；同理若MDi将计算任务卸载到MBS上执行，可以计算出MBS的计算时延为：
Figure BDA0002836247530000101
为了保证任务能够在最大截止时间
Figure BDA0002836247530000102
内及时处理，必须满足总时延
Figure BDA0002836247530000103
在计算任务卸载到云服务器的过程中，云服务器计算任务时产生的主要能耗包括数据通信能耗
Figure BDA0002836247530000104
和服务器计算任务产生的能耗
Figure BDA0002836247530000105
因此对于所述的通信与计算能耗模型可以计算如下：
Figure BDA0002836247530000106
Figure BDA0002836247530000107
其中，
Figure BDA0002836247530000108
和
Figure BDA0002836247530000109
分别为SBSj(第j个小基站)和MBS的CPU能耗加权参数。因此，MDi(第i个移动设备)在时隙t的能耗成本可以表示为：
Figure BDA00028362475300001010
其中，
Figure BDA00028362475300001011
和
Figure BDA00028362475300001012
分别是通信和计算的单位能耗成本。
对于所述的卸载效用Uij(t)，可以由下式计算得到：
Figure BDA00028362475300001013
其中，
Figure BDA00028362475300001014
ζij是MDi的加权参数。
根据卸载效用Uij(t)、通信成本
Figure BDA00028362475300001015
以及通信与计算能耗成本
Figure BDA00028362475300001016
进一步可以计算出MDi的任务卸载收益rij(t)为：
Figure BDA00028362475300001017
所有移动设备的收益为：
Figure BDA00028362475300001018
由此，为了使系统卸载收益最大化，优化问题可以表示为：
Figure BDA0002836247530000111
P1问题的约束条件有：
Figure BDA0002836247530000112
Figure BDA0002836247530000113
Figure BDA0002836247530000114
Figure BDA0002836247530000115
Figure BDA0002836247530000116
Figure BDA0002836247530000117
本发明的优化目标为最大化系统的平均卸载收益，故可以引用李雅普诺夫优化理论将此优化目标转化成在单一时隙内的优化问题，再通过最小化李雅普诺夫漂移加惩罚之和，求出移动设备的最佳卸载决策与最优的卸载任务量。
假设
Figure BDA0002836247530000118
为时隙t的李雅普诺夫函数，计算方法如下：
Figure BDA0002836247530000119
李雅普诺夫漂移为
Figure BDA00028362475300001110
计算方法如下：
Figure BDA00028362475300001111
最优决策的基本目标是最小化漂移-效用函数的上界，故有
Figure BDA00028362475300001112
其中V是一个非负的可控参数，可在系统卸载收益和队列积压之间进行权衡。
对于任何给定的非负可控参数V≥0和SBSj下MDi在时隙t进入本地处理的任务
Figure BDA00028362475300001113
和进入云端处理的任务
Figure BDA00028362475300001114
在卸载任务
Figure BDA00028362475300001115
的任何可能决策下，有如下式子：
Figure BDA00028362475300001116
式中，
Figure BDA0002836247530000121
V是非负的可控参数，R(t)是所有移动设备的卸载收益，
Figure BDA0002836247530000122
表示到达MDi的最大计算任务量，
Figure BDA0002836247530000123
表示本地移动设备在单位时隙的最大计算量，
Figure BDA0002836247530000124
表示MDi在单位时隙内卸载的最大任务量。
使用机会主义最小化期望的概念最小化不等式，将问题转化为：
Figure BDA0002836247530000125
s.t.C1-C5
根据李雅普诺夫优化理论，通过最小化李雅普诺夫漂移加惩罚项之和的上界进一步确定移动设备的最优卸载策略和最佳的卸载任务量，在保证系统稳定性的前提下最大化系统的平均卸载收益。
若任务到达过程是独立的同分布，
Figure BDA0002836247530000126
任务到达率λj＝{λ0j,λ1j,...,λMjj}始终在网络容量Λ的范围内，即λj+ε1∈Λ，其中ε≥0表示速率向量λj与容量Λ区域之间的距离，1表示单位向量；系统已经运行了T个时隙，由此可以得到平均卸载收益界和平均队列积压边界分别满足以下不等式：
Figure BDA0002836247530000127
Figure BDA0002836247530000128
其中
Figure BDA0002836247530000129
为系统平均任务卸载收益，
Figure BDA00028362475300001210
为系统平均队列积压，R*表示最佳平均卸载收益，上两个式子说明在任务卸载收益和队列积压之间仍然存在一个[O(1/V),O(V)]权衡。
从问题P2的分析来看，MD在每个时隙的卸载策略Ik,ij(t)可看成是整数向量，卸载的任务量
Figure BDA00028362475300001211
是连续的。因此，P2问题是一个混合整数非线性规划问题(MINLP)。此外，由于P2问题中的整数向量与连续向量耦合，很难求解最优卸载策略和计算资源分配决策。
作为一种求得最优解的实施方式，在此建立一个典型的搜索树，设计一种卸载优先级选择准则，进行快速的分支定界。在该搜索树中，从根节点到叶节点的路径表示路径，对每个路径，P2问题可以转化为P3，如下所示：
Figure BDA0002836247530000131
s.t.C1,C3-C5
其中，
Figure BDA0002836247530000132
是不在卸载策略I下的卸载收益。
求解上述搜索树的一个挑战是搜索树的数目会随着MD的个数呈指数增长，因此时间复杂度很高。为了降低系统的复杂度和不必要的通信开销，在上述求解过程的基础上设计了一个基于优先级的卸载准则，该准则将设备的与卸载到SBS的最大传输和计算时间之和、卸载到SBS上的最小传输和计算时间之和，与计算任务的最大截止时间
Figure BDA0002836247530000133
进行比较，将MD分为Gm、Gs和Go三组，具体包括以下步骤：
若
Figure BDA0002836247530000134
则MD属于Gm组，
Figure BDA0002836247530000135
可表示为：
Figure BDA0002836247530000136
若
Figure BDA0002836247530000137
则MD属于Gs组，
Figure BDA0002836247530000138
可表示为：
Figure BDA0002836247530000139
Gm和Gs组的MD分别将任务卸载到MBS和SBS，对Go组移动设备建立搜索树，包括：
若基于OPSC的搜索树大小是|Ω|，对于每一条路径(P3)，用凸优化方法求解最优的任务卸载量；
通过从根节点到叶节点的所有路径，得到优化目标集(I1(t),I2(t),...,IΩ(t))，每个优化目标值的解为(φ1(t),φ2(t),...,φΩ(t)|φ(t)∈{I,F})；
以最大化目标值作为最优解，如下所示：
φ*(t)＝argmax{I1(t),I2(t),...,IΩ(t)|φ1(t),φ2(t),...,φΩ(t)}；
最后确定最优卸载策略和计算资源分配决策；
其中，F为计算资源分配集。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，具体包括以下步骤：
S1、移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，若Im,ij(t)＝1，则计算任务将卸载到宏基站处理，若Is,ij(t)＝1，则计算任务将卸载到小基站处理，若Im,ij(t)＝0且Is,ij(t)＝0，则计算任务在本地处理；
S2、在本地处理的任务队列获取本地计算的能耗，在云端处理的任务队列获取移动设备的卸载任务量，并计算卸载效用Uij(t)、通信成本
Figure FDA0002836247520000011
以及通信与计算能耗成本
Figure FDA0002836247520000012
S3、根据卸载效用Uij(t)、通信成本
Figure FDA0002836247520000013
以及通信与计算能耗成本
Figure FDA0002836247520000014
建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；
S4、根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；
S5、根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量。
2.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，处理移动设备本地任务的任务队列模型的更新规则为：
Figure FDA0002836247520000015
处理云端任务的任务队列模型的更新规则为：
Figure FDA0002836247520000016
其中，
Figure FDA0002836247520000017
表示t时隙第j个小基站下第i个移动设备的本地任务队列的积压长度，
Figure FDA0002836247520000018
表示t时隙第j个小基站下第i个移动设备的云端任务队列的积压长度；
Figure FDA0002836247520000019
为时隙t本地处理的任务量；
Figure FDA00028362475200000110
为时隙t上的卸载任务；ai(t)为本地处理的任务量；ci(t)为卸载到云端的任务量；
Figure FDA00028362475200000111
为一个宏基站下的小基站的集合，
Figure FDA00028362475200000217
为一个小基站下的移动设备的集合，
Figure FDA0002836247520000022
为离散时隙的集合。
3.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，卸载效用Uij(t)表示为：
Figure FDA0002836247520000023
通信成本
Figure FDA0002836247520000024
表示为：
Figure FDA0002836247520000025
通信与计算能耗成本
Figure FDA0002836247520000026
表示为：
Figure FDA0002836247520000027
其中，ζij为移动设备i的加权参数；bij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；ηs为移动设备将任务卸载到小基站的单位任务传输成本；
Figure FDA0002836247520000028
为时隙t上的卸载任务；I{}为卸载策略，Is,ij(t)＝1表示在时隙t计算任务被卸载到小基站执行，Im,ij(t)＝1表示在时隙t计算任务被卸载到宏基站执行，且在t时隙Is,ij(t)+Im,ij(t)≤1；ηm为移动设备将任务卸载到宏基站的单位任务传输成本；
Figure FDA0002836247520000029
为通信的单位能耗成本；
Figure FDA00028362475200000210
为通信的能耗；
Figure FDA00028362475200000211
为计算的单位能耗成本；
Figure FDA00028362475200000212
为计算的能耗；
Figure FDA00028362475200000213
为一个宏基站下的小基站的集合，
Figure FDA00028362475200000214
为一个小基站下的移动设备的集合，
Figure FDA00028362475200000215
为离散时隙的集合。
4.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，以最大化时间平均卸载收益为优化目标的任务卸载问题表示为：
Figure FDA00028362475200000216
Figure FDA0002836247520000031
Figure FDA0002836247520000032
Figure FDA0002836247520000033
Figure FDA0002836247520000034
Figure FDA0002836247520000035
Figure FDA0002836247520000036
其中，
Figure FDA0002836247520000037
为系统的平均卸载收益；bij(t)为时隙t本地处理的任务量和时隙t上的卸载任务量之和；rij(t)表示t时隙移动设备i的任务卸载收益；
Figure FDA0002836247520000038
表示计算期望；Tij(t)为计算任务卸载到云端所花费的时间总和；τij,d为计算任务的最大截止时间；Ik,ij(t)表示t时隙宏基站或者小基站下的移动设备的卸载策略，k∈{m,s},
Figure FDA0002836247520000039
当Imji,(t)＝1表示在时隙t计算任务被卸载到宏基站执行，当Isji,(t)＝1表示在时隙t计算任务被卸载到小基站执行，且在t时隙Is,ij(t)+Im,ij(t)≤1；
Figure FDA00028362475200000310
表示小基站下移动设备的CPU周期频率，
Figure FDA00028362475200000311
表示宏基站下移动设备的CPU周期频率；
Figure FDA00028362475200000312
为小基站或宏基站下CPU周期频率的最大值；
Figure FDA00028362475200000313
为小基站或宏基站下CPU周期频率的最小值；
Figure FDA00028362475200000314
移动设备在单位时隙内卸载的最小任务量；
Figure FDA00028362475200000315
为表示t时隙移动设备的任务量；
Figure FDA00028362475200000316
为移动设备在单位时隙内卸载的最大任务量；
Figure FDA00028362475200000317
表示本地任务队列的平均积压长度；
Figure FDA00028362475200000318
表示云端任务队列的平均积压长度；
Figure FDA00028362475200000319
为一个宏基站下的小基站的集合，N为集合
Figure FDA00028362475200000320
中元素的数量；
Figure FDA00028362475200000325
为一个小基站下的移动设备的集合，Mi为集合
Figure FDA00028362475200000322
中元素的数量；
Figure FDA00028362475200000323
为离散时隙的集合，T为集合
Figure FDA00028362475200000324
中元素的数量。
5.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程包括：
根据时隙t的处理移动设备本地任务的任务队列模型和处理云端任务的任务队列模型，构建时隙t的李雅普诺夫函数；
根据构建的李雅普诺夫函数计算李雅普诺夫漂移；
以最小化漂移-效用函数的上界为优化目标，构建小基站j下的移动设备i在t时隙进入本地处理任务和进入云端处理的任务、在卸载任务
Figure FDA0002836247520000041
的任何可能决策下的不等式方程；
使用机会主义最小化期望的概念最小化构建的不等式方程，得到新的优化方程。
6.根据权利要求5所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，构建的不等式方程表示为：
Figure FDA0002836247520000042
Figure FDA0002836247520000043
其中，
Figure FDA0002836247520000044
为李雅普诺夫漂移；V为非负的可控参数；
Figure FDA0002836247520000045
表示到达移动设备i的最大计算任务量，
Figure FDA0002836247520000046
表示求所有移动用户的队列积压长度集合
Figure FDA0002836247520000047
下的时隙t移动设备的任务卸载收益rij(t)的期望；
Figure FDA0002836247520000048
表示本地移动设备在单位时隙的最大计算量，
Figure FDA0002836247520000049
表示t时隙本地移动设备的计算量；
Figure FDA00028362475200000410
表示移动设备在单位时隙内卸载的最大任务量，
Figure FDA00028362475200000411
表示t时隙移动设备的任务量；
Figure FDA00028362475200000412
为时隙t云端任务队列的积压长度，
Figure FDA00028362475200000413
为时隙t本地任务队列的积压长度，ai(t)为时隙t进入本地任务队列的任务量，ci(t)为时隙t进入云端任务队列的任务量。
7.根据权利要求5所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，使用机会主义最小化期望的概念最小化构建的不等式方程，得到的卸载策略表示为：
Figure FDA00028362475200000414
其中，
Figure FDA0002836247520000051
为移动设备在单位时隙本地处理的计算量；
Figure FDA0002836247520000052
为移动设备在单位时隙内卸载的任务量；
Figure FDA0002836247520000053
为一个宏基站下的小基站的集合，N为集合
Figure FDA0002836247520000054
中元素的数量；ai(t)为时隙t进入本地任务队列的任务量；
Figure FDA0002836247520000055
为一个小基站下的移动设备的集合，Mi为集合
Figure FDA00028362475200000523
中元素的数量；
Figure FDA0002836247520000057
为离散时隙的集合，T为集合
Figure FDA0002836247520000058
中元素的数量。
8.根据权利要求1所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，建立一个搜索树，从根节点到叶节点的路径表示路径，对每个路径，得到的卸载策略表示为：
Figure FDA0002836247520000059
其中，
Figure FDA00028362475200000510
为不在卸载策略I(t)下的卸载收益；
Figure FDA00028362475200000511
为时隙t本地任务队列的积压长度，
Figure FDA00028362475200000512
为移动设备在单位时隙本地处理的计算量；ai(t)为时隙t进入本地任务队列的任务量；
Figure FDA00028362475200000513
为时隙t云端任务队列的积压长度；
Figure FDA00028362475200000514
为时隙t上的卸载任务；
Figure FDA00028362475200000524
为一个小基站下的移动设备的集合，Mi为集合
Figure FDA00028362475200000516
中元素的数量；
Figure FDA00028362475200000517
为离散时隙的集合，T为集合
Figure FDA00028362475200000518
中元素的数量。
9.根据权利要求8所述的一种面向异构移动边缘网络的动态任务卸载方法，其特征在于，构建一个基于优先级的卸载准则，包括：
将移动设备分为三组，若
Figure FDA00028362475200000519
则移动设备属于Gm组，该组移动设备将任务卸载到宏基站；若
Figure FDA00028362475200000520
则移动设备属于Gs组，该组移动设备将任务卸载到小基站；
其他移动设备属于Go组，对Go组移动设备建立搜索树，对于每一条路径，用凸优化方法求解最优的任务卸载量；
通过从根节点到叶节点的所有路径，得到优化目标集；
以最大化目标值作为最优解，得到最优卸载策略和计算资源分配决策；
其中，
Figure FDA00028362475200000521
表示卸载到SBS上的最小传输和计算时间之和；
Figure FDA00028362475200000522
表示卸载到SBS的最大传输和计算时间之和；τij,d表示计算任务的最大截止时间。
CN202011472512.XA 2020-12-15 2020-12-15 一种面向异构移动边缘网络的动态任务卸载方法 Active CN112600921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011472512.XA CN112600921B (zh) 2020-12-15 2020-12-15 一种面向异构移动边缘网络的动态任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011472512.XA CN112600921B (zh) 2020-12-15 2020-12-15 一种面向异构移动边缘网络的动态任务卸载方法

Publications (2)

Publication Number Publication Date
CN112600921A true CN112600921A (zh) 2021-04-02
CN112600921B CN112600921B (zh) 2022-05-10

Family

ID=75195492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011472512.XA Active CN112600921B (zh) 2020-12-15 2020-12-15 一种面向异构移动边缘网络的动态任务卸载方法

Country Status (1)

Country Link
CN (1) CN112600921B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238847A (zh) * 2021-05-20 2021-08-10 西安电子科技大学 基于分散式网络环境下可分任务的分发和调度方法
CN113382049A (zh) * 2021-05-31 2021-09-10 山东英信计算机技术有限公司 一种模块化构建工具mbs的管理系统及装置
CN113394825A (zh) * 2021-06-30 2021-09-14 四川大学 一种极弱电网下并网逆变器正交功率同步控制方法
CN113517920A (zh) * 2021-04-20 2021-10-19 东方红卫星移动通信有限公司 超密集低轨星座中物联网模拟载荷的计算卸载方法及系统
CN113660303A (zh) * 2021-07-02 2021-11-16 山东师范大学 一种端边网云协同的任务卸载方法及系统
CN113687924A (zh) * 2021-05-11 2021-11-23 武汉理工大学 一种基于边缘计算系统的智能动态任务计算卸载方法
CN113794768A (zh) * 2021-09-13 2021-12-14 南京星航通信技术有限公司 移动设备云中的任务分配方法
CN114296814A (zh) * 2021-12-10 2022-04-08 中国科学院深圳先进技术研究院 一种边云计算任务卸载方法、系统、终端以及存储介质
CN114374694A (zh) * 2022-01-10 2022-04-19 杭州电子科技大学 一种基于优先级的任务卸载方法及系统
CN114375010A (zh) * 2021-06-28 2022-04-19 山东华科信息技术有限公司 基于sdn和匹配理论的配电物联网
CN114697333A (zh) * 2022-03-22 2022-07-01 重庆邮电大学 一种能量队列均衡的边缘计算方法
CN115022323A (zh) * 2022-06-07 2022-09-06 电子科技大学 一种保证sla的mec任务卸载与资源调度方法
KR20230032754A (ko) * 2021-08-31 2023-03-07 연세대학교 산학협력단 Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107708152A (zh) * 2017-11-28 2018-02-16 重庆邮电大学 异构蜂窝网络的任务卸载方法
CN109857546A (zh) * 2019-01-03 2019-06-07 武汉理工大学 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
US20190220703A1 (en) * 2019-03-28 2019-07-18 Intel Corporation Technologies for distributing iterative computations in heterogeneous computing environments
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN111163521A (zh) * 2020-01-16 2020-05-15 重庆邮电大学 移动边缘计算中一种分布式异构环境下的资源分配方法
CN111258677A (zh) * 2020-01-16 2020-06-09 重庆邮电大学 面向异构网络边缘计算的任务卸载方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107708152A (zh) * 2017-11-28 2018-02-16 重庆邮电大学 异构蜂窝网络的任务卸载方法
CN109857546A (zh) * 2019-01-03 2019-06-07 武汉理工大学 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
US20190220703A1 (en) * 2019-03-28 2019-07-18 Intel Corporation Technologies for distributing iterative computations in heterogeneous computing environments
CN111163521A (zh) * 2020-01-16 2020-05-15 重庆邮电大学 移动边缘计算中一种分布式异构环境下的资源分配方法
CN111258677A (zh) * 2020-01-16 2020-06-09 重庆邮电大学 面向异构网络边缘计算的任务卸载方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BIN CAO: "A Distributed Game Methodology for Crowdsensing in Uncertain Wireless Scenario", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 *
SHICHAO XIA: "Dynamic Task Offloading and Resource Allocation for Heterogeneous MEC-enable IoT", 《2020 IEEE/CIC INTERNATIONAL CONFERENCE ON COMMUNICATIONS》 *
XINCHEN LYU: "Optimal Schedule of Mobile Edge Computing for Internet of Things Using Partial Information", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 *
赵临东: "异构蜂窝网络中分层任务卸载：建模与优化", 《通信学报》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113517920A (zh) * 2021-04-20 2021-10-19 东方红卫星移动通信有限公司 超密集低轨星座中物联网模拟载荷的计算卸载方法及系统
CN113687924B (zh) * 2021-05-11 2023-10-20 武汉理工大学 一种基于边缘计算系统的智能动态任务计算卸载方法
CN113687924A (zh) * 2021-05-11 2021-11-23 武汉理工大学 一种基于边缘计算系统的智能动态任务计算卸载方法
CN113238847B (zh) * 2021-05-20 2022-12-06 西安电子科技大学 基于分散式网络环境下可分任务的分发和调度方法
CN113238847A (zh) * 2021-05-20 2021-08-10 西安电子科技大学 基于分散式网络环境下可分任务的分发和调度方法
CN113382049A (zh) * 2021-05-31 2021-09-10 山东英信计算机技术有限公司 一种模块化构建工具mbs的管理系统及装置
CN114375010A (zh) * 2021-06-28 2022-04-19 山东华科信息技术有限公司 基于sdn和匹配理论的配电物联网
CN114375010B (zh) * 2021-06-28 2022-10-14 山东华科信息技术有限公司 基于sdn和匹配理论的配电物联网系统
CN113394825A (zh) * 2021-06-30 2021-09-14 四川大学 一种极弱电网下并网逆变器正交功率同步控制方法
CN113660303A (zh) * 2021-07-02 2021-11-16 山东师范大学 一种端边网云协同的任务卸载方法及系统
CN113660303B (zh) * 2021-07-02 2024-03-22 山东师范大学 一种端边网云协同的任务卸载方法及系统
KR20230032754A (ko) * 2021-08-31 2023-03-07 연세대학교 산학협력단 Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법
KR102562732B1 (ko) 2021-08-31 2023-08-01 연세대학교 산학협력단 Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법
CN113794768A (zh) * 2021-09-13 2021-12-14 南京星航通信技术有限公司 移动设备云中的任务分配方法
CN113794768B (zh) * 2021-09-13 2024-01-23 南京星航通信技术有限公司 移动设备云中的任务分配方法
CN114296814A (zh) * 2021-12-10 2022-04-08 中国科学院深圳先进技术研究院 一种边云计算任务卸载方法、系统、终端以及存储介质
CN114374694A (zh) * 2022-01-10 2022-04-19 杭州电子科技大学 一种基于优先级的任务卸载方法及系统
CN114374694B (zh) * 2022-01-10 2024-02-06 杭州电子科技大学 一种基于优先级的任务卸载方法及系统
CN114697333A (zh) * 2022-03-22 2022-07-01 重庆邮电大学 一种能量队列均衡的边缘计算方法
CN114697333B (zh) * 2022-03-22 2023-05-26 重庆邮电大学 一种能量队列均衡的边缘计算方法
CN115022323A (zh) * 2022-06-07 2022-09-06 电子科技大学 一种保证sla的mec任务卸载与资源调度方法

Also Published As

Publication number Publication date
CN112600921B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN112600921B (zh) 一种面向异构移动边缘网络的动态任务卸载方法
Dai et al. Joint load balancing and offloading in vehicular edge computing and networks
CN111786839B (zh) 一种车载边缘计算网络中能效优化的计算卸载方法及系统
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
Sun et al. Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning
CN109151864B (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
CN111538587B (zh) 一种基于负载均衡的服务功能链重配置方法
CN113810233B (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN111475274B (zh) 云协同多任务调度方法及装置
CN110493360A (zh) 多服务器下降低系统能耗的移动边缘计算卸载方法
CN110717300B (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
CN113286329B (zh) 基于移动边缘计算的通信和计算资源联合优化方法
CN113115459B (zh) 一种面向电力物联网海量终端的多尺度多维资源分配方法
CN112804728B (zh) 一种基于上下文学习的电力物联网海量终端接入控制方法
Mirzaei et al. Towards optimal configuration in MEC Neural networks: deep learning-based optimal resource allocation
CN113950081A (zh) 一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法
Fan et al. Joint task offloading and resource allocation for accuracy-aware machine-learning-based IIoT applications
CN114650228A (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN114567933A (zh) 基于改进遗传算法的异构云雾协同网络中的资源分配方法
Tam et al. Intelligent massive traffic handling scheme in 5G bottleneck backhaul networks
Huang Quality of service optimization in wireless transmission of industrial Internet of Things for intelligent manufacturing
Hosseini et al. Energy-efficient scheduling based on task prioritization in mobile fog computing
CN112235387B (zh) 一种基于能量消耗最小化的多节点协作计算卸载方法
CN111580943B (zh) 一种面向低时延边缘计算中多跳卸载的任务调度方法

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