CN112738272A - 一种最小化网络时延的边缘节点负载均衡方法 - Google Patents

一种最小化网络时延的边缘节点负载均衡方法 Download PDF

Info

Publication number
CN112738272A
CN112738272A CN202110036777.3A CN202110036777A CN112738272A CN 112738272 A CN112738272 A CN 112738272A CN 202110036777 A CN202110036777 A CN 202110036777A CN 112738272 A CN112738272 A CN 112738272A
Authority
CN
China
Prior art keywords
node
unloading
time delay
edge
calculation
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
CN202110036777.3A
Other languages
English (en)
Other versions
CN112738272B (zh
Inventor
田贤忠
许婷
朱娟
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 CN202110036777.3A priority Critical patent/CN112738272B/zh
Publication of CN112738272A publication Critical patent/CN112738272A/zh
Application granted granted Critical
Publication of CN112738272B publication Critical patent/CN112738272B/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
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

一种最小化网络时延的边缘节点负载均衡方法，结合了MEC和SDN的优势，用于解决边缘网络节点负载不均衡及单个节点资源有限的问题。首先设计了过载节点卸载策略，即过载节点分割计算任务，通过一跳或者多跳的方式分别卸载到其它相对欠载的边缘节点；然后将过载节点的优化卸载问题建模最小化时延的数学问题。再设计了一种基于量子粒子群算法的边缘节点卸载算法求解该节点的最佳卸载策略包括任务的分割比例、目标节点的选择以及路径。本发明利用SDN控制器根据监控边缘网络的状态，调度过载节点向欠载节点卸载，优化卸载决策，降低过载节点的负载，最终降低边缘网络的处理时延。

Description

一种最小化网络时延的边缘节点负载均衡方法
技术领域
本发明属于5G网络计算卸载技术领域，尤其涉及一种最小化网络时延的边缘节点负载均衡方法。
背景技术
边缘计算是5G网络的核心技术之一。终端设备向边缘节点卸载计算任务已经成为新的计算范式。然而，一方面相比于传统的中心云，边缘节点的计算资源是有限的；另一方面在不同区域的边缘节点服务于不同的群体，其承载的计算负载量是悬殊的。如何平衡边缘节点的负载，降低计算时延，提高整个边缘网络的服务效益是一个非常重要的研究问题。
发明内容
针对上述问题，本发明提供了一种最小化网络时延的边缘节点负载均衡方法，结合边缘计算和软件定义网络(SDN)的优势，设计了边缘网络中边缘节点协作卸载计算模型，通过调度边缘网络中过载节点的计算任务，即分割过载节点的计算任务，并通过一跳或者多跳的方式卸载到其它相对欠载的边缘节点，以平衡网络中边缘节点的负载。
为了实现上述目的，本发明提供如下的技术方案：
一种最小化网络时延的边缘节点负载均衡方法，所述方法包括如下步骤：
步骤1：用
Figure BDA0002893465810000011
表达该网络，
Figure BDA0002893465810000012
是边缘节点的集合，
Figure BDA0002893465810000013
表示节点之间的通信链路的集合；
步骤2：统计每个边缘节点的负载情况，假设与节点j关联且向该节点卸载任务的终端设备的集合为Ij＝{1，2，......，I}；每个设备产生的任务大小为si，处理每一位数据所需要的CPU周期数为ci，则边缘节点接收到的数据量的大小为
Figure BDA0002893465810000014
计算负载为
Figure BDA0002893465810000015
将负载量最大的节点视为源节点；
步骤3：分割源节点的计算任务，假设节点j上的计算任务被分成了若干个部分，每部分的计算任务分别卸载给其它边缘节点k，k∈{1，2，…，J}，视为目标节点，其数据量
Figure BDA0002893465810000021
αjk表示分割比例，即边缘节点j卸载给边缘节点k的计算任务占边缘节点j总计算任务的比例，有
Figure BDA0002893465810000022
步骤4：确认目标节点的负载，
Figure BDA0002893465810000023
步骤5：确定卸载路径，定义二进制变量
Figure BDA0002893465810000024
用于确定通信链路(m，n)是否用于源节点和目标节点之间的数据传输，其值为1表示链路(m，n)用于传输数据
Figure BDA0002893465810000025
否则，不用于传输，即：
Figure BDA0002893465810000026
步骤6：计算卸载路径传输时延，rmn表示该链路(m，n)的传输速率，卸载路径的传输时延为通路上每条链路的传输时延之和，即所有xmn(αjk)＝1的链路的传输时延之和，故节点j向节点k卸载任务的传输时延为
Figure BDA0002893465810000027
步骤7：计算目标节点计算时延，每个目标节点的计算资源除用于自身计算任务外，还分配给别的节点用于计算卸载，定义目标节点k分配给源节点j的计算资源为fjk，则节点j向节点k卸载所花的计算时延为
Figure BDA0002893465810000028
步骤8：每部分计算任务产生的时延包括传输时延以及目的节点的处理时延。所以处理
Figure BDA0002893465810000029
的数据量需要的总时延为
Figure BDA00028934658100000210
步骤9：结合步骤3、5、6、7、8，建立如下关于过载节点的卸载的数学模型：
P1：
Figure BDA00028934658100000211
Figure BDA00028934658100000212
xmn(αjk)∈{0，1} ②
Figure BDA00028934658100000213
Figure BDA0002893465810000031
Figure BDA0002893465810000032
问题P1描述的是源节点j通过多路卸载以及本地计算的方式完成
Figure BDA0002893465810000033
的负载所需的最小时间，节点j的计算任务被分成了若干个部分，每个部分是并行执行的因此时延消耗最大的部分为节点完成全部任务的时延，目的是最小化节点的时延；约束①表述了节点j上的计算任务的分配原则，卸载到其它节点包括留在本地的任务比例和为1；约束②和③确保任务能卸载到目标基站；约束④说明目标基站分配给其它基站的计算资源限制；约束⑤说明，卸载计算的时延不能超过任务全部留在本地计算的时延，否则卸载没有意义；
步骤10：结合步骤4，确定
Figure BDA0002893465810000034
步骤11：根据步骤9和步骤10重塑问题
P2：
Figure BDA0002893465810000035
s.t.①～③，⑤
步骤12：设计量子粒子群算法适应度函数，根据步骤10中的目标问题和约束定义适应度函数F＝F′+pen，其中
Figure BDA0002893465810000036
Figure BDA0002893465810000037
步骤13：定义粒子群的大小为N，第n个粒子的位置向量为λn＝{λj1，λjk，...，λjk，...，λj|J|}，λjk的具体表达为：λjk＝(αj1，x)；
步骤14：首次迭代，第n个粒子的局部最佳位置为Pn(1)＝λn(1)，从Pn(1)(n＝1，2，......，N)中找到最佳的粒子位置作为G(1)；
步骤15：第m+1次迭代，更新粒子的位置：
Figure BDA0002893465810000038
Figure BDA0002893465810000041
其中P＝φPn(m)+(1-φ)G(m)，
Figure BDA0002893465810000042
φ和u是(0，1)上均匀分布的数组，取+取-的概率为0.5，α为创新参数，一般不大于1；
步骤16：更新粒子的局部最佳位置和和全局最佳位置
Figure BDA0002893465810000043
Figure BDA0002893465810000044
步骤17：循环迭代，直到达到设定的迭代次数，输出全局最佳粒子的位置G即全局最佳解；
步骤18：SDN控制器将求得的G，即将包含任务分割比例、路径、目标节点的卸载决策信息发送给源节点，节点接收到相应信息的时候执行相应的卸载操作；
步骤19：SDN控制器继续收集基础设施层的状态信息，当发现有过载节点的重复步骤2到步骤18。
本发明的有益效果为：利用SDN控制器根据监控边缘网络的状态，调度过载节点向欠载节点卸载，优化卸载决策，降低过载节点的负载，最终降低边缘网络的处理时延。
附图说明：
图1是边缘网络结构模型示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
参照图1，一种最小化网络时延的边缘节点负载均衡方法，包括如下步骤：
步骤1：如图1所示的边缘网络结构模型图，任意一个边缘节点都可以直接关联到其邻近的节点，只要该节点在其辐射半径范围内，例如节点1可以直接向节点2或者节点3卸载数据，但是要关联到远端的节点，只能通过中继节点转发，例如节点1向节点4卸载数据只能通过节点3转发或者由节点2转发给节点5，再由节点5传输给节点4，用
Figure BDA0002893465810000045
表示边缘网络，
Figure BDA0002893465810000046
是边缘节点的集合，
Figure BDA0002893465810000051
表示节点之间的通信链路的集合；
步骤2：统计边缘网络中每个边缘节点的负载情况，每个节点关联着若干个设备，假设与节点j关联且向该节点卸载任务的终端设备的集合为Ij＝{1，2，......，I}。每个设备产生的任务的大小为si，处理每一位数据所需要的CPU周期数为ci，则边缘节点接收到的数据量的大小为
Figure BDA0002893465810000052
计算负载为
Figure BDA0002893465810000053
将负载量最大的节点视为源节点，如图1中的节点1；
步骤3：分割源节点的计算任务，假设节点j上的计算任务被分成了若干个部分，每部分的计算任务分别卸载给其它边缘节点k，k∈{1，2，…，J}，视为目标节点，其数据量
Figure BDA0002893465810000054
αjk表示分割比例，即边缘节点j卸载给边缘节点k的计算任务占边缘节点j总计算任务的比例，有
Figure BDA0002893465810000055
步骤4：确认目标节点的负载，
Figure BDA0002893465810000056
步骤5：确定卸载路径，定义二进制变量
Figure BDA0002893465810000057
用于确定通信链路(m，n)是否用于源节点和目标节点之间的数据传输，其值为1表示链路(m，n)用于传输数据
Figure BDA0002893465810000058
否则，不用于传输。即：
Figure BDA0002893465810000059
例如节点1通过节点2转发向节点5卸载数据，则x12(α15)＝1，x25(α15)＝1。节点1作为源节点，对于数据
Figure BDA00028934658100000510
只会存在一条流出路径，因此∑nx1n(α15)-∑nxn1(α15)＝1，节点2作为中继节点，数据
Figure BDA00028934658100000511
从该节点流入又从该节点流出，因此∑nx2n(α15)-∑nxn2(α15)＝0。节点5作为目标节点，对于数据
Figure BDA00028934658100000512
仅存在一条流入路径，因此∑n x5n(α15)-∑n xn5(α15)＝-1；
步骤6：计算卸载路径传输时延，rmn表示该链路(m，n)的传输速率。传输时延为通路上每个链路的传输时延之和，换句话说，就是所有xmn(αjk)＝1的链路的传输时延之和，故节点j向节点k卸载任务的传输时延为
Figure BDA0002893465810000061
步骤7：计算卸载路径计算时延，每个目标节点的计算资源除用于自身计算任务外，还分配给别的节点用于计算卸载，定义目标节点k分配给源节点j的计算资源为fjk，则节点j向节点k卸载所花的计算时延为
Figure BDA0002893465810000062
步骤8：每部分计算任务产生的时延包括传输时延以及目的节点的处理时延，所以处理
Figure BDA0002893465810000063
的数据量需要的总时延为
Figure BDA0002893465810000064
步骤9：结合步骤3、5、6、7、8，建立如下关于过载节点的卸载的数学模型：
P1：
Figure BDA0002893465810000065
Figure BDA0002893465810000066
xmn(αjk)∈{0，1} ②
Figure BDA0002893465810000067
Figure BDA0002893465810000068
Figure BDA0002893465810000069
问题P1描述的是源节点j通过多路卸载以及本地计算的方式完成
Figure BDA00028934658100000610
的负载所需的最小时间，节点j的计算任务被分成了若干个部分，每个部分是并行执行的因此时延消耗最大的部分就是节点完成全部任务的时延，目的是最小化节点的时延；约束①表述了节点j上的计算任务的分配原则，卸载到其它节点包括留在本地的任务比例和为1；约束②和③确保任务能卸载到目标基站；约束④说明目标基站分配给其它基站的计算资源限制；约束⑤说明，卸载计算的时延不能超过任务全部留在本地计算的时延，否则卸载没有意义；
步骤10：结合步骤4，确定
Figure BDA00028934658100000611
步骤11：根据步骤9和步骤10重塑问题
P2：
Figure BDA0002893465810000071
s.t.①～③，⑤
步骤12：设计量子粒子群算法适应度函数，根据步骤10中的目标问题和约束定义适应度函数F＝F′+pen，其中
Figure BDA0002893465810000072
Figure BDA0002893465810000073
Figure BDA0002893465810000074
步骤13：定义粒子群的大小为N，第n个粒子的位置向量为λn＝{λj1，λjk，...，λjk，...，λj|J|}，λjk的具体表达为：λjk＝(αj1，x)；
步骤14：首次迭代，第n个粒子的局部最佳位置为Pn(1)＝λn(1)，从Pn(1)(n＝1，2，......，N)中找到最佳的粒子位置作为G(1)；
步骤15：第m+1次迭代，更新粒子的位置：
Figure BDA0002893465810000075
Figure BDA0002893465810000076
其中P＝φPn(m)+(1-φ)G(m)，
Figure BDA0002893465810000077
φ和u是(0，1)上均匀分布的数组，取+取-的概率为0.5，α为创新参数，一般不大于1；
步骤16：更新粒子的局部最佳位置和和全局最佳位置
Figure BDA0002893465810000078
Figure BDA0002893465810000079
步骤17：循环迭代，直到达到设定的迭代次数，输出全局最佳粒子的位置G即全局最佳解；
步骤18：SDN控制器将求得的G，即将包含任务分割比例、路径、目标节点的卸载决策信息发送给源节点，节点接受到相应信息的时候执行相应的卸载操作；
步骤19：SDN控制器继续收集基础设施层的状态信息，当发现有过载节点的重复步骤2到步骤18。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (1)

1.一种最小化网络时延的边缘节点负载均衡方法，其特征在于，所述方法包括如下步骤：
步骤1：用
Figure FDA00028934658000000111
表达该网络，
Figure FDA00028934658000000112
是边缘节点的集合，
Figure FDA00028934658000000113
表示节点之间的通信链路的集合；
步骤2：统计每个边缘节点的负载情况，假设与节点j关联且向该节点卸载任务的终端设备的集合为Ij＝{1，2，......，I}，每个设备产生的任务大小为si，处理每一位数据所需要的CPU周期数为ci，则边缘节点接收到的数据量的大小为
Figure FDA0002893465800000011
计算负载为
Figure FDA0002893465800000012
将负载量最大的节点视为源节点；
步骤3：分割源节点的计算任务，假设节点j上的计算任务被分成了若干个部分，每部分的计算任务分别卸载给其它边缘节点k，k∈{1，2，…，J}，视为目标节点，其数据量
Figure FDA0002893465800000013
αjk表示分割比例，即边缘节点j卸载给边缘节点k的计算任务占边缘节点j总计算任务的比例，有
Figure FDA0002893465800000014
步骤4：确认目标节点的负载，
Figure FDA0002893465800000015
步骤5：确定卸载路径，定义二进制变量xmn(αjk)，
Figure FDA0002893465800000016
用于确定通信链路(m，n)是否用于源节点和目标节点之间的数据传输，其值为1表示链路(m，n)用于传输数据
Figure FDA0002893465800000017
否则，不用于传输，即：
Figure FDA0002893465800000018
步骤6：计算卸载路径传输时延，rmn表示该链路(m，n)的传输速率，卸载路径的传输时延为通路上每条链路的传输时延之和，即所有xmn(αjk)＝1的链路的传输时延之和，故节点j向节点k卸载任务的传输时延为
Figure FDA0002893465800000019
步骤7：计算目标节点计算时延，每个目标节点的计算资源除用于自身计算任务外，还分配给别的节点用于计算卸载，定义目标节点k分配给源节点j的计算资源为fjk，则节点j向节点k卸载所花的计算时延为
Figure FDA00028934658000000110
步骤8：每部分计算任务产生的时延包括传输时延以及目的节点的处理时延，所以处理
Figure FDA0002893465800000021
的数据量需要的总时延为
Figure FDA00028934658000000212
步骤9：结合步骤3、5、6、7、8，建立如下关于过载节点的卸载的数学模型：
P1：
Figure FDA0002893465800000023
Figure FDA0002893465800000024
xmn(αjk)∈{0，1} ②
Figure FDA0002893465800000025
Figure FDA0002893465800000026
Figure FDA0002893465800000027
问题P1描述的是源节点j通过多路卸载以及本地计算的方式完成
Figure FDA0002893465800000028
的负载所需的最小时间，节点j的计算任务被分成了若干个部分，每个部分是并行执行的因此时延消耗最大的部分为节点完成全部任务的时延，目的是最小化节点的时延；约束①表述了节点j上的计算任务的分配原则，卸载到其它节点包括留在本地的任务比例和为1；约束②和③确保任务能卸载到目标基站；约束④说明目标基站分配给其它基站的计算资源限制；约束⑤说明，卸载计算的时延不能超过任务全部留在本地计算的时延，否则卸载没有意义；
步骤10：结合步骤4，确定
Figure FDA0002893465800000029
步骤11：根据步骤9和步骤10重塑问题
P2：
Figure FDA00028934658000000210
s.t.①～③，⑤
步骤12：设计量子粒子群算法适应度函数，根据步骤10中的目标问题和约束定义适应度函数F＝F′+pen，其中
Figure FDA00028934658000000211
Figure FDA0002893465800000031
步骤13：定义粒子群的大小为N，第n个粒子的位置向量为λn＝{λj1，λjk，...，λjk，...，λj|J|}，λjk的具体表达为：λjk＝(αj1，x)；
步骤14：首次迭代，第n个粒子的局部最佳位置为Pn(1)＝λn(1)，从Pn(1)(n＝1，2，......，N)中找到最佳的粒子位置作为G(1)；
步骤15：第m+1次迭代，更新粒子的位置：
Figure FDA0002893465800000032
Figure FDA0002893465800000033
其中P＝φPn(m)+(1-φ)G(m)，
Figure FDA0002893465800000034
φ和u是(0，1)上均匀分布的数组，取+取-的概率为0.5，α为创新参数；
步骤16：更新粒子的局部最佳位置和和全局最佳位置
Figure FDA0002893465800000035
Figure FDA0002893465800000036
步骤17：循环迭代，直到达到设定的迭代次数，输出全局最佳粒子的位置G即全局最佳解；
步骤18：SDN控制器将求得的G，即将包含任务分割比例、路径、目标节点的卸载决策信息发送给源节点，节点接收到相应信息的时候执行相应的卸载操作；
步骤19：SDN控制器继续收集基础设施层的状态信息，当发现有过载节点的重复步骤2到步骤18。
CN202110036777.3A 2021-01-12 2021-01-12 一种最小化网络时延的边缘节点负载均衡方法 Active CN112738272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110036777.3A CN112738272B (zh) 2021-01-12 2021-01-12 一种最小化网络时延的边缘节点负载均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110036777.3A CN112738272B (zh) 2021-01-12 2021-01-12 一种最小化网络时延的边缘节点负载均衡方法

Publications (2)

Publication Number Publication Date
CN112738272A true CN112738272A (zh) 2021-04-30
CN112738272B CN112738272B (zh) 2022-07-15

Family

ID=75590486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110036777.3A Active CN112738272B (zh) 2021-01-12 2021-01-12 一种最小化网络时延的边缘节点负载均衡方法

Country Status (1)

Country Link
CN (1) CN112738272B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114143326A (zh) * 2021-12-08 2022-03-04 深圳前海微众银行股份有限公司 负载调节方法、管理节点以及存储介质
CN114138452A (zh) * 2021-10-15 2022-03-04 中标慧安信息技术股份有限公司 一种边缘计算中高能效的计算节点选择方法及装置
CN114500560A (zh) * 2022-01-06 2022-05-13 浙江鼎峰科技股份有限公司 一种最小化网络时延的边缘节点服务部署与负载均衡方法
CN115118728A (zh) * 2022-06-21 2022-09-27 福州大学 基于蚁群算法的边缘负载均衡任务调度方法
CN115809148A (zh) * 2023-01-16 2023-03-17 中国华能集团清洁能源技术研究院有限公司 一种面向边缘计算的负载均衡任务调度方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150358236A1 (en) * 2014-06-05 2015-12-10 KEMP Technologies Inc. Adaptive load balancer and methods for intelligent data traffic steering
CN110113376A (zh) * 2019-03-29 2019-08-09 南京邮电大学 一种基于移动边缘计算的多径传输负载均衡优化算法
CN110365753A (zh) * 2019-06-27 2019-10-22 北京邮电大学 基于边缘计算的物联网服务低时延负载分配方法及装置
CN111641973A (zh) * 2020-05-29 2020-09-08 重庆邮电大学 一种雾计算网络中基于雾节点协作的负载均衡方法
CN111726854A (zh) * 2020-04-24 2020-09-29 浙江工业大学 一种降低物联网计算卸载能耗的方法
CN111741054A (zh) * 2020-04-24 2020-10-02 浙江工业大学 一种移动用户深度神经网络计算卸载时延最小化方法
CN112162789A (zh) * 2020-09-17 2021-01-01 中国科学院计算机网络信息中心 一种基于软件定义的边缘计算随机卸载决策方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150358236A1 (en) * 2014-06-05 2015-12-10 KEMP Technologies Inc. Adaptive load balancer and methods for intelligent data traffic steering
CN110113376A (zh) * 2019-03-29 2019-08-09 南京邮电大学 一种基于移动边缘计算的多径传输负载均衡优化算法
CN110365753A (zh) * 2019-06-27 2019-10-22 北京邮电大学 基于边缘计算的物联网服务低时延负载分配方法及装置
CN111726854A (zh) * 2020-04-24 2020-09-29 浙江工业大学 一种降低物联网计算卸载能耗的方法
CN111741054A (zh) * 2020-04-24 2020-10-02 浙江工业大学 一种移动用户深度神经网络计算卸载时延最小化方法
CN111641973A (zh) * 2020-05-29 2020-09-08 重庆邮电大学 一种雾计算网络中基于雾节点协作的负载均衡方法
CN112162789A (zh) * 2020-09-17 2021-01-01 中国科学院计算机网络信息中心 一种基于软件定义的边缘计算随机卸载决策方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卢海峰等: "基于深度强化学习的移动边缘计算任务卸载研究", 《计算机研究与发展》 *
田贤忠;姚超;赵晨;丁军: "一种面向5G网络的移动边缘计算卸载策略", 《计算机科学》 *
花德培等: "基于蚁群优化算法的移动边缘协作计算", 《电子测量技术》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114138452A (zh) * 2021-10-15 2022-03-04 中标慧安信息技术股份有限公司 一种边缘计算中高能效的计算节点选择方法及装置
CN114138452B (zh) * 2021-10-15 2022-11-15 中标慧安信息技术股份有限公司 一种边缘计算中高能效的计算节点选择方法及装置
CN114143326A (zh) * 2021-12-08 2022-03-04 深圳前海微众银行股份有限公司 负载调节方法、管理节点以及存储介质
WO2023103349A1 (zh) * 2021-12-08 2023-06-15 深圳前海微众银行股份有限公司 负载调节方法、管理节点以及存储介质
CN114143326B (zh) * 2021-12-08 2024-07-26 深圳前海微众银行股份有限公司 负载调节方法、管理节点以及存储介质
CN114500560A (zh) * 2022-01-06 2022-05-13 浙江鼎峰科技股份有限公司 一种最小化网络时延的边缘节点服务部署与负载均衡方法
CN114500560B (zh) * 2022-01-06 2024-04-26 浙江鼎峰科技股份有限公司 一种最小化网络时延的边缘节点服务部署与负载均衡方法
CN115118728A (zh) * 2022-06-21 2022-09-27 福州大学 基于蚁群算法的边缘负载均衡任务调度方法
CN115118728B (zh) * 2022-06-21 2024-01-19 福州大学 基于蚁群算法的边缘负载均衡任务调度方法
CN115809148A (zh) * 2023-01-16 2023-03-17 中国华能集团清洁能源技术研究院有限公司 一种面向边缘计算的负载均衡任务调度方法及装置

Also Published As

Publication number Publication date
CN112738272B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN112738272B (zh) 一种最小化网络时延的边缘节点负载均衡方法
US20230199061A1 (en) Distributed computation offloading method based on computation-network collaboration in stochastic network
CN109167671A (zh) 一种面向量子密钥分发业务的配用通信系统均衡负载调度算法
CN110928654A (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN112187891B (zh) 基于多业务的边缘计算节点集合的负载优化方法及装置
CN114637608B (zh) 一种计算任务分配和更新方法、终端及网络设备
CN113918240A (zh) 任务卸载方法及装置
CN111263401A (zh) 一种基于移动边缘计算的多用户协作计算卸载方法
CN110851277A (zh) 一种增强现实场景下基于边云协同的任务调度策略
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
CN114625506A (zh) 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法
Zhang et al. Quantified edge server placement with quantum encoding in internet of vehicles
Zhou et al. Robust risk-sensitive task offloading for edge-enabled industrial Internet of Things
CN116089091A (zh) 基于物联网边缘计算的资源分配和任务卸载方法
CN115150893A (zh) 基于任务划分与d2d的mec任务卸载策略方法
An et al. Fuzzy deep Q-learning task offloading in delay constrained vehicular fog computing
Vakilian et al. Node cooperation for workload offloading in a fog computing network via multi-objective optimization
CN114816739A (zh) 针对负载均衡的片上网络增量任务映射方法
CN111611069B (zh) 多数据中心间多类型任务迁移方法
Zhu et al. Online distributed learning-based load-aware heterogeneous vehicular edge computing
CN115065384B (zh) 考虑用户关联、子信道分配及波束关联的多波束卫星通信系统资源分配方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN106127396A (zh) 一种智能电网中云调度任务的方法
CN117149370A (zh) 一种智能电网的任务分配方法、装置及电子设备
CN102892146B (zh) 出站波束调度处理方法

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