CN112887221B - 基于广义预测控制的周期性节能方法 - Google Patents

基于广义预测控制的周期性节能方法 Download PDF

Info

Publication number
CN112887221B
CN112887221B CN202110038473.0A CN202110038473A CN112887221B CN 112887221 B CN112887221 B CN 112887221B CN 202110038473 A CN202110038473 A CN 202110038473A CN 112887221 B CN112887221 B CN 112887221B
Authority
CN
China
Prior art keywords
cycle
period
eeep
energy
length
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.)
Active
Application number
CN202110038473.0A
Other languages
English (en)
Other versions
CN112887221A (zh
Inventor
蒋万春
王洁
彭丽娟
王建新
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202110038473.0A priority Critical patent/CN112887221B/zh
Publication of CN112887221A publication Critical patent/CN112887221A/zh
Application granted granted Critical
Publication of CN112887221B publication Critical patent/CN112887221B/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
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/20—Traffic policing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/58—Changing or combining different scheduling modes, e.g. multimode scheduling
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本专利公开了一种基于广义预测控制的周期性节能方法(Generalized Predictive Controlfor Energy Efficient Ethernet with Prediction，GPC‑EEEP)，涉及节能以太网(Energy EfficientEthernet,EEE)领域。该策略使用功耗比和平均排队延迟组合的成本函数来量化节能以太网的性能，并采用广义预测控制方法自动将基于预测的周期性节能策略(EnergyEfficiencyEthernetwith Prediction，EEEP)的周期长度参数调整为最小化该成本函数的最优解。仿真结果表明：GPC‑EEEP策略通过自适应地调整周期长度参数，降低了节能以太网在不同流量场景下的能耗和平均排队延时组合的成本函数。

Description

基于广义预测控制的周期性节能方法
技术领域
本发明涉及节能以太网领域，特别涉及一种基于广义预测控制的周期性节能方法。
背景技术
自IEEE 802.3az标准定义了低功耗空闲(LPI)状态以来，节能以太网(EEE)已成为降低以太网能耗的主流方法，并已经被许多设备所采用，例如Cisco Nexus 7000，Dell EMCN系列，QLogic bnx2，Intel X550和X710。具体地，当以太网链路处于低利用率时，比如在夜晚，将期望以太网端口处于LPI状态，从而可以减少90％的能耗。但是，在LPI状态下，EEE端口会关闭大部分组件以节省能量，在该时间内段到达的数据帧无法正常传输，将经历额外的排队延迟。因此，决定进入和离开LPI状态的时机的节能以太网策略对于EEE的节能和排队延迟都至关重要。由于策略的性能与流量场景高度相关，因此此类策略的设计留给了特定的制造商进行实施，而不是被EEE标准所定义。
当前，已经有许多节能以太网策略，但是其中大多数策略，包括默认的帧传输策略和帧聚合策略，都需要基于特定流量进行参数配置，以在节能效率和排队延时之间取得良好的权衡。为了解决这个问题，一些工作建立了数学模型来分析帧聚合的节能效率和延迟开销。尽管它们可以在给定的流量条件下指导策略的参数配置，但是由于这种参数配置是静态的，因此它们无法适应动态的流量场景。与上述策略不同，近两年新提出的基于预测的周期性节能策略EEEP将数据的传输过程以周期进行划分，EEEP的具体内容可见文献：A.Cenedese,F.Tramarin,S.Vitturi.An Energy EfficientEthernet strategy based ontraffic prediction andshaping[J].IEEE Transactions on Communications,Volume:65,Issue:1,pp.270-282,Jan.2017。该策略公开了在每个传输的周期，都通过预测下一个周期内传入的数据帧来规划EEE的状态转换，从而在不同的流量场景下均实现了良好的节能效率和较小的延迟。
然而，EEEP在实际运行中，其固定周期长度参数可能会损害其性能。图1是基于预测的周期性节能以太网策略EEEP的转换示意图。如图1所示，原EEEP的周期长度为一个固定值T，在每个周期，EEEP首先基于历史流量的到达情况预测下一个周期的帧数目
Figure GDA0003750553570000011
该数目用于计算下一个周期的帧传输时间τ。然后EEEP将经历休眠过程ts进入到LPI状态以节省能量，该过程将持续T-τ时间，紧接着，EEEP又将经历唤醒过程tw进入活跃状态传输数据包。
为了探究周期长度对EEEP策略的影响，通过在NS3仿真平台进行仿真。仿真采用一个点对点的10Gbps以太网链路，发送端以5Gbps的速率向接收端发送数据包，每次仿真以10μs为粒度测量EEEP的平均排队延时Q和能耗比率R。仿真结果如图2所示，随着周期长度的增加，EEEP的平均排队延时线性增加，而能耗比率呈双曲线式的下降。如果周期长度太小，能耗会很大；反之，如果周期长度设置得太大，则可能会产生很大的排队延迟，极大地损害用户的体验。换句话说，EEEP需要合适的周期长度参数配置来实现理想的性能。然而，最佳的周期长度在实验之前是未知的，并随特定的流量场景所变化，因此，EEEP的固定周期长度设置是不合理的。
发明内容
为了解决基于预测的周期性节能策略EEEP的周期长度参数为固定值，从而可能由于不适当的周期参数导致策略的能耗比太大或者排队延时太长，即该策略可能无法在节能和降低排队延时之间取得良好折中的技术问题。
本发明提出了基于广义预测控制的周期性节能方法GPC-EEEP，该方法定义了一个由功耗比和平均排队延迟线性组合的成本函数来量化节能以太网的性能。然后，使用广义预测控制方法自动将EEEP的周期长度参数调整为最小化该成本函数的最优解，从而使EEEP策略在不同场景下均能在节能和降低排队延时之间取得良好折中。其中广义预测控制方法可见文献：D.W.Clarke,C.Mohtadi,P.S.Tuffs.Generalized predictivecontrol-PartI.The basic algorithm[J].1987,23(2):137-148。
为了实现上述技术目的，本发明的技术方案是，
一种基于广义预测控制的周期性节能方法，包括以下步骤：
步骤一，以当前的第i个传输周期长度为Ti，在周期开始时预测本周期内到达的数据帧数目
Figure GDA0003750553570000021
计算本周期内的休眠时间
Figure GDA0003750553570000022
然后转入休眠状态，直至休眠时间结束时转入活动状态，传输本周期内到达的数据帧，直至所有数据帧传输完毕，结束本周期；
步骤二，在第i个周期结束时，统计本周期内产生的数据包平均排队延时Qi和能耗比Ri，计算出当前基于排队延时和能耗比形成的成本函数的指数加权移动平均值Pi；
步骤三：基于Pi，使用受控自回归积分滑动平均模型预测第i+1个周期的成本函数
Figure GDA0003750553570000023
步骤四，构建由预测的成本函数
Figure GDA0003750553570000024
和待求解的周期长度增量ΔTi+1组成的目标函数Ji，通过求解Ji对ΔTi+1的偏导数，得到使第i+1个周期的目标函数最小的周期长度增量
Figure GDA0003750553570000025
步骤五，对
Figure GDA0003750553570000031
最优周期长度增量与Ti进行求和得到第i+1个周期的最优周期长度
Figure GDA0003750553570000032
将其设置为第i+1个工作周期的周期长度，进入下一周期并跳转步骤一循环执行。
所述的方法，在步骤一中，
Figure GDA0003750553570000033
的计算公式如下：
Figure GDA0003750553570000034
其中，Ttrans为每个数据包的平均传输时间。
所述的方法，在步骤二中，能耗比Ri的计算公式如下：
Figure GDA0003750553570000035
Pi的计算公式如下：
Pi＝α*Pi-1+(1-α)*(Ri+η*Qi)
其中，α是指数移动加权均值系数，η表示平均排队延时和能耗比之间的折中的系数，Pi-1为上一周期内成本函数的指数加权移动平均值。
所述的方法，在步骤三中，
Figure GDA0003750553570000036
的表达式如下：
Figure GDA0003750553570000037
其中，F,G,H分别为根据丢番图方程得出的CARIMA模型的系数，ΔTi为当前周期的长度增量。
所述的方法，在步骤四中，Ji计算公式如下：
Figure GDA0003750553570000038
参数λ决定了周期长度调整过程中收敛速度和稳定性的折中，当希望周期长度迅速收敛到最优值时则减小λ；若希望周期长度在收敛过程中平稳地变化则增大λ。
其中目标函数Ji是以ΔTi+1为唯一变量的函数，通过对Ji求ΔTi+1的偏导，并取表达式为零：
Figure GDA0003750553570000039
求解上式，得到第i+1个周期的最优周期长度增量
Figure GDA00037505535700000310
所述的方法，在步骤五中，第i+1个周期的最优周期长度
Figure GDA00037505535700000311
表达式如下：
Figure GDA00037505535700000312
本发明的技术效果在于，采用广义预测控制方法根据实际流量自动地调整EEEP策略的周期长度参数，使得EEEP在不同流量场景下均能实现节能和低排队延时之间的最佳折中。
附图说明
图1是EEEP策略状态的转换示意图。
图2揭示了EEEP在不同周期长度参数下的性能表现。
图3是GPC-EEEP策略的执行示意图。
图4展示了GPC-EEEP策略在连续流量场景下周期长度和成本的变化过程。
图5展示了在不同随机流量场景下EEEP的周期长度参数对其性能的影响。
图6展示了GPC-EEEP策略在负载动态变化的随机流量场景下周期长度的变化过程。
图7比较了负载动态变化的随机流量场景下EEEP策略与GPC-EEEP策略的性能。
图8展示了在不同负载的真实流量场景下EEEP策略的周期长度参数对其性能的影响。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细描述。
本实施例所述的基于广义预测控制的周期性节能策略GPC-EEEP定义了一个由功耗比和平均排队延迟的线性组合的成本函数来量化EEE的性能，并使用广义预测控制方法自动将EEEP策略的周期长度参数调整为最小化该成本函数的最优解，从而使EEEP在不同场景下均能在节能和降低排队延时之间取得良好折中。
具体来说，本实施例包括以下步骤：
步骤一，以当前的第i个传输周期长度为Ti，在周期开始时预测本周期内到达的数据帧数目
Figure GDA0003750553570000041
计算本周期内的休眠时间
Figure GDA0003750553570000042
Ttrans为每个数据包的平均传输时间，然后转入休眠状态，直至休眠时间结束时转入活动状态，传输本周期内到达的数据帧，直至所有数据帧传输完毕，结束本周期。
步骤二，在第i个周期结束时，统计本周期内产生的数据包平均排队延时Qi和能耗比Ri，计算出当前基于排队延时和能耗比形成的成本函数的指数加权移动平均值Pi。其中能耗比Ri的计算公式为：
Figure GDA0003750553570000043
Pi的计算公式如下：
Pi＝α*Pi-1+(1-α)*(Ri+η*Qi)
α是指数移动加权均值系数，η表示平均排队延时和能耗比之间的折中的系数，Pi-1为上一周期内成本函数的指数加权移动平均值。
步骤三：基于Pi，使用受控自回归积分滑动平均模型预测第i+1个周期的成本函数：
Figure GDA0003750553570000051
其中，F,G,H分别为根据丢番图方程得出的CARIMA模型的系数，ΔTi为当前周期的长度增量。其中根据丢番图方程求出系数的方法可参考Greco C,Menga G,Mosca E,etal.Performance Improvementsof Self-tuning Controllers by Multistep Horizons:The MUSMAR Approach[J].Automatica,1984,20(5):681-699。
步骤四，构建由预测的成本函数
Figure GDA0003750553570000059
和待求解的周期长度增量ΔTi+1组成的目标函数Ji，通过求解Ji对ΔTi+1的偏导数，得到使第i+1个周期的目标函数最小的周期长度增量
Figure GDA0003750553570000052
其中
Figure GDA0003750553570000053
参数λ决定了周期长度调整过程中收敛速度和稳定性的折中，当希望周期长度迅速收敛到最优值时则减小λ；若希望周期长度在收敛过程中平稳地变化则增大λ。目标函数Ji是以ΔTi+1为唯一变量的函数，通过对Ji求ΔTi+1的偏导，并取表达式为零：
Figure GDA0003750553570000054
求解上式，得到第i+1个周期的最优周期长度增量
Figure GDA0003750553570000055
步骤五，对
Figure GDA0003750553570000056
最优周期长度增量与Ti进行求和得到第i+1个周期的最优周期长度
Figure GDA0003750553570000057
即
Figure GDA0003750553570000058
将其设置为第i+1个工作周期的周期长度，进入下一周期并跳转步骤一循环执行。
对本实施例所提供的方法，采用与图2相同的仿真场景进行仿真。图4绘制了GPC-EEEP策略在连续流量场景下周期长度和成本的变化过程。结合图2可知，EEEP策略在该场景下的最优周期长度为80μs，最低成本开销为0.7344。图4的仿真结果证实了随着GPC-EEEP策略最小化每个周期的目标函数，总成本开销会越来越低，周期长度最终收敛到最优值80μs。
图5分别使用表1的帕累托随机流量R1,R2,R3和R4对EEEP策略进行仿真，其负载分别为5％，25％，50％和75％。同样以10的粒度搜索EEEP的最优周期长度，可见在R1,R2,R3和R4流量场景下EEEP的最优周期长度分别为50μs，60μs，70μs和100μs。为了进一步测试GPC-EEEP策略在负载动态变化的场景下的性能表现，将表1的随机流量R1～R4拼接成一段流量R以模拟负载动态变化的流量场景，图6统计了GPC-EEEP策略在R流量下的周期长度变化过程。可见，随着流量负载变化，GPC-EEEP策略将周期长度分别调整为50μs，60μs，70μs和100μs。图7比较了R流量场景下EEEP策略与GPC-EEEP策略的性能，后者大大降低了EEE的成本开销。
为了测试GPC-EEEP策略在真实流量场景下的性能，分别使用表1中的MAWI数据流量X1，X2和CADIA数据流量X3：
表1流量信息
流量编号 R1 R2 R3 R4 X1 X2 X3
负载 5％ 25％ 50％ 75％ 9％ 47％ 37％
其负载分别为9％，47％，37％。图8在X1～X3流量下分别对EEEP策略进行仿真，可见其最优周期长度分别为50μs，70μs，60μs，其最低成本开销分别为0.427，0.713，0.633。表2比较了X1～X3流量场景下EEEP策略的最优效果与GPC-EEEP策略的改进效果，表2.不同真实场景下EEEP策略的最优值与GPC-EEEP策略的性能比较
Figure GDA0003750553570000061
GPC-EEEP策略的平均周期长度分别为46.76μs，64.1μs，54.28μs，成本开销分别为0.429，0.719，0.638。也就是说，GPC-EEEP策略通过不断地将周期长度收敛到最优值，其各项性能指标与EEEP策略的最优值非常接近，即GPC-EEEP策略不需要根据流量场景配置周期长度，即可自适应地实现最优效果。

Claims (6)

1.一种基于广义预测控制的周期性节能方法，其特征在于，包括以下步骤：
步骤一，以当前的第i个传输周期长度为Ti，在周期开始时预测本周期内到达的数据帧数目
Figure FDA0003750553560000011
计算本周期内的休眠时间
Figure FDA0003750553560000012
然后转入休眠状态，直至休眠时间结束时转入活动状态，传输本周期内到达的数据帧，直至所有数据帧传输完毕，结束本周期；
步骤二，在第i个周期结束时，统计本周期内产生的数据包平均排队延时Qi和能耗比Ri，计算出当前基于排队延时和能耗比形成的成本函数的指数加权移动平均值Pi；
步骤三：基于Pi，使用受控自回归积分滑动平均模型预测第i+1个周期的成本函数
Figure FDA0003750553560000013
步骤四，构建由预测的成本函数
Figure FDA0003750553560000014
和待求解的周期长度增量ΔTi+1组成的目标函数Ji，通过求解Ji对ΔTi+1的偏导数，得到使第i+1个周期的目标函数最小的周期长度增量
Figure FDA0003750553560000015
步骤五，对
Figure FDA0003750553560000016
最优周期长度增量与Ti进行求和得到第i+1个周期的最优周期长度
Figure FDA0003750553560000017
将其设置为第i+1个工作周期的周期长度，进入下一周期并跳转步骤一循环执行。
2.根据权利要求1所述的方法，其特征在于，在步骤一中，
Figure FDA0003750553560000018
的计算公式如下：
Figure FDA0003750553560000019
其中，Ttrans为每个数据包的平均传输时间。
3.根据权利要求1所述的方法，其特征在于，在步骤二中，能耗比Ri的计算公式如下：
Figure FDA00037505535600000110
Pi的计算公式如下：
Pi＝α*Pi-1+(1-α)*(Ri+η*Qi)
其中，α是指数移动加权均值系数，η表示平均排队延时和能耗比之间的折中的系数，Pi-1为上一周期内成本函数的指数加权移动平均值。
4.根据权利要求1所述的方法，其特征在于，在步骤三中，
Figure FDA00037505535600000111
的表达式如下：
Figure FDA00037505535600000112
其中，F，G，H分别为根据丢番图方程得出的CARIMA模型的系数，ΔTi为当前周期的长度增量。
5.根据权利要求1所述的方法，其特征在于，在步骤四中，Ji计算公式如下：
Figure FDA0003750553560000021
其中，参数λ决定了周期长度调整过程中收敛速度和稳定性的折中，当希望周期长度迅速收敛到最优值时则减小λ；若希望周期长度在收敛过程中平稳地变化则增大λ；
目标函数Ji是以ΔTi+1为唯一变量的函数，通过对Ji求ΔTi+1的偏导，并取表达式为零：
Figure FDA0003750553560000022
求解上式，得到第i+1个周期的最优周期长度增量
Figure FDA0003750553560000023
6.根据权利要求1所述的方法，其特征在于，在步骤五中，第i+1个周期的最优周期长度
Figure FDA0003750553560000024
表达式如下：
Figure FDA0003750553560000025
CN202110038473.0A 2021-01-12 2021-01-12 基于广义预测控制的周期性节能方法 Active CN112887221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110038473.0A CN112887221B (zh) 2021-01-12 2021-01-12 基于广义预测控制的周期性节能方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110038473.0A CN112887221B (zh) 2021-01-12 2021-01-12 基于广义预测控制的周期性节能方法

Publications (2)

Publication Number Publication Date
CN112887221A CN112887221A (zh) 2021-06-01
CN112887221B true CN112887221B (zh) 2022-11-04

Family

ID=76044681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110038473.0A Active CN112887221B (zh) 2021-01-12 2021-01-12 基于广义预测控制的周期性节能方法

Country Status (1)

Country Link
CN (1) CN112887221B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115865543B (zh) * 2022-11-30 2024-04-05 中南大学 一种基于最优控制的周期性节能方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2629470A1 (en) * 2012-02-17 2013-08-21 Mitsubishi Electric R&D Centre Europe B.V. Apparatus and method for optimizing power consumption by traffic shaping in a transmission network
CN103490995A (zh) * 2013-09-22 2014-01-01 中国科学院大学 报文发送方法和装置
US9606604B1 (en) * 2015-11-25 2017-03-28 Globalfoundries Inc. Energy efficient high-speed link and method to maximize energy savings on the energy efficient high-speed link
CN109194588A (zh) * 2018-09-06 2019-01-11 长春工业大学 一种基于混合调度算法的高效节能以太网
CN109617704A (zh) * 2018-12-24 2019-04-12 中南大学 基于预测的40-100Gbps以太网节能策略实施方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8942144B2 (en) * 2011-05-12 2015-01-27 Micrel, Inc. Adaptive pause time energy efficient ethernet PHY
US8953443B2 (en) * 2011-06-01 2015-02-10 At&T Intellectual Property I, L.P. Method and apparatus for providing congestion management for a wireless communication network
CN111162927B (zh) * 2018-11-08 2021-12-03 华为技术有限公司 一种以太网的通信方法、装置及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2629470A1 (en) * 2012-02-17 2013-08-21 Mitsubishi Electric R&D Centre Europe B.V. Apparatus and method for optimizing power consumption by traffic shaping in a transmission network
CN103490995A (zh) * 2013-09-22 2014-01-01 中国科学院大学 报文发送方法和装置
US9606604B1 (en) * 2015-11-25 2017-03-28 Globalfoundries Inc. Energy efficient high-speed link and method to maximize energy savings on the energy efficient high-speed link
CN109194588A (zh) * 2018-09-06 2019-01-11 长春工业大学 一种基于混合调度算法的高效节能以太网
CN109617704A (zh) * 2018-12-24 2019-04-12 中南大学 基于预测的40-100Gbps以太网节能策略实施方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Improvement_of_the_Prediction-Based_Energy_Efficient_Ethernet_Strategy;NUMUKOBWA SEGOLENE et al.;《ACCESS》;20191022;全文 *
智能制造的市场前景及技术发展;王莹等;《电子产品世界》;20170304;全文 *

Also Published As

Publication number Publication date
CN112887221A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN101989926B (zh) 用于能量高效的以太网系统和方法
CN106411770A (zh) 一种基于sdn架构的数据中心网络节能路由算法
CN111555907B (zh) 基于强化学习的数据中心网络能耗和服务质量优化方法
CN103294521A (zh) 一种降低数据中心通信负载及能耗的方法
CN112887221B (zh) 基于广义预测控制的周期性节能方法
Herrería-Alonso et al. How efficient is energy-efficient ethernet?
CN111506431B (zh) 一种云服务器在能耗约束下感知负载性能优化方法
CN103269458B (zh) 一种针对窄带网络情况下视频传输的调节控制方法
CN103369640B (zh) 基站节电方法及装置
CN112769910B (zh) 基于动态电压调节技术的雾计算任务卸载方法
CN104219745B (zh) 一种基于无线传感网mac层协议的节能方法
CN111969662B (zh) 数据驱动的多智能软开关分区协同自适应电压控制方法
CN115865543B (zh) 一种基于最优控制的周期性节能方法
CN107071876B (zh) 一种采用两级模糊控制器的无线传感器网络功率控制方法
Koc et al. Optimizing energy consumption in cyber physical systems using multiple operating modes
CN102566428B (zh) 一种基于错序认知的网络控制系统集成控制器设计方法
Jiang et al. Generalized predictive control of the time window for energy efficient Ethernet with prediction
Mowafi et al. Energy efficient fuzzy-based DASH adaptation algorithm
Yang et al. Performance analysis of energy savings according to traffic patterns in ethernet with rate adaptation
Wu et al. A computation offloading algorithm for cloud edge collaborative network based on sleep mechanism
Chang et al. Dynamically alternating power saving scheme for IEEE 802.16 e mobile broadband wireless access systems
CN111242412A (zh) 一种基于需求响应的热控负荷集群协同管控方法
Jin et al. A hybrid energy saving strategy with LPI and ALR for energy-efficient Ethernet
CN112423343B (zh) 一种占空比自适应紧随网络流量的拥塞控制方法
Tinnakornsrisuphap et al. On the fairness of the reverse-link MAC layer in cdma2000 1xEV-DO

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