CN112905346A - 一种资源部署方法、云服务中心、计算机介质及边云协同计算系统 - Google Patents
一种资源部署方法、云服务中心、计算机介质及边云协同计算系统 Download PDFInfo
- Publication number
- CN112905346A CN112905346A CN202110233896.8A CN202110233896A CN112905346A CN 112905346 A CN112905346 A CN 112905346A CN 202110233896 A CN202110233896 A CN 202110233896A CN 112905346 A CN112905346 A CN 112905346A
- Authority
- CN
- China
- Prior art keywords
- task
- time
- tasks
- edge
- edge server
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000035945 sensitivity Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06F9/50—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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种资源部署方法、云服务中心、计算机介质及边云协同计算系统,其中方法为:云服务中心实时监控每个边缘服务器的最大可用资源和当前可用资源;预测每个边缘服务器每种任务的任务数;针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列;对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署,再使用相同方法对非时间敏感型任务进行任务资源部署;最终云服务中心根据任务资源部署集分别将任务资源推送到对应的边缘服务器。本发明可以促进边缘服务器对任务资源的高效利用,减少服务器资源占用开销。
Description
技术领域
本发明属于边缘计算领域,具体涉及一种边云协同计算中基于任务预测的资源部署方法、云服务中心、计算机介质及边云协同计算系统。
背景技术
云计算、物联网、车联网、智能电网等技术迅速发展,泛在化、普适化、智能化终端广泛应用,动态内容交付、虚拟现实、增强现实、无人驾驶、远程医疗等新型网络应用对网络和计算的要求越来越高,传统数据、存储、处理集中的云计算模式面临新挑战,出现了雾计算、透明计算、边缘计算、移动边缘计算等新型网络计算模式。
受分布式计算启发,边云协同计算将云计算能力扩展到边缘设备,聚合云计算与边缘计算各自优势,进行网络高速传输、资源高效分发、任务快速卸载,强化云、边数据协同处理,可以有效减少数据处理延迟,提高系统可扩展性,提升系统服务效应。
目前为减少数据处理延迟的边云协同计算方案中,更多的是通过建立目标优化函数来对端用户层提交的任务进行调度来实现。但是,端用户层提交的任务计算量并非固定不变,若边缘服务器用于任务运算所需的资源(包括运行任务所需软件及软件依赖,简称任务资源)固定为最高配置,这种最高配置对于大多数任务接收情况会有资源剩余,严重浪费资源,资源利用率低;若边缘服务器的任务资源配置非最高配置,在任务资源不足时再调度至其他边缘服务器完成时,这样会增加数据处理时延、降低系统服务质量。
又由于和人类生活相关的数据很多具有季节等时空特征,相应地,端用户层提交的任务计算具有季节等时空特征,在时空维度具有显性或隐性的周期性、趋势性等信息,因此,有必要提出一种边云协同计算中基于任务预测的资源部署方法,通过对数据变化进行有效预测,借助云服务中心的海量计算能力对端任务的变化趋势进行预测,将预测结果指导边缘层服务器任务运行所需资源的部署,促进资源的高效利用。
发明内容
本发明提供一种边云协同计算中基于任务预测的资源部署方法、云服务中心、计算机介质及边云协同计算系统,借助云服务中心的海量计算能力对用户端的任务的变化趋势进行预测,将预测结果指导边缘层服务器任务运行所需资源的部署,促进边缘服务器对任务资源的高效利用。
为实现上述技术目的,本发明采用如下技术方案:
一种边云协同计算中基于任务预测的资源部署方法,包括:
将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务;
预测每个边缘服务器每种任务的任务数;
针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列;
对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照排序进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,{vj,wj}为第j种任务的资源消耗;
对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
在更优的技术方案中,使用二维时间序列预测法预测每个边缘服务器每种任务的任务数:
L(t)=δx(t)+(1-δ)z(t);
式中,L(t)表示为某种任务在目标预测时间段t的预测任务数;x(t)表示某种任务横向维度在目标预测时间段t的任务数;z(t)表示某种任务纵向维度在目标预测时间段t的任务数;δ为二维时间序列调整因子,取值范围为[0,1]。
在更优的技术方案中,某种任务横向维度在目标预测时间段t的任务数,其计算式为:
某种任务纵向维度在目标预测时间段t的任务数,由当前所在统计周期之前的m个统计周期在与目标预测时间段t对应时间段的任务数求平均得到。
在更优的技术方案中,每个统计周期为1天,平分为24~48个时间段,每个时间段分为10-30个时间槽。
在更优的技术方案中,m和n均为整数,且10≤n≤30,7≤m≤30,ζ>0.2。
在更优的技术方案中,时间敏感型的用户任务包括人脸识别、交互游戏、导航、网络支付、网络购物、IP语音和/或流媒体播放,非时间型的用户任务包括网页浏览、收发邮件和/或文件下载。
一种用于边云协同计算的云服务中心,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行上述任一所述的资源部署方法。
一种计算机介质,用于存储程序(包括运行任务所需软件及软件依赖数据),所述程序被执行时,用于实现上述任一所述的资源部署方法。
一种边云协同计算系统,包括云服务层、边缘服务层和端用户层,所述云服务层包括云服务中心,所述边缘服务层包括多个资源受限、地理位置分散的边缘服务器,所述端用户层包括多个由用户拥有的移动设备、计算机、网联汽车、智能家电和/或智能终端,端用户层的每个用户端在边缘服务层对应一个本地的边缘服务器;
所述云服务中心包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,对各边缘服务器从本地用户端接收的任务请求进行预测,并根据预测结果提前将任务资源推送到该边缘服务器,具体执行上述任一所述的资源部署方法。
有益效果
本发明基于边云协同计算框架,在云服务中心基于二维时间序列对用户任务进行预测,分类聚合用户任务类型,推送任务资源至边缘服务器,提高平均用户任务命中率(各边缘服务器首次接收用户任务请求,其具备任务运行所需资源并将任务本地执行的占比均值),减少服务器资源占用开销。
附图说明
图1是本发明实施例所述的边云协同计算系统框架。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
实施例1
本实施例提供一种边云协同计算中基于任务预测的资源部署方法,应用于边云协同计算系统的云服务中心,其中的边云协同计算系统包括云服务层、边缘服务层和端用户层,通过Internet互联互通,如图1所示。边云协同计算可在内容分发网络、工业互联网、智能家庭、智慧交通等场景应用。
云服务层包括云服务中心,由若干同构或异构的计算、存储、网络等硬件组成。云服务中心利用虚拟化、软件定义网络、冗余等技术提供高性能、高可靠、可扩展的资源,以支撑用户多样按需服务。云服务层与边缘服务层之间产生控制流(control flow,CF)。云服务中心对各边缘服务器从本地用户端接收的任务请求进行预测,根据预测结果提前将任务运行所需资源(包括运行任务所需软件及软件依赖,简称任务资源)通过CF推送到该边缘服务器。云服务中心实时监测边缘服务器的任务处理和资源使用,并将各边缘服务器的任务处理和资源使用情况汇总,通过CF下发给边缘服务器。
边缘服务层由多个资源受限、地理位置分散的边缘服务器组成,向端用户层的用户端提供实时、快速、多样、灵活的网络应用。边缘服务器根据当前资源使用情况,通过CF从云服务中心接收并加载任务资源,预先启动任务运行所需环境。边缘服务器将任务处理情况和计算、存储、网络等资源使用情况通过CF上传到云服务中心。边缘服务器之间不相互传递CF,以减少边缘服务器的处理开销和带宽占用。
端用户层由用户拥有的移动设备、计算机、网联汽车、智能家电、智能终端等组成,具有一定算力,可以将任务进行预处理或部分前置处理,向边缘服务器发送任务请求(request data,RD)。请求任务在本地边缘服务器单独执行,或者在其他边缘服务器和/或云服务中心协同执行后,任务执行结果(answer data,AD)将从本地边缘服务器、其他边缘服务器、云服务中心返回至用户端。
通过对各边缘服务器的用户任务进行长期监测,可以发现,从局部看用户任务变化是一个动态随机过程,可以显性或隐性看到一种变化趋势,其任务变化和时间具有很强的关联性;从全局看用户任务与年、月、周、天等时间周期呈现明显自相关。因此,本发明基于纵向和横向时间维度的任务变化规律,通过预测找到任务变化趋势。为边云协同计算的用户任务预测提供参考依据。因此,本实施例提供一种边云协同计算中基于任务预测的资源部署方法,应用于上述边云协同计算系统的云服务中心,包括以下步骤:
(1)将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务,每种任务对应不同的网络应用。时间敏感型的用户任务包括人脸识别、交互游戏、导航、网络支付、网络购物、IP语音和/或流媒体播放等,非时间型的用户任务包括网页浏览、收发邮件和/或普通文件下载等。
(3)使用二维时间序列预测法预测每个边缘服务器每种任务的任务数;
根据边云协同计算中用户任务为强周期性、中趋势性和弱随机性的叠加变化趋势,可在云服务中心对用户任务从横向和纵向2个维度进行综合预测,统计分析过去基于时间序列的数据,推测任务的发展变化,从而得到如下所示的预测模型:
L(t)=δx(t)+(1-δ)z(t);
式中,L(t)表示为某种任务在目标预测时间段t的预测任务数;x(t)表示某种任务横向维度在目标预测时间段t的任务数,其等于时间段t的前n个时间槽(t-1,t-2,…,t-n)实际任务数的平均值加上一个值为的修正偏差, 值可用线性回归公式计算得出,xi为时间槽i的编号,在计算时xi=i,yi为时间槽i的任务数,为n个时间槽的平均数,为n个时间槽的平均任务数;z(t)表示某种任务纵向维度在目标预测时间段t的任务数,由当前所在统计周期之前的m个统计周期在与目标预测时间段t对应时间段的任务数求平均得到;δ为二维时间序列调整因子,取值范围为[0,1]。
在本实施例中,每个统计周期为1天,平分为24~48个时间段,每个时间段分为10~30个时间槽,m和n均为整数,且10≤n≤30,7≤m≤30。
(4)针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列,从而将相同种类的任务聚合,只要这种任务的任务数大于1,本实施例只需要考虑1次该种任务的任务资源部署。
在本发明中,任务资源是指边缘服务器运行任务所需软件及软件依赖数据。对于每个边缘服务器,将其本地不同用户端的相同任务请求聚合,只发送此任务对应的任务资源,可以减少云服务中心向边缘服务器推送任务资源的次数。另外,每种任务的任务数进行降序排列,即根据出现频次降序排列,可以在后面的步骤中先依次加载出现频次高的任务资源,再依次加载出现频次低的任务资源。如果边缘服务器的硬件资源不够,就不再加载余下的任务资源。这样可以提高边缘器接收用户任务请求并将任务在自己本地执行的比率。
(5)对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照降序依次进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,ζ>0.2,{vj,wj}为第j种任务的资源消耗。
(6)对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
(7)云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
实施例2
本实施例提供一种用于边云协同计算的云服务中心,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行实施例1所述的方法。
实施例3
本实施例提供一种计算机介质,用于存储程序(包括运行任务所需软件及软件依赖数据),所述程序被执行时,用于实现实施例1所述的方法。
实施例4
本实施例提供一种边云协同计算系统,包括云服务层、边缘服务层和端用户层,所述云服务层包括云服务中心,所述边缘服务层包括多个资源受限、地理位置分散的边缘服务器,所述端用户层包括多个由用户拥有的移动设备、计算机、网联汽车、智能家电和/或智能终端,端用户层的每个用户端在边缘服务层对应一个本地的边缘服务器;
所述云服务中心包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,对各边缘服务器从本地用户端接收的任务请求进行预测,并根据预测结果提前将任务资源推送到该边缘服务器,具体执行实施例1所述的方法。
本发明在边云协同计算中基于任务预测对边缘服务器的任务资源进行部署,基于边云协同计算框架,在云服务中心基于二维时间序列对用户任务进行预测,分类聚合用户任务类型,推送任务资源至边缘服务器,提高平均用户任务命中率(各边缘服务器首次接收用户任务请求,其具备任务运行所需资源并将任务本地执行的占比均值),减少服务器资源占用开销。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (9)
1.一种边云协同计算中基于任务预测的资源部署方法,其特征在于,包括:
将端服务层的用户任务分类为时间敏感型和非时间敏感型,且时间敏感型任务和非时间敏感型任务各自包括多种不同的任务;
预测每个边缘服务器每种任务的任务数;
针对每个边缘服务器,将对应预测的属于时间敏感型的不同种任务和属于非时间敏感型的不同种任务,均按任务数降序排列;
对每个边缘服务器对应预测的时间敏感型任务进行任务资源部署:将属于时间敏感型的各种任务,按照排序进行延迟阈值判定;若满足延迟阈值判定式,则更新边缘服务器e的当前可用资源并将第j种任务添加到边缘服务器e的任务资源部署集Xe;其中,延迟阈值判定式为:
式中,ζ为任务延迟发生阈值,{vj,wj}为第j种任务的资源消耗;
对每个边缘服务器对应预测的非时间敏感型任务,按照与时间敏感型任务的任务资源部署相同的方法,进行任务资源部署;
云服务中心根据任务资源部署集Xe分别将任务资源推送到对应的边缘服务器e。
2.根据权利要求1所述的方法,其特征在于,使用二维时间序列预测法预测每个边缘服务器每种任务的任务数:
L(t)=δx(t)+(1-δ)z(t);
式中,L(t)表示为某种任务在目标预测时间段t的预测任务数;x(t)表示某种任务横向维度在目标预测时间段t的任务数;z(t)表示某种任务纵向维度在目标预测时间段t的任务数;δ为二维时间序列调整因子,取值范围为[0,1]。
4.根据权利要求3所述的方法,其特征在于,每个统计周期为1天,平分为24~48个时间段,每个时间段分为10~30个时间槽。
5.根据权利要求3所述的方法,其特征在于,m和n均为整数,且10≤n≤30,7≤m≤30,ζ>0.2。
6.根据权利要求1所述的方法,其特征在于,时间敏感型的用户任务包括人脸识别、交互游戏、导航、网络支付、网络购物、IP语音和/或流媒体播放,非时间型的用户任务包括网页浏览、收发邮件和/或文件下载。
7.一种用于边云协同计算的云服务中心,其特征在于,包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,具体执行如权利要求1-6任一所述的方法。
8.一种计算机介质,其特征在于,用于存储程序,所述程序被执行时,用于实现如权利要求1-6任一所述的方法。
9.一种边云协同计算系统,其特征在于,包括云服务层、边缘服务层和端用户层,所述云服务层包括云服务中心,所述边缘服务层包括多个资源受限、地理位置分散的边缘服务器,所述端用户层包括多个由用户拥有的移动设备、计算机、网联汽车、智能家电和/或智能终端,端用户层的每个用户端在边缘服务层对应一个本地的边缘服务器;
所述云服务中心包括处理器和存储器;其中:所述存储器用于存储计算机指令;所述处理器用于执行所述存储器存储的计算机指令,对各边缘服务器从本地用户端接收的任务请求进行预测,并根据预测结果提前将任务资源推送到该边缘服务器,具体执行如权利要求1-6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233896.8A CN112905346B (zh) | 2021-03-03 | 一种资源部署方法、云服务中心、计算机介质及边云协同计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233896.8A CN112905346B (zh) | 2021-03-03 | 一种资源部署方法、云服务中心、计算机介质及边云协同计算系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905346A true CN112905346A (zh) | 2021-06-04 |
CN112905346B CN112905346B (zh) | 2024-05-24 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107454017A (zh) * | 2017-06-05 | 2017-12-08 | 上海交通大学 | 一种云数据中心网络中混合数据流协同调度方法 |
US20190327506A1 (en) * | 2019-06-27 | 2019-10-24 | Intel Corporation | Dynamic rebalancing of edge resources for multi-camera video streaming |
CN111459670A (zh) * | 2020-03-30 | 2020-07-28 | 中科边缘智慧信息科技(苏州)有限公司 | 一种在边缘计算不同层次进行协同处理的方法 |
CN112039965A (zh) * | 2020-08-24 | 2020-12-04 | 重庆邮电大学 | 一种时间敏感网络中的多任务卸载方法及系统 |
CN112188627A (zh) * | 2020-09-27 | 2021-01-05 | 重庆邮电大学 | 一种基于状态预测的动态资源分配策略 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107454017A (zh) * | 2017-06-05 | 2017-12-08 | 上海交通大学 | 一种云数据中心网络中混合数据流协同调度方法 |
US20190327506A1 (en) * | 2019-06-27 | 2019-10-24 | Intel Corporation | Dynamic rebalancing of edge resources for multi-camera video streaming |
CN111459670A (zh) * | 2020-03-30 | 2020-07-28 | 中科边缘智慧信息科技(苏州)有限公司 | 一种在边缘计算不同层次进行协同处理的方法 |
CN112039965A (zh) * | 2020-08-24 | 2020-12-04 | 重庆邮电大学 | 一种时间敏感网络中的多任务卸载方法及系统 |
CN112188627A (zh) * | 2020-09-27 | 2021-01-05 | 重庆邮电大学 | 一种基于状态预测的动态资源分配策略 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112905327B (zh) | 一种任务调度方法、边缘服务器、计算机介质及边云协同计算系统 | |
CN107911478B (zh) | 基于化学反应优化算法的多用户计算卸载方法及装置 | |
Zhou et al. | Machine learning-based offloading strategy for lightweight user mobile edge computing tasks | |
Rong et al. | Extending the lifetime of a network of battery-powered mobile devices by remote processing: a markovian decision-based approach | |
CN110941667A (zh) | 一种移动边缘计算网络中的计算卸载方法及系统 | |
CN112911016B (zh) | 边端协同计算卸载方法及系统、电子设备和存储介质 | |
CN114567895A (zh) | 一种mec服务器集群的智能协同策略的实现方法 | |
Mostafavi et al. | A stochastic approximation approach for foresighted task scheduling in cloud computing | |
CN113641417B (zh) | 一种基于分支定界法的车辆安全任务卸载方法 | |
Lu et al. | Dynamic offloading for energy-aware scheduling in a mobile cloud | |
CN112492032A (zh) | 一种移动边缘环境下的工作流协作调度方法 | |
Dong et al. | Quantum particle swarm optimization for task offloading in mobile edge computing | |
CN115022332A (zh) | 一种边缘计算中基于深度强化学习的动态服务放置方法 | |
Vispute et al. | Energy-efficient task scheduling in fog computing based on particle swarm optimization | |
Durga et al. | Context-aware adaptive resource provisioning for mobile clients in intra-cloud environment | |
Huang et al. | Computation offloading for multimedia workflows with deadline constraints in cloudlet-based mobile cloud | |
CN105407383A (zh) | 一种多版本视频点播流媒体服务器集群资源预测方法 | |
Chen et al. | Joint optimization of task caching, computation offloading and resource allocation for mobile edge computing | |
CN116996938A (zh) | 车联网任务卸载方法、终端设备及存储介质 | |
CN112905346A (zh) | 一种资源部署方法、云服务中心、计算机介质及边云协同计算系统 | |
Li et al. | A cost‐efficient and QoS‐aware adaptive placement of applications in fog computing | |
CN112905346B (zh) | 一种资源部署方法、云服务中心、计算机介质及边云协同计算系统 | |
Krishna Priya et al. | Crossover-based improved sine cosine algorithm for multimedia content distribution in cloud environment | |
Gong et al. | Vehicular Cloud Forming and Task Scheduling for Energy-Efficient Cooperative 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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231108 Address after: No. 1015, Fenglin Third Road, Yuelu District, Changsha City, Hunan Province, 410205 Applicant after: HUNAN FIRST NORMAL University Address before: No. 335, Leifeng Avenue, Yuelu District, Changsha City, Hunan Province, 410205 Applicant before: HUNAN VOCATIONAL College OF COMMERCE |
|
GR01 | Patent grant |