CN113114733A - 基于能量收集的分布式任务卸载和计算资源的管理方法 - Google Patents
基于能量收集的分布式任务卸载和计算资源的管理方法 Download PDFInfo
- Publication number
- CN113114733A CN113114733A CN202110312344.6A CN202110312344A CN113114733A CN 113114733 A CN113114733 A CN 113114733A CN 202110312344 A CN202110312344 A CN 202110312344A CN 113114733 A CN113114733 A CN 113114733A
- Authority
- CN
- China
- Prior art keywords
- server
- task
- mobile device
- ith
- mobile
- 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
- 238000007726 management method Methods 0.000 title abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 17
- 238000003306 harvesting Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013468 resource allocation Methods 0.000 abstract description 6
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 108091006146 Channels Proteins 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
-
- 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)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于移动通信技术领域,特别涉及一种基于能量收集的分布式任务卸载和计算资源的管理方法,包括建立任务本地计算模型和边缘云计算模型;建立出设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数及动边缘计算服务器最大化收益的目标函数;设备根据预筛选准则,预选择移动边缘计算服务服务器进行任务的卸载;利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略;获得各个时隙内移动边缘计算服务器对设备端的最优报价策略;获取最优任务量策略以及最优动态报价策略满足斯坦克尔伯格均衡的解作为资源分配策略;本发明实现电池能量水平的稳定性管理以及针对异构用户的计算资源按需分配。
Description
技术领域
本发明属于移动通信技术领域,特别涉及一种基于能量收集的分布式任务卸载和计算资源管理方法。
背景技术
在物联网快速发展和智能终端设备普及的推动下,以计算密集型和延时敏感型为特点的面向云的应用(如虚拟现实、无人驾驶和网络游戏)近年来正以前所未有的速度发展。虽然CPU的处理能力和移动设备(Mobile Devices,MDs)的存储能力不断提高,但在大数据和人工智能时代,计算性能和电池续航时间仍然面临严峻挑战。移动边缘计算(MobileEdge Computing,MEC)作为一种新兴的计算模式,通过将全部或部分本地计算任务卸载到MEC服务器上,能明显提高用户的服务体验。在MEC系统中,将计算和存储资源部署到边缘网络上能有效减小时延,避免数据通信拥塞。
在硬件的尺寸和成本的限制下,传统的电池容量是有限的,不能满足设备长时间续航的要求。在某些场景下,使用可充电电池或传统的电网电源是不可能的或者极其昂贵的,因此,采用更便宜和更方便可靠的供电方法是必不可少的。能量收集(EnergyHarvesting,EH)可以捕获太阳能和风能等可再生能源用于数据通信和MD的任务处理,已成为一项实现绿色通信和持久运行的重要技术。将EH集成到MEC系统中具有重要意义。
随着EH和MEC的融合,保证系统计算性能的稳定性面临着新的挑战。一些主要的成果有:(1)基于能量收集的移动边缘计算的动态计算卸载(参考文献:Mao Y,Zhang J,Letaief K B.Dynamic Computation Offloading for Mobile-Edge Computing withEnergy Harvesting Devices[J].IEEE Journal on Selected Areas inCommunications,2016,34(12):3590-3605.DOI:10.1109/JSAC.2016.2611964):该算法在单个MD和单个MEC服务器的点对点通信场景下,提出了一种基于扰动李雅普诺夫优化的低复杂度、集中式的任务卸载算法。(2)移动边缘计算中基于能量收集的任务卸载能耗与时延折中算法(参考文献:Zhang G,Zhang W,Cao Y,et al.Energy-Delay Tradeoff forDynamic Offloading in Mobile-Edge Computing System With Energy HarvestingDevices[J].IEEE Transactions on Industrial Informatics,2018,14(10):4642-4655.DOI:10.1109/TII.2018.2843365):该算法提出了一种动态任务卸载策略来权衡基于EH的MEC系统的能量消耗和计算时延。作者将其转化为一个以缓冲队列稳定性和电池电量为约束条件的移动设备能量消耗和执行延迟平均加权总和问题。并基于扰动李雅普诺夫优化方法,得到了移动设备的CPU周期频率和数据传输功率的最优分配。
这些工作围绕着原始的、简单的集中式的网络架构,即提供的平均速率、时延、连接密度和差异化服务应该被打破。特别是随着物联网时代边缘设备和数据量的快速增长,集中式的优化方法已经不适用于包含数千个异构物联网应用的分布式MEC场景。此外,不同的MDs在计算卸载时延和能量消耗方面通常具有差异化需求,因此,如何按需地分配有限的边缘云的计算资源,以及如何以分布式的方式开发具有能量收集水平的任务卸载策略具有重要研究价值。
发明内容
为了实现系统能耗最小化以及资源的按需分配,本发明提出一种基于能量收集的分布式任务卸载和计算资源的管理方法,具体包括以下步骤:
根据移动边缘计算环境,建立任务本地计算模型和边缘云计算模型;
获取设备向移动边缘计算服务器购买资源进行任务卸载的收益,并在设备端采用扰动李雅普诺夫优化理论以保证设备端电池能量水平及任务队列的稳定性,建立出设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数;
获取移动边缘计算服务器为设备端提供计算服务的收益,建立移动边缘计算服务器最大化收益的目标函数;
根据设备端的任务积压、电池能量水平以及移动边缘计算服务器端的报价,建立移动边缘计算服务器预筛选准则,设备根据预筛选准则,预选择移动边缘计算服务服务器进行任务的卸载;
设备端基于扰动李雅普诺夫优化的设备端收益最大化问题,在各个时隙内,利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略;
移动边缘计算服务器根据所述买方向所选择的移动边缘计算服务器卸载的最优任务量策略,基于移动边缘计算服务器最大化收益问题,获得各个时隙内移动边缘计算服务器对设备端的最优报价策略;
设备端向所选择的移动边缘计算服务器卸载的最优任务量策略,且移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解,那么设备按照最优任务卸载策略向移动边缘计算服务器进行任务卸载。
进一步的,设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数表示为:
其中,Ii(t)={Ii0(t),Ii1(t),…,Iin(t)}为第i个移动设备任务卸载策略的集合,bi(t)={bi0(t),bi1(t),…,bin(t)}为第i个移动设备处理任务量策略的集合,为第i个移动设备基于扰动李雅普诺夫优化的设备端收益最大化的目标函数,Vi为第i个移动设备的非负可控参数,为第i个移动设备的最大化收益函数,Qi(t)表示时隙t中第i个移动设备到达的任务队列积压,为时隙t第i个移动设备已处理的任务量总和,ai(t)表示时隙t中第i个移动设备到达的任务量,为第i个移动设备电池的虚拟能量队列,为第i个移动设备在时隙t的总能耗,为时隙t第i个移动设备充电到电池的能量,δi(t)表示在时隙t中第i个移动设备收集的能量,为第i个移动设备在每个时隙电池放电量的最小值,为第i个移动设备在每个时隙电池放电量的最大值,Bi(t)在时隙t开始时第i个移动设备i的电池能量水平,为第i个移动设备在本地处理或者卸载到第个移动边缘计算服务器的任务量,其中M为移动设备的集合,N为移动边缘计算服务器的集合,为本地或第个移动边缘计算服务器CPU最小频率值,为本地或第个移动边缘计算服务器为第i个移动设备分配的CPU频率值,为本地或第个移动边缘计算服务器CPU最大频率值,T为每个时隙的时隙索引。
进一步的,移动边缘计算服务器最大化收益的目标函数表示为:
约束条件:pji(t)≥0,i∈M,t∈T
其中,为第j个移动边缘计算服务器最大化收益函数,sji(t)为第j个服务器为第i个移动设备处理任务所获得的收益,ψj为第j个移动边缘计算服务器的单位能量成本,为第j个移动边缘计算服务器处理第i个移动设备的任务的能耗,m为移动设备集合中移动设备的数量。
进一步的,设备根据预筛选准则,预选择移动边缘计算服务服务器进行任务的卸载包括:
其中,为每个时隙最小的卸载任务;为每一时隙最大的卸载任务;为第i个移动设备卸载到第j个移动边缘计算服务器的最小任务量,pij(t)为第j个移动边缘计算服务器对第i个移动设备的报价,为在时隙t从第i个移动设备到第j个移动边缘计算服务器的单位通信成本,Qi(t)为第i个移动设备的任务队列积压,为第i个移动设备电池的虚拟能量队列,Pi为第i个移动设备在时隙t中的传输功率,ri为第i个移动设备的传输速率。
进一步的,设备端基于扰动李雅普诺夫优化的设备端收益最大化问题,在各个时隙内,利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略,即各个时隙内移动边缘计算服务器对设备端的最优报价策略表示为:
进一步的,判断移动边缘计算服务器对设备端的最优动态报价策略是否满足斯坦克尔伯格均衡解包括:如果移动边缘计算器的价格确定,满足:
同时卸载任务bij(t)确定,如果满足:
则移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解;
其中,为卸载任务量是时第i个移动设备的收益值,为第i个移动设备卸载到第j个移动边缘计算服务器任务量的斯坦克尔伯格均衡解,为最小卸载任务量,最大卸载任务量;为报价是时第j个移动边缘计算服务器的收益值,为第j个移动边缘计算服务器对第i个移动设备报价的斯坦克尔伯格均衡解,为移动设备i卸载到移动边缘计算服务器j的成本价格。
本发明考虑一种分布式的支持能量收集的MEC卸载系统,提出了一种基于博弈论和扰动李雅普诺夫优化理论的分布式优化策略。该算法通过动态差异化报价机制,实现异构任务卸载、计算资源的按需分配和电池能量的管理的联合优化。此外,为了减少不必要的通信开销,提高处理效率,在权衡电池能量水平、延时和收益的基础上,设计了一种MEC服务器预筛选准则。通过仿真实验,该方法在保证系统收益最大化的同时,实现了电池能量水平的稳定性管理以及针对异构用户的计算资源按需分配。
附图说明
图1为本发明中一种基于能量收集的分布式任务卸载和计算资源管理方法流程图;
图2为支持能量收集的MEC卸载系统模型;
图3为电池能量水平随时隙的变化过程图;
图4为计算资源的按需分配随时隙的变化过程图。
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。
本发明提出一种基于能量收集的分布式任务卸载和计算资源的管理方法,如图1,包括以下步骤:
根据移动边缘计算环境,建立任务本地计算模型和边缘云计算模型;
获取设备向移动边缘计算服务器购买资源进行任务卸载的收益,并在设备端采用扰动李雅普诺夫优化理论以保证设备端电池能量水平及任务队列的稳定性,建立出设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数;
获取移动边缘计算服务器为设备端提供计算服务的收益,建立移动边缘计算服务器最大化收益的目标函数;
根据设备端的任务积压、电池能量水平以及移动边缘计算服务器端的报价,建立移动边缘计算服务器预筛选准则,设备根据预筛选准则,预选择移动边缘计算服务服务器进行任务的卸载;
设备端基于扰动李雅普诺夫优化的设备端收益最大化问题,在各个时隙内,利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略;
移动边缘计算服务器根据所述买方向所选择的移动边缘计算服务器卸载的最优任务量策略,基于移动边缘计算服务器最大化收益问题,获得各个时隙内移动边缘计算服务器对设备端的最优报价策略;
设备端向所选择的移动边缘计算服务器卸载的最优任务量策略,且移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解,那么设备按照最优任务卸载策略向移动边缘计算服务器进行任务卸载。
在本实施例主要从系统模型构建、构建待解决的资源分配问题、如何分配计算资源对以上步骤进行进一步说明。
一、系统模型
如图2所示,本发明考虑了一个支持能量收集的MEC网络系统,包括M={1,2,…,m}个配备了能量收集组件的异构移动设备,每个移动设备具有不同的计算需求,例如不同的卸载时延和能量限制。N={1,2,…,n}个MEC服务器可在其无线电覆盖范围内为MDs提供计算或数据分析服务。MDs可以在本地计算任务,或者把任务卸载到MEC服务器。假设系统在离散的时隙运行,令τ和分别表示每个时隙的长度和时隙索引。
1.任务和队列模型
假设MDs产生的任务服从独立同分布的泊松过程,令ai(t)和Qi(t)分别代表时隙t中,MDi的到达的任务量和任务队列积压。因此,令A(t)={a1(t),…,am(t)}和Q(t)={Qi(t),…,Qm(t)}分别表示时隙t中,所有MDs的到达任务集合和队列积压集合。由于在一个时隙到达的任务是有限的,到达的任务量满足 表示时隙t中第i个移动设备到达的最大任务量。令表示MDs的到达率集合,即λm为第m个移动设备的到达率;则MDi队列积压的更新方程可表示为Qi(t+1)=max{Qi(t)-bi(t),0}+ai(t)。
任务卸载主要包含三个阶段:
1)MDs通过无线信道将计算任务上传到MEC服务器;
2)MEC服务器分析和执行任务;
3)计算结果返回到MDs。
由于计算结果的数据量远远小于上传的数据量,并且数据下行传输速率远高于上行,因此,本发明省略结果返回的时延。
2.本地计算模型
在每个时隙开始时,MDs应该决定是否进行卸载,以及卸载多少任务量。对于本地计算,MD需要分配本地CPU计算资源去处理任务。为了在延时约束下实现能量节约,MDs应该以动态且适当的CPU时钟速度处理任务,可以通过利用动态电压频率调节(DynamicVoltage and Frequency Scaling,DVFS)技术调整CPU的处理频率来实现。
本地计算能耗模型:考虑到电池能量水平的限制,任务处理和卸载决策应考虑到能耗因素。对本地任务处理,为便于分析,本发明只考虑MDs的CPU完全用于计算任务,并忽略MD运行产生的其他能耗。处理任务bi0(t)的计算能耗可表示为其中,κi是与芯片架构相关的有效能量系数,α和β是由CPU模型决定的参数,σ的取值范围为2到3,为便于分析,本发明令α=1,β=0,σ=2。
3.边缘云计算模型
与MDs相比,MEC服务器有更强的供电能力、计算能力和存储能力。当MDs决定卸载,该任务将会通过无线信道传输到服务器,然后服务器为MDs分配适当的计算资源,下面分析MDs的通信模型、通信能耗模型、通信成本模型、MEC服务器计算时延模型和边缘计算能耗模型。
通信模型:在时隙t中,令hi(t)=[l(t)]°表示无线信道的增益,其中l(t)是通信距离,o∈{2,3}是常数。根据香浓理论,MDi在时隙t中的任务传输速率表示为其中Bi、P和ω分别为时隙t中的传输带宽、传输功率和噪声平均功率。对于MDi,令Iij(t)∈{0,1},j∈N为计算任务卸载策略的指标,其中Iij(t)=1表示MDi在时隙t将任务卸载到第j个MEC服务器。因此,MDi的传输时延表示为其中1{·}是指示器函数。
MEC服务器计算时延模型:令fij(t)表示时隙t中分配给MDi的MEC服务器j的CPU频率大小。考虑到CPU频率受到最大CPU频率和最小CPU频率的约束,需满足条件因此,MEC服务器j的计算时延表示为
4.能量收集模型
每一个配备有EH组件的MD都可以捕获能再生能源以供电池供电。假设在不同的时隙中,MDs的能量收集的到达过程服从独立同分布,令δi(t)表示在时隙t中MDi收集的能量,其最大值为考虑到在实际中只有一部分收集到的能量能被储存在电池中,令表示时隙t中,MDi充电到电池的能量,因此满足
特别地,为了确保MDs的持续工作,电池的能量水平必须满足提供任务在本地计算和通信所需的电量,令Bi(t)表示在时隙t开始时MDi的电池能量水平,因此,MDi在时隙t中的能耗约束条件为如果不满足那么任务将积压在本地任务队列中。通过以上分析,进一步可以得到MD i的电池能量水平的更新方程为
5.任务处理效用模型
二、目标函数
支持EH的MEC卸载系统需要确保每个MD有充足的能量去执行卸载策略,也需要满足每个时隙每个MD的任务队列稳定性和任务卸载时延的要求。相应地,本发明定义时隙t中MEC卸载系统的卸载决策,已处理的任务量、资源分配策略和能量收集策略分别为I(t)={Iij(t)}i∈M,j∈N, 和根据每个时隙的任务卸载、资源分配和能量消耗,可以得到如下的收益最大化模型,即本实施例目标函数:
其中,ψj是MEC服务器j的单位能量成本。
上述模型中,几个约束条件依次表示:
MDi充电到电池的能量满足小于在时隙t收集到的能量;
MDi在时隙t消耗的能量需满足大于最小放电量,并且小于最大放电量和电池能量水平中的最大值;
MDi确保本地计算与卸载的任务之和不超过时隙t中的队列积压量;
MDi或MEC服务器分配的CPU频率大小不能超过每时隙中CPU频率大小的最大值与最小值;
满足任务队列积压的稳定性的条件。
三、基于能量收集的分布式任务卸载和计算资源分配算法
在物联网时代,海量边缘设备和海量数据正在快速增长。一方面,收集系统状态的实时信息是很困难甚至是不可能的。传统的集中式的优化方法已不适用于具有成千上万的异构物联网应用的分布式MEC场景。另一方面,由于到达的任务和收集的能量的间歇性、异构性和偶然性,精确预测系统状态是不可能的。因此,本发明提出了一种基于买卖博弈和李雅普洛夫优化理论的分布式动态计算任务卸载和计算资源分配策略。并将集中式优化问题P1转化为分布式优化问题P2。
1.基于扰动李雅普诺夫优化的博弈模型分析
为了处理MD卸载的任务,MEC服务器必须消耗自己的成本(如计算能耗、硬件成本等)。因此,MDs同样需要为计算服务付费。因此可以将该模型视为一个“市场”,“市场”中的每一个MD正在从适当的MEC服务器买产品。为此,MD被视为买方(b),它购买计算资源去处理卸载的任务,MEC服务器被视为卖方(s),它为买方提供计算服务。
买方(MDs)的付款将与卖方(MEC服务器)的卸载的任务量成正比。定义在时隙t中,MDi卸载到第j个MEC服务器的单价为pij(t)(单位:$/bit)。因此,买方卸载任务到卖方的支付成本表示为sij(t)=pij(t)bij(t)。
1)买方/MDs博弈模型分析
假设MDs是理性的,并寻求最大化自身收益。买方最优的策略要考虑到卸载任务的收益、通信成本和支付成本,因此,可以得到时隙t中买方的目标函数进一步为了实现电池能量水平的稳定性,并保证长期演进的计算性能,可以得到第i个买方(MDi)的最大化收益函数表示为:
支持EH的MEC系统的计算卸载策略设计比起具有电池供电设备的传统MEC系统要复杂得多。具体来说,电池能量水平和任务缓存队列积压都需要考虑。接下来为买方设计一个基于扰动李雅普洛夫优化的任务卸载和能量管理方法。
定义计算任务队列和电池虚拟能量队列的李雅普洛夫函数为其中L[Θi(t)]≥0。根据李雅普诺夫优化定理,可以得到条件李雅普洛夫漂移为最优决策的目标是最小化条件李雅普洛夫漂移减去MDi的最大化收益函数的上边界,即其中Vi≥0是非负可控参数。为了得到其上界,则:
Δ[Θi(t)]-ViE{ubi(t)|Θi(t)}
+E{Qi(t)[ai(t)-bij(t)]|Θi(t)}
可以看出,最小化条件李雅普洛夫漂移减去MDi的最大化收益函数的上边界等同于最小化所述不等式的右端。可以将P2-buyer最优化问题转化为基于扰动李雅普诺夫优化的买方最大化收益问题P2-buyer':
2)卖方/MEC服务器博弈模型分析
令sij(t)表示MEC服务器j为MDi提供计算资源而获得的收入。定义在时隙t第j个MEC服务器收入sji(t)为sji(t)=sij(t)=pij(t)bij(t)。卖方为买方提供计算服务可获得收益,同时需要消耗自身成本(如计算能耗、硬件成本等),因此可以定义如下的卖方j的最大化收益函数:
约束条件:pji(t)≥0,i∈M,t∈T
其中,该模型中的约束条件表示支付价格需为正数。此外,基于最大值理论,可以将最优化问题P2-seller转化为卖方最大化收益问题P2-seller':
约束条件:pji(t)≥0,i∈M,t∈T
3)最优博弈策略分析
①买方/MDs最优策略分析:
对于每个MD,需要解决三个基本问题是:
1)有多少收集的应该储存在电池中;
2)有多少任务需要在本地计算;
3)如何选择合适的MEC服务器,且应卸载多少任务到MEC服务器。
本地计算策略:对于每一个MD,由于约束条件的电池放电限制,可以得到能量约束条件下MDi的最小和最大的CPU频率大小分别为当且仅当MDi在本地计算是可行的。根据P2-buyer″,如果MDi可以在本地计算任务,最优的本地执行策略:
当有此外,问题P2-buyer″中的各个约束条件都是仿射函数,因此,Ubi(t)对fi0(t)是凸函数。根据拉格朗日乘子和KKT(Karush-Kuhn-Tucker,KKT)条件,可以获得全局最优解为
边缘云计算卸载策略:在每时隙开始时,每个MD应该首先选择合适的一个或多个MEC服务器。对于被选择的MEC服务器j,最优的卸载任务量表示为:
②卖方/MEC服务器最优策略分析
对于每一个卖方/MEC服务器,需要解决的一个根本问题是根据买方的需要确定最优价格(pij(t))和计算资源(fij(t))。根据P2-seller'和可以得到对pji(t)的一阶偏导为进一步可以得到对pji(t)的二阶偏导其中
在本实施例中,对Stackelberg均衡的存在性分析。分析过程首先证明最优解是Stackelberg均衡解(SE)。为便于分析,本发明只分析一个时隙内的最优卸载任务(bij(t))和价格(pij(t))解,并且用同样的方法可以很容易地推广到其他时隙。首先,SE对所提出的博弈的SE定义如下:
根据可得到是关于pij(t)的单调递减函数,这意味着如果卖方的价格增加,买方的计算资源购买意向将会降低,这会导致卖家带来的收益很少,甚至没有收益;因此,卖方应该采取合适的价格,通过求解来得到卖方最优的价格,最优卸载任务会随着卖方价格pij(t)的增加而减少;
本发明提出了一种卸载预筛选准则去减少不必要的通信信令开销,同时提高任务处理的效率。异构MDs有不同的电池能量水平、卸载要求(队列积压)和流量特点(例如,任务类型,计算密度)。此外,由于MEC服务器有不同的计算资源特点(例如,计算资源可获得性,计算成本)并位于不同的地点,不同的服务器对不同的MDs的计算任务有不同的价格,这可能对每一个MD都不是适用的。为了减少不必要的通信信令开销,在每一时隙开始时,每一个MD选择一个或多个合适的MEC服务器是非常重要的。有两种主要的因素影响MDs的卸载选择策略:电池放电约束因素(B)和价格因素(P)。
标准P:由于不同的MEC服务器具有不用的资源价格,每个MD应该首选(或排除)那些有更多(或更少)收益的服务器,并且决定卸载多少任务。
根据关于bij(t)的一阶偏导,令一阶偏导可得这意味着,如果MEC服务器j的报价满足上述不等式,随着bij(t)的增长,MD将获得最大收益即对于MDi,当时,当且仅当MEC服务器j的报价满足上述不等式时,MD可以将任务卸载到MEC服务器j。否则,MEC服务器j将会被排除。
本发明在具体实施时需要根据从买方收到反馈信息对资源进行报价以达到当所有的卖方达到SE,所有的买方将会达到相应的SE。在时隙t中,定义卖方j给买方i的第r次报价为当所有卖方的报价策略确定时,买方的SE解是如果买方达到了SE解,卖方基于买方的计算要求调整价格策略;并且,卖方的价格更新速率能被表示为边际效用。因此,价格迭代过程可以表示为其中,v价格迭代的步长,为了得到第r+1次报价,每个卖方需要从买方收到反馈信息和
对于每个买方,收益会随着报价的增加而增加,是关于pij(t)的凸函数,这意味着,当时,卖方不能进一步增加价格,因此,在所述约束下,卖方的价格将会达到SE。基于以上分析,当所有的卖方达到SE,所有的买方将会达到相应的SE。
如图3和图4所示为电池能量水平和分配的CPU频率随时隙变化的过程。主要仿真参数设置为:3个异构的MDs(V1=100,V2=300,V3=600;γ1=1500,γ1=1000,γ1=800),最小放电量最大放电量任务处理权重因子ρi=2,本地最小和最大CPU频率分别为和MEC服务器最小和最大CPU频率分别为和fj max=4GHz,时隙长度τ=1s,价格更新步长ν=5×105。
从图3可以看出,电池能量水平在长时间演进过程中达到了稳定,验证了该系统的可行性。从图4可以看出,由于MDs的需求和特性不同,不同的MDs被分配不同的CPU频率资源,实现了在异构用户的MEC环境中保证系统收益最大化的同时,实现计算资源的按需分配。
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.基于能量收集的分布式任务卸载和计算资源的管理方法,其特征在于,包括以下步骤:
根据移动边缘计算环境,建立任务本地计算模型和边缘云计算模型;
获取设备向移动边缘计算服务器购买资源进行任务卸载的收益,并在设备端采用扰动李雅普诺夫优化理论以保证设备端电池能量水平及任务队列的稳定性,建立出设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数;
获取移动边缘计算服务器为设备端提供计算服务的收益,建立移动边缘计算服务器最大化收益的目标函数;
根据设备端的任务积压、电池能量水平以及移动边缘计算服务器端的报价,建立移动边缘计算服务器预筛选准则,设备根据预筛选准则,预选择移动边缘计算服务服务器进行任务的卸载;
设备端基于扰动李雅普诺夫优化的设备端收益最大化问题,在各个时隙内,利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略;
移动边缘计算服务器根据所述买方向所选择的移动边缘计算服务器卸载的最优任务量策略,基于移动边缘计算服务器最大化收益问题,获得各个时隙内移动边缘计算服务器对设备端的最优报价策略;
设备端向所选择的移动边缘计算服务器卸载的最优任务量策略,且移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解,那么设备按照最优任务卸载策略向移动边缘计算服务器进行任务卸载。
2.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法,其特征在于,设备端基于扰动李雅普诺夫优化的设备端收益最大化的目标函数表示为:
其中,Ii(t)={Ii0(t),Ii1(t),...,Iin(t)}为第i个移动设备任务卸载策略的集合,Ii0(t)表示第i个设备在本地的卸载策略;Iij(t)表示第i个设备卸载到第j个移动边缘计算服务的卸载策略,j∈{1,2,...,n};bi(t)={bi0(t),bi1(t),...,bin(t)}为第i个移动设备处理任务量策略的集合,bi0(t)为第i个移动设备在本地的处理任务量策略,bij(t)为第i个移动设备卸载到第j个移动边缘计算服务的处理任务量策略;为第i个移动设备基于扰动李雅普诺夫优化的设备端收益最大化的目标函数,Vi为第i个移动设备的非负可控参数,为第i个移动设备的最大化收益函数,Qi(t)表示时隙t中第i个移动设备到达的任务队列积压,为时隙t第i个移动设备已处理的任务量总和,ai(t)表示时隙t中第i个移动设备到达的任务量,为第i个移动设备电池的虚拟能量队列,为第i个移动设备在时隙t的总能耗,为时隙t第i个移动设备充电到电池的能量,δi(t)表示在时隙t中第i个移动设备收集的能量,为第i个移动设备在每个时隙电池放电量的最小值,为第i个移动设备在每个时隙电池放电量的最大值,Bi(t)在时隙t开始时第i个移动设备i的电池能量水平,为第i个移动设备在本地处理或者卸载到第个移动边缘计算服务器的任务量,其中M为移动设备的集合,N为移动边缘计算服务器的集合,为本地或第个移动边缘计算服务器CPU最小频率值,为本地或第个移动边缘计算服务器为第i个移动设备分配的CPU频率值,为本地或第个移动边缘计算服务器CPU最大频率值,T为每个时隙的时隙索引。
4.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法,其特征在于,移动边缘计算服务器最大化收益的目标函数表示为:
约束条件:pji(t)≥0,i∈M,t∈T
其中,Ij(t)={I1j(t),I2j(t),...,Imj(t)}为所有移动设备与第j个移动边缘计算服务器相关任务卸载策略指标的集合,pj(t)={p1j(t),p2j(t),...,pmj(t)}为时隙t中第j个移动边缘计算服务器对所有移动设备的报价的集合,pij(t)为第j个移动边缘计算服务器对第i个移动设备的报价,i∈{1,2,...,m};fj(t)={f1j(t),f2j(t),...,fmj(t)}为第j个移动边缘计算服务器对所有移动设备分配的CPU频率值的集合,fij(t)为第j个移动边缘计算服务器对第i个移动设备分配的CPU频率值;为第j个移动边缘计算服务器最大化收益函数,sji(t)为第j个服务器为第i个移动设备处理任务所获得的收益,ψj为第j个移动边缘计算服务器的单位能量成本,为第j个移动边缘计算服务器处理第i个移动设备的任务的能耗,m为移动设备集合中移动设备的数量。
5.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法,其特征在于,设备根据预筛选准则,预选择移动边缘计算服务服务器进行任务的卸载包括:
6.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法,其特征在于,设备端基于扰动李雅普诺夫优化的设备端收益最大化问题,在各个时隙内,利用拉格朗日乘子法和KKT条件计算出设备端向所选择的移动边缘计算服务器卸载的最优任务量策略,即各个时隙内移动边缘计算服务器对设备端的最优报价策略表示为:
8.根据权利要求1所述的基于能量收集的分布式任务卸载和计算资源的管理方法,其特征在于,判断移动边缘计算服务器对设备端的最优动态报价策略是否满足斯坦克尔伯格均衡解,即如果移动边缘计算器的价格确定,满足:
同时卸载任务bij(t)确定,满足:
则移动边缘计算服务器对设备端的最优动态报价策略满足斯坦克尔伯格均衡解;
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312344.6A CN113114733B (zh) | 2021-03-24 | 2021-03-24 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
PCT/CN2021/128685 WO2022199036A1 (zh) | 2021-03-24 | 2021-11-04 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
US17/909,374 US11956307B1 (en) | 2021-03-24 | 2021-11-04 | Distributed task offloading and computing resources management method based on energy harvesting |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312344.6A CN113114733B (zh) | 2021-03-24 | 2021-03-24 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113114733A true CN113114733A (zh) | 2021-07-13 |
CN113114733B CN113114733B (zh) | 2022-07-08 |
Family
ID=76710566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110312344.6A Active CN113114733B (zh) | 2021-03-24 | 2021-03-24 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11956307B1 (zh) |
CN (1) | CN113114733B (zh) |
WO (1) | WO2022199036A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114143317A (zh) * | 2021-12-06 | 2022-03-04 | 云南大学 | 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 |
CN114650568A (zh) * | 2022-03-18 | 2022-06-21 | 重庆邮电大学 | 一种移动Ad Hoc云中基于能量收集的分布式卸载方法 |
WO2022199036A1 (zh) * | 2021-03-24 | 2022-09-29 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
WO2023040022A1 (zh) * | 2021-09-17 | 2023-03-23 | 重庆邮电大学 | 一种在随机网络中基于算网协同的分布式计算卸载方法 |
CN115843070A (zh) * | 2023-02-23 | 2023-03-24 | 山东省计算中心(国家超级计算济南中心) | 基于能量收集技术的海洋传感网络计算卸载方法及系统 |
CN116321297A (zh) * | 2023-03-13 | 2023-06-23 | 广州爱浦路网络技术有限公司 | 基于新一代核心网的计算任务卸载方法及系统 |
CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307333B (zh) * | 2023-05-17 | 2023-08-08 | 华侨大学 | 一种城际定制客运的往返线路和时刻表的获取方法及装置 |
CN117873689B (zh) * | 2024-03-11 | 2024-05-31 | 浪潮计算机科技有限公司 | 一种任务分配方法、装置、设备和计算机可读存储介质 |
CN118139111A (zh) * | 2024-03-12 | 2024-06-04 | 广西壮族自治区信息中心(广西壮族自治区大数据研究院) | 一种无线网络的任务卸载方法 |
Citations (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122249A (zh) * | 2017-05-10 | 2017-09-01 | 重庆邮电大学 | 一种基于边缘云定价机制的任务卸载决策方法 |
EP3328035A1 (en) * | 2016-11-28 | 2018-05-30 | Tata Consultancy Services Limited | System and method for offloading robotic functions to network edge augmented clouds |
WO2018111475A1 (en) * | 2016-12-12 | 2018-06-21 | Intel Corporation | Offload computing protocol |
CN108243246A (zh) * | 2017-12-25 | 2018-07-03 | 北京市天元网络技术股份有限公司 | 一种边缘计算资源调度方法、边缘设备及系统 |
EP3343392A1 (en) * | 2016-12-31 | 2018-07-04 | INTEL Corporation | Hardware accelerator architecture and template for web-scale k-means clustering |
US20180189110A1 (en) * | 2016-12-31 | 2018-07-05 | Intel Corporation | Compute engine architecture to support data-parallel loops with reduction operations |
WO2018125250A1 (en) * | 2016-12-31 | 2018-07-05 | Intel Corporation | Systems, methods, and apparatuses for heterogeneous computing |
CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
CN108809723A (zh) * | 2018-06-14 | 2018-11-13 | 重庆邮电大学 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
CN108809695A (zh) * | 2018-04-28 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
CN108880893A (zh) * | 2018-06-27 | 2018-11-23 | 重庆邮电大学 | 一种移动边缘计算服务器联合能量收集及任务卸载方法 |
CN109362064A (zh) * | 2018-09-14 | 2019-02-19 | 重庆邮电大学 | 在移动边缘计算网络中基于mec的任务缓存分配策略 |
CN109510869A (zh) * | 2018-11-22 | 2019-03-22 | 北京信息科技大学 | 一种基于边缘计算的物联网服务动态卸载方法及装置 |
CN109618399A (zh) * | 2018-12-26 | 2019-04-12 | 东华大学 | 多用户移动边缘计算系统中的分布式能量管理优化方法 |
CN109639833A (zh) * | 2019-01-25 | 2019-04-16 | 福建师范大学 | 一种基于无线城域网微云负载均衡的任务调度方法 |
CN109788069A (zh) * | 2019-02-27 | 2019-05-21 | 电子科技大学 | 物联网中基于移动边缘计算的计算卸载方法 |
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 |
CN109885397A (zh) * | 2019-01-15 | 2019-06-14 | 长安大学 | 一种边缘计算环境中时延优化的负载任务迁移算法 |
CN109922479A (zh) * | 2019-01-11 | 2019-06-21 | 西安电子科技大学 | 一种基于时延预估的计算任务卸载方法 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
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 |
CN110099384A (zh) * | 2019-04-25 | 2019-08-06 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN110149401A (zh) * | 2019-05-22 | 2019-08-20 | 湖南大学 | 一种用于优化边缘计算任务的方法和系统 |
CN110287034A (zh) * | 2019-07-04 | 2019-09-27 | 重庆大学 | 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 |
CN110377353A (zh) * | 2019-05-21 | 2019-10-25 | 湖南大学 | 计算任务卸载系统与方法 |
CN110475224A (zh) * | 2019-07-01 | 2019-11-19 | 南京邮电大学 | 一种基于边缘计算的传感器数据处理与协同预测方法 |
CN110580199A (zh) * | 2019-09-16 | 2019-12-17 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
CN110809291A (zh) * | 2019-10-31 | 2020-02-18 | 东华大学 | 基于能量采集设备的移动边缘计算系统双层负载平衡方法 |
CN110839075A (zh) * | 2019-11-08 | 2020-02-25 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
CN110928654A (zh) * | 2019-11-02 | 2020-03-27 | 上海大学 | 一种边缘计算系统中分布式的在线任务卸载调度方法 |
CN111124647A (zh) * | 2019-12-25 | 2020-05-08 | 大连理工大学 | 一种车联网中的智能边缘计算方法 |
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 |
CN111262940A (zh) * | 2020-01-17 | 2020-06-09 | 中南大学 | 一种车载边缘计算应用缓存方法、装置及系统 |
CN111401744A (zh) * | 2020-03-17 | 2020-07-10 | 重庆邮电大学 | 一种移动边缘计算中不确定性环境下的动态任务卸载方法 |
CN111431941A (zh) * | 2020-05-13 | 2020-07-17 | 南京工业大学 | 一种基于移动边缘计算的实时视频码率自适应方法 |
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 |
CN111865648A (zh) * | 2019-04-30 | 2020-10-30 | 英特尔公司 | 用于在边缘环境中执行工作负荷的方法和设备 |
CN112148380A (zh) * | 2020-09-16 | 2020-12-29 | 鹏城实验室 | 一种移动边缘计算任务卸载中的资源优化方法及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10397829B2 (en) * | 2015-12-03 | 2019-08-27 | The Trustees Of The Stevens Institute Of Technology | System apparatus and methods for cognitive cloud offloading in a multi-rat enabled wireless device |
CN108319502A (zh) | 2018-02-06 | 2018-07-24 | 广东工业大学 | 一种基于移动边缘计算的d2d任务分配的方法及装置 |
FR3081278A1 (fr) * | 2018-05-18 | 2019-11-22 | Orange | Procede distribue d'allocation de ressources de transmission a des terminaux d2d dans un reseau d'acces cellulaire. |
US11487579B2 (en) * | 2020-05-05 | 2022-11-01 | Adobe Inc. | System and method for resource scaling for efficient resource management |
US11200989B1 (en) * | 2021-01-19 | 2021-12-14 | International Business Machines Corporation | Aperiodic data driven cognitive control system |
CN113114733B (zh) * | 2021-03-24 | 2022-07-08 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
-
2021
- 2021-03-24 CN CN202110312344.6A patent/CN113114733B/zh active Active
- 2021-11-04 US US17/909,374 patent/US11956307B1/en active Active
- 2021-11-04 WO PCT/CN2021/128685 patent/WO2022199036A1/zh active Application Filing
Patent Citations (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3328035A1 (en) * | 2016-11-28 | 2018-05-30 | Tata Consultancy Services Limited | System and method for offloading robotic functions to network edge augmented clouds |
WO2018111475A1 (en) * | 2016-12-12 | 2018-06-21 | Intel Corporation | Offload computing protocol |
EP3343392A1 (en) * | 2016-12-31 | 2018-07-04 | INTEL Corporation | Hardware accelerator architecture and template for web-scale k-means clustering |
US20180189110A1 (en) * | 2016-12-31 | 2018-07-05 | Intel Corporation | Compute engine architecture to support data-parallel loops with reduction operations |
US20180189675A1 (en) * | 2016-12-31 | 2018-07-05 | Intel Corporation | Hardware accelerator architecture and template for web-scale k-means clustering |
WO2018125250A1 (en) * | 2016-12-31 | 2018-07-05 | Intel Corporation | Systems, methods, and apparatuses for heterogeneous computing |
US20190347125A1 (en) * | 2016-12-31 | 2019-11-14 | Intel Corporation | Systems, methods, and apparatuses for heterogeneous computing |
CN107122249A (zh) * | 2017-05-10 | 2017-09-01 | 重庆邮电大学 | 一种基于边缘云定价机制的任务卸载决策方法 |
CN108243246A (zh) * | 2017-12-25 | 2018-07-03 | 北京市天元网络技术股份有限公司 | 一种边缘计算资源调度方法、边缘设备及系统 |
CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
CN108809695A (zh) * | 2018-04-28 | 2018-11-13 | 国网浙江省电力有限公司电力科学研究院 | 一种面向移动边缘计算的分布上行链路卸载策略 |
CN108809723A (zh) * | 2018-06-14 | 2018-11-13 | 重庆邮电大学 | 一种边缘服务器联合任务卸载及卷积神经网络层调度方法 |
CN108880893A (zh) * | 2018-06-27 | 2018-11-23 | 重庆邮电大学 | 一种移动边缘计算服务器联合能量收集及任务卸载方法 |
CN109362064A (zh) * | 2018-09-14 | 2019-02-19 | 重庆邮电大学 | 在移动边缘计算网络中基于mec的任务缓存分配策略 |
CN109510869A (zh) * | 2018-11-22 | 2019-03-22 | 北京信息科技大学 | 一种基于边缘计算的物联网服务动态卸载方法及装置 |
CN109618399A (zh) * | 2018-12-26 | 2019-04-12 | 东华大学 | 多用户移动边缘计算系统中的分布式能量管理优化方法 |
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 |
CN109922479A (zh) * | 2019-01-11 | 2019-06-21 | 西安电子科技大学 | 一种基于时延预估的计算任务卸载方法 |
CN109885397A (zh) * | 2019-01-15 | 2019-06-14 | 长安大学 | 一种边缘计算环境中时延优化的负载任务迁移算法 |
CN109639833A (zh) * | 2019-01-25 | 2019-04-16 | 福建师范大学 | 一种基于无线城域网微云负载均衡的任务调度方法 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
CN109788069A (zh) * | 2019-02-27 | 2019-05-21 | 电子科技大学 | 物联网中基于移动边缘计算的计算卸载方法 |
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 |
CN110099384A (zh) * | 2019-04-25 | 2019-08-06 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN111865648A (zh) * | 2019-04-30 | 2020-10-30 | 英特尔公司 | 用于在边缘环境中执行工作负荷的方法和设备 |
CN110377353A (zh) * | 2019-05-21 | 2019-10-25 | 湖南大学 | 计算任务卸载系统与方法 |
CN110149401A (zh) * | 2019-05-22 | 2019-08-20 | 湖南大学 | 一种用于优化边缘计算任务的方法和系统 |
CN110475224A (zh) * | 2019-07-01 | 2019-11-19 | 南京邮电大学 | 一种基于边缘计算的传感器数据处理与协同预测方法 |
CN110287034A (zh) * | 2019-07-04 | 2019-09-27 | 重庆大学 | 一种可充电移动边缘计算中能量-延迟平衡的动态任务分配方法 |
CN110580199A (zh) * | 2019-09-16 | 2019-12-17 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
CN110809291A (zh) * | 2019-10-31 | 2020-02-18 | 东华大学 | 基于能量采集设备的移动边缘计算系统双层负载平衡方法 |
CN110928654A (zh) * | 2019-11-02 | 2020-03-27 | 上海大学 | 一种边缘计算系统中分布式的在线任务卸载调度方法 |
CN110839075A (zh) * | 2019-11-08 | 2020-02-25 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
CN111124647A (zh) * | 2019-12-25 | 2020-05-08 | 大连理工大学 | 一种车联网中的智能边缘计算方法 |
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 |
CN111262940A (zh) * | 2020-01-17 | 2020-06-09 | 中南大学 | 一种车载边缘计算应用缓存方法、装置及系统 |
CN111401744A (zh) * | 2020-03-17 | 2020-07-10 | 重庆邮电大学 | 一种移动边缘计算中不确定性环境下的动态任务卸载方法 |
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 |
CN111431941A (zh) * | 2020-05-13 | 2020-07-17 | 南京工业大学 | 一种基于移动边缘计算的实时视频码率自适应方法 |
CN112148380A (zh) * | 2020-09-16 | 2020-12-29 | 鹏城实验室 | 一种移动边缘计算任务卸载中的资源优化方法及电子设备 |
Non-Patent Citations (4)
Title |
---|
""SP-130333_Draft_Rep_SA_60_v005_rm "", 《3GPP TSG_SA\TSG_SA》 * |
XIUMEI DENG,: "Wireless_Powered_Mobile_Edge_Computing_Dynamic_Resource_Allocation_and_Throughput_Maximization", 《IEEE XPLORE》 * |
夏士超: "移动边缘计算中分布式异构任务卸载算法", 《电子与信息学报》 * |
陈加法: "基于混合能量收集的移动边缘计算系统资源分配策略", 《重庆邮电大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022199036A1 (zh) * | 2021-03-24 | 2022-09-29 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
US11956307B1 (en) | 2021-03-24 | 2024-04-09 | Chongqing University Of Posts And Telecommunications | Distributed task offloading and computing resources management method based on energy harvesting |
WO2023040022A1 (zh) * | 2021-09-17 | 2023-03-23 | 重庆邮电大学 | 一种在随机网络中基于算网协同的分布式计算卸载方法 |
US11831708B2 (en) | 2021-09-17 | 2023-11-28 | Chongqing University Of Posts And Telecommunications | Distributed computation offloading method based on computation-network collaboration in stochastic network |
CN114143317A (zh) * | 2021-12-06 | 2022-03-04 | 云南大学 | 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 |
CN114143317B (zh) * | 2021-12-06 | 2022-10-18 | 云南大学 | 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 |
CN114650568A (zh) * | 2022-03-18 | 2022-06-21 | 重庆邮电大学 | 一种移动Ad Hoc云中基于能量收集的分布式卸载方法 |
CN115843070A (zh) * | 2023-02-23 | 2023-03-24 | 山东省计算中心(国家超级计算济南中心) | 基于能量收集技术的海洋传感网络计算卸载方法及系统 |
CN116321297A (zh) * | 2023-03-13 | 2023-06-23 | 广州爱浦路网络技术有限公司 | 基于新一代核心网的计算任务卸载方法及系统 |
CN116321297B (zh) * | 2023-03-13 | 2024-01-02 | 广州爱浦路网络技术有限公司 | 基于新一代核心网的计算任务卸载方法及系统 |
CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
CN117804490B (zh) * | 2024-02-28 | 2024-05-17 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113114733B (zh) | 2022-07-08 |
US20240129363A1 (en) | 2024-04-18 |
US11956307B1 (en) | 2024-04-09 |
WO2022199036A1 (zh) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113114733B (zh) | 基于能量收集的分布式任务卸载和计算资源的管理方法 | |
CN111163521B (zh) | 移动边缘计算中一种分布式异构环境下的资源分配方法 | |
Xia et al. | Online distributed offloading and computing resource management with energy harvesting for heterogeneous MEC-enabled IoT | |
CN111163519B (zh) | 系统收益最大化的无线体域网资源分配与任务卸载方法 | |
Zhang et al. | Near-optimal and truthful online auction for computation offloading in green edge-computing systems | |
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 | |
CN109922152B (zh) | 一种移动边缘计算中的计算卸载方法及系统 | |
CN111401744B (zh) | 一种移动边缘计算中不确定性环境下的动态任务卸载方法 | |
CN111641973A (zh) | 一种雾计算网络中基于雾节点协作的负载均衡方法 | |
CN111262944B (zh) | 异构移动边缘计算网络中分层任务卸载的方法与系统 | |
CN114650568B (zh) | 一种移动Ad Hoc云中基于能量收集的分布式卸载方法 | |
CN114126066B (zh) | 面向mec的服务器资源配置与选址联合优化决策方法 | |
Chen et al. | Dynamic pricing for smart mobile edge computing: A reinforcement learning approach | |
Liao et al. | An intelligent computation demand response framework for IIoT-MEC interactive networks | |
Li et al. | Computation offloading and service allocation in mobile edge computing | |
Li et al. | Nonlinear online incentive mechanism design in edge computing systems with energy budget | |
Sahoo et al. | An auction based edge resource allocation mechanism for IoT-enabled smart cities | |
Shalavi et al. | Energy efficient deployment and orchestration of computing resources at the network edge: a survey on algorithms, trends and open challenges | |
CN114727319A (zh) | 基于vcg拍卖机制的5g mec计算任务卸载方法 | |
Xu et al. | Basic: Distributed task assignment with auction incentive in uav-enabled crowdsensing system | |
Benblidia et al. | A game based power allocation in cloud computing data centers | |
Tütüncüoğlu et al. | Optimal pricing for service caching and task offloading in edge computing | |
Hao et al. | Energy allocation and task scheduling in edge devices based on forecast solar energy with meteorological information | |
Zu et al. | An auction-based mechanism for task offloading in fog networks | |
Huang et al. | Pricing Optimization in MEC Systems: Maximizing Resource Utilization Through Joint Server Configuration and Dynamic Operation |
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 |