CN113296842B - 移动边缘计算中基于相关性的优化任务卸载调度方法 - Google Patents
移动边缘计算中基于相关性的优化任务卸载调度方法 Download PDFInfo
- Publication number
- CN113296842B CN113296842B CN202110526175.6A CN202110526175A CN113296842B CN 113296842 B CN113296842 B CN 113296842B CN 202110526175 A CN202110526175 A CN 202110526175A CN 113296842 B CN113296842 B CN 113296842B
- Authority
- CN
- China
- Prior art keywords
- task
- variable
- edge node
- scheduling
- edge
- 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
Links
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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- 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]
- G06F9/5005—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
- G06F9/505—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 considering the load
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
一种移动边缘计算中基于相关性的优化任务卸载调度方法,利用不同计算任务之间具有相关性,通过基于相关性的优化任务调度卸载方法,将具有相关性的任务卸载到同一边缘服务器进行执行,能够使得所有任务总处理时延最小化。本发明整体解决了现有技术的未利用移动边缘计算中计算任务具有相关性的特性,使得未将具有相关性的多个计算任务卸载到同一边缘服务器执行,进而导致所有计算任务的总处理时延较大。
Description
技术领域
本发明涉及的是一种网络资源配置领域的技术,具体是一种移动边缘计算中基于相关性的优化任务卸载调度方法。
背景技术
现阶段越来越多的新颖移动应用通常需要大量计算资源,对延迟敏感并且耗能高,这对资源受限且能源供应受限的移动设备提出了严峻的挑战。为了直接从网络边缘提供云服务,最终用户可以将其计算密集型任务卸载到在蜂窝基站或无线接入点上实现的用于远程执行的边缘服务器,即计算卸载。实际应用时,不同用户的计算任务可能高度相关。可以利用潜在的任务相关性来增强移动边缘计算应用程序的性能。但现有技术中已经对移动边缘计算中联合卸载决策和资源分配问题进行了广泛的研究,但其中大多数都没有考虑多个任务之间的潜在相关性,因此未能抓住此机会来提高延迟性能。
发明内容
本发明针对现有技术没有考虑移动边缘计算环境中的多个任务之间的潜在相关性,从而没有对任务执行的总时延进行进一步优化的不足,提出一种移动边缘计算中基于相关性的优化任务卸载调度方法,利用多个任务之间的相关性,使得完成任务的总时延优化到较低水平以及任务执行的总时延达到最小。
本发明是通过以下技术方案实现的:
本发明涉及一种移动边缘计算中的优化任务卸载调度方法,包括:
步骤1)将不考虑相关性的任务卸载调度问题Q1建模成关于任务卸载调度变量和计算资源分配变量的最小的优化问题,然后将该优化问题简化为只关于任务卸载调度变量的单变量优化问题,并进一步转化为关于服务部署变量的集合函数优化问题后,通过辅助算法得到任务卸载调度的初始值;
步骤2)将考虑相关性的任务迁移卸载调度问题Q2建模成关于任务卸载调度变量和计算资源分配变量的最小的优化问题,然后根据任务卸载调度的初始值通过CoTask算法得到优化任务卸载调度策略。
所述的关于任务卸载调度变量和计算资源分配变量的最小的优化问题是指:
限制条件:其中:i为任务的序号,N为所有任务的集合,j为边缘节点的序号,M为所有边缘节点的集合,zij表示是否将任务i卸载到边缘节点j的标识变量:zij=1为将任务i卸载到边缘节点j,zij=0为不卸载,即,zij代表了任务卸载的方案,fij为将边缘节点j分配给任务i的计算资源的比例,di为将任务i的输入数据大小,Bj为边缘节点j的频谱带宽,ηij为任务i所在的用户与边缘节点j之间的信噪比,wi为任务i的工作负载,Cj为边缘节点j的计算速度。
所述的简化是指:只关于任务卸载变量的单变量优化问题,具体为:
所述的集合函数优化问题是指:通过构建任务卸载调度集合S和任务卸载调度变量zij之间的关系,即:S={(i,j)|zij=1,i∈N,j∈M},将目标函数为H(S),再将对变量zij的约束转化为对集合S的约束其中:1(i,j)∈S为指示函数,当(i,j)∈S成立时函数值为1,否则为0;约束为拟阵约束,为τ,取函数
所述的辅助算法,具体步骤包括:
i)初始化集合S1为任意的最大可行任务卸载调度集合,取全集初始化参数ε为大于零的某值,其中:i表示任务的序号,N表示所有任务的集合,j表示边缘节点的序号,M表示所有边缘节点的集合。集合中的元素(i,j)表示将任务i卸载到边缘节点j。
iii)更新S1为(S1\{e′})∪{e}。
v)当布尔变量q为true时,重复步骤vi,vii,viii,否则跳到步骤viii。
vi)令布尔变量q为false。
viii)当在集合(U\S1)\S2中存在元素e而且在集合中存在元素e′,使得S1∪(S2\{ee′})∪{e}∈τ,而且则更新集合S2为(S2\{e′})∪{e}并且令布尔变量q为true,其中:表示空集,|N|表示任务的数量,|M|表示边缘节点的数量。
ix)在集合U\S2中取两个最大可行集合,分别为B1和B2。
所述的关于任务卸载调度变量和计算资源分配变量的最小的优化问题是指:
限制条件:其中:i为任务的序号,N为所有任务的集合,j为边缘节点的序号,M为所有边缘节点的集合,zij为是否将任务i卸载到边缘节点j的标识变量:zij=1表示将任务i卸载到边缘节点j,zij=0为不卸载,即zij代表了任务卸载的方案,fij表示将边缘节点j分配给任务i的计算资源的比例,di表示将任务i的输入数据大小,Bj为边缘节点j的频谱带宽,ηij为任务i所在的用户与边缘节点j之间的信噪比,wi为任务i的工作负载,Cj为边缘节点j的计算速度,g(i)为任务i所在的分组,Δwg(i)为分组g(i)中任务共享的工作量大小,记考虑相关性问题Q2的优化目标函数为G(Z,F)。
所述的基于相关性的优化任务调度卸载算法(以下简称为CoTask算法),具体步骤包括:
2)初始化Z和F为Z0和F0,取L为G(Z,F),即总时延;
3)初始化变量j1=1,当j1≤M-1时,重复步骤4到步骤16,否则跳到步骤17;
4)初始化变量j2=j1+1,当j2≤M时,重复步骤5到步骤15,否则跳到步骤16;
5)令集合Γ1和集合Γ2分别为在任务卸载策略Z下被卸载到边缘节点j1和j2的任务集合;
6)当集合Γ1和集合Γ2都不为空集,则继续进行步骤5,否则跳到步骤15;
8)初始化变量k1=1,当k1≤|Γ1|时,重复步骤9到步骤14,否则跳到步骤15;
9)初始化变量k2=1,当k2≤|Γ2|时,重复步骤10到步骤13,否则跳到步骤14;
12)当L′<L,则令Z=Z′,F=F′,L=L′;
13)更新k2=k2+1;
14)更新k1=k1+1;
15)更新j2=j2+1;
16)更新j1=j1+1;
17)返回算法结果Z和F。根据Z和F的值来进行任务卸载和计算资源分配。
技术效果
本发明整体解决了现有技术的未利用移动边缘计算中计算任务具有相关性的特性,使得未将具有相关性的多个计算任务卸载到同一边缘服务器执行,进而导致所有计算任务的总处理时延较大;
与现有技术相比,本发明利用不同计算任务之间具有相关性,通过基于相关性的优化任务调度卸载方法,将具有相关性的任务卸载到同一边缘服务器进行执行,能够使得所有任务总处理时延最小化。
附图说明
图1为实施例应用示意图;
图2为实施例效果示意图。
具体实施方式
如图1所示,为本实施例涉及一种移动边缘计算中的优化任务卸载调度场景,基于一个拥有着50个边缘节点和100个用户的边缘计算网络,每个用户有一个任务需要执行,设置边缘节点和用户的距离的取值范围为[20,100]m,每个用户的通信功率为100mW,信道增益模型为3GPP,设置每个边缘节点的带宽为20MHz。每个任务的输入数据大小的取值范围为[600,900]KB,任务每一比特所需要的计算资源的取值范围是[880,990]cycles/byte。每个边缘节点的计算能力的取值范围是[10,20]GHz。
本实施例具体包括以下步骤:
第一步、调研任务i的输入数据大小为di,调研边缘节点j的频谱带宽为Bj,调研任务i所在的用户与边缘节点j之间的信噪比为ηij,调研任务i的工作负载为wi,调研边缘节点j的计算速度为Cj,调研任务i所在的分组为g(i),调研分组g(i)中任务共享的工作量大小为Δwg(i)。
如图1所示,为解释这一标准的例子,图中有N个边缘节点,M个用户,可以通过无线网络将用户的任务卸载到边缘节点进行处理。
第二步、建立关于任务卸载调度变量和计算资源分配变量的不考虑相关性的最小化的优化问题Q1,具体为:
限制条件:其中:i表示任务的序号,N表示所有任务的集合,j表示边缘节点的序号,M表示所有边缘节点的集合,zij表示是否将任务i卸载到边缘节点j的标识变量:zij=1表示将任务i卸载到边缘节点j,zij=0表示不卸载,即,zij代表了任务卸载的方案,fij表示将边缘节点j分配给任务i的计算资源的比例。
第四步、将第三步中的优化问题转化为关于任务卸载调度变量的集合函数优化问题,具体包括:
构建任务卸载调度集合S和任务卸载调度变量zij之间的关系:S={(i,j)|zij=1,i∈N,j∈M},将目标函数为H(S),再将对变量zij的约束转化为对集合S的约束其中:1(i,j)∈S为指示函数,当(i,j)∈S成立时函数值为1,否则为0。约束为拟阵约束,为τ。取函数
第五步、通过辅助算法得到任务卸载调度变量的初始解,具体包括:
5.1)初始化集合S1为任意的最大可行任务卸载调度集合,取全集 初始化参数ε为大于零的某值,其中:i表示任务的序号,N表示所有任务的集合,j表示边缘节点的序号,M表示所有边缘节点的集合。集合中的元素(i,j)表示将任务i卸载到边缘节点j。
5.3)更新S1为(S1\{e′})∪{e}。
5.5)当布尔变量q为true时,重复步骤5.6、5.7、5.8,否则跳到步骤5.8。
5.6)令布尔变量q为false。
5.8)当在集合(U\S1)\S2中存在元素e而且在集合中存在元素e′,使得S1∪(S2\{e′})∪{e}∈τ,而且则更新集合S2为(S2\{e′})∪{e}并且令布尔变量q为true,其中:表示空集,|N|表示任务的数量,|M|表示边缘节点的数量。
5.9)在集合U\S2中取两个最大可行集合,分别为B1和B2。
第六步、构建考虑相关性的关于任务卸载调度变量和计算资源分配变量的最小的优化问题Q2,具体为:
限制条件:其中:i表示任务的序号,N表示所有任务的集合,j表示边缘节点的序号,M表示所有边缘节点的集合。zij表示是否将任务i卸载到边缘节点j的标识变量:zij=1表示将任务i卸载到边缘节点j,zij=0表示不卸载。即,zij代表了任务卸载的方案。fij表示将边缘节点j分配给任务i的计算资源的比例。记考虑相关性问题Q2的优化目标函数为G(Z,F)。
第七步、通过CoTask算法得到任务卸载调度方案和计算资源分配方案,具体包括:
7.1)运行辅助算法,将辅助算法的结果为Z0;
7.3)初始化Z和F为Z0和F0,取L为G(Z,F),即总时延;
7.4)初始化变量j1=1,当j1≤M-1时,重复步骤7.5到步骤7.17,否则跳到步骤7.18;
7.5)初始化变量j2=j1+1,当j2≤M时,重复步骤7.6到步骤7.16,否则跳到步骤7.17;
7.6)令集合Γ1和集合Γ2分别为在任务卸载策略Z下被卸载到边缘节点j1和j2的任务集合;
7.7)当集合Γ1和集合Γ2都不为空集,则继续进行步骤7.6,否则跳到步骤7.16;
7.9)初始化变量k1=1,当k1≤|Γ1|时,重复步骤7.10到步骤7.15,否则跳到步骤7.16;
7.10)初始化变量k2=1,当k2≤|Γ2|时,重复步骤7.11到步骤7.14,否则跳到步骤7.15;
7.13)当L′<L,则令Z=Z′,F=F′,L=L′;
7.14)更新k2=k2+1;
7.15)更新k1=k1+1;
7.16)更新j2=j2+1;
7.17)更新j1=j1+1;
7.18)返回算法结果Z和F。根据Z和F的值来进行任务卸载和计算资源分配。
经过具体实际实验,本实施例在边缘节点的计算能力分别为10-20GHz时,通过CoTask算法能够达到的总时延分别为32.9s,30.2s,28.5s,27.3s,26.3s和25.6s。
如图2所示,为不同边缘节点的计算能力情况下总时延的示意图。本实施例中一共有五类任务,同一类任务会有共享的工作量。设置不考虑相关性的基础算法(NonCoTask)、迭代优化算法(SDTO)、启发式算法(hJTORA)、半定松弛-迭代优化-序列调整算法(SDR-AO-ST)作为对比项,一共取了6组进行对照,可以看出,在不同的边缘节点的计算能力的情况下,本发明CoTask算法的性能明显优于其他的对比算法。具体来说,本发明CoTask算法的总时延相对于不考虑相关性的基础算法、迭代优化算法、启发式算法、半定松弛-迭代优化-序列调整算法分别降低了1652.6ms,3182.3ms,1681.8ms和1752.9ms。
本发明使用了具有任务相关性意识的任务卸载调度优化方法来获取移动边缘计算任务卸载调度决策与相应的资源分配方案,其与现有常规技术手段,求解不考虑相关性的凸优化问题最优解,其次,从上述最优解出发,在将所有具有相关性的任务卸载目的服务器互换尝试后,如能进一步降低任务总时延,则更新相应的任务卸载调度决策与资源分配方案,否则,继续进行上述互换尝试,直到所有任务都被轮询到。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (1)
1.一种移动边缘计算中的优化任务卸载调度方法,其特征在于,包括:
步骤1)将不考虑相关性的任务卸载调度问题建模成关于任务卸载调度变量和计算资源分配变量的最小的优化问题,然后将该优化问题简化为只关于任务卸载调度变量的单变量优化问题,并进一步转化为关于服务部署变量的集合函数优化问题后,通过辅助算法得到任务卸载调度的初始值;
步骤2)将考虑相关性的任务迁移卸载调度问题建模成关于任务卸载调度变量和计算资源分配变量的最小的优化问题,然后根据任务卸载调度的初始值通过CoTask算法得到优化任务卸载调度策略;
所述的CoTask算法,具体步骤包括:
2)初始化Z和F为Z0和F0,取L为G(Z,F),即总时延;
3)初始化变量j1=1,当j1≤M-1时,重复步骤4到步骤16,否则跳到步骤17;
4)初始化变量j2=j1+1,当j2≤M时,重复步骤5到步骤15,否则跳到步骤16;
5)令集合Γ1和集合Γ2分别为在任务卸载策略Z下被卸载到边缘节点j1和j2的任务集合;
6)当集合Γ1和集合Γ2都不为空集,则继续进行步骤5,否则跳到步骤15;
8)初始化变量k1=1,当k1≤|Γ1|时,重复步骤9到步骤14,否则跳到步骤15;
9)初始化变量k2=1,当k2≤|Γ2|时,重复步骤10到步骤13,否则跳到步骤14;
12)当L′<L,则令Z=Z’,F=F’,L=L′;
13)更新k2=k2+1;
14)更新k1=k1+1;
15)更新j2=j2+1;
16)更新j1=j1+1;
17)返回算法结果Z和F,根据Z和F的值来进行任务卸载和计算资源分配;
所述的关于任务卸载调度变量和计算资源分配变量的最小的优化问题是指:
限制条件:其中:i为任务的序号,N为所有任务的集合,j为边缘节点的序号,M为所有边缘节点的集合,zij表示是否将任务i卸载到边缘节点j的标识变量:zij=1为将任务i卸载到边缘节点j,zij=0为不卸载,即,zij代表了任务卸载的方案,fij为将边缘节点j分配给任务i的计算资源的比例,di为将任务i的输入数据大小,Bj为边缘节点j的频谱带宽,ηij为任务i所在的用户与边缘节点j之间的信噪比,wi为任务i的工作负载,Cj为边缘节点j的计算速度;
所述的简化是指:只关于任务卸载变量的单变量优化问题,具体为:
所述的集合函数优化问题是指:通过构建任务卸载调度集合S和任务卸载调度变量zij之间的关系,即:S={(i,j)|zij=1,i∈N,j∈M},将目标函数为H(S),再将对变量zij的约束转化为对集合S的约束其中:1(i,j)∈S为指示函数,当(i,j)∈S成立时函数值为1,否则为0;约束为拟阵约束,为τ,取函数
所述的辅助算法,具体步骤包括:
i)初始化集合S1为任意的最大可行任务卸载调度集合,取全集初始化参数ε为大于零的某值,其中:i表示任务的序号,N表示所有任务的集合,j表示边缘节点的序号,M表示所有边缘节点的集合;集合中的元素(i,j)表示将任务i卸载到边缘节点j;
iii)更新S1为(S1\{e′})∪{e};
v)当布尔变量q为true时,重复步骤vi,vii,viii,否则跳到步骤viii;
vi)令布尔变量q为false;
viii)当在集合(U\S1)\S2中存在元素e而且在集合中存在元素e′,使得S1∪(S2\{e′})∪{e}∈τ,而且则更新集合S2为(S2\{e′})∪{e}并且令布尔变量q为true,其中:表示空集,|N|表示任务的数量,|M|表示边缘节点的数量;
ix)在集合U\S2中取两个最大可行集合,分别为B1和B2;
所述的关于任务卸载调度变量和计算资源分配变量的最小的优化问题是指:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110526175.6A CN113296842B (zh) | 2021-05-14 | 2021-05-14 | 移动边缘计算中基于相关性的优化任务卸载调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110526175.6A CN113296842B (zh) | 2021-05-14 | 2021-05-14 | 移动边缘计算中基于相关性的优化任务卸载调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113296842A CN113296842A (zh) | 2021-08-24 |
CN113296842B true CN113296842B (zh) | 2022-05-06 |
Family
ID=77322004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110526175.6A Active CN113296842B (zh) | 2021-05-14 | 2021-05-14 | 移动边缘计算中基于相关性的优化任务卸载调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113296842B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240818A (zh) * | 2018-09-04 | 2019-01-18 | 中南大学 | 一种边缘计算网络中基于用户体验的任务卸载方法 |
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
CN110941667A (zh) * | 2019-11-07 | 2020-03-31 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及系统 |
CN111130911A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于移动边缘计算的计算卸载方法 |
CN111372314A (zh) * | 2020-03-12 | 2020-07-03 | 湖南大学 | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 |
CN111796880A (zh) * | 2020-07-01 | 2020-10-20 | 电子科技大学 | 一种边缘云计算任务的卸载调度方法 |
CN112291335A (zh) * | 2020-10-27 | 2021-01-29 | 上海交通大学 | 移动边缘计算中的优化任务调度方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684075B (zh) * | 2018-11-28 | 2023-04-07 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
CN111831445B (zh) * | 2020-07-13 | 2022-05-10 | 上海交通大学 | 边缘服务器优化部署方法 |
CN111954236B (zh) * | 2020-07-27 | 2021-11-09 | 河海大学 | 一种基于优先级的分层边缘计算卸载方法 |
CN111918311B (zh) * | 2020-08-12 | 2022-04-12 | 重庆邮电大学 | 基于5g移动边缘计算的车联网任务卸载和资源分配方法 |
-
2021
- 2021-05-14 CN CN202110526175.6A patent/CN113296842B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109240818A (zh) * | 2018-09-04 | 2019-01-18 | 中南大学 | 一种边缘计算网络中基于用户体验的任务卸载方法 |
CN109814951A (zh) * | 2019-01-22 | 2019-05-28 | 南京邮电大学 | 移动边缘计算网络中任务卸载及资源分配的联合优化方法 |
CN110941667A (zh) * | 2019-11-07 | 2020-03-31 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及系统 |
CN111130911A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于移动边缘计算的计算卸载方法 |
CN111372314A (zh) * | 2020-03-12 | 2020-07-03 | 湖南大学 | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 |
CN111796880A (zh) * | 2020-07-01 | 2020-10-20 | 电子科技大学 | 一种边缘云计算任务的卸载调度方法 |
CN112291335A (zh) * | 2020-10-27 | 2021-01-29 | 上海交通大学 | 移动边缘计算中的优化任务调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113296842A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | User-centric computation offloading for edge computing | |
CN112087329B (zh) | 一种网络服务功能链部署方法 | |
CN110968426A (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
Chi et al. | Privacy partition: A privacy-preserving framework for deep neural networks in edge networks | |
CN115396953A (zh) | 移动边缘计算中一种基于改进粒子群算法的计算卸载方法 | |
Yu et al. | Combination of task allocation and approximate computing for fog-architecture-based iot | |
CN112988275B (zh) | 一种基于任务感知的移动边缘计算多用户计算卸载方法 | |
CN113296842B (zh) | 移动边缘计算中基于相关性的优化任务卸载调度方法 | |
CN113515378A (zh) | 5g边缘计算任务迁移与计算资源分配的方法及装置 | |
Hou et al. | GP-NFSP: Decentralized task offloading for mobile edge computing with independent reinforcement learning | |
US20220286366A1 (en) | Method and apparatus for graph neural network based virtual network management | |
CN115514769B (zh) | 卫星弹性互联网资源调度方法、系统、计算机设备及介质 | |
CN114217881B (zh) | 任务卸载方法及相关装置 | |
CN111158893A (zh) | 应用于雾计算网络的任务卸载方法、系统、设备及介质 | |
CN113992520B (zh) | 一种虚拟网络资源的部署方法和系统 | |
CN110933728B (zh) | 虚拟化无线传感网络的映射方法、装置、存储介质 | |
Cheng et al. | Efficient Deep Learning Approach for Computational Offloading in Mobile Edge Computing Networks. | |
CN113709817A (zh) | 多基站多服务器场景下的任务卸载和资源调度方法及装置 | |
Asheralieva et al. | Ultra-Reliable Low-Latency Slicing in Space-Air-Ground Multi-Access Edge Computing Networks for Next-Generation Internet of Things and Mobile Applications | |
CN107360210B (zh) | 云计算数据中心兼顾能耗与访问延迟的虚拟机分配方法 | |
Nour et al. | Unsupervised Data Splitting Scheme for Federated Edge Learning in IoT Networks | |
Fang et al. | Distributed online adaptive subgradient optimization with dynamic bound of learning rate over time‐varying networks | |
Yang et al. | Virtual network function placement based on differentiated weight graph convolutional neural network and maximal weight matching | |
Fu et al. | Policy network assisted Monte Carlo Tree search for intelligent service function chain deployment | |
Chen et al. | Energy and Time-Aware Inference Offloading for DNN-based Applications in LEO Satellites |
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 |