CN113452788B - 一种动态网络中基于服务迁移的适配优化方法 - Google Patents

一种动态网络中基于服务迁移的适配优化方法 Download PDF

Info

Publication number
CN113452788B
CN113452788B CN202110725710.0A CN202110725710A CN113452788B CN 113452788 B CN113452788 B CN 113452788B CN 202110725710 A CN202110725710 A CN 202110725710A CN 113452788 B CN113452788 B CN 113452788B
Authority
CN
China
Prior art keywords
service
consumption
energy consumption
delay
migration
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
CN202110725710.0A
Other languages
English (en)
Other versions
CN113452788A (zh
Inventor
孙梦宇
周长兵
施振生
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.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
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 China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202110725710.0A priority Critical patent/CN113452788B/zh
Publication of CN113452788A publication Critical patent/CN113452788A/zh
Application granted granted Critical
Publication of CN113452788B publication Critical patent/CN113452788B/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
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
    • 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
    • G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
    • 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
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供了一种动态网络中基于服务迁移的适配优化方法，该方法涉及物联网通信技术领域，基于动态网络中节点的工作状态构建动态网络模型，用以根据服务需求进行节点间的服务迁移和调度；构建多目标多约束模型，以计算所述服务需求中各个服务进行节点间的服务迁移和调度过程中的系统开销；其中所述系统开销包括延迟消耗和能量消耗；以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，通过求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解，从而可以动态调整网络节点上服务分配情况，实现服务需求的延迟优化且延长网络中节点的生命周期。

Description

一种动态网络中基于服务迁移的适配优化方法
技术领域
本申请属于物联网通信技术领域，尤其涉及一种动态网络中基于服务迁移的适配优化方法。
背景技术
随着智能物联网设备能力的不断提高，以指数增长的实时应用程序被接入网络，通过网络边缘功能互补、位置临近的节点间的相互协作，可以在网络边缘实现用户需求，以满足延迟敏感型实时用户需求，并减少网络开销。基于容器技术及微服务架构的发展，物联网节点功能被封装成为服务，应用需求通过服务组合的方式被实现。
由于网络中每个节点的能量通常是有限的，并且不容易被补充，因此在节点可以通过定期休眠的方式高效保存其自身能量，网络中节点交替工作，从而不间断地满足用户需求。现有技术中，大多数通过为网络中节点增加激活状态时间来尽快地满足和保证服务地不间断性，但这样的方式会增加网络物联网设备的能耗，从而造成网络生命周期的减少。
在上述动态网络中，考虑到网络中服务请求预测的不准确性，一方面，物联网节点剩余工作周期不足会导致服务无法被某物联网节点完整执行，另一方面，节点的剩余能耗或可用的计算资源不足，也导致节点很难满足用户的需求。
发明内容
有鉴于此，本申请提供一种动态网络中基于服务迁移的适配优化方法，可以通过服务迁移的方法动态调整网络节点上服务分配情况。
第一方面，本申请实施例提供一种动态网络中基于服务迁移的适配优化方法，包括：
基于动态网络中节点的工作状态构建动态网络模型，用以根据服务需求进行节点间的服务迁移和调度，其中所述服务需求为多个服务的集合；
构建多目标多约束模型，以计算所述服务需求中各个服务进行节点间的服务迁移和调度过程中的系统开销；其中所述系统开销包括延迟消耗和能量消耗；所述延迟消耗包括计算延迟消耗、传输延迟消耗、迁移延迟消耗；所述能量消耗包括计算能量消耗、传输能量消耗、迁移能量消耗；
以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，通过求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解。
在一种可能的实施方式中，通过如下步骤计算所述延迟消耗：
基于节点的计算能力、服务需要的CPU周期数确定所述计算延迟消耗；
基于传输数据量大小、两个节点间的传输速率确定所述传输延迟消耗；
基于服务存储大小、两个节点间的传输速率确定所述迁移延迟消耗；
基于所述计算延迟消耗、传输延迟消耗、迁移延迟消耗构建第一目标函数以计算所述延迟消耗。
在一种可能的实施方式中，通过如下步骤计算所述能量消耗：
基于服务需要的CPU周期数、节点CPU架构系数、节点的计算能力确定所述计算能量消耗；
基于发送节点的传输功率、传输数据量大小、两个节点间的传输速率确定所述传输能量消耗；
基于发送节点的传输功率、服务存储大小、两个节点间的传输速率确定所述迁移能量消耗；
基于所述计算能量消耗、传输能量消耗、迁移能量消耗构建第二目标函数以计算所述能量消耗。
在一种可能的实施方式中，针对每种分配方式构建多目标多约束模型包括：
基于所述第一目标函数和第二目标函数构建多目标多约束模型，所述目标多约束模型计算系统开销的公式如下：
Z(ai)＝wL×fL(ai)+wE×fE(ai)
其中fL(ai)表示所述延迟消耗，fE(ai)表示所述能量消耗，wL、wE为在对所述延迟消耗、所述能量消耗进行求和时分别占的权重系数。
在一种可能的实施方式中，以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，通过求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解包括：
根据所述多目标多约束模型构建博弈模型，所述博弈模型表示为 (N,{Ai}i∈N,{Z(ai)}i∈N),其中N是需要配置的服务集合，Ai是服务分配决策的有限集合，Z(ai)表示服务分配决策的系统开销，ai表示服务的配置位置；
采用基于潜在博弈的分布式服务调度算法对所述博弈模型求纳什均衡解，以确定服务需求中各个服务的最优分配方式。
在一种可能的实施方式中，采用基于潜在博弈的分布式服务调度算法对所述博弈模型求纳什均衡解包括：
步骤一、针对动态网络中每个需要完成的服务，判断该服务的当前配置决策是否与其当前的最优配置决策相同；其中在动态网络中，当某一服务的当前配置决策改变时，其它服务当前的最优配置决策随之改变；
步骤二、从未获取最优配置决策的多个服务中随机选出一个，确定该服务当前的最优配置决策，以替换其当前配置决策；
步骤三、重复步骤三直至动态网络中每个需要完成的服务获取相应的最优配置决策，其中动态网络中每个需要完成的服务获取相应的最优配置决策为所述纳什均衡解。
在一种可能的实施方式中，针对动态网络中每个需要完成的服务，判断该服务的当前配置决策是否与其当前的最优配置决策相同包括：
从设备候选集中为每个服务分配一个初始节点，作为该服务的当前配置决策；其中所述设备候选集用以存放所有处于激活状态并能够满足该服务执行周期的节点；
计算设备候选集中每个节点的系统开销，以将该设备候选集对应的服务分配到所述系统开销为最小值时对应的节点，作为该服务的最优配置决策。
在一种可能的实施方式中，从所述选择集合随机选出一个最优配置决策，以替换相应服务的当前配置决策包括：
判断所述最优配置决策中的节点是否部署该服务的服务类型，若否，从附近的节点进行服务迁移；若是，替换相应服务的当前配置决策。
第二方面，本申请实施例还提供一种动态网络中基于服务迁移的适配优化装置，包括：
分配模块，基于动态网络中节点的工作状态构建动态网络模型，用以根据服务需求进行节点间的服务迁移和调度；
计算模块，用于构建多目标多约束模型，以计算所述服务需求中各个服务进行节点间的服务迁移和调度过程中的系统开销；其中所述系统开销包括延迟消耗和能量消耗；所述延迟消耗包括计算延迟消耗、传输延迟消耗、迁移延迟消耗；所述能量消耗包括计算能量消耗、传输能量消耗、迁移能量消耗；
求解模块，以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本申请实施例提供的一种动态网络中基于服务迁移的适配优化方法，基于动态网络中节点的工作状态构建动态网络模型，用以根据服务需求进行节点间的服务迁移和调度，其中所述服务需求为多个服务的集合；构建多目标多约束模型，以计算所述服务需求中各个服务进行节点间的服务迁移和调度过程中的系统开销；其中所述系统开销包括延迟消耗和能量消耗；所述延迟消耗包括计算延迟消耗、传输延迟消耗、迁移延迟消耗；所述能量消耗包括计算能量消耗、传输能量消耗、迁移能量消耗；以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，通过求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解。从而可以动态调整网络节点上服务分配情况，实现服务需求的延迟优化且延长网络中节点的生命周期。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种动态网络中基于服务迁移的适配优化方法的流程图；
图2示出了本申请实施例所提供的动态网络架构图；
图3示出了本申请实施例所提供的服务请求示意图；
图4示出了本申请实施例将数值最小的总开销所对应的分配方式确定为最优分配方式的流程图；
图5示出了本申请实施例所提供的一种动态网络中基于服务迁移的适配优化装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在动态网络中，考虑到网络中服务请求预测的不准确性，一方面，物联网节点剩余工作周期不足会导致服务无法被某物联网节点完整执行，另一方面，节点的剩余能耗或可用的计算资源不足，也导致节点很难满足用户的需求。基于此本申请实施例提供了一种动态网络中基于服务迁移的适配优化方法，以通过服务迁移的方法动态调整网络节点上服务分配情况。
参照说明书附图1，说明书附图1为本申请实施例所提供的一种动态网络中基于服务迁移的适配优化方法，所述方法可以包括以下步骤：
S1、基于动态网络中节点的工作状态构建动态网络模型，用以根据服务需求进行节点间的服务迁移和调度，其中所述服务需求为多个服务的集合。
结合说明书附图2和说明书附图3，首先对动态网络模型中的物联网节点、服务、服务请求的定义加以解释。
物联网节点被定义为nd＝(id,Dtmp,eng,f,bdw,stg,Ssev,Ncnt),其中，id 表示节点的编号，Dtmp表示节点的工作周期，eng表示节点的剩余能量，f表示节点的计算能力，bdw表示节点带宽，stg表示节点存储能力，Ssev表示节点能够提供的服务集合，Ncnt表示节点能够配置的最大容器数量。节点的工作周期不一定是连续的，节点只能在自己的工作周期提供功能性的服务操作，即当节点在工作周期内时，节点处于激活状态，否则，节点处于休眠状态。在节点处于激活状态时，可以对分配在该节点上的服务进行执行；而在节点处于休眠状态时，则不能够对相应服务进行执行，用以保存自身能量。其中节点的物理属性包括剩余能耗、计算能力、节点带宽和存储能力等。由于每个节点都具有有限的资源约束，只有少数的几个服务能够被配置到节点上，并且配置服务的数量不能超过节点的最大容量。
可见，在将服务配置到相应节点时，应当考虑该接节点的工作周期及物理属性是否能够完整执行相应服务。即节点的工作周期及物理属性构成服务配置的约束条件。
服务被定义为sev＝(id,func,wkd,bdw,stg,NDsev),其中，id表示服务的编号，func表示服务提供的功能，wkd表示服务需要的工作量，bdw表示服务需要的带宽，stg表示服务需要的存储空间，NDsev表示配置该服务的节点集合。每个服务能够实现特定的功能，并在计算和传输过程中分别对应相应的数据大小和CPU任务周期。节点和服务间满足多对多关系，即每个节点可以配置多种服务，每种服务也可以被配置在多个节点上。每个服务被封装在容器中，并以容器的方式进行配置和迁移。
可见，在进行服务配置时，需要根据服务的物理属性寻找符合配置约束条件的节点。当所配置的节点不能完整执行相应服务时，可通过服务迁移的方式，将服务封装在容器中迁移至另一节点执行。
服务请求被定义为srq＝(id,SEV,lgD),其中，id表示服务请求的编号， SEV表示服务请求中包含的服务类型，lgD表示服务请求中各服务间的逻辑依赖性。每个服务请求都是一个功能性的组合，旨在满足用户的特定需求。一系列单一结构的服务以给定的逻辑关系相互连接，以提供一些复杂的增值服务。用户按规范提出他们的需求，每个需求被分解成为计算服务集合SEV＝(sev1,,...,sevi,...,sevn),并将这些服务在网络上进行调度。
即将服务请求中的若干服务分配至动态网络中的相应节点，通过动态网络中的节点对每个服务完整执行，以实现该服务请求的功能。其中动态网络中的各节点的服务已进行初步部署，但正如上述所述，由于节点工作状态的变化，如工作周期降低、剩余能量变少等，网络拓扑和通信发生一定的变化，因此可以根据网络需求实时调度和迁移服务，将动态网络中的服务实时配置到相应节点。
S2、针对每种分配方式，计算该种分配构建多目标多约束模型，以计算所述服务需求中各个服务进行节点间的服务迁移和调度过程中的系统开销；其中所述系统开销包括延迟消耗和能量消耗；所述延迟消耗包括计算延迟消耗、传输延迟消耗、迁移延迟消耗；所述能量消耗包括计算能量消耗、传输能量消耗、迁移能量消耗；所述延迟消耗为所述计算延迟消耗、传输延迟消耗、迁移延迟消耗的和；
所述能量消耗为所述计算能量消耗、传输能量消耗、迁移能量消耗的和；
所述系统开销为所述延迟消耗和所述能量消耗的和。
其中在计算所述计算延迟消耗和所述计算能量消耗时，采用同一计算模型，计算过程表示为了完成服务sevi而在某节点ndj停留和执行的过程，采用二进制变量
Figure BDA0003138565000000081
表示服务部署策略，如下：
Figure BDA0003138565000000082
当
Figure BDA0003138565000000083
时，节点的计算能力被表示为ndj.f,cyci表示服务需要的CPU 周期数，k表示节点CPU架构系数，因此，计算延迟消耗Lcmp和计算能量消耗Ecmp分别被计算如下：
Figure BDA0003138565000000084
Ecmp(sevi,ndj)＝cyci×k(ndj.f)2
即节点在执行服务时产生必要的计算消耗，分别为所述计算延迟消耗和所述计算能量消耗。其中基于节点的计算能力、服务需要的CPU周期数确定所述计算延迟消耗；基于服务需要的CPU周期数、节点CPU架构系数、节点的计算能力确定所述计算能量消耗。
其中在计算所述传输延迟消耗和所述传输能量消耗时，采用同一传输模型，传输过程是指在临近的物理节点上实例化服务需要在发送节点和接收节点间传输一定的数据量，采用二进制变量
Figure BDA0003138565000000091
表示传输策略，如下：
Figure BDA0003138565000000092
在传输的过程中，节点间的无线通信是基于正交频分多址接入的，因此，两个节点ndj和ndj′间的传输速率计算如下：
Figure BDA0003138565000000093
其中，W表示发送节点和接收节点间的连接带宽，ρj表示发送节点的传输功率，gjj′表示节点间的信道收益，N0表示信道噪声。
因此，通过传输数据量大小为
Figure BDA0003138565000000094
的服务sevi而消耗的传输延迟消耗Ltrs和传输能量消耗Etrs分别计算如下：
Figure BDA0003138565000000095
Figure BDA0003138565000000096
即节点在临近的物理节点上实例化服务时产生必要的传输消耗，分别为所述传输延迟消耗和所述传输能量消耗。其中基于传输数据量大小、两个节点间的传输速率确定所述传输延迟消耗；基于发送节点的传输功率、传输数据量大小、两个节点间的传输速率确定所述传输能量消耗。
其中在计算所述迁移延迟消耗和所述迁移能量消耗时，采用同一服务迁移模型，服务迁移是指封装服务的容器从源节点迁移到目的节点，且目的节点需要满足服务迁移的物理条件。只有当目的节点具有足够的剩余能力Rrmg，服务才能够成功地被迁移。
sevi.bdw≤Rrmg(ndj′.bdw)
sevi.stg≤Rrmg(ndj′.stg)
除此之外，节点配置的服务数量不能超过其规定的最大服务数：
|ndj′.Ssev|≤ndj′.Ncnt
采用二进制变量
Figure BDA0003138565000000101
表示服务迁移策略，如下：
Figure BDA0003138565000000102
当
Figure BDA0003138565000000103
时，服务存储大小被表示为sevi.stg,因此服务迁移过程的迁移延迟消耗Lmgt和迁移能量消耗Emgt分别计算如下：
Figure BDA0003138565000000104
Figure BDA0003138565000000105
即节点在进行服务迁移时产生必要的迁移消耗，分别为迁移延迟消耗和迁移能量消耗。其中基于服务存储大小、两个节点间的传输速率确定所述迁移延迟消耗；基于发送节点的传输功率、服务存储大小、两个节点间的传输速率确定所述迁移能量消耗。
可见，节点在执行相应服务时，总归会产生两种消耗，分别为延迟消耗和能量消耗，则为了更好的计算所述系统开销和所述总开销，构建第一目标函数计算所述延迟消耗，构建第二目标函数计算所述能量消耗；并进一步基于所述第一目标函数和第二目标函数构建多目标多约束模型以计算所述系统开销。具体的：
采用服务配置决策ai表示服务sevi的配置位置，ai∈{1,...,m},当ai＝0时，表示服务sevi被分配到已配置好的节点上进行实例化，当ai>0时，表示服务sevi需要从其它节点进行迁移。
因此，在不同服务分配情况下，所述延迟消耗由所述第一目标函数计算如下：
Figure BDA0003138565000000111
其中当服务sevi只是被部署在ndj上，而没有进行数据传输，也没有进行服务迁移时，所述延迟消耗等于所述计算延迟消耗；当服务sevi被部署在ndj上，并且将数据从节点ndj传输到节点ndj′，但没有进行服务迁移，所述延迟消耗等于所述计算延迟消耗与所述传输延迟消耗的和；当服务sevi被部署在ndj上，并且将服务sevi的数据从节点ndj传输到节点ndj′，还将服务服务sevi从节点ndj迁移到节点ndj′时，所述延迟消耗为所述计算延迟消耗、传输延迟消耗、迁移延迟消耗的和。
在不同服务分配情况下，所述能量消耗由所述第二目标函数计算如下：
Figure BDA0003138565000000112
其中当服务sevi只是被部署在ndj上，而没有进行数据传输，也没有进行服务迁移时，所述能量消耗等于所述计算能量消耗；当服务sevi被部署在ndj上，并且将数据从节点ndj传输到节点ndj′，但没有进行服务迁移，所述能量消耗等于所述计算能量消耗与所述传输能量消耗的和；当服务sevi被部署在ndj上，并且将服务sevi的数据从节点ndj传输到节点ndj′，还将服务服务sevi从节点ndj迁移到节点ndj′时，所述能量消耗为所述计算能量消耗、传输能量消耗、迁移能量消耗的和。
所述系统开销由所述多目标多约束模型计算如下：
Z(ai)＝wL×fL(ai)+wE×fE(ai)
其中wL、wE为在对所述延迟消耗、所述能量消耗进行求和时分别占的权重系数。通过该多目标多约束模型可以方便的计算出动态网络中每种分配方式下的总开销。
则为了避免由于节点的剩余能耗或可用的计算资源不足，而导致节点不能完整执行服务问题，在对动态网络中的服务进行配置时，应当最小化其配置节点的延迟消耗和能量消耗，即服务配置的优化目标是最小化其配置节点的延迟消耗，并在此基础上最小化能量消耗。
S3、将数值最小的所述总开销所对应的以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，通过求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解的优化目标是最小化其配置节点的延迟消耗和能量消耗，换而言之，服务配置的优化目标是让执行每个服务的的系统开销最小。而仅当让执行每个服务的的系统开销最小时，才能让所述总开销达到最小值。
具体的，如说明书附图4所示，将数值最小的所述总开销所对应的分配方式确定为最优分配方式包括以下步骤：
S301、构建表示所述总开销最小值的目标函数，所述目标函数标识如下：
Figure BDA0003138565000000121
S302、根据所述目标函数构建博弈模型，所述博弈模型表示为：
τ＝(N,{Ai}i∈N,{Z(ai)}i∈N)
其中N是需要配置的服务集合，Ai是服务分配决策的有限集合，Z(ai)表示服务分配决策的系统开销，ai表示服务的配置位置；τ是一个多用户配置决策，需要保证该决策至少存在一个纳什均衡解。当且仅当没有用户可以单方面的改变决策从而减少系统开销时，这个服务配置决策模型
Figure BDA0003138565000000131
Figure BDA0003138565000000132
是满足纳什均衡的解。经证明，构建的博弈模型符合潜在博弈，并至少存在一个纳什均衡解。其证明过程应为本领域技术人员所熟知的技术手段，在此不作具体阐述。
S303、采用基于潜在博弈的分布式服务调度算法对所述博弈模型求纳什均衡解，以确定服务需求中各个服务的最优分配方式。
其中采用基于潜在博弈的分布式服务调度算法对所述博弈模型求纳什均衡解包括以下步骤：
确定服务的当前配置决策以及最优配置决策；其中在动态网络中，当某一服务的当前配置决策改变时，其它服务当前的最优配置决策随之改变；；
针对动态网络中每个需要完成的服务，判断该服务的当前配置决策是否与其当前的最优配置决策相同；
从未获取最优配置决策的多个服务中随机选出一个，确定该服务当前的最优配置决策，以替换其当前配置决策；
直至动态网络中每个需要完成的服务获取相应的最优配置决策，其中动态网络中每个需要完成的服务获取相应的最优配置决策为所述纳什均衡解。
具体的，在一实施例中采用基于潜在博弈的分布式服务调度算法对所述博弈模型求纳什均衡解可以包括步骤：
S3031、对于每个需要完成的服务sevi，通过寻找网络中处于激活状态并能够满足该服务执行周期的节点，加入到该服务的设备候选集中，并从设备候选集中为每个服务初始化分配节点，初始服务配置决策记作ai；
S3032、针对每个服务设备候选集合中的节点，计算系统开销，并寻找具有系统最小开销的最优配置决策a′i，开销计算如下：
Figure BDA0003138565000000141
其中，
Figure BDA0003138565000000142
Figure BDA0003138565000000143
表示服务sevi被决策配置在节点ndj上，
其中若服务的当前配置决策与最优配置决策相同，均为将服务配置在某一特定节点时，所述系统中该节点开销等于原来所述系统中该节点开销加上该服务配置在该节点的系统开销；
若服务当前配置决策将服务配置在某一节点，而当前配置决策并不是该服务的最优配置决策时，所述系统中的节点开销等于原来所述系统中该节点开销减去该服务配置在该节点的系统开销；
若服务没有配置在某一节点时，所述系统中的节点开销保持不变。
S3033、对于每个服务sevi，判断其当前配置决策是否为最优配置决策，如果当前配置决策ai≠a′i,将服务sevi的最优配置决策a′i加入到选择集合中。
S3034、选择集合中元素进行博弈，每次随机产生一个元素可以将其现有的非最优配置决策ai替换为对应元素服务的最优配置决策a′i，并且同时该服务的最优配置决策所对应的节点是否已部署该服务类型，如果没有部署该服务类型，要从附近的节点进行服务迁移。
S3035、从选择集合中删除步骤S3034所选服务，并重复步骤S3034和步骤S3035，直到选择集合中所有元素被移除，现有的针对每个服务的配置决策即为最优解。
304、根据得到的纳什均衡解将动态网络中所有的服务分配至相应的位置，以形成所述最优分配方式。
则将服务请求中的每个服务均分配至相应的最优配置节点，以让达到让该节点的延迟消耗和能量消耗最小，从而现服务需求的延迟优化且延长网络中节点的生命周期。
本申请提供的一种动态网络中基于服务迁移的适配优化方法，由于节点工作状态呈现动态变化，网络中节点的连接被动态表示，并不断随时间演变，根据计算模型、传输模型和服务迁移模型计算服务请求响应过程中的延迟消耗和能量消耗情况，同时构建多目标多约束模型，在对多目标多约束模型求解的过程中，采用基于潜在博弈的分布式服务调度算法，以每个服务为个体，寻找一个能够达纳什均衡的解决方案，以最小化服务请求延迟消耗和能量消耗，从而找到最优的分配方式。
基于同一发明构思，本申请实施例还提供一种动态网络中基于服务迁移的适配优化装置，如说明书附图5所示，包括：
生成模块，用于根据动态网络中节点的工作状态，生成将动态网络中的服务实时配置到相应节点的多种分配方式；
计算模块，用于针对每种分配方式，计算该种分配方式下的总开销，所述总开销为执行动态网络中所有服务的系统开销的和，所述系统开销包括延迟消耗和能量消耗；所述延迟消耗包括计算延迟消耗、传输延迟消耗、迁移延迟消耗；所述能量消耗包括计算能量消耗、传输能量消耗、迁移能量消耗；
其中：
基于节点的计算能力、服务需要的CPU周期数确定所述计算延迟消耗；
基于传输数据量大小、两个节点间的传输速率确定所述传输延迟消耗；
基于服务存储大小、两个节点间的传输速率确定所述迁移延迟消耗；
基于服务需要的CPU周期数、节点CPU架构系数、节点的计算能力确定所述计算能量消耗；
基于发送节点的传输功率、传输数据量大小、两个节点间的传输速率确定所述传输能量消耗；
基于发送节点的传输功率、服务存储大小、两个节点间的传输速率确定所述迁移能量消耗；
在不同服务分配情况下，计算所述延迟消耗的方式如下：
Figure BDA0003138565000000161
当服务sevi只是被部署在ndj上，而没有进行数据传输，也没有进行服务迁移时，所述延迟消耗等于所述计算延迟消耗；当服务sevi被部署在ndj上，并且将数据从节点ndj传输到节点ndj′，但没有进行服务迁移，所述延迟消耗等于所述计算延迟消耗与所述传输延迟消耗的和；当服务sevi被部署在ndj上，并且将服务sevi的数据从节点ndj传输到节点ndj′，还将服务服务sevi从节点ndj迁移到节点ndj′时，所述延迟消耗为所述计算延迟消耗、传输延迟消耗、迁移延迟消耗的和。
在不同服务分配情况下，计算所述能量消耗的方式如下：
Figure BDA0003138565000000162
当服务sevi只是被部署在ndj上，而没有进行数据传输，也没有进行服务迁移时，所述能量消耗等于所述计算能量消耗；当服务sevi被部署在ndj上，并且将数据从节点ndj传输到节点ndj′，但没有进行服务迁移，所述能量消耗等于所述计算能量消耗与所述传输能量消耗的和；当服务sevi被部署在ndj上，并且将服务sevi的数据从节点ndj传输到节点ndj′，还将服务服务sevi从节点ndj迁移到节点ndj′时，所述能量消耗为所述计算能量消耗、传输能量消耗、迁移能量消耗的和。
则基于所述延迟消耗和所述能量消耗的计算方式构建多目标多约束模型以计算所述系统开销，计算方式如下：
Z(ai)＝wL×fL(ai)+wE×fE(ai)
其中wL、wE为在对所述延迟消耗、所述能量消耗进行求和时分别占的权重系数。
构建表示所述总开销最小值的目标函数为
Figure BDA0003138565000000171
分配模块，用于将数值最小的所述总开销所对应的分配方式确定为最优分配方式，根据该最优分配方式将动态网络中的服务配置到相应节点。
基于同一发明构思，本申请实施例还提供一种电子设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述动态网络中服务配置的优化方法的步骤。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，当所述计算机指令在计算机上运行时，使得计算机执行上述的离线计费方法。所述储存介质包括一个或多个计算机程序。在计算机上加载和执行所述计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述储存介质包括但不限于非易失性和/或易失性存储器。非易失性存储器包括但不限于只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程 ROM(EEPROM)或闪存。易失性存储器包括但不限于随机存取存储器(RAM)或者外部高速缓冲存储器。
最后应说明的是：以上实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种动态网络中基于服务迁移的适配优化方法，其特征在于，包括：
基于动态网络中节点的工作状态构建动态网络模型，用以根据服务需求进行节点间的服务迁移和调度，其中所述服务需求为多个服务的集合；
构建多目标多约束模型，以计算所述服务需求中各个服务进行节点间的服务迁移和调度过程中的系统开销；其中所述系统开销包括延迟消耗和能量消耗；所述延迟消耗包括计算延迟消耗、传输延迟消耗、迁移延迟消耗；所述能量消耗包括计算能量消耗、传输能量消耗、迁移能量消耗；其中，通过如下步骤计算所述延迟消耗：
基于节点的计算能力、服务需要的CPU周期数确定所述计算延迟消耗；
基于传输数据量大小、两个节点间的传输速率确定所述传输延迟消耗；
基于服务存储大小、两个节点间的传输速率确定所述迁移延迟消耗；
基于所述计算延迟消耗、传输延迟消耗、迁移延迟消耗构建第一目标函数以计算所述延迟消耗；
其中，通过如下步骤计算所述能量消耗：
基于服务需要的CPU周期数、节点CPU架构系数、节点的计算能力确定所述计算能量消耗；
基于发送节点的传输功率、传输数据量大小、两个节点间的传输速率确定所述传输能量消耗；
基于发送节点的传输功率、服务存储大小、两个节点间的传输速率确定所述迁移能量消耗；
基于所述计算能量消耗、传输能量消耗、迁移能量消耗构建第二目标函数以计算所述能量消耗；
其中，构建多目标多约束模型包括：
基于所述第一目标函数和第二目标函数构建多目标多约束模型，所述目标多约束模型计算系统开销的公式如下：
Figure M_220210121535230_230438001
其中，
Figure M_220210121535310_310997001
表示服务的配置位置，
Figure M_220210121535326_326622002
表示所述延迟消耗，
Figure M_220210121535357_357897003
表示所述能量消耗，
Figure M_220210121535373_373499004
为在对所述延迟消耗、所述能量消耗进行求和时分别占的权重系数；
以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，通过求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解。
2.根据权利要求1所述一种动态网络中基于服务迁移的适配优化方法，其特征在于，以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，通过求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解包括：
根据所述多目标多约束模型构建博弈模型，所述博弈模型表示为
Figure M_220210121535404_404766001
,其中
Figure M_220210121535452_452567002
是需要配置的服务集合，
Figure M_220210121535468_468723003
是服务分配决策的有限集合，
Figure M_220210121535499_499960004
表示服务分配决策的系统开销，
Figure M_220210121535531_531199005
表示服务的配置位置；
采用基于潜在博弈的分布式服务调度算法对所述博弈模型求纳什均衡解，以确定服务需求中各个服务的最优分配方式。
3.根据权利要求2所述一种动态网络中基于服务迁移的适配优化方法，其特征在于，采用基于潜在博弈的分布式服务调度算法对所述博弈模型求纳什均衡解，以确定服务需求中各个服务的最优分配方式包括：
步骤一、针对动态网络中每个需要完成的服务，判断该服务的当前配置决策是否与其当前的最优配置决策相同；其中在动态网络中，当某一服务的当前配置决策改变时，其它服务当前的最优配置决策随之改变；
步骤二、从未获取最优配置决策的多个服务中随机选出一个，确定该服务当前的最优配置决策，以替换其当前配置决策；
步骤三、重复步骤二直至动态网络中每个需要完成的服务获取相应的最优配置决策，其中动态网络中每个需要完成的服务获取相应的最优配置决策为所述纳什均衡解。
4.根据权利要求3所述一种动态网络中基于服务迁移的适配优化方法，其特征在于，针对动态网络中每个需要完成的服务，判断该服务的当前配置决策是否与其当前的最优配置决策相同包括：
从设备候选集中为每个服务分配一个初始节点，作为该服务的当前配置决策；其中所述设备候选集用以存放所有处于激活状态并能够满足该服务执行周期的节点；
计算设备候选集中每个节点的系统开销，以将该设备候选集对应的服务分配到所述系统开销为最小值时对应的节点，作为该服务的最优配置决策。
5.根据权利要求4所述一种动态网络中基于服务迁移的适配优化方法，其特征在于，从所述设备候选集中随机选出一个最优配置决策，以替换相应服务的当前配置决策，包括：
判断所述最优配置决策中的节点是否部署该服务的服务类型，若否，从附近的节点进行服务迁移；若是，替换相应服务的当前配置决策。
6.一种动态网络中基于服务迁移的适配优化装置，其特征在于，包括：
分配模块，用于基于动态网络中节点的工作状态构建动态网络模型，用以根据服务需求进行节点间的服务迁移和调度，其中所述服务需求为多个服务的集合；
计算模块，用于构建多目标多约束模型，以计算所述服务需求中各个服务进行节点间的服务迁移和调度过程中的系统开销；其中所述系统开销包括延迟消耗和能量消耗；所述延迟消耗包括计算延迟消耗、传输延迟消耗、迁移延迟消耗；所述能量消耗包括计算能量消耗、传输能量消耗、迁移能量消耗；其中，通过如下步骤计算所述延迟消耗：
基于节点的计算能力、服务需要的CPU周期数确定所述计算延迟消耗；
基于传输数据量大小、两个节点间的传输速率确定所述传输延迟消耗；
基于服务存储大小、两个节点间的传输速率确定所述迁移延迟消耗；
基于所述计算延迟消耗、传输延迟消耗、迁移延迟消耗构建第一目标函数以计算所述延迟消耗；
其中，通过如下步骤计算所述能量消耗：
基于服务需要的CPU周期数、节点CPU架构系数、节点的计算能力确定所述计算能量消耗；
基于发送节点的传输功率、传输数据量大小、两个节点间的传输速率确定所述传输能量消耗；
基于发送节点的传输功率、服务存储大小、两个节点间的传输速率确定所述迁移能量消耗；
基于所述计算能量消耗、传输能量消耗、迁移能量消耗构建第二目标函数以计算所述能量消耗；
其中，构建多目标多约束模型包括：
基于所述第一目标函数和第二目标函数构建多目标多约束模型，所述目标多约束模型计算系统开销的公式如下：
Figure M_220210121535546_546828001
其中，
Figure M_220210121535578_578100001
表示服务的配置位置，
Figure M_220210121535609_609344002
表示所述延迟消耗，
Figure M_220210121535641_641541003
表示所述能量消耗，
Figure M_220210121535658_658652004
为在对所述延迟消耗、所述能量消耗进行求和时分别占的权重系数；
求解模块，用于以服务需求中各个服务的最小延迟消耗和最小能量消耗为目标，通过求解所述多目标多约束模型确定服务需求中各个服务的最优分配方式；其中采用基于潜在博弈的分布式服务调度算法进行求解。
7.一种电子设备，其特征在于，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行权利要求1至5任一项所述动态网络中基于服务迁移的适配优化方法。
CN202110725710.0A 2021-06-29 2021-06-29 一种动态网络中基于服务迁移的适配优化方法 Active CN113452788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110725710.0A CN113452788B (zh) 2021-06-29 2021-06-29 一种动态网络中基于服务迁移的适配优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110725710.0A CN113452788B (zh) 2021-06-29 2021-06-29 一种动态网络中基于服务迁移的适配优化方法

Publications (2)

Publication Number Publication Date
CN113452788A CN113452788A (zh) 2021-09-28
CN113452788B true CN113452788B (zh) 2022-04-26

Family

ID=77813826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110725710.0A Active CN113452788B (zh) 2021-06-29 2021-06-29 一种动态网络中基于服务迁移的适配优化方法

Country Status (1)

Country Link
CN (1) CN113452788B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114448751A (zh) * 2022-02-18 2022-05-06 广州朗桥维视通信技术有限公司 一种服务网络节点的动态分配方法及系统
CN114706651B (zh) * 2022-06-06 2022-10-04 天津联想协同科技有限公司 网盘文件摆渡状态提示方法、装置、网盘及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017196244A1 (en) * 2016-05-13 2017-11-16 Telefonaktiebolaget Lm Ericsson (Publ) User equipment procedures to control uplink beamforming
CN109005572A (zh) * 2018-08-20 2018-12-14 重庆邮电大学 基于博弈论的移动云服务的接入卸载方法
CN111953759A (zh) * 2020-08-04 2020-11-17 国网河南省电力公司信息通信公司 基于强化学习的协同计算任务卸载和迁移的方法及装置
CN112188551A (zh) * 2020-09-29 2021-01-05 广东石油化工学院 一种计算迁移方法、计算终端设备及边缘服务器设备
CN112231085A (zh) * 2020-10-21 2021-01-15 中国电子科技集团公司第二十八研究所 一种协同环境下基于时间感知的移动终端任务迁移方法
CN112737854A (zh) * 2020-12-30 2021-04-30 国网河南省电力公司信息通信公司 一种基于能耗和服务质量的服务链迁移方法及装置
CN112799843A (zh) * 2021-02-01 2021-05-14 中国地质大学（北京） 一种基于边缘计算的在线自适应服务配置优化方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3056786B1 (fr) * 2016-09-29 2019-11-22 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede de gestion des taches de calcul sur un processeur multi-cœurs fonctionnellement asymetrique

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017196244A1 (en) * 2016-05-13 2017-11-16 Telefonaktiebolaget Lm Ericsson (Publ) User equipment procedures to control uplink beamforming
CN109005572A (zh) * 2018-08-20 2018-12-14 重庆邮电大学 基于博弈论的移动云服务的接入卸载方法
CN111953759A (zh) * 2020-08-04 2020-11-17 国网河南省电力公司信息通信公司 基于强化学习的协同计算任务卸载和迁移的方法及装置
CN112188551A (zh) * 2020-09-29 2021-01-05 广东石油化工学院 一种计算迁移方法、计算终端设备及边缘服务器设备
CN112231085A (zh) * 2020-10-21 2021-01-15 中国电子科技集团公司第二十八研究所 一种协同环境下基于时间感知的移动终端任务迁移方法
CN112737854A (zh) * 2020-12-30 2021-04-30 国网河南省电力公司信息通信公司 一种基于能耗和服务质量的服务链迁移方法及装置
CN112799843A (zh) * 2021-02-01 2021-05-14 中国地质大学（北京） 一种基于边缘计算的在线自适应服务配置优化方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马艳.基于能耗和成本的资源管理与调度策略研究.《 中国博士学位论文全文数据库》.2013,全文. *

Also Published As

Publication number Publication date
CN113452788A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
JP6942397B2 (ja) モバイルエッジコンピューティングのシナリオでシングルタスクオフロード戦略を策定する方法
CN111459628B (zh) 基于改进量子蚁群算法的Spark平台任务调度方法
CN113225377B (zh) 物联网边缘任务卸载方法及装置
US10397829B2 (en) System apparatus and methods for cognitive cloud offloading in a multi-rat enabled wireless device
CN113452788B (zh) 一种动态网络中基于服务迁移的适配优化方法
Zhu et al. BLOT: Bandit learning-based offloading of tasks in fog-enabled networks
Ali et al. A cost and energy efficient task scheduling technique to offload microservices based applications in mobile cloud computing
CN113342409B (zh) 多接入边缘计算系统时延敏感型任务卸载决策方法及系统
CN116541106B (zh) 计算任务卸载方法、计算设备及存储介质
CN114928607B (zh) 面向多边接入边缘计算的协同任务卸载方法
Afrin et al. Robotic edge resource allocation for agricultural cyber-physical system
CN115396953B (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
Dong et al. Content caching-enhanced computation offloading in mobile edge service networks
CN113867930A (zh) 调节机器学习模型的方法和调节机器学习模型的系统
Xia et al. Near-optimal and learning-driven task offloading in a 5G multi-cell mobile edge cloud
CN112219191A (zh) 数据中心中的服务和服务器的自配置
Gao et al. Com-DDPG: A multiagent reinforcement learning-based offloading strategy for mobile edge computing
Wang et al. Joint scheduling and offloading of computational tasks with time dependency under edge computing networks
Chen et al. Digital twin-assisted reinforcement learning for resource-aware microservice offloading in edge computing
Cejudo et al. An optimization framework for edge-to-cloud offloading of kubernetes pods in V2X scenarios
Mi et al. A Multi-Agent RL Algorithm for Dynamic Task Offloading in D2D-MEC Network with Energy Harvesting
Li et al. Profit driven service provisioning in edge computing via deep reinforcement learning
CN112799843A (zh) 一种基于边缘计算的在线自适应服务配置优化方法及装置
Bensalem et al. Towards optimal serverless function scaling in edge computing network
Yadav E-MOGWO Algorithm for Computation Offloading in Fog 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
GR01 Patent grant
GR01 Patent grant